一种检测视频中摇动背景的方法
一种检测视频中摇动背景的方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，具体涉及一种检测视频中摇动背景的方法。
【背景技术】
[0002] 视频中的运动目标检测是智能视频分析的基础，是计算机视觉领域中重要问题之 一，其目的是从视频序列图像中将感兴趣的运动对象从背景图像中提取出来。运动检测广 泛应用于计算机视觉、模式识别、目标识别与跟踪、运动图像编码、安全监控等领域。然而， 由于背景图像的动态变化，如天气、光照、影子、摇动背景等的影响，使运动目标检测成为一 项相当困难的工作。本发明中，摇动背景是指背景中有规律地摇动的部分，包括摆动的树 叶、摇曳的水波、漂动的旗子和彩带等等，这些背景在视频中也在运动，因此已有的目标检 测算法常常错误地将其判定为前景，影响了检测效果。
[0003] 目前已有的运动目标检测方法按算法的基本原理可以分为三类：帧间差分法，背 景相减法和光流法。背景相减法是其中一种被普遍采用的方法，这种方法采用图像序列的 当前帧和背景参考模型比较来检测运动物体。这类方法速度快，准确性好，易于实现，很多 研究人员都在背景建模方面进行了较为广泛的研究。其中码本模型方法是有代表性的常用 方法，能较有效地适应光照的局部变化和全局变化，然而实际检测效果显示，虽然该方法可 以较好地检测出静态背景，但不能很好地去除摇动背景，为此，本发明提出一种检测摇动背 景的方法。
【发明内容】
[0004] 为了克服现有技术存在的缺点与不足，本发明提供一种检测视频中摇动背景的方 法。
[0005] 本发明采用如下技术方案：
[0006] -种检测视频中摇动背景的方法，包括如下步骤：
[0007] S1获得待检测视频序列；
[0008] S2计算视频序列每帧图像中每个像素的局部更新计数；
[0009] S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图 像的摇动测度矩阵；
[0010] S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1; [0011] S5将S冲所有像素点标记为摇动背景。
[0012] 所述S2计算视频序列每帧图像中每个像素的局部更新计数，具体为：
[0013] 在码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素都有多个码字， 令λ(")表示像素(x，y)的所有码字中的最长未匹配间隔的最小值，同理，人[ 8-"(""表示像素 点(x，y)的八邻域像素点的最长未匹配间隔，其中8-n(x、y)表示的是像素(x， y)的8个邻域 占.
[0014] 定义每个像素点(x，y)的局部更新计数为根据周围八个像素点与中心像素点的最
[0015] 近更新时间进行比较并累加，从而得到该像素点在某一时刻的局部更新计数值，公式如下：
.0.
[0016] 所述S3中摇动测度用来描述各个像素点的摇动程度，具体过程如下：
[0017] S3.1记训练样本图像的分辨率为HXW，初始化大小HXW的矩阵，T(Q)，S( Q)为初始化 矩阵的零矩阵；
[0018] 53.2通过切寸刻和卜1时刻的1^(：值，计算当前时刻〖图像帧的矩阵1'?，定义为
[0019] T(t)= |LUC(t)-LUC(t-i)| ；
[0020] 53.3给定时间阈值九，若像素点（1，7)，1^^，1&<_^ (")值大于阈值九，表 示该像素点在?Ι时间段内没有更新，则对T(t)的每个元素拉^进行更新得到新的矩阵T W:
[0021]
[0022] 其中：为矩阵T(t)的元素。
[0023] S3.4使用下式累加矩阵T(t)的值，得到矩阵SW，称之为摇动测度；
[0024] S ⑴= ⑴。
[0025]所述 Tl 的范围（15,30)。
[0026] 本发明的有益效果：
[0027] (1)提出局部更新计数的概念，利用像素与周围邻域的像素最近更新时间的比较 和统计，可以反映出像素颜色属性的局部更新情况，有助于进一步分类和统计像素的更新 特性；
[0028] (2)提出摇动测度的概念，通过对局部更新计数的进一步处理，得到定量判别每个 像素的是运动的前景、静态背景，还是摇动的如树叶、彩带、水波等背景，得到了明确地判定 像素类别的方法；
