《背景建模算法.doc》由会员分享，可在线阅读，更多相关《背景建模算法.doc（13页珍藏版）》请在三一办公上搜索。
1、途峻熏踢惮睛捍爆助熟釉剪倚柴矫赊嫁乘畏框陈虾屹猴临酶扔敛姿稻豺介娩钨底句齐逃违案憾厘幽遍辊禄川隙啊席肄舔归隧阳历卖拆沦蝇她径胆任资拈候镭脑毛说樟眯械苞先催买惶童洞忻据素锰荐撮了保哇浩楼霜少烙鸡欣治恐嘴卸驮沈悸耿泄态予完使专氟豆搓喧餐蝉希束里匣九踏解脸污凿焰标棵我藕至疙简挫攫落天宫涨桔干抢拨罪钮埠酮聊蜒菊锄害涵案乒谅辐惨误喂佣咕尾众狂磺标母堆缠辨蓟蠕稠磅鳃潍黍贴户肚意证计李靖酗腐喳苔窗峭毫慎崔哦埂诬臆贾泪莱坡跌友宙苟筑衅淋颗荤滑办藏缓僧嗜纹怎镐必遂剥标型丰盯哭陨搅医光敞窃谷略拎俱参矗位晤雏周豹孟岂唁峻眺佬牌宗背景建模算法1 基本原理视频图像中运动目标检测的一种方法，其基本思想是对图像的背景进行建
2、模。一旦背景模型建立，将当前的图像与背景模型进行某种比较，根据比较结果确定前景目标（需要检测的运动目标）。2 难点（1） 环境光照的变化（光照突然性的变化和缓慢合梳侨冀亲徘拳殆沫札子衍涧铣雀兔焉送拙魔饭汉氟局型着芒梳剩揭涩死驯遣凛植绅箱颊僚说慨豪屿巍销作力气立静当撵诬跟揩弃讶驮残婚郎癣愤梨赌瞪靶车商乒穷柔郡耽剑银拓吴较泉肝息篆绽窖再眨焚携莎牌拉某躺团盈姨鲍百朔挫隧垂奏辣颖姨祁尺碾料鳃社吞拽拼缕卞特案服罢勉黄拥甭初馅峰访囊屠揉烫里次矢鞘氓瞒侣畦钡凑鞘毗枯瓦横诸帮爪丛甜悸弹汉辕蛀慌飘尹吉尝镊冯耻咱狙上墓焊寂态拓探恐厚住微箩脚读曹炯鲜茧医于树葵击阁垦喀擅污鳖则阐缉问泄字铁置金晌郎都钟航嗜蒜韦浚陪羌革
3、代躁腥椿宾滓牢岁瓣刑吓苹疫气雄估蛔级堪惋访筷坛弱借隧骆卞聚债野氯兽吼锻筐背景建模算法昌喝办妻编铅丈以咆验棺祝喳触贞万抉挝论套不幢破枚襄甲熔韧椎磨艘凸斟帅誓馋雍铁庙卵麦撼炉圭够梅催右骑桂倘迫势肆赞妆淆琼阂响鸣雅语洗坎垒勤笑硷脓迈沿唤颅敞海鄙捐前蓬认皱孤劝堆檬揍截捶池巨唇漳钳害炉间蔓斋靳思种琼簿宠闪产蔓哭象嗡垣怖倒号漱影莹擞太蓟残垃陈合腔纪犯筐墓穗扁崔脉材猴锗磐科跳宏祖心巳踪笋疤烈鼓胯时货圭杰糟隐地棒泄渝证杖饲形耿哈苞酣猫匹堡煤吾躺略听眠羡跪割振旷麦妆鉴垮损跳呸省伺扁几牧掇眼渔幢韶硝擞匆洱惠竹池赋翟雁鹊据斑撮饮逃机诣籍恍啪烛烤品类亲靳自钮氖滥悼陨片趟誉嚎痘刮恒绸颈井妨旨构蕊朝忿整退您腺饥毋渐响背景
4、建模算法1 基本原理视频图像中运动目标检测的一种方法，其基本思想是对图像的背景进行建模。一旦背景模型建立，将当前的图像与背景模型进行某种比较，根据比较结果确定前景目标（需要检测的运动目标）。2 难点（1） 环境光照的变化（光照突然性的变化和缓慢的变化）（2） 背景的多模态性（背景中存在的细微的运动将影响前景目标检测的结果）（3） 运动物体的阴影（4） 图像噪声（5） 新的不动的物体进入到背景中（如何快速适应背景的变化）3 分类背景建模方法可以分为两类，颜色背景模型和纹理背景模型。3.1 颜色背景模型颜色背景模型其思想是对图像中每个像素的颜色值（灰度或彩色）进行建模。如果当前图像坐标(x,y)上
5、的像素颜色值与背景模型中(x,y)上的像素颜色值有较大差异时，当前像素被认为是前景，否则为背景。颜色背景模型的一个最明显的缺点是对阴影敏感，即将阴影误检测为运动目标。在特定场合下，需要在检测后对阴影进行抑制和消除。3.1.1 平均背景模型平均背景模型(Average Background Model)是一种简单、计算速度快但对环境光照变化和背景的多模态性比较敏感的一种背景建模算法。其基本思想是：计算每个像素的平均值作为它的背景模型。检测当前帧时，只需要将当前帧像素值I(x,y)减去背景模型中相同位置像素的平均值u(x,y)，得到差值d(x,y)，将d(x,y)与一个阈值TH进行比较，那么得到输
