本發(fā)明涉及一種檢測(cè)技術(shù)，特別是涉及一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。

背景技術(shù)：

運(yùn)動(dòng)目標(biāo)檢測(cè)的主要任務(wù)在于可以快速穩(wěn)定準(zhǔn)確的檢測(cè)出運(yùn)動(dòng)目標(biāo)，其核心思想均基于前后視頻幀差法或背景模型法，得到運(yùn)動(dòng)目標(biāo)?，F(xiàn)有視頻幀差計(jì)算方法采用傳統(tǒng)前后幀的差值來(lái)提前運(yùn)動(dòng)目標(biāo)，計(jì)算過(guò)程為：目標(biāo)等于當(dāng)前視頻幀減去前一個(gè)視頻幀，以此來(lái)完成目標(biāo)的提前。而現(xiàn)有背景模型法采取的是建模完畢再計(jì)算決策的思路，其基本過(guò)程為：先建立模型，再對(duì)模型進(jìn)行學(xué)習(xí)和更新；完畢后再計(jì)算當(dāng)前幀和背景模型的差值，得到最終的運(yùn)動(dòng)目標(biāo)。

但是視頻幀差計(jì)算方法的檢測(cè)精度較低，而傳統(tǒng)背景模型法計(jì)算像素變化時(shí)并沒有考慮它相鄰的像素，在計(jì)算運(yùn)動(dòng)目標(biāo)時(shí)需要消耗較大的內(nèi)存，不斷的學(xué)習(xí)和更新背景模型，難以達(dá)到實(shí)時(shí)性的要求。

應(yīng)該注意，上面對(duì)技術(shù)背景的介紹只是為了方便對(duì)本申請(qǐng)的技術(shù)方案進(jìn)行清楚、完整的說(shuō)明，并方便本領(lǐng)域技術(shù)人員的理解而闡述的。不能僅僅因?yàn)檫@些方案在本申請(qǐng)的背景技術(shù)部分進(jìn)行了闡述而認(rèn)為上述技術(shù)方案為本領(lǐng)域技術(shù)人員所公知。

技術(shù)實(shí)現(xiàn)要素：

有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種能夠提高運(yùn)動(dòng)目標(biāo)檢測(cè)的檢測(cè)精度和實(shí)時(shí)性的基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，包括步驟:

將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型；

根據(jù)宏塊的背景模型決策出運(yùn)動(dòng)目標(biāo)。

優(yōu)選的，所述將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型的步驟之后還包括步驟：

對(duì)檢測(cè)出運(yùn)動(dòng)目標(biāo)的宏塊進(jìn)行繼續(xù)劃分為至少兩個(gè)小塊區(qū)域，并對(duì)小塊區(qū)域建立背景模型；

所述根據(jù)宏塊的背景模型決策出運(yùn)動(dòng)目標(biāo)的步驟包括：

對(duì)宏塊的背景模型進(jìn)行宏觀決策出粗略運(yùn)動(dòng)目標(biāo)，再根據(jù)粗略運(yùn)動(dòng)目標(biāo)和檢測(cè)出運(yùn)動(dòng)目標(biāo)的宏塊內(nèi)的小塊區(qū)域的背景模型進(jìn)行微觀決策出精確運(yùn)動(dòng)目標(biāo)。先將圖像劃分為宏塊，并建立背景模型，根據(jù)宏塊的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)可以得到相對(duì)于現(xiàn)有技術(shù)稍強(qiáng)的精度；然后，檢測(cè)到運(yùn)動(dòng)目標(biāo)的宏塊進(jìn)行繼續(xù)劃分得到更小的小塊區(qū)域，并建立小塊區(qū)域的背景模型，再根據(jù)小塊區(qū)域的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)可以進(jìn)一步的提高本發(fā)明的檢測(cè)精度。

優(yōu)選的，所述將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型的步驟包括：

將一幀圖像化劃分為5個(gè)較大的宏塊，利用codebook背景建模思想將這五個(gè)宏塊進(jìn)行背景建模；

利用codebook算法里的前景檢測(cè)判斷方法對(duì)該五個(gè)宏塊進(jìn)行逐個(gè)判斷，如果其中某一塊區(qū)域是前景，則遞歸下去，將該塊區(qū)域劃分為5個(gè)較小的小塊區(qū)域，并對(duì)細(xì)化后的小塊區(qū)域也進(jìn)行codebook背景建模；

