复杂环境下前景目标检测.docVIP

视频中复杂环境下前景目标检测 Irene Y.H. Gu Qi Tian 通信研究院 信号与系统学院 通信研究院 摘要： 本文提出了一个新颖的方法用以检测和分割一个视频的前景目标，该视频既包含固定和移动背景目标，而且还经历经过循序渐进和突如其来的“一次性”的变化。制定了一个贝叶斯决策规则从选定的特征向量中为前景和背景分类。根据这一规则，通过选择一个适当的特征向量，不同种类的背景目标从前景目标中分离出来。静止的背景对象用颜色特征来表述，运动的背景对象则用颜色公升功能来描述。 前景对象的提取是通过融合静止和运动像素的分类结果。循序渐进和突如其来的一次性的背景变化的学习策略，是为了适应视频中背景的各种的改变而提出来的。学习过程的收敛性得到证明，也得出一个公式来选择合适的学习速度。在许多复杂的背景中提取前景目标的实验已经的到满意的效果，其中复杂的背景包括摇摆的树枝、闪烁的屏幕、水面、移动的自动扶梯、开门和关门，开灯关灯和移动物体的阴影等。 分类和主题描述 1.4 图像处理和计算机视觉：分割—像素分类 概述 算法 关键字 视频处理、背景建模、前景分割、视频监控、贝叶斯模型、颜色同现（共生） 引言 对一个视频流进行前景目标的检测和分割是视频处理、理解和基于对象的视频编码（例如：MPEG4）的基本任务之一，从图像序列中提取前景背景的一个常用方法是通过背景抑制或背景减法和它的变体[3,11,12].当从固定式摄影机获取视频时，这些技术已经被广泛的用于实时视频处理中。然而，这项任务就变得很困难当背景中包含阴影和移动对象时，例如：摇摆的树枝、移动的自动扶梯和经历不同的变化，如光照变化和移动对象。 已经提出许多方法用于从视频序列中的实时前景目标检测。然而这些方法中的大多数都是在假设的前提下提出来的，这其中假设背景中是由颜色或者强度随着时间推移改变的静止对象组成的。最简单的方法是通过实时视频用一个无限脉冲响应(IIR)或者一个卡尔曼滤波器[5,6]平滑背景像素的颜色。一个更好的方法来容忍视频中的背景变化是采用一个高斯函数--描述属于一个稳定的背景目标中的每个像素的颜色分布，高斯模型的参数递归更新，以跟踪视频中的逐渐变化的背景。 最近，适用于各种背景情况下的其他几种方法已经被提出。其中，混合高斯模型[ 11，9 ]被认为是一种有前途的方法。在混合高斯模型中，来自一个背景目标的像素的颜色由多个高斯分布描述。良好的前景目标检测结果通过将MOG应用到室外场景得到报道，拥有两个以上高斯函数的MOG 可以降低前景目标检测[1,2]的性能。[3]中的背景变化模型是一个广义的高斯模型。在[12]中，Toyama等人采用线性威纳滤波器学习和预测视频中每一个背景像素中的颜色变化，线性预测值可以模拟固定和移动的背景目标。这种方法的缺点是很难模拟非周期性的背景变化。这些方法可以用于含各种背景变化的实时视频，然后，他们仍然很难处理运动背景目标的一系列变化，例如：移动的背景对象和不同的阴影。 从运动的背景目标中分离前景目标的另一种方法是早短时间内利用光流的一致性[13,4]。据报道，这些方法可以检测包含非平稳植被的户外场景的前景目标。这种技术的难点是在较少纹理特征的区域和图像边界的不连续处[13]计算光流场是一个不适定问题。在我们以前的研究[7]中，一种方法已经被提出，它采用颜色共生描述运动的背景。初步研究结果表明，与采用之前的方法相比，特征能够更有效的模拟背景中的动态部分。然而，他不能从视频中突如其来的一次性环境变化中恢复背景。因此，一个通用背景模型,可以把不同的功能结合起来以满足复杂的环境需求。 在本文中，我们提出了一种新颖的方法，在贝叶斯决策规则的框架下，从一个复杂的实时视频中提取前景目标。阐述了从一班特征向量中为前景和背景分类的贝叶斯决策规则。同时，建立一个有效的学习和维护不同的特征向量的统计信息的数据结构。在此基础上，两种特征类型被用于模拟包含固定和移动物体的复杂背景。统计数据中最重要的颜色用来描述背景中的静止部分，与最重要的颜色共生的颜色描述背景中的移动目标。前景目标是通过融合对静止点和运动点的检测结果提取的.与此同时，提出了用于循序渐进和一次性背景变化的学习策略。与我们之前在[7]中的研究相比，介绍了几种新的扩展。首先，贝叶斯决策规则已经扩展到一般特征.在此框架下，可以集成多个特性对背景和前景分类。因此，该方法不仅可以模拟运动的背景对象，还可以应对突然地“一次性”变化和固定背景下的多种状态。其次，给出了学习过程收敛性的数学证明。最后，记录了复杂情况下的广泛的实验和一些定量评估的报告。测试了许多包含复杂背景目标的视频，而就我们的知识而言，在这项工作之前,现有方法还不能在这样复杂的情况下完成测试。 论