CN101567088B - 一种运动物体检测的方法和装置 - Google Patents

Abstract

本发明的实施例公开了一种运动物体检测的方法和装置。该方法包括以下步骤：获取非参数混合前景模型和非参数背景模型；获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率；对所述非参数混合前景模型概率和所述非参数背景模型概率进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率；根据当前帧上各点的似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。通过使用本发明的实施例，通过建立非参数混合前景模型，并使用似然比修正方法，实现了对运动物体的检测，并且提高了图像识别的正确率。

Description

一种运动物体检测的方法和装置

技术领域

本发明涉及通信技术领域，尤其涉及一种运动物体检测的方法和装置。 

背景技术

视频序列中的运动物体检测是许多和视频相关的工程运用的基础功能，比如各种监控系统、识别系统等。这个功能的性能，在很大程序上决定了后续应用的性能。因此实现低噪声、高精度、高效率的检测功能是至关重要的一步。 

现有技术中提供了一些运动物体检测方法。例如基于背景建模的目标检测方法，即对多帧包含或者不包含运动物体的图像求统计量模型，然后比较背景模型和当前图像从而检出目标。根据使用的统计量的不同，相当多的背景模型被开发出来，比如均值背景模型、高斯背景模型、混合高斯背景模型、非参数背景模型等。各种模型中，非参数背景模型能够应对动态背景，比如摆动的树、有波浪的水面等，甚至能够应对相机的轻微摆动，因此非参数背景模型具有最好的性能。非参数方法主要是指概率分布无关方法，也就是说这些方法不做数据是否来自于某一分布的假设；而采用非参数方法进行背景建模的方法即为非参数背景建模方法，相应地采用这种方法建立的背景模型也就被称作非参数背景模型。 

模型建立后，需要比较模型和当前图像，从而检测运动物体。目前的视频运动物体检测技术可以基于非参数背景前景模型和图分割实现。 

现有技术中一种运动物体检测方法的原理为：使用非参数方法对背景建模。在使用背景模型的同时采用一个非参数前景模型。KDE(Kernel DensityEstimation，核密度估计)用于计算当前帧上的各点属于模型的概率密度。最后图分割技术用来分类各点是属于背景还是运动物体。 

使用该方法的一个监控实例如图1A和图1B所示，这个监控系统对室外高动态固定场景进行监控。图1A是被监控场景中的一帧，场景中有运动的人、摆动比较强烈的植物，还有喷泉。该监控系统中使用现有技术的运动物体检测算法检测的结果如图1B所示。可以发现该方法得到的检测结果完全无噪声。场景中虽然有诸如树木和喷泉等动态背景，都没有影响检测结果。

发明人在实现本发明的过程中，发现现有技术至少存在以下问题： 

该方法能够得到噪声很低的检测结果，但是不能检测出和背景颜色相似的运动物体，即如果运动物体和背景有相同或者相似的颜色，则运动物体很难被完整的检测出来。以图1B为例，图1B中的行人的裙子，头发等区域和背景颜色相似，都不能被检测出来。 

发明内容

本发明实施例提供一种运动物体检测的方法和装置，用于在运动物体检测过程中，对运动物体以及与运动物体具有相似和相同颜色的背景进行区分。 

本发明的实施例提供一种运动物体检测的方法，包括以下步骤： 

获取非参数混合前景模型和非参数背景模型，其中，所述非参数混合前景模型可根据下述公式建立： 

其中， 

表示t时刻未经过似然比修正直接进行图分割得到的结果， 

表示t时刻经过似然比修正直接进行图分割得到的结果， 

ρ表示 中的样本集包括的当前帧 

之前的连续帧数， 

表示t时刻非参数混合前景模型； 

获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率； 

对所述非参数混合前景模型概率和所述非参数背景模型概率分别使用前景加权参数c_f和背景加权参数c_b进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，其中，所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)； 

根据当前帧上各点的似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。 

本发明的实施例还提供一种运动物体检测的装置，包括： 

非参数混合前景模型模块，用于获取非参数混合前景模型，所述非参数混合前景模型可根据下述公式建立： 

其中， 

表示t时刻未经过似然比修正直接进行图分割得到的结果， 

表示t时刻经过似然比修正直接进行图分割得到的结果， 

ρ表示 

中的样本集包括的当前帧 

之前的连续帧数， 

表示t时刻非参数混合前景模型； 

非参数背景模型模块，用于获取非参数背景模型； 

模型概率计算模块，用于分别根据所述非参数混合前景模型和所述非参数背景模型获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率； 