如果其中某一塊區(qū)域是背景，則該塊區(qū)域前景檢測(cè)結(jié)束。劃分的時(shí)候，將大區(qū)域劃分為5個(gè)小區(qū)域，結(jié)合現(xiàn)有的算法可以得到較為理想的檢測(cè)效果，特別是對(duì)邊緣部分更是如此；在本方案，只對(duì)判定為前景的區(qū)域進(jìn)行進(jìn)一步的小塊區(qū)域劃分，這是因?yàn)橐耘卸榍熬暗膮^(qū)域指代檢測(cè)出運(yùn)動(dòng)目標(biāo)的區(qū)域進(jìn)行檢測(cè)更加容易，可以提高計(jì)算速度和效率；而當(dāng)判定某一塊區(qū)域?yàn)楸尘皶r(shí)，將不再劃分，則是因?yàn)樵搲K區(qū)域和運(yùn)動(dòng)目標(biāo)的檢測(cè)關(guān)系不大，結(jié)束該區(qū)域的檢測(cè)和計(jì)算可以提高計(jì)算效率；當(dāng)然，如果有需要的話，可以根據(jù)遞歸原則，對(duì)小塊區(qū)域進(jìn)行繼續(xù)劃分，直至精度滿足要求為止。

優(yōu)選的，所述將該塊區(qū)域劃分為5個(gè)較小的小塊區(qū)域的步驟中，使用n＝2×m-1，且m為奇數(shù)的劃分規(guī)則，其中n和m分別指的是宏塊和小塊區(qū)域中每行所包含的像素個(gè)數(shù)。例如，如果m＝5時(shí)，n＝9,這樣的分層選取較為適用于本方案，當(dāng)然，其他分層選取也是可以的。

優(yōu)選的，所述的前景檢測(cè)判斷方法包括步驟：

輸入像素x＝(r,g,b)，計(jì)算其亮度值

對(duì)于背景模型中的所有碼字，如果存在碼字符合預(yù)設(shè)匹配條件，則判斷它是背景，否則為前景。

優(yōu)選的，若存在碼字cm與x滿足以下兩個(gè)匹配條件(a)和(b)：

(a)、colordist(x,cm)≤ε2，其中ε2為檢測(cè)閾值；

(b)、則認(rèn)為該碼字cm與x符合預(yù)設(shè)匹配條件；

則其中bgs(x)表示對(duì)像素x使用前景檢測(cè)判斷方法。其中，要求ε2比現(xiàn)有技術(shù)中所涉及的檢測(cè)閾值略大，現(xiàn)有技術(shù)中的檢測(cè)閾值一般取值在4左右，本方法中略大于此，并需要針對(duì)具體的場(chǎng)景作適當(dāng)?shù)恼{(diào)整；建立好碼本背景模型后，就可以對(duì)序列中的每一個(gè)像素與背景碼本模型中的碼字逐個(gè)進(jìn)行比較，然后即可使用本方案的前景檢測(cè)判斷方法來(lái)判斷其實(shí)前景像素還是背景像素。

優(yōu)選的，所述前景檢測(cè)判斷方法包括步驟計(jì)算顏色區(qū)分度和亮度邊界；

所述計(jì)算顏色區(qū)分度和亮度邊界的步驟包括：

輸入像素xt＝(rt,gt,bt)、碼字ci和矢量

根據(jù)輸入像素xt＝(rt,gt,bt)、碼字ci和矢量天然存在的三個(gè)等式和進(jìn)行顏色區(qū)分度δ的計(jì)算，計(jì)算式子如下：

和

定義亮度變化的下限ilow和上限ihigh，并根據(jù)下限ilow和上限ihigh以界定陰影和高亮區(qū)域，對(duì)于每個(gè)碼字，定義亮度變化范圍使用了如下式子：

和

式中：一般0.4<α<0.7,1.1<β<1.5；當(dāng)α取值越小時(shí)，亮度變化范圍越大，定義亮度判別函數(shù)使用了如下式子：

為了處理全局和局部光照影響，如在相同的亮度強(qiáng)度環(huán)境條件下，一個(gè)物體，不管是人、車、動(dòng)物、樹木等物體，在這一片陰影區(qū)或者非陰影區(qū)、亮度區(qū)域或者非高亮區(qū)區(qū)域，其色調(diào)差不多較一致，但是亮度變化卻很大，這種現(xiàn)象主要是由陰影背景降低了圖像的亮度造成的。相反，在較高亮背景下的某一物體，其圖像亮度會(huì)相應(yīng)的被提高。因此，可以利用圖3的顏色模型示意圖來(lái)解決陰影和高亮的問(wèn)題。