[0029] (3)通过对像素的分类判别，可以对场景进行更好的理解，有助于其他需要场景理 解的更高层次的应用；
[0030] (4)通过识别摇动的背景，可以消除摇动背景对运动前景提取的影响，提高视频中 运动前景算法的准确度。
【附图说明】
[0031 ]图1是本发明的方法流程图；
[0032] 图2是本发明树叶摇动测度结果比较图。
[0033] 图3是树叶彩带测度结果比较图。
【具体实施方式】
[0034] 下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不 限于此。
[0035] 实施例
[0036]本发明对视频序列中物体的摇动程度进行定量描述，提出一种有针对性地识别和 提取摇动背景的方法。首先提出局部更新计数和摇动测度的概念，之后根据像素点历史帧 的局部更新计数进行求和，利用该求得的总和在建模过程中计算摇动测度，然后通过聚类 把运动前景、静态背景以及摇动背景分开。本文提出的方法不仅可以提高前景检测的准确 率，也可用于有关视频场景理解的研究与应用。
[0037]如图1所示，一种检测视频中摇动背景的方法，包括如下步骤：
[0038] S1获得待检测视频序列；
[0039] S2计算视频序列每帧图像中每个像素的局部更新计数；
[0040]为了描述某个像素点在某一时刻的更新特征，本发明提出了局部更新计数(LUC-Local Update Count)概念。为研究某一个像素点的更新特征，根据周围八个像素点与中心 像素点的最近更新时间进行比较并累加，从而得到该点的局部更新计数值，方法如下。
[0041] 现有技术中提出的码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素 都有多个码字，在码本模型中，令λ(")表示像素(x，y)的所有码字中最小的最长未匹配间隔 (MNRL)A( x,y)越小，说明像素最近被匹配过，也意味着最近更新过。同理，λ[8- η(χ,γ)]表示像素 点(x，y)的八邻域像素点的最长未匹配间隔。定义
[0042]
[0043]则LUC即局部更新计数的公式为。
[0044]
[0045] 也就是说，对像素点（x，y)来说，周围的8个点的最小的最长未匹配间隔比中心点 (x，y)的小，则U直为1，否则为零，而(x，y)点的局部更新计数LUC( x,y)即为8个领域点U直之 和。通过上述两个公式可以定量描述某一像素点的更新特征，邻域中比中心位置最近更新 的像素点数越多，LUC就会越大，反之LUC就会越小，趋近于0。
[0046] 表1中1、2、3、4、5、6、7、8为像素(x，y)八邻域中各像素的编号，表2为八邻域像素点 的各像素点的最长未匹配时间间隔A(MNRL)，表1中取中心点的八邻域像素点进行比较，根 据它们的λ值计算更新特征。如果邻域点的λ比中心点小，代表邻域比中心新，则设置该邻域 像素值为1，反之则置为〇。全部比较之后得到右图。最终将右图中邻域值累加求总和，就 得 到了中心像素点的LUC特征值。
[0047]
[0048] S3根据每个像素的局部更新计数，计算每个像素的摇动测度，得到每帧的摇动测 度矩阵；
[0049 ]记训练样本图像的分辨率为Η X W，本发明提出摇动测度的概念，它能定量描述各 像素点的摇动程度。其计算过如下所述：
[0050] (1)初始化大小为HX W的矩阵T(Q)，S(Q)为初始化矩阵的零矩阵。
[0051] (2)通过t时刻和t-Ι时刻的LUC值，计算当前时刻t图像帧的矩阵TW，定义为
[0052] T(t)= |LUC(t)-LUC(t-i)
[0053] (3)给定阈值TL，若像素点（X，y)(l<x^H，l<y^W)的λ( χ, y)值大于阈值TL，表示该 像素点在?1时间段内没有更新。则对TW的每个元素C (1进行更新：
[0054]
[0055]得到新的矩阵T(t)，这里的TL的取值范围为（15,30)。使用下式累加矩阵的值，得到 矩阵S(t)，称之为摇动测度。
[0056] S(t) = S(t-i)+T(t)〇
[0057] 所述累加S⑴= S(0)+T(1)，然后S⑵=S⑴+T(2)……
