CN101266689B - 一种运动目标检测方法及装置 - Google Patents

Abstract

本发明公开了一种运动目标检测方法及装置，属于图像处理技术领域，用以解决现有的运动目标检测技术存在的检测效率及检测准确率低的问题。本发明提供的一种运动目标检测方法包括：利用当前输入图像的前若干帧图像中的像素点的像素值，计算当前输入图像的像素点的概率密度值；将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像。本发明用于检测运动目标，提高运动目标的检测效率及检测准确率。

Description

一种运动目标检测方法及装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种运动目标检测方法及装置。

背景技术

智能视频监控是基于计算机视觉技术对监控场景内的视频图像进行分析，提取场景中的关键信息，并形成相应事件和告警的监控方式，在公共安全保护、交通管理等方面有着极为广泛的应用。

智能视频监控系统一般都是使用摄像机或者网络摄像头对某一场景进行连续不断的拍摄，对收集的视频流进行处理，检测其中的运动目标，并对运动目标进行分类、跟踪、识别等后续处理。运动目标检测是智能视频监控的基础，对各种后续处理有重要意义，整个监控系统的性能影响重大。

目前常用的运动目标检测方法包括时间差分法(Temporal Difference)和背景差分法(Background Subtraction)。时间差分法，又称为帧间差分法，通过假设背景图像中像素点的像素值和位置都不变，从而分离背景图像和前景图像。时间差分法有多种实现方法，其中一种是在连续的视频图像(也称为视频流)，或者图像序列的各帧图像之间进行绝对差分运算，算法流程如图1所示，一个视频流或者图像序列中的两帧图像f_k和f_k-1进行绝对差分运算得到差分图像D_k，再对差分图像进行阈值化处理得到二值化图像，然后，使用数学形态学方法对二值化图像进行滤波处理得到前景图像R_k，再对前景图像进行连通性分析，例如填充前景图像中的空洞，去除面积较小的孤立区域、非连通区域等，最后进行判别，只保留连通区域中面积大于给定面积阈值的连通部分，从而分离出前景图像和背景图像。背景差分法，是通过当前帧图像f_k与平均背景图像b_k-1进行差分运算，从而分离出背景图像和前景图像。背景差分法的算法流程如图2所示，与时间差分法的算法流程基本一致。

由此可见，现有技术中主要是通过对输入的一系列图像进行简单的差分运算提取前景图像和背景图像，这种方式对于噪声很敏感，在运动场景不变的情况下，可以取得一定的运动目标检测效果，而在环境稍有变化(比如光照变化、树叶摆动等等)时，提取出的前景图像和背景图像的精确度差，无法准确区分运动区域和非运动区域，在背景图像较复杂的情况下肯定会发生错误。

发明内容

本发明实施例提供了一种运动目标检测方法及装置，用以解决现有的运动目标检测技术存在的检测效率及检测准确率低的问题。

本发明实施例提供的一种运动目标检测方法包括：

利用当前输入图像的前若干帧图像中的像素点的像素值，计算当前输入图像的像素点的概率密度值；

将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像。

本发明实施例提供的一种运动目标检测装置包括：

背景建模单元，用于存储当前输入图像的前若干帧图像中的像素点的像素值，并采用所述像素值计算当前输入图像的像素点的概率密度值；

前景检测单元，用于将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像。

本发明实施例，利用当前输入图像的前若干帧图像中的像素点的像素值，计算当前输入图像的像素点的概率密度值；并将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像，从而实现了一种检测效率以及检测准确率较高的运动目标检测技术。

附图说明

图1为现有技术中的时间差分检测算法的流程示意图；

图2为现有技术中的背景差分检测算法的流程示意图；

图3为本发明实施例提供的一种运动目标检测装置的结构示意图；

图4为本发明实施例提供的一种运动目标检测方法的流程示意图。

具体实施方式

本发明实施例提供了一种运动目标检测方法及装置，用以提高运动目标的检测效率及检测准确率。

本发明实施例采用模式识别中常用的非参数估计方法，描述当前输入图像中的前若干帧采集图像中的运动目标图像以外的背景图像上的像素点特征，建立背景模型，通过背景模型检测当前输入图像的运动目标的像素点，从而提高检测效率及检测准确率。进一步，结合差分检测方法消除虚警点，降低错误检测率，充分发挥了多种方法的优点，极大提高整个运动目标检测装置的检测性能。并且，通过不断增加新的样本以更新旧的样本的方式，使得背景模型随着监控场景的变化而自适应地更新，从而可以很好地处理监控场景不断变化的情况，从而进一步提高运动目标检测的准确率。

