[发明专利]基于降分辨率的随机聚类统计的前景提取方法

说明书

本发明公开基于降分辨率的随机聚类统计的前景提取方法，其包括以下步骤：步骤1，以多种压缩比分别对不同场景数据集的视频图像进行压缩；步骤2，对获得的不同压缩比的图像分别利用ViBe和GMM方法进行处理，记录每一个压缩比下的CPU处理时间、精确率、查全率信息和F指标，作为压缩比的选择参考数据；步骤3，根据目标监控场景基于参考数据选取对应的压缩比进行压缩，再利用ViBe和GMM方法进行处理；步骤4，对ViBe和GMM方法的处理结果进行与运算，对两种前景轮廓的不完整进行互补；步骤5，对融合后的结果进行轮廓查找并绘制轮廓，消除目标内的空洞。本发明提高了前景提取精确率同时处理速度有较大的提升。

技术领域

本发明涉及视频处理技术领域，尤其涉及基于降分辨率的随机聚类统计的前景提取方法。

背景技术

智能视频监控作为计算机视觉的重要应用方向，近年得到广泛重视。前景提取是智能视频监控的关键步骤之一，其性能对于目标分类、目标跟踪和行为理解等后期应用是至关重要的。目前常见的前景提取方法有很多种，考虑到方法的复杂度、计算量大小、性能效果等因素，选取背景减法进行前景提取，主要有GMM方法和ViBe方法。

GMM方法采用多个高斯分布描述背景模型。对图像中每一个像素点使用混合高斯分布模型来表征其特征，当获取新的图像时，适时更新混合高斯分布模型，某一时刻选取混合高斯模型中的一个子集表征当前背景，如果当前图像的某个像素点与混合高斯模型的背景子集匹配，则判定为背景，否则判定为前景点。GMM是背景建模中较为突出的方法，很多新方法都是基于其原理的不同变体，但GMM方法参数复杂且调整困难，在动态场景中GMM方法存在较高的虚警率。

ViBe是一种像素级的背景建模、前景提取方法，该方法主要不同之处是背景模型的更新策略，随机选择需要替换像素的样本，避免了大量样本更新，并随机选择邻域像素进行更新。在无法确定像素变化的模型时，采用随机更新的策略，在一定程度上可以模拟像素变化的不确定性。因此，运算量小，性能优于其他方法而受到广泛关注。ViBe方法主要是利用单帧视频序列初始化背景模型，对于一个像素点，结合相邻点拥有相近像素值的空间分布特性，随机的选择它的邻域点的像素值作为它的模型样本值。ViBe方法不仅减少了背景模型建立的过程，还可以处理背景突然变化的情况，当检测到背景突然变化明显时，只需要舍弃原始的模型，重新利用变化后的首帧图像建立背景模型。

但是，前景提取方法速度的快慢是与视频或图像采集设备的分辨率直接相关的，当监控场景中越来越多地采用高清探头，以及从大量监控视频中提取感兴趣的信息时，速度问题是应用的一大障碍。现有技术中多是基于灰度的背景减方法，当前景与背景灰度接近时，提取的目标存在部分轮廓缺失或内部空洞等现象，这是背景减方法的固有缺陷。

发明内容

本发明的目的在于提供基于降分辨率的随机聚类统计的前景提取方法。

本发明采用的技术方案是：

基于降分辨率的随机聚类统计的前景提取方法，其包括以下步骤：

步骤1，选取具有不同场景的公共数据集，以多种压缩比分别对不同场景的视频图像进行压缩；

步骤2，对获得的不同压缩比的图像分别利用ViBe和GMM方法进行处理，记录每一个压缩比下的CPU处理时间、精确率、查全率信息和F指标，形成不同场景的不同压缩比的指标数据图表，并作为压缩比的选择参考数据；

步骤3，根据目标监控场景基于参考数据选取对应的压缩比对该场景的视频图像进行压缩，再分别利用ViBe和GMM方法进行处理；

步骤4，融合ViBe和GMM方法的处理结果，对ViBe和GMM方法的处理结果进行与运算，对两种前景轮廓的不完整进行互补；

步骤5，对融合后的结果进行轮廓查找并绘制轮廓，将内部小轮廓进行消除，以消除目标内的空洞，并输出结果。