[发明专利]一种自适应选取权重的增量式特征背景建模算法

说明书

技术领域

本发明涉及视频运动检测，尤其涉及一种自适应选取权重的增量式特征背景建模方法。

背景技术

运动检测和运动跟踪是视觉领域内比较底层的问题，其中运动检测又是跟踪的前提。作为解决运动检测问题的一类方法，背景建模近年来受到很多研究者的关注。一些典型的背景建模方法包括：高斯模型，混合高斯模型，核密度估计以及特征背景建模(Eigen-background Modeling)。前三种方法是基于像素的方法，即为每一个像素在时间域上建立一个单独模型进行描述。基于像素的背景建模计算复杂度较高，而且不利于捕捉复杂的背景内容，比如雨、雪等天气状况，风吹动树叶等情况。相反，Oliver等人在IEEE模式分析与机器智能汇刊上(IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(8)：831～843)提出的特征背景建模方法则是基于整体视频帧，因此能较好的表达复杂的背景信息。这种方法的流程可概括为：用一组样例背景图像计算协方差矩阵并抽取几个特征背景(特征向量)，将当前帧投影至这些特征向量上获得一组特征系数，基于样例背景图像的均值和这些特征向量重建当前背景帧。其原理是采用主成分分析(Principle Component Analysis)技术重建背景帧，由于少数特征向量仅描述图像的整体特征，因此相对于场景来说较小的前景物体就被忽略了，从而使得重建的背景图像只包括场景信息。然而这种特征背景建模方法仍然存在两个主要问题：一是此方法需要预先准备一组样例背景图像，选取哪些图像作为样例对于算法准确率影响很大，而且原始的特征背景建模方法没有讨论如何对模型做快速更新；二是由于特征根分解是在整幅图像上进行的，这就导致较大的前景运动物体被“吸收”进背景模型，从而无法生成理想的背景图像。第一个问题可以用Weng等人在IEEE模式分析与机器智能汇刊(IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(8)：1034～1040)上提出的增量式主成分分析方法解决。这是一种无需构造协方差矩阵，增量式的特征向量更新算法，适合背景建模中的模型更新这类实时应用。针对第二个问题，目前对特征背景建模方法最新的改进是Yongmin Li在Pattern Recognition上发表的鲁棒的增量式子空间学习方法(Yongmin Li.Onincremental and robust subspace learning.Pattern Recognition2004(37)：1509～1518)。作者不仅实现了对特征背景模型的增量式实时更新，而且为不同的视频帧指定不同的权重以增加鲁棒性。然而作者并未对这些权重加以解释，没有为此权重赋予物理含义，更没有提供定量的合理的权重计算方法。显然，仅靠经验确定权重的方法很不稳定，难以建立优化的背景模型和生成理想的背景图像。另外，权重是施加在整幅图像上，并未考虑图像的不同区域对背景模型的不同贡献。

发明内容

本发明的目的是提供一种自适应选取权重的增量式特征背景建模方法，包括如下步骤：

自适应选取权重的增量式特征背景建模方法包括如下步骤：

1)基于样本背景视频帧用主成分分析建立初始背景模型；

2)利用当前背景模型重建输入视频帧的背景图像，并计算背景图像与输入视频帧之间的误差；

3)根据背景图像与输入视频帧之间的误差确定输入视频帧中的运动区域；

4)基于背景图像与输入视频帧之间的误差自适应地为输入视频帧的运动区域构造权重；

5)基于加权的视频帧，采用增量式主成分分析进行背景模型更新。