基于箱线图的动态场景背景建模方法

1.本发明属于背景建模领域，具体涉及基于箱线图的动态场景背景建模方法。


背景技术：

2.随着计算机视觉技术的发展，视频监控行业在智能交通、安防监控、工业自动化等领域得到了广泛应用。其中，背景建模方法作为一种基础的图像处理技术，对于实现动态视频监控中的目标检测、跟踪与分析具有重要意义。
3.背景建模方法的核心任务是从动态场景视频序列中分离出前景目标(如行人、车辆等)和背景场景，以便后续处理和分析。这一过程对于减少数据量、降低计算复杂度、提高目标识别与跟踪的准确性等方面具有重要价值。通过对背景进行建模，可以有效区分出目标物体和背景之间的差异，从而实现对目标物体的检测和跟踪。
4.但在实际应用中，背景建模方法面临着诸多挑战，特别是在动态场景下，背景建模的难度和复杂性更为突出。动态背景(如风吹草动、行人走过等)在视频序列中产生的运动会对背景建模造成干扰，很难从中区分动态背景和真实前景目标，从而导致目标检测和跟踪的准确性降低。且传统的背景建模方法普遍要求在建模阶段保持静止场景，无法自动过滤场景中出现的移动干扰目标。另外，针对场景的变化，如场景中出现了一个新的静止目标，将其吸收为背景的静止时间阈值较难控制。


技术实现要素：

5.为了解决动态背景(如风吹草动、行人走过等)在视频序列中产生的运动会对背景建模造成干扰，很难从中区分动态背景和真实前景目标，从而导致目标检测和跟踪的准确性降低等问题。且传统的背景建模方法普遍要求在建模阶段保持静止场景，无法自动过滤场景中出现的移动干扰目标。另外，针对场景的变化，如场景中出现了一个新的静止目标，将其吸收为背景的静止时间阈值较难控制。上述问题，本发明提供本发明采用的技术方案是：一种基于箱线图的动态场景背景建模与前景检测方法，包括以下步骤：
6.一种基于箱线图的动态场景背景建模与前景检测方法，包括以下步骤：
7.按照动态抽帧速度将获取的视频图像保存进背景队列；
8.基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除，并对剔除干扰目标后的背景进行建模，得到背景模型；
9.将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景。
10.进一步地，所述基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除与建模，得到背景模型的过程如下：
11.t21、取当前背景队列状态，将背景队列在长维度和宽维度进行分块，下称背景队列子块；
12.t22、将背景队列子块依次使用箱线图统计方法对其像素值进行统计，找出各块中拍摄到移动干扰目标的帧，并将拍摄到移动干扰目标的帧从背景队列子块中剔除；
13.t23、将剔除后的背景队列子块使用统计量进行建模，再拼合为原图大小的背景模型。
14.进一步地，所述按照动态抽帧速度将获取的视频图像保存进背景队列的过程如下：
15.从摄像头处获取帧，每间隔n帧向背景队列中送入一帧，并弹出一帧队首的旧背景帧，n的取值根据场景中需要剔除的移动干扰目标的速度决定，为使方法与不同帧率的摄像头匹配，将n取值与帧率关联，由如下公式决定：
16.n＝f*t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
17.式中f为摄像头或视频的帧率，t为背景队列中两帧间的时间差，最终通过指定t来决定n的取值。
18.进一步地，所述将背景队列在长维度和宽维度进行分块，所述分块粒度a根据移动目标出现在摄像头画面内的尺寸决定。
19.进一步地，所述将将背景队列子块依次使用箱线图统计方法对其像素值进行统计，找出各块中拍摄到移动干扰目标的帧，并将拍摄到移动干扰目标的帧从背景队列子块中剔除的过程如下：
20.计算背景队列子块在队列维度的下四分位数q1、上四分位数q3与四分位距iqr，并依照如下公式计算上须线和下须线，作为定义正常值与异常值的标准：
21.lower_bound＝q1
ꢀ‑ꢀ
1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
22.upper_bound ＝ q3 + 1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
23.其中：lower_bound为下须线和upper_bound为上须线；
24.判定上须线和下须线以外的值为异常值，即认为此帧子块拍摄到了移动干扰目标；将背景队列子块中所有包含异常值的帧剔除，经剔除后的背景队列即全部为纯净无前景的背景帧。
25.进一步地，所述统计量背景队列方向最大值与最小值。
26.进一步地，所述将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景的过当前程如下：