[0058] T(t)这个值，当t大于0时，每次都通过53.2中的公式来计算，而5(〇)定义为0。
[0059] 对于有运动的人、静态背景、摇动的树叶的视频为例，对于静态背景点，因其中心 点Μ直皆为〇，求出LUC值为0，从而摇动测度矩阵S值为0;而对于晃动的树叶，其λ值一般比较 小，T (t)矩阵不会被清零。当树叶像素被检测为前景，其周围的像素点大多背时测为前景，其 周围的像素点大多背时（背景的λ值皆为〇)，LUC值求出较大。而由于摇动，下一时刻该像素 点又可能被检测为背景，求出的下一时刻该像素点又可能被检测为背景，则求出的LUC值为 0,求出的矩阵T则比较大。积累一段时间之后，摇动背景的矩阵S会明显增大;而对于人出现 在的区域，其邻域像素λ值大小接近，并且λ值大部分大于T L，T(t)被置为0,所以人的摇动测 度相比摇动树叶来说较小。结果如图2所示。另一个彩带的例子如图3所示。可以看出，本发 明提出的摇动测度确能准确反应背景的摇动情况。
[0060] 如图2所示，随着码本算法的训练的进行，在150帧左右即可通过摇动测度的计算 分出静态背景、轻微摇动的树叶、剧烈摇动的树叶和前景(人）。
[0061] 如图3所示，在120帧左右即可通过摇动测度的计算分出静态背景、轻微漂动的彩 带、剧烈漂动的彩带和前景(人）。
[0062] S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1;
[0063] 在本发明中，码本模型训练结束之后会对像素的摇动测度矩阵S(t)做聚类以此提 高检测过程中的效率。本发明采用K-means聚类，为了排除K-means方法的随机性，考虑现实 中场景中摇动因素总是占图像比例较少的部分，我们将矩阵S⑴的元素聚为2类，取较少元 素的像素所在的一类记为Si。
[0064] 55将&中所有像素点标记为摇动背景。
[0065] 遍历矩阵&中所有像素点，提取所有&中的像素点并标记为摇动背景。
[0066] 具体流程如下：
[0067] (1)读入视频帧11；，帧数1:加1;
[0068] (2)计算当前帧的LUCt矩阵和摇晃测度S矩阵；
[0069] (3)若帧数 t%Tk= =0;
[0070] (3.1)根据S(t)矩阵的值对像素进行Kmeans聚类，此处的聚类数目取值为2,即分出 来为摇动的背景和非摇动的背景；
[0071] (3.2)聚类完成之后像素分为两类，一类为摇晃的背景，另一类为静止背景和运动 的前景；
[0072] (3.3)得到去除背景的前景图像，并将S矩阵重置为零矩阵；
[0073] (4)否则（SPt%Tk! = 0)，则进入到下一个检测环节。
[0074] -般考虑到背景会动态变化，所以除了训练阶段结束之后会执行聚类，在检测过 程中每隔帧也会执行一次。因聚类算法的时间消耗比较大，为满足检测算法的实时性，T k的 取值一般根据帧率，取6-8秒的帧数。
[0075] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1. 一种检测视频中摇动背景的方法，其特征在于，包括如下步骤： Sl获得待检测视频序列； S2计算视频序列每帧图像中每个像素的局部更新计数； S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图像的 摇动测度矩阵； S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1; S5将&中所有像素点标记为摇动背景。2. 根据权利要求1所述的方法，其特征在于，所述S2计算视频序列每帧图像中每个像素 的局部更新计数，具体为： 在码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素都有多个码字，令 A(x,y)表示像素(x，y)的所有码字中的最长未匹配间隔的最小值，同理，λ[8- η(χ,γ)]表示像素点 (x，y)的八邻域像素点的最长未匹配间隔，其中8-n(x、 y)表示的是像素(x，y)的8个邻域点； 定义每个像素点（x，y)的局部更新计数为根据周围八个像素点与中心像素点的最近更 新时间进行比较并累加，从而得到该像素点在某一时刻的局部更新计数值，公式如下：3. 