專利名稱：基于前景建模的視頻監(jiān)控中的遺留物檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種安防系統(tǒng)視頻監(jiān)控中的遺留物檢測(cè)方法，尤其涉及一種基于前景建模的遺留物檢測(cè)方法。
背景技術(shù)：
近年來(lái)，隨著社會(huì)對(duì)公共安全的不斷重視，對(duì)于人流密集場(chǎng)所的可疑遺留物的檢測(cè)已成為安防系統(tǒng)不可或缺的部分。遺留物檢測(cè)方法一般包括如下幾個(gè)步驟:背景提取、前景分割、靜態(tài)區(qū)域檢測(cè)和物體分類跟蹤。背景提取是遺留物檢測(cè)的最基本步驟。一般背景提取的方法都假定背景為靜態(tài)，在靜態(tài)的基礎(chǔ)上有微弱的光線變化。為了應(yīng)對(duì)光線的改變，背景往往需要建模并不斷更新模型數(shù)據(jù)。對(duì)背景進(jìn)行建模主要采用單高斯模型或混合高斯模型。在前景分割方面，可分為基于像素的方法和基于區(qū)域的方法?；谙袼氐姆椒ㄒ话闶菍?duì)每個(gè)像素進(jìn)行建模，對(duì)每個(gè)圖像像素與背景像素單獨(dú)分析，區(qū)分是前景還是背景?；谙袼氐姆椒ㄟ\(yùn)算量小但在復(fù)雜場(chǎng)景下魯棒性較差。而基于區(qū)域的前景分割引入了一些空間結(jié)構(gòu)信息，使得其在復(fù)雜場(chǎng)景的分割中表現(xiàn)更好。在靜態(tài)區(qū)域檢測(cè)方面，目前認(rèn)為最有效的方法是利用對(duì)前景掩蔽的累積，當(dāng)一塊區(qū)域的前景掩蔽累積到一定數(shù)值后就可認(rèn)定為靜態(tài)區(qū)域。此方法雖然在人流相對(duì)稀疏的場(chǎng)景下有著不錯(cuò)的準(zhǔn)確性，但是在繁雜的地方由于物體間的交互運(yùn)動(dòng)而會(huì)導(dǎo)致檢測(cè)出虛假靜態(tài)區(qū)域。在物體分類跟蹤方面，一般把物體分為遺留物體和移走物體兩類。一類主流方法是利用圖像的邊緣信息作為物體分類依據(jù)的方法。該方法在背景簡(jiǎn)單的場(chǎng)景下有著不錯(cuò)的穩(wěn)定性，但在背景復(fù)雜的場(chǎng)景常常會(huì)出現(xiàn)錯(cuò)誤分類的現(xiàn)象。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)中的上述問(wèn)題，提出了一種基于前景建模的遺留物檢測(cè)方法，該方法包括背景提取、前景分割、靜態(tài)區(qū)域檢測(cè)和物體分類跟蹤四個(gè)步驟，其特征在于:所述靜態(tài)區(qū)域檢測(cè)步驟中，基于單高斯模型構(gòu)建前景模型，所述模型中除了存有每個(gè)像素的高斯分布外，還額外存儲(chǔ)了一個(gè)Hit-Count數(shù)值,該Hit-Count數(shù)值用來(lái)記錄該像素發(fā)生Hit-Event的次數(shù)，Hit-Event是指當(dāng)前前景像素與模型中存儲(chǔ)的像素值相匹配,每次前景分割完成后，用分割出來(lái)的前景對(duì)前景模型進(jìn)行更新。優(yōu)選地，當(dāng)前前景像素與模型中存儲(chǔ)的像素值相匹配的定義是兩個(gè)像素之間的歐氏距離小于2.5個(gè)前景模型中的標(biāo)準(zhǔn)差。優(yōu)選地,對(duì)于Hit-Count用下列公式進(jìn)行更新:
權(quán)利要求
1.一種基于前景建模的遺留物檢測(cè)方法，該方法包括背景提取、前景分割、靜態(tài)區(qū)域檢測(cè)和物體分類跟蹤四個(gè)步驟，其特征在于:所述靜態(tài)區(qū)域檢測(cè)步驟中，基于單高斯模型構(gòu)建前景模型，所述模型中除了存有每個(gè)像素的高斯分布外，還額外存儲(chǔ)了一個(gè)Hit-Count數(shù)值,該Hit-Count數(shù)值用來(lái)記錄該像素發(fā)生Hit-Event的次數(shù),Hit-Event是指當(dāng)前前景像素與模型中存儲(chǔ)的像素值相匹配，每次前景分割完成后，用分割出來(lái)的前景對(duì)前景模型進(jìn)行更新。
2.根據(jù)權(quán)利要求1所述的基于前景建模的遺留物檢測(cè)方法，其特征在于:當(dāng)前前景像素與模型中存儲(chǔ)的像素值相匹配的定義是兩個(gè)像素之間的歐氏距離小于2.5個(gè)前景模型中的標(biāo)準(zhǔn)差。
3.根據(jù)權(quán)利要求1所述的基于前景建模的遺留物檢測(cè)方法，其特征在于:對(duì)于Hit-Count用下列公式進(jìn)行更新:
4.根據(jù)權(quán)利要求1所述的基于前景建模的遺留物檢測(cè)方法，其特征在于:提取圖像中每個(gè)像素的Hi t-Count數(shù)值，獲得一幅Hi t-Count的圖像，然后采用雙閾值對(duì)獲得的Hit-Count的圖像進(jìn)行劃分，首先用一個(gè)較高的閾值對(duì)圖像進(jìn)行分割尋找靜態(tài)物體，然后對(duì)于尋找到的靜態(tài)物體，在用低閾值分割的圖像中尋找物體的輪廓。
全文摘要
本發(fā)明公開(kāi)一種基于前景建模的遺留物檢測(cè)方法，該方法包括背景提取、前景分割、靜態(tài)區(qū)域檢測(cè)和物體分類跟蹤四個(gè)步驟，在靜態(tài)區(qū)域檢測(cè)步驟中，基于單高斯模型構(gòu)建前景模型，所述模型中除了存有每個(gè)像素的高斯分布外，還額外存儲(chǔ)了一個(gè)Hit-Count數(shù)值，該Hit-Count數(shù)值用來(lái)記錄該像素發(fā)生Hit-Event的次數(shù)，Hit-Event是指當(dāng)前前景像素與模型中存儲(chǔ)的像素值相匹配，每次前景分割完成后，用分割出來(lái)的前景對(duì)前景模型進(jìn)行更新。靜態(tài)區(qū)域檢測(cè)時(shí)，采用一高一低兩個(gè)閾值，克服了通常的單閾值分割導(dǎo)致的圖像碎片化問(wèn)題。經(jīng)實(shí)驗(yàn)證明，本發(fā)明提出的基于前景建模的遺留物檢測(cè)方法在人流擁擠場(chǎng)景下的準(zhǔn)確性有較大提高。
文檔編號(hào)G06T5/00GK103093435SQ201310031080
公開(kāi)日2013年5月8日 申請(qǐng)日期2013年1月27日 優(yōu)先權(quán)日2013年1月27日
發(fā)明者孫建德, 沈赟珺, 李靜 申請(qǐng)人:孫建德