27.获取下一帧图像；
28.基于背景模型，继续更新背景，并使用当前背景模型判断图像中各点是否在背景模型范围内，不在背景范围的像素点视为前景。
29.进一步地，所述背景模型其移动干扰目标允许的速度下限为：
[0030][0031]
式中：w为移动干扰目标在其运动方向上在一个子块内的运动距离；t为背景队列中两帧间的时间差，单位为秒；m为背景队列的总长度；ω为箱线图的允许异常率，其决定了箱线图能够正常将异常点从队列中剔除时所能容忍的最大异常值占比。
[0032]
进一步地，所述背景模型其静止目标吸收进背景的静止时长下限为：
[0033]
t＞m*t*ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0034]
静止时长大于此静止时长下限的静止目标即会被吸收为背景。
[0035]
进一步地，背景模型包含了每一个像素位置作为背景值所应有的上限和下限，将
待检测帧的各像素与其对应位置的上下限进行比较，若不在背景值范围内，则认为此位置为前景，比较依照以下公式：
[0036][0037]
式中：x为待检测图；b0为背景模型的第0维，即经剔除后的背景队列各位置最大值；b1维背景模型第1维，即经剔除后的背景队列各位置最小值；λ为去噪因子，需要根据视频镜头所拍摄出的噪点波动范围决定，易出现噪点的设备需要适当增大此值。
[0038]
发明提供的一种基于箱线图的动态场景背景建模与前景检测方法，具有以下优点：通过该方法消除了建模阶段画面内的移动干扰目标对背景建模的不利影响且使需剔除目标的移动速度下限和需吸收的静止物体静止时间下限可控；使用箱线图分块剔除背景队列中的异常帧后使用剩余的纯净背景队列进行统计量建模，实验证明该箱线图动态场景背景建模方法可有效提高建模效率，提升可控性，在实际的动态场景前景检测任务中具有重要意义；该方法是一种适用于动态场景的高效、稳定、可控的背景建模方法，具有重要的研究意义和实际应用价值
附图说明
[0039]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为本发明基于箱线图的动态场景背景建模方法流程图；
[0041]
图2(a)为线程a采集的背景队列，(b)滤除干扰目标后的背景下限图，(c)为滤除干扰目标后的背景上限图；
[0042]
图3(a)包含移动目标的图像，(b)为线程c前景检测效果。
具体实施方式
[0043]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合，下面将参考附图并结合实施例来详细说明本发明。
[0044]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0046]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表
达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0047]
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0048]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0049]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
[0050]
图1为本发明基于箱线图的动态场景背景建模方法流程图；
[0051]
本发明一种基于箱线图的动态场景背景建模与前景检测方法，具体包括：
[0052]
t1、线程a按照动态抽帧速度将获取的视频图像保存进背景队列；视频图像由摄像头拍摄；
[0053]
t2、线程b基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除，并对剔除干扰目标后的背景进行建模，得到背景模型；
[0054]
t3、将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景。
[0055]
所述线程t1/t2/t3顺序执行，其中t2在t1更新至少与背景队列长度相同的帧后启动，t3在t2至少完成一次建模后启动；
[0056]
线程b复制线程a保存的背景队列的当前状态作为局部变量进行背景建模，同时线程a继续向全局背景队列更新摄像头传来的新图像以便后续建模使用最新的背景队列进行建模。
[0057]
所述线程a按照动态抽帧速度从摄像头抓取图像保存进背景队列的过程如下：
[0058]
每间隔n帧将当前摄像头传来的图像送入全局背景队列以便其他线程取用，并弹出一帧队首的旧图像，n的取值根据场景中需要剔除的移动干扰目标的速度决定，为使方法与不同帧率的摄像头匹配，将n取值与帧率关联，即高帧率摄像头适当升高n，低帧率摄像头