根据权利要求1所述的方法，其特征在于，所述S3中摇动测度用来描述各个像素点的 摇动程度，具体过程如下： S3.1记训练样本图像的分辨率为HXW，初始化大小HXW的矩阵，Tw，S(〇)为初始化矩 阵的零矩阵； S3.2通过t时刻和t-Ι时刻的LUC值，计算当前时刻t图像帧的矩阵T(t)，定义为 T(t)= |LUC(t)-LUC(t-i)| ； 33.3给定时间阈值11，若像素点(^7)，1^<!1，1&1的1(^值大于阈值!1，表示该 像素点在T1时间段内没有更新，则对T(t)的每个元素进行更新得到新的矩阵T(t):其中结^为矩阵T(t)的元素； S3.4使用下式累加矩阵T(t)的值，得到矩阵SW，称之为摇动测度； S(t) = S(t-i)+T(t)〇4. 根据权利要求3所述的方法，其特征在于，所述的范围（15，30)。
【专利摘要】本发明公开了一种检测视频中摇动背景的方法，包括如下步骤：S1获得待检测视频序列；S2计算视频序列每帧图像中每个像素的局部更新计数；S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图像的摇动测度矩阵；S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1；S5将S1中所有像素点标记为摇动背景。本发明通过识别摇动的背景，可以消除摇动背景对运动前景提取的影响，提高视频中运动前景算法的准确度。
【IPC分类】G06T7/20
【公开号】CN105488814
【申请号】CN201510836815
【发明人】张见威, 丛子涵
【申请人】华南理工大学
【公开日】2016年4月13日
【申请日】2015年11月25日
【技术领域】
[0001] 本发明涉及计算机视觉领域，具体涉及一种检测视频中摇动背景的方法。
【背景技术】
[0002] 视频中的运动目标检测是智能视频分析的基础，是计算机视觉领域中重要问题之 一，其目的是从视频序列图像中将感兴趣的运动对象从背景图像中提取出来。运动检测广 泛应用于计算机视觉、模式识别、目标识别与跟踪、运动图像编码、安全监控等领域。然而， 由于背景图像的动态变化，如天气、光照、影子、摇动背景等的影响，使运动目标检测成为一 项相当困难的工作。本发明中，摇动背景是指背景中有规律地摇动的部分，包括摆动的树 叶、摇曳的水波、漂动的旗子和彩带等等，这些背景在视频中也在运动，因此已有的目标检 测算法常常错误地将其判定为前景，影响了检测效果。
[0003] 目前已有的运动目标检测方法按算法的基本原理可以分为三类：帧间差分法，背 景相减法和光流法。背景相减法是其中一种被普遍采用的方法，这种方法采用图像序列的 当前帧和背景参考模型比较来检测运动物体。这类方法速度快，准确性好，易于实现，很多 研究人员都在背景建模方面进行了较为广泛的研究。其中码本模型方法是有代表性的常用 方法，能较有效地适应光照的局部变化和全局变化，然而实际检测效果显示，虽然该方法可 以较好地检测出静态背景，但不能很好地去除摇动背景，为此，本发明提出一种检测摇动背 景的方法。
【发明内容】
[0004] 为了克服现有技术存在的缺点与不足，本发明提供一种检测视频中摇动背景的方 法。
[0005] 本发明采用如下技术方案：
[0006] -种检测视频中摇动背景的方法，包括如下步骤：
[0007] S1获得待检测视频序列；
[0008] S2计算视频序列每帧图像中每个像素的局部更新计数；
[0009] S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图 像的摇动测度矩阵；
[0010] S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1; [0011] S5将S冲所有像素点标记为摇动背景。
[0012] 所述S2计算视频序列每帧图像中每个像素的局部更新计数，具体为：
[0013] 在码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素都有多个码字， 令λ(")表示像素(x，y)的所有码字中的最长未匹配间隔的最小值，同理，人[ 8-"(""表示像素 点(x，y)的八邻域像素点的最长未匹配间隔，其中8-n(x、y)表示的是像素(x， y)的8个邻域 占.
