基于切比雪夫像素估計的多目標(biāo)檢測算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像處理與多目標(biāo)跟蹤領(lǐng)域，具體設(shè)及基于切比雪夫像素估計的多目 標(biāo)檢測算法。
【背景技術(shù)】
[0002] 在多目標(biāo)檢測中，對于運動目標(biāo)而言，場景的變化會導(dǎo)致目標(biāo)的位置、大小發(fā)生改 變，從而影響目標(biāo)檢測的效果。其因素包括光照變化、攝像機抖動、復(fù)雜背景干擾、目標(biāo)類型 多樣化、目標(biāo)運動速度較快等問題。此外，當(dāng)背景光源發(fā)生變化時，視頻序列中的目標(biāo)物體 的顏色分布會產(chǎn)生變化，該導(dǎo)致提取的底層顏色特征也隨之發(fā)生變化，從而影響目標(biāo)檢測 的準確率。目前，存在=種經(jīng)典的多運動目標(biāo)檢測與分割技術(shù)：帖差分法、光流法和背景差 分法。
[0003] 帖差分法是運動物體檢測方法中實現(xiàn)最簡單的一種算法，計算量小，對背景的變 化有一定的抑制作用，但該方法由于思想簡單，沒有考慮到監(jiān)控視頻序列中的光照變化 等多變的外部環(huán)境。Kameda和Minoh提出了 "雙差分法"，其主要是將t和t-1時刻的差 分與t-1和t-2時刻的差分進行邏輯與運算，但其目標(biāo)位置不能實時檢測（參考文件1 ; Y. Kameda and M. Minoh. A human motion estimation method using 3-successive viedo frames. In ICVSM，pagesl35-140, 1996.)。用光流法進行檢測時，可W不用提前知道環(huán)境 場景中的先驗信息，就能夠較為準確的檢測出運動物體，但光流場的分布對于光照變化等 噪聲非常敏感，而且光流法計算復(fù)雜，很難實現(xiàn)系統(tǒng)的實時處理。Kui liu等人用主成分分 析光流的方法對運動進行檢測（參考文件2 ;K. Liu,比Yang, B.Ma，et al. A joint optical flow and principal component analysis approach for motion detection. Acoustics Speech and Si即al Processing, 2010,1178-1181. )，T.Huang 等人已經(jīng)將光流成功應(yīng) 用在車輛跟蹤上取得了很好的效果，但對光流計算復(fù)雜，而且抗干擾能力差（參考文件 3 ；T. Huang, D. Roller, J. Malik, et al. , Automatic symbolic traffic scene analysis using belief networks. AAAI-94Proceedings, 1995:966-966)。Brox，T Kanade 等人提出 一種光流密度與SIFT特征點匹配相結(jié)合的區(qū)域跟蹤算法，其光流點矢量計算精確，但在 實際運用中，難W準確的是識別運動目標(biāo)，且只有當(dāng)圖像捕獲的間隔很短時才適合（參考 文件 4 ;Y. Sheikh, 0. Javed and T. Kanade, Background subtraction for freely moving cameras. Computer Vision, 2009:1219-1225)。背景差分法可W得到比較完整的前景圖像， 但在實際中背景差分法對場景中光照的變化、樹葉的擺動、攝像機的抖動等外部條件的變 化比較敏感，因此容易造成目標(biāo)物體的誤判現(xiàn)象，從而大大降低檢測的精度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了解決上述在多目標(biāo)密集度、光照強度、目標(biāo)運動狀態(tài)、背景復(fù) 雜等場景下，多目標(biāo)檢測不具有實時性、缺乏精度、穩(wěn)定性不高的缺點。本發(fā)明提出一種切 比雪夫像素估計的多目標(biāo)檢測算法，旨在提高保證多目標(biāo)檢測的實時性，提高多目標(biāo)檢測 的精度，增加多目標(biāo)檢測的魯椿性。
