视频背景建模调研分析报告

视频背景建模调研汇报一、背景和关键意义运动目标检测是计算机视觉领域一个关键研究方向，是多种后续高级处理，如目标分类、行为了解等基础，在安全监控、智能交通等领域全部有着广泛应用。而在计算机视觉和智能视频监控等领域，背景建模是一项关键技术，是实现运动目标检测及跟踪基础。所以，对于视频背景建模研究有着关键意义。背景建模是序列图像分析基础性工作，是当今中国外学者研究热点问题。建模结果将对视频图像运动检测、运动目标分类、跟踪及行为了解等后续处理产生关键影响。不过因为实际应用环境不一样和背景多样性，难以建立良好背景样本。所以，在实际应用中需要经过不一样算法来优化设计方案，才能得到很好结果。中国外研究现实状况(~)：期刊论文1.杨敏杨敏(1969－)，男，安徽泾县人。南京邮电大学自动化学院副教授。关键研究方向为计算机视觉和图像了解。[1]杨敏,安振英.基于低秩矩阵恢复视频背景建模[J].南京邮电大学学报:自然科学版,,33(2):86-89.[2]杨敏,安振英.基于低秩矩阵恢复视频背景建模[J].南京邮电大学学报(自然科学版).(02)2.李峰：中国科学技术大学自动化系[1]李峰.智能视频监控系统中行人运动分析研究[D].中国科学技术大学.3.龚大墉：重庆理工大学，信号和信息处理，，硕士[1]龚大墉.数字视觉视频运动目标检测及其交通信息获取应用研究[D].重庆理工大学.4.刘亚利：北方工业大学，控制理论和控制工程，，硕士[1]刘亚利.背景建模技术研究和实现[D].北方工业大学.5.孙吉花：国防科学技术大学，控制科学和工程，，硕士[1]孙吉花,刘肖琳.一个新基于统计背景减除方法[J].计算机工程和应用.(22)6.孙猛：北京交通大学电子信息工程学院[1]孙猛,袁小龙,王丽红.基于FPGA混合高斯背景建模实现[J].电子技术应用.(09)7.代科学：国防科技大学信息系统和管理学院系统工程系[1]代科学,李国辉,涂丹,等.监控视频运动目标检测减背景技术研究现实状况和展望[J].中国图象图形学报,,11(7):919-927.林洪文：国防科技大学管理科学和工程系多媒体试验室[1]林洪文,涂丹,李国辉.基于统计背景模型运动目标检测方法[J].计算机工程,,29(16):97-9侯志强：西安交通大学电子和信息工程学院综合自动化研究所[1]侯志强,韩崇昭.基于像素灰度归类背景重构算法[J].软件学报.(09)王典：西北工业大学，控制理论和控制工程，，硕士[1]王典.基于混合高斯背景建模和阴影抑制算法研究[D].西北工业大学.刘翔：武汉科技大学工程训练中心[1]刘翔,周桢.基于分块背景建模运动目标检测技术[J].液晶和显示,,26(6):831-835.刘晓男：南京大学，电子和通信工程（专业学位），，硕士[1]刘晓男.面向视频监控复杂背景建模及优化方法[D].南京大学马凡：华中科技大学，模式识别和智能系统，，硕士[1]马凡.智能视频监控中背景建模算法研究[D].华中科技大学14刘洁：哈尔滨工业大学深圳硕士院[1]刘洁,张东来.相关自适应高斯混合背景模型更新算法研究[J].微计算机信息,,(22):241-242.doi:10.3969/j.issn.1008-0570..22.089.三．视频背景建模研究现实状况总结背景建模也称为背景估量，其关键目标是依据目前估量背景，把对视频帧图像中运动目标检测问题转化为二分类问题，将全部像素归为背景或运动前景两类，然后对分类结果进行后处理，得到最终检测结果。取得背景图像最简单方法即在场景中无运动目标时捕捉，但此法不能实现自适应。常常仅适合场景短时监控，不能满足智能监控系统对背景建模要求。研究人员为了研发出理想背景模型，试图利用多种已知信息，在现有系统中利用高层处理结果来给背景估量提供反馈信息，决定哪些像素点应该被吸收成为背景模型一部分，哪些为运动前景像素。关键方法有：1.平均值法平均值法经过在一段时间内获取n帧图像b1，b2····bn，优异行加运算再求取平均值，得到图像Bn，若n值足够大则在图像Bn中背景信息被保留下来，而临时物体则被滤除。Bn可近似看做是背景图，但此法运算量大花费系统资源严重，在实际应用中不可行。2.直方图法直方图法统计连续n帧同一象素点灰度直方图，出现次数最多灰度值则被看做是该象素点背景像素点，按此方法得到整幅图像背景。该方法前提是背景图象帧数在交通视频流中占多数。