一种运动目标实时检测方法

日期:2019-04-04 23:06:44

专利名称:一种运动目标实时检测方法
技术领域
本发明属于图像数据的处理方法,具体涉及一种运动目标实时检测方法, 用于从各种监控场景中自动检测运动目标。
背景技术
视频监控系统被广泛应用于银行、超市、停车场、住宅小区等各种场合, 但是传统的监控系统一方面需要人工不间断的观察多个监控屏幕,不仅要花费 大量的人力物力而且经常发生漏警和误警,不能做到实时有效的监控;另一方 面无选择的存储监控数据,需要大量的存储空间,而且海量的数据使得检索特 定的监控内容变得异常困难。随着计算机软硬技术的发展,视频监控的智能化 成了发展的热点方向。智能监控系统具有高效报警、无人参与、视频标注等优 点,具有广泛的应用前景。
在智能视频监控系统中,底层的运动目标提取(检测)是一个重要的步骤。 提取出来的运动目标的完整性,对后续的识别与跟踪工作起着重要的作用。运 动目标检测最简单的方法是帧差法,参见文献i^ms" G丄.wcogm""ow
Swtora/or 7k^wo/ogv, 7P卯,9(7, "45-70(12.但是这种方法只能提取出目 标的轮廓,对噪声也非常敏感,因此实用性不强。背景差方法是另外一种应用 比较广泛的运动目标检测方法,该方法通过对视频序列当前帧和参考背景(背 景模型)的比较,当差大于某个阈值的时候,判断该像素属于前景(运动目标), 否则属于背景。背景差法参见文献C. 5"to^w "m/ K五.丄.O/wwow, "y^qp"ve 6acAgroww/附^cfwre附ocfe/s》r /rach"rtg, " /Voc. Cow/ Cowpwfer J^sz"o"
背景差方法的研究主要集中在如何建立合适的背景模型,但由于监控场景 的复杂性,目前的背景建模方法在背景更新、背景扰动、虚假目标判断以及阴
9影抑制等方面存在许多不足,使得目标检测具有不稳定性。因此,寻求一种更 有效的背景建模方法是准确检测运动目标的途径之一。

发明内容
本发明提出一种运动目标实时检测方法,解决现有运动目标检测中背景建 模方法在背景更新、背景扰动、虚假目标判断以及阴影抑制等方面存在的不足, 使目标检测具有稳定性和实用性,用于处理复杂监控场景的运动目标检测。
本发明的一种运动目标实时检测方法,包括 (3) 建立模型步骤对第t帧图像中U J)位置处的像素d,,建立M
个高斯模型,2,,/,,的像素值1",,为ir/r色彩空间矢量
W,
其概率密度函数P(《.,")为M个高斯模型的线性组合
(2;r)5
式中,/^,,(A)和、;,)分别为第f帧图像中(/,i)位置处的像素 Q,^第^个高斯模型的权值、在H/F色彩空间的均值矢量和标准方差矢量
=(",」/^」,^;,/^/)" )/^」/
J,,p("表示a ,V,,("的转置,/为3X3的单位矩阵,M为3 5, 1
《!"《R, 1《J《C, R为图像的行数,C为图像的列数;
(4) 模型初始化步骤用第一帧图像中(/, i)位置处的像素&,,的像素
值A,W初始化该像素处的M个高斯模型,
第A个高斯模型的权值 ,/A:^1/(2A:+1), & = 1 ~ M ,
第A个高斯模型的均值矢量/^, W) = , A: = 1 ~ M ,第^个高斯模型的标准方差7分量^,1^」取值为20 30,
第)t个高斯模型的标准方差c/、 F分量 /w和 /;w取值为10 20;
在A/个高斯模型中,取权值气w(t)》77/的高斯模型表示背景模型,其余的 为前景模型,背景阈值77/=0.15 0.25 ;
(3) 目标检测与模型更新步骤从第二帧图像开始,进行如下过程,形成 二值图像
(3. 1)将像素0w的像素值《^依次与背景模型进行比较,判断其是否满 足背景模型中的任何一个,是则像素C,为背景,按背景模型更新其对应的M 个高斯模型,转过程(3.4);否则进行过程(3.2);
(3.2) 将像素2,,,,的像素值《,,<依次与前景模型进行比较,判断其是否满 足前景模型中一个,是则像素2,,,,为目标,按前景模型更新其对应的M个高斯
模型,转过程(3.4);否则进行过程(3.3);
(3.3) 将像素a,.,判断为目标,更新候选模型,转过程(3.4);
(3. 4)根据更新后的各模型权值再重新划分背景模型和前景模型,在M个 高斯模型中,取权值气,,("》7^的高斯模型表示背景模型,其余的为前景模型, 背景阈值77^=0.15 0.25;
