專利名稱：基于線性回歸模型的目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種視頻圖像處理技術(shù)領(lǐng)域的方法，具體是一種基于線性回歸模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。
背景技術(shù)：
運(yùn)動(dòng)目標(biāo)檢測(cè)方法的研究和應(yīng)用是計(jì)算機(jī)視覺、智能視頻分析領(lǐng)域的一個(gè)活躍的分支，在視頻監(jiān)控、自動(dòng)控制、安全檢查等系統(tǒng)中具有重要的地位。準(zhǔn)確可靠的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果是進(jìn)行更高級(jí)別的信息處理環(huán)節(jié)如目標(biāo)跟蹤、目標(biāo)識(shí)別、行為分析等的基礎(chǔ)。目前的運(yùn)動(dòng)目標(biāo)檢測(cè)方法在通常的環(huán)境下已取得比較穩(wěn)定且可靠的結(jié)果，但這些方法在復(fù)雜場(chǎng)景下的性能不能令人滿意。動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)作為若干復(fù)雜場(chǎng)景下目標(biāo)檢測(cè)的難點(diǎn)之一，受到廣泛的研究和關(guān)注，發(fā)明一種適用于動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法具有重要的意義?，F(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有光流法，幀間差分法和背景差分法。光流法是通過計(jì)算像素點(diǎn)的運(yùn)動(dòng)矢量來分離運(yùn)動(dòng)目標(biāo)的，這種方法計(jì)算量大，復(fù)雜度高，目前主要在移動(dòng)攝像頭的環(huán)境中使用。幀間差分法是根據(jù)相鄰幀之間像素強(qiáng)度的變化來檢測(cè)得到運(yùn)動(dòng)目標(biāo)，這種方法雖然簡單，但該方法往往只能提取目標(biāo)輪廓，對(duì)噪聲也比較敏感，因此實(shí)用性不強(qiáng)。背景差分法是目前最常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其基本思想是通過對(duì)視頻幀的學(xué)習(xí)建立對(duì)背景的描述，將新輸入的視頻圖像與背景模型進(jìn)行比較，當(dāng)像素點(diǎn)不符合背景描述的時(shí)候，判斷該點(diǎn)為前景，否則屬于背景，從而完成對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)。背景差分法中代表性的方法有C. Mauffer and W. E. L. Grimson 等人 1999 年在 Proc. Conf. Computer Vision and Pattern Recognition (計(jì)算機(jī)視覺與模式識(shí)別國際會(huì)議)發(fā)表的“Adaptive background mixture models of real-time tracking"(用于實(shí)時(shí)足艮蹤的自適應(yīng)背景混合模型)一文中提出的高斯混合背景模型法，該方法認(rèn)為像素點(diǎn)的分布為高斯分布，每個(gè)像素點(diǎn)的值可由多個(gè)自適應(yīng)的高斯混合背景模型加權(quán)組合得到，從而建立了高斯混合背景模型實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)的檢測(cè)；A. Elgammal, R. Duraiswami, D. Harwood and L.S.Davis 等人在2002年在IEEE (電子與電氣工程師協(xié)會(huì)會(huì)刊)發(fā)表的“Background and foreground modeling using non- parametric kernel density estimation for visual surveillance"(用于視頻監(jiān)控的基于非參數(shù)核密度估計(jì)的背景前景建模)一文中提出用核密度的方法進(jìn)行背景建模，該方法對(duì)像素點(diǎn)的分布不做任何假設(shè)，通過時(shí)域方法對(duì)像素點(diǎn)的統(tǒng)計(jì)得到核函數(shù)的參數(shù)估計(jì)，依據(jù)這些參數(shù)和核函數(shù)建立起了背景模型，實(shí)現(xiàn)了目標(biāo)檢測(cè)；Mert Dikmen and Thomas S. Huang 在 2008 年 19th International Conference on Pattern Recognition (第 19 界模式識(shí)別國際會(huì)議)發(fā)表的 “Robust Estimation of Foreground in Surveillance Videos by Sparse Error Estimation，，(基于稀疏錯(cuò)誤估計(jì)的視頻監(jiān)控中的前景檢測(cè))一文中提出基于稀疏理論的方法進(jìn)行前景目標(biāo)檢測(cè)。