似然比修正模块，用于对所述模型概率计算模块获取的非参数混合前景模型概率和非参数背景模型概率分别使用前景加权参数c_f和背景加权参数进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，且所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)； 

第一图分割模块，用于根据当前帧上各点的所述似然比修正模块进行似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。 

与现有技术相比，本发明实施例具有以下优点： 

本发明的实施例中，通过建立非参数混合前景模型，并使用似然比修正方法，实现了对运动物体的检测。在检测结果中可以对运动物体以及于运动物体具有相同或相似颜色的背景进行有效区分，提高了图像识别的正确率。 

附图说明

图1A和图1B是现有技术中一种运动物体检测方法的场景示意图； 

图2是本发明实施例中一种运动物体检测方法的流程图； 

图3是本发明实施例中似然比修正的流程图； 

图4A是本发明实施例中似然比修正前的前景负对数概率和背景负对数概率的曲线示意图； 

图4B是本发明实施例中似然比修正后的前景负对数概率和背景负对数概率的曲线示意图； 

图5A是本发明实施例中运动物体的检测装置结构示意图； 

图5B是本发明实施例中运动物体检测装置的似然比修正模块的示意图； 

图5C是本发明实施例中运动物体的检测装置的另一结构示意图； 

图5D是本发明实施例中运动物体检测装置的前景模型更新模块的示意图 

图6是本发明实施例运动物体检测方法所应用的多相机监控系统示意图； 

图7A至图7C是本发明实施例运动物体检测方法应用于多相机监控系统时的检测结果对比系列示意图； 

图8是本发明实施例运动物体检测方法所应用的步态识别系统示意图； 

图9A至图9C是本发明实施例运动物体检测方法应用于步态识别系统时的检测结果对比系列示意图。 

具体实施方式

下面结合附图和具体实施例对本发明的实施方式进行详细说明。 

本发明的实施例中提供一种运动物体的检测方法，在进行运动物体检测时，分别建立了非参数背景模型和非参数混合前景模型，对由模型计算得来的概率值进行似然比修正，再对修正后的概率值使用图分割技术得到最终的检测结果，提高了视频帧中的点被正确划分为运动物体或背景的概率。 

具体的，本发明实施例中一种运动物体的检测方法如图2所示，包括以下步骤： 

步骤s201、获取非参数混合前景模型和非参数背景模型。 

具体的，首先需要获取当前帧，使用所述当前帧取代距离当前帧时间间隔最远的一帧，用于更新非参数背景模型和非参数混合前景模型中的样本集。本发明实施例的方法中，对当前帧的分析需要根据当前帧的前特定个帧进行，而距离当前帧时间间隔越远的帧，对当前帧分析所产生的影响越小。在可以存储的输入帧个数有限的情况下，使用当前帧取代距离当前帧时间间隔最远的一帧，可以得到最准确的分析结果。 

获取非参数背景模型的步骤包括：获取当前帧之前的连续特定数量个帧，所述特定数量由处理能力、场景状况、检测精度中的一种或多种确定。 

获取非参数混合前景模型的步骤包括：根据当前帧上各点的非参数混合前景模型概率和非参数背景模型概率，获取对所述概率直接进行图分割并输出的第二检测结果；同时获取对当前帧上各点的非参数混合前景模型概率和非参数背景模型概率进行似然比修正后的概率进行图分割并输出的结果；根据所述似然比修正后的概率进行图分割并输出的结果、以及不进行似然比修正直接进行图分割并输出的第二检测结果，获取非参数混合前景模型。关于似然比修正的具体方法在后文进行详细描述。 

步骤s202、获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率。 

步骤s203、对非参数混合前景模型概率和非参数背景模型概率进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率。 

