專利名稱：一種復雜背景下的h.264壓縮域運動目標檢測算法的制作方法
技術(shù)領域：
本發(fā)明涉及圖像處理技術(shù)領域，尤其涉及一種壓縮域運動目標檢測方法。
背景技術(shù)：
智能視頻監(jiān)控是基于計算機視覺技術(shù)對監(jiān)控場景內(nèi)的視頻圖像進行分析，提取場景中的關(guān)健信息，并形成相應事件和告警的監(jiān)控方式，在公共安全保護、交通管理等方面有著極為廣泛的應用。圖像序列中的運動目標分割是許多視頻相關(guān)領域的關(guān)鍵技術(shù)，在智能視頻監(jiān)控系統(tǒng)中，它是后續(xù)目標跟蹤、行為分析和報警的基礎。運動目標分割的傳統(tǒng)方法多是在像素域進行，如幀差法、光流法和背景差法等，這些方法需要完全解碼出圖像且逐個像素處理運算量大。壓縮域中的運動目標檢測方法無需對視頻完全解碼，直接利用壓縮碼流中包含的編碼信息提取運動對象，為視頻處理提供了新思路。在網(wǎng)絡視頻監(jiān)控中，運動目標檢測子系統(tǒng)直接分析攝像頭前端傳送回來的壓縮碼流檢測目標，可實現(xiàn)與監(jiān)控系統(tǒng)無縫融合，減少檢測算法計算量，提高系統(tǒng)實時性。壓縮域中運動目標檢測算法總是基于特定視頻壓縮標準，如MPEG和H. 264標準。 H. 264/AVC編碼標準較MPEG及以往標準增加了許多新特性，如可變塊大小的運動補償(幀間宏塊再劃分)。新特性意味著相同條件下能更加精細和準確地壓縮視頻，為運動目標檢測提供更有價值的信息。隨著H. 264/AVC編碼標準普及，相應的提出了兩種H. 264/AVC壓縮域的運動目標檢測算法，一種是僅利用碼流信息(MV、鄰域離散余弦變換(DCT)系數(shù)和宏塊比特數(shù))算法，另一種是碼流信息結(jié)合運動目標自身時空域特征的算法。碼流信息本身有一定的不確定性，如MV不準確(編碼器決定)、碼流傳輸過程受噪聲污染，影響算法檢測效果。通過建立時空域MV熵模型的檢測算法雖然增加MV時空域上的鄰域約束，但運算量大且不易擴展(增加其它約束)。利用MV信息、目標時空域約束建立MRF模型的檢測算法中， MRF模型能夠很好描述運動目標檢測問題，但是此算法僅對碼流中MV建模而忽略了其它可用信息，使其在實際中難以達到滿意的性能，同時非目標的運動在該算法中容易被判為目標，使得其難以適應復雜場景。

發(fā)明內(nèi)容
本發(fā)明所解決的技術(shù)問題在于提供一種復雜背景下的H. 264壓縮域運動目標檢測算法，以解決背景技術(shù)中的問題。一種復雜背景下的H. 264壓縮域運動目標檢測算法，包括以下步驟(1)建立4x 4像素塊的均勻MV矢量場，計算MV幅度和相位，建立MV相位高斯混合模型，提高算法在復雜環(huán)境下的魯棒性；(2)對MV的幅度、MV相位背景模型 、幀間宏塊分割模式和時域、空域鄰域約束建立 MRF模型，通過求解該模型，得到各個4x 4像素塊的前景、背景標記，提取出運動目標。下面首先介紹一下GMM模型的建立方法
在視頻運動目標檢測中，即使攝像 頭靜止，畫面中搖擺的樹枝、水面的波紋等所產(chǎn)生的周期性運動對檢測也會造成嚴重干擾。在壓縮域的目標檢測中此類問題同樣存在，由運動干擾產(chǎn)生的MV與真正運動目標產(chǎn)生的MV難以區(qū)分，影響檢測結(jié)果。此類運動干擾的方向具有穩(wěn)定性(往復周期運動穩(wěn)定在兩個相反的方向上)，由此產(chǎn)生的MV相位在時間統(tǒng)計特征上也將具有穩(wěn)定性，可以利用GMM對其建立背景模型。對H. 264壓縮碼流中MV的相位θ建立包含K個分量的GMM模型，其PDF定義為Pie,) = Yj^MOt-, μ ρσ]) (1)Qj為第j個高斯分量的權(quán)重，/7㈦;A, 2)為第j個分量服從的高斯分布] (2)μ ρ。2分別為該高斯分布的均值和方差，K個高斯分布依照從大到小排序組成隊列。K通常取5即可較好地對普通場景建模，也可采用分量個數(shù)自適應算法，此時K是動