下面结合附图对本发明实施例进行详细说明。

参见图3，本发明实施例提供的一种运动目标检测装置包括：背景建模单元30、前景检测单元31、差分检测单元32、延迟单元33、逻辑与单元34、形态学滤波单元35、和背景更新单元36。

背景建模单元30，用于存储当前输入图像的前若干帧图像中的像素点的像素值，并采用当前输入图像的前若干帧图像中的像素点的像素值计算当前输入图像的像素点的概率密度值。

前景检测单元31，用于将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像。

差分检测单元32，用于利用当前输入图像的前一帧图像对当前输入图像进行差分检测，得到当前输入图像的运动目标图像。

延迟单元33，用于存储当前输入图像的前一帧图像。

逻辑与单元34，用于将前景检测单元31得到的运动目标图像和所述差分检测单元32得到的运动目标图像进行逻辑与计算，进一步确定当前输入图像的运动目标图像。

形态学滤波单元35，用于对逻辑与单元34确定的当前输入图像的运动目标图像进行形态学滤波处理，将经过该形态学滤波处理后的运动目标图像作为检测结果输出。

背景更新单元36，用于利用当前输入图像上的运动目标图像以外的像素点的像素值，更新背景建模单元30中存储的若干帧图像中的像素点的像素值。从而实现背景模型的自适应性更新，通过背景模型随着监控场景的变化而自适应地更新，使得本发明实施例装置能够处理监控场景不断变化的情况。

下面对本发明实施例装置中的几个构成单元进行详细介绍。

1、背景建模单元30：

本发明实施例的算法执行过程中，始终保留当前输入图像的前N帧图像作为参考图像，利用这N帧参考图像作为背景模型，并保存在背景建模单元30中。

假设x₁，x₂，…x_N分别是当前输入图像的前N帧图像中同一位置的像素点的像素值x_t的一组观察值样本，利用这些样本，采用核密度估计算法计算出t时刻的输入图像上的任何一个像素点的概率密度值P_r(x_t)：

$p_r\left(x_t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{d}{\mathrm{\Π}}}\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_j^2}}{e}^{-\frac{{(x_{t_j}-x_{i_j})}^2}{2{\mathrm{\σ}}_j^2}}---\left(1\right)$

其中，d表示像素点的颜色特征的维数，σ₁，σ₂，…，σ_d是预先给定的常数。因此，对于任一输入的图像，背景建模单元30利用前N帧图像的像素值，可以快速地计算出该图像的各个像素点的概率密度值。

公式(1)体现的是当前输入图像中的某一位置的像素点的像素值x_t分别与当前输入图像的前N帧图像的同一位置的像素点的像素值x₁，x₂，…x_N的差异情况，如果P_r(x_t)的值很小，则表明x_t与x₁，x₂，…x_N相比差异很大，表明在x_t处发生了像素值的突变，即有运动的情况发生。

实际计算时，可以事先建立一个查找表，存储该函数的函数值，获得输入图像后，直接通过该查找表计算该输入图像的各个像素点的概率密度值。即公式(1)中的由于在图像处理领域，像素点的像素值都是处于0到255之间，即x_tj和x_ij都大于0且小于255，所以|x_tj-x_ij|肯定也是大于0且小于255。因此，可以事先计算好

的数值得到一个维数为256的实数数组Gauss[256]，实际计算时，只需要计算好|x_tj-x_ij|的数值，然后选中Gauss[|x_tj-x_ij|]即可得到

的值，从而加快处理速度。

2、前景检测单元31：

对于输入图像的每个像素点x_t的概率密度值P_r(x_t)，如果P_r(x_t)＜th，那么这个像素点就被认为是前景图像(即运动目标图像)的像素点(简称前景点)，否则认为是背景图像的像素点(简称背景点)。将运动目标图像的像素点标记为1，将背景像素点标记为0，从而得到二值化后的图像。其中，阈值th是全局阈值，可以调节。

