本發(fā)明屬于背景建模技術(shù)領(lǐng)域，涉及一種基于區(qū)域塊的背景建模物體檢測方法，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法。

背景技術(shù)：

在背景建模技術(shù)領(lǐng)域，基于區(qū)域塊的背景建模方法流程一般主要分為兩部分：(1)將每一幀圖像劃分成若干個區(qū)域塊(小的樣本區(qū)域)；(2)在區(qū)域塊的級別上建立背景模型(這樣的方法可以有效利用圖像的上下文信息)。

在基于區(qū)域塊的背景建模方法研究中，h.grabner提出了針對每一個背景區(qū)域塊，利用在線學(xué)習(xí)的優(yōu)勢訓(xùn)練一系列相同的分類器，而分類器中置信度低的樣本區(qū)域塊被判斷為前景。m.seki提出了出一種基于圖像在空間上變化一致的背景建模方法，認(rèn)為相鄰區(qū)域塊之間的變化有很強(qiáng)的相關(guān)性；方法在不要求背景圖像在時間上連續(xù)的前提下，動態(tài)縮小每個輸入圖像背景的變化范圍，提高算法的檢測率。reddyv提出一種基于概率決策級聯(lián)分類器的前景檢測方法，該方法獲取樣本區(qū)域的dct系數(shù)作為區(qū)域的特征表示，在此特征上建立一個單高斯背景模型，最后通過多個概率決策級聯(lián)分類器確定該區(qū)域的類型。

針對以上的研究現(xiàn)狀，目前基于區(qū)域塊的背景建模方法存在的問題是：

(1)基于區(qū)域塊的方法在區(qū)域的特征提取方面不夠完善；

(2)沒有詳細(xì)對區(qū)域塊內(nèi)的中心像素進(jìn)行分析，在檢測率和正確率方面并沒有到達(dá)很好的結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法。

本發(fā)明所采用的技術(shù)方案是：一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，其特征在于，包括以下步驟：

步驟1：利用第一幀圖像初始化混合高斯背景模型；

步驟2：讀取視頻中圖像序列，獲取當(dāng)前視頻幀；

步驟3：將視頻幀劃分為若干區(qū)域；

步驟4：將各區(qū)域塊送入到自編碼卷積神經(jīng)網(wǎng)絡(luò)中獲取對應(yīng)的卷積特征；

步驟5：對得到的卷積特征進(jìn)行池化操作，得到圖像最后的特征表示；

步驟6：利用自適應(yīng)區(qū)域判斷法判斷區(qū)域類型；

若區(qū)域類型為背景區(qū)域，則標(biāo)記區(qū)域中心像素為背景像素，更新該中心像素對應(yīng)的混合高斯背景模型中的各個高斯模型參數(shù)；并執(zhí)行下述步驟7；

若區(qū)域類型為前景區(qū)域，則標(biāo)記區(qū)域中心像素為前景像素，添加新的高斯背景模型到混合高斯背景模型中，并執(zhí)行下述步驟7；

若區(qū)域類型為邊緣區(qū)域，則利用邊緣區(qū)域中心像素判斷法進(jìn)行判斷，若屬于背景像素，則標(biāo)記為背景像素；若屬于前景像素，則標(biāo)記為前景像素；并執(zhí)行下述步驟7；

步驟7：通過各像素的判斷結(jié)果，得到視頻幀中的運(yùn)動目標(biāo)檢測結(jié)果。

本發(fā)明相比已有基于區(qū)域塊的背景建模方法的不足做出以下改進(jìn)：

(1)針對已有基于區(qū)域塊背景建模方法中以離散余弦變換(dct)系數(shù)描述作為區(qū)域特性表示方面的不足，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(cnn)區(qū)域特征提取的方法；并用區(qū)域塊經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)提取得到的卷積特征對各個區(qū)域建立相對應(yīng)的混合高斯背景模型，實(shí)現(xiàn)連續(xù)視頻幀中的運(yùn)動目標(biāo)檢測；