而对于交通堵塞情况，该方法得到伪背景(缓慢运动车辆)，此时该方法失效。3.单高斯模型单高斯模型法基于视频图像中每一个独立像素点，依据其观察值在序列图像中改变和一个高斯分布密度函数关系，来判定该像素点属于背景还是前景。对于一个背景图像，每个像素位置亮度分充满足高斯分布。若一个像素点(i,j)新采样值Xt+1，满足分别是随时间更新高斯分布均值和均方差，k是一个正数，则认为该点是背景像素点，不然认为是前景像素点。单高斯模型假定背景像素点亮度分布比较集中，能够用单分布概率模型来描述，能有效地处理有微小改变和缓慢改变简单场景。当场景改变很大时，背景像素值改变较快，不能满足一个稳定单峰分布也不能逐步过渡到另一个单峰分布，这时单高斯模型就不能准确描述背景了。4.混和高斯模型对于复杂视频场景，单一高斯模型不能正确描述背景，提供正确背景图像，所以产生了混合高斯模型。混合高斯模型建模方法为:用一个时间序列{Xl,...,Xt}表示取得视频序列像素点观察值，假设同帧图像中某个像素点观察值和其它像素点观察值相互独立，不一样采样时刻该像素点观察值也是独立同分布，且该分布由K个独立高斯分量组成。定义目前像素点概率密度函数为P(Xt)：即P（Xt）为K个高斯模型概率密度函数加权之和。其中ŋi表示第i个高斯分布，分别为第i个高斯分布均值和协方差矩阵，是t时刻该像素点第i个高斯分布概率密度函数权值系数，K为混合高斯模型中高斯分布个数，通常取3到5个。5.核密度估量核密度估量在概率论中用来估量未知密度函数，它是一个非参数检验方法。利用核密度估量法进行背景建模，利用标准核函数和像素展现高斯分布特征，用最近多个样本图像信息正确估量出核函数，而不需要预先知道密度函数分布模型。ElgammalA.等人将最近N帧图像中同一坐标点像素值记为x1,xz,...,xN，利用核函数K(·)对目前像素在t时刻像素值x，进行无参概率密度估量:其中x，表示维数为d色彩特征矢量。很多时候，我们假定各颜色通道相互独立，而且选择高斯函数作为核函数，则式(1.2)转化为:这么给定阂值后，若目前像素概率密度小于阂值，那么该像素就被分类到前景像素。核密度估量法在背景建模过程中不需要事先假设背景概率分布形式，也不需要进行参数估量，能够较快地适应场景改变，而且在场景中摄像机或树叶抖动、有光照改变及目标存在阴影时全部能自适应调整背景模型，而且能够适应多模态分布情况。然而该方法缺点就是会占用过多内存，而且计算量也比较大，较难应用于实时场景中。三、课题可能方案算法方案：混合高斯模型算法定义：混合高斯模型使用K（基础为3到5个）个高斯模型来表征图像中各个像素点特征,在新一帧图像取得后更新混合高斯模型,用目前图像中每个像素点和混合高斯模型匹配,假如成功则判定该点为背景点,不然为前景点。通观整个高斯模型，她关键是由方差和均值两个参数决定，,对均值和方差学习,采取不一样学习机制,将直接影响到模型稳定性、正确性和收敛性。高斯运动检测通常方法：高斯模型就是用高斯概率密度函数（正态分布曲线）正确地量化事物，将一个事物分解为若干基于高斯概率密度函数（正态分布曲线）形成模型。对图像背景建立高斯模型原理及过程：图像灰度直方图反应是图像中某个灰度值出现频次，也能够认为是图像灰度概率密度估量。关键步骤:（1）模型参数初始化高斯背景建模中最关键一步便是对k个高斯分布参数进行初始化。初始时，将第一个高斯模型均值设为视频第一帧像素值X，剩下高斯模型均值Uk(k不等于1)设为零。我们采取第一帧像素值作为初始均值，这么对于第一帧图像恰好显示背景像素点，则大大提升了高斯分布趋近于实际分布速度。第一个高斯模型权重设置为一个较高预设值w，剩下高斯模型全部取较小值。(2)模型参数更新每当取得新像素值时，全部要对背景模型中参数进行更新。模型参数更新基础步骤以下:对于任意时刻t，将图像帧每个像素值X，和它对应混合高斯模型进行匹配检验，假如像素值X和混合高斯模型中第k个高斯分布G、均值距离小于其标准差2.5倍，则定义该高斯分布G、和像素值X，匹配。假如检验出该像素混合高斯模型中最少有一个高斯分布和像素值X，匹配，则根据以下规则更新混合高斯模型参数:假如模型中没有任何一个高斯分布和像素值X，匹配，则将目前时刻权重最小个高斯分布Gk按以下公式重新赋值:应用上述更新规则后，有像素匹配高斯模型权值增大，没有像素和之匹配高斯模型权值变小。使得混合高斯分布不停靠近实际背景。将K个高斯分布依据适合度值从大到小排列，则前B个高斯分布