基于前景建模的视频监控中的遗留物检测方法

摘要

本发明公开一种基于前景建模的遗留物检测方法，该方法包括背景提取、前景分割、静态区域检测和物体分类跟踪四个步骤，在静态区域检测步骤中，基于单高斯模型构建前景模型，所述模型中除了存有每个像素的高斯分布外，还额外存储了一个Hit-Count数值，该Hit-Count数值用来记录该像素发生Hit-Event的次数，Hit-Event是指当前前景像素与模型中存储的像素值相匹配，每次前景分割完成后，用分割出来的前景对前景模型进行更新。静态区域检测时，采用一高一低两个阈值，克服了通常的单阈值分割导致的图像碎片化问题。经实验证明，本发明提出的基于前景建模的遗留物检测方法在人流拥挤场景下的准确性有较大提高。

说明书

技术领域

本发明涉及一种安防系统视频监控中的遗留物检测方法，尤其涉及一种基于 前景建模的遗留物检测方法。

背景技术

近年来，随着社会对公共安全的不断重视，对于人流密集场所的可疑遗留物 的检测已成为安防系统不可或缺的部分。遗留物检测方法一般包括如下几个步骤： 背景提取、前景分割、静态区域检测和物体分类跟踪。

背景提取是遗留物检测的最基本步骤。一般背景提取的方法都假定背景为静 态，在静态的基础上有微弱的光线变化。为了应对光线的改变，背景往往需要建 模并不断更新模型数据。对背景进行建模主要采用单高斯模型或混合高斯模型。

在前景分割方面，可分为基于像素的方法和基于区域的方法。基于像素的方 法一般是对每个像素进行建模，对每个图像像素与背景像素单独分析，区分是前 景还是背景。基于像素的方法运算量小但在复杂场景下鲁棒性较差。而基于区域 的前景分割引入了一些空间结构信息，使得其在复杂场景的分割中表现更好。

在静态区域检测方面，目前认为最有效的方法是利用对前景掩蔽的累积，当 一块区域的前景掩蔽累积到一定数值后就可认定为静态区域。此方法虽然在人流 相对稀疏的场景下有着不错的准确性，但是在繁杂的地方由于物体间的交互运动 而会导致检测出虚假静态区域。

在物体分类跟踪方面，一般把物体分为遗留物体和移走物体两类。一类主流 方法是利用图像的边缘信息作为物体分类依据的方法。该方法在背景简单的场景 下有着不错的稳定性，但在背景复杂的场景常常会出现错误分类的现象。

发明内容

本发明针对现有技术中的上述问题，提出了一种基于前景建模的遗留物检测 方法，该方法包括背景提取、前景分割、静态区域检测和物体分类跟踪四个步骤， 其特征在于：所述静态区域检测步骤中，基于单高斯模型构建前景模型，所述模 型中除了存有每个像素的高斯分布外，还额外存储了一个Hit-Count数值，该 Hit-Count数值用来记录该像素发生Hit-Event的次数，Hit-Event是指当前前景像 素与模型中存储的像素值相匹配，每次前景分割完成后，用分割出来的前景对前 景模型进行更新。

优选地，当前前景像素与模型中存储的像素值相匹配的定义是两个像素之间 的欧氏距离小于2.5个前景模型中的标准差。

优选地，对于Hit-Count用下列公式进行更新：

$h_t\left(p\right)=\left(\begin{array}{cc}{h}_{t-1}\left(p\right)+1& \mathrm{if}{h}_{t-1}\left(p\right)\ge 0\mathrm{and}{M}_t=1\\ {\mathrm{Max}}_{\mathrm{hc}}& \mathrm{if}{h}_{t-1}\left(p\right)>({\mathrm{Max}}_{\mathrm{hc}}-k)\mathrm{and}{M}_t=1\\ {\mathrm{Init}}_{\mathrm{hc}}& \mathrm{if}{h}_{t-1}\left(p\right)<\mathrm{kand}{M}_t\ne 1\\ h_{t-1}\left(p\right)-k& \mathrm{if}{h}_{t-1}\left(p\right)>\mathrm{kand}{M}_t\ne 1\end{array}\right)$

其中，h_t(p)表示像素p在t时刻Hit-Count的数值，M_t表示当前前景像素值 与模型中的像素值是否匹配，如果匹配，M_t为1，反之为0；k是衰减的步长，Max_hc表示可允许的最大Hit-Count值，Init_hc表示初始的Hit-Count值；

如果Hit-Event发生，那么前景模型就用下列公式进行更新：

μ_t=μ_t-1+α(x_t-μ_t-1)

${\sigma }_t^2={\sigma }_{t-1}^2+\alpha {(x_t-{\mu }_{t-1})}^T(x_t-{\mu }_{t-1})$

