[发明专利]用于交通路口场景并基于网络物理系统的视频图像前景检测方法

说明书

技术领域

本发明涉及智能交通、视频图像处理和机器视觉领域，具体地说是用于交通路口场景并基于网络物理系统的视频图像前景检测方法。

背景技术

前景检测（Foreground Detection）方法一直是视频监控和图像处理领域的一项重要研究内容，它是后继处理的基础，直接影响着更高级别的应用，如兴趣目标跟踪、行为分析、异常检测等。前景检测算法有帧差分法、背景差分法两大类。帧差分法速度快，能准确地获取运动目标的边缘，但获取的前景目标上有较多空洞，对于运动速度快的目标，检测时会产生拖尾现象，而且无法检测静止目标。

背景差分（Background Subtraction）是先对背景图像进行建模，然后计算输入帧和背景图像之差，以检测前景物体。这种方法相对简单，能够比较完整地提取运动目标，也能适应环境变化，有一定的抗干扰能力，但是这种方法对背景质量的要求较高。典型背景建模方法有平均背景法、混合高斯算法等。在背景差分法中，为了获得准确的前景，需要对背景进行实时更新，背景更新方法关系到检测到的前景是否准确，对前景检测的实时性也有很大影响，其重点和难点在于如何选择合适的、自适应的学习率（也称为学习率）。

混合高斯模型（Gaussian Mixture Model，简称GMM）于1999年被首次提出，是目前研究和应用最广泛的背景提取方法之一。该算法使用若干个加权高斯分布描述每个像素点，它可以处理实际应用场景中像素点呈现的多模态自然属性，因此在有重复运动背景时表现出较好的背景提取性能。但是GMM本身具有参数难以设置的问题，原算法中作者使用经验值确定背景的学习率，这种方法对于其他差异较大的场景显然不太合适，于是许多研究者提出了GMM的改进和增强算法，尤其是在自适应学习率方面的研究工作，包括利用局部图像的亮度变化、多层次信息反馈等方法在背景更新过程中调整学习率。

例如最近几年Ka Ki Ng等人在跟踪应用中提取背景时使用像素级的自适应学习率（参见Ng,K.,Delp,E.:Background subtraction using a pixel-wise adaptive learning rate for object tracking initialization.In:Society of Photo-Optical Instrumentation Engineers (SPIE）Conference Series.Volume 7882.(2011）15），与传统方法中整个视频序列以及每个像素位置处使用相同的经验值设定学习率的方法不同，他们根据两个参数来确定某个像素点的学习率，一个参数由当前帧与背景帧该像素亮度差决定，另一个由该像素点连续被判为背景点的时间长度决定。除此之外还有利用图像局部亮度变化和不同级别反馈信息等来自适应调整学习率的方法，如Yinghong Li等人在2010年提出的适时调整学习率的方法（参见Ying-hong,L.,Hong-fang,T.,Yan,Z.:An improved gaussian mixture background model with real-time adjustment of learning rate.In:Information Networking and Automation(ICINA）,2010International Conference on.Volume 1.,IEEE(2010）512-518），Shah M Deng等人在2010年提出的GMM在背景提取应用中的自适应学习方法（参见Shah,M.,Deng,J.,Woodford,B.:Localized adaptive learning of mixture of Gaussians models for background extraction.In:Image and Vision Computing New Zealand(IVCNZ）,2010 25th International Conference of，IEEE(2010）1-8）等。