(4) 虚假目标处理步骤判断前述步骤二值图象中检测的目标是否为虚假
目标;当前像素2,w被判断为目标,则根据下式再将d,与重构背景进行比较, 如果满足则认为是虚假目标,将2,^判断为背景,否则保留2,^为目标,得到 去除虚假目标点的二值图象
、<及吸,,)/及%(^,,)<72。
及(0丄,)、g(e",)、辨e,丄,)、t/(g^)、 「(0,,,)表示当前像素2,,,的/ 、 g、丑 和"、k值,及美,)、g美,)、5美,)、f/美,)、f美,)表示当前像素e,.,,
对应的重构背景的i 、 g、 b和c/、 r值,判决阈值 ;、 r2、 rul、 ru2、 t;,及^的取值范围分别为0.8 0.1、 1.0 1.3、 0.8 1.0、 1.0 1.3、 0.8 1.0及1.0 1.3;
当前像素0^对应的重构背景值为
及处(Q丄,)^/^,(maxJ, GSg(0,y,,) = >"",(maxG),
丑取(Q丄,)"",(應s), ""a,,,) = 〃w(maxf,),
//",(max》、;/,.丄,(maxG) 、 //",(max》、//",(maXu) 、 //,丄,(max》分另U表不当ltH象素 2w对应的M个高斯模型中权值最大的背景模型均值的i 、 G、 5、 t/、 F值;
(5) 阴影检测步骤先判断当前帧图像是否存在阴影,是则按如下过程检 测并去除阴影,得到去除阴影的二值图象,转步骤(6);否则直接转步骤(6);
对保留为目标的像素2,,,根据下列三式进行判断,三式同时满足,则像素 ",,为阴影,将U,为背景,否则保留^^为目标-
^唱 , U "
式中、、与&美,)、u 、 ^美"分 别表示当前像素2,丄,在^^色彩空间中的乐s、 r值以及与像素Q卬对应的重
构背景的if、 S、 r值,as=0.4 0.5, ps=0.8 l.O, ts=0.05 0.1, th=10 30; //、
S、 K值在/^F色彩空间中分别表示色度、饱和度、亮度;
(6) 后处理步骤为了使检测出的目标更完整,对步骤(4)和步骤(5)
的结果进行如下处理
式中F是最终结果二值图像,Ms是经过步骤(4)处理后得到的二值图像 再经过形态学开运算的结果;M是经过步骤(5)处理后得到的二值图像再经过 腐蚀去除孤立的点后的结果;S£为NxN的结构元素,N=3 7, M①犯表示以M为结构元素对Jl/做膨胀运算,n表示取交集;
(7) 确定目标区域步骤
对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析, 将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形, 由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真 实目标区域扩大10% 20%作为下一帧图像的预测目标区域;
(8) 背景的整体更新步骤
统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否 小于该帧图像所有像素数量的50% 80%,是则背景不整体更新;否则背景整体 更新,将整帧图像中各像素点的最大权值背景模型进行参数替换,用当前帧图 像对应像素点的像素值代替最大权值背景模型的均值,最大权值背景模型的权 值置为0.5 0.8,最大权值背景模型的标准方差置为20 30;
(9) 输出步骤输出检测结果,转步骤(3)检测下一帧图像,直到视频检 测结束。
所述的运动目标实时检测方法,其特征在于
所述目标检测与模型更新步骤中,将像素2w的像素值《,,,依次与背景模 型和前景模型进行比较时,根据下式判别当前帧图像像素2,,力,的像素值《,,,满 足M个高斯模型的哪一个模型
I ~.,⑥_ C, 1<騰(『x 7 J,义)
满足上式,则认为像素2,,,,,满足第A个模型,不再进行比较,否则继续与 下一个高斯模型进行比较,直到所有的高斯模型比较结束;式中『和义是系数, 当前像素^,,,,在预测目标区域外时,『=2.0 3.0,义=10 20;当前像素Q^在 预测目标区域内时,『=1.0 2.0, ;i=5 io;开始检测时,认为当前像素Q》.,, 处于预测目标区域外,此后,则将上一帧图像真实目标区域扩展10% 20%作为 当前帧图像的预测目标区域。所述的运动目标实时检测方法,其特征在于
