[发明专利]一种贝叶斯‑全概率联合估计模型的运动目标前景检测方法

权利要求书

1.一种贝叶斯‐全概率运动目标前景检测方法，其特征在于包括如下步骤：

(1)背景、前景信息特征选取

对于运动目标的背景对象，利用贝叶斯估计法则，特征向量ξ_t来自背景b和前景f的后验概率满足：

$\left\{\begin{array}{c}p\left(c\right|{\mathrm{\ξ}}_t)=\frac{p\left({\mathrm{\ξ}}_t\right|c,\mathrm{\ψ})p(c,\mathrm{\ψ})}{p({\mathrm{\ξ}}_t,\mathrm{\ψ})},c=borf\\ P\left({\mathrm{\ξ}}_t\right|\mathrm{\ψ})=P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})\·P\left(b\right|\mathrm{\ψ})+P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\·P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-1)$

如果特征向量满足：

$\left\{\begin{array}{c}P\left({\mathrm{\ξ}}_t\right|b,\mathrm{\ψ})\>P\left({\mathrm{\ξ}}_t\right|f,\mathrm{\ψ})\\ P\left(b\right|\mathrm{\ψ})\>P\left(f\right|\mathrm{\ψ})\end{array}\right.---(2-2)$

则把这个像素归为背景，其中ψ为像素点；

当背景中出现大量的前景物体时，背景将长时间被前景物体覆盖，导致(2‐2)式中的两个条件并不能得到满足，为在拥堵背景环境下更好地分离前景和背景，引入背景误差控制变量，将式(2‐2)变为：

P(ξ_t|b,ψ)＞P(ξ_t|f,ψ)-ε₁，P(b|ψ)＞P(f|ψ)-ε₂ (2‐3)

其中ε_i,i＝1,2，称为背景误差控制变量；

把式(2‐1)与全概率公式代入式(2‐3)得到如下BTP‐JE模型：

2P(ξ_t|b,ψ)·P(b|ψ)＞P(ξ_t|ψ)+P(ξ_t|b,ψ)ε₁-(1-P(b|ψ))ε₂ (2‐4)

对于L位n维的特征向量，P(ξ_t|ψ)或P(ξ_t|b,ψ)的联合直方图包含Lⁿ个bins；

令i＝1,2,...,N为特征直方图中的前N个bins并按降序排列，对于给定的比例值M₁，M₂＝1-M₁，存在比较小的正整数N₁，满足：

$\left\{\begin{array}{c}\underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|b,\mathrm{\ψ})\>M_1\\ \underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|f,\mathrm{\ψ})\<M_2\end{array}\right.---(2-5)$

自然地，N值依赖于所选取的特征向量和位数L，对于每一种特征向量，用表示特征统计表，其中i＝1,2,...N₂(N₂＞N₁)，记录了在像素ψ(x,y)，时刻t处N₂个最重要的值，表中的每一个元素由三个部分组成：

$\left\{\begin{array}{c}{p}_{\mathrm{\ξ}}^{t,i}=P({\mathrm{\ξ}}_t^i,\mathrm{\ψ}),\\ p_{\mathrm{\ξ}b}^{t,i}=P\left({\mathrm{\ξ}}_t^{i+1}\right|b,\mathrm{\ψ}),\\ {\mathrm{\ξ}}_t^i={\[a_1^i,...,a_n^i\]}^T.\end{array}\right.---(2-6)$

当一个像素与稳定的背景相关时，选取颜色作为特征向量，采用HSV颜色空间对图像进行处理，ξ_t用ω_t＝[h_t,s_t,v_t]^T代替；当像素与运动背景相关时，颜色共生特性被选为特征向量，ξ_t用ωω_t＝[h_t-1,s_t-1,v_t-1,h_t,s_t,v_t]^T代替；

(2)背景和前景像素点的分类

时间差分将变化的像素分为两种类型，如果F_td(ψ,t)＝1，这个像素被认为是运动的像素，且属于运动的物体，否则它是一个与静止物体有关的像素；进一步单独划分为背景或前景；对于静止的像素或运动的像素，将特征向量ξ_t与前N₁个从对应背景的特征统计表格中获取的特征向量做比较，重新获取相似特征；令得到条件概率公式(1‐7)：

