《一种基于概率密度估计的随机摆动区域检测方法.pdf》由会员分享，可在线阅读，更多相关《一种基于概率密度估计的随机摆动区域检测方法.pdf（7页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102800112 A (43)申请公布日 2012.11.28 CN 102800112 A *CN102800112A* (21)申请号 201210243473.5 (22)申请日 2012.07.13 G06T 7/60(2006.01) (71)申请人 浙江捷尚视觉科技有限公司 地址 310013 浙江省杭州市西湖区天目山路 398 号尚坤大厦四楼南座 (72)发明人 尚凌辉 张兆生 刘家佳 高勇 (74)专利代理机构 杭州求是专利事务所有限公 司 33200 代理人 杜军 (54) 发明名称 一种基于概率密度估计的随机摆动区域检测 方法 (57) 摘要 本。
2、发明涉及一种基于概率密度估计的随机摆 动区域检测方法。现有方法中的背景模型无法及 时适应随机摆动的干扰。本发明首先对采集的实 时视频图像进行背景建模， 本文采用无参数的核 密度估计方法， 然后提取背景像素的概率密度分 布曲线的特性， 计算背景像素的评价系数， 并采用 自适应方法判定出随机摆动区域。最后对概率密 度分布曲线的变化趋势进行估计， 更新评价系数 的阈值， 以适应随机摆动的时序变化。 本发明利用 背景的概率密度分布曲线的特性检测随机摆动区 域， 取得了较好的效果， 提高了背景模型的精度。 该方法仅采用背景模型的分布特性， 未增加多余 的计算量， 确保了方法的实时性。 (51)Int.C。
3、l. 权利要求书 1 页 说明书 3 页 附图 2 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 1 页 说明书 3 页 附图 2 页 1/1 页 2 1. 一种基于概率密度估计的随机摆动区域检测方法， 其特征在于该方法包括以下步 骤 ： 步骤 1. 从视频采集设备中获取实时视频图像 ； 步骤 2. 收集数据样本， 利用无参数估计方法对视频图像中每个像素进行背景建模， 初 始化背景的概率密度估计模型 ； 步骤 3. 对一帧图像进行分块， 以块为单位对背景模型中的像素的概率密度分布曲线 进行分析， 获取块内各像素点的波峰信息， 并计算块的评价系数， 最后采用自适应方。
4、法确定 阈值， 并判定出随机摆动区域 ； 步骤 4. 根据当前帧图像与前景、 背景样本的概率分布， 更新背景模型的概率密度估 计， 并随概率密度分布曲线的实时更新， 计算每帧图像评价系数的均值， 将均值作为概率密 度曲线的变化趋势， 并对阈值进行更新， 以使得阈值达到自适应的目的。 2. 根据权利要求 1 所述的一种基于概率密度估计的随机摆动区域检测方法， 其特征在 于 ： 步骤 2 中的无参数估计方法选用概率密度估计方法。 3. 根据权利要求 1 所述的一种基于概率密度估计的随机摆动区域检测方法， 其特征在 于步骤 3 具体是 ： 首先以块为单位对图像进行分析， 遍历各像素点的曲线分布， 并。
5、获取波峰信息 ； 然后利用提取得到的各个波峰的峰值来得到不同区域的评价系数 C， 评价系数 C 代表 了概率密度曲线的复杂度 ； 其中 n 为波峰的个数， 为波峰的峰值， 为所有波峰的峰值和 ； 最后采用双阈值方法判定该块是否为随机摆动区域， 所述的双阈值方法为自适应方法 中的一种。 4. 根据权利要求 3 所述的一种基于概率密度估计的随机摆动区域检测方法， 其特征在 于 ： 所述的波峰由一个峰顶和两个波谷组成 ； 波峰信息包括峰值和与峰值对应的亮度值。 5. 根据权利要求 3 所述的一种基于概率密度估计的随机摆动区域检测方法， 其特征在 于 ： 双阈值方法判定规则为 ： 如果评价系数 C 的。