優(yōu)選的，對(duì)所述運(yùn)動(dòng)目標(biāo)檢測(cè)方法中使用到的浮點(diǎn)計(jì)算，進(jìn)行浮點(diǎn)數(shù)定點(diǎn)化處理，將浮點(diǎn)數(shù)運(yùn)算轉(zhuǎn)換成乘法和除法。在圖像、視頻算法處理中對(duì)浮點(diǎn)操作定點(diǎn)化是極大提高系統(tǒng)的運(yùn)算速度；本文算法中涉及到大量的浮點(diǎn)計(jì)算，影響了系統(tǒng)的整個(gè)檢測(cè)速度，所以本方案在實(shí)際操作過(guò)程中，采用將浮點(diǎn)數(shù)運(yùn)算轉(zhuǎn)換成乘法和除法，例如i×0.4，可以轉(zhuǎn)化為i×4/10，或者可以轉(zhuǎn)化為i<<2/10。

優(yōu)選的，若對(duì)宏塊的檢測(cè)未發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)，則結(jié)束未發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)的宏塊的運(yùn)動(dòng)檢測(cè)方法后續(xù)操作。一般情況下，場(chǎng)景中的運(yùn)動(dòng)目標(biāo)只會(huì)存在一段時(shí)間，即占用的時(shí)間段很短暫，而過(guò)了這一段時(shí)間之后，該場(chǎng)景中就沒有運(yùn)動(dòng)目標(biāo)，為了減輕處理器的負(fù)擔(dān)，本文算法對(duì)于前期宏觀大區(qū)域的檢測(cè)若沒不含運(yùn)動(dòng)目標(biāo)，則后期不進(jìn)行更細(xì)細(xì)化的微觀小區(qū)域檢測(cè)，也不做邊緣細(xì)節(jié)的檢測(cè)，從而減輕算法的運(yùn)算，降低cpu的負(fù)擔(dān)。

優(yōu)選的，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)方法使用的cpu采用乒乓緩存策略進(jìn)行內(nèi)存優(yōu)化管理。一般視頻圖像處理算法中經(jīng)常會(huì)出現(xiàn)視頻圖像數(shù)據(jù)的拷貝、搬移。而實(shí)際管理事務(wù)和解決算法運(yùn)算通常為不同的cpu，因此，為了加快系統(tǒng)的運(yùn)行速度，保證算法的實(shí)時(shí)性，減少高頻率的拷貝操作，采取乒乓緩存策略，以此來(lái)提升系統(tǒng)的性能。

現(xiàn)有技術(shù)的缺陷在于：(1)幀差法算法簡(jiǎn)單、計(jì)算量小，適用于動(dòng)態(tài)環(huán)境，但其檢測(cè)精度不高，抗噪性能差。(2)傳統(tǒng)背景模型計(jì)算像素變化時(shí)并沒有考慮它相鄰的像素，在計(jì)算運(yùn)動(dòng)目標(biāo)時(shí)需要消耗較大的內(nèi)存，不斷的學(xué)習(xí)和更新背景模型，難以達(dá)到實(shí)時(shí)性的要求。

本發(fā)明的有益效果是：本發(fā)明由于先將圖像劃分為不同的宏塊后，并對(duì)各個(gè)宏塊建立背景模型，再通過(guò)宏塊的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，由于劃分為小塊，因而相對(duì)于對(duì)整幀圖像進(jìn)行建模要容易，學(xué)習(xí)和更新背景模型也更為簡(jiǎn)單，提高了實(shí)時(shí)性；同時(shí)，由于相對(duì)于整幀圖像進(jìn)行分析檢測(cè)更為細(xì)致，因而檢測(cè)精度得到了不錯(cuò)的提高。

參照后文的說(shuō)明和附圖，詳細(xì)公開了本申請(qǐng)的特定實(shí)施方式，指明了本申請(qǐng)的原理可以被采用的方式。應(yīng)該理解，本申請(qǐng)的實(shí)施方式在范圍上并不因而受到限制。在所附權(quán)利要求的精神和條款的范圍內(nèi)，本申請(qǐng)的實(shí)施方式包括許多改變、修改和等同。

