一种基于样本局部密度离群点检测的背景建模方法
【技术领域】
[0001] 本发明设及一种基于样本局部密度离群点检测的背景建模方法。
【背景技术】
[0002] 背景建模方法对于很多计算机视觉领域的应用都是非常基础和关键的，随着计算 机视觉的飞速发展，对背景建模效果的要求也越来越高。尽管现阶段已经涌现出非常多优 秀的背景建模方法，但离人们的要求还是存在一定的差距，特别是在面对动态背景的时候， 现有的算法大多都不能很好的完成背景建模的任务。
[0003] 现阶段的背景建模方法，一大部分是利用参数模型来对每一个像素点进行建模， 即基于参数模型的方法，而另一些是直接利用已观察到的实际像素值进行建模，即基于样 本点的方法。运些方法在处理静态背景时都能取得非常不错的效果，但面对多模态的动态 背景时，他们表现的往往比较挣扎。
【发明内容】
[0004] 本发明为了解决上述问题，提出了一种基于样本局部密度离群点检测的背景建模 方法，该方法不仅在处理静态背景时表现优异，在处理动态背景时，同样能够高效的建立出 效果良好的背景模型。 阳〇化]为了实现上述目的，本发明采用如下技术方案：
[0006] 一种基于样本局部密度离群点检测的背景建模方法，包括W下步骤：
[0007] (1)利用已采集到的视频帖对背景模型进行初始化，针对每一个像素点都初始化 出一个样本集，计算各样本集的各个样本点的局部背景因子.
[0008] (2)采集观察到的新像素值，计算其局部背景因子；
[0009] (3)将新观察到的新像素值的局部背景因子与其最近邻的各个样本点进行比较， 判断其是否属于背景，如果属于背景则进入步骤（4)，如果不属于背景则进入步骤巧）；
[0010] (4)将新像素值融入背景模型，进行更新，并利用新像素值将样本集中局部背景因 子最大的样本点替换掉；
[0011] (5)采集新的一帖视频，重复步骤（2)-(4)，更新背景模型。
[0012] 所述步骤（1)中，具体方法为：
[0013] (1-1)定义样本点P的k-距离d(p, 0)，表示样本点P的k-距离邻域，确定样本点 P的k-距离近邻点；
[0014] (1-2)确定样本点P的可达距离和样本点P的局部可达密度；
[0015] (1-3)根据样本点P的局部可达密度和P的k-距离最近邻各点的局部可达密度的 比值，描述样本点P为背景点的可能性。
[0016] 所述步骤（1-1)的具体方法为：定义关于一个样本点P的k-距离d(p，0)，其满足 W下要求：
[0017] (1)在同一个样本集中，至少有k个样本0'eC满足d(p, 0'）《d(p, 0); 阳〇1引 似在同一个样本集中，至多有k-1个样本点0'eC满足d(p，0'）<d(p，0);
[0019] 样本点P的k-距离邻域则表示为：
[0020] Nk(p) ={qeC\{p} |d(p,q) ^k-distance(p)}
[0021] 样本点p的k-距离邻域表示包含到p的距离不大于p的k-距离的所有样本点的 区域，运些点都叫做样本点P的k-距离近邻点。
[0022] 所述步骤（1-2)中，定义样本点P的可达距离：
[0023] reach-distk(p,ο) =max{k-distance(o),d(p,o)}
[0024] 同时定义样本点p的局部可达密度如下： 阳0巧]
[00%] 样本点P的局部可达密度是样本点P的基于k-距离最近邻的平均可达距离的倒 数。
[0027] 所述步骤（1)中，如果所有的可达距离都是0的话，局部可达密度是有可能为-的，直接标记该样本点P为背景点。
[0028] 所述步骤（1-3)中，局部背景因子为：
[0029]
[0030] 样本点P的局部背景因子是P的局部可达密度和P的k-距离最近邻各点的局部 可达密度的比值，描述了样本点P为背景点的可能性。
[0031] 所述步骤（1-3)中，样本点P的局部密度越小，且其k-距离最近邻的局部可达密 度越大，样本点P的局部背景因子越大，表明P是背景的可能性越小。
