CN101572820B - 一种运动目标检测过程中的视频信号预处理方法 - Google Patents

Abstract

本发明公开了一种运动目标检测过程中的视频信号预处理方法，通过图像中各个像素点的梯度值获取各个角点评价值，通过角点评价值获取所有疑似角点，再根据疑似角点获取最佳角点，利用最佳角点进行像素匹配，根据匹配成功的最佳角点获取角点匹配效果值，通过值最小的角点匹配效果值获取最佳偏移量，利用最佳偏移量获取最佳背景图像，由于采用了最佳角点进行像素匹配，降低了计算复杂度；由于在获取最佳角点过程中采用了邻域角点评价值最大选择策略，减少了相机晃动下因背景图像偏移而产生的噪点，但由于去除部分噪点后会导致运动目标出现空洞现象，因此本发明再通过最佳角点获取最佳偏移量，根据最佳偏移量来矫正背景图像，避免了运动目标出现空洞。

Description

一种运动目标检测过程中的视频信号预处理方法

技术领域

本发明涉及一种视频信号的处理方法，尤其是涉及一种运动目标检测过程中的视频信号预处理方法。

背景技术

随着安防领域的不断拓展，人们对视频监控的要求也越来越高，从一开始的普通视频监控到现在的智能视频监控，一些更新更智能的视频监控产品不断的被开发出来。而在智能视频监控的解决方案中，如何从视频信号流中准确完整的分离出关注的运动目标至关重要，然而运动目标的分离则离不开对一系列视频图像进行背景建模和背景更新。

在背景建模中，最为传统的背景建模是直接采用视频信号流中的第一帧图像作为背景，这种固定的背景建模不仅简单，而且适用于在背景场景几乎不发生变化的环境场合，比如室内环境。但实际情况下，随着时间的变化，背景也将会发生或多或少的改变，在这种情况下，采用这种固定的背景模型就无法做到在当前不断更新的视频信号流中准确的区分出运动目标。因此，在变化的背景场景中，目前一般采用自适应背景模型，自适应背景模型在背景建模前通常对视频信号先进行预处理，解决一些由外界因素如树叶晃动引起的干扰，以保证较准确的分离出运动目标。

自适应背景模型通常可以分成两大类，一类是基于统计的自适应背景模型，另一类则是基于预测的自适应背景模型。

基于统计的自适应背景模型，主要根据当前帧图像之前的一系列帧图像，获取每个像素点在时间序列上的所有像素值的平均值作为视频的背景图片。这种基于统计的自适应背景模型主要是基于背景元素在最近的一段时间内变化不大，通过连续一段时间出现来判定是否为背景元素。这种背景建模方法能够适应背景缓慢变化条件下的运动目标检测，但在背景变化明显的环境下无法很好的适应。

基于预测的自适应背景模型，根据其具体实现方法的不同，又可以分成很多种模型。其中最常用和最有效的是自适应混合高斯模型和码本模型，这两种模型在背景建模前对视频信号进行了预处理，预处理中提出了解决因树叶晃动导致背景图像偏移的问题，这两种模型还解决了运动目标在经过一段时间的静止后被融入背景中，再重新运动而导致的鬼影现象，鬼影现象即虚假的运动目标、不存在的运动目标如人走后留下的影子。但自适应混合高斯模型和码本模型的计算比较复杂，处理的速度较基于统计的自适应背景模型慢，且这两种模型对于相机晃动导致背景图像偏移的问题未能够较好的解决。

发明内容

本发明所要解决的技术问题是提供一种能够较好的解决因视频捕获设备抖动导致背景图像偏移的问题，且计算复杂度较低、计算精度较高的运动目标检测过程中的视频信号预处理方法。