針對(duì)一種實(shí)施方式描述和/或示出的特征可以以相同或類似的方式在一個(gè)或更多個(gè)其它實(shí)施方式中使用，與其它實(shí)施方式中的特征相組合，或替代其它實(shí)施方式中的特征。

應(yīng)該強(qiáng)調(diào)，術(shù)語(yǔ)“包括/包含”在本文使用時(shí)指特征、整件、步驟或組件的存在，但并不排除一個(gè)或更多個(gè)其它特征、整件、步驟或組件的存在或附加。

附圖說(shuō)明

所包括的附圖用來(lái)提供對(duì)本申請(qǐng)實(shí)施例的進(jìn)一步的理解，其構(gòu)成了說(shuō)明書的一部分，用于例示本申請(qǐng)的實(shí)施方式，并與文字描述一起來(lái)闡釋本申請(qǐng)的原理。顯而易見地，下面描述中的附圖僅僅是本申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。在附圖中：

圖1是本發(fā)明實(shí)施例一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的流程圖；

圖2是本發(fā)明實(shí)施例一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的方法示意圖；

圖3是本發(fā)明實(shí)施例區(qū)域劃分示意圖；

圖4是本發(fā)明實(shí)施例顏色模型的示意圖。

具體實(shí)施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本申請(qǐng)中的技術(shù)方案，下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾?qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都應(yīng)當(dāng)屬于本申請(qǐng)保護(hù)的范圍。

圖1是本發(fā)明實(shí)施例一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的流程圖，參見圖1，一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，包括步驟:

s1：將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型；

s2：根據(jù)宏塊的背景模型決策出運(yùn)動(dòng)目標(biāo)。

本發(fā)明的有益效果是：本發(fā)明由于先將圖像劃分為不同的宏塊后，并對(duì)各個(gè)宏塊建立背景模型，再通過(guò)宏塊的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，由于劃分為小塊，因而相對(duì)于對(duì)整幀圖像進(jìn)行建模要容易，學(xué)習(xí)和更新背景模型也更為簡(jiǎn)單，提高了實(shí)時(shí)性；同時(shí)，由于相對(duì)于整幀圖像進(jìn)行分析檢測(cè)更為細(xì)致，因而檢測(cè)精度得到了不錯(cuò)的提高。

圖2是本發(fā)明實(shí)施例一種基于宏觀和微觀的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的方法示意圖，結(jié)合圖1可知，本實(shí)施例優(yōu)選的，將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型的步驟之后還包括步驟：

對(duì)檢測(cè)出運(yùn)動(dòng)目標(biāo)的宏塊進(jìn)行繼續(xù)劃分為至少兩個(gè)小塊區(qū)域，并對(duì)小塊區(qū)域建立背景模型；

根據(jù)宏塊的背景模型決策出運(yùn)動(dòng)目標(biāo)的步驟包括：

對(duì)宏塊的背景模型進(jìn)行宏觀決策出粗略運(yùn)動(dòng)目標(biāo)，再根據(jù)粗略運(yùn)動(dòng)目標(biāo)和檢測(cè)出運(yùn)動(dòng)目標(biāo)的宏塊內(nèi)的小塊區(qū)域的背景模型進(jìn)行微觀決策出精確運(yùn)動(dòng)目標(biāo)。先將圖像劃分為宏塊，并建立背景模型，根據(jù)宏塊的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)可以得到相對(duì)于現(xiàn)有技術(shù)稍強(qiáng)的精度；然后，檢測(cè)到運(yùn)動(dòng)目標(biāo)的宏塊進(jìn)行繼續(xù)劃分得到更小的小塊區(qū)域，并建立小塊區(qū)域的背景模型，再根據(jù)小塊區(qū)域的背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)可以進(jìn)一步的提高本發(fā)明的檢測(cè)精度；當(dāng)然，如果有需要的話，可以對(duì)小塊區(qū)域進(jìn)行繼續(xù)劃分，直至劃分?jǐn)?shù)n層時(shí)，精度滿足要求為止。

本實(shí)施例優(yōu)選的，將圖像劃分為至少兩個(gè)宏塊，并以宏塊作為一個(gè)整體單位建立背景模型的步驟包括：

將一幀圖像化劃分為5個(gè)較大的宏塊，利用codebook背景建模思想將這五個(gè)宏塊進(jìn)行背景建模；

利用codebook算法里的前景檢測(cè)判斷方法對(duì)該五個(gè)宏塊進(jìn)行逐個(gè)判斷，如果其中某一塊區(qū)域是前景，則遞歸下去，將該塊區(qū)域劃分為5個(gè)較小的小塊區(qū)域，并對(duì)細(xì)化后的小塊區(qū)域也進(jìn)行codebook背景建模；