具体的，对获取的概率进行似然比修正的步骤包括：获取所述当前帧上各点的非参数混合前景模型概率的负对数；获取所述当前帧上各点的非参数背景模型概率的负对数；根据所述非参数混合前景模型概率的负对数与所述非参数背景模型概率的负对数，获取所述当前帧上各点的似然比；当所述当前帧上特定点的似然比位于预先设定的区间内时，使用预先设定的加权参数对所述点的非参数混合前景模型概率进行加权，对所述点的非参数背景模型的概率进行加权，作为似然比修正后的结果。 

所述预先设定的区间的确定方法包括：根据非参数混合前景模型和非参数背景模型的建模参数、以及核密度参数，使用具有颜色相似性的图像序列获取所述区间的上限和下限。 

步骤s204、根据当前帧上各点的似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。 

以下结合一个具体的应用场景，描述上述步骤s201～步骤s204的具体实施方式。本发明的以下实施例中，称具有和背景相似颜色的运动物体为颜色相似物体，颜色相似物体上的象素点为颜色相似点，由前景和运动物体的颜色相似性而引起的误分类问题为颜色相似性问题。 

其中，假设Y为图像采集设备采集的一帧场景图像，那么当前时刻t的图像为Y^t。Y可以表示为帧Y上所有象素点的集合，即Y＝(y₁，y₂，...，y_n，...，y_N)，这里n是图像坐标的一维索引，N是图像Y上的象素总数。y_n是一个3维的属于RGB彩色空间的颜色向量。假设 

为非参数背景模型样本集， 

为非参数混合前景模型样本集。 

对于该图像采集设备采集的图像： 

非参数背景模型 

中的样本集包括当前帧Y^t前的连续ρ_b帧，因此 

可以 表示为 

具体的帧数可以根据内存、场景状况以及检测精度等要求进行综合选择，如可以保存10帧到100帧之间的任意帧数。具体的，如果内存比较小，保存的帧数则可以较少，反之则可以较多；如果精度要求比较高，保存的帧数则应较多，反之则可以较少；如果场景背景动态性比较明显的话，保存的帧数则应该较多，反之则可以较少。 

非参数混合前景模型 

中的样本集的获取方法将在后文进行详细介绍。 

获取到非参数背景模型 

以及非参数混合前景模型 

后，即可获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率。 

假设当前帧上的一点为x，那么它属于非参数背景模型 的概率，即非参数背景模型概率 

可以表示为 

假设当前帧上的一点为x，那么它属于非参数混合前景模型 

的概率，即非参数混合前景模型概率 

可以表示为 

上述公式(1)和公式(2)中，ρ_b为非参数背景模型 

中的样本集，ρ_f 为非参数混合前景模型 

中的样本集，f为核函数，H为核宽度。核密度估计即遍历非参数背景模型中的每个点，并和点x相比较。以下简称非参数背景模型概率为背景概率，简称非参数混合前景模型概率为前景概率。 

获取到当前帧上的一点为x的前景概率 

以及背景概率 

后，需要对该前景概率 

以及背景概率 

进行似然比修正。具体的似然比修正流程如图3所示，包括以下步骤： 

步骤s301、获取点x的前景概率和背景概率的负对数，得到前景负对数概率和背景负对数概率，分别为 

和 

步骤s302、获取点x的似然比。其中点x的似然比η为： 

步骤s303、判断获取点x的似然比是否属于某个预设的范围，是则进行步骤s304，否则进行步骤s305。 

具体的，本实施例中假设预设的范围为(η₁，η₂)，则如果点x的似然比η属于该预设的范围，即η∈(η₁，η₂)，则进行步骤s304，否则进行步骤s305。 

步骤s304、对该点x的前景概率和背景概率分别使用加权参数c_f和c_b进行加权，得到似然比修正后的前景概率和背景概率。具体的，使用c_f乘以前景概率 

得到修正后的前景概率 

使用c_b乘以背景概率 

得到修正后的背景概率 

步骤s305、不对该点x的前景概率和背景概率进行变化。 

以下对上述步骤s304中的步骤进行详细说明：对于加权参数c_f和c_b，根据算法要求，c_f和c_b应当满足c_f∈(0，1)和c_b∈(1，+∞)。 

假设点x的前景概率和背景概率值之和为1，则有 

两边取负对数，得到 

以 

为横坐标变量，分别做前景负对数概率曲线和背景负对数概率曲线，得到的曲线如图4A所示。 

从图4A中可以看出，前景负对数概率函数和背景负对数概率函数有一个交点，在这个交点左边的点，倾向于被分类为运动物体，而在这个交点右边的点，倾向于被分类为背景。实践表明，大部分颜色相似点都聚集在这个交点周围。假如能向右边移动这个交点，那么现有技术中大部分被错误分类的颜色相似点就倾向于被正确分类。因此，通过加权操作就可以实现交点右移。加权操作的原理如图4B所示，为似然比修正后的前景负对数概率和背景负对数概率的曲线示意图。 