[0014] 定义每个像素点(x，y)的局部更新计数为根据周围八个像素点与中心像素点的最
[0015] 近更新时间进行比较并累加，从而得到该像素点在某一时刻的局部更新计数值，公式如下：
.0.
[0016] 所述S3中摇动测度用来描述各个像素点的摇动程度，具体过程如下：
[0017] S3.1记训练样本图像的分辨率为HXW，初始化大小HXW的矩阵，T(Q)，S( Q)为初始化 矩阵的零矩阵；
[0018] 53.2通过切寸刻和卜1时刻的1^(：值，计算当前时刻〖图像帧的矩阵1'?，定义为
[0019] T(t)= |LUC(t)-LUC(t-i)| ；
[0020] 53.3给定时间阈值九，若像素点（1，7)，1^^，1&<_^ (")值大于阈值九，表 示该像素点在?Ι时间段内没有更新，则对T(t)的每个元素拉^进行更新得到新的矩阵T W:
[0021]
[0022] 其中：为矩阵T(t)的元素。
[0023] S3.4使用下式累加矩阵T(t)的值，得到矩阵SW，称之为摇动测度；
[0024] S ⑴= ⑴。
[0025]所述 Tl 的范围（15,30)。
[0026] 本发明的有益效果：
[0027] (1)提出局部更新计数的概念，利用像素与周围邻域的像素最近更新时间的比较 和统计，可以反映出像素颜色属性的局部更新情况，有助于进一步分类和统计像素的更新 特性；
[0028] (2)提出摇动测度的概念，通过对局部更新计数的进一步处理，得到定量判别每个 像素的是运动的前景、静态背景，还是摇动的如树叶、彩带、水波等背景，得到了明确地判定 像素类别的方法；
[0029] (3)通过对像素的分类判别，可以对场景进行更好的理解，有助于其他需要场景理 解的更高层次的应用；
[0030] (4)通过识别摇动的背景，可以消除摇动背景对运动前景提取的影响，提高视频中 运动前景算法的准确度。
【附图说明】
[0031 ]图1是本发明的方法流程图；
[0032] 图2是本发明树叶摇动测度结果比较图。
[0033] 图3是树叶彩带测度结果比较图。
【具体实施方式】
[0034] 下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不 限于此。
[0035] 实施例
[0036]本发明对视频序列中物体的摇动程度进行定量描述，提出一种有针对性地识别和 提取摇动背景的方法。首先提出局部更新计数和摇动测度的概念，之后根据像素点历史帧 的局部更新计数进行求和，利用该求得的总和在建模过程中计算摇动测度，然后通过聚类 把运动前景、静态背景以及摇动背景分开。本文提出的方法不仅可以提高前景检测的准确 率，也可用于有关视频场景理解的研究与应用。
[0037]如图1所示，一种检测视频中摇动背景的方法，包括如下步骤：
[0038] S1获得待检测视频序列；
[0039] S2计算视频序列每帧图像中每个像素的局部更新计数；
[0040]为了描述某个像素点在某一时刻的更新特征，本发明提出了局部更新计数(LUC-Local Update Count)概念。为研究某一个像素点的更新特征，根据周围八个像素点与中心 像素点的最近更新时间进行比较并累加，从而得到该点的局部更新计数值，方法如下。
[0041] 现有技术中提出的码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素 都有多个码字，在码本模型中，令λ(")表示像素(x，y)的所有码字中最小的最长未匹配间隔 (MNRL)A( x,y)越小，说明像素最近被匹配过，也意味着最近更新过。同理，λ[8- η(χ,γ)]表示像素 点(x，y)的八邻域像素点的最长未匹配间隔。定义
[0042]
[0043]则LUC即局部更新计数的公式为。
[0044]
