本發(fā)明涉及智能視頻監(jiān)控
技術(shù)領(lǐng)域：
，具體涉及一種基于跟蹤的復(fù)雜場景下的運(yùn)動目標(biāo)檢測方法。
背景技術(shù)：
：隨著公共安全建設(shè)的加強(qiáng)以及人們安全意識的提高，智能視頻監(jiān)控開始受到人們的關(guān)注與青睞。這對安全防范系統(tǒng)、視頻監(jiān)控系統(tǒng)提出了更高的要求。智能視頻監(jiān)控系統(tǒng)是通過對攝像機(jī)拍錄的視頻進(jìn)行自動分析來對動態(tài)場景中的目標(biāo)進(jìn)行檢測、跟蹤、識別，并在此基礎(chǔ)上分析和判斷目標(biāo)的行為。做到即完成日常的監(jiān)控又能在異常情況發(fā)生時及時做出反應(yīng)，解決傳統(tǒng)監(jiān)控工作量大、效率低、反應(yīng)速度慢等問題。運(yùn)動目標(biāo)檢測是智能視頻監(jiān)控系統(tǒng)中最重要的組成部分，其檢測的精確度對后續(xù)目標(biāo)的跟蹤、識別、行為分析等產(chǎn)生直接影響。目前，最常用的運(yùn)動檢測方法包括：光流法、幀間差分法、背景差分法等。背景差分法是通過對當(dāng)前圖像和背景圖像差分來檢測運(yùn)動目標(biāo)。其關(guān)鍵是構(gòu)造一個魯棒性的背景圖像。與幀間差分法和光流法相比較，背景差分法由于建模不需要先驗知識、運(yùn)算速度快、目標(biāo)檢測精準(zhǔn)等優(yōu)點(diǎn)，而成為研究的焦點(diǎn)?，F(xiàn)有技術(shù)在光照突變和樹葉搖晃的運(yùn)動目標(biāo)檢測過程中，背景更新不及時，導(dǎo)致運(yùn)動目標(biāo)檢測結(jié)果不好。技術(shù)實現(xiàn)要素：本發(fā)明的目的是要解決輕微搖動樹葉和光照突變的技術(shù)問題，為此，本發(fā)明提出一種基于跟蹤的復(fù)雜場景下的運(yùn)動目標(biāo)檢測方法。為了實現(xiàn)所述目的，本發(fā)明的技術(shù)方案為：一種基于跟蹤的復(fù)雜場景下的運(yùn)動目標(biāo)檢測方法，該方法能夠去除光照、樹葉抖動及孤立的小噪聲或者偽目標(biāo)，具體步驟如下：步驟1：對輸入的視頻幀，采用混合高斯模型進(jìn)行背景建模并進(jìn)行模型更新，獲取初始前景像素點(diǎn)。步驟2：分別將當(dāng)前前景像素和相對應(yīng)的背景像素與鄰域像素進(jìn)行二值化比較，實現(xiàn)了背景模型的自適應(yīng)更新，獲得運(yùn)動目標(biāo)。步驟3：對運(yùn)動目標(biāo)進(jìn)行跟蹤，獲取目標(biāo)的軌跡信息，并根據(jù)軌跡信息計算目標(biāo)偏離初始位置的距離和運(yùn)動方向改變的次數(shù)。步驟4：計算運(yùn)動目標(biāo)和其相對應(yīng)的背景之間的變異系數(shù)，再次判斷去除孤立的小噪聲或者偽目標(biāo)。上述方法中，步驟2能夠去除光照突變影響，其過程如下：使用LBP分別提取當(dāng)前前景像素和相對應(yīng)的背景像素的紋理模式；假設(shè)t時刻位置c處(xt,c,yt,c)的像素為gt,c，對應(yīng)的八個鄰域像素為gt,p，p＝0，…，7，將每個鄰域像素與該像素進(jìn)行二值化比較，得到一個八位的二進(jìn)制串；統(tǒng)計當(dāng)前前景像素的二進(jìn)制串和背景像素二進(jìn)制串對應(yīng)位置相等的個數(shù)Num，若Num>6，且該像素點(diǎn)與背景像素點(diǎn)的差值的絕對值小于T，則判斷該像素點(diǎn)為背景點(diǎn)，否則該像素點(diǎn)為前景點(diǎn)，這樣不僅實現(xiàn)了背景模型的更新，而且還獲得了運(yùn)動目標(biāo)，其中T是根據(jù)場景人為設(shè)定的閾值；LBPt(xt,c,yt,c)=Σp=07s(gt,p-gt,c)2p]]>s(x)=1x≥00x<0]]>LBPt(xt,c,yt,c)表示位置c處(xt,c,yt,c)與其周圍像素形成的一種紋理模式上述步驟3，根據(jù)軌跡信息計算目標(biāo)偏離初始位置的距離和運(yùn)動方向改變的次數(shù)的過程如下：假設(shè)目標(biāo)運(yùn)動軌跡為(x1,y1)(x2,y2)...