其中，μ_t为t时刻前景模型中的均值，为t时刻前景模型中的方差，α为 更新速率，x_t为t时刻图像中的任一像素值；

如果Hit-Event没有发生，且Hit-Count的数值小于衰减步长k，那么表示当 前前景模型中的数值已经无效，可以采集新的数值作为前景模型，此时把当前前 景像素的值作为新的高斯分布的均值，并初始化方差和Hit-Count数值。

优选地，提取图像中每个像素的Hit-Count数值，获得一幅Hit-Count的图像， 然后采用双阈值对获得的Hit-Count的图像进行划分，首先用一个较高的阈值对 图像进行分割寻找静态物体，然后对于寻找到的静态物体，在用低阈值分割的图 像中寻找物体的轮廓。

本发明提出的基于前景建模的遗留物检测方法在人流拥挤场景下的准确性 有较大提高。采用双阈值划分的方法，克服了通常的单阈值分割导致的图像碎片 化问题，因为当物体在高阈值图像中还是碎片或者局部的时候，在低阈值图像中 往往已经展现出完整的包络。

附图说明

图1是本发明方法各步骤的流程图；

图2是采用双阈值分割方法的效果图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

利用前景掩蔽累加的静态区域检测方式在人流相对稀疏的场景下有着不错 的准确性。但在人流拥挤的场景下常常会检测到虚假的静态区域。针对这个问题， 我们提出了一种基于前景建模的方法来提高它在人流拥挤场景下的准确性。

我们构建的前景模型是基于单高斯模型。模型中除了存有每个像素的高斯分 布外，还额外存储了一个Hit-Count数值。Hit-Count是用来记录该像素发生 Hit-Event的次数。Hit-Event是指当前前景像素与模型中存储的像素值相匹配。匹 配的定义是两个像素之间的欧氏距离小于2.5个前景模型中的标准差。每次前景 分割完成后，用分割出来前景对前景模型进行更新。对于Hit-Count用下列公式 进行更新：

$h_t\left(p\right)=\left(\begin{array}{cc}{h}_{t-1}\left(p\right)+1& \mathrm{if}{h}_{t-1}\left(p\right)\ge 0\mathrm{and}{M}_t=1\\ {\mathrm{Max}}_{\mathrm{hc}}& \mathrm{if}{h}_{t-1}\left(p\right)>({\mathrm{Max}}_{\mathrm{hc}}-k)\mathrm{and}{M}_t=1\\ {\mathrm{Init}}_{\mathrm{hc}}& \mathrm{if}{h}_{t-1}\left(p\right)<\mathrm{kand}{M}_t\ne 1\\ h_{t-1}\left(p\right)-k& \mathrm{if}{h}_{t-1}\left(p\right)>\mathrm{kand}{M}_t\ne 1\end{array}\right)$

h_t(p)表示像素p在t时刻Hit-Count的数值。M_t表示当前前景像素值与模型 中的像素值是否匹配。如果匹配，M_t为1，反之为0。k是衰减的步长。Max_hc表 示可允许的最大Hit-Count值。Init_hc表示初始的Hit-Count值。

如果Hit-Event发生，那么前景模型就用下列公式对前景模型进行更新：

μ_t=μ_t-1+α(x_t-μ_t-1)

${\sigma }_t^2={\sigma }_{t-1}^2+\alpha {(x_t-{\mu }_{t-1})}^T(x_t-{\mu }_{t-1})$

μ_t为t时刻前景模型中的数值，为t时刻前景模型中的方差。α为更新速 率，x_t为t时刻图像中的任一像素值；

如果Hit-Event没有发生，且Hit-Count的数值小于衰减步长k，那么表示当 前前景模型中的数值已经无效，可以采集新的数值作为前景模型。此时把当前前 景像素的值作为新的高斯分布的均值，并初始化方差和Hit-Count数值。

提取图像中每个像素的Hit-Count数值，我们能获得一张Hit-Count的图像。 这张图像表示了前景在每个位置停留的时间长短。通过对这张图像的阈值分割我 们能获取那些长时间停留在图像中的静态区域。但通常的单阈值分割往往会导致 图像的碎片化，因为静态物体的每个部分往往会因为噪声或其他一些原因而不能 在同一时间越过阈值。为了解决图像碎片化的问题，我们采用双阈值对图像进行 分割。首先用一个较高的阈值对图像进行分割寻找静态物体，然后对于寻找到的 静态物体，我们在用低阈值分割的图像中寻找物体的轮廓。因为当物体在高阈值 图像中还是碎片或者局部的时候，在低阈值图像中往往已经展现出完整的包络。 图2显示，双阈值方法实现了良好的分割效果。