多数情况下，还没有计算完所有点时，通过公式(1)计算得到的值就已经超过了阈值th，因为一般情况下参考背景图像的大部分像素点都是背景，因此，为了提高处理速度，在计算得到P_r(x_t)的值大于或等于阈值th时，就确定该像素点为背景点，然后再去判定下一个像素点。

为了去除噪声干扰，对检测得到的前景图像进行形态学滤波处理(比如膨胀运算、腐蚀运算、开运算、关运算等)，填充前景区域中的空洞，同时去除面积较小的孤立区域、非连通区域，只保留连通区域的面积大于给定阈值的连通部分。

实际应用时，可以设置相对较大的阈值th以提高检测率，对于同时出现的虚警点可以通过差分检测单元12来消除。

3、差分检测单元32：

本发明实施例中从帧间差分检测法和背景差分检测法两个方面出发，对当前输入图像进行差分检测。

1)帧间差分

首先，计算当前输入图像与其前一帧图像之间的差的绝对值，得到差分图像，再对差分图像进行阈值化处理，得到二值化图像。阈值化处理是为了将差分图像分成静止部分的图像和运动部分的图像，静止部分的图像的差分值比较小，而运动部分的图像的差分值比较大。阈值化处理的方法包括：

统计差分图像的均值和标准差，对于差分图像中任一像素点，如果其像素值与均值的差的绝对值大于T倍的标准差，则认为该像素点为前景点，否则认为该像素点为背景点，T是阈值，可以根据需要进行设置。

然后，对二值化图像使用数学形态学方法进行滤波处理和区域连通性分析，只保留面积大于给定阈值的连通部分。

检测完前景点后，对前景图像进行数学形态学滤波处理以滤除噪声、填补空洞，滤波处理可以包括中值滤波、腐蚀操作以及膨胀操作。较佳地，滤波处理按以下步骤进行：

步骤1、对前景图像进行3×3的中值滤波，以去除孤立的噪声点。

步骤2、对步骤1中得到的图像进行5×5的形态学膨胀操作。

步骤3、对步骤2得到的图像进行边界跟踪(Bound Tracking)或者边缘点连接(Edge Point Linking)，得到图像中每个连通区域的边界，从而获得每个连通区域的相关信息，如大小、面积等，然后，去除面积小于一定阀值或者形状不规则的连通区域。

步骤4、将步骤3中获取的边界内部的像素点设置为前景点，以填充其中可能存在的空洞。

当然，上述滤波处理过程不是固定的，如步骤1中可以用形态学腐蚀代替中值滤波，步骤2中有时也可以用3×3的形态学膨胀操作等。

2)背景差分

首先，采用最常用的对连续两帧图像取加权和的方式建立一个简单的背景图像。然后，计算当前输入图像与其背景图像之间的差的绝对值，得到差分图像，对差分图像进行阈值化处理，再使用数学形态学方法滤波得到二值的连通区域图像(相似于帧间差分)。

将经过帧间差分和背景差分检测后得到的差分图像进行“逻辑与”运算，将得到的图像作为结果输出。

需要说明的是，可以仅采用帧间差分检测和背景差分检测中的一种差分检测方法进行检测，如果实际处理的视频图像很复杂的话，可以考虑同时采用帧间差分和背景差分进行检测，然后对各检测结果进行逻辑与计算，进行逻辑与计算的目的是为了将两者的检测结果融合起来，消除噪声点，保证只有在帧间差分检测和背景差分检测结果中都是前景点的位置才最终设置为前景点。

4、背景更新单元36：

背景更新单元36的主要功能是更新背景模型，使背景模型可以随着监控场景的变化而自适应的变化。

本发明实施例中仅对输出的运动目标区域图像以外的非运动区域的像素点进行背景更新。例如，设当前输入图像中，运动目标区域图像以外的没有发生运动的像素点位置为(x，y)，则将当前输入图像的(x，y)处的像素值以“先入先出”的方式存入背景参考图像队列，替换参考图像队列中存储时间最久的一帧图像上的位于(x，y)处的像素点的像素值。