则降低n。控制n的本质是为了控制背景队列中每帧之间的间隔时长，以确保画面内的移动干扰目标可以充分移动暴露出其后的背景以为后续剔除操作提充足的背景信息。
[0059]
动态抽帧速度也即将n的取值动态化，在方法运行过程中n并不是唯一的，而是可以根据当前画面内的状态进行改变的，如当画面内仅检测出动态干扰目标，则正常每间隔n帧进行背景队列的更新；而当画面内出现静止目标需要将之快速吸收进入背景模型时，可以临时降低n，快速抽帧使新的静止目标尽快出现在整个背景队列中以保证其可以被迅速吸收。
[0060]
n的取值根据场景中需要剔除的移动干扰目标的速度决定，为将n取值与帧率关联最终做到控制两帧间隔时长，按如下公式进行映射：
[0061]
n＝f*t
ꢀꢀꢀ
(1)
[0062]
式中f为摄像头或视频的帧率，t为背景队列中两帧间的时间差，最终通过改变n来间接改变t。
[0063]
图2(a)为线程a采集的背景队列，(b)滤除干扰目标后的背景下限图，(c)为滤除干扰目标后的背景上限图；；
[0064]
所述线程b基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除，并对剔除干扰目标后的背景进行建模，得到背景模型的过程如下：
[0065]
t21、取当前背景队列状态，将背景队列在长维度和宽维度分块，下称背景队列子块；
[0066]
复制线程a保存的背景队列的当前状态作为局部变量进行背景建模，同时线程a继续向全局背景队列更新摄像头传来的新图像以便后续建模使用最新的背景队列进行建模，图1中虚线即代表此形式的参数传递。将保存的背景队列在长维度及宽维度分割为a*a的子块。
[0067]
首先将保存的背景队列在长维度及宽维度分割为a*a的子块，a为分块粒度。分块操作是为了避免画面内出现一个小目标就将此帧全部剔除，当目标移动速度过慢时不分块即进行剔除可能会导致背景队列中的所有帧都被剔除。因此分块粒度a应当根据可能的移动目标出现在摄像头画面内的尺寸决定，移动目标越小出现越频道则需要越小的分块粒度。分块粒度也将决定算法可以剔除的移动干扰目标速度下限，但分块粒度在运行过程中不可变，因此只用于推导当前参数下的速度下限，若需动态控制可剔除目标的速度下限仍需通过修改n来实现。
[0068]
t22、将背景队列子块依次使用箱线图统计方法对其像素值进行统计，找出各块中拍摄到移动干扰目标的帧，并将拍摄到移动干扰目标的帧从背景队列子块中剔除；
[0069]
计算背景队列子块在队列维度的下四分位数q1、上四分位数q3与四分位距iqr，并依照如下公式计算上须线和下须线，作为定义正常值与异常值的标准：
[0070]
lower_bound＝q1
ꢀ‑ꢀ
1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0071]
upper_bound ＝ q3 + 1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0072]
其中：lower_bound为下须线和upper_bound为上须线；
[0073]
因为彩色图像每个像素点含有rgb三个颜色通道，因此只要三个通道内有一个通道判定了异常，即应将此像素点判定为异常，故在通道维度判定后，将判定结果矩阵按颜色通道维度做或运算作为最终各个像素点的判定结果。
[0074]
当检测到判定结果矩阵中包含了异常，即可认为此帧图像子块中拍摄到了部分移动干扰目标，将此帧图像子块从子块背景队列中剔除。若某子块中的全部帧都被剔除，则固定保留背景队列的首帧作为缺省背景。
[0075]
将背景队列子块依次使用箱线图统计方法，计算子块在队列维度的下四分位数q1、上四分位数q3与四分位距iqr，并使用1.5倍的iqr扩展q1与q3之间的范围作为正常值范围，范围外的值都看作异常值。
[0076]
对矩阵使用箱线图统计方法后计算出的下四分位数q1、上四分位数q3等统计量实际上是统计量数组，使用此统计量数组对背景队列中的每一帧中的每一个像素值进行判别，判别其是否在其位置所对应的上下须线范围内，并最终使用一个布尔值矩阵标记每一个像素点的判别结果。
[0077]
t23、将剔除后的背景队列子块使用统计量进行建模，再拼合为原图大小的背景模型；
[0078]
将分块剔除后各子块都近包含了纯净无移动干扰目标的背景队列依次使用最大与最小值进行统计量建模，最终得到一个包含各个像素位置最值的模型矩阵。
[0079]
线程b最终建立的背景模型其移动干扰目标允许的速度下限为：
[0080][0081]