6、均值小于阈值， 则认为此块内随机摆动较 多， 使用较为宽松的阈值来判断块内每个像素是属于随机摆动还是背景， 以此使更 多的随机摆动点被判断出 ； 如果评价系数 C 的均值大于阈值， 则认为此块内背景较多， 使 用较紧的阈值作为此块的阈值， 以此来减少背景被判断为随机摆动的概率， 其中阈 值为 ： n 为块的个数， 为块的评价系数的均值。 权 利 要 求 书 CN 102800112 A 2 1/3 页 3 一种基于概率密度估计的随机摆动区域检测方法 技术领域 0001 本发明属于计算机视觉中运动目标检测技术领域， 涉及一种基于概率密度估计的 随机摆动区域检测方法。 背景技术 0002 背景减除。
7、技术是一种应用广泛的运动检测技术， 常用于交通监测、 安防监控、 人机 交互等领域。 主要的方法有单高斯、 码本、 混合高斯、 核密度估计等， 然而在实际应用中由于 受到各种形式的光照变化、 树枝水波的随机摆动、 风雨雪雾等干扰， 因此如何建立动态背景 模型， 从包含运动物体的视频中提取出背景是该技术应用的关键。 其中， 对随机摆动的检测 和去除是背景建模的关键问题之一。目前主要的检测和去除随机摆动的方法有 ： 将随机摆 动区域作为背景模型的一部分进行建模， 如混合高斯、 核密度估计等常见的背景建模方法， 然而该类方法的背景模型无法及时适应随机摆动的干扰 ； 对已知的随机摆动区域提取表 观、 。
8、时空特征， 如形状、 动态纹理等， 并对背景图像进行减除， 该类方法能够去除具备先验特 征的摆动干扰， 而对随机性很强的干扰无法去除。 发明内容 0003 本发明针对现有技术的不足， 提供一种基于概率密度估计的随机摆动区域检测方 法。 0004 本发明的主要构思 ： 首先对采集的实时视频图像进行背景建模， 本文采用无参数 的核密度估计方法， 然后提取背景像素的概率密度分布曲线的特性， 计算背景像素的评价 系数， 并采用自适应方法判定出随机摆动区域。最后对概率密度分布曲线的变化趋势进行 估计， 更新评价系数的阈值， 以适应随机摆动的时序变化。 0005 本发明解决技术问题所采取的技术方案为 ： 。
9、步骤 1. 从视频采集设备中获取实时视频图像。 0006 步骤 2. 收集数据样本， 利用无参数估计方法对视频图像中每个像素进行背景建 模， 初始化背景的概率密度估计模型。 0007 步骤 3. 对一帧图像进行分块， 以块为单位对背景模型中的像素的概率密度分布 曲线进行分析， 获取块内各像素点的波峰信息， 并计算块的评价系数， 最后采用自适应方法 确定阈值， 并判定出随机摆动区域。 0008 步骤 4. 根据当前帧图像与前景、 背景样本的概率分布， 更新背景模型的概率密度 估计， 并随概率密度分布曲线的实时更新， 计算每帧图像评价系数的均值， 将均值作为概率 密度曲线的变化趋势， 并对阈值进行。
10、更新， 以使得阈值达到自适应的目的。 0009 本发明的有益效果 ： 本发明利用背景的概率密度分布曲线的特性检测随机摆动区 域， 取得了较好的效果， 提高了背景模型的精度。该方法仅采用背景模型的分布特性， 未增 加多余的计算量， 确保了方法的实时性。 说 明 书 CN 102800112 A 3 2/3 页 4 附图说明 0010 图 1 为本发明方法流程图 ； 图 2 为随机摆动区域检测流程图 ； 图 3（a） 为稳定背景点的概率密度曲线图 ； 图 3（b） 为常出现前景的背景点的概率密度曲线图 ； 图 3（c） 为随机摆动分布曲线。 具体实施方式 0011 以下结合附图对本发明作进一步说明。
