复杂场景中基于对象的运动目标检测方法

基于像素层面的混合高斯背景建模方法不能很好的解决动态背景中的运动目标检测问题。由于背景像素运动的复杂性,该方法很难将动态背景建入模型,会造成大量的误检。本文在混合高斯背景建模的基础上,通过空域和时域对动态背景产生的误检进行抑制。在空域运用MRF模型和混合高斯模型分别计算像素点的先验概率和类条件概率,通过结合像素点的先验概率和类条件概率完成前景图像的分割,在很大程度上去除了小面积的误检;在时域通过目标的运动持续性,运动显著性和面积变化稳定性三个目标特征过滤大面积的误检。通过实验表明,在保证较高检测精度的情况下,该方法能够在很大程度上抑制动态背景产生的误检。

自适应邻域相关性的背景建模

目的背景建模在计算机视觉领域中是检测、跟踪、行为学习和识别的基础,被广泛地应用于视频监控的运动目标检测。混合高斯(MOG)和Codebook是其中具有代表性的方法,但它们假设像素点间信息是独立的,只保留了时域信息而忽略了空域信息,使得模型对背景的描述局限于时间上的连续性。针对上述问题,提出了一种自适应邻域相关性的背景建模方法(ANC)。方法 ANC在保留原始方法时域信息建模特性的同时,增加对邻域模型的复用,同时利用计算结果反馈自适应调整邻域区域,提高对前景值判断的准确性。首先利用原始基于像素点的背景建模方法进行候选前景检测,然后将候选前景检测结果为前景点的像素与邻域像素点模型进行对比,若邻域范围存在匹配则为背景点,若不存在则为前景点;最后引入像素置信度概念,自适应调整邻域范围的大小。结果与MOG和Codebook相比,在changedetection标准数据库上,ANC在ROC(受试者工作特征曲线)和度量值等方面的平均精度和F-measure都提高了7%以上。结论自适应邻域相关性的背景建模方法适用于复杂多模态背景,克服了基于像素点背景建模方法假设的局限性。与普通基于像素点的背景建模方法相比,具有更好的鲁棒性和抗噪性,对复杂背景具有更强的适应性。