[发明专利]一种背景减除的方法、装置、设备及存储介质

说明书

本发明实施例公开了一种背景减除的方法、装置、设备及存储介质。该方法包括：对于每一帧视频图像，将输入图像每个像素的特征与初始背景模型库中的至少一个背景模型在同一像素处的特征进行比较；根据特征比较结果，判断所述输入图像的每个像素是否为背景元素；若是，对所述背景模型对应的模型调整参数进行更新；根据所述模型调整参数对所述初始背景模型库进行调整，得到目标背景模型库，根据目标背景模型库，构建输入图像对应的初始前景标志图，对初始前景标志图进行后处理操作，获得目标前景标记图像。本发明实施例通过特征比较及更新模型调整参数的方式，动态调整背景模型，得到最终的目标背景模型，该背景减除方法的检测能力较敏感，能够取得较好的前景检出率。

技术领域

本发明实施例涉及视频处理技术，尤其涉及一种背景减除的方法、装置、设备及存储介质。

背景技术

目标检测是指在视频序列中提取出完整的前景目标，是视频分析的第一步，也是计算机视觉领域的难点。背景减除是视频处理的基本问题，广泛应用于视频监控等领域。目前大多数背景减除算法都是像素级的，比如混合高斯模型法、Vibe、SuBSENSE、IUTIS-5等。尽管近年来提出了深度学习的方法取得了很好的检测结果，但由于它们是监督算法，在实际应用中并不太可行，而像素级算法的优点在于运算速度快且可以并行实现，因此仍然是主流的解决方法。但像素级算法也存在缺点比如：分割结果相对较差；不能很好地适应相机噪声、光照变化或前景目标伪装等多种变化因素；需要较长的建模和适应过程。

SuBSENSE是最近最优秀的像素级算法，它采用了LBSP特征(局部二进特征描述符)、固定个数及随机更新的背景模型，并利用前景像素与背景模型的距离和像素的闪烁程度来动态调节算法的参数，从而消除动态背景和噪声。尽管它在CDnet2014数据库上取得了较为领先的成绩，但仍存在一些缺陷，例如包括：1)使用了较大的代价去适应动态背景及噪声，即R变量(表示当前特征与模型库的距离阈值)会在前景标记多次闪烁的时候上升到一个超过正常的值，此时有可能将前景误认为是背景，特别是多个物体快速运动且存在动态背景干扰的情形。2)R是应用于所有背景模型上的，且颜色和描述符的距离阈值都会受到R的影响，而不是分开调节，在低对比度或动态背景干扰场景下的微弱目标检测能力会变差。3)后处理采用了范围较大的中值滤波器，有可能消除不连续的前景目标的轮廓。4)在像素检测为前景标记时，会保护其在时间T内，不会更新背景，这导致静止很久又突然运动的物体处，会在很长时间检测为前景。5)采用了一种3×3区域内的模型随机扩散方法，解决鬼影问题，以及适应动态背景小范围内移动，但并没有对扩散的条件进行限制，因此容易导致前景与附近背景相似的情况下，前景检测的丢失。6)在检测到出现大面积的颜色突变的时候，强制更新每个像素的10％比例的背景模型，并在冷却之前让前景像素有一定几率进入背景库，这种方式的重置操作会导致一段时间较大的背景模型混乱。

发明内容

本发明实施例提供一种背景减除的方法、装置、设备及存储介质，以实现利用改进SuBSENSE算法对前景目标进行准确提取。

第一方面，本发明实施例提供了一种背景减除的方法，该方法包括：

将输入图像与初始背景模型库中的至少一个背景模型进行特征比较；

根据特征比较结果，判断所述输入图像的每个像素是否为背景元素；

若是，对所述背景模型对应的模型调整参数进行更新；

根据所述模型调整参数对所述初始背景模型库进行调整，得到目标背景模型库；

根据所述目标背景模型库，构建所述输入图像对应的初始前景标志图，对所述初始前景标志图进行后处理操作，获得目标前景标记图像。

第二方面，本发明实施例还提供了一种背景减除的装置，该装置包括：

特征比较模块，用于将输入图像与初始背景模型库中的至少一个背景模型进行特征比较；