[发明专利]应用于影像监控的可适应光线变化的背景模型学习系统

说明书

技术领域

本发明是有关于一种用以辨识前景(foreground)异常的智能录影监控系统，且特别是有关于对遭遇剧烈光线变化的监控场景，进行背景模型(background model)学习。

背景技术

对于应用背景相减法(background subtraction)辨识前景异常的智能监控系统而言，所采用的背景模型运算方式常影响其效能。一般长时间监控系统，通常需要定时更新背景模型，以避免背景变化(如从黎明到夜晚间的光线改变)影响其前景检测效能。因此，智能监控系统多半通过周期性的背景模型更新，以对背景变化进行学习。一般业界人士，称上述更新方式为「背景模型学习(background model learning)」。

在过去，有许多关于背景模型学习的研究，如C.Stauffer and W.Grimson，“Adaptive background mixture models for real-time tracking，”in Proc.IEEE Conf.CVPR，vol.2，pp.246-252，1999。在大多数背景模型学习系统中，每个像素位置的背景模型更新频率，亦称为模型学习速率(model learning rate)，对于背景模型学习系统稳定度造成很大的影响。(此处，模型学习速率的定义，是依循C.Stauffer and W.Grimson，“Adaptive background mixture models for real-time tracking，”in Proc.IEEE Conf.CVPR，vol.2，pp.246-252，1999所提出的定义)通过周期性的更新背景模型，各种背景景物变化(如光线改变等)都将被背景模型所学习。因此，更新背景模型的频率越频繁，越多的景色变化可被采纳至学习后的模型中。因而，使得采用背景相减法的监控系统，对于前景的异常较不敏锐，如慢速移动物容易因为高学习率的模型设定，而被上述系统视为背景。

于是，大部分的背景模型学习系统，需要将学习率设定为适当却不至于太高的学习率，在此设定下，渐进的光线变化因此可被学习至背景模型中，然而，对于某些过快的光线变化(如快速日照变化)，此类系统将无法适当地进行处理，因此，许多区域容易受到快速光线变化的影响，造成前景的误判。因此，如何使一般背景模型学习方式，可有效地处理剧烈光线变化，实属当前重要研发课题之一，亦成为当前相关领域亟需改进的目标。

为了使一般背景学习系统可适应光线变化，本发明提出一种新的系统，通过使用一光线变化处理单元进行后处理，以修正一般系统在光线变化下产生的前景区域误判的结果，并进阶调整其背景模型学习率。通过本发明所提出的后处理模块，可大幅改善背景模型学习系统，适应剧烈光线变化的能力。

图1分别绘示快速光线变化以及剧烈光线变化的例子。在图1(a)至图1(c)纪录遭遇快速光线变化的实验室的影像序列，在图上的实验室中有一台显示滚动介面的映像管荧幕；其中图1(a)至图1(c)是以20fps(frame per second)的速率拍摄遭遇快速光线变化的影像序列I^A。在这一连串影像序列中，过了三秒钟后，平均感光度才增加了将近百分之二十。此类快速光线变化所造成的影像亮度变化，可通过使用比一般建议值更高的背景模型学习率，而被一般背景模型学习方法(如C.Stauffer and W.Grimson，“Adaptive background mixture models for real-timetracking，”in Proc.IEEE Conf.CVPR，vol.2，pp.246-252，1999)所学习。如图2(a)所示，其为采用Stauffer and Grimson的方式，对影像画面进行前景检测的模拟结果。图1(d)至图1(e)绘示以15fps的速度，拍摄遭遇剧烈光线变化的影像序列。其中，可观查到在户外场景中，约20％的影像感光度增加发生于一秒以内。如图2(b)所示，其为在剧烈光线变化下，先前的背景模型学习法对影像画面，进行前景区域检测的实施结果。其中，虽然仍采用相同的方法进行前景检测，但图2(b)可看到许多被误判为前景的区域。图2(c)是采用本发明的一实施例。其中，相较于图2(b)，图2(c)的前景检测结果减少了大部分因剧烈光线变化造成的误判。

发明内容