CN101094413A - 用于视频监控的实时运动检测方法 - Google Patents

Abstract

本发明公开了一种用于视频监控的实时运动检测算法，其对于实时视频数据进行运动检测和分析，检测出视频中的运动区域：程序为视频帧中的每个像素位置建立若干个高斯模型，为视频帧中的每个像素位置建立若干个随时间变化的高斯模型，根据当前帧中该像素位置接受当前像素值的高斯模型的权重之和来区分该像素(前景和背景)，实时更新高斯模型和调整高斯模型的个数，并将前景区域用指定颜色进行标记，标记会随着运动区域的移动而移动。本发明的优点在于：本发明直接对实时视频进行运动检测和分析，不需要人工交互，不需要离线处理，完全达到实时检测；检测出来的运动区域准确，能使用监控场景的动态变化，在视频监控领域具有重要的实用价值。

Description

用于视频监控的实时运动检测方法

技术领域

本发明涉及运动检测方法，特别设计一种用于视频监控的实时运动检测方法，能够从获取的视频中实时地检测出运动区域。

背景技术

运动检测是指在视频图像序列中判断是否有运动物体的检测过程。运动目标检测是实现目标识别跟踪的基础。由于视频序列是由在时间上具有一定连续性的图像帧序列构成的，因此对于视频中运动目标的检测是按照一定的周期从视频序列中提取出图像帧序列来实现检测的。

目前已经提出了很多关于运动检测和分析的方法：

1.基于光流的方法：光流是图像亮度的运动信息描述。光流技术基于图像中相邻点的亮度是相似的这一前提，即图像中亮度变化平稳。在该前提下光流法将三维空间的图像表面亮度点的速率信息映射为近似的二维运动场来进行计算。大多数光流法要遍历所有帧中所有像素点，所以计算量大，算法复杂耗时。

2.基于相邻帧差的方法：相邻帧差法是通过递归方程式从日常规则中得到训练规则，并利用训练规则来实现目标检测的算法。运动目标检测的过程中，该类方法主要利用时间信息，通过比较图像序列中连续2、3帧中所有的对应位置像素点，并根据规则计算对应像素点的差值，如果差值大于一定的阈值，就认为该点对应位置有运动目标存在并提取该运动目标。这种算法简单，相对来说计算量和空间耗用率都比较低，同时对动态变化环境中的运动目标检测有较强的自适应性。但得到的检测结果并不十分精确，在运动实体内部易产生空洞现象

3.背景减除法：背景减除法是对固定摄像机捕获视频的运动检测中最常用的一种方法，主要思想是经过一定时间的学习获得一个参考帧，成为“背景帧”或者“背景模型”，然后将新获得的当前帧和背景帧进行求差，差值超过一定阈值的像素点即认为是前景点或者运动目标。背景建模是整个方法的基础。背景模型必须能够代表没有运动物体的静止场景，同时不断更新，和视频中的背景保持一致。

4.基于统计、学习的方法：这类方法通常主要利用单个或者成组的像素特征来构建和更新背景模型，采用学习概率来抑制误检测。这类算法对于噪声、阴影、光线等外部环境变化比较鲁棒，检测到的运动目标比较准确，抗干扰能力较强。但由于运动的复杂性，致使该方法很难采用一种统一的概率分配模型来描述。学习过程中要遍历图像的所有位置，故训练样本大，计算复杂，计算量大，一般不适于实时处理。

本方面的目的在于提供一种能够用于视频监控的实时运动检测方法，其可以对实时视频数据进行运动检测和分析，检测出视频中的运动区域，并将前景区域用指定颜色进行标记，标记会随着运动区域的移动而移动。

发明内容

本发明的目的是提供一种用于视频监控的实时运动检测方法。

用于视频监控的实时运动检测方法包括如下步骤：

(1)视频图像分块及分类：

将每帧视频图像分成N×N像素的小方块，按照x方向从左到右，y方向从上到下的顺序逐个对当前图像中的每个小方块进行分类，从小方块中随机选取一个像素，判断其是前景还是背景，如果该像素是背景，则结束处理这个小方块，进行下个方块的处理，如果该像素是前景，则按顺序逐个判断当前小方块中的每个像素，如果是前景，则用指定的颜色对该像素进行着色；凡是处理过的像素，都要更新其对应的高斯模型队列；