(2)針對現(xiàn)有的基于區(qū)域塊背景建模方法中以區(qū)域類型武斷地判斷區(qū)域中心像素類型的不足，提出一種基于區(qū)域變化速率的自適應(yīng)區(qū)域類型判斷方法，利用自適應(yīng)區(qū)域類型判斷方法檢測出邊緣區(qū)域之后，結(jié)合邊緣區(qū)域中心像素與其臨近像素的關(guān)系，提出一種邊緣區(qū)域中心像素類型的判斷方法。

附圖說明

圖1為本發(fā)明實(shí)施例的流程圖；

圖2為本發(fā)明實(shí)施例的基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域特征表示示意圖；

圖3為本發(fā)明實(shí)施例的兩種特征的結(jié)果對比示意圖，從左到右分別是原圖、groundtruth、dct結(jié)果、本發(fā)明的卷積特征結(jié)果示意圖；

圖4為本發(fā)明實(shí)施例的三種區(qū)域類型示意圖，從左到右分別是背景區(qū)域、邊緣區(qū)域和前景區(qū)域示意圖；

圖5為本發(fā)明實(shí)施例的數(shù)據(jù)集li上的實(shí)驗結(jié)果示意圖，從上到下分別是針對不同場景下的數(shù)據(jù)處理示意圖，從左到右分別是原圖、groundtruth和本發(fā)明采用的方法處理得到的結(jié)果示意圖；

圖6為本發(fā)明實(shí)施例的cdnet2014數(shù)據(jù)集上的實(shí)驗結(jié)果示意圖，從上到下的視頻序列分別是backdoor、diningroom、highway、streetlight、turnpike-0.5fps，從左到右分別是原始圖像，rmog方法的結(jié)果，第三列為本發(fā)明方法的結(jié)果；

圖7為本發(fā)明實(shí)施例的自有數(shù)據(jù)集上的實(shí)驗效果示意圖，從左到右分別是原圖、mog方法的實(shí)驗結(jié)果、本發(fā)明方法的實(shí)驗結(jié)果。

具體實(shí)施方式

為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。

請見圖1，本發(fā)明提供的一種基于卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)背景建模物體檢測方法，包括以下步驟：

步驟1：利用第一幀圖像初始化混合高斯背景模型；

混合高斯模型可以看做是一種利用多個高斯分布來表示的一種函數(shù)，這個函數(shù)的輸入是卷積神經(jīng)網(wǎng)絡(luò)提取的中心像素周圍的區(qū)域得到的特征，函數(shù)的輸出是判斷該像素是屬于前景區(qū)域還是背景區(qū)域還是邊緣區(qū)域的概率；下面是對混合高斯背景模型的概念介紹：

混合高斯模型概念介紹：

混合高斯模型是由多個高斯背景模型組成的一個函數(shù)，而高斯背景模型其含義就是一個正態(tài)分布通過設(shè)置一個定值q，判斷輸入特征值x>q時屬于a類別，x<q時屬于b類別，根據(jù)正態(tài)分布概率公式可以知道x>q時的概率，即高斯背景模型就是一個概率函數(shù)，它的輸入是特征值，輸出時該特征值所對應(yīng)的類別的概率。

多個高斯模型意思就是，輸入特征值到多個參數(shù)不同的高斯模型(如均值參數(shù)、方差參數(shù)不同)，每個高斯函數(shù)都會對該輸入特征值輸出一個對應(yīng)的所屬類型以及其概率。例如混合高斯模型由三個高斯模型組成，這三個高斯模型分別輸出，前景(類型)-0.9(概率)、前景(類型)-0.3(概率)、前景(類型)-0.7(概率)。根據(jù)輸出的概率乘以各個高斯模型相應(yīng)的權(quán)重即可得到混合高斯模型對該特征的所屬類型判斷概率。例如三個高斯模型權(quán)重分別為0.5、0.3、0.2則可得到該特征值對應(yīng)的前景概率為：

0.5*0.9+0.3*0.3+0.2*0.7＝0.68；

使用第一幀圖像初始化混合高斯模型方式介紹：

在輸入各個像素所對應(yīng)的區(qū)域塊到卷積神經(jīng)網(wǎng)絡(luò)中后，卷積神經(jīng)網(wǎng)絡(luò)提取各個區(qū)域特征，各個區(qū)域的特征表示為：

