一种基于有限状态机的遗留物检测方法技术

本发明专利技术公开了一种基于有限状态机的遗留物检测方法，首先建立高斯混合背景模型，根据不同学习速率分别建立短时背景模型和长时背景模型；然后对每个像素建立有限状态机，根据两个不同更新速度的背景模型检测得到的结果作为输入，有限状态机输出像素分类结果为二值图像，接着对得到的二值图像进行联通区域分析，使用区域生长法得到遗留物的形状和轮廓，计算出包围遗留物的矩形盒；最后对得到的遗留物矩形盒计时，达到门限即检测出遗留物并报警。本发明专利技术在遗留物被两个背景吸收的情况下，可以根据像素历史仍然检测出遗留物，在实际场景中虚警和误警较少，因为不依赖于跟踪信息，在密集人流的场合下也能取得好的检测效果。

【技术实现步骤摘要】

本专利技术涉及一种视频遗留物检测方法，更具体地涉及一种基于双背景模型对图像每个像素建立扩展有限状态机进行分类从而检测遗留物的方法。
技术介绍
近年来，随着恐怖主义的蔓延，国内外公共安全事件多发，特别是公共场所爆炸物造成重大伤亡的情况时有发生。视频遗留物检测就是针对犯罪分子在航站、火车站等公共场所趁人不备放置危险品时能迅速发出报警的一种技术手段。同时，遗留物检测也可以在交通场景中用于检测停车事件。目前视频遗留物检测方法主要通过背景减法检测遗留物。对静止摄像机视频图像中每个像素建立高斯模型得到背景，背景需要不断学习以适应光照和场景缓慢的变化。使用两个不同更新速度的背景模型来检测遗留物。其中，更新快的模型是短时模型，遗留物很快就融入到背景模型；更新慢的是长时模型，遗留物要过一段时间才融入模型。在遗留物融入短时背景模型，还没有融入到长时背景模型时，两个背景的差就是遗留物。在现有方法中，遗留物在一段时间后，也会被长时背景模型吸收，这时遗留物就不能再被检测到。另外，如果有物体从场景中被移开，会被当做遗留物被检测到。现有方法解决这些问题，需要有选择地使用已检测的遗留物更新长时背景模型，并保持对遗留物的跟踪。然而不正确的更新策略会导致不正确的检测，甚至导致光照变化被检测为遗留物。特别在实际密集人流的场合，运动的人流对遗留物形成遮挡和阴影，难以初始化和保持对遗留物的跟踪，现有方法的虚警和漏警率很高，难以实用。本质上，现有 的方法需要跟踪遗留物检测的结果来干预背景模型，防止遗留物被背景模型吸收。在简单场景下，因为对物体的跟踪比较简单，因而检测遗留物比较可靠。一旦场景中目标较多，相互遮挡和阴影的影响，遗留物的跟踪出现错误，就会干挠背景模型，并且难以恢复，出现虚警和误警。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
的缺陷，提出一种基于状态机的遗留物检测方法，对每个像素建立有限状态机，定义在给定状态下，根据两个不同更新速度的背景模型可以得到的结果。这个方法在遗留物被两个背景吸收的情况下，可以根据像素历史仍然检测出遗留物。因为不依赖于跟踪信息，在解决密集人流的场合下也能取得好的检测效果。本专利技术为解决上述技术问题采用以下技术方案: ，包括以下步骤: 步骤1:建立视频图像的高斯混合背景模型，根据不同学习速率分别建立短时背景模型和长时背景模型； 步骤2:实时采集视频流，对于采集到的每一帧视频图像，进行以下处理:201，根据步骤I建立的短时背景模型、长时背景模型分别提取该帧视频图像的前景图像，对于该帧视频图像中的每个像素进行分类，如果像素属于前景，则将其记为1，否则记为0，得到每个像素分别对应于短时背景模型和长时背景模型的二元分类结果(X，Y)，作为有限状态机的输入字母表；其中X为像素在长时背景模型中的分类结果，Y为像素在短时背景模型中的分类结果，X=O或1，Y=O或I ; 202，为每个像素建立一个有限状态机(I，Q，Z，δ，ω)，将每个像素分别在短时背景模型和长时背景模型的二元分类结果作为有限状态机的输入1={ (0，O)，(0,1), (1,0),(1，1)}，根据有限状态机的状态集Q及其状态转移函数δ得到每个像素当前帧对应的状态，Z={0，1，...，Q|}是输出字母表，ω = {0, 1}是输出函数； 203，将每个像素当前帧对应状态机的状态号作为输出字母表进行分类映射:Ζ_>ω，分类结果形成二值图像，对应这个图像值为I的像素属于遗留物； 步骤3:对步骤2得到的二值图像进行联通区域分析，使用区域生长法得到遗留物的形状和轮廓，计算出包围遗留物的矩形盒； 步骤4:循环执行步骤2-3，对得到的遗留物矩形盒计时，当达到门限时即检测出遗留物并报警。优选的，本专利技术的，所述有限状态机由输入字母表、状态集、输出字母表、状态转移函数和输出函数构成，具体如下: 输入字母表:是长时背景模型和短时背景模型对像素分类结果构成的集{ (0,0),(O, I), (1,0) (I, I) }，其中O表示背景，I表示前景； 状态集及其转移函数具体如下: 状态O-像素是背景；当 输入是(0，0)时，状态保持不变；当输入是(1，I)时，转移至状态I ;当输入是(0，I)时，转移至状态3 ;当输入是(1，O)时，转移至状态7 ; 状态1-像素是运动物体，当输入是(0，0)时，返回状态O;当输入是(0，I)时，转移至状态8 ;当输入为(1，O)时，转移至状态2 ;当输入为(1，I)时，状态保持不变； 状态2-像素属于一个物体，已经被短时背景模型吸收，还没被长时背景模型吸收，这个物体当前是短暂静止；当输入为(0，0)时，转移至状态4 ;当输入为(0，I)时，转移至状态3 ;当输入为(1，O时，转移至状态6 ;当输入为(1，O)时，状态保持不变； 状态3-像素是刚被短暂静止的物体遮挡过的背景；当输入是(0，O)时，转移至状态0，将确定这是场景背景；当输入是(1，0)时，转移至状态2，说明像素是物体；当输入是(1，I)时，转移至状态6 ;当输入是(0，I)时，状态保持不变； 状态4-像素被两个背景模型吸收，是长时静止的物体；当输入是(1，I)时，转移至状态5 ;当输入是(1，0)时，转移至状态6 ;当输入是(0，I)时，转移至状态10 ;当输入是(0，0)时，状态保持不变； 状态5-不可区分，混沌状态；当输入为(1，I)时，状态保持不变；当输入为(0，0)时，转移至状态4 ;当输入为(1，0)或(0，I)时，转移至状态6 ; 状态6-定义一个使能函数f:通过记住这个像素最近未被物体遮挡时的像素值，与当前像素值比较，具体是将RGB空间的差值平方和后再开平方，得到像素值差值，差值在20以内的认为是背景，f值为1，反之是前景，f值为O ;在输入相同的情况下，不同的使能函数值转移到不同状态；当输入为(0，I)且f=0时，转移至状态10 ;当输入为(0，I)且f=l时，转移至状态3 ;当输入为(1，0)且f=0时，转移至状态9 ;当输入为(1，0)且f=l时，转移至状态7 ;当输入为(0，0)且f=0时，转移至状态4 ;当输入为(O，O)且f=l时，转移至状态O ;其它输入状态保持不变； 状态7-短时模型区分为背景，长时模型区分为前景，经验证为场景的背景像素；当输入是(O，O)时，转移至状态O，将确定这是场景背景；当输入是(O，I)时，转移至状态8 ;当输入是(1，I)时，转移至状态6 ;当输入是(1，O)时，状态保持不变； 状态8-长时静止物体被拿开时，像素是场景背景像素；当输入是(O，O)时，转移至状态4，说明遗留物遮挡了另一遗留物；当输入为(1，O时，转移至状态6 ;当输入是(1，O)时，转移至状态7;当输入是(O，I)时，状态保持不变； 状态9-像素是一个短时静止物体遮挡一个长时静止物体；当输入为(O，O)时，转移至状态4，说明短时静止物体被移开，长时静止物体又被显示出来；当输入为(O，I)或(1，I)时，转移至状态6 ;当输入是(1，O)时，状态保持不变； 状态10-像素是短时静止物体遮挡一个长时静止物体后，拿开短时静止物体，像素当前是长时静止物体；当下一个输入是(0，O)时转移至状态4，将确定这是遗留物；当本文档来自技高网...