該方法將背景和前景檢測(cè)看作是信號(hào)分離問題，背景信號(hào)隨時(shí)間變換緩慢，前景信號(hào)變化不同于背景信號(hào)，且前景信號(hào)具有稀疏的性質(zhì)。借助于現(xiàn)有的稀疏理論可以實(shí)現(xiàn)對(duì)稀疏信號(hào)的估計(jì)，從而實(shí)現(xiàn)對(duì)前景目標(biāo)的檢測(cè)。上述的背景差分方法在動(dòng)態(tài)背景的場(chǎng)景下效果并不理想，這些方法將大量的背景點(diǎn)誤檢為前景點(diǎn)。因此，需要尋求一種能夠在動(dòng)態(tài)背景環(huán)境下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)存在的上述不足，提供一種基于線性回歸模型的目標(biāo)檢測(cè)方法，在動(dòng)態(tài)場(chǎng)景這一復(fù)雜環(huán)境下的目標(biāo)檢測(cè)結(jié)果準(zhǔn)確而可靠。本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明通過設(shè)計(jì)一種適合于目標(biāo)檢測(cè)的回歸模型，然后運(yùn)用該模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)，得到最終的檢測(cè)結(jié)果。所述的適合于目標(biāo)檢測(cè)的回歸模型是指該回歸模型可以表示為如下形式
權(quán)利要求
1.一種基于線性回歸模型的目標(biāo)檢測(cè)方法，其特征在于，通過設(shè)計(jì)一種適合于目標(biāo)檢測(cè)的回歸模型，然后運(yùn)用該模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)，得到最終的檢測(cè)結(jié)果；所述的適合于目標(biāo)檢測(cè)的回歸模型是指該回歸模型表示為如下形式
2.根據(jù)權(quán)利要求1所述的基于線性回歸模型的目標(biāo)檢測(cè)方法，其特征是，所述的運(yùn)用該模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)是指對(duì)應(yīng)于公式(1)，將當(dāng)前幀作為因變量y，將若干歷史幀作為自變量X，將前景部分作為差異于自變量的部分t，將背景自身的運(yùn)動(dòng)看作噪聲B， 線性回歸模型需根據(jù)歷史幀圖像對(duì)當(dāng)前幀進(jìn)行擬合，根據(jù)該線性回歸模型定義新的目標(biāo)函數(shù)求出擬合系數(shù)W,進(jìn)而估計(jì)出差異于自變量的部分t
3.根據(jù)權(quán)利要求2所述的基于線性回歸模型的目標(biāo)檢測(cè)方法，其特征是，所述的新的目標(biāo)函數(shù)是指假設(shè)前景部分是稀疏的，則目標(biāo)函數(shù)表示為其中分別表示對(duì)模型系數(shù)和差異于自變量的部分的估計(jì)值i表示調(diào)節(jié)系數(shù)。
4.根據(jù)權(quán)利要求1或3所述的基于線性回歸模型的目標(biāo)檢測(cè)方法，其特征是，所述目標(biāo)檢測(cè)中更關(guān)注于差異于自變量的部分t，公式O)中同時(shí)有兩個(gè)自變量，運(yùn)用一種簡化的處理方法進(jìn)行簡化，具體為計(jì)算公式(1)中X矩陣的正交矩陣 使得FX =0，對(duì)公式(1)兩邊同時(shí)乘以F,得到如下的表達(dá)式其中y' = fy,n = Fll,經(jīng)過簡化處理，公式(3)中只包含一個(gè)變量t，根據(jù)稀疏理論，目標(biāo)函數(shù)定義為
全文摘要
本發(fā)明公開一種視頻圖像處理技術(shù)領(lǐng)域的基于線性回歸模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，運(yùn)用一種設(shè)計(jì)的適合于目標(biāo)檢測(cè)的回歸模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)，得到最終的檢測(cè)結(jié)果。所述回歸模型為，其中表示因變量，表示自變量且，表示模型的階數(shù)，表示回歸模型的系數(shù)，表示差異于自變量的部分，表示高斯白噪聲，即,表示方差，表示觀測(cè)量的個(gè)數(shù)且。本發(fā)明在動(dòng)態(tài)背景這一復(fù)雜環(huán)境下的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果準(zhǔn)確而可靠。
文檔編號(hào)G06T7/20GK102270347SQ20111022389
公開日2011年12月7日 申請(qǐng)日期2011年8月5日 優(yōu)先權(quán)日2011年8月5日
發(fā)明者孫軍, 宋利, 薛耿劍 申請(qǐng)人:上海交通大學(xué)