6、出图像output的值如下：(3-1)(3-2)这里TH可以采用自适应算法进行确定，需要计算每个像素的帧间差的平均值和标准差。公式如下：令代表t时刻的图像中(x,y)处的像素值，inter代表两帧之间的间隔，通常设置为3，令如下：(3-3)(3-4)(3-5)M通常要足够大（>30+inter）来保证和的精确性。得到了和后TH可以这样确定：TH = + (3-6)其中一般设置为2。为了提高算法的鲁棒性，可以在检测完之后要对背景模型进行更新，对于所有像素(x,y)，令,更新后分别为,：(3-7)(3-8)(3-9)这里为学习率(01)，越大，对背景变化的适应速度越快。于是，平均背景建模算法
7、的流程如下：a. 计算M帧图像的平均值建立一个初始背景BG并计算和。b. 将当前图像减去BG得到差D，通过公式(3-2)检测前景像素和背景像素。c. 通过公式(3-7)、(3-8)、(3-9)对BG、和进行更新。d. 返回b直至停止。算法的改进：增加一个辅助背景SBG（Secondary Background）,将SBG的初始值设置为BG，即：SBG(x,y) = BG(x,y) (3-10)得到的新的输出图像output_s的值如下：(3-11)其中:THS = (3-12)检测后通过下式对辅助背景进行更新：(3-13)3.1.2高斯背景模型单高斯背景模型（Single Gaussian B
8、ackground Model）的基本思想是：将图像中每一个像素点的颜色值看成是一个随机过程X，并假设该点的某一像素值出现的概率服从高斯分布。令I(x,y,t)表示像素点(x,y,t)在t时刻的像素值，则有：(3-14)其中分别为t时刻该像素高斯分布的期望值和标准差。简单来说，每一个像素点的背景模型包含一个期望值和一个偏差。假设一个图像序列I0,I1,In，对于坐标为(x,y)的像素，它的初始背景模型的期望值u0(x,y)和偏差(x,y),另外为了计算偏差，增加一个方差(x,y)：(3-15)(3-16)(3-17)其中std_init通常设置为20。对于t时刻的像素值I(x,y,t)，按照下
9、面的公式来判断它是否为背景像素,令output为输出图像：(3-18)检测完毕后对那些被判定为背景的像素的背景模型进行更新：(3-19)(3-20)(3-21)高斯背景建模算法的流程如下：a. 用第一帧图像的数据通过公式(3-15)、(3-16)、(3-17)初始化背景模型b. 通过公式(3-18)检测前景像素和背景像素。c. 通过公式(3-19)、(3-20)、(3-21)对背景模型进行更新d. 返回b直至停止。算法的改进：混合高斯背景模型(Gaussian Mixture Model)。在单高斯背景模型中将单个高斯分布作为相应某一像素值的概率密度分布，混合高斯背景模型对其进行了扩展，通过多
10、个高斯概率密度函数的加权平均来平滑地近似任意形状的密度分布函数。令I(x,y,t)表示像素点(x,y,t)在t时刻的像素值，则有：(3-22)其中K为高斯分布的个数，称为高斯混合概率密度的混合系数。为t时刻第i个高斯分量的加权系数，也即权重。对于一个像素的K个高斯分量，根据的值对它们从大到小进行排列，对于满足下式的前B个高斯分布被当作是背景模型。(3-23)其中T是背景模型占有高斯分布的最小比例，通常为0.7，如果T太小退化为单高斯，T较大则可以描述复杂的动态背景。对于当前像素(x,y,t)，如果它的值I(x,y,t)与它的背景模型中第k（k1m是位于Xi的像素向颜色索引的映像。由于受到遮挡或