[0005] 本發(fā)明提出的一種基于切比雪夫像素估計的多目標(biāo)檢測算法，具體包括如下步 驟：
[0006] 步驟一；背景模型的初始化。W視頻的第一帖作為初始帖，根據(jù)相鄰像素點擁有相 近像素值的空間分布特性，對于初始帖的每個像素，選取該像素點的八連通區(qū)域的像素值 作為該像素值的模板，利用該些像素值模板構(gòu)建初始化背景模型。
[0007] 步驟二；對于前N帖的視頻帖cur,通過計算當(dāng)前帖cur的像素點與背景模型對應(yīng) 像素點模板的相似度，如果相似度大于等于闊值t虹eshold，則認為該像素點與背景模型對 應(yīng)像素點相似，故用視頻帖cur當(dāng)前的像素點更新背景模型對應(yīng)像素點的模板；否則如果 相似度小于闊值t虹eshold，則認為像素點與背景模型像素點不相似，即當(dāng)前像素點是前景 模型。
[000引步驟S ;對于N帖W后的視頻帖cur (cur〉N)，由于有了第cur-N帖到第cur-l帖 前N帖視頻的數(shù)據(jù)，則可W利用切比雪夫不等式對cur帖快速判別背景或前景特征顯著的 像素點，區(qū)分出前景點和背景點，對于那些特征不顯著的像素點則認為是可疑點。對于切比 雪夫不等式估計獲得的可疑像素點，則計算可疑像素點與背景模型對應(yīng)像素點模板的相似 度，根據(jù)前N帖的背景模型的更新算法去更新當(dāng)前背景模型。對于切比雪夫不等式估計獲 得的背景像素點，則當(dāng)前的像素點更新背景模型對應(yīng)像素點。
[0009] 本發(fā)明方法的優(yōu)點和積極效果在于：本發(fā)明在動態(tài)背景、攝像頭抖動、目標(biāo)間歇性 運動、陰影和熱氣的場景下都具有較好的檢測精度，同時具有較快的檢測速度，能保證檢測 的實時性。本發(fā)明算法與傳統(tǒng)的目標(biāo)檢測算法相比，精確率precision、召回率recall W及 F1值都有明顯提升，而同時能保證較低的錯誤分類比PWC。
【附圖說明】
[0010] 圖1是本發(fā)明的切比雪夫像素估計的多目標(biāo)檢測算法結(jié)構(gòu)框圖；；
[0011] 圖2是本發(fā)明的切比雪夫像素估計的多目標(biāo)檢測算法初始化背景模型的流程圖；
[0012] 圖3是本發(fā)明的切比雪夫像素估計的多目標(biāo)檢測算法更新背景模型的流程圖；
[0013] 圖4是本發(fā)明中復(fù)雜場景下使用該算法的實驗室效果圖；
【具體實施方式】
[0014] 下面將結(jié)合附圖和實施例對本發(fā)明的技術(shù)方案作進一步的詳細說明。
[0015] 本發(fā)明提出一種基于切比雪夫像素估計的多目標(biāo)檢測算法，W視頻的第一帖作為 初始帖，對于初始帖的每個像素，選取該像素點的八連通區(qū)域的像素值作為該像素值的模 板，利用該些像素值模板構(gòu)建初始化背景模型，該樣相比傳統(tǒng)方法不需要前N帖的訓(xùn)練數(shù) 據(jù)。該方法利用了相鄰像素點擁有相近像素值的空間分布特性。本發(fā)明還通過比較當(dāng)前像 素點與背景模型對應(yīng)像素點模板的相似度，來確定該像素點是否是背景點。對于N帖W后 視頻，由于積累了前N帖視頻數(shù)據(jù)，可W根據(jù)前N帖像素點的期望和方差，利用切比雪夫不 等式快速判別當(dāng)前像素點是背景點，還是前景點，或者可疑點。對于可疑點，則計算可疑點 與背景模型對應(yīng)像素點模板的相似度，根據(jù)前N帖的背景模型的更新算法去更新當(dāng)前背景 模型。對于背景點，直接更新當(dāng)前背景模型。實驗結(jié)果顯示，該方法與傳統(tǒng)的目標(biāo)檢測算法 相比，精確