【技术保护点】
一种基于有限状态机的遗留物检测方法，其特征在于，包括以下步骤：步骤1：建立视频图像的高斯混合背景模型，根据不同学习速率分别建立短时背景模型和长时背景模型；?步骤2：实时采集视频流，对于采集到的每一帧视频图像，依次进行以下处理：201，根据步骤1建立的短时背景模型、长时背景模型分别提取该帧视频图像的前景图像，对于该帧视频图像中的每个像素进行分类，如果像素属于前景，则将其记为1，否则记为0，得到每个像素分别对应于长时背景模型和短时背景模型的二元分类结果（X,Y），作为有限状态机的输入字母表；其中X为像素在长时背景模型中的分类结果，Y为像素在短时背景模型中的分类结果，X=0或1，Y=0或1；202，为每个像素建立一个有限状态机（I，Q，Z，δ，ω），将每个像素分别在长时背景模型和短时背景模型的二元分类结果作为有限状态机的输入I={（0,0）,（0,1）,（1,0）,（1,1）}，根据有限状态机的状态集Q及其状态转移函数δ得到每个像素当前帧对应的状态，Z={0,1，...，|Q|}是输出字母表，ω={0,1}是输出函数；203，将每个像素当前帧对应状态机的状态号作为输出字母表进行分类映射：Z?>ω，分类结果形成二值图像，对应这个图像值为1的像素属于遗留物；?步骤3:对步骤2得到的二值图像进行联通区域分析，使用区域生长法得到遗留物的形状和轮廓，计算出包围遗留物的矩形盒；步骤4：循环执行步骤2?3，对得到的遗留物矩形盒计时，当达到门限时即检测出遗留物并报警。...