如果其中某一塊區(qū)域是背景，則該塊區(qū)域前景檢測(cè)結(jié)束。劃分的時(shí)候，將大區(qū)域劃分為5個(gè)小區(qū)域，結(jié)合現(xiàn)有的算法可以得到較為理想的檢測(cè)效果，特別是對(duì)邊緣部分更是如此；在本方案，只對(duì)判定為前景的區(qū)域進(jìn)行進(jìn)一步的小塊區(qū)域劃分，這是因?yàn)橐耘卸榍熬暗膮^(qū)域指代檢測(cè)出運(yùn)動(dòng)目標(biāo)的區(qū)域進(jìn)行檢測(cè)更加容易，可以提高計(jì)算速度和效率；而當(dāng)判定某一塊區(qū)域?yàn)楸尘皶r(shí)，將不再劃分，則是因?yàn)樵搲K區(qū)域和運(yùn)動(dòng)目標(biāo)的檢測(cè)關(guān)系不大，結(jié)束該區(qū)域的檢測(cè)和計(jì)算可以提高計(jì)算效率；當(dāng)然，如果有需要的話，可以根據(jù)遞歸原則，對(duì)小塊區(qū)域進(jìn)行繼續(xù)劃分，直至精度滿足要求為止。

本發(fā)明所涉及的codebook背景建模思想指的是運(yùn)用codebook算法，即碼本算法進(jìn)行的背景建模方法，其中codebook算法其實(shí)是采用一種量化聚類技術(shù)，其核心思想是在背景建模之前，對(duì)一段視頻序列中的每一個(gè)像素點(diǎn)構(gòu)建一個(gè)或多個(gè)碼字，即碼本。然后，在目標(biāo)檢測(cè)時(shí)，根據(jù)顏色區(qū)分度和亮度兩個(gè)準(zhǔn)則判斷當(dāng)前像素到底是背景還是前景。

圖3是本發(fā)明實(shí)施例區(qū)域劃分示意圖，本實(shí)施例優(yōu)選的，將該塊區(qū)域劃分為5個(gè)較小的小塊區(qū)域的步驟中，使用n＝2×m-1，且m為奇數(shù)的劃分規(guī)則，其中n和m分別指的是宏塊和小塊區(qū)域中每行所包含的像素個(gè)數(shù)。例如，如果m＝5時(shí)，n＝9,這樣的分層選取較為適用于本方案，當(dāng)然，其他分層選取也是可以的。

圖4是本發(fā)明實(shí)施例顏色模型的示意圖，結(jié)合圖1、圖2和圖3可知，本實(shí)施例優(yōu)選的，前景檢測(cè)判斷方法包括步驟：

輸入像素x＝(r,g,b)，計(jì)算其亮度值

對(duì)于背景模型中的所有碼字，如果存在碼字符合預(yù)設(shè)匹配條件，則判斷它是背景，否則為前景。

圖4是本發(fā)明實(shí)施例顏色模型的示意圖，結(jié)合圖1和圖2可知，若存在碼字cm與x滿足以下兩個(gè)匹配條件(a)和(b)：

(a)、colordist(x,cm)≤ε2，其中ε2為檢測(cè)閾值；

(b)、則認(rèn)為該碼字cm與x符合預(yù)設(shè)匹配條件；

則其中bgs(x)表示對(duì)像素x使用前景檢測(cè)判斷方法。其中，要求ε2比現(xiàn)有技術(shù)中所涉及的檢測(cè)閾值略大，現(xiàn)有技術(shù)中的檢測(cè)閾值一般取值在4左右，本方法中略大于此，并需要針對(duì)具體的場(chǎng)景作適當(dāng)?shù)恼{(diào)整；建立好碼本背景模型后，就可以對(duì)序列中的每一個(gè)像素與背景碼本模型中的碼字逐個(gè)進(jìn)行比較，然后即可使用本方案的前景檢測(cè)判斷方法來(lái)判斷其實(shí)前景像素還是背景像素。