本发明解决上述技术问题所采用的技术方案为：一种运动目标检测过程中的视频信号预处理方法，定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；首先利用两个不同的梯度算子分别计算当前图像中的每个像素点仅在X坐标方向和Y坐标方向的梯度值，根据每个像素点仅在X坐标方向和Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对求取的每个像素点的三个梯度值的平方值进行高斯平滑处理，利用三个平滑处理后的梯度值的平方值定义每个像素点的角点评价值；然后将当前图像中的各个像素点的角点评价值与设定的角点阈值进行比较，获取所有疑似角点；根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；再设定一个从背景图像中的每个像素点的坐标位置影射到当前图像中的每个像素点的坐标位置的偏移量集，在偏移量集中的每个偏移量下，根据各个最佳角点的坐标位置和偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，计算各个最佳角点的像素值与各新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值的差分值，通过将各个差分值与差分阈值进行比较，确定各个最佳角点是否匹配成功，根据所有匹配成功的最佳角点定义支持度，通过将支持度与设定的支持度阈值进行比较，确定是否计算角点匹配效果值并保存角点匹配效果值；在获得所有角点匹配效果值后从所有已保存的角点匹配效果值中获取值最小的角点匹配效果值，然后将该角点匹配效果值是与设定的角点匹配阈值进行比较，确定该角点匹配效果值对应的偏移量是否为最佳偏移量，当该角点匹配效果值对应的偏移量为最佳偏移量时，利用该最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像，当该角点匹配效果值对应的偏移量为非最佳偏移量时，将视频中的下一帧图像作为当前图像，并重复上述过程。

包括以下具体步骤：

A.定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；

B.首先利用梯度算子 $\left[\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right]$ 对当前图像中的每个像素点的像素值仅在X坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在X坐标方向的梯度值，利用梯度算子 $\left[\begin{array}{ccc}-1& -1& -1\\ 0& 0& 0\\ 1& 1& 1\end{array}\right]$ 对当前图像中的每个像素点的像素值仅在Y坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在Y坐标方向的梯度值，利用当前图像中的每个像素点仅在X坐标方向和仅在Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对于当前图像中坐标为(i，j)的像素点，记该像素点仅在X坐标方向的梯度值为I_X(i，j)，记该像素点仅在Y坐标方向的梯度值为I_Y(i，j)，记该像素点同时在X坐标方向和Y坐标方向的梯度值为I_XY(i，j)，I_X(i，j)＝I(i+1，j-1)+I(i+1，j)+I(i+1，j+1)-I(i-1，j-1)-I(i-1，j)-I(i-1，j+1)，I_Y(i，j)＝I(i-1，j+1)+I(i，j+1)+I(i+1，j+1)-I(i-1，j-1)-I(i，j-1)-I(i+1，j-1)，I_XY(i，j)＝I_X(i，j)×I_Y(i，j)，其中，I(i+1，j-1)表示当前图像中坐标为(i+1，j-1)的像素点的像素值，I(i+1，j)表示当前图像中坐标为(i+1，j)的像素点的像素值，I(i+1，j+1)表示当前图像中坐标为(i+1，j+1)的像素点的像素值，I(i-1，j-1)表示当前图像中坐标为(i-1，j-1)的像素点的像素值，I(i-1，j)表示当前图像中坐标为(i-1，j)的像素点的像素值，I(i-1，j+1)表示当前图像中坐标为(i-1，j+1)的像素点的像素值，I(i，j+1)表示当前图像中坐标为(i，j+1)的像素点的像素值，I(i，j-1)表示当前图像中坐标为(i，j-1)的像素点的像素值；然后分别计算当前图像中的每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值，并对每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值进行高斯平滑处理，对于当前图像中坐标为(i，j)的像素点，计算该像素点仅在X坐标方向的梯度值的平方值I_X ²(i，j)、该像素点仅在Y坐标方向的梯度值的平方值I_Y ²(i，j)及该像素点同时在X坐标方向和Y坐标方向的梯度值的平方值I_XY ²(i，j)， $I_X^2(i,j)=I_X(i,j)\×I_X(i,j),$ $I_Y^2(i,j)=I_Y(i,j)\×I_Y(i,j),$ $I_{\mathrm{XY}}^2(i,j)=I_{\mathrm{XY}}(i,j)\×I_{\mathrm{XY}}(i,j),$ 采用高斯模板 $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$ 对I_X ²(i，j)、I_Y ²(i，j)和I_XY ²(i，j)进行高斯平滑处理，记I_X ²(i，j)经平滑处理后的值为I_X ²′(i，j)，记I_Y ²(i，j)经平滑处理后的值为I_Y ²′(i，j)，记I_XY ²(i，j)经平滑处理后的值为I_XY ²′(i，j)；定义当前图像中的每个像素点的角点评价值，对于当前图像中坐标为(i，j)的像素点，记该像素点的角点评价值为Corr(i，j)， $\mathrm{Corr}(i,j)=({I_X^2}^{\′}(i,j)\×{I_Y^2}^{\′}(i,j)-{I_{\mathrm{XY}}^2}^{\′}(i,j))/({I_X^2}^{\′}(i,j)+{I_Y^2}^{\′}(i,j)+m),$ 其中，m为修正值，0＜m＜1；