(xt-1,yt-1)(xt,yt)，則在t時刻目標(biāo)位置與初始位置的距離為在1到t時刻內(nèi)目標(biāo)偏離初始位置最大距離為dmax＝max(d1,d2,…,dt)；在t分別取2,3，…,t-1時，不等式(dt-1-dt)(dt-dt+1)＜0成立的次數(shù)為f。其中dmax用來描述樹葉擺動的幅度，f用來描述樹葉擺動的頻次。若dmax小于D或者f大于N，則判斷該目標(biāo)是因為樹葉擺動引起，屬于背景；否則判斷該目標(biāo)為運(yùn)動目標(biāo)，D和N為人為設(shè)定的閾值。步驟4中，運(yùn)動目標(biāo)和其相對應(yīng)的背景之間的變異系數(shù)的計算過程如下：假設(shè)視頻序列在時刻t的輸入圖像為初始背景幀為利用當(dāng)前幀與背景幀的分量差值建立噪聲模型泊松分布，并統(tǒng)計其直方圖Hist[d]，對所得的直方圖計算相關(guān)方差Var[d]；最后，對所得的相關(guān)方差進(jìn)行排序，尋找出最大值，即為變異系數(shù)λ；當(dāng)變異系數(shù)λ大于1時，則判定場景發(fā)生突變；λ＝max(Var[d])/Cd＝0,1,2...254其中d為當(dāng)前幀像素和背景幀像素之間的亮度變化，Var[]為相關(guān)方差，C為常量。與現(xiàn)有的方法相比，本發(fā)明提出對輸入的視頻幀，采用混合高斯模型進(jìn)行背景建模并進(jìn)行模型更新，獲取初始前景像素點(diǎn)?；贚BP紋理特征對光照的不敏感性，分別將當(dāng)前前景像素和相對應(yīng)的背景像素與鄰域像素進(jìn)行二值化比較，實現(xiàn)了背景模型的自適應(yīng)更新，很好的適應(yīng)光照的突然變化，獲得運(yùn)動目標(biāo)。再對運(yùn)動目標(biāo)進(jìn)行跟蹤，獲取目標(biāo)的軌跡信息，根據(jù)軌跡信息計算目標(biāo)偏離初始位置的距離和運(yùn)動方向改變的次數(shù)，以便去除樹葉抖動的影響。最后再通過計算變異系數(shù)去除大量孤立的小噪聲或者偽目標(biāo)，獲取最終運(yùn)動目標(biāo)。該方法有效的解決了運(yùn)動目標(biāo)檢測易受到復(fù)雜樹葉擾動和光照變化等的影響，由于局部二值模式和目標(biāo)的運(yùn)行速度計算都比較簡單，所以該算法同時具有很高的實時性。附圖說明圖1是本發(fā)明的用于運(yùn)動目標(biāo)前景檢測方法的流程圖。圖2(a)是原始視頻幀；圖2(b)是混合高斯模型提取的背景；圖2(c)是混合高斯模型提取的前景；圖2(d)是本發(fā)明提取的前景。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加明確清晰，以下結(jié)合具體實例，并參考附圖，對本發(fā)明進(jìn)一步詳細(xì)說明。本發(fā)明研制開發(fā)的一種基于跟蹤的復(fù)雜場景下的運(yùn)動目標(biāo)檢測方法，是在微機(jī)windows7環(huán)境下，采用面向?qū)ο蟮脑O(shè)計方法和軟件工程規(guī)范，用C++語言實現(xiàn)。圖1是本發(fā)明所述方法的具體流程圖。下面以圖1為例說明本發(fā)明中一些具體的實現(xiàn)流程。本發(fā)明的方法是一種基于跟蹤的復(fù)雜場景下的運(yùn)動目標(biāo)檢測方法，其具體步驟為：步驟1：對輸入的視頻序列利用混合高斯背景建模，獲取初始運(yùn)動目標(biāo)。對t時刻的每個像素點(diǎn)用變量Xt表示，其概率密度函數(shù)可用如下K個高斯函數(shù)表示：p(Xt)=Σi=1Kωi,t.