所述目标检测与模型更新步骤中,更新像素2,y,对应的M个高斯模型时,
(1) 所述背景模型和前景模型更新的过程为
当前像素a力,,的像素值义,^与己存在的第&个高斯模型匹配,
(1.1) 匹配的高斯模型的权值按下式更新
Aj., /+1 (" = (1 _ "/t, (A) + "ytM/,/,, (A) , 式中,A/,.,y,f("=l,
^ _ ^厂"",fwn《,"-",,"w)/2( .,(")r ,,("
亮度最大间隔长度的函数"/: "/=0.03-min(0.025," + ^^77W),
其中,"=0.005 0.01,亮度最大间隔长度/定义为相同位置上的像素值 出现在同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复 出现,则/较小;
(1.2) 匹配的高斯模型的均值和方差按下式更新
式中Ad "("^"—""."(")/2(^(")、"w ,織翻于前景模型时
P取值为0.01 0.02,该模型属于背景模型时"取值为0.02 0.03;
(1.3) 对于其他不匹配的M- 7个模型,则权值更新时,取M,.,,";t)-0, 均值//,,,,)和方差<,,,(*)保持不变;
(2) 所述候选高斯模型更新的过程为
(2.1)判断当前是否存在候选高斯模型,是则转过程(2.2);否则生成一 个高斯模型,用当前像素&,,,的像素值义,^初始化该高斯模型的均值,并将其 权值赋予0.05 0.15,标准方差为20 30,作为候选高斯模型,然后转过程(2.2);
14(2.2) 候选高斯模型的均值与方差更新与所述过程(1.2)相同;权值则按 下式更新
,"1 (" = (1 - "it M-J, f (" + "A:
其中
C^l/(l + e呵簡-C))
式中的常数7^m用来控制前景像素保持静止后被融入为背景的时间,取值 范围为50 500;计数器C计算当前像素的像素值与候选高斯模型匹配的次数;
(2.3) 判断更新后的候选高斯模型权值是否大于阈值4(r"取0.3 0.5), 是则用候选高斯模型代替原有M个高斯模型中权值最小的一个,将该新高斯模 型的权值设为0.1 0.2,并对M个高斯模型权值重新进行规一化,同时,候选 高斯模型消亡,计数器c清零,结束候选高斯模型更新过程;否则直接结束候 选高斯模型更新过程。
所述的运动目标实时检测方法,其特征在于
所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为
(1) 在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记 下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相
应像素的及、G、 S值,若该点及、G、石值均小于其相应的背景i 、 G、 B值, 则将该点判为暗点,否则为亮点;
(2) 统计暗点和亮点数目,分别记为 和"6,并计算亮点的能量^:
<formula>formula see original document page 15</formula>式中/6、 /,.、 w、"分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、
邻域集中像素个数,邻域集为四邻域或八邻域;
然后计算亮点所属集合^的能量^以及暗亮对比值参数i^ :
<formula>formula see original document page 15</formula>(3)根据A和A的值判断是否存在阴影,如果4<7!且^>7^2则当前帧图 像中存在阴影,否则不存在阴影,?i=20 30, r2=80 100。
本发明为每个像素点建立M个混合高斯模型以适应复杂的监控场景,并将 M个模型分为背景、前景两类,为了能将场景中的树叶、水波等微小干扰运动 排除在运动目标之外,在检测过程中建立了一个候选模型来描述这类运动,当 候选模型的权重到达一定阈值时,将候选模型加入到背景模型中;三类模型拥 有各自的更新方式,可以根据权值相互转换从而适应场景的复杂性。
