基于灰阶迁移统计法的背景模型自适应更新方法研究

摘要

在智能视频监控技术中背景建模是一项位于底层的关键技术,其性能将直接决定上层各种智能视频分析功能的可实现性及鲁棒性。对背景建模技术的研究近十年来一直是视频分析与安防监控领域的研究热点与难点,因此开展与背景建模相关的研究具有重要理论意义和实际工程意义。目前,大多数背景建模方法在实用化程度上仍存在不足,具体表现为无法应对现实监控场景的复杂多样性,其核心问题在于:已构建的背景模型无法快速有效地学习场景在时空维度上的各种随机性变化。于是,对背景模型自适应更新问题的研究成为背景建模技术实用化的关键一步。现有的主流背景模型自适应更新方法存在以下不足:需人工设置背景模型的初始学习率,自适应性有待提升;背景模型学习率的调控策略依赖于具体的背景模型,通用性不高;逐点式地计算背景模型学习率,运算效率低。为克服传统方法的上述不足,本论文提出了一种新颖的背景模型自适应更新方法。主要研究内容包括：
　　①受物理学中原子能级跃迁模型启发,论文提出将视频中像素灰度变化理解为像素点样本在不同灰阶(即光强能级)间发生了迁移,进而提出了以视频灰阶为对象提取视频变化统计信息的视频低层数据挖掘新范式——灰阶迁移统计法。相比于传统视频低层数据挖掘三大范式(即像素点分析范式、区域分析范式和子空间分析范式),灰阶迁移统计法能够从监控视频中挖掘出传统范式所无法获得的独特统计信息,该统计信息被证明可有效地用于控制背景模型的自适应更新过程。
　　②针对传统背景模型自适应更新方法的不足,提出了一种基于灰阶迁移统计法的全局化背景模型自适应更新方法。该方法对视频中全局场景进行灰阶迁移统计,生成一种被称为全局灰阶迁移概率图的二维离散概率分布函数,然后将全局灰阶迁移概率图作为在线学习率查询表,以查表方式快速获取背景模型更新所需的学习率。该方法有以下优点：无需人工设置初始学习率,自适应程度高；学习率的产生不依赖具体背景模型,通用性好；学习率的产生由快速查表方式实现,运算效率高。实验表明,该方法可有效提高背景模型的自适应性与鲁棒性。
　　③对于某些具有复杂局部动态性的监控场景,由计算出的全局灰阶迁移概率图可能出现误差。为此,通过对全局化背景模型自适应更新方法进行改进,论文提出了一种基于灰阶迁移统计法的区域化背景模型自适应更新方法。该方法包含以下关键步骤：自适应的场景动态性估计；基于场景动态性的自适应场景区域分割；对不同的场景区域分别进行灰阶迁移统计,生成对应的区域灰阶迁移概率图；将区域灰阶迁移概率图作为对应区域内背景模型学习率的查询表。实验表明,区域化的方法能够有效地克服全局化方法存在的不足。
　　④当场景中出现某些特殊事件(例如出现遗留物),在提出的区域化背景模型自适应更新方法将可能在特殊事件区域内失效。为此,论文提出了一种基于灰阶迁移统计法的特殊事件区域背景模型自适应更新方法,其由两部分组成：基于灰阶迁移概率图的非参数化特殊事件区域检测与分割；基于人类进行拼图游戏时的视觉感知机制对特殊事件区域内的背景模型进行自适应更新。最后,上述特殊事件区域背景模型自适应更新方法被整合到提出的区域化背景模型自适应更新方法中,从而有效地改进了区域化背景模型自适应更新方法的鲁棒性。
　　⑤通过在背景建模领域较权威的Changedetection标准测试数据集上的一系列实验表明：灰阶迁移统计法这种视频低层数据挖掘范式在应用上具有多样性,能有效挖掘出监控视频中隐藏的多种独特且有价值的统计信息,而基于灰阶迁移统计法的背景模型自适应更新方法明显优于传统的背景模型自适应更新方法。