C.判断当前图像中的各个像素点的角点评价值是否大于设定的角点阈值T_c，获取所有疑似角点，对于当前图像中坐标为(i，j)的像素点，如果该像素点的角点评价值Corr(i，j)大于设定的角点阈值T_c，则定义该像素点为疑似角点，否则，滤除该像素点；

D.根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；

E.设定一个从背景图像中的每个像素点的坐标位置影射到当前图像中的每个像素点的坐标位置的偏移量集，从偏移量集中取第1个偏移量作为当前偏移量，记当前偏移量为(Δp，Δq)，定义所有最佳角点中坐标为(p，q)的最佳角点为当前最佳角点，在当前图像中取当前最佳角点的像素值，记当前最佳角点的像素值为Curr(p，q)，然后根据当前最佳角点的坐标位置和当前偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，记该新的坐标位置相应的像素的像素值为back(p+Δp，q+Δq)，计算Curr(p，q)和back(p+Δp，q+Δq)的差分值，判断该差分值的绝对值是否小于差分阈值T_d，如果小于差分阈值T_d，则表示当前最佳角点匹配成功，同时保存该差分值，否则，表示当前最佳角点未匹配成功，不保存该差分值；采用当前最佳角点相同的匹配方法获取所有匹配成功的最佳角点，统计当前偏移量下所有匹配成功的最佳角点，记当前偏移量下所有匹配成功的最佳角点的个数为NUM_match；定义当前偏移量下所有匹配成功的最佳角点的个数NUM_match与所有最佳角点的个数的比值为支持度，判断支持度是否大于设定的支持度阈值T_support，如果大于设定的的支持度阈值T_support，则根据保存的当前偏移量下所有差分值和当前偏移量下所有匹配成功的最佳角点的个数NUM_match，计算角点匹配效果值Rr， $\mathrm{Rr}=\frac{\mathrm{\Σ}|\mathrm{Back}(p+\mathrm{\Δp},q+\mathrm{\Δq})-\mathrm{Curr}(p,q){|}^2}{{\mathrm{NUM}}_{\mathrm{match}}},$ 保存该角点匹配效果值Rr，否则，不计算角点匹配效果值Rr；

F.从偏移量集中取下一个偏移量作为当前偏移量，重复步骤D直至偏移量集中的所有偏移量使用完，获取所有角点匹配效果值Rr；

G.从所有已保存的角点匹配效果值Rr中获取值最小的角点匹配效果值Rr，判断该角点匹配效果值Rr是否小于设定的角点匹配阈值T_match，如果是，则定义该角点匹配效果值Rr对应的偏移量为最佳偏移量，并继续执行，否则，将视频中的下一帧图像作为当前图像，并返回执行步骤B；

