基于加權ks背景模型優(yōu)化算法的視頻運動目標檢測方法
【專利摘要】本發(fā)明公開了一種基于加權KS背景模型優(yōu)化算法的視頻運動目標檢測方法。本發(fā)明首先利用混合高斯背景模型算法，更新高斯背景模型參數(shù)。其次，讀入相鄰的m幅視頻圖像，利用加權KS背景模型優(yōu)化處理，計算高斯加權系數(shù)，實現(xiàn)背景模型優(yōu)化。再次將像素點逐個代入所建模型，求解擬合偏差，并將其與門限值比較，若大于門限值則判定為前景，用“0”表示，反之即判為背景，用“1”表示，由此實現(xiàn)對運動目標的檢測。最后，檢測到的圖像如果是最后一幀，則結束檢測，反之進行下一幀圖像的檢測處理，直至所有的視頻圖像均被檢測完為止。本發(fā)明建立的背景模型能更好的跟蹤背景的變化，故檢測的效果也更為理想。
【專利說明】基于加權KS背景模型優(yōu)化算法的視頻運動目標檢測方法
【技術領域】
[0001]本發(fā)明屬于視頻運動目標檢測【技術領域】，具體涉及一種基于加權KS背景模型優(yōu)化算法的視頻運動目標檢測方法。
【背景技術】
[0002]在傳統(tǒng)的視頻運動目標檢測的背景建模中，通常選用混合高斯框架進行背景建?！，F(xiàn)有的混合高斯模型的背景優(yōu)化技術，多是通過模型參數(shù)的自適應更新，或是或高斯模型的維數(shù)的自適應來選取，實現(xiàn)背景模型的優(yōu)化。而該框架下的建模及檢測需設定運動目標像素點為均勻分布，而該種分布與實際情況存在偏差，因此難免存在檢測失真。為此，近年有將擬合優(yōu)度檢測的方法引入到視頻運動目標的檢測，該方法的建模及檢測主要是基于對檢測到的數(shù)據(jù)的統(tǒng)計分析進行建模，并根據(jù)所建模型與已知模型的擬合程度，來實現(xiàn)對目標的檢測。雖然，該種檢測方法在對視頻運動目標的檢測中已獲得一定的成果，但該方法本身存在著小概率的累積誤檢的缺陷，故檢測的魯棒性不高。