(2)判断一个像素是前景还是背景：

为每个像素建立一系列高斯模型，这些高斯模型反映了当前像素位置出现的分布情况，其中高斯模型的权重，在0.0～1.0之间表示这个模型在背景中所占的比重。当前像素属于前景还是背景，用它被当前位置的高斯模型接收的概率和，即接受当前像素值的高斯模型的权重和来表示：

$P\left(x_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(x_t-{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---1$

其中，K是当前像素位置上的高斯模型个数，x_t是当前像素的颜色值，μ_i，t，∑_i，t是第i个高斯模型的均值和方差，η(x_t-μ_i，t，∑_i，t)表示x_t是否被第i个高斯模型接受，ω_i，t是第i个高斯模型的权重；P(x_t)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；如果这个权重和满足：

P(x_t)≥T_BG          2

则该像素为背景点，否则为前景点。

(3)判断当前像素值x_t是否被第i个高斯模型η(x_t-μ_i，t，∑_i，t)接受：

对于当前像素的颜色值x_t，如果其满足：

|x_t-μ_i，t|＜T_σ    3

其中T_σ是高斯模型属于背景的权重阈值，经过大量实验和统计所得。

(4)高斯模型队列的更新

a>如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\μ}}_{i,t}+\mathrm{\α}{x}_t\\ {\mathrm{\ω}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\ω}}_{i,t}+\mathrm{\α}\end{array}\right.---4$

其中，μ_i，t，ω_i，t分别是当前的第i个高斯模型的均值和权重，μ_i，t+1、ω_i，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；

b>如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值x_t，权重为α建立一个新的高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{K+1}=x_t\\ {\mathrm{\ω}}_{K+1}=\mathrm{\α}\end{array}\right.---5$

c>前像素的高斯队列中第j个高斯模型满足：

ω_j＜T_ω            6

其中T_ω是高斯模型存在的权重阈值；

则把该高斯模型从高斯队列中删除；

4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：

|μ_a-μ_b|＜T_dist    7

其中，T_dist是高斯模型发生合并的均值距离的阈值；

则将模型a和b进行合并如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{c,t}={\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}\\ {\mathrm{\μ}}_{c,t}=\frac{{\mathrm{\ω}}_{a,t}*{\mathrm{\μ}}_{a,t}+{\mathrm{\ω}}_{b,t}*{\mathrm{\μ}}_{b,t}}{{\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}}\end{array}\right.$

所述的从小方块中随机选取一个像素：将方块中的所有像素按照先从左到右，再从上到下标记为0，1，2...，N×N-1；根据当前时间生成一个随机数，用这个数对N×N进行除法运算，得到的余数就是要选取的像素的标号。

所述的判断一个像素属于前景还是背景：将该像素属于背景的可能性表示成：

$P\left(x_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(x_t-{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---1$

其中，K是当前像素位置上的高斯模型个数，x_t是当前像素的颜色值，μ_i，t，∑_i，t是第i个高斯模型的均值和方差，η(x_t-μ_i，t，∑_i，t)表示x_t是否被第i个高斯模型接受，ω_i，t是第i个高斯模型的权重；P(x_t)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；

如果这个权重和满足：

P(x_t)≥T_BG          2

则该像素为背景点，否则为前景点。

所述的判断当前像素值x_t是否被第i个高斯模型接受的η(x_t-μ_i，t，∑_i，t)的计算采用了这样的方法：对于当前像素的颜色值x_t，如果其满足：

|x_t-μ_i，t|＜T_σ    3

其中T_σ是高斯模型属于背景的权重阈值，经过大量实验和统计所得。

所述的对每个像素的的高斯模型队列的更新的方法：

1)如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\μ}}_{i,t}+\mathrm{\α}{x}_t\\ {\mathrm{\ω}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\ω}}_{i,t}+\mathrm{\α}\end{array}\right.---4$

其中，μ_i，t，ω_i，t分别是当前的第i个高斯模型的均值和权重，μ_i，，t+1、ω_i，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；

2)如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值x_t，权重为α建立一个新的高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{K+1}=x_t\\ {\mathrm{\ω}}_{K+1}=\mathrm{\α}\end{array}\right.---5$