其中，參數(shù)“t”表示視頻中第t幀圖像，用“ft”表示視頻中第t幀圖像中所有經(jīng)過劃分的圖像塊的特征表示；表示第t幀圖像中第i行第j列像素對應(yīng)的圖像區(qū)域塊的特征表示：

其中參數(shù)表示第t幀圖像中第i行第j列像素對應(yīng)的圖像區(qū)域塊，將該圖像區(qū)域塊送到設(shè)計好的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取操作即“cnn()”，獲得其對應(yīng)特征表示并在此基礎(chǔ)上建立對應(yīng)的混合高斯背景模型。令圖像區(qū)域塊所對應(yīng)的混合高斯背景模型為：

其中，參數(shù)“t”表示視頻中第t幀圖像，表示由n個高斯模型組成的混合高斯模型，用于判斷第t幀圖像中第i行第j列像素所對應(yīng)的是哪一個區(qū)域；表示對應(yīng)第t幀圖像中第i行第j列像素的單個高斯模型中均值；表示對應(yīng)第t幀圖像中第i行第j列像素單個高斯模型的方差；表示對應(yīng)第t幀圖像中第i行第j列像素單個高斯模型的權(quán)重；n表示建立的單個高斯模型個數(shù)，一般取3-5個。

例如，對于第一幀圖像it的單獨(dú)的區(qū)域對應(yīng)的背景模型由以下方式進(jìn)行初始化：

上式中除了“i”的所有參數(shù)前面都已介紹，“i”是指當(dāng)前第一幀圖像數(shù)據(jù)的像素值。這三個式子表達(dá)了統(tǒng)一對所有的單高斯模型進(jìn)行相同的初始化，均值、方差以及權(quán)重全部相同。表示用區(qū)域的特征表示作為高斯模型的均值中表示高斯模型的標(biāo)準(zhǔn)差，初始化為一個固定的值，i表示對應(yīng)維度的單位矩陣。表示所有高斯模型的權(quán)重都為1/n。建立每個圖像區(qū)域的背景模型后，就可以從第二幀開始進(jìn)行前景檢測和模型更新。

對于第t時刻圖像it的每個區(qū)域首先根據(jù)計算區(qū)域特征為接著利用建立的混合高斯模型判斷該區(qū)域?qū)儆诒尘皡^(qū)域，屬于前景區(qū)域。若該區(qū)域?qū)儆诒尘?，則令該區(qū)域的中心像素為背景像素，并以當(dāng)前區(qū)域的特征更新對應(yīng)的背景模型。若該區(qū)域為前景區(qū)域，則令該區(qū)域的中心像素為前景像素，并把當(dāng)前區(qū)域的特征添加到高斯模型中。利用建立好的混合高斯背景模型，可以計算出出當(dāng)前圖像區(qū)域塊的特征屬于背景模型的概率，也就是特征屬于區(qū)域對應(yīng)背景模型的概率為：

表示高斯概率密度函數(shù)：

步驟2：讀取視頻中圖像序列，獲取當(dāng)前視頻幀；

步驟3：將視頻幀劃分為若干區(qū)域；

步驟4：將各區(qū)域塊送入到自編碼卷積神經(jīng)網(wǎng)絡(luò)中獲取對應(yīng)的卷積特征；

步驟5：對得到的卷積特征進(jìn)行池化操作，得到圖像最后的特征表示；

步驟6：利用自適應(yīng)區(qū)域判斷法判斷區(qū)域類型；

若區(qū)域類型為背景區(qū)域，則標(biāo)記區(qū)域中心像素為背景像素，更新該中心像素對應(yīng)的混合高斯背景模型中的各個高斯模型參數(shù)；并執(zhí)行下述步驟7；(混合高斯背景模型，實(shí)驗中每個區(qū)域?qū)?yīng)一個混合高斯背景模型，每個混合高斯模型對應(yīng)三到五個高斯模型)

