[发明专利]图像平面中检测物体的方法与系统

说明书

技术领域

本发明有关于一种图像平面(image plane)中检测物体(object detection)的方法与系统。

背景技术

物体检测在多种视频应用上扮演重要的角色，例如计算机视觉(computervision)和视频监督(video surveillance)系统。通常，物体检测是视频系统成功的主要因素之一。

在日本专利61003591的文献里，将背景画面(background picture)存于第一个画面存储器(picture memory)，将目前含有物体的画面存于第二个画面存储器，两个画面存储器中的数据相减结果就是景象改变(scene change)的地方，也就是物体存在的地方。

几篇美国专利和公开的文献里，也有提到物体检测的技术。例如美国专利US5099322利用物体检测器(object detector)来检测连续两张画面突然的变化(abrupt change)，并由计算特征(feature computing)通过决策处理器(decisionprocessor)来决定是否有景象改变的地方。而美国专利US6999604是利用色彩标准化装置(color normalizer)将画面中的色彩标准化，再用色彩转换器(color transformer)进行色彩转换，如此可将图像增强并强化画面中类似物体的区域而有益于检测物体；并与预先设定的物体颜色直方图(color histogram)进行对比，再利用模糊适应法则(fuzzy adaptive algorithm)找出画面中的移动物体。

美国专利公开文献2004/0017938公开的技术是预先设定物体的颜色特性，在检测时，满足颜色预定值即判断为物体。美国专利公开文献US2005/0111696公开的技术是在低照度下，以长期曝光的方式拍摄目前画面，并与先前拍摄的参考画面比较，而检测到改变处。美国专利公开文献2004/0086152将图像分成几个模块(block)，对比目前图像模块与前一张图像相应模块的频域转换系数的差异，当差异值超过某一阈值时表示此模块有改变。

高斯混合模型(Gaussian Mixture Model，GMM)通常用来模型化每一像素(pixel)或区域(region)，以使背景模型(background model)适应于变化的亮度值(changing illumination)，不适合此模型的像素值就视为前景(foreground)。

Dedeoglu Y.等人在2005年公开的文献“Human Action RecognitionUsing Gaussian Mixture Model Based Background Segmentation”中，利用高斯混合模型来实时检测移动的物体(real-time moving object detection)。

隐马尔可夫模型(Hidden Markov Modell，HMM)用来模型化非静态程序(non-stationary process)，将时间轴上的连续性约束(continuity constraint)放入连续像素的强度(intensity)来考虑。也就是说，如果一个像素被检测为前景，就期待此像素在一段时间内仍为前景。此隐马尔可夫模型的好处主要有(1)不需要选择训练数据(training data)，(2)通过不同的隐藏式状态(state)，可得知来自混合前景符号(symbol)与背景符号的序列的前景与背景的统计特征(statistical characteristics)。

一个隐马尔可夫模型H可以用下列的方式表示：

H：＝(N，M，A，π，P)

其中，N是状态的个数(number of states)，M是符号的个数(number ofsymbols)，A是状态转移概率矩阵(state transition probability matrix)，A＝{a_ij，i，j＝1，...N}，a_ij是从状态i转移到状态j的概率，π＝{π₁，...，π_N}，π_i是状态i发生的初始概率，P＝(p₁，...，p_n)，p_i是状态i发生的概率。