3)如果当前像素的高斯队列中第j个高斯模型满足：

ω_j＜T_ω    6

其中T_ω是高斯模型存在的权重阈值；

则把该高斯模型从高斯队列中删除；

4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：

|μ_a-μ_b|＜T_dist    7

其中，T_dist是高斯模型发生合并的均值距离的阈值；

则将模型a和b进行合并如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{c,t}={\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}\\ {\mathrm{\μ}}_{c,t}=\frac{{\mathrm{\ω}}_{a,t}*{\mathrm{\μ}}_{a,t}+{\mathrm{\ω}}_{b,t}*{\mathrm{\μ}}_{b,t}}{{\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}}\end{array}\right.---8$

与现有技术相比，本发明的优点在于：

1、本发明直接通过微机对实时的视频进行运动检测和分析，不需要任何离线处理过程；

2、本发明可以准确地检测出视频中的运动区域，并将运动部分用指定的颜色进行标记，检测结果直观明了；

3、本发明将运动检测在软件中进行实现，可移植性强。对任何手段获取的实时视频都能进行实时处理。本程序是一个很基本的程序模块，可以广泛应用于各种实时监控中。

4、本发明是一种优化的运动检测算法，运算量小，实时性好，可以同时对多路视频进行实时监控。

附图说明

图1(a)是视频序列中第512帧的原视频图像；

图1(b)是更新速度α＝0.005时视频序列中第512帧的运动检测结果；

图2(a)是视频序列中第1053帧的原视频图像；

图2(b)是视频序列中第1413帧的原视频图像；

图2(c)是视频序列中第1676帧的原视频图像；

图2(d)是更新速度α＝0.005时第1053帧的运动检测结果；

图2(e)是更新速度α＝0.005时第1413帧的运动检测结果；

图2(f)是更新速度α＝0.005时1676帧的运动检测结果；

图3(a)是该场景中第456帧时的原视频图像；

图3(b)是该场景中第480帧时的原视频图像；

图3(c)是更新速度α＝0.2时第456帧检测出来的运动目标；

图3(d)是更新速度α＝0.2时第480帧检测出来的运动目标；

图4(a)是视频序列中第1053帧的原视频图像；

图4(b)是视频序列中第1413帧的原视频图像；

图4(c)是视频序列中第1676帧的原视频图像；

图4(d)是更新速度α＝0.01时第1053帧的运动检测结果；

图4(e)是更新速度α＝0.01时第1413帧的运动检测结果；

图4(f)是第1676帧的运动检测结果；

图4(g)是视频序列中第480帧的原视频图像；

图4(h)是更新速度α＝0.01时第480帧的运动检测结果；

图5运动检测方法的流程图。

具体实施方式

本方法的运动检测和分析步骤为：

1、视频图像分块及分类：

将每帧视频图像分成4×4(像素)的小方块，按照x方向从左到右，y方向从上到下的顺序逐个处理当前图像中的每个小方块。其中小方块的处理采用了这样的方法：将方块中的所有像素按照先从左到右，再从上到下标记为0，1，2...，15；根据当前时间生成一个随机数，用这个数对4×4进行除法运算，根据得到的余数从方块中随机选取一个像素，判断其是前景还是背景；如果该像素是背景，则结束处理这个小方块，进行下个方块的处理；如果该像素是前景，则按顺序逐个判断当前小方块中的每个像素，如果是前景，则用指定的颜色对该像素进行着色；凡是处理过的像素，都要更新其对应的高斯模型队列。

2、判断一个像素是前景还是背景：

为每个像素建立一系列高斯模型，这些高斯模型反映了当前像素位置出现的分布情况，其中高斯模型的权重，在0.0～1.0之间表示这个模型在背景中所占的比重。当前像素属于前景还是背景，用它被当前位置的高斯模型接收的概率和，即接受当前像素值的高斯模型的权重和来表示：

$P\left(x_t\right)=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}\mathrm{\η}(x_t-{\mathrm{\μ}}_{i,t},{\mathrm{\Σ}}_{i,t})---1$

其中，K是当前像素位置上的高斯模型个数，x_t是当前像素的颜色值，μ_i，t，∑_i，t是第i个高斯模型的均值和方差，η(x_t-μ_i，t，∑_i，t)表示x_t是否被第i个高斯模型接受，ω_i，t是第i个高斯模型的权重；P(x_t)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；如果这个权重和满足：