若區(qū)域類型為前景區(qū)域，則標(biāo)記區(qū)域中心像素為前景像素，添加新的高斯背景模型到混合高斯背景模型中，并執(zhí)行下述步驟7；

若區(qū)域類型為邊緣區(qū)域，則利用邊緣區(qū)域中心像素判斷法進(jìn)行判斷，若屬于背景像素，則標(biāo)記為背景像素；若屬于前景像素，則標(biāo)記為前景像素；并執(zhí)行下述步驟7；

更新該中心像素對應(yīng)的混合高斯背景模型中的各個高斯模型參數(shù)，以下詳細(xì)介紹具體更新過程：對于第t時刻圖像it的每個區(qū)域首先根據(jù)式(2-4)計算區(qū)域特征為接著利用建立的混合高斯模型判斷該區(qū)域?qū)儆诒尘皡^(qū)域，屬于前景區(qū)域。若該區(qū)域?qū)儆诒尘埃瑒t令該區(qū)域的中心像素為背景像素，并以當(dāng)前區(qū)域的特征更新對應(yīng)的背景模型。若該區(qū)域為前景區(qū)域，則令該區(qū)域的中心像素為前景像素，并把當(dāng)前區(qū)域的特征添加到高斯模型中。利用建立好的混合高斯背景模型，可以計算出出當(dāng)前圖像區(qū)域塊的特征屬于背景模型的概率，也就是特征屬于區(qū)域對應(yīng)背景模型的概率為：

上式中參數(shù)前面都有介紹，表示高斯概率密度函數(shù)：

其中d表示特征的維數(shù)，是一個列向量。由于建立的背景模型包含多個高斯分布函數(shù)，在進(jìn)行前景檢測的過程中需要逐個對比特征與各個模型之間的差異，如果這個差異符合條件，就認(rèn)為該特征落在該高斯分布內(nèi)。如果這個差異過大，則認(rèn)為該特征不落在該高斯分布內(nèi)。具體判斷的條件為：

其中ε是一個固定的值，表示特征相對于均值變化是否在標(biāo)準(zhǔn)差的ε個倍數(shù)內(nèi)。若有多個高斯分布滿足式(2-11)的條件，需要從中找到最接近的高斯分布，評價方法為：

要求尋找到與最接近的高斯分布模型，并更新該模型對應(yīng)的參數(shù)。具體參數(shù)的更新方法為：

上面學(xué)習(xí)速率α表示模型對外界新變化的學(xué)習(xí)速度快慢，若α過小，則需要經(jīng)過很多幀才會認(rèn)為該變化屬于背景模型；若α過大，僅僅需要幾幀就會認(rèn)為該變化屬于背景模型；因根據(jù)背景的特性，選擇合適大小的學(xué)習(xí)速率α。學(xué)習(xí)速率ρ表示參數(shù)學(xué)習(xí)的速度，可以直接計算得到，對應(yīng)高斯模型色權(quán)值越小，參數(shù)的學(xué)習(xí)速度越快。

步驟7：通過各像素的判斷結(jié)果，得到視頻幀中的運(yùn)動目標(biāo)檢測結(jié)果。

本發(fā)明主要包括卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法、自適應(yīng)區(qū)域判斷兩個方面的內(nèi)容。

(1)基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域特征提取方法；

與已有基于區(qū)域塊背景建模方法中以離散余弦變換(dct)系數(shù)描述提取區(qū)域特征不同，本發(fā)明采用基于卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域特征提取方法，該卷積神經(jīng)網(wǎng)絡(luò)是以自編碼神經(jīng)網(wǎng)絡(luò)以及卷積池化操作為基礎(chǔ)而建立的模型。整個模型對自編碼神經(jīng)網(wǎng)絡(luò)提取的特征進(jìn)行一次卷積操作和一次池化操作，最后得到區(qū)域的特征表示。具體來說將分辨率為m*n大小的圖像區(qū)域劃分成若干個areasize*areasize小的區(qū)域，把這些小的區(qū)域送到自編碼神經(jīng)網(wǎng)絡(luò)中，就可以獲得圖像區(qū)域的卷積特征。然后對得到的卷積特征進(jìn)行池化操作就可以得到圖像最后的特征表示，下面分別針對卷積神經(jīng)網(wǎng)絡(luò)所涉及到的自編碼神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練以及最后的區(qū)域特征表示兩個方面，來描述區(qū)域特征提取的具體步驟。

