[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

说明书

技术领域

本发明涉及运动目标前景检测方法，特别是涉及贝叶斯-全概率联合估计模型的运动目标前景检测方法，属于图像信息处理技术领域。

背景技术

在视频处理中，背景一般由静止和周期性运动的对象组成。但是，随着时间的变化，背景可能经历两种不同类型的变化，其中之一是由自然光线引起的变化，例如，从白天到黑夜照明的变化；另外，则是一些突发的环境变化。突发变化又分为全局突发变化和局部突发变化，全局突发变化可能由开关灯，天气突然转阴，照相机的视角发生变化等引起的；局部突变化则可能是因为移除或者新增了某些背景物体，例如，把一张椅子移动到不同的位置，除此之外，前景物体可能转化为背景物体，例如汽车驶入停车场并停靠。因此，背景的不同部分应该由不同类型的特征描述。

传统的前景检测算法能够较好地检测出简单视频场景的运动目标，然而当视频背景变得复杂时并不能准确的分割出前景目标。因此，为了建立一个能够适应大部分场景的前景检测模型，本发明提出BTP‐JE模型(即贝叶斯‐全概率联合估计模型)。贝叶斯模型是一种不确定性知识的推理和描述，在图像分割中发挥着重要的作用。贝叶斯采用“逆概率”思想，推算出特征向量属于背景或前景的概率，而全概率则是计算在某一像素点，出现某一特征的概率。通过对贝叶斯准则和全概率公式的结合，能够很好地检测处于复杂背景中的运动物体。

发明内容

本发明目的是通过改进传统方法，满足复杂背景情况下运动目标前景检测的准确性，提供一种贝叶斯‐全概率估计模型的运动目标前景检测方法。

为实现上述目的，本发明采用如下技术方案：

一种贝叶斯‐全概率运动目标前景检测方法，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：

如果特征向量满足：

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：

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：

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