一种面向果蔬外观品质特征的混合背景建模方法

技术领域

本发明属于果蔬分选技术领域，具体涉及到在用于输出果蔬外观品质特征混合背景建模中某个伽玛分布函数的参数的循环过程中，通过计算当前循环次数时该伽玛分布函数的参数设置误差比例是否小于等于该伽玛分布函数的参数设置误差比例门限以给出对应伽玛分布函数的参数组合，同时通过果蔬外观品质特征数据集中果蔬图片的像素点的观测数据和对应的概率来构建为概率与观测数据建模数值的误差平方对于果蔬外观品质特征数据集的累计函数给出可使所述累计函数为极小值时不同伽玛分布函数的加权系数，从而在果蔬外观品质特征检测过程中对于果蔬图像的某个像素点的观测数据可用若干个伽玛分布函数的加权平均值给出概率分布密度函数以实现果蔬外观品质特征混合背景建模。

背景技术

视频分析技术，已成为人工智能模式识别中的一个非常重要的研究领域。其中，背景初始化、运动目标的检测、背景更新是进行视频分析的前提和基础，因此它在视频、图像处理技术中，是十分重要的研究课题。运动目标检测即从视频序列图像中获取运动目标区域，目前常用的运动目标检测方法有:光流法、帧差法、基于统计模型法、背景差法。背景差分法是复杂场景下最常用的运动目标检测算法之一。由于背景差分法进行运动目标检测时速度相对较快，同时能够在复杂场景中提取比较完整的运动目标，因此该算法在当今运动目标检测邻域得到了广泛的研究和发展。背景差分法的基本原理：首先从视频中获取当前帧图像，通过背景建模方法来得到背景图像并且及时的更新当前背景图像，接着用视频序列的当前帧图像与最新的背景图像进行差分运算，再次选择预先根据经验或者实验得到的阈值，最后对差分图像的每个像素点进行处理，通过该点的像素值与阈值大小的比较把差分图像进行二值化。由于得到的二值图像受到外界噪声的干扰，使得部分背景图也被作为前景目标，同时得到的前景目标中有空洞和小范围的噪声，最后对二值图像运用数学形态学的方法处理，来去除小范围的噪声和填补运动目标内部的空洞，消除外界的干扰得到比较理想的运动目标图像。复杂场景下视频序列中的背景会随着时间的继续不断的受到光照等外界因素的影响而改变，因此，为了得到的背景图能够反映当前帧的背景，就需要建立合适的背景模型来及时的反映背景的改变。对背景差分结果影响最大的因素之一是背景模型的选取，背景模型的选取的好坏直接关系到运动目标检测的结果是否精确。

由于果蔬外观品质特征检测中分选线高速的背景是不断变化的，因此如何获取到实时有效的背景是进而实现混合背景建模的关键所在，从而实现对果蔬运动目标进行检测，将差异较大的像素区域为被检测目标区域，而将差异较小的像素区域为背景区域，并随着光照或环境的改变而实时更新相关背景模型的参数。

发明内容

本发明的目的在于在用于输出果蔬外观品质特征混合背景建模中某个伽玛分布函数的参数的循环过程中，通过计算当前循环次数时某个伽玛分布函数的参数设置误差比例是否小于等于该伽玛分布函数的参数设置误差比例门限来分析获取该伽玛分布函数的参数组合，以及通过果蔬外观品质特征数据集中果蔬图片的像素点的观测数据和对应的概率来构建为概率与观测数据建模数值的误差平方对于果蔬外观品质特征数据集的累计函数来给出可使所述累计函数为极小值时不同伽玛分布函数的加权系数，从而为果蔬外观品质特征提供混合背景建模。

为实现上述目的，本发明提出的技术方案如下：

一种面向果蔬外观品质特征的混合背景建模方法，方法包含如下步骤：

步骤1：若在果蔬外观品质特征检测过程中对于果蔬图像的某个像素点的观测数据可用若干个伽玛分布函数的加权平均值给出概率分布密度函数从而实现果蔬外观品质特征混合背景建模，则对于果蔬外观品质特征混合背景建模中某个伽玛分布函数，可设观测数据变量的数学期望估计表示为果蔬外观品质特征数据集中图像内像素点的观测数据变量乘以该伽玛分布函数在推荐下限值和推荐上限值之间积分除以进行积分的观测数据个数，同时观测数据变量平方的方差估计表示为果蔬外观品质特征数据集中图像内像素点的观测数据变量的平方乘以该伽玛分布函数在推荐下限值和推荐上限值之间积分除以进行积分的观测数据个数再减去该观测数据变量的数学期望估计的平方；

