[发明专利]基于时空视频块与在线子空间学习的背景建模方法(视频运动目标分割方法)

说明书

技术领域

本发明涉及视频领域，具体涉及视频内容分析及目标检测领域。本发明的目的是解决视频监控应用中运的目标分割易受光照变化的影响，比如白天太阳光照的突然变化，夜晚汽车灯光等，传统方法会产生大量虚警。而本发明可以很好的解决这个问题。

背景技术

摄像机视角固定的视频的背景建模是指通过数学模型及算法，将连续图像序列中静止背景建立数学模型的一种技术。利用这个背景模型可以将视频序列中的运动目标的图像区域自动从背景中分割出来。这种技术可用于视频智能分析，视频编码，人机交互等多种应用领域。

通过假设背景完全静止不动，最简单的背景建模算法通过两帧间，甚至多帧间差的计算来判别运动目标和背景。两帧或多帧间图像差值小的为背景，大的为前景。这种方法具有简单直观的优点，理想条件下实验效果也较好。但事实上，由于监控场景中经常存在复杂的背景情况，很多场景根本无法得到理想的纯背景图像。在加上相机成像过程中产生的噪声，以及自动增益控制和白平衡的变化，种运动目标检测方法往往效果很差，难以实用。

目前的主流背景建模方法是高斯混合模型方法及其各种变种。多高斯背景建模方法利用视频序列中像素颜色特征，它主要考虑背景图像和前景图像像素值的统计分布，通过建立多个高斯模型来描述这种分布，即建立背景模型，进而使用一定的判决准则对当前像素属于背景像素或运动目标像素进行判断，也即前景分割。在将背景和前景进行分割后，按照一定的规则对背景图像像素值的统计分布参数进行更新，通常对前景的分布进行较为慢速的更新，对背景的分布进行常规速度的更新。1998年计算机视觉与模式识别会议上的文章”Adaptivebackground mixture models for real-time tracking”即是这种方法的典型代表。这种方法十分有效的客服了帧间差类方法对噪声的敏感，并且可以将一些主观上并不重视的运动，如花草的晃动等表述入背景。于此同时，这类方法不需要预先使用一个理想的背景模型，因此而比较实用。但由于很多情况下使用高斯分布来描述非运动目标像素灰度的分布并不准确，因此对这种方法对光照变化、阴影等情况都会出现错误分割。而且由于这种方法建模背景为一组独立的像素变化过程，因此他们很难处理视频场景中全局的变化。

近来，利用一个像素周围的领域信息来提高背景建模效果的方法已成为一种趋势，包括空间邻域信息(如部二值化模式(Local Binary Pattern LBP)直方图特征等基于块(block)的方法)或时间邻域信息(如基于光流的方法)。利用局部邻域信息的背景建模方法思想和上述利用像素颜色特征的建模方法类似，只是将颜色特征改为了局部邻域统计特征。局部邻域统计特征考虑了当前像素的一个小邻域内的信息，受当前像素的亮度随机变化影响小，因此比颜色信息更为鲁棒，但对图像中的平滑区域(如墙面)，噪声较大的区域以及剧烈的光照变化等都容易出现误判而产生很多漏检与虚警。

直观上，空间邻域信息与时间邻域信息是彼此互为补充的。比如，在昏暗的光照或低对比度的环境中，前景的运动给我们的视觉感知提供了主要的信息；而在场景中有较大的光照变化时，前景的表观提供了主要的视觉感知信息。一些研究者也使用时空信息来进行背景建模。但是他们他们建立的背景模型是基于监控视频序列中每个像素点为中心的时空微分滤波器的响应。并且主要关注的问题是对场景中有一致运动的背景的场景进行背景建模，比如场景中有随风摇摆的树叶等。而对场景中剧烈的光照变化等不能很好的工作。

鉴于这种情况，要准确的对复杂的监控场景进行背景建模，并成功区分出运动目标像素，必须充分的考虑各个像素周围的时空邻域信息，并在算法设计上保证实时性和通用性。

发明内容

本发明的主要目的是为了解决夜晚室外场景的背景建模问题。在夜晚室外场景中，昏暗的光照条件、低信噪比、低对比度以及剧烈的光照变化等等因素都会引起背景建模的困难。本发明提供了一个新颖的基于视频时空块的背景建模方法。与基于空间块或基于光流的背景建模方法不同，该方法同时利用空间表观与时间运动两方面信息来提高建模性能。在新方法中，时空视频块是最基本的处理单位。基于时空视频块，通过一个在线子空间学习方法来学习背景模型。基于学习得到的背景模型对后续的时空视频块进行背景块与前景块判断。于此同时，根据判断的结果利用背景块来更新背景模型。本发明方法并不局限于夜晚室外场景对其他场景同样适用，比如白天场景，是一个普遍适用的背景建模方法。