【發(fā)明內(nèi)容】
[0003]本發(fā)明中提出了基于加權KS背景模型優(yōu)化的視頻運動目標檢測方法，該方法在擬合優(yōu)度檢測的基礎上，通過加權技術改善了檢測的魯棒性，同時又充分結合數(shù)學工具實現(xiàn)了對模型的優(yōu)化研究，實現(xiàn)了基于數(shù)據(jù)驅動的背景建模優(yōu)化。該方法的具體思路:首先，利用混合高斯背景模型算法，更新高斯背景模型參數(shù)。其次，讀入相鄰的m幅視頻圖像，利用加權KS背景模型優(yōu)化處理，計算高斯加權系數(shù)，實現(xiàn)背景模型優(yōu)化。再次，將像素點逐個代入所建模型，求解擬合偏差，并將其與門限值比較，若大于門限值則判定為前景，用“O”表示，反之即判為背景，用“I”表示，由此實現(xiàn)對運動目標的檢測。最后，檢測到的圖像如果是最后一幀，則結束檢測，反之跳回步驟二進行下一幀圖像的檢測處理，直至所有的視頻圖像均被檢測完為止。
[0004]為方便描述
【發(fā)明內(nèi)容】
，首先做以下術語定義:
[0005]定義IKS檢測方法
[0006]KS檢測是關于比較兩個分布函數(shù)的一種擬合優(yōu)度檢測方法，具體來說是基于經(jīng)驗分布函數(shù)？11(1)和已知分布函數(shù)Ftl (X)之間的擬合度的研究。定義擬合最大偏差距離為Dmax。則對應目標函數(shù)為:
[0007]Dmax = max | Fn (x) -F0 (x)
[0008]在檢測過程中，根據(jù)經(jīng)驗預先設置一個門限值Dtl，檢測過程即為比較最大偏差值Dmax與門限值Dtl的大小來做出判斷。具體的檢測過程表述如下:
[0009]
D > Dn 檢測點不屬于已知分布內(nèi)的點
max O
D <Da 檢測點屬于已知分布內(nèi)的點..max O[0010]定義2加權KS檢測方法
[0011]類似于KS檢測的方法，加權KS檢測方法同樣屬于擬合優(yōu)度檢測，只是此時檢測的目標函數(shù)為一個復合參數(shù)模型，具體操作過程中需要首先對其模型參數(shù)進行優(yōu)化處理，然后再計算擬合偏差及目標判定。加權KS檢測方法的具體數(shù)學表達式如下:優(yōu)化目標函數(shù)
【權利要求】
1.基于加權KS背景模型優(yōu)化算法的視頻運動目標檢測方法，其特征在于該方法的具體步驟是: 步驟一:利用混合高斯背景模型算法，更新混合高斯背景模型參數(shù)； 步驟二:讀入相鄰的m幅視頻圖像，利用加權KS背景模型優(yōu)化處理，計算高斯加權系數(shù)，實現(xiàn)背景模型優(yōu)化； 假設第t幀圖像中第j個像素點的灰度值\，t，則優(yōu)化目標函數(shù)定義為:Objixjj,Θ) = sup^ ,) - Fixjl,θ)\),( = 1,2,…,m， 其中加權函數(shù)Φ(叩,F(r,鄭，數(shù)據(jù)經(jīng)驗分布函數(shù)^丄?χ~]，
IHIH ；_|
模型經(jīng)驗分布函數(shù) 其中，k為混合高斯的模型個數(shù)，Xj.t表示第t幀圖像中第j個像素點的灰度值；F (xJ； t, θ )為k維高斯分布概率；θ = [W1 W2…wk]T為k維高斯系數(shù)列向量；Aw:!:滿足不等式條件時取I，不滿足時取O ;為第i個均值為μ i;方差為erf的高斯模型的概率； 已知像素點的灰度值Xj，t，模型經(jīng)驗分布函數(shù)在Xj，t處分布概率B，各個高斯分量模型參數(shù)，求解最優(yōu)的高斯權系數(shù)向量Θ =Lw1 W2…wk]T，要求Σ11’/ =。= 1，2，…^此時，需要討論模型個數(shù)k的取值； 1.當k= 2時，將目標函數(shù)與約束條件結合，可得最優(yōu)的高斯系數(shù)的取值為:W1 —-(--/, ), H;, -1-Wt = 1--(--Z2).U-J1 2B-\.-./；-./2 2β-1 其中，f/ = f「f2，Λ的高斯概率密度值，/2 ~#2(巧#2，0丨)的高斯概率密度值。
2.當k> 3時，采用迭代求解極值方法；具體推導如下: 對原目標函數(shù)求導整理后得:

Σ wJi =:τ^τ,Ση:=1，/=1,2，...，灸

/；-|Ζ/? — 丨，其中，f N(.2、.即求解=;參考在非負矩陣分解
Ji ~尤；，Ρ7，σ/J，/-1Zn — L算法中迭代極值求解算法:這里假定一個大小為iX j的非負矩陣，則公式表述為光xy，其中η為矩陣的行數(shù)，m為矩陣的列數(shù)，“ + ”表征矩陣內(nèi)元素的非負性；已知K ，求解,€ Rn:r,H € Rr:m,E e R職，使得E = V-ffH,這里要求| | E | |盡可能小，并且算法是快速收斂的；即找到求解下式的收斂算法:
【文檔編號】G06T7/20GK103646405SQ201310511333
【公開日】2014年3月19日 申請日期:2013年10月24日 優(yōu)先權日:2013年10月24日
【發(fā)明者】郭春生, 張鳳金, 劉丹, 樓先濠 申請人:杭州電子科技大學