一种基于样本局部密度离群点检测的背景建模方法

摘要

本发明公开了一种基于样本局部密度离群点检测的背景建模方法，包括以下步骤：利用已采集到的视频帧对背景模型进行初始化，计算样本集的各个样本点的局部背景因子，采集观察到的新像素值，计算其局部背景因子；将新观察到的新像素值的局部背景因子与其最近邻的各个样本点进行比较，判断其是否属于背景，如果属于背景则将新像素值融入背景模型，进行更新，并利用新像素值将样本集中局部背景因子最大的样本点替换掉；本发明利用观察到的像素真实值来初始化背景模型，增加了背景模型的真实性，避免了被不存在的虚假值影响的可能性。

说明书

技术领域

本发明涉及一种基于样本局部密度离群点检测的背景建模方法。

背景技术

背景建模方法对于很多计算机视觉领域的应用都是非常基础和关键的，随着计算机视觉的飞速发展，对背景建模效果的要求也越来越高。尽管现阶段已经涌现出非常多优秀的背景建模方法，但离人们的要求还是存在一定的差距，特别是在面对动态背景的时候，现有的算法大多都不能很好的完成背景建模的任务。

现阶段的背景建模方法，一大部分是利用参数模型来对每一个像素点进行建模，即基于参数模型的方法，而另一些是直接利用已观察到的实际像素值进行建模，即基于样本点的方法。这些方法在处理静态背景时都能取得非常不错的效果，但面对多模态的动态背景时，他们表现的往往比较挣扎。

发明内容

本发明为了解决上述问题，提出了一种基于样本局部密度离群点检测的背景建模方法，该方法不仅在处理静态背景时表现优异，在处理动态背景时，同样能够高效的建立出效果良好的背景模型。

为了实现上述目的，本发明采用如下技术方案：

一种基于样本局部密度离群点检测的背景建模方法，包括以下步骤：

(1)利用已采集到的视频帧对背景模型进行初始化，针对每一个像素点都初始化出一个样本集，计算各样本集的各个样本点的局部背景因子；

(2)采集观察到的新像素值，计算其局部背景因子；

(3)将新观察到的新像素值的局部背景因子与其最近邻的各个样本点进行比较，判断其是否属于背景，如果属于背景则进入步骤(4)，如果不属于背景则进入步骤(5)；

(4)将新像素值融入背景模型，进行更新，并利用新像素值将样本集中局部背景因子最大的样本点替换掉；

(5)采集新的一帧视频，重复步骤(2)-(4)，更新背景模型。

所述步骤(1)中，具体方法为：

(1-1)定义样本点p的k-距离d(p,o)，表示样本点p的k-距离邻域，确定样本点p的k-距离近邻点；

(1-2)确定样本点p的可达距离和样本点p的局部可达密度；

(1-3)根据样本点p的局部可达密度和p的k-距离最近邻各点的局部可达密度的比值，描述样本点p为背景点的可能性。

所述步骤(1-1)的具体方法为：定义关于一个样本点p的k-距离d(p,o)，其满足以下要求：

(1)在同一个样本集中，至少有k个样本o'∈C满足d(p,o')≤d(p,o)；

(2)在同一个样本集中，至多有k-1个样本点o'∈C满足d(p,o')<d(p,o)；

样本点p的k-距离邻域则表示为：

N_k(p)＝{q∈C{p}|d(p,q)≤k-distance(p)}

样本点p的k-距离邻域表示包含到p的距离不大于p的k-距离的所有样本点的区域，这些点都叫做样本点p的k-距离近邻点。

所述步骤(1-2)中，定义样本点p的可达距离：

reach-dist_k(p,o)＝max{k-distance(o)，d(p,o)}

同时定义样本点p的局部可达密度如下：

$>{\mathrm{lrd}}_k\left(p\right)=1/\left[\frac{\underset{o\in N\left(p\right)}{\Sigma }reach-{\mathrm{dist}}_k(p,o)}{\left|N_k\left(p\right)\right|}\right]$>