上述似然比修正的步骤中，并不对所有的点都加权而只对η属于某个范围的点即η∈(η₁，η₂)的点加权，可以避免交点右移后带来的负面影响，即所有的点都被判断为前景的可能性都变大。如果对所有的点都加权的话，最后输出结果的噪声会变大，而只对属于(η₁，η₂)的点进行加权，就可以避免这个问题。 

上述似然比修正的步骤中，需要确定似然比修正所需要的各参数，即确定η₁，η₂，c_f和c_b。实践表明c_f＝0.9和c_b＝1.1是在所有情况下都能取得较好效果的经验参数，因此在所有的场景中都可以选取这一对参数。η₁和η₂和建模以及概率计算相关。在非参数前景和背景模型建模帧数可变的情况下，以及在核密度估计技术使用不同的核宽度的情况下，最佳的η₁和η₂是可变化的。在确定模型之后，可以确定参数η₁和η₂，即使场景转换，也不再需要调整η₁和η₂，因此该算法是鲁棒的。使用具有颜色相似性的图像序列来学习似然比修正的参数η₁和η₂。 

η₁和η₂的确定方法如下：首先要确定所有建模参数和核密度估计参数(根据所应用的场景的情况确定，如场景中运动物体的多少、区域大小、要求精度等)，然后对具有颜色相似性的序列建模并计算前景和背景概率，该具有颜色相似性的序列可以为预先采集的或专门制作的具有代表性的序列。得出前景和背景概率后直接使用图分割技术分类运动物体和背景。从最后的分类结果上，集合所有被错分的颜色相似点，计算它们的似然比η的直方图。用该直方图拟合一个高斯曲线，然后选择3倍标准差区域，这个3倍标准差区域就是(η₁，η₂)。 

根据似然比修正后的概率，可以进行图分割获得最后的输出。具体的，根据似然比修正模块得出的加权前景概率和加权背景概率，进行图分割以得到最后的输出结果。图分割是一种能量函数最小化技术，其基本原理是结合先验信息和实际信息，从而获得最优解。对于目标检测这个应用来说，实际信息就是计算得到的模型概率。使用的先验信息是：如果一个象素点周围的点都被判断为前景点，那它也很有可能是前景点；反之，如果一个象素点周围的点都被判断为背景点，则判断该象素点很有可能是背景点。结合先验和实际信息，图分割能够获得一个噪声极低的检测结果，并且大部分被以前算法误分类的颜色相似点，都可以被正确检测出来。 

以下对非参数混合前景模型 

的获取方法进行介绍。 

具体的，上述步骤s204中根据似然比修正后的概率进行图分割后的结果，一路用于输出，另一路用于非参数混合前景模型的更新。同时根据当前帧上各点的非参数混合前景模型概率和非参数背景模型概率，获取对该概率不进行似然比修正直接进行图分割并输出的第二检测结果，并用于非参数混合前景模型的更新。由于前景模型中同时使用了上述两部分结果，因此这个前景模型被称为非参数混合前景模型。 

接收到上述两部分结果后，将两部分结果中的样本集进行混合，从而获取到非参数混合前景模型。假设Y_B ⁱ是i时刻未经过似然比修正直接进行图分割得到的结果，Y_A ⁱ是i时刻经过似然比修正直接进行图分割得到的结果，那么t时刻非参数混合前景模型可以表示为 

即对于时刻t，非参数混合前景模型中第t-1帧为经过似然比修正直接进行图分割的输出，而其它各帧为图未经过似然比修正直接进行图分割的输出。使用非参数混合前景模型，可以提高前景模型的模型精度，有利于解决颜色相似性问题。 