P(x_t)≥T_BG          2

则该像素为背景点，否则为前景点，在本发明中T_BG取0.8。

3、判断当前像素值x_t是否被第i个高斯模型η(x_t-μ_i，t，∑_i，t)接受：

对于当前像素的颜色值x_t，如果其满足：

|x_t-μ_i，t|＜T_σ    3

其中T_σ是高斯模型属于背景的权重阈值，经过大量实验和统计所得，在本发明中取10-15。

4、高斯模型队列的更新

(1)如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\μ}}_{i,t}+\mathrm{\α}{x}_t\\ {\mathrm{\ω}}_{i,t+1}=(1-\mathrm{\α}){\mathrm{\ω}}_{i,t}+\mathrm{\α}\end{array}\right.---4$

其中，μ_i，t，ω_i，t分别是当前的第i个高斯模型的均值和权重，μ_i，t+1、ω_i，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；

(2)如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值x_t，权重为α建立一个新的高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{K+1}=x_t\\ {\mathrm{\ω}}_{K+1}=\mathrm{\α}\end{array}\right.---5$

(3)当前像素的高斯队列中第j个高斯模型满足：

ω_j＜T_ω             6

则把该高斯模型从高斯队列中删除；其中T_ω是高斯模型存在的权重阈值，本发明中取0.01；

(4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：

|μ_a-μ_b|＜T_dist    7

其中，T_dist是高斯模型发生合并的均值距离的阈值；

则将模型a和b进行合并如下：

$\left\{\begin{array}{c}{\mathrm{\ω}}_{c,t}={\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}\\ {\mathrm{\μ}}_{c,t}=\frac{{\mathrm{\ω}}_{a,t}*{\mathrm{\μ}}_{a,t}+{\mathrm{\ω}}_{b,t}*{\mathrm{\μ}}_{b,t}}{{\mathrm{\ω}}_{a,t}+{\mathrm{\ω}}_{b,t}}\end{array}\right.---8$

5、对于检测出来的前景点，根据需要，用指定的颜色对于前景点进行着色，将前景点进行凸显。

这里以一段室外场景的视频录像为例，说明本方法的运动检测和分析的详细步骤，图5给出了本发明的详细流程图，其中视频尺寸为352×288像素。具体步骤如下：

1、读入一帧视频图像currFrame

2、将视频图像分成4×4像素的小方块。在x方向有352/4＝88，y方向有288/4＝72，总共88×72共计6336个小方块。

3、BlockX从0到87，Blocky从0到71，按顺序依次取一个小方块进行处理：

(1)小方块中的像素按照x从0到3，y从0到3进行编号0，1，2，...，15；

(2)产生一个0～15的随机数idxInBlock，计算出这个像素位置的x坐标和y坐标，其中x＝BlockX*BlockW+idxInBlock％BlockW，

y＝BlockY*BlockW+idxInBlock/BlockW

(3)获取(x，y)位置像素的灰度值currGray，进行如下处理：

<1>如果当前像素位置的高斯队列为空，则在当前高斯队列中加入一个高斯模型currModel如下：currModel.u＝currGray，currModel.w＝ALPHA；

<2>如果当前像素的高斯队列不为空，则首先将当前的权重之和weightSum设置为0，然后逐个取出高斯队列中的高斯模型currModel。如果当前灰度值currGray和当前模型的均值之间的距离小于阈值(|currGray-currModel.u|＜THRESH_DIFF)，则认为该模型接受当前灰度值，权重之和增加：weightSum＝weightSum+currModel.w；否则，认为该高斯模型不接受当前灰度值；

<3>处理完当前位置(x，y)位置的所有高斯队列后，判断当前像素是前景还是背景：如果接受当前灰度值的所有模型的权重之和大于阈值：weightSum＞TH_WEIGHT_SUM，则认为是背景，否则认为是前景；

<4>如果当前像素是背景，转更新那些接受当前灰度值的高斯模型currModel如下：currModel.u＝(1.0-ALPHA)*currModel.u+ALPHA*currGay

currModel.w＝(1.0-ALPHA)*currModel.w+ALPHA

<5>如果当前像素是前景，则更新那些不接受当前灰度值的高斯模型currModel如下：currModel.w＝(1.0-ALPHA)*currModel.w，同时加入前景点集合fgPoints.