式中：w为移动干扰目标在其运动方向上在一个子块内的运动距离，一般认为最大为一个子块的对角线长度，单位为像素；t为背景队列中两帧间的时间差，单位为秒；m为背景队列的总长度；ω为箱线图的允许异常率，其决定了箱线图能够正常将异常点从队列中剔除时所能容忍的最大异常值占比，ω的取值与正常值与异常值之间的异常程度有关，异常程度越大，允许的ω值也越大，但一般ω的取值都在15％～25％之间。
[0082]
由上公式(4)可以推得不同的参数取值下不同的允许干扰目标速度下限并通过控制参数以控制可以剔除的目标，速度大于阈值的目标允许的速度下限将被从背景中剔除。v的单位为像素每秒，实际距离需要根据摄像头所处位置与镜头畸变等重新进行映射。
[0083]
线程b最终建立的背景模型其静止目标吸收进背景的静止时长下限为：
[0084]
t＞m*t*ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0085]
静止时长大于此静止时长下限的静止目标即会被吸收为背景，注意从开始吸收到吸收完成需要经过一次背景建模所需的时间。
[0086]
将剔除后的背景队列使用统计量进行建模，再拼合为原图大小的背景模型的过程如下：
[0087]
将分块剔除后各子块都近包含了纯净无移动干扰目标的背景队列依次使用最大与最小值进行统计量建模，最终得到一个包含各个像素位置最值的模型矩阵。
[0088]
注意此过程建立的统计量模型才是最终前景检测阶段所使用的模型，其虽然与使用箱线图统计方法剔除异常过程中的统计量有相似之处，但二者的本质区别在于：箱线图建模阶段的待统计向量可能同时含有异常值与正常值，若用q1与q3直接对背景队列进行建模，建模的粒度则是像素级的，而当画面内出现的移动干扰目标颜色较为单一且尺寸较长时，其经过的区域除去此目标的头尾两端，中间部分可能在背景队列中大量出现，导致箱线图认为此移动目标也属于背景，并将其与真实背景混合进行建模，最终导致最终模型既不
是此干扰目标也不是纯净背景。
[0089]
而本方法仅使用箱线图统计方法承担异常子块的识别并剔除的工作，不承担任何统计量建模的任务，使用箱线图将各子块中认为出现干扰目标的帧剔除后，将剔除后的背景队列使用最大最小值再进行统计量建模，此时的待统计向量中仅含有正常值，避免了将缓慢移动物体判定为背景并与真实背景混淆的问题。另外，因为经背景剔除后的各子块背景队列长度不一定相同，因此无法剔除后就直接拼接，而在使用统计量建模后建模为各点像素值上下限后再进行拼接。再之，若某子块中的全部帧都被剔除，则固定保留背景队列的首帧作为缺省背景。
[0090]
图3(a)包含移动目标的图像，(b)为线程c前景检测效果所述线程c，将摄像头处传来的每一帧使用当前线程b建立的模型进行差分运算得到前景的过程如下：
[0091]
线程c复制一份当前的背景模型作为局部变量，同时线程b继续更新全局背景模型，以便模型一经更新即可被新一帧待检图像使用。
[0092]
即：获取下一帧图像；
[0093]
基于当前背景模型，继续更新背景，并使用当前背景模型判断图像中各点是否在背景模型范围内，不在背景范围的像素点视为前景。
[0094]
背景模型包含了每一个像素位置作为背景值所应有的上限及下限，将待检测帧的各像素与其对应位置的上下限进行比较，若不在背景值范围内，则认为此位置为前景。为了避免摄像头拍摄到的噪点影响，实际比较依照以下公式：
[0095][0096]
式中：x为待检测图；b0为背景模型的第0维，即经剔除后的背景队列各位置最大值；b1维背景模型第1维，即经剔除后的背景队列各位置最小值；λ为去噪因子，需要根据视频镜头所拍摄出的噪点波动范围决定，易出现噪点的设备需要适当增大此值。最终获得一个与原图长宽相同的二值遮罩矩阵，此矩阵可以直接以二值图进行显示，也可将之与原图做与运算分割出前景。
[0097]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于，包括以下步骤：按照动态抽帧速度将获取的视频图像保存进背景队列；基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除，并对剔除干扰目标后的背景进行建模，得到背景模型；将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景。2.根据权利要求1所述的一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于，所述基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除与建模，得到背景模型的过程如下：t21、取当前背景队列状态，将背景队列在长维度和宽维度进行分块，下称背景队列子块；t22、将背景队列子块依次使用箱线图统计方法对其像素值进行统计，找出各块中拍摄到移动干扰目标的帧，并将拍摄到移动干扰目标的帧从背景队列子块中剔除；t23、将剔除后的背景队列子块使用统计量进行建模，再拼合为原图大小的背景模型。