[发明专利]一种基于统计背景模型的目标检测方法

说明书

本发明公开了一种基于统计背景模型的目标检测方法，该方法包括以下步骤：针对光照变化运用一种新的自适应高斯混合模型技术，构建基于全局信息的背景统计模型；针对动态变化，在对背景图像基于自整定谱聚类的基础上，通过核密度估计方式，构建基于局部信息的背景统计模型。本发明能在光照与动态扰动情况下，构建出一种稳健的背景模型，从而实现对前景目标的精确检测。

技术领域

本发明涉及一种目标检测方法，尤其涉及一种基于统计背景模型的目标检测方法，属于图像处理技术领域。

背景技术

从视频图像中检测出感兴趣的目标是计算机视觉的一个基础问题。可视化监视和监测系统通常采用静态摄像头，从静止背景中分离运动物体，实现目标的检测。由于不需先验数据，基于背景差分的目标检测法在实际应用中非常广泛。然而，将背景差分法运用于户外视频目标检测时，检测效果往往不理想，这主要是由于场景光照变化和背景动态变化。在户外视频检测中，背景变化包括以下两种情况：(1)场景光照变化，如太阳的升起落下，云层的遮挡等；(2)背景动态变化：如树枝的摇动、树叶的落下，浮动的云层，湖面的波浪等。

为获得准确的前景检测结果，我们需克服以上背景变化。针对此问题，许多学者已提出基于统计方式的背景模型构建方法，其中高斯混合模型是一种常用方法。高斯混合模型可通过估测图像背景信息，实现目标检测。

背景减除法的核心是为每一个背景里的像素构建稳定模型。相关文献描述了一系列的背景构建方法，其中最简单的方法为基于时域的背景均值法，这方法具有建模过程简单、运算速度快等优点，但在环境光照变化和动态背景变化时的检测效果不甚理想。为解决此问题，有文献提出采用单高斯模型实现目标的实时跟踪与检测，然而，由于图像目标像素分布往往非常复杂，因而，一种更为精确的多分布模型随之产生并得到广泛运用——高斯混合模型。由于完全静止背景是现实中不存在的，因此，许多学者提出多种模型的背景建模：基于光照不变理论的背景建模；基于图形块的背景建模；基于自组织的背景建模；基于光照因子的背景建模，然而这些方法都是针对特定场景，存在一定局限性。

为克服场景光照变化和背景动态变化，越来越多方法倾向于将全局信息或者局部信息融合于统计模型。基于光照变化相似性的目标检测理论，尝试区别全局像素的变化特征，但这种方法的检测结果中往往混杂着不少噪声。Schutte和Groen提出将全局像素信息与统计方式相融合，得到增益因子的非迭代估计。基于局部区域像素相似性的目标检测方法，为一种解决场景动态变化方法。Koppal等人通过将局部信息与统计方式相融合，获得一种基于聚类级的概率密度分布，这种方法对场景动态变化的目标检测具有很好效果。

聚类是一种对像素进行相似性划分的图像处理方式，传统的K均值和期望最大是两种常用聚类方法。然而，这类聚类方法并不能用于复杂或未知的图像分析。由于基于参数自整定方式的聚类算法五需估计数据分布类型，而只是对像素间相似性矩阵进行谱分析，因此，基于参数自整定谱聚类算法对于解决数据分布未知情况下的聚类，表现出良好的性能。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提出了一种基于统计背景模型的目标检测方法，该方法能在光照与动态扰动情况下，构建出一种稳健的背景模型，从而实现对前景目标的精确检测。

本发明解决其技术问题所采取的技术方案是：一种基于统计背景模型的目标检测方法，该方法包括如下步骤：

步骤1：依据初始图像帧序列分别建立像素级高斯混合模型与聚类级核密度估计模型；

步骤2：针对场景光照变化的视频序列，利用像素级高斯模型实现图像目标检测；

步骤3：针对背景变化的视频序列，利用聚类级核密度估计模型实现图像目标检测。

针对场景光照变化的目标检测，本发明是采用基于全局光照变化的统计因子当场景光照变化时，位于同一区域内的像素在相邻帧中的比例，具有一定的相似性。