本发明只需要输入的第一帧图像来初始化模型,第二帧以后可开始检测, 不需要纯背景的采集,实用性更强;对虚假目标以及阴影的处理提高了运动目 标检测的准确性;基于形态学的后处理方法提高了检测的完整性;为了能快速 适应场景的突然变化(如光线骤变、场景改变等),提出了整体更新措施;因而 更有效的检测运动目标,增强鲁棒性。


图l:本发明流程示意图2:目标检测与模型更新步骤流程示意图; 图3A:阴影场景视频输入的第93帧原始图像;
图3B:阴影场景视频第93帧图像目标检测与模型更新步骤后结果;
图3C:阴影场景视频第93帧图像虚假目标处理和阴影处理步骤后结果;
图3D:阴影场景视频第93帧图像后处理步骤后的最终结果;
图4A:阴影场景视频输入的第234帧原始图像;
图4B:阴影场景视频第234帧图像目标检测与模型更新步骤后结果;
图4C:阴影场景视频第234帧图像虚假目标处理和阴影处理步骤后结果;
图4D:阴影场景视频第234帧图像后处理步骤后的最终结果。
具体实施例方式
图l为本发明流程示意图。
以下结合一个具体实例对本发明进一步说明。 (1)建立模型
从分辨率为320X240的阴影场景视频中读入一帧如图3A和图4A所示的原
始图像,在rt/F色彩空间对该帧图像的每一像素点进行混合高斯建模,使用4个
高斯模型来表征图像中各个像素点的特征。设《,,,,为第1帧图像中位置为U,》 (1《/《320,1《J《240),的像素的像素值矢量,其值为/^.乂,, t/,丄,,K,,/ , 其概率密度函数户(X,》,,)能写成4个高斯模型的线性组合
尸"/,jv ) = -^-6 (i)
另外,为了适应背景扰动,在检测过程中将根据检测结果动态地生成一个
候选模型,即如果某像素不满足4个模型中的任何一个,则生成一个候选模型。
(2) 模型初始化
读入第一帧图像时,需要对混合高斯模型进行初始化,即用第一帧图像中 G) J)位置处的像素0w的像素值A,p初始化该像素处的4个高斯模型 第A个高斯模型的权值 1/(2"1), & = 1 4
第^个高斯模型的均值矢量 ~, = A,w , A = 1 ~ 4 第k个高斯模型的标准方差F分量a,.,/JfcJ取值为20, 第&个高斯模型的标准方差f/、 r分量 /^J和^,/;t"取值为10;
在4个高斯模型中,取权值w,^(ifc)》0.20的高斯模型表示背景模型,其余的 为前景模型;
(3) 目标检测与模型更新
从读入的第二帧图像开始,如图2所示,按照下述过程检测目标并更新混合 高斯模型,形成如图3B和图4B所示的二值图像 (3.1)目标检测
将第f帧图像中位置为(力^)的像素2,,,,的像素值《./,按下式依次与像素d,对应的背景模型和前景模型进行比较
"iMv/^J-"", |<wax(『XCT",(^J," A: = 1 ~ 4 (2)
满足上式,则认为像素仏,..,满足第A个模型,当前像素2,,,,在预测目标区
域外时,取『=2.5,义=15;当前像素^,,,在预测目标区域内时,取『=1.5, A =6;开始检测时,认为当前像素C,处于预测目标区域外,此后,则将上一帧 图像真实目标区域扩展15%作为当前帧图像的预测目标区域。
如果像素2,,,,的像素值d,满足背景模型中的任何一个高斯模型,则判定
该点为背景点,并停止往下比较,转过程(3.2)进行模型更新;否则像素2,,,,,的
像素值《,,,,继续与表示前景的高斯模型比较,如果满足其中任意一个前景模型,
则判定该点为目标点,同时转过程(3.2)进行模型更新;否则,先将像素d,判
断为目标点,然后转过程(3.3) (3.2)模型更新
当前像素2,,,,,的像素值1,,,,,与已存在的第^个高斯模型匹配(该模型可能 是背景也可能是前景),则该高斯模型的权值按下式更新
, ,+i (" = (i - q M j-, / 0) + "^,;,, W (3)
式(3)中M,.丄,(A:" 1,
— "/e (4)
亮度最大间隔长度函数",为
"/ = 0.03 一 min(0.025," ++ ;//2。)) (5)
其中,"=0.005,亮度最大间隔长度/定义为相同位置上的像素值出现在 同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复出现, 则/较小
该模型的均值和方差按式(6)更新(6)
式⑥中A = ,其中錄据翻
是否描述背景而取不同的值,以便控制背景更新和前景更新的速度,前景更新
时,^=0.0125;背景更新时,"=0.025。
