[发明专利]一种针对前景背景同时建模的背景检测方法

说明书

技术领域

本专利涉及背景检测方法，更具体地涉及一种根据前景物体建立并维护记录其特征的“前景码本”(foreground codebook)，并通过对前景特征的学习启发式的优化检测结果，且针对性的调整每个像素的分类阈值及背景模型更新率的新型背景检测方法。

背景技术

背景检测方法是一类在检测结果中只体现感兴趣被检测目标的目标检测方法的总称。随着计算机视觉应用逐步发展日渐成熟，诸如目标跟踪和目标识别等高层次的应用已经成为某些应用场景中最为基本的需求。目标检测是这些高层次计算机视觉应用的前提和基础，因此有必要探索检测结果更加精确、实时性更好、鲁棒性更强的背景检测方法，以满足高层次计算机视觉应用的需求。

在现有技术中，例如论文“ViBe:A universal background subtraction algorithm for video sequences,IEEE Trans.Image Process.,vol.20,no.6,Jun.2011(作者：O.Barnich和M.Van Droogenbroeck)”提出了一种视觉背景提取(ViBe)背景检测方法，该背景检测方法只将像素值作为构建模型的唯一依据，在背景模型更新过程中不仅随机选取需要更新背景模型的像素位置，而且用以更新该背景模型的新值是以随机选取的方式从其八邻域获得的。因此该背景检测方法的检测结果精确性不足。而论文“SuBSENSE：A Universal Change Detection Method With Local Adaptive Sensitivity，IEEE Transactions on Image Processing，Vol.24，No.1，January 2015(作者：Pierre-Luc St-Charles，G.A.Bilodeau，R.Bergevin)”虽然将LBSP算子加入到背景模型中，并且在模型更新阶段使用了八邻域空间一致性，但仅仅只在像素分类阶段考虑像素间的空间一致性，并且空间一致性的考虑范围仅仅限定在八邻域的空间是不足以得到更好的检测结果的。更为重要的是，虽然该方法考虑到动态调整单个像素点分类时的阈值及背景模型更新率，但没有考虑具有空间相似性、颜色相似性及纹理相似性的其他像素位置也应一同调整像素分类阈值及模型更新率。论文“Background modeling and subtraction by codebook construction,in Proc.IEEE Int.Conf.Image Process.,Singapore,Oct.2004,vol.5(作者：K.Kim,T.Chalidabhongse,D.Harwood,和L.Davis)”通过相当长的训练视频序列对所有像素位置基于其背景特征值等信息构建“码本”(codebook)，然而采用这种方式的背景检测方法不仅消耗大量的内存而且由于不能创建新的“码本值”导致不能很好的应对场景发生突变的情况。

综上所述，现有技术中的背景检测方法虽然能够给出一定效果的检测结果，但仍然有很大的改进空间。

发明内容

基于上述技术问题，本公开内容期望提出了一种检测效果更好的背景检测方法，其能够针对已有背景检测方法的检测结果精确性不足而做出改进，从而获得更好的检测效果。

依据本公开内容的一个示例性方面，改进的背景检测方法包括：

S1：接收用于视觉背景提取(ViBe)的背景模型以及经过整数DCT压缩过滤掉包括噪点、背景的变化等在内的高频信息的当前帧；

S2：利用像素颜色和纹理特征值(局部二值相似性(LBSP)算子)，根据每个像素分类阈值(各个像素都有独立的分类阈值)将所述当前帧的像素位置分类为背景点类和前景点类；

S3：针对检测出的前景物体建立并维护记录其特征的“前景码本”(foreground codebook)并据此通过对前景特征的学习针对性的调整像素分类阈值及背景模型更新率。

在依据本公开内容的一种实施方式中，所属步骤S2：利用像素颜色和纹理特征值(局部二值相似性(LBSP)算子)并根据每个像素的像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：

S21：当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类。

在依据本公开内容的一种实施方式中，所述步骤S2：利用局部二值相似性模式(LBSP)算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：