對areasize*areasize大小圖像區(qū)域提取區(qū)域特征之前，需要訓(xùn)練好自編碼神經(jīng)網(wǎng)絡(luò)的參數(shù)，自編碼神經(jīng)網(wǎng)絡(luò)輸入大小與所選擇的卷積大小是一致的。

areasize*areasize為算法涉及到的卷積神經(jīng)網(wǎng)絡(luò)輸入?yún)^(qū)域大小，采用卷積大小為convolvedsize*convolvedsize，池化大小為pooledsize*pooledsize。

本發(fā)明采用無監(jiān)督的學(xué)習(xí)方法進(jìn)行自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，不要求有標(biāo)簽的樣本數(shù)據(jù)。僅需要給出滿足要求的訓(xùn)練樣本，即可以訓(xùn)練好對應(yīng)的各個參數(shù)。對于每個目標(biāo)視頻，可以按固定間隔取出若干幀圖像。對于每張取出的圖像，從中按取出若干個大小為convolvedsize*convolvedsize的不重疊圖像樣本塊。以取出的若干個大小為convolvedsize*convolvedsize的圖像樣本塊作為訓(xùn)練樣本，既可以訓(xùn)練好網(wǎng)絡(luò)的參數(shù)。假如目標(biāo)視頻有n幀，為了避免相鄰幀之間區(qū)域的重復(fù)性，可以每隔k幀(k取值視具體情況而定，只要最后能取得足夠的樣本數(shù)量即可)取一張圖像作為訓(xùn)練樣本來源。假如目標(biāo)視頻有1200幀，則每隔10幀取一張圖像，一共取120張圖像。每一張圖像劃分為若干個convolvedsize*convolvedsize大小的不重疊區(qū)域作為訓(xùn)練樣本，假如圖像大小為m*n，則可以劃分為[n/aeasize]*[m/aeasize]個convolvedsize*convolvedsize大小的圖像樣本塊。通過獲取的樣本，利用反向轉(zhuǎn)播算法訓(xùn)練好自編碼神經(jīng)網(wǎng)絡(luò)的參數(shù)之后，就可以進(jìn)行區(qū)域的特征提取。利用訓(xùn)練好的模型，把a(bǔ)reasize*areasize大小的區(qū)域塊送到卷積神經(jīng)網(wǎng)絡(luò)中，既可以得到其對應(yīng)的特征表示。如圖2所示，假定輸入圖像塊大小為9*9,所采用卷積大小為4*4，池化大小為3*3，那么結(jié)合自編碼神經(jīng)網(wǎng)絡(luò)進(jìn)行卷積操作后的卷積特征大小為6*6。然后對得到的卷積特征作池化操作，得到的池化特征大小為2*2，令自編碼神經(jīng)網(wǎng)絡(luò)中隱藏神經(jīng)元的個數(shù)為63，則最后的區(qū)域塊特征維數(shù)為63*2*2*252。

對圖像區(qū)域塊的特征提取進(jìn)行更一般的表述，設(shè)自編碼神經(jīng)網(wǎng)絡(luò)隱藏層的節(jié)點(diǎn)個數(shù)為hiddensize，輸入圖像區(qū)域塊經(jīng)過卷積之后的特征大小為(areasize*convolvedsize*1)*(areasize*convolvedsize*1)，經(jīng)過池化后特征大小為((areasize*convolvedsize*1)/pooledsize)*((areasize*convolvedsize*1)/pooledsize)。由于最后的池化特征大小必須是整數(shù)，所以要求卷積之后的尺寸(areasize*convolvedsize*1)是池化大小pooledsize的整數(shù)倍。

針對所要處理的視頻中的每張分辨率大小為m*n的圖片數(shù)據(jù)，進(jìn)行擴(kuò)展之后的大小為(m+2*[areasize/2])*(n+2*[areasize/2])，因此原圖中每個像素都對應(yīng)一個areasize*areasize大小的區(qū)域塊。經(jīng)過擴(kuò)展之后的圖像劃分為若干個區(qū)域塊為：

