[发明专利]一种基于改进的局部自适应灵敏度背景建模方法

说明书

本发明公开了一种基于改进的局部自适应灵敏度背景建模方法。首先使用一种新的像素级方法获取背景像素点的颜色空间信息和局部二值相似模式(LBSP)特征，建立背景模型。该方法利用迭代思想，降低缓慢运动和短时间静止目标对背景模型真实性的影响，获得更可靠的背景模型。其次使用样本一致性策略进行前景检测。最后使用自适应灵敏度的模型更新策略获得距离阈值R(x)和学习率T(x)。为使获得的距离阈值R(x)更加合理，提出了距离阈值修正机制用于获得更恰当的距离阈值。即通过一种新颖的方法判定当前像素的复杂程度，然后在此基础上赋予距离阈值修正机制，使距离阈值的动态调整更可靠。本发明公开的背景建模方法能够在复杂背景下获得更精确的前景目标。

技术领域

本发明属于图像识别技术领域，可应用于小区、学校、广场等公共场景下的智能视频监控中。

背景技术

基于背景建模算法的前景检测的一般步骤在于将静止或存在部分扰动的背景以一定方式建立背景模型，通过当前帧的像素与背景模型中的样本进行对比提取出前景目标，然后更新背景模型。背景建模的难点在于如何克服扰动信息完整提取目标。目前提出的算法包括基于像素点和区域级的方法，也有基于颜色信息和纹理特征的背景建模方法，这些方法都有其特定的优势，保证了实时性，但是大多数不能完整提取目标或错检扰动的噪点。

在基于区域级建模中，刘翠微等提出利用在线子空间的学习方法用于模型更新，2015年，Beaugendre等人提出了一种自适应区域传播的背景建模方法。2017年Maity等人将块的统计特征提取技术用于检测前景。这些方法都具有区域级建模的缺点，即无法获得精确的前景和轮廓，故而效果不佳。

Olivier Barnich等人于2009年提出基于像素点的背景减除法(ViBe)后，基于像素点的背景建模方法得到重大发展，能够有效处理区域级建模带来的问题。2012年，Hofmann等人提出了基于像素的自适应分割(PBAS)算法。该算法在vibe算法的基础上提出了自适应距离阈值和更新率的概念。2015年Pierre-Luc St-Charles等人提出了基于局部自适应灵敏度分割(SuBSENSE)算法。该方法以颜色和纹理的时空信息来表征像素级模型中的样本，提出了一种新颖的像素级反馈方案，自适应调整内部灵敏度用以改变和更新距离阈值速率。通过连续监控局部模型逼真度和分割噪声以指导这些调整，允许对间歇的动态背景运动做出快速响应。然而该方法在初始化背景模型时并不能去除静止或缓慢运动目标的影响，在距离阈值更新上不能防止它过大或过小，造成部分漏检或错检，因此该算法尚有不足之处。

发明内容

发明目的：为了解决背景减除法在复杂背景下提取前景的缺陷，在局部自适应灵敏度的背景建模(SuBSENSE)算法的基础之上，本发明提出了一种新的初始化背景模型的方法，在自适应距离阈值的更新过程中设计了一种纠正机制，并且优化了背景模型的更新方式，使之能够提取更精准的前景，具有更高的鲁棒性。

技术方案：本发明提出了一种基于改进的局部自适应灵敏度背景建模方法，包括以下步骤：

步骤(1)：选取视频序列的前M帧作为背景模型候选帧，去除缓慢运动目标和短时静止目标的影响建立背景模型，背景模型由样本组成；

步骤(2)：在步骤(1)所述背景模型的基础上，利用样本一致性的策略检测前景；

步骤(3)：依据自适应灵敏度的模型更新策略调整距离阈值，并且获得当前像素点的学习率；

步骤(4)：计算像素点在RGB空间上与其邻域的带权颜色差值之和，然后获取当前像素点与背景模型的样本的最小距离阈值的平均值。通过两者的加权和来衡量背景复杂程度并修正距离阈值，最后更新颜色距离阈值和LBSP特征距离阈值；

步骤(5)：以当前自适应学习率指导更新背景模型的样本。