[发明专利]面向夜间环境下的背景减除方法

说明书

本公开内容涉及一种面向夜间环境下的背景减除算法，该方法包括接收用于AMBER的背景模型以及当前帧；利用LBSP算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。依据本公开内容的背景减除方法利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。

技术领域

本公开内容涉及背景减除方法，更具体地涉及一种综合了现有的适应性多分辨率背景提取（AMBER）背景减除方法以及利用局部二值相似性模式（LBSP）算子的背景减除方法的优点的新型的面向夜间环境下的背景减除方法。

背景技术

背景减除方法是一类将不感兴趣的区域剔除而只将感兴趣的前景目标保留的目标检测算法的总称。随着计算机视觉的发展，诸如目标跟踪和目标识别等高层次的应用逐渐成为某些应用场景中最为基本的需求。目标检测是这些高层次计算机视觉应用的基础，因此有必要探索检测结果更加精确、实时性更好、鲁棒性更强的背景减除方法，以满足高层次计算机视觉应用的需求。

在现有技术中，例如论文“AMBER: Adapting Multi-Resolution BackgroundExtractor，IEEE International Conference on Image Processing， ICIP 2013，Melbourne， Australia”（作者：B. Wang和P. Dudek）提出了一种适应性多分辨率背景提取（AMBER）背景减除方法，该背景减除算法只将像素值作为构建模型的唯一依据，因此当该背景减除算法应用在前景像素值与背景像素值差别并不大的夜间环境下时，其检测结果自然不会很精确。而论文“SubSENSE：A Universal Change Detection Method With LocalAdaptive Sensitivity，IEEE Transactions on Image Processing，Vol.24，No. 1，January 2015（作者：Pierre-Luc St-Charles，G.A.Bilodeau，R.Bergevin）”虽然将LBSP算子加入到背景模型中，并且在模型更新阶段使用了八邻域空间一致性，但仅仅只在像素分类阶段考虑像素间的空间一致性，并且空间一致性的考虑范围仅仅限定在八邻域的空间是不足以得到更好的检测结果的。更为重要的是，虽然该算法考虑到动态调整像素点分类时的阈值及背景模型更新率，但没有考虑到其他行为类似的像素位置也应该一同调整像素分类阈值及模型更新率。

综上所述，现有技术中的背景减除方法应用在夜晚环境下拍摄的视频序列时，并不能给出效果很好的检测结果。

发明内容

基于上述技术问题，本公开内容期望提出了一种更适合在夜间条件下应用的背景减除方法，其能够针对已有背景减除方法在夜间环境下对前景感兴趣目标的检测结果并不精确而做出改进，从而获得更好的检测效果。

依据根据本公开内容的一个示例性方面，面向夜间环境下的背景减除方法包括：

接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；

利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；

将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及

针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。