上式中at表示視頻中第t張圖片所有經(jīng)過劃分的圖像塊，表示圖片中第i行第j列像素所對應(yīng)的區(qū)域塊，其大小為areasize*areasize。得到圖像的各個區(qū)域塊之后，將每個areasize*areasize大小的圖像區(qū)域塊送入卷積神經(jīng)網(wǎng)絡(luò)得到所對應(yīng)的區(qū)域特征表示。對應(yīng)各個區(qū)域的特征表示為：

上式中，ft表示圖像中所有經(jīng)過劃分的圖像塊的特征表示；表示圖像中第i行第j列像素對應(yīng)的圖像區(qū)域塊的特征表示：

將圖像區(qū)域塊送到設(shè)計好的自編碼卷積神經(jīng)網(wǎng)絡(luò)中，獲得其對應(yīng)特征表示在此基礎(chǔ)上建立對應(yīng)的混合高斯背景模型；令圖像區(qū)域塊所對應(yīng)的混合高斯背景模型為：

上式中表示由n個高斯模型組成的混合高斯模型公式；

使用本發(fā)明所采用的卷積神經(jīng)網(wǎng)絡(luò)提取得到的圖片中各個區(qū)域的特征代入到該公式隨后進(jìn)行一般的混合高斯背景建模流程操作。混合高斯背景建?；趯D片進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)提取得到的特征判斷圖片中屬于背景像素的部分，或者為前景像素。至此達(dá)到通過基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖片特征提取，將特征輸入混合高斯模型中進(jìn)行背景建模的目的；

不同于已有的基于dct系數(shù)的區(qū)域塊特征描述方法，本發(fā)明采用區(qū)域卷積特征建立混合高斯背景模型。下面給出相關(guān)實(shí)驗結(jié)果的對比分析，如圖3所示。

(2)自適應(yīng)區(qū)域判斷方法判斷區(qū)域類型；

接著上一步通過卷積神經(jīng)網(wǎng)絡(luò)提取圖片區(qū)域塊特征進(jìn)行混合高斯背景建模操作，由于混合高斯背景建模對區(qū)域所代表的像素判斷為前景區(qū)域或背景區(qū)域時會存在一些難以分辨的情況，即該區(qū)域中既有前景像素又有背景像素時我們稱之為邊緣區(qū)域，如下圖4所示，左邊的圖中，前景像素的個數(shù)較小，所占的比例在1/3左右；中間的圖中，前景像素的個數(shù)適中，所占的比例在1/2左右；右邊的圖中，前景像素的個數(shù)較多，所占的比例在2/3左右。對于第一種情況，對該區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)特征提取、混合高斯建模判定其為背景區(qū)域，該區(qū)域所對應(yīng)的中心像素是背景像素。對于第二種情況，本發(fā)明認(rèn)為該區(qū)域為邊緣區(qū)域，所對應(yīng)的中心像素的類型需要通過自適應(yīng)區(qū)域判斷方法判斷區(qū)域類型才能得到，這也是本發(fā)明做出的第二點(diǎn)創(chuàng)新。對于第三種情況，對該區(qū)域進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)特征提取、混合高斯建模判定其為前景區(qū)域，該區(qū)域所對應(yīng)的中心像素是前景像素。針對邊緣區(qū)域情況我們提出一種自適應(yīng)區(qū)域判斷方法判斷區(qū)域類型來判斷邊緣區(qū)域所對應(yīng)的像素是屬于背景還是前景；

對邊緣區(qū)域的中心像素進(jìn)行額外的判斷，主要結(jié)合基于中心像素在區(qū)域中的相鄰像素的類型，能夠較好確定中心像素的類型。下面詳細(xì)介紹利用相鄰像素間的關(guān)系判斷邊緣區(qū)域?qū)?yīng)中心像素類型的方法。具體說來，獲取待處理區(qū)域ai，j中心像素pi，j，以該像素為中心，在原圖中取大小為m*m的區(qū)域作為模板區(qū)域。獲取中心像素pi,j對應(yīng)模板區(qū)域內(nèi)的各個像素，并把模板區(qū)域內(nèi)的各像素劃分成兩類：