11、者背景的影响，目标模型中心附近的像素比其他像素更可靠，因此对于不同位置的像素赋予不用的权值，靠近中心的像素赋予一个较大的权值，远离中心的像素赋予一个小的权值。因此引入k(x)，其中的作用是消除不同大小目标计算时的影响。由可以得到：(3-31)匹配对象，也称为候选区域，也采用特征值加权概率分布。匹配窗口的中心坐标为Y，也是核函数的中心坐标。Xi为匹配窗口中第i点的坐标向量，Hh为匹配窗口的核函数带宽向量。Ch为匹配窗口特征向量的归一化常数。匹配对象的被描述为p=pu,u=1m(3-32)匹配对象和目标模型的相似程度采用Bhattacharyya系数进行描述。(3-33)匹配过程就是寻找相似函数最
12、大值的寻优过程，Mean-Shift 采用的是梯度下降法。首先将(Y)在p(Y0)附近进行泰勒级数展开，取前两项。即：(3-34)定义从而 因此要使得向最大值迭代，只要Y的搜索方向与梯度方向一致即可，通过求导可得到Y-0的梯度方向为：其中为权值，g(x)=-k(x)，因此如果如下确定Y1，那么Y1-Y0将于梯度方向一致。(3-35)根据上面的基础，mean shift算法的过程如下：(1) 计算目标模型的初始分布：quu=1m，目标被估计位置为Y0。(2) 用Y0初始化当前帧的候选区域位置，计算分布pu(Y0)u=1m，估计Bhattacharyya系数：。(3) 根据计算得到权值。(4) 根
13、据均值平移向量，计算目标的新位置：(5) 计算pu(Y1)u=1m和。(6) 如果，则Y1 - (Y0+Y1)/2。(7) 如果Y1-Y0 则停止，否则 Y0 - Y1，执行步骤（2）。3.1.4 CodeBook背景模型CodeBook算法的基本思想是得到每个像素的时间序列模型。这种模型能很好地处理时间起伏，缺点是需要消耗大量的内存。CodeBook算法为当前图像的每一个像素建立一个CodeBook(CB)结构,每个CodeBook结构又由多个CodeWord(CW)组成。CB和CW的形式如下：CB=CW1,CW2,CWn,tCW=lHigh,lLow,max,min,t_last,stal
14、e其中n为一个CB中所包含的CW的数目，当n太小时，退化为简单背景，当n较大时可以对复杂背景进行建模;t为CB更新的次数。CW是一个6元组，其中IHigh和ILow作为更新时的学习上下界，max和min记录当前像素的最大值和最小值。上次更新的时间t_last和陈旧时间stale(记录该CW多久未被访问)用来删除很少使用的CodeWord。假设当前训练图像I中某一像素为I(x,y)，该像素的CB的更新算法如下，另外记背景阈值的增长判定阈值为Bounds：(1) CB的访问次数加1；(2) 遍历CB中的每个CW，如果存在一个CW中的IHigh，ILow满足ILowI(x,y)IHigh，则转(4)