【技术特征摘要】
1.一种基于有限状态机的遗留物检测方法，其特征在于，包括以下步骤: 步骤1:建立视频图像的高斯混合背景模型，根据不同学习速率分别建立短时背景模型和长时背景模型； 步骤2:实时采集视频流，对于采集到的每一帧视频图像，依次进行以下处理: 201，根据步骤I建立的短时背景模型、长时背景模型分别提取该帧视频图像的前景图像，对于该帧视频图像中的每个像素进行分类，如果像素属于前景，则将其记为1，否则记为0，得到每个像素分别对应于长时背景模型和短时背景模型的二元分类结果(X，Y)，作为有限状态机的输入字母表；其中X为像素在长时背景模型中的分类结果，Y为像素在短时背景模型中的分类结果，X=O或1，Y=O或I ; 202,为每个像素建立一个有限状态机(I, Q, Z, δ，ω ),将每个像素分别在长时背景模型和短时背景模型的二元分类结果作为有限状态机的输入1={ (0，O)，(0,1), (1,0),(1，1)}，根据有限状态机的状态集Q及其状态转移函数δ得到每个像素当前帧对应的状态，Ζ={0，I,, IqII是输出字母表，ω = {ο, 1}是输出函数； 203，将每个像素当前帧对应状态机的状态号作为输出字母表进行分类映射:ζ->ω，分类结果形成二值图像，对应这个图像值为I的像素属于遗留物； 步骤3:对步骤2得到的二值图像进行联通区域分析，使用区域生长法得到遗留物的形状和轮廓，计算出包围遗留物的矩形盒； 步骤4:循环执行步骤2-3，对得到的遗留物矩形盒计时，当达到门限时即检测出遗留物并报警。2.根据权利要求1所述的一种基于有限状态机的遗留物检测方法，其特征在于，所述有限状态机由输入字母表、状态集、输出字母表、状态转移函数和输出函数构成，具体如下: 输入字母表:是长时背景模型和短时背景模型对像素分类结果构成的集{ (0,0),(O, I), (1,0) (I, I) }，其中O表示背景，I表示前景； 状态集及其转移函数具体如下: 状态O-像素是背景；当输入是(0，0)时，状态保持不变；当输入是(1，I)时，转移至状态I ;当输入是(0，I)时，转移至状态3 ;当输入是(1，O)时，转移至状态7 ; 状态1-像素是运动物体，当输入是(0，O)时，返回状态O ;当输入是(0，I)时，转移至状态8 ;当输入为(1，0)时，转移至状态2 ;当输入为(1，I)时，状态保持不变； 状态2-像素属于一个物体，已经被短时背景模型吸收，还没被长时背景模型吸收，这个物体当前是短暂静止；当输入为(0，0)时，转移至状态4 ;当输入为(0，I)时，转移至状态.3 ;当输入为(1，O时，转移至状态6 ;当输入为(1，O)时，状态保持不变； 状态3-像素是刚被短暂静止的物体遮挡过的背景；当输入是(0，O)时，转移至状态0，将确定这是场景背景；当输入是(1，0)时，转移至状态2，说明像素是物体；当输入是(1，I)时，转移至状态6 ;当输入是(0，I)时，状态保持不变； 状态4-像素被两个背景模型吸收，是长时静止的物体；当输入是(1，I)时，转移至状态.5 ;当输入是(1，O)时，转移至状态6 ;当输入是(0，I)时，转移至状态10 ;当输入是(0，0)时，状态保持不变； 状态5-不可区分， 混沌状态；当输入为(1，I)时，状态保持不变；当输入为(0，O)时，转移至状态4 ;当输入为(1，0)或(O，I)时，转移至状态6 ; 状态6-定义一个使能函数f:通过记住这个像素最近未被物体遮挡时的像素值，与当前像素值比较，具体是将RGB空间的差值平方和...

【专利技术属性】
技术研发人员：廖峰，
申请(专利权)人：南京新方向智能技术有限公司，
类型：发明
国别省市：