上式表示區(qū)域內(nèi)各像素值與中心像素值是否接近，η是判斷兩像素值之間是否接近的一個閾值(是一個可調(diào)節(jié)變量)。如果兩個像素值pi,j和px,y之間的差異小于η，則認(rèn)為兩個像素是相似的，記為close(pi,j,px,y)＝1；反之則記為

close(pi,j,px,y)＝0；

對模板區(qū)域內(nèi)各個像素與中心像素關(guān)系判斷完成后，獲得與中心像素值接近的像素總數(shù)：

基于以上規(guī)則計算區(qū)域內(nèi)與中心像素相似的像素數(shù)量計算，獲取相似像素值的個數(shù)之后，在相近像素值中判斷屬于背景像素的個數(shù)：

px,y表示該像素屬于背景像素類型，由此得到區(qū)域中與中心像素相似的像素中，屬于背景像素的個數(shù)；然后通過以下式子比較b和s判斷中心像素屬于背景或前景：

上式表示判斷模板區(qū)域內(nèi)相近像素中是否超過一半的像素為背景像素，超過一半則認(rèn)為像素pi,j屬于背景像素，不超過一半則認(rèn)為像素pi,j屬于前景像素。

為了驗證本發(fā)明的有效性，在兩個公共數(shù)據(jù)集以及一個自有數(shù)據(jù)集上進(jìn)行測試，分別包括li、cdnet2014和yangtze-boat數(shù)據(jù)集。三個數(shù)據(jù)集中都提供若干組視頻序列，視頻序列分別涉及背景建?，F(xiàn)在所面臨的各種挑戰(zhàn)性問題，例如光照變化、動態(tài)背景、陰影等。由于篇幅限制，這里列舉了本發(fā)明與其他方法在公有數(shù)據(jù)集中的一部分對比結(jié)果進(jìn)行展示，在定量的對比分析時，用公認(rèn)的f-score作為評價標(biāo)準(zhǔn)，來衡量算法的優(yōu)劣。在公共數(shù)據(jù)集li上，將數(shù)據(jù)集的正確標(biāo)注groundtruth與本發(fā)明的方法處理數(shù)據(jù)集所得的結(jié)果進(jìn)行比較，選取了以下光照變化問題的視頻序列ws、涉及移動窗簾動態(tài)背景問題的視頻序列mr、涉及陰影問題的視頻序列ft、涉及搖晃樹葉動態(tài)背景問題的視頻序列cam上的對比結(jié)果，對相關(guān)的實(shí)驗結(jié)果給出定性和定量的分析如圖5和表1所示。在公共數(shù)據(jù)集cdnet2014上，利用數(shù)據(jù)集官網(wǎng)上給出的rmog方法的實(shí)驗結(jié)果，與本發(fā)明的方法進(jìn)行定性的對比分析，如圖6所示，第一列為原始圖像，第二列為rmog方法的結(jié)果，第三列為本發(fā)明方法的結(jié)果。相對于rmog方法的實(shí)驗結(jié)果，本發(fā)明的方法成功檢測出前景的大部分像素，取得較好的實(shí)驗效果。在自有數(shù)據(jù)集yangtze-boat上，如圖7所示，本發(fā)明所采用方法與傳統(tǒng)的mog方法進(jìn)行定性對比分析。由于mog方法對單獨(dú)像素的變化十分敏感，由此造成水面上的錯誤前景像素點(diǎn)較多。而本發(fā)明的方法對單個區(qū)域塊的變化十分敏感，這樣可以充分把像素空間上的特性考慮在內(nèi)。例如第二和第三組視頻中，對于單個像素變化不大的船身，mog方法無法檢測出類似的像素點(diǎn)，使之被錯誤檢測為背景像素，而本發(fā)明的方法能正確把類似像素成功檢測為前景像素點(diǎn)。在yangtze-boat數(shù)據(jù)集中三組視頻數(shù)據(jù)上，與mog方法的實(shí)驗結(jié)果對比，可以發(fā)現(xiàn)本發(fā)明的方法在前景檢測方面取得較好的實(shí)驗結(jié)果。

表1f-score標(biāo)準(zhǔn)下各種方法的定量對比分析

應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對本發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的請求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。