对于其他不匹配的3个模型则取似,.,,,(*)=0, 而均值/^,,(*)和方差 ^,、,.,W保持不变。
(3.3)候选模型的生成与更新
如果目前不存在候选高斯模型,则生成一个高斯模型,并用当前像素2^的
像素值《,w来初始化该高斯模型的均值,并赋予较小的权值为O.l,标准方差为
20,作为候选高斯模型,然后更新候选高斯模型;否则,直接更新候选高斯模 型
候选高斯模型模型的均值与方差按式(6)进行更新,权值则按下式更新
, ,+1 = (1 - q, (" + % (7)
其中
"*=1/(1 + ,単1 (8)
式(8)中的常数T^m用来控制前景像素保持静止后被融入为背景的时间, 检测的前100帧,取7ferm = 50;检测到100帧之后,取7fem7 = 200;计数器c 用来计算当前像素的像素值与候选高斯模型匹配的次数。
如果更新后的候选高斯模型权值大于阈值0.3时,则用候选高斯模型代替原 有4个高斯模型中权值最小的一个,并将权值设定为0.15,并对新的4个模型 权值重新进行规一化;候选高斯模型消亡,计数器c清零,转过程(3.4);否则, 直接转过程(3.4)(3.4)重新划分背景模型和前景模型
模型更新完成后,根据权值再次对背景模型和前景模型进行划分取权值 ^,,^》0.20的高斯模型表示背景模型,其余的为前景模型。
(4) 虚假目标处理
当前像素0,w被判断为目标,则根据下式再将仏,,与重构背景进行比较, 如果满足则认为是虚假目标,将2",判断为背景,否则保留。,,,,为目标,得到 去除虚假目标的二值图像
7^<5(0,,7,,)/^(0,,〃)<7^ (9) ^<"(^,,)/^(2,,,,)<7:211
&<「(&》/、(^》<7;2
式(9)中判决阈值7;、 r2、 、 r 2、;及7;2的取值分别取0.85、 1.25、 0.9、 1.2、 0.9及1.2。
(5) 阴影检测和抑制
如果在阴影存在性判断中,& <30并且& >0.9,则当前帧图像中存在阴 影,需要按照以下方法检测并去除阴影,得到去除阴影的如图3C和图4C所示二 值图像,转步骤(6);否则直接转步骤(6):
对保留为目标的像素C,根据下列三式进行判断,三式同时满足,则像素 C,为阴影,将2,,,,判断为背景,否则保留2^为目标
<formula>formula see original document page 20</formula> (10)
式(10)中,&=0丄/ 一见%=瞎,^=30。
6)后处理步骤为了使检测出的目标更完整,对步骤(4)和步骤(5)的 结果进行如下处理F = A^(A/@S£) (11) 式(11)中F是最终结果,如图3D和图4D所示,Ms是经过步骤(4) 处理后得到的二值图像再经过模板大小为3 x 3的形态学开运算的结果;M是经 过步骤(5)处理后得到的二值图再经过模板大小为3 x 3的腐蚀去除孤立的点 后的结果;S£为3 x 3的结构元素; (7)确定目标区域
对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析, 将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形, 由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真 实目标区域扩大15%作为下一帧图像的预测目标区域;
(8) 模型的整体更新
统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否 小于该帧图像所有像素数量的65%,是则背景不整体更新;否则背景整体更新, 将整帧图像中所有像素点的最大权值背景模型进行参数替换,用当前帧图像像 素值代替均值,权值置为0.5,标准方差置为20。
(9) 输出后最终检测结果,转步骤(3)检测下一帧图像,直到视频检测结束。
权利要求
