[发明专利]自动增益场景下基于相机响应函数的背景建模方法

说明书

技术领域

本发明涉及图像处理与计算机视觉领域，尤其是指一种在相机自动增益场景中准确跟随增益系数变化以获得精确运动检测的背景建模方法。

背景技术

运动检测是计算机视觉的重要研究方向、也是众多计算机视觉应用中关键而基础的模块，如视频语义标注，模式识别、交通视频监控、人体跟踪。运动检测目的是将感兴趣的运动物体从视频中完整的分割。分割准确与否直接影响后续模块的精度。

运动检测方法可归为以下几类^[1]：光流法、帧差法、背景差法。在固定摄像机的场景中，背景差法由于其在速度和精度上都有很好的效果而被广泛研究，它将当前帧与背景参考帧相减，再通过阈值判决，从而分割出运动前景。背景差法的效果取决于背景建模的精度，即背景参考帧是否能够真实反映当前场景。而现有背景建模方法局限于考虑摄像机内部热噪声、场景的动态变化，如雨雪、水面、草木晃动、光照变化、阴影的干扰。然而实际干扰并不限于上述，如相机自动增益干扰。自动增益是绝大部分相机的固有功能，且多数不能手动取消，当由于遮挡、开关灯等原因导致相机传感器(CCD或CMOS)接收到的平均辐照度突然变高或变低时，自动增益通过调整光圈大小、快门时间等，使图像灰度均值向反方向变化而达到最佳的视觉效果，犹如瞳孔的功能。自动增益导致大范围的运动错检，因为通常的背景建模方法无法判断大范围像素灰度值快速变化是前景还是自动增益后的背景。

Cucchiara^[2]通过一个经验模型来补偿自动增益后的灰度值变化，某些重要的参数以经验值给出，不同型号相机补偿效果差异大。Kim^[3]简单假设自动增益导致灰度值线性变化，推算出变化后的背景参考帧，而这种假设在高灰度值时会有很大误差。然而上述算法都是从经验和假设出发，没有意识到自动增益下的图像灰度值变化由相机响应函数CRF所决定的，CRF是由厂家人为设计的非线性函数，不能简单的用线性函数来近似。故上述算法缺乏理论支撑和通用性。Soh^[4]用背景参考帧的灰度值均值来控制自动增益变化，但需要改变摄像机内部电路结构，难以通用实现。

由于不同的相机CRF不同，且厂家出于对保密的考虑并不愿意公布CRF，另外也很难知道视频是由那一款相机输出。通常CRF恢复算法所存在的共同问题是：运算量大，为获取足够精度的CRF必须增加参数个数并需多次迭代，且对噪声敏感。而由Grossberg^[5]所提出少参数相机响应函数EMoR(Empirical Model of Response)，将CRF的设计约束和事先收集的各型号相机CRF数据库DoRF(Database ofResponse Functions)相结合，得到一个含N个参数的函数。EMoR的优点是不需迭代，故降低了运算量，且相对于其他算法只需很少参数就能精确恢复CRF，但缺点是仍需事先手动选取训练数据，不利于整个系统的全自动实现，且训练数据含有噪声时，则EMoR的鲁棒性差，容易陷入局部最优。

参考文献：

1.Hu W M，Tan T N，Wang L，Maybank S.A survey on visual surveillance of object motion and behaviors.Ieee Transactions on Systems Man and Cybernetics Part C-Applications and Reviews，2004，34(3)：334-352

2.Cucchiara R，Melli R，Prati A.Auto-iris compensation for traffic surveillance systems.In：Proceedings of the IEEE Intelligent Transportation Systems Conference.Italy：IEEE，2005.851-856

3.Kim Z.Real time object tracking based on dynamic feature grouping with background subtraction.In：Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Anchorage，USA：IEEE，2008.1626-1633