[发明专利]基于Codebook背景建模的运动目标检测方法

说明书

技术领域

本发明涉及一种运动对象提取的处理方法，特别涉及一种基于Codebook背景建模的运动目标检测方法。本方法对传统Codebook度量颜色、亮度距离的RGB柱状结构做了改变，在YUV色彩空间建立码本背景模型，将频率和空域信息纳入考虑条件。实验证明，该方法能够在不同条件下快速准确的检测运动目标，使该方法更具有实用性和推广性。

背景技术

运动目标提取是计算机机器视觉系统中的一个重要研究内容，应用范围广泛，例如视频监视、目标检测与跟踪、图像检索等领域。目前，提出了许多视频对象分割方法提取运动对象。但是运动目标检测的精度这一基本问题仍然难以解决。研究表明，通过构建背景模型是检测图像序列中运动目标的有效途径。现在绝大多数背景建模都基于像素，比较常见的有单高斯模型，混合高斯模型(MOG)、核密度估计模型.文献利用单高斯分布进行背景更新，但在户外场景中，随着时间的迁移、光线的变化、运动物体的停留以及静止物体的重新运动，单高斯模型构建的背景或者会出现运动物体的拖影或者长时间才形成新的背景。混合高斯模型（MOG）（参见Luo Jinmian,Zhu Juan.Adaptive Gaussian mixture model based on feedback mechanism[C].International Conference on Computer Design and Applications.2010,2:117-181.）的主要思想是假设单个像素的概率密度函数是高斯或高斯混合函数，并通过对每个像素进行一定帧数的统计分类，从而建立起可靠的背景模型。但是背景的快速变化使得模型只能准确的建立少数准确的高斯子，不能提供鲁棒的前景检测由于低的学习率，产生一个宽广的模型不能检测到背景的突然变化，但是如果模型改变得太快，缓慢移动的前景将被吸收到背景模型，导致高的漏检率。核密度估计模型通过核密度估计建立一种非参数化的背景模型，估计每个像素的概率密度并保留观测值，通过核函数计算出新的观测值。核密度估计模型需要高密度的计算，在实际的应用中，很难做到实时处理。Kim等人提出的编码本模型（参见K.Kim,T.Thanarat,H.Chalidabbhognse,D.Harwood and L.Davis.Real time foreground-background segmentation using codebook model[J].Real-Time Imaging,2005,11(3):172-185.）将背景值的变化压缩到多个码元中，只需少量的计算和内存消耗，就能实现比较精确的前景和背景分割功能。在性能和功能上都有较好的表现，然而它只能适用于周期性变化的背景。

视频序列图像中同一特定位置的像素点在时间轴上的观测值可以构成一个序列，X={x₁,x₂,...,x_N}是同一位置的像素的N个RGB向量排列的一个采样序列，N是训练帧数，C={c₁,c₂,...c_L}表示由L个码字构成的像素的码本。对于每个码字c(i=1,2,3...L)定义为二元组结构，和其中是码字对应像素的最小和最大亮度，λ表示码字在训练过程中没有再次出现的最大时间间隔即消极帧数，p和q分别表示该码字出现后的第一次和最后一次匹配时间。

因为背景变化主要体现在亮度变化，所以在该颜色模型中，背景像素值沿着以原点和码字形成的主轴，亮度值由低到高分布。对于输入像素点x_i=(R,G,B)和一个码本c_i，vi=(R‾i,G‾i,B‾i),]]>存在：