[发明专利]一种带状态标注的长期静止物体检测与跟踪方法

摘要

一种带状态标注的长期静止物体检测与跟踪方法，首先构造长短双前景模型，融合后生成前景掩膜，然后基于前景掩膜上团块的运动状态对团块进行分类并标注，得到长期团块，最后对不同状态团块的相应区域的长短双背景模型进行更新；本发明采用长短前景检测方法得到图像的前景掩膜，根据团块在长短前景掩膜中的持续时间、长短前景掩膜中团块持续的时间差、团块的运动轨迹和团块与周围像素点的差异特征对团块的运动状态进行分类并标记，用逻辑回归分析法，得到团块运动状态的概率值，最后对不同状态团块的相应区域的长短双背景模型更新，检测过程具有实时性，针对不同场景的视频检测效果和鲁棒性均优于当前的其他方法，能够满足实际应用需求。

主权项

1.一种带状态标注的长期静止物体检测与跟踪方法，其特征在于：首先构造长短双前景模型，融合后生成前景掩膜，然后基于前景掩膜上团块的运动状态对团块进行分类并标注，得到长期团块，最后对不同状态团块的相应区域的长短双背景模型进行更新，具体包括以下步骤：步骤1：前景检测：对原始输入图像进行短时前背景分离、长时前背景分离，分别得到短前景掩膜和长前景掩膜，将得到的两种长短前景掩膜融合后得到视频帧的前景掩膜；步骤2：根据步骤1得到的前景掩膜，检测和跟踪前景掩膜上的运动团块，根据团块分别在长短前景掩膜中持续的时间、团块在长短前景掩膜上持续的时间差、团块的运动轨迹和团块与周围像素点的差异特征对团块的运动状态进行分类，分为空白、短期、长期、由静止到运动和其他五类状态，空白状态是指在整个视频场景中没有发生过运动的物体；短期状态是指物体以一定的速度驶入视频场景中并离开，期间没有发生任何停留；长期状态是指物体以一定的速度驶入视频场景，并发生了长期停止；由静止到运动状态是指物体在视频场景中由静止发生了运动；其他是除我们分析的四种状态之外的状态，并对这五类运动状态的团块进行标注；步骤3：根据步骤2得到团块的五类运动状态，用逻辑回归分析法分别计算团块属于这五种运动状态的概率值，把团块状态归为概率值最大的那个状态，得到长期状态的团块；步骤4：利用步骤3得到经过分类标识后的运动团块，对不同状态的团块按照不同的背景更新规则对长短双背景模型进行更新；具体方法如下：根据步骤3得到的带有状态标注的团块对长短背景模型进行更新，对于t时刻的长期状态团块，在短背景模型中长期状态团块区域被吸收为背景，所以不需要更新长期状态团块所在区域的短背景模型；对于t时刻处于短期或由静止到运动的团块，短背景模型中按照如下公式进行更新，ωi,t＝ωi,t‑1+α(1‑ωi,t‑1)其中，α为更新速率，ωi,t为t时刻第i个高斯模型的权值，ωi,t‑1为t‑1时刻第i个混合高斯模型的权值；根据步骤2得到团块的五种运动状态，根据团块的标记状态对长背景模型进行更新，如果一个像素(x，y)处于某个短期或者长期静止的团块中，则：Bt(x,y)＝Bt‑1(x,y)如果一个像素(x，y)处于一个由静止到运动的团块中，则有：Bt(x,y)＝It(x,y)除此之外的，长背景模型中运动团块区域的像素值根据学习率为ρ的大小更新长背景模型，更新公式为：Bt(x,y)＝(1‑ρ)Bt‑1(x,y)+ρIt(x,y)其中，ρ为学习率，Bt(x，y)为t时刻长背景模型中的像素值，Bt‑1(x，y)为t‑1时刻长背景模型中的像素值，It(x,y)为t时刻输入图像上的像素值。