[0032] 所述步骤（3)中，判断方法为：将新像素值的局部背景因子与其k-距离最近邻各 点的局部背景因子进行比较，若其小于其k-距离最近邻各点的局部背景因子的平均值，贝U 判断为背景点。
[0033] 所述步骤（4)中，在更新背景模型时，选取局部背景因子最大的样本点，即背景可 能性最小的点，用新背景像素值将其替换，保证背景模型更新的收敛性。
[0034] 本发明的有益效果为：
[0035] (1)本发明利用观察到的像素真实值来初始化背景模型，增加了背景模型的真实 性，避免了被不存在的虚假值影响的可能性；
[0036] (2)通过定义局部背景因子运一背景建模领域的全新概念，从更加局部的角度来 考虑背景建模过程，在判断及更新阶段，都只在k-距离最近邻域中进行，相当于为每一个 像素点加入了一个动态阔值，使整个背景建模方法在处理动态背景模型时更高效准确。
【附图说明】
[0037] 图1为本发明实现流程框图；
[0038] 图2为动态背景样本点分布示意图；
[0039]图3为k值取值示意图； W40] 图4为N值取值示意图；
[0041]图5a为Wallflower数据库中Waving Trees的一帖图像；
[0042] 图化为本发明用图5a做输入时得到的背景建模结果；
[0043] 图6a为Statistical Modeling of Complex Backgrounds for Foreground Object Detection使用的数据库中Water Surface的一帖图像； W44] 图化为本发明用图6a做输入时得到的背景建模结果； W45] 图7a面向室外视频监控的运动目标检测跟踪库中"行人岗亭"的一帖图像；
[0046] 图化为ViBe用图7a做输入时得到的背景建模结果；
[0047] 图7c为本发明用图7a做输入时得到的背景建模结果。
【具体实施方式】：
[0048] 下面结合附图与实施例对本发明作进一步说明。
[0049] 如图1所示，本发明的基于样本局部密度离群点检测的背景建模方法，包括W下 步骤：
[0050] 步骤1 :利用前N帖已观察到的视频帖对背景模型进行初始化，运样每个像素点都 初始化了一个样本集，计算样本集中的各样本点的局部背景因子。
[0051] 步骤2 :对于每一个新观察到的新像素值，计算它的局部背景因子。
[0052] 步骤3 :将新观察到的像素值的局部背景因子与其最近邻的各个样本点进行比 较，确定其是否属于背景。
[0053] 步骤4 :若新像素值确定属于背景，则对背景模型进行更新。融入新的像素值，并 将样本集中局部背景因子最大的样本点替换掉。若新像素值属于前景，则不进行背景更新。
[0054] 步骤5 :对于新观察到的一帖视频，重复上述步骤，更新背景模型。 阳化5] 在处理动态背景模型的时候，样本点常常如图2所示的运样分布，其中〇1和03都 应该被识别为离群点，也就是前景点，而〇2,应该被识别为属于。簇的背景点，尽管C1簇比 较稀疏。但是如果使用基于距离的背景建模方法，只有〇1可W被顺利的识别为背景点，由于 是基于全局的距离阔值，〇2很可能被误识别为前景点，而可能代表某个颜色与背景相似的 前景点的〇3,则很可能被误识别为背景点，如果要用基于距离的背景建模方法正确识别出 〇3为前景点，则可能必须要W误识别簇Cl中的若干点作为代价。本发明正好能有效地解决 运种在处理动态背景模型中常见而棘手的问题。
[0056] 为了要计算样本点的局部背景因子，本发明首先定义了样本点P的k-距离： 阳057] (1)在同一个样本集中，至少有k个样本0' eC满足d(p，o'）《d(p，o);
[0058] (2)在同一个样本集中，至多有k-1个样本点0' eC满足d(p，o'）<d(p，o)。
[0059] 样本点p的k-距离邻域则可W表示为：
[0060] Nk(p)