基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法
【專利摘要】本發(fā)明涉及圖像處理領域，具體涉及一種基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，包括以下步驟：對像素點及其鄰近像素點進行Haar-like特征提取；根據(jù)場景的復雜程度，將前10～35幀圖像的特征向量直接并入背景模型矩陣的末尾；獲取圖像中的某一像素點，計算該像素點到其背景模型的距離，以此來判別該像素點當前是否為前景點；如果通過步驟三得出當前像素點為背景點，則更新背景模型矩陣中與當前P2M距離最小的特征值；如果通過步驟三得出當前像素點為背景點，從當前像素點鄰近的像素點中隨機選取一個點，更新其背景模型中與當前像素特征距離最大的特征。本發(fā)明能實時、準確地更新背景，適應各種復雜環(huán)境，有效提高前景檢測的準確性和適應性。
【專利說明】基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法
【技術領域】
[0001]本發(fā)明涉及圖像處理領域，具體涉及一種基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法。
【背景技術】
[0002]隨著視頻監(jiān)控、人機交互、圖像編碼和檢索等新興領域的迅速發(fā)展和技術需求的快速增多，計算機視覺的相關技術也取得了巨大的突破，圖像處理成為行業(yè)的基礎和領域的技術核心，而背景建模作為其中的常見處理手段，也取得了長足的進步。
[0003]最流行、使用最廣泛的背景建模方法當屬混合高斯模型。它將圖像中的每一個像素點進行建模，定義每個像素點的分布模型為由多個單高斯模型組成的集合，根據(jù)每一個新的像素值更新模型參數(shù)，按照一定的準則判斷哪些像素點為背景點、哪些為前景點。當光照發(fā)生大規(guī)模的迅速變化時，混合高斯模型將為其新建一個高斯體，但仍以以前的像素值作為背景(因為新的高斯體的“力量”還不到能夠取代原來主高斯體的地步)，直到一定幀數(shù)后，新的高斯體取代原來的背景。但是對于城市里高動態(tài)、光照變化復雜的環(huán)境，前景目標數(shù)量很大而移動緩慢，背景中的光照、陰影、樹葉搖動等小變化層出不窮，常常出現(xiàn)背景還沒來得及更新完畢環(huán)境又發(fā)生變化的情況，混合高斯模型就出現(xiàn)了不斷建新的高斯體、在各種變化間疲于計算的結果，達不到實時、準確檢測前景的目的。
[0004]貝葉斯方法作為混合高斯建模的替代品，使用了核密度估計的方法，遞歸地使用貝葉斯學習來近似每個像素的概率密度分布，代替了混合高斯模型的精確參數(shù)估計方法。但是貝葉斯方法仍然無法解決前景移動緩慢的判別問題(即將移動緩慢的前景誤認為背景)。接著，碼本算法將像素值量化編碼，使得鄰域的信息被加入模型，解決了緩慢前景的問題。但是碼本算法需要花費大量的時間在離線訓練上，難以滿足復雜高動態(tài)環(huán)境多變的要求。
[0005]將背景建模問題看作一個信號重建的問題是最近一種較為流行的做法。當環(huán)境中的前景只占很小一部分時，使用壓縮感知理論來對前景進行檢測是一種行之有效的方法，即是將前景看作是信號重建中的噪聲，這樣背景建模就成了一個主信號量恢復的問題。同時，還有一種做法是將前景在環(huán)境中看作一個暫時出現(xiàn)的量，使用稀疏表達，將前景看作一個稀疏量，從而從過去的一些圖像里恢復出當前的背景。然而，在復雜高動態(tài)環(huán)境下，任何時間或者空間上的稀疏假設都是不存在的，前景有可能在在時空中占有很大的比例。因此，便有了一種將混合高斯建模和信號恢復串聯(lián)起來的方法，使用主成分分析，將背景從主特征中恢復出來。但是，這種方法顯然需要花費大量的資源在訓練和參數(shù)估計上，難以達到實時的目的。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于提供基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，解決現(xiàn)有的建模方法無法應對復雜高動態(tài)環(huán)境，無法實時、準確地更新背景模型，并且前景檢測的準確性和適應性不高的問題。
[0007]為解決上述的技術問題，本發(fā)明采用以下技術方案:
[0008]一種基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，包括以下步驟:
[0009]步驟一，對像素點及其鄰近像素點進行Haar-1ike特征提??；
[0010]步驟二，根據(jù)場景的復雜程度，將前10~35幀圖像的特征向量直接并入背景模型矩陣的末尾；
[0011]步驟三，獲取圖像中的某一像素點，計算該像素點到其背景模型的P2M距離，以此來判別該像素點當前是否為前景點，如果當前點被判定為前景點，那么當前點將對背景模型沒有任何貢獻；
[0012]步驟四，如果通過步驟三得出當前像素點為背景點，則更新背景模型矩陣中與當前P2M距離最小的特征值；