样本点p的局部可达密度是样本点p的基于k-距离最近邻的平均可达距离的倒数。

所述步骤(1)中，如果所有的可达距离都是0的话，局部可达密度是有可能为∞的，直接标记该样本点p为背景点。

所述步骤(1-3)中，局部背景因子为：

$>{\mathrm{LBF}}_k\left(p\right)=\frac{\underset{o\in N_k\left(p\right)}{\Sigma }\frac{{\mathrm{lrd}}_k\left(o\right)}{{\mathrm{lrd}}_k\left(p\right)}}{\left|N_k\left(p\right)\right|}$>

样本点p的局部背景因子是p的局部可达密度和p的k-距离最近邻各点的局部可达密度的比值，描述了样本点p为背景点的可能性。

所述步骤(1-3)中，样本点p的局部密度越小，且其k-距离最近邻的局部可达密度越大，样本点p的局部背景因子越大，表明p是背景的可能性越小。

所述步骤(3)中，判断方法为：将新像素值的局部背景因子与其k-距离最近邻各点的局部背景因子进行比较，若其小于其k-距离最近邻各点的局部背景因子的平均值，则判断为背景点。

所述步骤(4)中，在更新背景模型时，选取局部背景因子最大的样本点，即背景可能性最小的点，用新背景像素值将其替换，保证背景模型更新的收敛性。

本发明的有益效果为：

(1)本发明利用观察到的像素真实值来初始化背景模型，增加了背景模型的真实性，避免了被不存在的虚假值影响的可能性；

(2)通过定义局部背景因子这一背景建模领域的全新概念，从更加局部的角度来考虑背景建模过程，在判断及更新阶段，都只在k-距离最近邻域中进行，相当于为每一个像素点加入了一个动态阈值，使整个背景建模方法在处理动态背景模型时更高效准确。

附图说明

图1为本发明实现流程框图；

图2为动态背景样本点分布示意图；

图3为k值取值示意图；

图4为N值取值示意图；

图5a为Wallflower数据库中WavingTrees的一帧图像；

图5b为本发明用图5a做输入时得到的背景建模结果；

图6a为StatisticalModelingofComplexBackgroundsforForegroundObjectDetection使用的数据库中WaterSurface的一帧图像；

图6b为本发明用图6a做输入时得到的背景建模结果；

图7a面向室外视频监控的运动目标检测跟踪库中“行人岗亭”的一帧图像；

图7b为ViBe用图7a做输入时得到的背景建模结果；

图7c为本发明用图7a做输入时得到的背景建模结果。

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。

如图1所示，本发明的基于样本局部密度离群点检测的背景建模方法，包括以下步骤：

步骤1：利用前N帧已观察到的视频帧对背景模型进行初始化，这样每个像素点都初始化了一个样本集，计算样本集中的各样本点的局部背景因子。

步骤2：对于每一个新观察到的新像素值，计算它的局部背景因子。

步骤3：将新观察到的像素值的局部背景因子与其最近邻的各个样本点进行比较，确定其是否属于背景。

步骤4：若新像素值确定属于背景，则对背景模型进行更新。融入新的像素值，并将样本集中局部背景因子最大的样本点替换掉。若新像素值属于前景，则不进行背景更新。

步骤5：对于新观察到的一帧视频，重复上述步骤，更新背景模型。

在处理动态背景模型的时候，样本点常常如图2所示的这样分布，其中o₁和o₃都应该被识别为离群点，也就是前景点，而o₂，应该被识别为属于C₁簇的背景点，尽管C₁簇比较稀疏。但是如果使用基于距离的背景建模方法，只有o₁可以被顺利的识别为背景点，由于是基于全局的距离阈值，o₂很可能被误识别为前景点，而可能代表某个颜色与背景相似的前景点的o₃，则很可能被误识别为背景点，如果要用基于距离的背景建模方法正确识别出o₃为前景点，则可能必须要以误识别簇C₁中的若干点作为代价。本发明正好能有效地解决这种在处理动态背景模型中常见而棘手的问题。