下面介绍一下本发明实施例提供的方法。

本发明实施例预先进行初始化操作，即收集N帧图像，建立背景模型，参见图4，本发明实施例提供的一种运动目标检测方法包括：

S401、通过网络摄像头或者摄像机获取视频流图像，利用当前输入图像的前若干帧图像中的像素点的像素值，计算当前输入图像的像素点的概率密度值。

S402、将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的运动目标图像。

较佳地，本发明实施例提供的方法还包括：

步骤S403、采用时间差分检测和/或背景差分检测方法对当前输入图像进行差分检测，得到所述当前输入图像的运动目标图像。

步骤S404、将步骤S402得到的运动目标图像和步骤S403得到的运动目标图像进行逻辑与计算，从而进一步确定当前输入图像的运动目标图像。

较佳地，本发明实施例提供的方法还包括：

步骤S405、对步骤S404得到的当前输入图像的运动目标图像进行形态学滤波处理，将经过所述形体学滤波处理后的运动目标图像作为检测结果输出。

较佳地，本发明实施例提供的方法还包括：

步骤S406、利用当前输入图像上的运动目标图像以外的像素点的像素值，更新预先存储的若干帧图像中的像素点的像素值。

综上所述，本发明实施例的主要优点包括：

1、通过采用模式识别中一种常用的核密度估计算法描述背景图像中的像素特征，建立背景模型，精确性高，更有普遍性。而且，只需要视频或者图像序列中最近的少数几帧观察信息数据就可以获得较高精度的估计结果，实现容易，实用性强。

2、设置较宽松的检测阈值检测运动目标的像素点，提高检测率，然后，结合差分检测消除虚警点，降低错检率，充分发挥了多种方法的优点，极大提高整个装置的检测性能。

3、通过简单的增加新的样本，更新旧的样本，实现背景模型的自适应性更新，策略简单，自适应能力强，效果好。可以随着监控场景的变化而自适应地更新背景模型，从而处理监控场景不断变化的情况。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种运动目标检测方法，其特征在于，该方法包括：

利用当前输入图像的前若干帧图像中的像素点的像素值，计算当前输入图像的像素点的概率密度值；

将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的第一运动目标图像；

对所述当前输入图像进行差分检测，得到所述当前输入图像的第二运动目标图像；

将所述第一运动目标图像和所述第二运动目标图像进行逻辑与计算，最终确定所述当前输入图像的运动目标图像。

2.根据权利要求1所述的方法，其特征在于，所述差分检测包括：

时间差分检测和/或背景差分检测。

3.根据权利要求1或2所述的方法，其特征在于，该方法还包括：

对最终确定的所述当前输入图像的运动目标图像进行形态学滤波处理，将经过所述形态学滤波处理后的运动目标图像输出。

4.根据权利要求1所述的方法，其特征在于，该方法还包括：

利用最终确定的所述当前输入图像上的运动目标图像以外的像素点的像素值，更新预先存储的所述若干帧图像中的像素点的像素值。

5.一种运动目标检测装置，其特征在于，该装置包括：

背景建模单元，用于存储当前输入图像的前若干帧图像中的像素点的像素值，并采用所述像素值计算当前输入图像的像素点的概率密度值；

前景检测单元，用于将当前输入图像的像素点的概率密度值与预先设定的阈值进行比较，确定当前输入图像上的第一运动目标图像；

差分检测单元，用于对所述当前输入图像进行差分检测，得到所述当前输入图像的第二运动目标图像；

逻辑与单元，用于将所述第一运动目标图像和所述第二运动目标图像进行逻辑与计算，最终确定所述当前输入图像的运动目标图像。

6.根据权利要求5所述的装置，其特征在于，所述差分检测单元，采用时间差分检测和/或背景差分检测方法对所述当前输入图像进行差分检测，得到所述当前输入图像的第二运动目标图像。

7.根据权利要求5或6所述的装置，其特征在于，该装置还包括：

形态学滤波单元，用于对最终确定的所述当前输入图像的运动目标图像进行形态学滤波处理，将经过所述形态学滤波处理后的运动目标图像输出。

8.根据权利要求5所述的装置，其特征在于，该装置还包括：

背景更新单元，用于利用最终确定的所述当前输入图像上的运动目标图像以外的像素点的像素值，更新预先存储的所述若干帧图像中的像素点的像素值。

Images