[0013]步驟五，如果通過步驟三得出當前像素點為背景點，從當前像素點鄰近的像素點中隨機選取一個點，更新其背景模型中與當前像素特征P2M距離最大的特征。
[0014]更進一步的技術方案是,所述步驟一中Haar-1ike特征提取具體方法是:
[0015]獲取當前幀圖像中第k個像素點和其鄰近點構成的像素塊向量pk，利用積分圖，將圖像從起點開始到各個點所形成的矩形區(qū)域像素之和作為一個數(shù)組的元素保存起來，當要計算某個區(qū)域的像素和時可以直接索引數(shù)組中對應點的值，通過加減算法得到乘數(shù)，將壓縮感知矩陣與像素塊向量乘 法的問題轉變成積分圖得到的乘數(shù)和權值相乘再求和的問題，從而獲取壓縮感知矩陣A，進而得到第k個像素點的特征向量Vk = Apko
[0016]更進一步的技術方案是，所述壓縮感知矩陣de(? <m)，)，其中n為目標向
量的維度，即是以當前像素為中心的圖像塊的長度，m為經(jīng)過壓縮感知后的特征維度，即是背景模型矩陣的行數(shù)。
[0017]更進一步的技術方案是，所述步驟二中，判斷當前幀圖像如果屬于前N幀，則第k個像素點的背景模型矩陣e表示為Mk = Ivlu, vk,2，…，vk,N}，其中eM 1代表第k個像素點第i幀的特征向量。
[0018]更進一步的技術方案是，所述步驟三中，判別該像素點當前是否為前景點的方法為:
[0019]用Ik代表當前幀圖像中第k個像素點的像素值，用V/,e IT-代表其背景模型，
用Vk代表該像素點的特征向量，用Viu代表該像素點特征向量第I維的值(I < I < m)，用Vlua代表該像素點背景模型中第i個的特征向量第I維的值(I≤i≤N，1≤I≤m)，那么最小P2M距離定義為
【權利要求】
1.一種基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:包括以下步驟: 步驟一，對像素點及其鄰近像素點進行Haar-1ike特征提?。? 步驟二，根據(jù)場景的復雜程度，將前10~35幀圖像的特征向量直接并入背景模型矩陣的末尾； 步驟三，獲取圖像中的某一像素點，計算該像素點到其背景模型的P2M距離，以此來判別該像素點當前是否為前景點； 步驟四，如果通過步驟三得出當前像素點為背景點，則更新背景模型矩陣中與當前P2M距離最小的特征值； 步驟五，如果通過步驟三得出當前像素點為背景點，從當前像素點鄰近的像素點中隨機選取一個點，更新其背景模型中與當前像素特征P2M距離最大的特征。
2.根據(jù)權利要求1所述的基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟一中Haar-1ike特征提取具體方法是: 獲取當前幀圖像中第k個像素點和其鄰近點構成的像素塊向量pk，利用積分圖，將圖像從起點開始到各個點所形成的矩形區(qū)域像素之和作為一個數(shù)組的元素保存起來，當要計算某個區(qū)域的像素和時直接索引數(shù)組中對應點的值，通過加減算法得到乘數(shù)，將壓縮感知矩陣與像素塊向量乘法的問題轉變成積分圖得到的乘數(shù)和權值相乘再求和的問題，從而獲取到壓縮感知矩陣A，進而得到第k個像素點的特征向量Vk = Apko
3.根據(jù)權利要求2所述的基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述壓縮感知矩陣W e Mmxn (? < w)，其中n為目標向量的維度，即是以當前像素為中心的圖像塊的長度，m為經(jīng)過壓縮感知后的特征維度，即是背景模型矩陣的行數(shù)。
4.根據(jù)權利要求2所述的基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟二中，判斷當前幀圖像如果屬于前N幀，則第k個像素點的背景模型矩陣G Mmx^表示為Mk = {vk, 1； vk,2，…，vk,N}，其中Vki € ITixl代表第k個像素點第i幀的特征向量。
5.根據(jù)權利要求2所述的基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述步驟三中，判別該像素點當前是否為前景點的方法為: 用Ik代表當前幀圖像中第k個像素點的像素值，用e K_v代表其背景模型，用Vk代表該像素點的特征向量，用Viu代表該像素點特征向量第I維的值(I < I Sm)，用vk，u代表該像素點背景模型中第i個的特征向量第I維的值(I ^ i ^N,l ^ I ^m)0那么最小P2M距離定義為
6.根據(jù)權利要求1所述的基于多線程在復雜高動態(tài)環(huán)境中快速更新背景和前景的方法，其特征在于:所述當前像素點為背景點時，對其更新分為像素點背景更新和鄰域像素點背景更新， 其中所述像素點背景更新方法是:用vk，u表示該第k個像素點背景模型中第i個的特征向量第I維的值(I≤N,l≤ m)，用Vtl表示該像素點特征向量第I維的值(1≤1≤ m),利用公式
【文檔編號】G06T7/00GK103824297SQ201410081798
【公開日】2014年5月28日 申請日期:2014年3月7日 優(yōu)先權日:2014年3月7日
【發(fā)明者】楊路, 程洪, 蘇建安 申請人:電子科技大學