1. 一种运动目标实时检测方法,包括(1)建立模型步骤对第t帧图像中(i,j)位置处的像素Qi,j,t,建立M个高斯模型,Qi,j,t的像素值Xi,j,t为YUV色彩空间矢量Xi,j,t={Yi,j,t,Ui,j,t,Vi,j,t}T,其概率密度函数P(Xi,j,t)为M个高斯模型的线性组合式中,ωi,j,t(k)、μi,j,t(k)和σi,j,t(k)分别为第t帧图像中(i,j)位置处的像素Qi,j,t第k个高斯模型的权值、在YUV色彩空间的均值矢量和标准方差矢量μi,j,t(k)={μi,j,t(kY),μi,j,t(kU),μi,j,t(kV)}Tσi,j,t(k)={σi,j,t(kY),σi,j,t(kU),σi,j,t(kV)}TσTi,j,t(k)表示σi,j,t(k)的转置,I为3×3的单位矩阵,M为3~5,1≤i≤R,1≤j≤C,R为图像的行数,C为图像的列数;(2)模型初始化步骤用第一帧图像中(i,j)位置处的像素Qi,j,1的像素值Xi,j,1初始化该像素处的M个高斯模型,第k个高斯模型的权值ωi,j,1(k)=1/(2k+1),k=1~M,第k个高斯模型的均值矢量μi,j,1(k)=Xi,j,1, k=1~M,第k个高斯模型的标准方差Y分量σi,j,1(kY)取值为20~30,第k个高斯模型的标准方差U、V分量σi,j,1(kU)和σi,j,1(kV)取值为10~20;在M个高斯模型中,取权值ωi,j,1(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;(3)目标检测与模型更新步骤从第二帧图像开始,进行如下过程,形成二值图象(3. 1)将像素Qi,j,t的像素值Xi,j,t依次与背景模型进行比较,判断其是否满足背景模型中的任何一个,是则像素Qi,j,t为背景,按背景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.2);(3. 2)将像素Qi,j,t的像素值Xi,j,t依次与前景模型进行比较,判断其是否满足前景模型中一个,是则像素Qi,j,t为目标,按前景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.3);(3. 3)将像素Qi,j,t判断为目标,更新候选模型,转过程(3.4);(3. 4)根据更新后的各模型权值再重新划分背景模型和前景模型,在M个高斯模型中,取权值ωi,j,t(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;(4)虚假目标处理步骤判断前述步骤二值图象中检测的目标是否为虚假目标;当前像素Qi,j,t被判断为目标,则根据下式再将Qi,j,t与重构背景进行比较,如果满足则认为是虚假目标,将Qi,j,t判断为背景,否则保留Qi,j,t为目标,得到去除虚假目标点的二值图象R(Qi,j,t)、G(Qi,j,t)、B(Qi,j,t)、U(Qi,j,t)、V(Qi,j,t)表示当前像素Qi,j,t的R、G、B和U、V值,RBg(Qi,j,t)、GBg(Qi,j,t)、BBg(Qi,j,i)、UBg(Qi,j,t)、VBg(Qi,j,t)表示当前像素Qi,j,t对应的重构背景的R、G、B和U、V值,判决阈值T1、T2、Tu1、Tu2、Tv1及Tv2的取值范围分别为0.8~0.1、1.0~1.3、0.8~1.0、1.0~1.3、0.8~1.0及1.0~1.3;当前像素Qi,j,t对应的重构背景值为RBg(Qi,j,t)=μi,j,t(maxR),GBg(Qi,j,t)=μi,j,t(maxG),BBg(Qi,j,t)=μi,j,t(maxB),UBg(Qi,j,t)=μi,j,t(maxU),VBg(Qi,j,t)=μi,j,t(maxV),μi,j,t(maxR)、μi,j,t(maxG)、μi,j,t(maxB)、μi,j,t(maxU)、μi,j,t(maxV)分别表示当前像素Qi,j,t对应的M个高斯模型中权值最大的背景模型均值的R、G、B、U、V值;(5)阴影检测步骤先判断当前帧图像是否存在阴影,是则按如下过程检测并去除阴影,得到去除阴影的二值图象,转步骤(6);否则直接转步骤(6);对保留为目标的像素Qi,j,t根据下列三式进行判断,三式同时满足,则像素Qi,j,t为阴影,将Qi,j,t判断为背景,否则保留Qi,j,t为目标(S(Qi,j,t)-SBg(Qi,j,t))≤τS,|H(Qi,j,t)-HBg(Qi,j,t)|≤τH,式中H (Qi,j,t)、S(Qi,j,t)、V(Qi,j,t)与HBg(Qi,j,t)SBg(Qi,j,t)、VBg(Qi,j,t)分别表示当前像素Qi,j,t在HSV色彩空间中的H、S、V值以及与像素Qi,j,t对应的重构背景的H、S、V值,αS=0.4~0.5,βS=0.8~1.0,τS=0.05~0.1,τH=10~30;H、S、V值在HSV色彩空间中分别表示色度、饱和度、亮度;(6)后处理步骤为了使检测出的目标更完整,对步骤(4)和步骤(5)的结果进行如下处理式中F是最终结果二值图像,Ms是经过步骤(4)处理后得到的二值图像再经过形态学开运算的结果;M是经过步骤(5)处理后得到的二值图像再经过腐蚀去除孤立的点后的结果;SE为N×N的结构元素,N=3~7,表示以SE为结构元素对M做膨胀运算,∩表示取交集;(7)确定目标区域步骤对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析,将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形,由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真实目标区域扩大10%~20%作为下一帧图像的预测目标区域;(8)背景的整体更新步骤统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否小于该帧图像所有像素数量的50%~80%,是则背景不整体更新;否则背景整体更新,将整帧图像中各像素点的最大权值背景模型进行参数替换,用当前帧图像对应像素点的像素值代替最大权值背景模型的均值,最大权值背景模型的权值置为0.5~0.8,最大权值背景模型的标准方差置为20~30;(9)输出步骤输出检测结果,转步骤(3)检测下一帧图像,直到视频检测结束。
2. 如权利要求l所述的运动目标实时检测方法,其特征在于 所述目标检测与模型更新步骤中,将像素a,,的像素值%。,依次与背景模型和前景模型进行比较时,根据下式判别当前帧图像像素2,.,,,的像素值《,,/满 足M个高斯模型的哪一个模型I /^i("^rJ —1<附ox(『xcr,」./^:y义/1)J/"w/斗」—K丄,1〈w^x(『xo^/乓义A)满足上式,则认为像素2^,满足第A:个模型,不再进行比较,否则继续与 下一个高斯模型进行比较,直到所有的高斯模型比较结束;式中『和义是系数, 当前像素2",在预测目标区域外时,『=2.0 3.0,义=10 20;当前像素2,,,,在 预测目标区域内时,『=1.0 2.0,义=5 10;开始检测时,认为当前像素Q,,.,, 处于预测目标区域外,此后,则将上一帧图像真实目标区域扩展10% 20%作为 当前帧图像的预测目标区域。
3. 如权利要求1或2所述的运动目标实时检测方法,其特征在于所述目标检测与模型更新步骤中,更新像素对应的M个高斯模型时, (1)所述背景模型和前景模型更新的过程为当前像素《,.,的像素值d,与已存在的第t个高斯模型匹配,(1.1)匹配的高斯模型的权值按下式更新必/J., f+1 (" = (1 — "/t )必/,, f + %M!,/,,(" ,式中,A/,》.,("-l,"A: — w, ,亮度最大间隔长度的函数",= 0.03_min(0.025,a +1 + ^/0—//20)),其中,"=0.005 0.01,亮度最大间隔长度/定义为相同位置上的像素值 出现在同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复 出现,贝iJ/较小;(1.2)匹配的高斯模型的均值和方差按下式更新— A,, w (" = (1 — A) A,,, (" + A《,式中a =,織翻于前景模型时〃取值为O.Ol 0.02,该模型属于背景模型时〃取值为0.02 0.03;(1.3)对于其他不匹配的M- 7个模型,则权值更新时,取M^,()t"0,",=",均值,("和方差, W保持不变; (2)所述候选高斯模型更新的过程为(2.1) 判断当前是否存在候选高斯模型,是则转过程(2.2);否则生成一 个高斯模型,用当前像素2,^的像素值《,w初始化该高斯模型的均值,并将其 权值赋予0.05 0.15,标准方差为20 30,作为候选高斯模型,然后转过程(2.2);(2.2) 候选高斯模型的均值与方差更新与所述过程(1.2)相同;权值则按下式更新J, "1 (A) = 0 - "/t )f (" + %其中6<formula>formula see original document page 7</formula>式中的常数T^m用来控制前景像素保持静止后被融入为背景的时间,取值 范围为50 500;计数器c计算当前像素的像素值与候选高斯模型匹配的次数; (2.3)判断更新后的候选高斯模型权值是否大于阈值;(7;取0.3 0.5), 是则用候选高斯模型代替原有M个高斯模型中权值最小的一个,将该新高斯模 型的权值设为0.1 0.2,并对M个高斯模型权值重新进行规一化,同时,候选 高斯模型消亡,计数器c清零,结束候选高斯模型更新过程;否则直接结束候 选高斯模型更新过程。