11、。 0012 如图 1 所示， 本发明包括以下步骤 ： 步骤 1. 从视频采集设备中获取实时视频图像。即图 1 的接收单元。 0013 步骤 2. 收集数据样本， 利用无参数估计方法对视频图像中每个像素进行背景建 模， 初始化背景的概率密度估计模型。即图 1 的初始化单元。 0014 概率密度估计方法是一种无参数估计方法， 在实际应用中该方法不需获知数据总 体分布的形式， 可处理任意形式的概率分布。 该方法通过采集数据样本， 对数据的每个类别 均独立的估计概率密度， 其估计函数为 ： 其中， N 为样本数， 为归一化的权重系数， K 为核函数， 通常用高斯核。通过该方法估 计背景的概率密度， 。
12、背景上像素点的概率密度分布往往以单高斯分布、 多高斯分布和复杂 分布几种曲线方式呈现。 将场景分为稳定的背景区域、 常出现前景的背景区域、 随机摆动区 域等， 不同区域所呈现的概率密度分布曲线各不相同， 如图 3（a） 、 图 3（b） 和图 3（c） 所 示， 横坐标为亮度值， 纵坐标为概率值。其中， 图 3（a） 稳定背景区域的概率分布曲线为单 模的高斯分布， 图 3（b） 常出现前景的背景区域的概率分布曲线和稳定的背景区域相同， 区 别是除了一个类似高斯分布的高峰之外， 在其他灰度区域还存在概率很小的分布， 此现象 的产生是由于这类区域常出现前景目标， 导致其灰度分布较为广泛， 但又由于。
13、前景出现的 时间较背景的短， 因此尽管有较广泛的分布， 但是除了反映背景分布的单高斯峰值除外， 其 他灰度值的概率远小于单高斯分布的概率。图 3（c） 随机摆动区域的概率密度分布曲线为 多模分布。 0015 步骤 3. 由于随机摆动区域的分布曲线存在多模并且分布分散， 多高峰的特点， 而 背景区域分布曲线存在单高斯或方差较小的单高斯混合的分布， 图 1 的区域检测单元根据 此概率密度曲线的复杂度的特性区分其是否为随机摆动区域。算法流程如图 2 所示， 以块 为单位 ( 本实施例选用 88 大小有重叠的块 ) 对图像进行分析， 遍历各像素点的曲线分 布， 并获取波峰信息 ； 波峰由一个峰顶和两个。
14、波谷组成 ； 波峰信息包括峰值和与峰值对应 的亮度值。 由于背景区域的波峰存在峰值较高， 分布集中， 而随机摆动区域的波峰存在峰值 普遍较低， 分布分散的特点， 因此利用提取得到的各个波峰的峰值来得到不同区域的评价 系数。 同时， 为了减小较低峰值的波峰对于整个曲线评价系数计算的影响， 利用提取得到的 说 明 书 CN 102800112 A 4 3/3 页 5 各个波峰的峰值来得到不同区域的评价系数 C， 评价系数 C 代表了概率密度曲线的复杂度 ； 其中 n 为波峰的个数， 为波峰的峰值， 为所有波峰的峰值和。 0016 最后计算块内的评价系数的均值， 为了能将更多的随机摆动区域判断出来同。
15、时减 少背景区域被判断为随机摆动区域， 采用双阈值方法判定该块是否为随机摆动区域， 判定 规则为 ： 如果评价系数的均值小于阈值， 则认为此块内随机摆动较多， 使用较为宽松的阈 值来判断块内每个像素是属于随机摆动还是背景， 以此使更多的随机摆动点被判断 出。如果均值大于阈值， 则认为此块内背景较多， 使用较紧的阈值作为此块的阈 值， 以此来减少背景被判断为随机摆动的概率。 所述的双阈值方法为自适应方法中的一种， 阈值为 ： 其中 n 为块的个数， 为块的评价系数的均值。 0017 步骤 4. 根据当前帧图像与前景、 背景样本的概率分布， 更新背景模型的概率密度 估计， 并随概率密度分布曲线的实时更新， 计算每帧图像评价系数的均值， 将均值作为概率 密度曲线的变化趋势， 并对阈值进行更新， 以使得阈值达到自适应的目的。 0018 以上所述， 仅为本发明的较佳实施例而已， 并非用于限定本发明的保护范围， 应带 理解， 本发明并不限于这里所描述的实现方案， 这些实现方案描述的目的在于帮助本领域 中的技术人员实践本发明。 说 明 书 CN 102800112 A 5 1/2 页 6 图 1 图 2 图 3(a) 说 明 书 附 图 CN 102800112 A 6 2/2 页 7 图 3(b) 图 3(c) 说 明 书 附 图 CN 102800112 A 7 。