[0045] 也就是说，对像素点（x，y)来说，周围的8个点的最小的最长未匹配间隔比中心点 (x，y)的小，则U直为1，否则为零，而(x，y)点的局部更新计数LUC( x,y)即为8个领域点U直之 和。通过上述两个公式可以定量描述某一像素点的更新特征，邻域中比中心位置最近更新 的像素点数越多，LUC就会越大，反之LUC就会越小，趋近于0。
[0046] 表1中1、2、3、4、5、6、7、8为像素(x，y)八邻域中各像素的编号，表2为八邻域像素点 的各像素点的最长未匹配时间间隔A(MNRL)，表1中取中心点的八邻域像素点进行比较，根 据它们的λ值计算更新特征。如果邻域点的λ比中心点小，代表邻域比中心新，则设置该邻域 像素值为1，反之则置为〇。全部比较之后得到右图。最终将右图中邻域值累加求总和，就 得 到了中心像素点的LUC特征值。
[0047]
[0048] S3根据每个像素的局部更新计数，计算每个像素的摇动测度，得到每帧的摇动测 度矩阵；
[0049 ]记训练样本图像的分辨率为Η X W，本发明提出摇动测度的概念，它能定量描述各 像素点的摇动程度。其计算过如下所述：
[0050] (1)初始化大小为HX W的矩阵T(Q)，S(Q)为初始化矩阵的零矩阵。
[0051] (2)通过t时刻和t-Ι时刻的LUC值，计算当前时刻t图像帧的矩阵TW，定义为
[0052] T(t)= |LUC(t)-LUC(t-i)
[0053] (3)给定阈值TL，若像素点（X，y)(l<x^H，l<y^W)的λ( χ, y)值大于阈值TL，表示该 像素点在?1时间段内没有更新。则对TW的每个元素C (1进行更新：
[0054]
[0055]得到新的矩阵T(t)，这里的TL的取值范围为（15,30)。使用下式累加矩阵的值，得到 矩阵S(t)，称之为摇动测度。
[0056] S(t) = S(t-i)+T(t)〇
[0057] 所述累加S⑴= S(0)+T(1)，然后S⑵=S⑴+T(2)……
[0058] T(t)这个值，当t大于0时，每次都通过53.2中的公式来计算，而5(〇)定义为0。
[0059] 对于有运动的人、静态背景、摇动的树叶的视频为例，对于静态背景点，因其中心 点Μ直皆为〇，求出LUC值为0，从而摇动测度矩阵S值为0;而对于晃动的树叶，其λ值一般比较 小，T (t)矩阵不会被清零。当树叶像素被检测为前景，其周围的像素点大多背时测为前景，其 周围的像素点大多背时（背景的λ值皆为〇)，LUC值求出较大。而由于摇动，下一时刻该像素 点又可能被检测为背景，求出的下一时刻该像素点又可能被检测为背景，则求出的LUC值为 0,求出的矩阵T则比较大。积累一段时间之后，摇动背景的矩阵S会明显增大;而对于人出现 在的区域，其邻域像素λ值大小接近，并且λ值大部分大于T L，T(t)被置为0,所以人的摇动测 度相比摇动树叶来说较小。结果如图2所示。另一个彩带的例子如图3所示。可以看出，本发 明提出的摇动测度确能准确反应背景的摇动情况。
[0060] 如图2所示，随着码本算法的训练的进行，在150帧左右即可通过摇动测度的计算 分出静态背景、轻微摇动的树叶、剧烈摇动的树叶和前景(人）。
[0061] 如图3所示，在120帧左右即可通过摇动测度的计算分出静态背景、轻微漂动的彩 带、剧烈漂动的彩带和前景(人）。
[0062] S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1;
[0063] 在本发明中，码本模型训练结束之后会对像素的摇动测度矩阵S(t)做聚类以此提 高检测过程中的效率。本发明采用K-means聚类，为了排除K-means方法的随机性，考虑现实 中场景中摇动因素总是占图像比例较少的部分，我们将矩阵S⑴的元素聚为2类，取较少元 素的像素所在的一类记为Si。
[0064] 55将&中所有像素点标记为摇动背景。
[0065] 遍历矩阵&中所有像素点，提取所有&中的像素点并标记为摇动背景。
[0066] 具体流程如下：
[0067] (1)读入视频帧11；，帧数1:加1;
[0068] (2)计算当前帧的LUCt矩阵和摇晃测度S矩阵；