4.如权利要求1或2所述的运动目标实时检测方法,其特征在于 所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为(1) 在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记 下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相 应像素的及、G、 B值,若该点i 、 G、 B值均小于其相应的背景i 、 G、 S值, 则将该点判为暗点,否则为亮点;(2) 统计暗点和亮点数目,分别记为 和^,并计算亮点的能量^:<formula>formula see original document page 7</formula>式中A、 /;、 A、、 n分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、 邻域集中像素个数,邻域集为四邻域或八邻域;然后计算亮点所属集合^的能量&以及暗亮对比值参数& :<formula>formula see original document page 7</formula>(3)根据&和A的值判断是否存在阴影,如果A^z;且A〉:r2则当前帧图像中存在阴影,否则不存在阴影,7i=20 30, r2=80 100。
5.如权利要求3所述的运动目标实时检测方法,其特征在于:所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为-(1) 在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记 下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相应像素的i 、 C 、万值,若该点/ 、 G、 B值均小于其相应的背景i 、 G、 5值, 则将该点判为暗点,否则为亮点;(2) 统计暗点和亮点数目,分别记为 和 ,并计算亮点的能量^:式中/6、 /,.、 A^、"分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、 邻域集中像素个数,邻域集为四邻域或八邻域;然后计算亮点所属集合^的能量&以及暗亮对比值参数& :5>6(3)根据^和Prf的值判断是否存在阴影,如果^<7]且&>72则当前帧图 像中存在阴影,否则不存在阴影,71=20 30, r2=80 100。8
全文摘要
一种运动目标实时检测方法,属于图像数据的处理方法,解决现有运动目标检测中背景建模方法在背景更新、背景扰动、虚假目标判断以及阴影抑制等方面存在的不足,使目标检测具有稳定性和实用性,用于处理复杂监控场景的运动目标检测。本发明包括建立模型步骤,模型初始化步骤,目标检测与模型更新步骤,虚假目标处理步骤,阴影检测步骤,后处理步骤,确定目标区域步骤,背景的整体更新步骤和输出步骤。本发明提高了运动目标检测的准确性、鲁棒性和检测目标的完整性,更有效的检测运动目标,为目标分类、跟踪以及事件检测奠定了基础。
文档编号G06T7/20GK101447082SQ20081023667
公开日2009年6月3日 申请日期2008年12月5日 优先权日2008年12月5日
发明者呼志刚, 孙爱蓉, 田金文, 谭毅华 申请人:华中科技大学


购买说明
       资料可在线传送,如需邮寄光盘(即将电子文档刻录到光盘里),邮费另计。
       我们也可以为您提供个性化定制,欢迎咨询,客服微信/QQ: 690542
       X专利信息网竭诚为您服务!

相关文章 您可能喜欢 最新发布 热门文章 随机文章 相关发布