η(Xt,μi,t,Ψi,t)---(1)]]>公式(1)中，ωi,t為第i個高斯分布在t時刻的權(quán)值，且有η(Xt,μi,t,Ψi,t)是t時刻的第i個高斯分布函數(shù)，μi,t和Ψi,t分別代表均值和協(xié)方差，表達(dá)式為：η(Xt,ui,t,ψi,t)=1(2π)n2|ψi,t|12e-12(Xt-μi,t)Tψ-1i,t(Xt-μi,t)---(2)]]>公式(2)中，i＝1,2,...,K，式中，n表示Xt的維數(shù)。模型中假設(shè)R，G，B三個通道互相獨(dú)立，并具有相同的方差，則有ψi,t＝σi2I(3)公式(3)中，σi2表示方差，I表示單位矩陣。對于新幀圖像像素值Xt與它K個高斯分布進(jìn)行匹配，如果K個高斯分布中有某個在M倍標(biāo)準(zhǔn)差范圍內(nèi)，即|Xt-μt-1|＜M*σi(M一般取2.5～3.5)，則Xt與該高斯分布匹配，該像素點(diǎn)為背景點(diǎn)，如果Xt與K個高斯分布都不匹配，則認(rèn)為該像素點(diǎn)為前景點(diǎn)，圖2(b)為混合高斯背景建模下提取的背景。對與高斯分布匹配的像素值的參數(shù)按照下面公式進(jìn)行更新：ωk,t＝(1-α)ωk,t-1+αMk,t(4)μt＝(1-ρ)μt-1+ρXt(5)σt2=(1-ρ)σt-12+ρ(Xt-μt)T(Xt-μt)---(6)]]>公式(4)～(6)中，ρ是一個更新率，它決定了分布模型更新的快慢。α是一個學(xué)習(xí)率，Mk,t的取值依匹配情況而定，對與像素當(dāng)前值匹配的模型取1，其余取0。ρ=λαwi,t]]>其中，wi,t為對應(yīng)高斯分布的當(dāng)前權(quán)值，λ為變異系數(shù)，可依據(jù)前景運(yùn)動目標(biāo)變化情況自適應(yīng)更新。這樣可以針對不同區(qū)域，自適應(yīng)的改變更新率的大小。對于所有高斯分布中沒有一個與像素當(dāng)前值相匹配，則創(chuàng)建一個新的高斯分布取代現(xiàn)有K個高斯分布中ωt/σt值最小的模型。在權(quán)值更新完后，要對同一混合高斯模型中的各分布的權(quán)值按公式(7)進(jìn)行歸一化處理。ωi,t=ωi,tΣj=1Kωj,t,i=1,2,...,K---(7)]]>通過參數(shù)更新以后，對K個高斯分布按ω/σ的比值降序排列，然后取滿足下式的前b個分布組成背景模型：B=argmin(Σk=1bωK>T)---(8)]]>其中，T為背景選取的閾值，T調(diào)整描述背景的高斯分布的個數(shù)，如果T越大，則對背景描述的高斯分布則越多，但這樣會帶來更多的內(nèi)存開銷和更大的計算量。高斯分布個數(shù)的確定。初始化時，給場景中每個像素設(shè)置一個高斯模型；隨著場景的變化，當(dāng)某個像素的混合高斯模型不能與當(dāng)前像素值匹配，且該像素的高斯模型個數(shù)沒有達(dá)到設(shè)定的最大值，則為該像素自動增加一個高斯模型，均值為當(dāng)前像素值，否則用新的高斯模型替換排在最后的高斯模型；在每次模型更新完成后，判斷每個像素對應(yīng)的高斯模型中的最后一個高斯成分是否滿足式(9)，如果不滿足則刪除。步驟2：使用局部二值模式分別提取目標(biāo)的前景和對應(yīng)背景的紋理模式，具體是：假設(shè)t時刻像素c處(xt,c,yt,c)的像素為gt,c對應(yīng)的八個鄰域像素gt,p，p＝0，…，7，將每個鄰域像素與該像素進(jìn)行二值化比較，得到一個八位的二進(jìn)制串。統(tǒng)計當(dāng)前前景像素的二進(jìn)制串和背景像素二進(jìn)制串對應(yīng)位置相等的個數(shù)Num，若Num>6,且該像素點(diǎn)與背景像素點(diǎn)的差值的絕對值小于T，則判斷該像素點(diǎn)為背景點(diǎn)，否則該像素點(diǎn)為前景點(diǎn)，這樣不僅實現(xiàn)了背景模型的更新，而且還獲得了運(yùn)動目標(biāo)，其中T是根據(jù)場景人為設(shè)定的閾值。