量。如果I(x，y)被判定 為陰影，則該點(diǎn)掩模SP(x,y)置為1,否則SP(x,y)置為0。參數(shù)0彡as彡βs彡1，參數(shù) (^取值要考慮陰影的強(qiáng)度，當(dāng)背景上投射的陰影越強(qiáng)時(shí)，as越小，i3s用來增強(qiáng)對(duì)噪聲的 魯棒性，即當(dāng)前幀的亮度不能和背景太相似。參數(shù)小于零，參數(shù)的選取則主要憑經(jīng) 驗(yàn)調(diào)試。
[0099] 步驟512:根據(jù)長(zhǎng)周期前景^和短周期前景Fs中被判定為疑似陰影的像素進(jìn)行混 合高斯陰影模型的學(xué)習(xí)更新。為了保證混合高斯陰影模型得到充分的學(xué)習(xí)，把背景分割成 不同的區(qū)域，各區(qū)域不一定要連通，但每個(gè)區(qū)域內(nèi)的像素色彩值相同，只要某個(gè)區(qū)域內(nèi)有一 個(gè)像素點(diǎn)值被檢測(cè)為疑似陰影，就用該像素來更新此區(qū)域內(nèi)所有點(diǎn)的混合高斯陰影模型參 數(shù)。
[0100] 混合高斯陰影模型與運(yùn)動(dòng)前景檢測(cè)時(shí)混合高斯背景模型的不同之處在于，混合高 斯背景模型根據(jù)像素點(diǎn)的所有輸入值進(jìn)行學(xué)習(xí)，而混合高斯陰影模型則根據(jù)被檢測(cè)為前 景，且被判定為疑似陰影的輸入像素值進(jìn)行學(xué)習(xí)更新。混合高斯陰影模型中，若輸入疑似陰 影值與陰影高斯模型中某一高斯分布滿足 ：
[0102] 其中上標(biāo)S表示混合高斯陰影模型。該分布參數(shù)按如下規(guī)則更新：
[0106] 如果沒有高斯分布和疑似陰影像素值It匹配，則權(quán)值最小的高斯分布將被新的高 斯分布所更新，新分布的均值為It，初始化較大的標(biāo)準(zhǔn)差和較小的權(quán)值余下的高斯 分布保持相同的均值和方差，但它們的權(quán)值會(huì)衰減，即：
[0107] =m心
[0108] 最后，把所有高斯分布的權(quán)值歸一化，并把各個(gè)分部按從大到小排列，如 果<，Κ，是各個(gè)高斯分布按由大到小的排列的次序，若前Ν個(gè)分布滿足如下準(zhǔn) 貝1J，則這Ν個(gè)分布被認(rèn)為是陰影分布，即：
[0110] 步驟513:判斷長(zhǎng)周期前景^和短周期前景&中的疑似陰影是否為運(yùn)動(dòng)陰影，并 消除長(zhǎng)周期前景^和短周期前景Fs中的運(yùn)動(dòng)陰影，消除了運(yùn)動(dòng)陰影的前景即為運(yùn)動(dòng)目標(biāo)。
[0111] 判斷疑似陰影是否為運(yùn)動(dòng)陰影的決策公式如下：
[0112]
[0113] 式中，上標(biāo)S表示混合高斯陰影模型，i= 1，2,A，Kt。如果I(x，y)被判定為運(yùn)動(dòng) 陰影，則該點(diǎn)掩模SPP(x，y)置為1，否則SPP(x，y)置為0。即若疑似陰影It和每個(gè)陰影分 布均值之差的絕對(duì)值小于等于該分部標(biāo)準(zhǔn)差的Ds倍，則It被判為運(yùn)動(dòng)陰影，否則被判為運(yùn) 動(dòng)目標(biāo)。
[0114] 步驟520 :分別對(duì)長(zhǎng)周期前景^和短周期前景Fs進(jìn)行后處理操作，保證前景中目 標(biāo)的完整性，并消除小面積目標(biāo)（噪聲點(diǎn)）的影響。得到長(zhǎng)周期前景二值圖F/和短周期前 景二值圖F/。
[0115] 所述步驟520進(jìn)一步包括以下步驟：
[0116] 步驟521:對(duì)長(zhǎng)周期前景和短周期前景Fs進(jìn)行二值化處理，得到長(zhǎng)周期前景二 值圖F/和短周期前景二值圖F/。
[0117] 步驟522 :采用形態(tài)學(xué)的方法處理長(zhǎng)周期前景二值圖F/和短周期前景二值圖F/， 保證前景中目標(biāo)的完整性。對(duì)F/和F/圖像進(jìn)行閉操作運(yùn)算（先膨脹后腐蝕），根據(jù)不同 的"結(jié)構(gòu)元素"填充目標(biāo)物體內(nèi)的細(xì)小空洞，平滑目標(biāo)物體的邊界的同時(shí)并不明顯改變其面 積。