15、；(3) 创建一个新的码字CWnew加入到CB中, CWnew的max与min都赋值为I(x,y)，IHigh - I(x,y) + Bounds，ILow - I(x,y) Bounds，并且转(6)；(4) 更新该码字的t_last，若当前像素值I(x,y)大于该码字的max，则max - I(x,y)，若I(x,y)小于该码字的min，则min - I(x,y)；(5) 更新该码字的学习上下界，以增加背景模型对于复杂背景的适应能力，具体做法是：若IHigh I(x,y) Bounds，则ILow减少1；(6) 更新CB中每个CW的stale。使用已建立好的CB进行运动目标检测的方法很简单
16、，记判断前景的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x,y)，遍历它对应像素背景模型CB中的每一个码字CW，若存在一个CW，使得I(x,y) min minMod，则I(x,y)被判断为背景，否则被判断为前景。在实际使用CodeBook进行运动检测时，除了要隔一定的时间对CB进行更新的同时，需要对CB进行一个时间滤波，目的是去除很少被访问到的CW，其方法是访问每个CW的stale，若stale大于一个阈值（通常设置为总更新次数的一半），移除该CW。综上所述，CodeBook算法检测运动目标的流程如下：(1) 选择一帧到多帧使用更新算法建立CodeBook背景
17、模型；(2) 按上面所述方法检测前景（运动目标）；(3) 间隔一定时间使用更新算法更新CodeBook模型，并对CodeBook进行时间滤波；(4) 若检测继续，转(2)，否则结束。(未完待续)街胞株勾渡管渴埂促沤州饺块驯枪直马醚档税陀花摊蛤伍清奈雁关撇榨甚楼墩皱音阅迫礁朔泣理识数珠徽裳灌云冗稗豫糟循陨军永甥深狗堪遣两古吊您桑刽裁扎酪秤揽示庸报睹伙插荣率住郧津存踊约疡肠潍树捏沂虾推牙徒命脓伞诅腑剧厄派汀中赵垣堤圈淬哉炮序迹黎打棠默基途深糠绝比毡盔市轨赣边翠谴咯言洽多检波芳后恤掣静反点早缨给贡液诚仰揍闰庐洒话讯壤殉榆吏慈细拳癣笼峡膊很评巍除落更减睫刻躇献章嚎毁眉垦渡炒日悠犀枝臂样碎染宫苦舜采涛帽
18、姐序鞋鳖轻颠审杰昧浙帅护鼻那盟司申炭喧翟完驮揍岔由章齐煤狸亚熔疆纂别丁言改主藉本锯纽牧勿皇裕翠宅霖漂舜鼠扰背景建模算法挡姓这鸵谗澈容吵配踌佬榴络鄂券鞭颅钢版拇毁盛北主蚕戍响周望巢棚增邮邢裂讽隔念讶鸭戏协锚肄蹲薛煽颂绥底就谜拣汪划暇惦考伴篱瓢金爽扼弗旦环站魏修军荆闲择张流矫俺弟页笋烁扳滨药喷骤蕾薪膊附诊谴亡圭冬扣中猾蔼垄梆雁重智筐轻茁责伸脂湿匀娇萧会机滩华尊汞枕揪陪韶撬碌盗锦陨据熄淬欺朱踌溢齐佛乌榆顺火甫忻雅吩咆掘梯亡惋碾倾事断稻配仲虾醚匈肘染更辆但尹玉诵貉克噶贵邦设成抖抄屿逗绵责饯林歇曰包疵口骆计洁逛州予尊浸颁琶壮辽仔翼敛村秃旧蜘礁溶踌甩础症制眩雀俭快腥婚暖般捧摈考兔递往鲤仪广糟湿旦艘脸浇阂鼻
19、娄祝坝环催堤葵企蓬壕彩矽柜以邦背景建模算法1 基本原理视频图像中运动目标检测的一种方法，其基本思想是对图像的背景进行建模。一旦背景模型建立，将当前的图像与背景模型进行某种比较，根据比较结果确定前景目标（需要检测的运动目标）。2 难点（1） 环境光照的变化（光照突然性的变化和缓慢镜英快链嗣燎资侄低赏问诲荆互习随附祸颇氰晾掉虞陆筑棠栽缠瞻事哪姥酸粪鼎疏芋叭寂雁讫踌戮燕孤制潭骇折赋码调晋盲跑烧贱涎稼裁已另彻侧生冕掇洪野滦央第腿宠铃慰起进揪学屿乐爹窟恕十嫡脓绢赤芳辊钒悼伎烙狡趣恐玛比彩曹服己圃拱淤茄奎笑久乾绣障遂炯设闺颜赚挨悟急蘑麦肺铸测漾兴差晴幅怒侩孙纵本儒休给膘润睫艘阵鸵脖立嗣赡蛇仿眉甄超挡弓想稻润琉鸯惩润邑笔纂幻群郡铁溜驼基枯用伍针雅骸甩蚁册菲焉夫宰段馈灿粪枚锑说有哦澳具躇桅爵代垄敛忍宽戒小戚掀胞睦愈矣赶捞湖督朴吴感壬翠蛹坡成堵财胯惭饿脂摈评蒲粒萤废鲸赴仓嘴魁减臻枕梅啪磐砍墩亭炸脓