LBPt(xt,c,yt,c)=Σp=07s(gt,p-gt,c)2p]]>s(x)=1x≥00x<0]]>LBPt(xt,c,yt,c)刻畫了像素(xt,c,yt,c)與其周圍像素形成的一種紋理模式。假設(shè)目標(biāo)的前景圖片對應(yīng)的二進(jìn)制串為f1f2...fp(p＝1,2,...,8)，背景圖片對應(yīng)的二進(jìn)制串為b1b2...bp(p＝1,2,...,8)。統(tǒng)計當(dāng)前前景像素的二進(jìn)制串和背景像素二進(jìn)制串對應(yīng)位置相等的個數(shù)Num，若Num>6，且該像素點(diǎn)與背景像素點(diǎn)的差值的絕對值小于T，則判斷該像素點(diǎn)為背景點(diǎn)，否則該像素點(diǎn)為前景點(diǎn)。其中T是根據(jù)場景人為設(shè)定的閾值。步驟3.對步驟2獲得的運(yùn)動目標(biāo)進(jìn)行跟蹤，利用跟蹤軌跡計算目標(biāo)偏離初始位置的距離和運(yùn)動方向改變的次數(shù)，具體是：假設(shè)目標(biāo)運(yùn)動軌跡為(x1,y1)(x2,y2)...(xt-1,yt-1)(xt,yt)，則在t時刻目標(biāo)位置與初始位置的距離為在1到t時刻內(nèi)目標(biāo)偏離初始位置最大距離為dmax＝max(d1,d2,…,dt)；在t分別取2,3，…,t-1時，不等式(dt-1-dt)(dt-dt+1)＜0成立的次數(shù)為f。其中dmax用來描述樹葉擺動的幅度，f用來描述樹葉擺動的頻次。若dmax小于D或者f大于N，則判斷該目標(biāo)是因為樹葉擺動引起，屬于背景；否則判斷該目標(biāo)為運(yùn)動目標(biāo)，D和N為人為設(shè)定的閾值。步驟4：對步驟3獲得的運(yùn)動目標(biāo)計算變異系數(shù)，具體是：假設(shè)視頻序列在時刻t的輸入圖像為初始背景幀為利用當(dāng)前幀與背景幀的分量差值建立噪聲模型泊松分布，并統(tǒng)計其直方圖Hist[d]，對所得的直方圖計算相關(guān)方差Var[d]；最后，對所得的相關(guān)方差進(jìn)行排序，尋找出最大值，即為變異系數(shù)λ；當(dāng)變異系數(shù)λ大于1時，則判定場景發(fā)生突變；λ＝max(Var[d])/Cd＝0,1,2...254其中d為當(dāng)前幀像素和背景幀像素之間的亮度變化，Var[]為相關(guān)方差，C為常量。Var[d]＝E{[Xd-E(Xd)]2}＝E(x2)-(E(x))2＝SQd/Cd-(Sd/Cd)2SQd=Σd255d*d*Hist[d],d=0,1,2...254]]>Sd=Σd255d*Hist[d],d=0,1,2,...,254]]>Pd=Σd255Hist[d],d=0,1,2...254]]>d＝|Iin(i,j)-Ibg(i,j)|Hist[d]=Σi=0HΣj=0Wd]]>Iin＝(Rin,Gin,Bin)為輸入圖像像素向量，Ibg＝(Rbg,Gbg,Bbg)為背景圖像像素向量。(i,j)為圖像中每個像素的坐標(biāo)。H和W分別為圖像的高和寬。若Pd＝0，則Cd＝1，否則，Cd＝Pd。若變異系數(shù)大于Tλ，則判斷該目標(biāo)為最終運(yùn)動目標(biāo)，否則判斷該目標(biāo)為其他干擾，屬于背景。其中Tλ為變異系數(shù)閾值。圖2(c)為混合高斯模型提取的前景，圖2(d)為本發(fā)明提取的前景。從圖2(c)、(d)可以看出，本發(fā)明方法能夠有效去除大量的偽目標(biāo)，克服樹葉擺動的影響。以上所述的本發(fā)明的實施方式，并不構(gòu)成對本發(fā)明保護(hù)范圍的限定。任何在本發(fā)明的精神原則之內(nèi)所作出的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3