用于改进的背景-前景分割的使用目标分类的增强背景模型制造技术

本发明专利技术公开一种用于产生和保持在背景－前景分割中所使用的增强背景模型的方法和装置。将背景模型修改以包含一个用于指示目标通常为静止的指示。此后，如果目标运动且已经被预先标识为通常为静止的目标，则在背景－前景分割期间，不再不必要地将该目标识别为前景的一部分。在示例性实施例中，将运动目标分为两个集合。第一集合包括通常独立运动的目标，第二集合包括通常静止的目标。通常，一旦将目标分配到第二（静止目标）集合中，则即使该目标运动（正常情况下，该目标运动会使目标变为前景的一部分），该目标也仍然被保留在背景中。（*该技术在2023年保护过期，可自由使用*）

【技术实现步骤摘要】

本专利技术涉及计算机系统执行的背景-前景分割，特别是涉及在背景-前景分割中使用的改进的背景模型的产生和维持。背景-前景分割是用于在静止照相机的取景范围内检测目标的公知的基于计算机视觉的技术。开始，系统在没有目标出现的情况下，在训练阶段学习场景。在训练阶段利用从该场景捕获的一系列图像建立该场景的背景模型。此后，在正常的操作期间，将新的图像与该背景模型进行比较。将与背景模型具有显著区别的像素位置归类为前景像素，而将剩余的像素标记为背景像素。该算法的输出通常为二进制图像，该图像描述在场景中出现的前景目标的轮廓。对于开阔户外区域例如停车场、或封闭的大型场所例如仓库、办公空间、或地铁站台中的人和其它目标，传统的背景-前景分割技术可以很好地将它们分割和跟踪。但是这些场景与通常的家庭中的场景有很大不同。例如，居住环境通常在很小的区域内包含很多目标。另外，居住环境中的很多目标都是软性的，例如衣服和窗帘，或者是容易变形的，例如家具和百叶窗(或这两者都是)，而且人们在居住环境中会经常改变他们的姿势，例如，在站立、坐下和躺下位置之间改变。大多数已知的背景-前景分割技术都不能在混乱环境中聚集很多下肢部分，非垂直身体姿势和大型背景目标例如门、椅子和桌子自然运动的情况下有效工作。因此需要一种方法和装置来产生和维持用于背景-前景分割的改进的背景模型。通常，公开了一种用于产生和维持在背景-前景分割中使用的改进背景模型的方法和装置。根据本专利技术的一个方面，使用该增强的背景模型来改进背景和前景的分割。根据本专利技术来修改该背景模型，从而包含通常静止的目标的标识。此后，如果一个目标移动且已经被识别为通常为静止的目标，则在背景-前景分割期间不会不必要地将该目标识别为前景的一部分。在示例性实施方案中，将运动目标分为两个集合。第一集合包括通常独立运动的目标，例如人和动物，第二集合包括通常静止的目标，例如家具。通常，一旦将一目标分到第二(静止目标)集合，则即使该目标被移动(通常该目标的运动会导致该目标变为前景的一部分)，仍将该目标保留在背景中。可以使用本专利技术的增强背景模型来改进背景-前景分割。在训练过程中，估计该背景模型的参数。当检测到目标的运动时，将该目标归类为这两集合中的一集合。在正常操作期间，利用该背景模型对所捕获图像的相似概率进行估计。将具有低相似概率且属于没有预先被标识为静止目标的背景场景的像素归类为前景，而将剩余的像素标记为背景。通过参照下面的详细说明和附图，可以对本专利技术以及本专利技术的进一步特征和优点有更完整的理解。附图说明图1示出根据本专利技术优选实施例用于执行背景-前景分割的示例性系统的方块图。图2示出根据本专利技术优选实施例用于对执行背景-前景分割的系统的输入图像进行分类的方法流程图。图3示出根据本专利技术优选实施例用于训练执行背景-前景分割的系统的方法流程图。图4示出用于描述图1中的背景模型目标分类处理的示例性实施例的流程图。现在参照图1，根据本专利技术优选实施例，所示的视频处理系统120产生并维持用于背景-前景分割的背景模型。视频处理系统120通过视频输入107、数字通用光盘(DVD)110和网络115与一个或更多照相机进行互操作。视频处理系统120包括处理器130、介质接口135、网络接口140和存储器145。存储器145包括图像抓取器150、输入图像155、背景模型产生/维持处理200/300、背景模型目标分类处理400、概率表165、全局阈值180、像素阈值195和所分割的图像190。