[0118] 步驟523:采用區(qū)域標(biāo)記的方法消除F/和F/中小面積目標(biāo)（噪聲點(diǎn)）。首先采 用區(qū)域生長(zhǎng)法對(duì)前景中的連通區(qū)域進(jìn)行標(biāo)記，計(jì)算每個(gè)連通區(qū)域的面積民（區(qū)域包含的像 素?cái)?shù)），若該連通區(qū)域的面積民小于預(yù)定的面積閾值R_，則將該連通區(qū)域從前景中剔除。
[0119] 區(qū)域生長(zhǎng)法利用區(qū)域生長(zhǎng)的思想，每次生長(zhǎng)過程可以標(biāo)記一個(gè)連通區(qū)域，只需對(duì) 圖像進(jìn)行一次掃描就能標(biāo)記出所有連通區(qū)。算法步驟如下：
[0120] 1)輸入待標(biāo)記前景圖像，初始化一個(gè)與輸入圖像同樣尺寸的標(biāo)記矩陣，一個(gè)隊(duì)列 以及標(biāo)記計(jì)數(shù)Index;
[0121] 2)按從左至右、從上至下的順序掃描前景圖像，當(dāng)掃描到一個(gè)未被標(biāo)記的前景像 素p時(shí)，Index加1，并在標(biāo)記矩陣中標(biāo)記p(相應(yīng)點(diǎn)的值賦為Index)，同時(shí)，掃描p的八鄰 域點(diǎn)，若存在未被標(biāo)記的前景像素，則在標(biāo)記矩陣中進(jìn)行標(biāo)記，并放入隊(duì)列中，作為區(qū)域生 長(zhǎng)的種子；
[0122] 3)當(dāng)隊(duì)列不為空時(shí)，從隊(duì)列中取出一個(gè)生長(zhǎng)種子點(diǎn)pl，掃描pi的八鄰域點(diǎn)，若存 在未被標(biāo)記過的前景像素，則在標(biāo)記矩陣中進(jìn)行標(biāo)記，并放入隊(duì)列中；
[0123] 4)重復(fù)3直至隊(duì)列為空，一個(gè)連通區(qū)標(biāo)記完成；
[0124] 5)轉(zhuǎn)到2,直至整幅圖像被掃描完畢，得到標(biāo)記矩陣和連通區(qū)的個(gè)數(shù)Index。
[0125] 步驟530:通過分析長(zhǎng)周期前景二值圖F/和短周期前景二值圖F/的特點(diǎn)，對(duì)前景 中的目標(biāo)進(jìn)行分類，獲得疑似遺留物的目標(biāo)物體〇_。分類的規(guī)則如下：
[0126] l)F/(x，y) = 1且F/(x，y) = 1，（X，y)點(diǎn)像素屬于運(yùn)云力目標(biāo)；
[0127] 2)F/(x，y) = 1且F/(x，y) = 0，（X，y)點(diǎn)像素屬于疑似遺留物的目標(biāo)物體0cur ;
[0128] 3)F/(x，y) = 0且F/(x，y) = 1，（X，y)點(diǎn)像素屬于場(chǎng)景變化目標(biāo)或噪聲；
[0129] 4)F/(x，y) = 0且F/(x，y) = 0，（X，y)點(diǎn)像素屬于背景目標(biāo)；
[0130] 步驟540 :采用目標(biāo)輪廓與目標(biāo)中心外圍區(qū)域顏色直方圖相結(jié)合的方法檢測(cè)取走 物，消除取走物對(duì)前景中目標(biāo)的影響，剔除疑似遺留物的目標(biāo)物體〇_中的取走 物〇__，獲得暫時(shí)靜止的目標(biāo)物體〇 aband?。
[0131] 現(xiàn)有遺留物檢測(cè)方法中判斷取走物〇__主要根據(jù)目標(biāo)的輪廓特征，但在背景輪 廓比較復(fù)雜的情況下，邊緣匹配的方法并不能很好的去除虛警，目標(biāo)中心外圍區(qū)域顏色直 方圖分析的方法可以彌補(bǔ)邊緣匹配顏色信息丟失的缺點(diǎn)。
[0132] 疑似遺留物的目標(biāo)物體0_包含暫時(shí)靜止的目標(biāo)物體0abandcm和取走物，該步 驟主要就是區(qū)分暫時(shí)靜止的目標(biāo)物體〇abandcm和取走物〇__，去除誤判。