3.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述按照动态抽帧速度将获取的视频图像保存进背景队列的过程如下：从摄像头处获取帧，每间隔n帧向背景队列中送入一帧，并弹出一帧队首的旧背景帧，n的取值根据场景中需要剔除的移动干扰目标的速度决定，为使方法与不同帧率的摄像头匹配，将n取值与帧率关联，由如下公式决定：n＝f*t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中f为摄像头或视频的帧率，t为背景队列中两帧间的时间差，最终通过指定t来决定n的取值。4.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述将背景队列在长维度和宽维度进行分块，所述分块粒度a根据移动目标出现在摄像头画面内的尺寸决定。5.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述将将背景队列子块依次使用箱线图统计方法对其像素值进行统计，找出各块中拍摄到移动干扰目标的帧，并将拍摄到移动干扰目标的帧从背景队列子块中剔除的过程如下：计算背景队列子块在队列维度的下四分位数q1、上四分位数q3与四分位距iqr，并依照如下公式计算上须线和下须线，作为定义正常值与异常值的标准：lower_bound＝q1
ꢀ‑ꢀ
1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)upper_bound ＝ q3 + 1.5 * iqr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中：lower_bound为下须线和upper_bound为上须线；判定上须线和下须线以外的值为异常值，即认为此帧子块拍摄到了移动干扰目标；将背景队列子块中所有包含异常值的帧剔除，经剔除后的背景队列即全部为纯净无前景的背景帧。6.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述统计量背景队列方向最大值与最小值。7.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征
在于：所述将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景的过程如下：获取下一帧图像；基于当前背景模型，继续更新背景，并使用当前背景模型判断图像中各点是否在背景模型范围内，不在背景范围的像素点视为前景。8.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述背景模型其移动干扰目标允许的速度下限为：式中：w为移动干扰目标在其运动方向上在一个子块内的运动距离；t为背景队列中两帧间的时间差，单位为秒；m为背景队列的总长度；ω为箱线图的允许异常率，其决定了箱线图能够正常将异常点从队列中剔除时所能容忍的最大异常值占比。9.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：所述背景模型其静止目标吸收进背景的静止时长下限为：t＞m*t*ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)静止时长大于此静止时长的静止目标即会被吸收为背景。10.根据权利要求1所述一种基于箱线图的动态场景背景建模与前景检测方法，其特征在于：背景模型包含了每一个像素位置作为背景值所应有的上限和下限，将待检测帧的各像素与其对应位置的上下限进行比较，若不在背景值范围内，则认为此位置为前景，比较依照以下公式：式中：x为待检测图；b0为背景模型的第0维，即经剔除后的背景队列各位置最大值；b1维背景模型第1维，即经剔除后的背景队列各位置最小值；λ为去噪因子，需要根据视频镜头所拍摄出的噪点波动范围决定，易出现噪点的设备需要适当增大此值。

技术总结
本发明一种基于箱线图的动态场景背景建模与前景检测方法，包括以下步骤：按照动态抽帧速度将获取的视频图像保存进背景队列；基于当前的背景队列状态，运用箱线图统计方法进行移动干扰目标剔除，并对剔除干扰目标后的背景进行建模，得到背景模型；将获取的视频的每一帧图像，采用背景模型进行差分运算，得到前景，实验证明该基于箱线图的动态场景背景建模方法可有效提高建模效率，提升可控性，在实际的动态场景前景检测任务中具有重要意义。动态场景前景检测任务中具有重要意义。动态场景前景检测任务中具有重要意义。


技术研发人员：王文标 郝友维 时启衡 张谦谦
受保护的技术使用者：大连海事大学
技术研发日：2023.05.17
技术公布日：2023/8/9