[发明专利]一种树叶扰动情况下监控视频的有效浓缩方法

权利要求书

1.一种树叶扰动情况下监控视频的有效浓缩方法，其特征在于包括以下步骤：

步骤1：对输入视频中的每一帧图像，计算像素大量样本值的概率密度统计信息，使用统计差分进行目标像素判断，对复杂动态的背景进行建模；

步骤2：利用已建立的背景模型，提取前景目标，即运动物体，并将图像进行二值化处理，获得二值化图像；

步骤3：通过腐蚀膨胀这种形态学操作，消除部分微小噪声的干扰；

步骤4：计算前景物体像素占整幅图像的比例，若比例大于阈值T1，将权重系数S1加5，若比例小于阈值T1，则进行下一步运算；

步骤5：随着场景的不断变化，每个像素的混合高斯模型会被不断地学习更新，构建出的背景模型相应的被更新，以保证背景模型的准确性；

步骤6：将视频的每一帧分为N个小块，分别计算每个小块的颜色直方图，以及跟背景模型相对应位置小块的颜色直方图差异，如果某个小块的直方图差异大于阈值T2，则假定有运动物体，如果大于T2的小块数量大于阈值T3，即认定有运动物体而并非树叶扰动，将权重系数S2加5，如果单纯比较相邻两帧会出现前景部分直方图差异不明显，导致误判，如果不分块直接比较直方图则无法精确地区别出树叶和其他运动物体，其中颜色直方图为HSV颜色空间直方图，首先需要将RGB颜色空间转换为HSV颜色空间，设(r,g,b)分别是一个颜色的红、绿和蓝像素值，设max为r,g和b中的最大者，设min为r,g和b中的最小者，要找到在HSV空间中的(h,s,v)值，这里的h∈[0,360)是角度的色相角，而s,v∈[0,1]是饱和度和亮度，计算公式为：

v＝max

直方图差异采用Bhattacharyya距离来计算；

步骤7：S1+S2大于阈值T，则保留此帧，循环处理每一帧，将保留下来的帧生成浓缩视频。

2.根据权利要求1所述的一种树叶扰动情况下监控视频的有效浓缩方法，其特征在于，所述步骤2中，场景中的每一个像素的值可以由K个高斯成分组成的混合分布来表示，图像中像素j在时刻t的值为x_j的概率为：

其中表示t时刻像素j的混合高斯模型中第i个高斯分量的权重，满足：

这里和分别表示第i个高斯成分的均值及协方差，η表示高斯概率密度函数，计算公式如下：

其中d是x_j的维数，对于RGB颜色空间而言，x_j的各维可视为相互独立，则协方差矩阵定义为其中表示标准差，I代表单位矩阵。

3.根据权利要求1所述的一种树叶扰动情况下监控视频的有效浓缩方法，其特征在于，所述步骤2中，初始化阶段，对K个高斯分布直接初始化较大的标准差σ_init²，对每个高斯分布的权重取ω_init＝1/K，取第一帧图像的每个像素的值来对混合高斯模型中的K个高斯分布的均值进行初始化。

4.根据权利要求1所述的一种树叶扰动情况下监控视频的有效浓缩方法，其特征在于，所述步骤5中，将混合高斯模型中的每个高斯分布按照由大到小排序，检验新获取的图像帧的像素与混合高斯模型中的K个高斯分布是否匹配，假如新获取的像素和混合高斯分布的某个成分满足下式，则该像素与高斯分布相匹配：

其中δ为匹配阈值，表示t时刻像素j的混合高斯模型中第i个高斯成分的均值，表示t时刻像素j的混合高斯模型中第i个高斯成分的标准差，表示t时刻像素j的混合高斯模型中第i个高斯分量的权重，若x_jt+1与第i个高斯成分匹配，则该高斯成分被x_jt+1更新。