<6>如果当前的高斯队列中的高斯模型均不接受当前灰度值，则在当前高斯队列中加入一个高斯模型currModel如下：currModel.u＝currGray，currModel.w＝ALPHA；

<7>调整高斯队列：如果某个高斯模型currModel的权重太小，即currModel.w＜TH_WEIGHT_BELOW，则从高斯队列中删除；如果某两个高斯模型ModelA、ModelB之间的距离太近，即|ModelA.u-ModelB.u|＜TH_MODEL_DIFF，则将高斯模型A和B合并成新的高斯模型C：

ModelC.w＝ModelA.w+ModelB.w；

ModelC.u＝(ModelA.u*ModelA.w+ModelB.u*ModelB.w)/ModelC.w

并将原来的高斯模型A和B从高斯队列中删除

(4)如果当前像素判定为背景，则结束处理当前小方块

(5)如果当前现速判定为背景，则按照0，1，2，...，15的顺序取像素，计算新的像素位置(x，y)，转(3)。

4、结束处理当前小方块。

5、结束处理当前视频帧currFrame，用fgColor对前景点集合fgPoints中的所有点进行着色，凸显前景点。

程序变量	类型	描述
			width	整型	视频图像的宽
height	整型	视频图像的高
			GaussModel{int u，double w，}	结构体	表示一个高斯模型，u是灰度均值，w是权重
currFrame	Cximage类	当前的视频图像，可以通过CxImage::GetPixelGray(x，y)获取处于位置(x，y)的像素灰度值
			currGray	整型	当前像素位置的灰度值
currModel	Gussmodel结构体	当前的高斯模型
			GaussPixel	Gussq[width][height]二维数组	表示每个像素位置的高斯模型队列
ALPHA	浮点型常量	高斯模型的更新速度，取0.01
			BlockW	整型	小方块的边长，这里取4
BlockX	整型	小方块的x坐标
			BlockY	整型	小方块的y坐标
idxInBlock	整型	当前处理小方块中第几个像素，从0到15
			x，y	整型	当前像素的x坐标和y坐标
THRESH_DIFF	整型常量	方差的阈值，如果当前灰度与高斯均值的差值小THRESH_DIFF，则认为高斯模型接受但前灰度值

weightSum	双精度型	当前位置接受当前灰度值的高斯模型权重之和
			TH_WEIGHT_SUM	双精度型常量	权重之和的阈值，大于该值则为背景，否则为前景
TH_WEIGHT_BELOW	双精度型常量	模型权重的阈值，小于该值，则从高斯队列中删除
			TH_MODLE_DIFF	双精度型常量	两个模型差距的阈值，小于该值，则将两个模型进行合并
fgPoints	vector<CPoint>	前景点的集合
			fgColor	COLORREF	给前景点着色的指定颜色

表1主要数据结构和变量

所述的更新速度α对运动检测结果有及其重要的影响，α的选取是一个技巧性很强的问题。第一，背景模型对背景变化的相应速度要足够快。背景的变化可能由光照变化等因素引起的背景本身颜色的变化，也可能是背景区域的变化，如前景和背景的相互转化。如果背景模型不能迅速跟上实际背景的变化，则对于动态性较强的场景就往往发生误检，检测结果中就会出现大范围的噪声。图1给出了α＝0.005时的检测效果：图1(a)是视频序列中的第512帧的原视频图像，图1(b)是对应的运动检测结果，黑色部分是检测出来的前景，红色框部分是误检测部分。由于更新速度较慢，在风吹动树木时，不能及时将背景(树叶、公路)同时融入模型中，吹动的树的边缘被当成前景检测出来。

另外，前景目标静止足够长时间同样也会融入背景(前景高斯模型的权重增加足够大)同时真正的背景模型权重则会降低，而当前景物体离开时，由于更新速度不够快而在该处误检，呈现前景物体的“尾巴”，图2给出了α＝0.005时的另一个检测效果图：图2(a)、2(b)、2(c)分别是视频序列中第1053帧、1413帧和1676帧的原视频图像，图2(d)、2(e)、2(f)分别是对应时刻的运动检测结果；黑色部分是前景出来的前景，红色方框内部是检测出来的白色汽车的前景点集合。在1053帧时，方框部分是以路面的灰色被主要的高斯模型，当白色汽车行驶过来，白色部分不能被灰色高斯模型所接受，因此判定为前景；白色汽车在该位置停留了足够长的时间后，白色的高斯模型权重不断增加，成为主要的背景高斯模型，1413帧时白色汽车不再作为前景被检测出来；在1676帧，当白色汽车驶离原区域时，被遮挡住的灰色路面重新显现出来，由于更新速度很慢，此时的灰色路面不能迅速成为背景模型而被当作前景，出现了白色汽车的尾巴。

