[发明专利]一种动态背景视频图像的前景目标提取方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种动态背景视频图像的前景目标提取方法。

背景技术

视频监控是中国安防产业中最为重要的信息获取手段。监控系统通过架设在不同生产现场的摄像机，同时对多处生产现场实时监督，提高了监督效率。运动检测作为许多计算机视觉应用中的预处理环节，在视频监控中起着不可或缺的作用。运动检测中的运动目标称为前景，是人们感兴趣的区域。运动检测的目的即是在一个视频流中提取出前景区域，供下一步目标识别、跟踪、行为分析等环节处理。而如何高效、快速、准确抽取出监控视频中的前景目标信息，是非常重要而基础的问题。以夜晚筛选与跟踪罪犯为例，如果能够预先有效、快速地提取视频中移动的前景目标，就能以最快的速度逮捕罪犯，将损失降到小。

运动图像前景提取旨在从视频流中提取运动目标，如人体、车辆等，随着这一问题的研究不断深入，大量算法被提出并应用于实际。可以把这些算法归纳为三类：时间差分、光流法和背景减除法。时间差分法通常用于目标的分类和跟踪，此类方法对背景环境为动态时有较强的适应性。但它存在不能完全提取所有前景像素点的缺陷。光流法普遍计算量太大，对处理器性能要求较高，并且对噪声干扰敏感。背景减除法是目前应用最为广泛的一种前景目标提取法。传统方法由均值、方差获得的背景模型与实际背景相差很多，并且没有背景更新机制，因此提取的运动目标就不够准确。

在数学、视频图像处理等工程领域中常用高斯分布来表征随机量的变化情况。自然界中，如果没有光线的剧变或者其他干扰不存在，图像中各点像素是随机分布的。通过研究发现，像素的灰度值是以某一均值为中心的高斯分布呈现出来。基于此，用高斯分布来描述背景图像的像素。当背景图像发生变化时，相应的对高斯分布的参数进行一定速率的更新，来适应场景内光线明暗等缓慢的背景变化。采用高斯建模方法简单，但其缺点是提取的前景目标噪声干扰多。

HMM分为离散观测值隐马尔可夫模型和连续观测值隐马尔可夫模型，成为信号处理的一个重要方向，现已成功地用于语音识别、行为识别、文字识别以及故障诊断等领域。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种动态背景视频图像的前景目标提取方法。

本发明的目的可以通过以下技术方案来实现：

一种动态背景视频图像的前景目标提取方法，包括：

S1、用连续观测值隐马尔可夫模型对视频帧中的人体进行建模，得到多个人体模型；

S2、将所有人体模型在设定时间段内的观测向量分别组成一个观测序列；

S3、通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率，选取条件概率最大的观测序列为前景目标。

优选的，所述步骤S1中用连续观测值隐马尔可夫模型对视频帧中的人体进行建模得到的人体模型为λ＝(π，Α，Β)，其中π表示隐层各状态的初始概率分布，A表示隐层各状态之间的转换矩阵，Β表示输出概率分布。

优选的，所述输出概率分布为高斯分布。

优选的，所述输出概率分布包含所有隐层状态对应的输出概率分布P(O_t|q_i)，q_i表示第i个隐层状态，i＝1,2,...,N，N表示隐藏状态的个数，O_t∈R^x为t时刻的观测向量，x是观测向量的维数。

优选的，所述通过前向-后向算法计算得到每个人体模型产生观测序列的条件概率具体包括前向算法递推过程和后向算法递推过程。

优选的，所述前向算法递推过程具体为：

(1)初始化前向概率为：

a₁(i)＝π_ib_i(O₁),1≤i≤N

a₁(i)表示第1时刻的前向概率，前向概率为a_t(i)＝P(O₁,O₂,...,O_t|q_t＝i,λ)，表示部分观测序列{O₁,O₂,...,O_t}在t时刻处在隐层状态i的概率，λ表示人体模型，q_t表示t时刻的隐藏状态，π_i表示隐层状态i的初始概率，b_i表示隐层状态i的输出概率，O₁表示第1时刻的观测向量；

(2)进行递归过程，递归方程为：