智能摄像机助力目标识别

目标外观的背景差已经被广泛用作目标识别的判据。除了物体的外观,现场行为的历史值以及特定领域的知识也是改善目标识别的重要依据。例如,在任意给定的时间,与目标活动频繁的区域相比,不出现目标活动的区域更难识别出前景目标。同样地,时间持续性也是前景目标的内在属性,可以用来判断该区域是否为前景。目标的时间持续性意味着,除非这个目标退出场景或者被遮挡,它应该待在原地,或者移动到所观察位置的附近。假设智能摄像机通过学习能建立活动场景的模型,也能建立观察目标在场景中位置变迁的模型{如场景中运动目标起点、终点以及迁移时间的联合概率密度},那么,经过一段时间,采用学习到的行为模型便可以改善目标识别的性能。

严格地讲,典型的背景差技术求得前景中任一像素u在t时刻的似然值。令u是一个随机变量,当且仅当像素u是前景像素,此时u=true。同时,令Λ为用于背景建模的外形特征集（例如,基于外形模型的彩色/灰度）,并且设ϕ={ϕ₁,ϕ₂,…,ϕ_Q}是t-1时刻识别出的前景像素集,其中Q是上一帧前景像素的总数。然后根据贝叶斯规则：

P（u=true|Λ,Φ）∝P（Λ,Φ|u=true）P（u=true）. （17.1）

假设外形Λ和前景历史Φ相互独立,我们可以写作

P（u=true|Λ,Φ）∝P（Λ|u=true）P（Φ|u=true）P（u=true）. （17.2）(www.xing528.com)

典型的背景差算法^[485,509]基于外观似然概率P（Λ|u=true）进行建模,没有考虑前景历史概率P（Φ|u=ture）以及先验概率P（u=true）。假定场景迁移模型是从场景观测值中学习到的,则该模型可以获得这些概率项,进而改善检测性能^[463]。图17.1中,根据是否利用了场景迁移模型,比较它们的识别性能。显然,使用场景迁移模型可以减少误报数量而且使真实的轮廓更加清楚。这种方案,对于减少错误和改善背景差是一种简单有效的方法,而且也可以解决一般的检测问题,如背景物体运动引起的误报警。

图17.1 前景模型：每一列所示为一个改善前景概率估计的例子。图a）为原始图像,图b）为仅使用高斯混合模型得到的概率分布,图c）为使用学到的迁移模型以及高斯混合模型得到的前景概率分布。图d）和图e）所示分别为使用图b）和图c）的概率分布获得的前景概率分布。图b）和图c）所示为当图d）和图e）的误报数量减少时,前景概率模型得到改善