[发明专利]一种根据场景变化特征对视频中运动物体检测的方法

说明书

技术领域

本发明属于视频处理相关技术领域，更多涉及一种根据场景变化特征对视频中运动物体检测的方法。

背景技术

对视频中运动物体进行检测的方法经常采用的背景差方法。背景模型是对视频中背景的表示，背景差通过当前帧和背景模型的比较区分运动物体和背景物体，通过比较得到背景模型当中发生显著变化的区域，然后利用连通区域分析方法对运动物体区域进行标记，得到的运动物体区域信息可用于更高层的视觉系统任务，如运动预测、跟踪等。在背景差方法中重要的一步就是对背景采用合适的模型进行表达，并且能够根据背景的变化情况以及运动物体的运动情况对背景模型进行相应更新。因此背景模型在背景差方法中起着关键作用。

背景模型的建模方法按照特征采样的基本单位可分为以下两类：基于像素点的背景建模方法和基于区域的建模方法。

基于像素点的背景建模方法主要有：(1)单一高斯模型方法，该方法将图像中的像素点在(Y，U，V)颜色空间中以高斯模型进行建模。但在很多情况下一个高斯模型无法适应较为复杂的背景的颜色变化情况，参见Wren，C.R.，et al.，Pfinder：real-time tracking of the humanbody.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997.19(7)：p.780-785.；(2)混合高斯模型方法，该方法对单个像素点采用高斯混合模型进行建模。但是，对于背景中的动态纹理区域，如水面的波纹、树叶的摇摆等，存在难以确定高斯模型数目和选择模型更新速率的问题，参见Stauffer，C.and W.E.L.Grimson，Adaptive backgroundmixture models for real-time tracking，in Computer Vision and Pattern Recognition，1999.p.252Vol.2.；(3)Haritaoglu等采用了对背景像素点计算其在特定状态时的最大值和最小值用于对其在后续帧中进行前景背景判别。但这种方法也难以应对复杂背景的变化情况，参见Haritaoglu，D Harwood，and L.Davis，W 4：real-time surveillance of people and theiractivities.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000：p.809-830.；(4)Rittscher等提出采用隐马尔可夫模型HMM对背景进行建模，但该方法不能解决动态背景区域问题，参见Rittscher，J.，et al.A Probabilistic Background Model for Trackingin EuropeanConference on Computer Vision，2000.和STENGER，B.，et al.Topology Free Hidden MarkovModels：Application to Background Modelingin International Conference on Computer Vision，2001.；(5)为解决动态背景区域的问题，Elgammal提出采用非参数核密度估计方法对像素点进行建模，参见Elgammal，A.，D.Harwood，and L.Davis.Non-parametric model forbackground subtraction.in Proc.IEEE Frame Rate Workshop，1999.；(6)也有方法采用更多不同带宽的核进行自适应密度估计。并结合颜色值信息和光流信息作为输入特征，参见Mittal，A.and N.Paragios.Motion-based background subtraction using adaptive kernel densityestimationin Computer Vision and Pattern Recognition，2004.；(7)特征点也被用于对背景模型进行建模，参见Qiang，Z.，S.Avidan，and C.Kwang-Ting.Learning a sparse，corner-basedrepresentation for time-varying background modellingin International Conference on ComputerVision，2005.