[发明专利]一种基于加权样本的视频背景提取方法

说明书

本方法公开了一种基于加权样本的视频背景提取方法，第一步，读入视频图像；第二步，对读取的图像进行背景建模，如果读取的图像为第一帧，则初始化模型，否则背景检测；第三步，如果当前像素为背景像素，则随机进行背景更新；第四步，获得背景图像，保存图像。本发明提出了一种加权样本的视频背景提取方法，利用样本的权重和“活动”样本进行样本更新，降低了有效样本的错误更新，提高了模型的表达能力。在保证背景检测准确率的前提下，降低了样本的使用量，提高了计算效率，因而可以降低视频背景提取的成本，实时性更优，适用范围广。

技术领域

本发明属于图像处理以及视频检测领域，涉及一种基于视觉背景提取的移动目标检测技术。

背景技术

随着科技的不断发展，摄像和监控设备实现了技术飞速的提升和广泛的普及。这极大地满足了人们日常生活的需要，也给人们的生产生活提供了安全的保障。与此同时，视频每天成爆炸式地增长，这将会给人们带来几个严峻的问题：如果增加储存硬件，那会严重地增加设备成本；如果人工地观看监控视频(考虑到人的精力和注意力是有限的)，将会造成成本的增加。因此，自动地检测运动物体是技术发展的必然。这将会有利于对兴趣目标进一步识别和认知，也会大大地降低来自硬件设备和人工等所带来的成本问题。

在真实的场景下的视频监控图像，光照的变化、摄像机的抖动、周围树木或者其叶子的抖动都是不可避免的。如果传统的方法虽然能够很好的处理这些问题，但是付出的代价也是昂贵的，通常不能实时地处理图像。现在处理视频图像的检测方法。一种是高斯建模方法，将图像进行混合高斯建模，然后不断地更新其期望和方差，以便用高斯模型来模拟视频中背景图像。一种是深度学习的方法，将图片放到深度学习模型中训练，检测不同帧的差别，实现移动目标的检测。

现有基于样本背景建模的方法，通常由于更新不及时，造成处理后的背景图像噪声大，而且样本数量的增加，会增加计算机的内存。

发明内容

技术问题：本发明提供一种有效减少样本的使用数量，减少了计算机的内存的使用量，同时抗噪能力得到明显提升的基于加权样本的视频背景提取方法。

技术方案：本发明的基于加权样本的视频背景提取方法，包括以下步骤：

步骤1：读入视频文件，读取视频每帧图像的大小为M×N×L，M,N分别表示读入图像矩阵的行数和列数，其中M,N都为正整数，L表示读入图像的通道数，L＝1或3，当L＝1表示读入的图像为单通道，即灰度图像，当L＝3表示读入的图像为三通道，即彩色图像，将读入的第i帧图像记为F_i；

步骤2：对于图像中的每个像素位置x，建立一个含N个样本的背景模型M(x)，总共建立M×N个像素背景模型，所述背景模型为：

M(x)＝{K₁(x),K₂(x),...,K_N(x)},

其中K_i(x)表示背景模型M(x)中的模板，K_i(x)包括如下三个元素：1)背景样本，其表示第i个历史背景像素v_i；2)权重，其表示每个样本在像素模型中所占权值，记为c_i(x)；3)效能，它用来检测背景样本是否活动，是一个逻辑运算，即“是或否”，记为t_i(x)，K_i(x)具体地表示为：

K_i(x)＝{v_i,c_i(x),t_i(x)}；

步骤3：读入图像，如果读入图像为第一帧，则按照以下方式对步骤2中的背景模型M(x)进行初始化，得到M(x)的初始值M⁰(x)，否则直接进入步骤4：