第二，背景模型对运动目标要有较强的抗干扰能力。因为在背景模型的更新过程中，背景模型的每个点都受到了一个颜色序列的“训练”，不论实际场景中该点是处于静止背景上还是运动目标上。静止的背景或目标的这种“训练”是我们所希望的，而运动目标的“训练”是我们不希望看到。尤其，当更新速度较快时，会使得高斯模型对于前景物体的学习同样变快，对于运动较慢的运动物体或者运动物体的尺寸比较大且颜色分布接近的情况下，如果此时的更新速度太快，则运动物体的颜色值很快融入背景模型，而发生漏检或者在前景目标的后面部分出现“空洞”，图3给出了α＝0.02时的3个检测效果图：图3(a)、3(b)分别是该场景中第456帧和480帧时的原视频图像；图3(c)、3(d)分别是检测出来的运动目标(黑色部分表示前景目标，包括噪声)。可以看到，在(c)中检测出来的汽车比较准确，而在(d)中检测出来的汽车出现了一个很大的“空洞”(红色圆圈表示)。这是因为，图3(a)之前场景的右下角部分的点是公路的高斯模型，当进入了汽车的颜色值时能够敏锐地检测出来；由于更新速度很快并且汽车目标区域较大，在红色圆圈部分的像素点很快地把汽车的颜色值融入背景高斯模型(权重迅速增加)，在后续帧中再次出现汽车颜色值的时候就被该模型接受而作为背景(出现“空洞”)。

本发明经过大量实验，不断调整α的值来测试不同的检测效果，最后以α＝0.01得到的运动检测结果最准确。图4给出了α＝0.01时的一系列检测效果：图4(a)、4(b)、4(c)、4(g)分别是视频序列中第1053帧、1413帧、1676帧和480帧的原视频图像，图4(d)、4(e)、4(f)、4(h)分别是对应时刻的运动检测结果，黑色部分表示检测出来的前景。从图4(d)、4(e)、4(f)可以看到，不管白色汽车停留了多少时间，在其离开的时候都没有出现图2(f)红色方框那样的“尾巴”；从图4(h)可以看到，即使蓝色汽车行驶很慢，也不会出现图3(d)红色圆圈部分那样的“空洞”。

Claims (5)

1.一种用于视频监控的实时运动检测方法，其特征在于包括如下步骤：

(1)视频图像分块及分类：

将每帧视频图像分成N×N像素的小方块，按照x方向从左到右，y方向从上到下的顺序逐个对当前图像中的每个小方块进行分类，从小方块中随机选取一个像素，判断其是前景还是背景，如果该像素是背景，则结束处理这个小方块，进行下个方块的处理，如果该像素是前景，则按顺序逐个判断当前小方块中的每个像素，如果是前景，则用指定的颜色对该像素进行着色；凡是处理过的像素，都要更新其对应的高斯模型队列；

(2)判断一个像素是前景还是背景：

为每个像素建立一系列高斯模型，这些高斯模型反映了当前像素位置出现的分布情况，其中高斯模型的权重，在0.0～1.0之间表示这个模型在背景中所占的比重。当前像素属于前景还是背景，用它被当前位置的高斯模型接收的概率和，即接受当前像素值的高斯模型的权重和来表示：

$P\left(x_t\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i,t}\mathrm{\&eta;}(x_t-{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})---1$

其中，K是当前像素位置上的高斯模型个数，x_t是当前像素的颜色值，μ_i，t，∑_i，t是第i个高斯模型的均值和方差，η(x_t-μ_i，t，∑_i，t)表示x_t是否被第i个高斯模型接受，ω_i，t是第i个高斯模型的权重；P(x_t)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；如果这个权重和满足：

P(x_t)≥T_BG                         2

则该像素为背景点，否则为前景点。

(3)判断当前像素值x_t是否被第i个高斯模型η(x_t-μ_i，t，∑_i，t)接受：对于当前像素的颜色值x_t，如果其满足：

|x_t-μ_i，t|＜T_σ                   3

其中T_σ是高斯模型属于背景的权重阈值，经过大量实验和统计所得。

(4)高斯模型队列的更新

a＞如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{i,t+1}=(1-\mathrm{\&alpha;}){\mathrm{\&mu;}}_{i,t}+\mathrm{\&alpha;}{x}_t\\ {\mathrm{\&omega;}}_{i,t+1}=(1-\mathrm{\&alpha;}){\mathrm{\&omega;}}_{i,t}+\mathrm{\&alpha;}\end{array}\right.---4$