態(tài)的[13]。計算馬氏距離6/2 =㈦—巧)'(。2廣㈦-巧)，如果d< λτ，通常取λτ = 2.5，則et
與；；⑷；/^ 2)匹配，更新模型參數(shù)；否則以θ 均值建立一個新的高斯分量替換隊列尾部的分量。參數(shù)ω” μ J和 2按照下式更新ω1；1 =(\ + α)ω^(3)μ';ι=(\-ρ)μ)+ρθ,(4)(σ'；')2 =(I-PXatj)^Piet-Mt;1)2 (5)α和ρ為學習速率，為常量。模型經(jīng)過一定時間的學習和更新，由于背景出現(xiàn)概率大于前景，背景對應的分量權(quán)重必然大于前景對應分量權(quán)重，背景前景得到分離，即利用背景和前景在時間軸上統(tǒng)計特征的不同實現(xiàn)從包含運動前景的圖像序列中提取出背景。排在隊列最前面的B個高斯分量選擇作為背景，B定義為
b \5 = argmin J^ojj >T(6)
b U=i y新數(shù)據(jù)如果不能與前B個分量匹配，則判為前景運動目標。由于背景中運動干擾的一個特征是往復周期運動，通過學習更新，這些運動干擾將在模型中產(chǎn)生較大權(quán)重而成為背景分量，以此減少目標檢測時的誤判。2、建立MRF模型MRF是一種分析空間或時間相關(guān)特性的概率模型，在實際應用中常常與統(tǒng)計決策和估計理論相結(jié)合，如為貝葉斯估計問題建立先驗概率模型。貝葉斯框架下的最大后驗概率(MAP)準則是利用MRF建模解決問題最常用的準則，MRF模型與MAP準則結(jié)合在一起稱為MAP-MRF框架。具體在視覺處理領域，MRF利用像素點之間的時空約束信息建立先驗概率模型，然后通過求解最大后驗概率獲得問題的解。在MAP-MRF框架下解決視覺問題的具體步驟如下
(1)將目標問題轉(zhuǎn)換成標記問題。(2)根據(jù)MRF利用問題中的約束建立先驗概率模型，并推導最大后驗概率。(3)求解最大后驗概率，得到問題的解。在H. 264壓縮域運動目標檢測問題中，一個像素塊前景或背景的判別首先與自身的觀測值如MV、幀間宏塊分割模式等相關(guān)，同時它與時空鄰域中的其它像素塊表現(xiàn)出鄰域約束關(guān)系。本發(fā)明在MAP-MRF框架下，首先將運動目標分割問題轉(zhuǎn)化為標記問題，對于一幅待分割的圖像，模型輸出標記結(jié)果f= (f^... ,W^i e {0,1}, i e S，0表示背景，1表示前景，S= {l，...，MXN}，M*4x 4像素塊在圖像水平方向的個數(shù)，N為4x 4像素塊在圖像垂直方向的個數(shù)。聯(lián)合概率
權(quán)利要求
1. 一種復雜背景下的H. 264壓縮域運動目標檢測算法，其特征在于，包括以下步驟(1)建立4x4像素塊的均勻MV矢量場，計算MV幅度和相位，建立MV相位高斯混合模型，提高算法在復雜環(huán)境下的魯棒性；(2)對MV的幅度、MV相位背景模型、幀間宏塊分割模式和時域、空域鄰域約束建立MRF 模型，通過求解該模型，得到各個4x 4像素塊的前景、背景標記，提取出運動目標。
全文摘要
本發(fā)明公開了一種復雜背景下的H.264壓縮域運動目標檢測算法，包括以下步驟(1)建立4×4像素塊的均勻MV矢量場，計算MV幅度和相位，建立MV相位高斯混合模型，提高算法在復雜環(huán)境下的魯棒性；(2)對MV的幅度、MV相位背景模型、幀間宏塊分割模式和時域、空域鄰域約束建立MRF模型，通過求解該模型，得到各個4×4像素塊的前景、背景標記，提取出運動目標。本發(fā)明克服了背景運動的影響，從而減少了背景誤判為目標，并充分利用H.264編碼特征提升了檢測性能。
文檔編號H04N7/26GK102333213SQ20111016101
公開日2012年1月25日 申請日期2011年6月15日 優(yōu)先權(quán)日2011年6月15日
發(fā)明者夏東 申請人:夏東