本實(shí)施例優(yōu)選的，前景檢測(cè)判斷方法包括步驟計(jì)算顏色區(qū)分度和亮度邊界；

計(jì)算顏色區(qū)分度和亮度邊界的步驟包括：

輸入像素xt＝(rt,gt,bt)、碼字ci和矢量

根據(jù)輸入像素xt＝(rt,gt,bt)、碼字ci和矢量天然存在的三個(gè)等式和進(jìn)行顏色區(qū)分度δ的計(jì)算，計(jì)算式子如下：

和

其中，p是指xt在矢量vi上的投影長(zhǎng)度，θ是p和xt的夾角。

定義亮度變化的下限ilow和上限ihigh，并根據(jù)下限ilow和上限ihigh以界定陰影和高亮區(qū)域，對(duì)于每個(gè)碼字，定義亮度變化范圍使用了如下式子：

和

式中：一般0.4<α<0.7,1.1<β<1.5；當(dāng)α取值越小時(shí)，亮度變化范圍越大，定義亮度判別函數(shù)使用了如下式子：

為了處理全局和局部光照影響，如在相同的亮度強(qiáng)度環(huán)境條件下，一個(gè)物體，不管是人、車、動(dòng)物、樹木等物體，在這一片陰影區(qū)或者非陰影區(qū)、亮度區(qū)域或者非高亮區(qū)區(qū)域，其色調(diào)差不多較一致，但是亮度變化卻很大，這種現(xiàn)象主要是由陰影背景降低了圖像的亮度造成的。相反，在較高亮背景下的某一物體，其圖像亮度會(huì)相應(yīng)的被提高。因此，圖3的顏色模型示意圖。

本案中，符號(hào)xt和x均指代輸入像素，其主要區(qū)別在于適用于不同的公式當(dāng)中。

本實(shí)施例優(yōu)選的，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)方法中使用到的浮點(diǎn)計(jì)算，進(jìn)行浮點(diǎn)數(shù)定點(diǎn)化處理，將浮點(diǎn)數(shù)運(yùn)算轉(zhuǎn)換成乘法和除法。在圖像、視頻算法處理中對(duì)浮點(diǎn)操作定點(diǎn)化是極大提高系統(tǒng)的運(yùn)算速度；本文算法中涉及到大量的浮點(diǎn)計(jì)算，影響了系統(tǒng)的整個(gè)檢測(cè)速度，所以本方案在實(shí)際操作過(guò)程中，采用將浮點(diǎn)數(shù)運(yùn)算轉(zhuǎn)換成乘法和除法，例如i×0.4，可以轉(zhuǎn)化為i×4/10，或者可以轉(zhuǎn)化為i<<2/10。

本實(shí)施例優(yōu)選的，若對(duì)宏塊的檢測(cè)未發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)，則結(jié)束未發(fā)現(xiàn)運(yùn)動(dòng)目標(biāo)的宏塊的運(yùn)動(dòng)檢測(cè)方法后續(xù)操作。一般情況下，場(chǎng)景中的運(yùn)動(dòng)目標(biāo)只會(huì)存在一段時(shí)間，即占用的時(shí)間段很短暫，而過(guò)了這一段時(shí)間之后，該場(chǎng)景中就沒有運(yùn)動(dòng)目標(biāo)，為了減輕處理器的負(fù)擔(dān)，本文算法對(duì)于前期宏觀大區(qū)域的檢測(cè)若沒不含運(yùn)動(dòng)目標(biāo)，則后期不進(jìn)行更細(xì)細(xì)化的微觀小區(qū)域檢測(cè)，也不做邊緣細(xì)節(jié)的檢測(cè)，從而減輕算法的運(yùn)算，降低cpu的負(fù)擔(dān)。

本實(shí)施例優(yōu)選的，對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)方法使用的cpu采用乒乓緩存策略進(jìn)行內(nèi)存優(yōu)化管理。一般視頻圖像處理算法中經(jīng)常會(huì)出現(xiàn)視頻圖像數(shù)據(jù)的拷貝、搬移。而實(shí)際管理事務(wù)和解決算法運(yùn)算通常為不同的cpu，因此，為了加快系統(tǒng)的運(yùn)行速度，保證算法的實(shí)時(shí)性，減少高頻率的拷貝操作，采取乒乓緩存策略，以此來(lái)提升系統(tǒng)的性能。

以上詳細(xì)描述了本發(fā)明的較佳具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無(wú)需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的構(gòu)思作出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過(guò)邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書所確定的保護(hù)范圍內(nèi)。