其中，μ_i，t，ω_i，t分别是当前的第i个高斯模型的均值和权重，μ_i，t+1、ω_i，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；

b＞如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值x_t，权重为α建立一个新的高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{K+1}=x_t\\ {\mathrm{\&omega;}}_{K+1}=\mathrm{\&alpha;}\end{array}\right.---5$

c＞前像素的高斯队列中第j个高斯模型满足：

ω_j＜T_ω                    6

其中T_ω是高斯模型存在的权重阈值；

则把该高斯模型从高斯队列中删除；

4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：

|μ_a-μ_b|＜T_dist           7

其中，T_dist是高斯模型发生合并的均值距离的阈值；

则将模型a和b进行合并如下：

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_{c,t}={\mathrm{\&omega;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}\\ {\mathrm{\&mu;}}_{c,t}=\frac{{\mathrm{\&omega;}}_{a,t}*{\mathrm{\&mu;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}*{\mathrm{\&mu;}}_{b,t}}{{\mathrm{\&omega;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}}\end{array}\right..$

2.根据权利要求1所述的用于视频监控的实时运动检测方法，其特征在于，所述的从小方块中随机选取一个像素：将方块中的所有像素按照先从左到右，再从上到下标记为0，1，2…，N×N-1；根据当前时间生成一个随机数，用这个数对N×N进行除法运算，得到的余数就是要选取的像素的标号。

3.根据权利要求1所述的用于视频监控的实时运动检测方法，其特征在于所述的判断一个像素属于前景还是背景：将该像素属于背景的可能性表示成：

$P\left(x_t\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{i,t}\mathrm{\&eta;}(x_t-{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})---1$

其中，K是当前像素位置上的高斯模型个数，x_t是当前像素的颜色值，μ_i，t，∑_i，t是第i个高斯模型的均值和方差，η(x_t-μ_i，t，∑_i，t)表示x_t是否被第i个高斯模型接受，ω_i，t是第i个高斯模型的权重；P(x_t)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；

如果这个权重和满足：

P(x_t)≥T_BG    2

则该像素为背景点，否则为前景点。

4.根据权利要求3所述的用于视频监控的实时运动检测方法，其特征在于所述的判断当前像素值x_t是否被第i个高斯模型接受的η(x_t-μ_i，t，∑_i，t)的计算采用了这样的方法：对于当前像素的颜色值x_t，如果其满足：

|x_t-μ_i，t|＜T_σ    3

其中T_σ是高斯模型属于背景的权重阈值，经过大量实验和统计所得。

5.根据权利要求1所述的用于视频监控的实时运动检测方法，其特征在于所述的对每个像素的的高斯模型队列的更新的方法：

1)如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{i,t+1}=(1-\mathrm{\&alpha;}){\mathrm{\&mu;}}_{i,t}+\mathrm{\&alpha;}{x}_t\\ {\mathrm{\&omega;}}_{i,t+1}=(1-\mathrm{\&alpha;}){\mathrm{\&omega;}}_{i,t}+\mathrm{\&alpha;}\end{array}\right.---4$

其中，μ_i，t，ω_i，t分别是当前的第i个高斯模型的均值和权重，μ_i，t+1、ω_i，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；

2)如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值x_t，权重为α建立一个新的高斯模型如下：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_{K+1}=x_t\\ {\mathrm{\&omega;}}_{K+1}=\mathrm{\&alpha;}\end{array}\right.---5$

3)如果当前像素的高斯队列中第j个高斯模型满足：

ω_j＜T_ω    6

其中T_ω是高斯模型存在的权重阈值；

则把该高斯模型从高斯队列中删除；

4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：

|μ_a-μ_b|＜T_dist    7

其中，T_dist是高斯模型发生合并的均值距离的阈值；

则将模型a和b进行合并如下：

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_{c,t}={\mathrm{\&omega;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}\\ {\mathrm{\&mu;}}_{c,t}=\frac{{\mathrm{\&omega;}}_{a,t}*{\mathrm{\&mu;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}*{\mathrm{\&mu;}}_{b,t}}{{\mathrm{\&omega;}}_{a,t}+{\mathrm{\&omega;}}_{b,t}}\end{array}\right..---8$

Images