基于贝叶斯分类模型和局部相关性的目标检测-Read.PDFVIP

视频图像中人体目标的检测方法研究 4基于贝叶斯分类模型和局部相关性的目标检测 41算法概述 像素级前景分割方法大都基于像素的独立假设进行建模和分割(例如:M关5 [10][57][65][67〕和HMMs[63〕)，没有充分考虑邻域块内的局部相关性，这种假 设往往导致前景物体的不完整。文献川通过每02帧对每个像素点建立灰度直方 图来进行背景模型的初始化及更新，由于该前景分割方法基于当前像素与背景模 型的灰度差分，会造成背景模型不连续和前景虚伪。文献 1【0]5〔7〕6〔536【7]假设 各像素间是相互独立的，利用混合高斯模型对多峰值背景建模，虽能适应缓慢变 化的背景，但不能克服光照突变。上一章利用像素帧间梯度的相关性，结合Bayes 判据使分割的前景人体目标不再有误判的大片背景。文献6〔3〕基于像素间彼此独 立的假设，用隐形马尔科夫对像素建模，通过其加权嫡提取运动前景。文献6〔4] 对背景建立ARMA模型，进而利用卡尔曼滤波器估计动态目标。文献 1【1〕逐像素 统计其颜色、空间和帧间信息，建立特征向量表，然后利用贝叶斯定理判定各像 素点是背景或前景。然而，其分割出的前景目标中存在很多空洞，特别是运动目 标过大或者速度过慢时，例如一个身着黑色衣服的人停在某位置上静止不动，代 表黑色的颜色向量被不断匹配而权重增大，在后续帧中该位置处的像素将被误判 为背景。 视频图像中人体 目标的检测方法研究 本章提出了一种新的运动目标分割算法克服了基于像素的独立假设这一缺 点。首先.利用彩色的、空间的和帧间的特征向量结合贝叶斯判别定理对视频图 图4.1算法流程图 像进行粗分割，得到一个前景目标的二值图，由于该类方法基于像素间彼此独立 的假设，导致分割出的前景目标不完整存在很多空洞。然后，基于前景目标局部 邻域空间的一致性假设，计算该邻域内像素间的互相关系数;同时，基于帧间背 景的连续性和前景的不连续性，计算帧间像素的互相关系数.最后，依据像素的 两种互相关系数在该邻域内进行二次判决，以填补粗分割中前景目标内部的空 洞。实验表明在视频监控人体目标检测中该分割算法具有较强的鲁棒性，并能获 得更完整准确的前景目标。该算法的流程图如图4.1所示。 其中，粗分割算法主要包括四部分:变化检测，变化分类，前景目标分割和 背景维护。首先，通过帧间差分和背景差分判别出大量未发生变化的(静止)背 景像素点，可大大减少后续算法的计算量;并根据帧间差分把检测到发生变化的 视频图像中人体目标的检测方法研究 像素点分为动态点和静态点。其次，对背景主要特征进行统计，并利用贝叶斯判 决理论将这些动态点和静态点进一步划分为背景点和前景点.其中，对静态点应 用的是颜色特征向量表和梯度特征向量表的贝叶斯判决理论，动态点应用的是颜 色帧间特征向量表。最后，结合对动态点和静态点的分类结果得到前景目标的二 值图，并对三个特征向量表和参考背景进行统计更新。二次分割步骤中首先扫描 粗分割得到的前景目标的二值图，计算其中前景点邻域内像素间的互相关系数和 帧间像素梯度的互相关系数，然后依据互相关系的闭值判断进行二次分割，填补 粗分割中前景目标内部的空洞，以得到更完整准确的前景目标. 本章内容组织如下，首先介绍了基于贝叶斯分类模型的前景目标的粗分割， 详细阐述了贝叶斯判决定理、表征背景的统计特征向量以及粗分割算法的分割过 程;其次，阐述了局部纹理相关性和帧间连续性的测量方法，以及基于这两种侧 量的二次判决算法;最后是仿真实验结果比较和算法评价。 3.2贝叶斯分类模型 3.2.1贝叶斯统计判决定理 目前在人工智能领域，贝叶斯判决定理提供了一种概率手段，即假设待考查 的变量遵循某概率分布，根据这些概率及已观察到的数据进行推理，以做出最优 的决策B6]1。贝叶斯分类方法是一种具有最小错误率的概率分类法，可以用精确数 学公式表示出来，并且还可以用多种概率理论来解决，所以有很多源于贝叶斯 理论的分类方法被成功应用了。贝叶斯分类模型是一种典型的基于统计方法的分 类模型。 对于任意前景人体区域和背景中的物体，前景和背景的分类都能用贝叶斯判 决理论来实现。设，=x，(y)表示图像序列的一个像素点，1s，()t表示t时刻的输入 图像，v表示t时刻该像素点处的一个n维特征向量。那么根据贝叶斯判决理论， 像素点5处特征向量属于背景的后验概率可表示如下