H.利用最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像。

所述的步骤A中m＝0.00001。

所述的步骤B中角点阈值T_c的取值范围为3000～5000。

所述的步骤D中邻域角点评价值最大选择策略为：使用5×5邻域对每个疑似角点在5×5邻域范围内查找其他疑似角点，并比较5×5邻域范围内各个疑似角点的角点评价值，找出5×5邻域范围内角点评价值最大的疑似角点，并将该疑似角点的标记设置为1，将5×5邻域范围内除角点评价值最大的疑似角点外的所有疑似角点的标记设置为0，定义标记为1的疑似角点为最佳角点。

所述的步骤E中差分阈值T_d的取值范围为15～30。

所述的步骤E中的支持度阈值T_support的取值范围为0.6～1。

所述的步骤G中的角点匹配阈值T_match的取值范围为0.8×(T_d)²～(T_d)²。

与现有技术相比，本发明的优点在于通过图像中的各个像素点在X坐标方向、Y坐标方向及X和Y坐标方向上的梯度值获取各个像素点的角点评价值，通过角点评价值获取所有疑似角点，再根据疑似角点获取最佳角点，利用获取的最佳角点进行像素匹配，根据所有匹配成功的最佳角点获取角点匹配效果值，通过值最小的角点匹配效果值获取最佳偏移量，最终利用最佳偏移量对背景图像进行平移操作，获取用作背景建模的输入图像的最佳背景图像，由于采用了最佳角点进行像素匹配，与采用所有像素点进行像素匹配相比，有效降低了计算复杂度，且提高了计算精度；由于在获取所有最佳角点的过程中采用邻域角点评价值最大选择策略，该策略的应用有效的减少了相机晃动下因背景图像偏移而产生的噪声点，由于单独应用该策略虽然可以去除部分噪声点，但同时会导致运动目标出现空洞现象，因此本发明再通过最佳角点获取最佳偏移量，根据最佳偏移量来矫正背景图像，这样不仅有效的减少了相机晃动下因背景图像偏移而产生的噪声点，而且也避免了运动目标出现空洞现象。

附图说明

图1为未经过本发明方法分离得到的运动目标的二值化效果图；

图2为经过本发明方法分离得到的运动目标的二值化效果图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

一种运动目标检测过程中的视频信号预处理方法，主要预处理过程如下：定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；首先利用两个不同的梯度算子分别计算当前图像中的每个像素点仅在X坐标方向和Y坐标方向的梯度值，根据每个像素点仅在X坐标方向和Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对求取的每个像素点的三个梯度值的平方值进行高斯平滑处理，利用三个平滑处理后的梯度值的平方值定义每个像素点的角点评价值；然后将当前图像中的各个像素点的角点评价值与设定的角点阈值进行比较，获取所有疑似角点；根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；再设定一个从背景图像中的每个像素点的坐标位置影射到当前图像中的每个像素点的坐标位置的偏移量集，在偏移量集中的每个偏移量下，根据各个最佳角点的坐标位置和偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，计算各个最佳角点的像素值与各新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值的差分值，通过将各个差分值与差分阈值进行比较，确定各个最佳角点是否匹配成功，根据所有匹配成功的最佳角点定义支持度，通过将支持度与设定的支持度阈值进行比较，确定是否计算角点匹配效果值并保存角点匹配效果值；在获得所有角点匹配效果值后从所有已保存的角点匹配效果值中获取值最小的角点匹配效果值，然后将该角点匹配效果值是与设定的角点匹配阈值进行比较，确定该角点匹配效果值对应的偏移量是否为最佳偏移量，当该角点匹配效果值对应的偏移量为最佳偏移量时，利用该最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像，当该角点匹配效果值对应的偏移量为非最佳偏移量时，将视频中的下一帧图像作为当前图像，并重复上述过程。