通过本发明实施例提供的方法，通过建立非参数混合前景模型，并使用似然比修正方法，实现了对运动物体的检测。在检测结果中可以对运动物体以及于运动物体具有相同或相似颜色的背景进行有效区分，提高了识别的正确率。 

本发明实施例还提供一种运动物体的检测装置。该装置可以建立一个非参数背景模型和一个非参数混合前景模型，对由两个模型计算得来的概率值进行似然比修正，最后对修正后的概率值使用图分割技术得到最终的检测结果。具体的，如图5A所示，该运动物体检测装置包括：非参数混合前景模型模块10、非参数背景模型模块20、模型概率计算模块30、似然比修正模块40以及第一图分割模块50。 

以下分别对各模块的功能进行介绍。其中，假设Y为图像采集设备采集的一帧场景图像，那么当前时刻t的图像为Y^t。Y可以表示为帧Y上所有象素点的集合，即Y＝(y₁，y₂，...，y_n，...，y_N)，这里n是图像坐标的一维索引，N是图像Y上的象素总数。y_n是一个3维的属于RGB彩色空间的颜色向量。假设 

为非参数 背景模型样本集， 为非参数前景模型样本集。 

非参数混合前景模型模块10，用于获取非参数混合前景模型； 

非参数背景模型模块20，用于获取非参数背景模型；具体可以为第一非参数背景模型模块，用于获取当前帧之前的连续预定个帧，作为非参数背景模型中的样本集。 

模型概率计算模块30，用于获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率；用于分别计算当前帧上的各点属于非参数混合前景模型和非参数背景模型的概率。具体的，非参数混合前景模型模块10建立非参数混合前景模型 

后，将该非参数混合前景模型 提供给模型概率计算模块30。非参数背景模型模块20建立非参数背景模型 后，将该非参数混合前景模型 提供给模型概率计算模块30。则模型概率计算模块30根据非参数混合前景模型 

和非参数背景模型 

获取当前帧上的一点x属于非参数混合前景模型 

和非参数背景模型 

的概率。 

似然比修正模块40，用于对模型概率计算模块30获取的概率进行似然比修正；具体的，如图5B所示，其进一步包括：第一修正获取子模块41，用于获取当前帧上点x的非参数混合前景模型概率的负对数；以及所述当前帧上各点的非参数背景模型概率的负对数；第二修正获取子模块42，用于根据第一修正获取子模块41获取的非参数混合前景模型概率的负对数与所述非参数背景模型概率的负对数，获取所述当前帧上点x的似然比η；修正判断子模块43，用于判断第二修正获取子模块42获取的点x的似然比η是否位于预先设定的区间(η₁，η₂)；修正子模块44，用于当修正判断子模块43判断位于预先设定的区间时，使用预先设定的加权参数c_f和c_b对点x的非参数混合前景模型概率和非参数背景模型概率分别进行加权，使用c_f乘以非参数混合前景模型概率，得到修正后的非参数混合前景模型概率，使用c_b乘以非参数背景模型概率，得到修正后的非参数背景模型概率。 

第一图分割模块50，用于根据所述似然比修正模块进行似然比修正后的概率进行图分割并输出运动物体的检测结果。具体的，将似然比修正模块40得出的加权前景概率和加权背景概率输入第一图分割模块50，使用图分割技 术，得到最后的输出结果。 

另外，除了上述图5A所示的结构之外，该运动物体的检测装置可以如图5C所示，还包括： 

背景模型更新模块60，用于实现非参数背景模型模块20中背景模型的更新。背景更新是通过用当前帧取代背景模型中离当前帧时间间隔最远的一帧来实现的。具体的，非参数背景模型模块20根据背景模型更新模块60更新的背景模型，获得非参数背景模型 

的样本集。样本集为背景模型更新模块60更新的当前帧Y^t前的连续ρ_b帧，因此 

可以表示为 

具体的帧数可以根据内存、场景状况以及检测精度等要求进行综合选择，如可以保存10帧到100帧之间的任意帧数。具体的，如果内存比较小，保存的帧数则可以较少，反之则可以较多；如果精度要求比较高，保存的帧数则应较多，反之则可以较少；如果场景背景动态性比较明显的话，保存的帧数则应该较多，反之则可以较少。 

