扰动背景下贝叶斯分类建模方法的研究.docVIP

  扰动背景下贝叶斯分类建模方法的研究# 张荣华，陈勇** （电子科技大学能源科学与工程学院，成都 611713） 5 10 15 20 25 30 35 40 摘要：前景检测是智能交通系统的基本步骤，同时也是视觉理解进行的基础。智能交通系统 中常用的前景检测方法就是背景相减法。因此针对复杂的交通环境下背景的建立更是一个 重要的环节。本文针对扰动背景下的前景建模进行了研究,提出了一种基于贝叶斯分类的建 模方法,并通过实验验证贝叶斯分类模型有效的去除了背景中的扰动信息。 关键词：图像处理；贝叶斯分类模型；扰动背景；前景检测 中图分类号：TP391.41 Study on Bayesian Classification Model in Disturbance Background ZHANG Ronghua, CHEN Yong (School of Energy Science and Engineering,University of Electronic Science and Technology of China,Cheng Du 611713) Abstract: Foreground detection is the basic step in intelligent transportation system as well as the basis of visual understanding. In intelligent transportation, the commonly used technique of foreground detection is background subtraction. Therefore, the construction of background is the key step, especially for complex traffic environments. In this paper, the foreground modeling method at disturbance background is studied. A modeling method based on Bayesian classification is proposed. Experimental results illustrate that the proposed Bayesian classification model can effectively remove the disturbance information at the background. Key words: Image Procession; Bayesian Classification Model ； Disturbance Background； Foreground Detection 0 引言 随着经济的高速发展以及汽车数量的急剧增加，交通问题凸显，这使得智能交通的发展 显得更加重要。复杂环境下的高速公路车辆安全监控是当今智能交通的一大热点，但是由于 其环境的复杂（比如摇曳的树枝等），使得其一直成为一个难点。在近十年的研究过程中， 出现了众多方法。D. Comaniciu 学者提出 W4 方法[1]，该方法为背景建模而对每个像素保留 了三个值的方法，包括最大值（M），最小值（N）和最大帧间绝对差值（D）。虽然能够 很好的得到前景图像，但是对于动态背景效果还不是很理想。学者 Ying-Li Tian 提出了一种 针对动态背景的检测方法[2]，假设感兴趣物体在一定的时间之类是按照固定的方向移动，计 算像素点的运动方向，如果像素点是静止的或者是运动方向反复变化，则将其标定为背景像 素点，否则标定位前景像素，该方法的缺点是当运动目标不是直线或者近似直线运动时则不 能检测出运动物体。学者 Christof Ridder 提出了一种基于卡尔曼滤波的自适应背景建模方法 [3] 该方法能够较好的得到视频序列的背景，但是针对动态背景效果则不是很好，而且背景更新 因子的选取也是很关键的，当更新因子较大时，不能检测到运动速度较慢的物体，出现漏检； 基金项目：教育部博士点专项基金(200806141056);国家自然科学基金 作者简介：张荣华（1987-），男，硕士研究生，主要研发方向：图像处理、模式识别 通信联系人：陈勇（1977-），男，副教授，主要研究方向：模式识别，优化控制，智能交通. E-mail: ychencd@ -1-   当更新因子较小时，运动物体停止运动，则会将其继续作为前景物体进行跟踪出现误检。本 论文介绍的贝叶斯分类法，在某种程度上解决了上述方法存在