[0069] (3)若帧数 t%Tk= =0;
[0070] (3.1)根据S(t)矩阵的值对像素进行Kmeans聚类，此处的聚类数目取值为2,即分出 来为摇动的背景和非摇动的背景；
[0071] (3.2)聚类完成之后像素分为两类，一类为摇晃的背景，另一类为静止背景和运动 的前景；
[0072] (3.3)得到去除背景的前景图像，并将S矩阵重置为零矩阵；
[0073] (4)否则（SPt%Tk! = 0)，则进入到下一个检测环节。
[0074] -般考虑到背景会动态变化，所以除了训练阶段结束之后会执行聚类，在检测过 程中每隔帧也会执行一次。因聚类算法的时间消耗比较大，为满足检测算法的实时性，T k的 取值一般根据帧率，取6-8秒的帧数。
[0075] 上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的 限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化， 均应为等效的置换方式，都包含在本发明的保护范围之内。
【主权项】
1. 一种检测视频中摇动背景的方法，其特征在于，包括如下步骤： Sl获得待检测视频序列； S2计算视频序列每帧图像中每个像素的局部更新计数； S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图像的 摇动测度矩阵； S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1; S5将&中所有像素点标记为摇动背景。2. 根据权利要求1所述的方法，其特征在于，所述S2计算视频序列每帧图像中每个像素 的局部更新计数，具体为： 在码本模型中，包括码本的训练步骤，在码本训练阶段，每个像素都有多个码字，令 A(x,y)表示像素(x，y)的所有码字中的最长未匹配间隔的最小值，同理，λ[8- η(χ,γ)]表示像素点 (x，y)的八邻域像素点的最长未匹配间隔，其中8-n(x、 y)表示的是像素(x，y)的8个邻域点； 定义每个像素点（x，y)的局部更新计数为根据周围八个像素点与中心像素点的最近更 新时间进行比较并累加，从而得到该像素点在某一时刻的局部更新计数值，公式如下：3. 根据权利要求1所述的方法，其特征在于，所述S3中摇动测度用来描述各个像素点的 摇动程度，具体过程如下： S3.1记训练样本图像的分辨率为HXW，初始化大小HXW的矩阵，Tw，S(〇)为初始化矩 阵的零矩阵； S3.2通过t时刻和t-Ι时刻的LUC值，计算当前时刻t图像帧的矩阵T(t)，定义为 T(t)= |LUC(t)-LUC(t-i)| ； 33.3给定时间阈值11，若像素点(^7)，1^<!1，1&1的1(^值大于阈值!1，表示该 像素点在T1时间段内没有更新，则对T(t)的每个元素进行更新得到新的矩阵T(t):其中结^为矩阵T(t)的元素； S3.4使用下式累加矩阵T(t)的值，得到矩阵SW，称之为摇动测度； S(t) = S(t-i)+T(t)〇4. 根据权利要求3所述的方法，其特征在于，所述的范围（15，30)。
【专利摘要】本发明公开了一种检测视频中摇动背景的方法，包括如下步骤：S1获得待检测视频序列；S2计算视频序列每帧图像中每个像素的局部更新计数；S3根据每个像素的局部更新计数，计算每个像素的摇动测度，进一步得到每帧图像的摇动测度矩阵；S4对摇动测度矩阵的所有元素聚类为2类，取较少元素的像素所在的一类记为S1；S5将S1中所有像素点标记为摇动背景。本发明通过识别摇动的背景，可以消除摇动背景对运动前景提取的影响，提高视频中运动前景算法的准确度。
【IPC分类】G06T7/20
【公开号】CN105488814
【申请号】CN201510836815
【发明人】张见威, 丛子涵
【申请人】华南理工大学
【公开日】2016年4月13日
【申请日】2015年11月25日
最新回复(0)