参数获取模块70，用于获取似然比修正模块40进行似然比修正所需要的各参数，并提供给似然比修正模块40用于对获取的概率进行似然比修正。其中，对于加权参数c_f和c_b，可以采用c_f＝0.9，c_b＝1.1。对于η₁和η₂，使用具有颜色相似性的图像序列获取似然比修正的参数η₁和η₂。 

第二图分割模块80，用于根据模型概率计算模块30计算得到的当前帧上的各点属于非参数混合前景模型 

和非参数背景模型 

的概率，获得不经过似然比修正输出的第二检测结果，并将输出结果提供给前景模型更新模块90。 

前景模型更新模块90，用于根据第一图分割模块50以及第二图分割模块80的输出实现非参数混合前景模型模块10中非参数混合前景模型的更新。如图5D所示，其进一步包括：第一获取子模块91，用于获取所述第一图分割模块50根据似然比修正后的概率进行图分割并输出的运动物体检测结果；第二获取子模块92，用于获取所述第二图分割模块80根据不进行似然比修正的概率直接进行图分割并输出的第二检测结果；更新子模块93，用于根据第一获取子模块91和第二获取子模块92获取的结果，获取非参数混合前景模型并更新所述非参数混合前景模型模块10中的非参数混合前景模型。 

其中，第一图分割模块50的结果除用于输出外，另一路传输到前景模型更新模块90，用于前景模型更新模块90更新非参数混合前景模型模块10中的非参数混合前景模型。非参数混合前景模型模块10存储了非参数混合前景模型样本集，该非参数混合前景模型是由当前帧Y^t之前的连续ρ_f帧的检测结果组成的。非参数混合前景模型模块10中前景模型的建立并不全部来自第一图分割模块50的结果。在模型概率计算模块30得到当前帧上的各点属于非参数混合前景模型 

和非参数背景模型 

的概率之后，不经过似然比修正而直接使用第二图分割模块80得到的检测结果也用于建立前景模型。 

而非参数混合前景模型模块10，用于根据上述前景模型更新模块90的输出，保存前景模型的样本集。由于前景模型中同时使用了第一图分割模块50和第二图分割模块80的结果，因此这个前景模型被称为非参数混合前景模型。假设Y_B ⁱ是i时刻第二图分割模块80得到的检测结果，Y_A ⁱ是i时刻第一图分割模块50得到的检测结果，那么t时刻非参数混合前景模型可以表示为 

即对于时刻t，非参数混合前景模型中第t-1帧为第一图分割模块50的输出，而其它各帧为第二图分割模块80的输出。 

通过本发明实施例提供的装置，通过建立非参数混合前景模型，并使用似然比修正方法，实现了对运动物体的检测。在检测结果中可以对运动物体以及于运动物体具有相同或相似颜色的背景进行有效区分，提高了识别的正确率。 

本发明实施例可以用于对固定场景的各种单相机或者多相机监控系统。比如银行监控，楼宇内监控等相对静止的场景监控；停车场监控，或者任意相对动态的室外场景监控中。图6是本发明实施例运动物体检测方法所应用的一个对室外过道的多相机监控装置图。 

在该装置中，相机模块获取被监控场景视频流，在视频流到帧图像转换模块，帧图像被从场景中提取出来。提取的帧图像正是检测模块的输入。检测模块和图5所示的装置相同。检测模块的输出是跟踪模块的输入。从多个(图中是两个)相机所获得跟踪输出输入决策机制模块得到决策输出。决策模块 由一系列规则组成。如果关注的是场景中有多少个行人，那么由决策规则就可以最后判断出场景中有多少人。其它决策的原理类似。 

可以看出，本发明实施例提出的装置是图6所示的一个监控系统装置中的检测模块。对于任何一个监控系统，其中如果有检测模块，都可以使用本发明实施例提出的技术。 

一个室外过道监控的例子如图7A至图7C所示。图7A是动态场景中的一帧，图7B是使用现有技术中得到的检测结果，图7C是使用本发明实施例得到的检测结果。 

从上述例子可以看出，现有的技术分割的出的物体常常是不完整并且分裂成好几部分，这种分类给后续应用带来很到的困难。而使用本发明实施例分割出来的物体都是比较完整的，非常有利于后续应用。 