$P\left(b|\mathrm{\ψ}\right)=p_b^{\mathrm{\ψ},t},P\left({\mathrm{\ξ}}_t|\mathrm{\ψ}\right)={\mathrm{\Σ}}_{j\∈M\left({\mathrm{\ξ}}_t\right)}{p}_{\mathrm{\ξ}}^{\mathrm{\ψ},t,j},P\left({\mathrm{\ξ}}_t|b,\mathrm{\ψ}\right)={\mathrm{\Σ}}_{j\∈M\left({\mathrm{\ξ}}_t\right)}{p}_{\mathrm{\ξ}b}^{\mathrm{\ψ},t,j}---\left(1-7\right)$

中匹配特征集合定义为：

$M\left({\mathrm{\ξ}}_t\right)=\{k:\∀m\∈\{1,...,n\},|a_m-a_m^k|\≤\mathrm{\δ}\}---(1-8)$

其中δ为控制变量；

(3)前景物体的提取

利用形态学运算去除离散的点，输出图像O(ψ,t)，提取前景物体；用特征向量ξ_t将像素分类前景或背景，对应特征统计用式(1‐9)更新：

其中i＝1,2,...N₂，α₂称之为学习速率，用来控制特征学习的速度；当在t时刻，从最后分离反馈为ψ(x,y)为背景，则否则当式(1‐7)中的ξ_tⁱ和ξ_t相匹配时，否则如果没有中的元素和ξ_t匹配时，则表中的第N₂个元素变为：

$p_{\mathrm{\ξ}}^{\mathrm{\ψ},t+1,N_2}={\mathrm{\α}}_2,p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t+1,N_2}={\mathrm{\α}}_2,{\mathrm{\ξ}}_t^{N_2}={\mathrm{\ξ}}_t---(1-10)$

当背景突然变化时，新的背景特征出现，且在变化后立即占据主导地位；由式(1‐3)和(1‐5)得，当满足条件(1‐11)时，在ψ(x,y)处检测到新的背景特征；

$P\left(f\right|\mathrm{\ψ})\underset{i=1}{\overset{N_1}{\Σ}}P\left({\mathrm{\ξ}}_t^i\right|f,\mathrm{\ψ})\>T---(1-11)$

其中T是一个比率值，决定什么时候新的特征被认为是背景；由式(1‐1)和式(1‐6)，式(1‐11)将演变成

当背景突然变化时，新的背景特征随即出现，则特征统计用以下式子进行更新：

$\left\{\begin{array}{c}{p}_b^{\mathrm{\ψ},t+1}=1-p_b^{\mathrm{\ψ},t}\\ p_{\mathrm{\ξ}}^{\mathrm{\ψ},t+1,i}=(1-{\mathrm{\α}}_2)p_b^{\mathrm{\ψ},t,i}+{\mathrm{\α}}_2{M}_{\mathrm{\ξ}}^{\mathrm{\ψ},t,i}\\ p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t+1,i}=(p_{\mathrm{\ξ}}^{\mathrm{\ψ},t,i}-p_b^{\mathrm{\ψ},t}\·p_{\mathrm{\ξ}b}^{\mathrm{\ψ},t,i})/p_b^{\mathrm{\ψ},t+1}\end{array}\right.---(1-13)$

(4)学习速率α₂的选取

收敛于1；同时，学习速率参数α₂满足关系其中n为测试视频的帧数，T为测试视频时间；

(5)更新参考背景图像

如果ψ为无关紧要变化的像素点，则B_ω(ψ,t+1)＝(1-α₁)B_ω(ψ,t)+α₁I_ω(ψ,t)被用来对背景进行更新，其中ω∈(h,s,v)，α₁为无限脉冲反应滤波参数；如果O(ψ,t)＝0，F_td(ψ,t)＝1或者F_bd(ψ,t)＝1，B_ω(ψ,t+1)＝I_ω(ψ,t),ω∈(h,s,v)则被用来对参考背景进行更新，这样参考图像就能够适应背景的突然变化。