步骤2：在用于输出果蔬外观品质特征混合背景建模中某个伽玛分布函数的参数的循环过程中，通过计算当前循环次数时该伽玛分布函数的参数设置误差比例是否小于等于该伽玛分布函数的参数设置误差比例门限，若成立则可结束循环过程，若不成立则循环次数加壹且根据上个循环次数时该伽玛分布函数的参数设置误差比例门限最小对应的参数组合进行两侧扩展范围，同时其中一个参数的取值间隔按取值缩减比例进行收缩，直至计算出满足该伽玛分布函数的参数设置误差比例是否小于等于该伽玛分布函数的参数设置误差比例门限对应的该伽玛分布函数的参数组合；

步骤3：可通过果蔬外观品质特征数据集中果蔬图片的像素点的观测数据和对应的概率来构建为概率与观测数据建模数值的误差平方对于果蔬外观品质特征数据集的累计函数；由所述累计函数对某个伽玛分布函数的加权系数进行二阶求导可判断大于零可知，当所述累计函数对该伽玛分布函数的加权系数进行一阶求导为零时给出可使所述累计函数为极小值时不同伽玛分布函数的加权系数；

步骤4：可将观测数据变量平方的方差估计大于等于果蔬外观品质特征混合背景模型方差门限和加权系数大于等于果蔬外观品质特征混合背景模型权重门限的某个伽玛分布函数满足加入到果蔬外观品质特征混合背景建模中的背景模型对应的伽玛分布函数集合中。

进一步，步骤1中具体包括：设在果蔬外观品质特征检测过程中对于果蔬图像的像素点k的观测数据x

其中，w

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量的数学期望估计

其中，H

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量平方的数学期望估计

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量平方的方差估计

进一步，步骤2中具体包括：

步骤2.1：设置循环次数λ为0，对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设置α

步骤2.2：对于循环次数λ时α

步骤2.3：将λ加1，设置M

步骤2.4：输出使满足δ

进一步，步骤3中具体包括：

步骤3.1：对于果蔬外观品质特征数据集Ξ，通过果蔬图片h中像素点(i,j)的观测数据x(h,i,j)和对应的概率y(h,i,j)构建为概率与观测数据建模数值的误差平方对于果蔬外观品质特征数据集的累计函数G(w

步骤3.2：由所述G(w

步骤3.3：由

设

步骤3.4：设

考虑到对于不同r都存在A

其中，设P为

进一步，步骤4中具体包括：

考虑到通常背景像素基本上存在方差较小且权重偏大的情况，则果蔬外观品质特征混合背景建模中的背景模型对应的伽玛分布函数集合可表示如下：

其中，θ

附图说明

图1为面向果蔬外观品质特征的混合背景建模步骤图；

图2为获取该伽玛分布函数的参数组合的循环过程图；

图3为果蔬外观品质特征数据集Θ中像素点的观测数据变量关于第r个伽玛分布函数的状况；

图4为

图5为

图6为给出可使所述累计函数为极小值时不同伽玛分布函数的加权系数的步骤图；

图7为设定R＝5时不同伽玛分布函数的加权系数状况图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下进一步说明本发明的技术方案。

参照图1，一种面向果蔬外观品质特征的混合背景建模方法，包括以下步骤：

步骤1：设在果蔬外观品质特征检测过程中对于果蔬图像的像素点k的观测数据x

其中，w

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量的数学期望估计

其中，H

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量平方的数学期望估计

对于果蔬外观品质特征混合背景建模中第r个伽玛分布函数，设观测数据变量平方的方差估计

参照图2，步骤2包含如下4个步骤：

步骤2.1：设在果蔬外观品质特征数据集Θ中图像内像素点的观测数据属于区间

步骤2.2：对于循环次数λ时α

步骤2.3：将λ加1，设置M

步骤2.4：输出使满足δ

在步骤2中根据图3所示的观测数据可以设定的组合

参照图6，步骤3包含如下4个步骤：

步骤3.1：对于果蔬外观品质特征数据集Ξ，通过果蔬图片h中像素点(i,j)的观测数据x(h,i,j)和对应的概率y(h,i,j)构建为概率与观测数据建模数值的误差平方对于果蔬外观品质特征数据集的累计函数G(w

步骤3.2：由所述G(w

步骤3.3：由

设

步骤3.4：设

考虑到对于不同r都存在A

其中，设P为

设在图7中给出了设定R为5时由果蔬外观品质特征数据集Θ通过步骤3得到对应的不同伽玛分布函数的加权系数状况图。

步骤4：考虑到通常背景像素基本上存在方差较小且权重偏大的情况，则果蔬外观品质特征混合背景建模中的背景模型对应的伽玛分布函数集合可表示如下：

其中，θ

设若对于组合

本实施例中未明确的部分均可用现有技术加以实现。

以上仅是对本发明实施例的描述，但本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。