另外，本发明可以用于室内室外各种行为分析系统中，比如步态识别系统，手势识别系统，异常行为识别系统等。图8是本发明实施例运动物体检测方法所应用的一个步态识别系统的装置图。 

在该装置中，相机模块获取被监控场景视频流，在视频流到帧图像转换模块，帧图像被从场景中提取出来。提取的帧图像为检测模块的输入。检测模块和图5所示的检测装置完全一样。检测模块的输出是跟踪模块的输入。跟踪模块实现对同一个人的跟踪。在跟踪之后，得到对同一个人的检测序列。该检测序列输入到分类模块，可以分类出走、跑或者跳等不同行为以及按照行走的不同表现可以识别出是哪个人。分类模块所需要的参数通过参数训练模块和训练样本集得到。 

可以看出，本发明实施例是图8所示的步态识别系统中的检测模块。对于任何一个监控系统，其中如果有检测模块，都可以使用本文提出的技术。 

一个步态识别的例子如图9A至图9C所示。图9A是相机获得的一个运动序列中的一帧，因为目标离相机比较远，目标比较小，所以截出目标放大显示。图9B为使用现有技术得到的检测结果。可以看到，由于距离较远并且运动的物体和背景的白色的颜色相似性，运动的物体很难被完整的检测出来。这种检测的不准确，可能使系统不能正确的判断出运动的物体是一个人，或者不 能正确判断出人的行为方式是走、跑或者跳等。使用本发明实施例方法得到的检测结果如图9C所示。可以看出，许多被现有技术误分类的颜色相似点可以被本发明正确检测出来。 

以上只是本发明实施例所提供的方法和装置的具体应用实例，对于任何需要从固定场景的视频中获取运动物体的应用，都可以使用本技术。比如各种监控系统，行为分析识别系统等，在此不再一一描述。 

目前的各种监控系统和识别系统，总体的性能在很大程度上依靠目标检测的性能。对于监控系统来说，最后的评价指标一般是对于场景中运动物体的跟踪性能，传统的跟踪系统，一般都用在背景基本静止的场合，并且都有一定的跟踪错误的概率。如果使用本发明实施例所提供的方法和装置，那么就可以扩展到室内室外各种静态和动态环境中，并最后会提高跟踪的性能。对于识别系统，最后的评价指标一般是识别的正确率，所以，检测的完整性对于识别是非常重要的，同时目标的识别系统，基本都是限定在室内场景。前面的实例已经证明了本发明实施例所提供的方法和装置能够基本完整的检测出不能被以前算法完整检测出的物体。如果使用本发明实施例所提供的方法和装置，那么就可以扩展到室内室外各种静态和动态环境中，并最后会提高识别的正确率。 

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，也可以通过硬件实现，基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，包括若干指令用以使得一台计算机设备执行本发明各个实施例所述的方法。该软件产品可以存储在一个存储介质中，例如光盘、硬盘、U盘等非易失性存储介质中。 

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。 

Claims (12)

1.一种运动物体检测的方法，其特征在于，包括以下步骤：

获取非参数混合前景模型和非参数背景模型，其中，所述非参数混合前景模型可根据下述公式建立：

其中，

表示t时刻未经过似然比修正直接进行图分割得到的结果，

表示t时刻经过似然比修正直接进行图分割得到的结果，

ρ表示

中的样本集包括的当前帧

之前的连续帧数，

表示t时刻非参数混合前景模型；

获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率；

对所述非参数混合前景模型概率和所述非参数背景模型概率分别使用前景加权参数c_f和背景加权参数c_b进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，其中，所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)；

根据当前帧上各点的似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。

2.如权利要求1所述运动物体检测的方法，其特征在于，还包括：

获取当前帧，使用所述当前帧取代与当前时间间隔最远的一帧，用于更新所述非参数背景模型和非参数混合前景模型。

3.如权利要求1或2所述运动物体检测的方法，其特征在于，所述获取非参数背景模型的步骤具体包括：

获取所述当前帧之前的连续预定个帧，作为所述非参数背景模型中的样本集。

4.如权利要求1所述运动物体检测的方法，其特征在于，所述对所述非参数混合前景模型概率和所述非参数背景模型概率分别使用前景加权参数c_f和背景加权参数c_b进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率包括：