在示例性实施例中，如下所述，背景模型为概率表165集合，该集合包括多个概率表170-11到170-HW。图1中所示的一个概率表170-11包含项目175-11到175-NM。通常背景模型是为每个照相机建立的，从而易于快速分割前景和背景。为了防止需要背景模型来检测每个目标(处理为前景目标)，根据本专利技术修改背景模型从而使其包含通常为静止的目标标识。此后，如果目标运动且已经被标识为通常为静止的目标，则在背景-前景分割期间不会不必要地将该目标变为前景的一部分。在一个实施方式中，将运动目标归类到两集合中的一集合中。第一集合包括通常独立运动的目标，例如人和动物。当第一集合中的目标在图像中运动时，该目标将变为前景的一部分。该第二集合包括通常为静止的目标，例如家具。通常一旦将目标归类为第二集合，则即使该目标被移动(通常该目标的运动会导致该目标变为前景的一部分)，也仍将该目标保留在背景中。通过这种方式，当背景目标被移动时，不会不必要地将该背景目标变为前景的一部分。如图1所示，视频处理系统120从照相机105将视频输入107耦合到图像抓取器150中。图像抓取器150从该视频输入107中“抓取”一个单独图像，并生成输入图像155，该输入图像通常为多个像素。很明显，输入图像155包括高度方向的H个像素和宽度方向的W个像素，每个像素具有分别对应红、绿和蓝(RGB)信息的8位，总共为24位的RGB像素数据。也可以使用其它系统表现图像，但通常使用RGB。该背景-前景分割处理200，300产生背景模型，并执行背景-前景分割。背景-前景分割处理200是在视频处理系统120的正常操作期间使用的，而背景-前景分割处理300是在训练中使用以便产生背景模型。一个单独的处理应当执行处理200和300，该单独处理可以简单被配置到正常操作模式或训练模式。但是，如果需要也可以使用分离处理。在视频处理系统120的正常操作期间，背景-前景分割处理200使用概率表165来确定输入图像155中的HxW个像素中每个像素的似然概率。将每个似然概率与像素阈值195比较。如果该似然概率低于像素阈值195，则假设该像素属于背景。通过背景-前景分割处理200还可能修改概率模型，从而允许视频处理系统120假设，如果像素的似然概率大于像素阈值195，则该像素属于背景。对于视频处理系统120来说，如果该像素的似然概率在像素阈值范围内，甚至可能将该像素分配给背景。但是，为了简便起见，在此假设，如果像素的似然概率低于像素阈值195，则可以假设该像素属于背景。在正常操作期间，背景-前景分割处理200通过使用概率表165和像素阈值195从输入图像中确定所分割的图像190。另外，背景-前景分割处理200可以使用概率模型(未示出)来确定每个像素的似然概率。下面将详细讨论优选概率模型。这些概率模型在背景-前景分割处理200根据该模型执行一系列步骤的意义上被“置入”背景-前景分割处理200(和300)中。换句话说，背景-前景分割处理200利用一个或多个概率模型至少部分限定了它的步骤。为了简便起见，用于执行背景-前景分割的概率模型和背景-前景分割处理将被认为可以互换。但是，应当注意在执行根据模型确定概率的必须的步骤的同时，背景-前景分割处理还有与根据模型确定概率不相关的其它步骤。例如，从输入图像155中检索数据并将这些数据存储在数据结构中都是不根据概率模型执行的可能步骤。在训练期间，背景-前景分割处理300定义和改进了概率表170-11到170-HW(在此总的来说“概率表170”)。优选地，对输入图像155的每个像素都有一个概率表。每个概率表具有一个MxN矩阵，如对于概率表170-11所示具有项目175-11到175-NM(在此总的来本文档来自技高网...

【技术保护点】
一种方法，包括：检索场景的一个图像，该图像包括多个像素；得到所述场景的背景模型；和在所述背景模型中提供一个指示，指示所述背景模型中的目标通常都是静止的。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：S古特塔，AJ科梅纳雷滋，M特拉科维，
申请(专利权)人：皇家飞利浦电子股份有限公司，
类型：发明
国别省市：NL[荷兰]