[0133] 所述步驟540進(jìn)一步包括以下步驟：
[0134] 步驟541 :根據(jù)目標(biāo)輪廓特征判斷候選取走物0EtMp。
[0135] 提取疑似遺留物的目標(biāo)物體0_中的R0I邊緣點(diǎn)，以及當(dāng)前視頻幀中的R0I邊緣 點(diǎn)，并統(tǒng)計(jì)〇_前景中每個(gè)R0I的邊緣像素點(diǎn)的總數(shù)N_，以及當(dāng)前視頻幀中的相應(yīng)的R0I 邊緣像素點(diǎn)的總數(shù)Nt_。根據(jù)目標(biāo)輪廓特征判斷候選取走物0Etenip判斷的決策公式如下：
[0136]
[0137] 其中，?；是判斷取走物的邊緣像素點(diǎn)差值的閾值。
[0138] 步驟542 :根據(jù)目標(biāo)中心外圍區(qū)域顏色直方圖特征判斷候選取走物0HtMp。
[0139] 根據(jù)目標(biāo)中心外圍區(qū)域顏色直方圖特征判斷的決策公式如下：
[0140]
[0141] 其中，1是判斷暫時(shí)靜止的物體與取走物的距離閾值，若D越小說明兩個(gè)直方圖越 相似，檢測(cè)為取走物的可能性就越大，反之檢測(cè)為暫時(shí)靜止物體的可能性越大。計(jì)算D值的 公式如下：
[0143] 其中，HE和He分別表示外圍區(qū)域AE和中心區(qū)域Ae的灰度直方圖，兩個(gè)直方圖的灰 度級(jí)相同，并且在計(jì)算前都進(jìn)行了灰度歸一化。
[0144] 步驟543 :根據(jù)候選取走物0Et_和候選取走物0HtMp，確定取走物，剔除疑似 遺留物的目標(biāo)物體〇_中的取走物〇__，獲得暫時(shí)靜止的目標(biāo)物體〇 abandcm。
[0145] 判斷暫時(shí)靜止的目標(biāo)物體0abandcm和取走物0__的決策公示如下：
[0146]
[0147] 步驟550 :采用基于HOG和膚色特征的行人檢測(cè)算法檢測(cè)行人，消除運(yùn)動(dòng)一段距離 后突然靜止的行人對(duì)前景中目標(biāo)的影響，剔除暫時(shí)靜止的目標(biāo)物體〇abandcin中的靜止行人， 獲得候選遺留物的目標(biāo)物體。
[0148] 基于H0G和膚色特征的行人檢測(cè)算法不僅充分利用了H0G特征的優(yōu)良特性，而且 克服了H0G向量維數(shù)大、計(jì)算慢的問題，加入膚色特征使得檢測(cè)精度明顯提高，降低了行人 的誤檢率和漏檢率。
[0149] 該步驟主要是先應(yīng)用盡可能多的正負(fù)樣本的H0G和膚色特征描述子訓(xùn)練一個(gè)SVM 分類器，訓(xùn)練SVM分類器是一個(gè)離線進(jìn)行的過程，所選用的正負(fù)樣本數(shù)據(jù)越多、覆蓋面越 廣，訓(xùn)練得到的分類器分類結(jié)果就越精確。然后提取前景中暫時(shí)靜止的目標(biāo)物體〇 abandcin的 H0G和膚色特征描述子，運(yùn)用訓(xùn)練好的SVM分類器進(jìn)行分類，即可判斷暫時(shí)靜止的目標(biāo)物體 〇abandcin是否是暫時(shí)靜止的行人目標(biāo)。剔除暫時(shí)靜止的目標(biāo)物體〇aband?中的行人目標(biāo)，獲得 候選遺留物的目標(biāo)物體。
[0150] 提取暫時(shí)靜止的目標(biāo)物體〇abandcm的H0G和膚色特征描述子的算法步驟如下：
[0151] 1)每個(gè)暫時(shí)靜止的目標(biāo)物體〇abandcm看作一個(gè)當(dāng)前幀的R0I，對(duì)R0I進(jìn)行灰度化；
[0152] 2)采用Gamma校正法對(duì)R0I進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化），目的是調(diào)節(jié)圖像 的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；
[0153] 3)計(jì)算R0I每個(gè)像素的梯度（包括大小和方向）；目的是為了捕獲輪廓信息，同時(shí) 進(jìn)一步弱化光照的干擾。
[0154] 4)