[发明专利]一种基于降采样策略的统计背景减除方法

说明书

本发明属于模式识别与计算机视觉领域，尤其涉及一种基于降采样策略的统计背景减除方法。本发明方法具体步骤为:对每一个前景帧F^t‑s计算重采样时刻r(n)；计算从F^t‑s到F^t的稀疏点轨迹；将F^t‑s划分为两个子集F₁和F₂；计算t‑s时刻到r(n)时刻的移动矢量等。该方法充分利用对多数类样本的降采样技术，实现运动目标的完整、有效分割。

技术领域

本发明属于模式识别与计算机视觉领域，尤其涉及一种基于降采样策略的统计背景减除方法。

背景技术

背景减除，也称作运动目标检测，在视频监控系统中是极为关键的预处理步骤。视频序列中通常包含许多信息，人们所关心的往往是其中的一小部分信息，比如：运动的人、车辆等。运动目标检测是一种二分类问题，其目的是将视频内容分为两类：前景和背景，从视频序列中准确检测出运动目标而将不关注的背景完全去除，将得到的前景目标用于后续目标跟踪和跟踪。运动目标检测在计算视觉领域和实际生活中都具有很大的价值。

背景减除算法的基本思想是根据当前图像与背景图像之间的差异来划分前景和背景。常见的背景减除算法有高斯混合建模方法，或者是核密度估计的方法等。视频序列中，前景样本数和背景样本数相差很大。但是传统的建模方法往往忽略了这一点，因此传统建模方法倾向于将前景错分为背景，使得检测的精度往往达不到后续处理的要求。

类不均衡问题，即训练样本中不同类样本数量是不相等的。在二分类问题中，类不均衡问题是指两类样本点的概率分布不均衡。视频序列中，背景样本属于多数类，其数量远多于前景样本数量。但是，在背景减除法中类不均衡问题并未受到重视。本发明在数据挖掘类不均衡理论的基础上，引入数据层面上的降采样策略来解决背景减除法中类不均衡的问题。降采样策略将多数类样本即背景样本的数据从原始样本集中移除，得到新的背景样本集合，最终前景样本(少数类样本)与背景样本(多数类样本)达到相同也即均衡的数据集。欠采样策略引入背景减除法优势在于将均衡数据集用于分类，较大的提升了分类的精确度。

发明内容

本发明针对现有技术的不足，提出一种基于降采样策略的统计背景减除方法，该方法充分利用对多数类样本的降采样技术，实现运动目标的完整、有效分割。

一种基于降采样策略的统计背景减除方法，具体步骤如下：

S1、对每一个前景帧F^t-s计算重采样时刻r(n)，具体步骤为：

S11、取前景最后τ_f帧作为参考，合成样本帧在区间(t-2,t+2]中产生，其中，τ_f表示前景的帧数，t为采样时刻，r(n)是合成样本帧F^r(n)的时刻；

S12、将S11所述区间(t-2,t+2]等分为8个子区间；

S13、将S12所述8个子区间均等分配给前景帧{F^t-s|s＝1,...,4}；

S14、初始化合成样本帧数N；

S15、设合成样本帧是以F^t-s为参考的，所述合成样本帧均匀地插在降采样区间，计算r(n)，其中，r(n)是合成样本帧F^r(n)的时刻；

S2、计算从F^t-s到F^t的稀疏点轨迹；

S3、将F^t-s划分为两个子集F₁和F₂，其中，F₁为KLT根踪算法获取的特征像素点中的较好的特征像素点，F₂为剩下特征像素点，其中，所述较好的特征像素点为经验判断；