获取所述当前帧上各点的非参数混合前景模型概率的负对数；

获取所述当前帧上各点的非参数背景模型概率的负对数；

根据所述非参数混合前景模型概率的负对数与所述非参数背景模型概率的负对数，获取所述当前帧上各点的似然比；

当所述似然比位于预先设定的区间内时，对所述似然比对应的点的非参数混合前景模型概率使用前景加权参数c_f进行加权，对所述似然比对应的点的非参数背景模型概率使用背景加权参数c_b进行加权，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，其中，所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)。

5.如权利要求4所述运动物体检测的方法，其特征在于，所述预先设定的区间的确定方法包括：根据非参数混合前景模型和非参数背景模型的建模参数以及核密度参数，使用具有颜色相似性的图像序列建模并获取所述区间的上限和下限。

6.一种运动物体检测的装置，其特征在于，包括：

非参数混合前景模型模块，用于获取非参数混合前景模型，所述非参数混合前景模型可根据下述公式建立：

其中，

表示t时刻未经过似然比修正直接进行图分割得到的结果，

表示t时刻经过似然比修正直接进行图分割得到的结果，

ρ表示

中的样本集包括的当前帧

之前的连续帧数，

表示t时刻非参数混合前景模型；

非参数背景模型模块，用于获取非参数背景模型；

模型概率计算模块，用于分别根据所述非参数混合前景模型和所述非参数背景模型获取当前帧上各点的非参数混合前景模型概率和非参数背景模型概率；

似然比修正模块，用于对所述模型概率计算模块获取的非参数混合前景模型概率和非参数背景模型概率分别使用前景加权参数c_f和背景加权参数c_b进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，且所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)；

第一图分割模块，用于根据当前帧上各点的所述似然比修正模块进行似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率进行图分割并输出运动物体的检测结果。

7.如权利要求6所述运动物体检测的装置，其特征在于，还包括：

背景模型更新模块，用于获取当前帧并输入到所述非参数背景模型模块，使用所述当前帧取代所述非参数背景模型模块的样本集中与所述当前帧时间间隔最远的一帧。

8.如权利要求6所述运动物体检测的装置，其特征在于，所述非参数背景模型模块具体为：第一非参数背景模型模块，用于获取当前帧之前的连续预定个帧，作为所述非参数背景模型中的样本集。

9.如权利要求6所述运动物体检测的装置，其特征在于，还包括第二图分割模块，用于根据所述当前帧上各点的非参数混合前景模型概率和非参数背景模型概率对所述当前帧进行图分割并输出第二检测结果。

10.如权利要求9所述运动物体检测的装置，其特征在于，还包括：

前景模型更新模块，用于根据所述第一图分割模块输出的运动物体检测结果和第二图分割模块输出的第二检测结果，更新所述非参数混合前景模型模块中的非参数混合前景模型。

11.如权利要求6所述运动物体检测的装置，其特征在于，所述似然比修正模块具体包括：

第一修正获取子模块，用于获取所述当前帧上各点的非参数混合前景模型概率的负对数，以及所述当前帧上各点的非参数背景模型概率的负对数；

第二修正获取子模块，用于根据所述第一修正获取子模块获取的所述非参数混合前景模型概率的负对数与所述非参数背景模型概率的负对数，获取所述当前帧上各点的似然比；

修正判断子模块，用于判断所述第二修正获取子模块获取的似然比是否位于预先设定的区间；

修正子模块，用于当所述修正判断子模块判断所述似然比位于预先设定的区间时，对所述似然比对应点的非参数混合前景模型概率和非参数背景模型概率分别使用前景加权参数c_f和背景加权参数c_b进行加权以进行似然比修正，得到似然比修正后的非参数混合前景模型概率和似然比修正后的非参数背景模型概率，其中所述前景加权参数c_f∈(0，1)，所述背景加权参数c_b∈(1，+∞)。

12.如权利要求11所述运动物体检测的装置，其特征在于，还包括：

参数获取模块，用于获取所述预先设定的区间以及所述前景加权参数和所述背景加权参数，并分别提供给所述似然比修正模块的修正判断子模块和修正子模块。

Images