基于贝叶斯背景模型的遗留物检测算法研究

在计算机视觉、视频监控领域,背景模型构建是一项关键技术。背景建模的结果将会对图像序列的运动目标检测、分类、跟踪及行为理解等后续处理工作产生重要影响。背景建模是序列图像分析的基础性工作,也是当今国内外学者研究的热点问题。本文对复杂场景的背景建模进行了较为深入的研究,并着重研究了贝叶斯背景估计算法。本文的主要工作如下: 首先,利用混合高斯模型算法分别对静态背景、动态背景进行背景建模。通过对实验结果的分析得出,此算法仅对静态背景或较简单的动态背景有很好的效果;然而在处理室外动态复杂场景时,构建出来的背景效果并不理想。 然后,主要针对以上混合高斯模型的不足,引入了贝叶斯理论。通过贝叶斯理论对混合高斯模型进行了多方面的改进。第一,针对高斯模型的收敛问题,应用EM算法对其进行了改进,保证算法的快速收敛。第二,在背景分割阈值选取上,根据影响阈值产生变化的因素,提出了由样本差和均值构造的分割阈值选取方法。针对背景分割图中噪声点较多和前景目标连通性较差的问题,在视频分割图像后处理阶段,分别采取连通域处理、噪声抑制和形态学技术等方法进行处理,降低了目标检测的虚警率。 最后,把上面模型估计出来的背景应用到滞留物和偷窃物的检测方面。由贝叶斯模型更新速率不同而得到的两个背景,通过背景差法得到两幅二值化的前景帧。然后再对前景帧中的运动信息分别进行累计获得特征图像,最后通过特征图像把图像分为运动物、背景和可疑目标。整个过程不需要对目标进行跟踪,便于实现。 实验结果验证了本文算法的有效性和可靠性。