为了要计算样本点的局部背景因子，本发明首先定义了样本点p的k-距离：

(1)在同一个样本集中，至少有k个样本o'∈C满足d(p,o')≤d(p,o)；

(2)在同一个样本集中，至多有k-1个样本点o'∈C满足d(p,o')<d(p,o)。

样本点p的k-距离邻域则可以表示为：

N_k(p)＝{q∈C{p}|d(p,q)≤k-distance(p)}

样本点p的k-距离邻域表示包含到p的距离不大于p的k-距离的所有样本点的区域。这些点都叫做样本点p的k-距离近邻点。

k的取值与正确识别百分比(PCC)的关系，如图3所示。由图可知，k＝3和k＝4时PCC最高，由于k越大所需的计算量越大，所以本发明中，k的取值为3。

在确定了k的取值后，初始化时背景模型中的样本点个数与正确识别百分比的关系，如图4所示。由图可知，N≧20时PCC都很高，由于与k一样，N越大所需的计算量越大，所以本发明中，N的取值为20。

为了减少计算局部密度时统计波动带来的影响，我们还定义了样本点p的可达距离：

reach-dist_k(p,o)＝max{k-distance(o)，d(p,o)}

由于我们是比较样本点的局部密度，所以我们定义样本点p的局部可达密度如下：

$>{\mathrm{lrd}}_k\left(p\right)=1/\left[\frac{\underset{o\in N\left(p\right)}{\Sigma }reach-{\mathrm{dist}}_k(p,o)}{\left|N_k\left(p\right)\right|}\right]$>

样本点p的局部可达密度是p的基于k-距离最近邻的平均可达距离的倒数。值得指出的是，如果所有的可达距离都是0的话，局部可达密度是有可能为∞的，如果这种情况发生的话，我们完全可以直接标记该样本点p为背景点。

最后，我们定义局部背景因子：

$>{\mathrm{LBF}}_k\left(p\right)=\frac{\underset{o\in N_k\left(p\right)}{\Sigma }\frac{{\mathrm{lrd}}_k\left(o\right)}{{\mathrm{lrd}}_k\left(p\right)}}{\left|N_k\left(p\right)\right|}$>

样本点p的局部背景因子是p的局部可达密度和p的k-距离最近邻各点的局部可达密度的比值，描述了p为背景点的可能性。样本点p的局部密度越小，且其k-距离最近邻的局部可达密度越大，样本点p的局部背景因子越大，表明p是背景的可能性越小。

将新像素值的局部背景因子与其k-距离最近邻各点的局部背景因子进行比较，若其小于其k-距离最近邻各点的局部背景因子的平均值，则判断为背景点。

由于我们已经计算了所有样本点的局部背景因子，因此在更新背景模型时，我们可以有目的地选取局部背景因子最大的样本点，也就是背景可能性最小的点，用新背景像素值将其替换，保证背景模型更新的收敛性。

图5a为Wallflower数据库中WavingTrees中的一帧图像，是一个实验对象走过摄像头前，其背景为一棵树枝被风吹动的大树。图5b为本发明用图5a做输入时得到的背景建模结果。可以看到，我们的检测结果并未受到背景中摇晃的树枝的影响，成功地检测出了前景对象。

图6a为StatisticalModelingofComplexBackgroundsforForegroundObjectDetection使用的数据库中WaterSurface的一帧图像，是一个实验对象站在泛起涟漪的水面边。图6b为本发明用图6a做输入时得到的背景建模结果。可以看到，我们的检测结果并未受到背景中泛起涟漪的水面的影响，成功地检测出了前景对象。

图7a为面向室外视频监控的运动目标检测跟踪库中“行人岗亭”的一帧图像，有一辆与地面颜色非常接近的银色轿车驶进画面。图7b为目前背景建模领域广受关注的ViBe算法用图7a做输入时得到的背景建模结果，ViBe是基于样本距离的背景建模方法。图7c是本发明用图7a做输入时的背景建模结果。可以看到，由于前景对象银色轿车的颜色与背景地面的颜色非常接近，导致ViBe在检测时将部分前景区域误检测为背景，造成前景区域的部分缺失，而本发明的实验结果并未受到太大的影响，依然能较完整的检测出前景目标。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。