[发明专利]一种自适应内核密度估计运动检测装置和方法

说明书

技术领域

本发明涉及视频分析领域中的背景模型生成，采用自适应阈值选择方法进行像素分类。根据本发明的技术方案，阈值的选择能够自适应地进行，且能适应不同的场景。在此基础上，本发明进一步提出了背景更新模型来更新背景。同时，本发明还利用帧间差分背景模型和内核密度估计分类结果来进行突变背景检测，较好地解决了背景突变时所存在的运动目标误检测问题。

背景技术

从视频序列中分离出运动目标，是计算机视觉中的重要研究内容，可以应用到交通监测、人的行为识别和人机交互等领域。背景减除技术(Background subtraction)是摄像机静止条件下的一种应用广泛的运动检测技术，为此研究人员提出了不同的方法(参见参考文献[1])。Elgamma等提出了基于内核密度估计(Kernel DensityEstimation，KDE)的非参数背景模型(参见参考文献[2])，该方法能够适应不同的场景；不同于高斯混合模型(GMM)，它充分利用最近的历史帧信息来更新背景模型，能够适应复杂的像素分布密度，克服像素值在短时间内发生的频繁变化，因此能得到较准确的估计结果。但是，在参考文献[2]中，通过给定的假正率(False Positive)来选择阈值，这需要有场景的先验知识，对于不同的场景需要人工干预，重新选择。Anurag Mittal和Nikos Paragios根据设定的误报率(false alarmrate)和漏报率(miss probability)，通过训练样本调整阈值(参见参考文献[3])，使用该阈值在给定的条件下能够获得相对好的分类结果。但当场景改变时，需要重新选择样本进行训练，才能得到适用于该场景的阈值。

发明内容

本发明的目的是提供一种自适应的内核密度估计运动检测方案。首先这种方案，对概率直方图进行分析，提出了一种自适应的阈值选择方法，该方法不需要对样本进行训练，可以根据场景的不同，自适应调整阈值。针对背景更新机制，本发明提出了用于更新背景模型的方法，能够得到更为合理的背景，有利于运动目标的检测。此外，本发明还提出了一种利用帧间差分背景模型和KDE分类结果的突变背景检测装置和方法，较好地解决了背景发生突变时的运动目标误检测问题。

为了实现上述目的，根据本发明的第一方案，提出了一种自适应内核密度估计运动检测装置，包括：接收单元，用于接收输入的视频帧；初始化单元，用于初始化背景模型和帧间差分背景模型；概率计算统计单元，用于针对当前视频帧的每个像素，根据背景样本，计算该像素的内核密度估计概率，并统计当前帧的像素的内核密度估计概率直方图；分类单元，利用内核密度估计概率直方图自适应地求取分类阈值，如果某一像素的内核密度估计概率小于所述阈值，则确定该像素为前景像素；否则，为背景像素；所述分类单元首先对内核密度估计概率直方图进行平滑和差分，得到差分直方图，然后在差分直方图上，寻找内核密度估计概率直方图变化趋势变缓的起点P_L和缓慢变化的终点P_R，最后根据P_L和P_R，确定所述分类阈值。

优选地，所述自适应内核密度估计运动检测装置还包括：背景更新单元，用于对内核密度估计概率大于所述分类阈值的像素进行背景更新。

优选地，所述背景更新单元按照先进先出的原则顺序更新背景样本。

优选地，所述自适应内核密度估计运动检测装置还包括：突变背景更新单元，用于根据帧间差分背景模型和分类单元的结果，判断是否出现了突变像素，并在突变像素满足预定条件时，对突变像素进行突变背景更新。

优选地，当帧间差分背景模型确定一像素为背景，而分类单元确 定该像素为前景时，所述突变背景更新单元判断该像素为突变像素。

优选地，所述突变背景更新单元对所有突变像素进行连通域分析，提取连通域的多个预定特征，当且仅当连通域的预定特征满足预定条件时，所述突变背景更新单元才对与该连通域相关的突变像素进行突变背景更新。

优选地，所述突变背景更新单元以当前视频帧后的预定多个视频帧来更新背景样本。

优选地，所述自适应内核密度估计运动检测装置还包括：运动处理单元，用于对检测到的前景像素进行连通域分析，并结合运动目标的先验知识，对于属于同一个目标的区域进行合并，对于属于不同目标的区域进行分割，从而得到完整的运动目标。