在当前图像偏移矫正过程中，也可通过对整幅图像的每个像素点进行偏移量统计，但这样做计算复杂度很高，但为了尽可能的减少计算量和时间复杂度，不可能通过对每个像素点进行偏移量统计，同时由于角点在图像匹配中能够很好的反映了图像的匹配程度，因此本发明采用角点来进行匹配操作。角点是像素点在其邻域内的各个方向上灰度变换值足够高的点，它是一种非常重要的图像点特征，包含了图像中比较丰富的二维结构信息，又被称为“兴趣点”或特征点算子。针对空间上存在仿射差异(如位移、旋转、缩放等)的两幅多光谱遥感图像(类似彩色图像)，本发明主要基于Harris算子的角点检测和自动角点匹配算法，该算法充分利用了角点邻域灰度信息和仿射变换(因为仿射差异了才需要变换)前后角点的位置信息，以达到自动配准的目的，对于同时存在平移、缩放、旋转变换的图像具有较高的匹配精度。Harris算子是C.Harris和M.J.Stephens提出的一种基于信号的点特征提取算子，具有计算简单、提取的角点特征均匀合理、可以定量提取特征点以及算子稳定的特点。其处理过程表示如下： $M=G\left(\tilde{s}\right)\⊗\left[\begin{array}{cc}{g^2}_x& g_x{g}_y\\ g_x{g}_y& {g^2}_y\end{array}\right],$ I＝det(M)-k·tr²(M)，k＝0.04，其中，g_x为x方向的梯度(灰度上的梯度)，g_y为y方向的梯度，

为高斯模板，det为矩阵的行列式，tr为矩阵直迹，k为默认常数，矩阵I中每一点的元素值对应于原图相应点的兴趣值。

本发明的运动目标检测过程中的视频信号预处理方法具体包括以下步骤：

A.定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像。

B.首先利用梯度算子 $\left[\begin{array}{ccc}-1& 0& 1\\ -1& 0& 1\\ -1& 0& 1\end{array}\right]$ 对当前图像中的每个像素点的像素值仅在X坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在X坐标方向的梯度值，利用梯度算子 $\left[\begin{array}{ccc}-1& -1& -1\\ 0& 0& 0\\ 1& 1& 1\end{array}\right]$ 对当前图像中的每个像素点的像素值仅在Y坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在Y坐标方向的梯度值，利用当前图像中的每个像素点仅在X坐标方向和仅在Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对于当前图像中坐标为(i，j)的像素点，记该像素点仅在X坐标方向的梯度值为I_X(i，j)，记该像素点仅在Y坐标方向的梯度值为I_Y(i，j)，记该像素点同时在X坐标方向和Y坐标方向的梯度值为I_XY(i，j)，I_X(i，j)＝I(i+1，j-1)+I(i+1，j)+I(i+1，j+1)-I(i-1，j-1)-I(i-1，j)-I(i-1，j+1)，I_Y(i，j)＝I(i-1，j+1)+I(i，j+1)+I(i+1，j+1)-I(i-1，j-1)-I(i，j-1)-I(i+1，j-1)，I_XY(i，j)＝I_X(i，j)×I_Y(i，j)，其中，I(i+1，j-1)表示当前图像中坐标为(i+1，j-1)的像素点的像素值，I(i+1，j)表示当前图像中坐标为(i+1，j)的像素点的像素值，I(i+1，j+1)表示当前图像中坐标为(i+1，j+1)的像素点的像素值，I(i-1，j-1)表示当前图像中坐标为(i-1，j-1)的像素点的像素值，I(i-1，j)表示当前图像中坐标为(i-1，j)的像素点的像素值，I(i-1，j+1)表示当前图像中坐标为(i-1，j+1)的像素点的像素值，I(i，j+1)表示当前图像中坐标为(i，j+1)的像素点的像素值，I(i，j-1)表示当前图像中坐标为(i，j-1)的像素点的像素值；然后分别计算当前图像中的每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值，并对每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值进行高斯平滑处理，对于当前图像中坐标为(i，j)的像素点，计算该像素点仅在X坐标方向的梯度值的平方值I_X ²(i，j)、该像素点仅在Y坐标方向的梯度值的平方值I_Y ²(i，j)及该像素点同时在X坐标方向和Y坐标方向的梯度值的平方值I_XY ²(i，j)， $I_X^2(i,j)=I_X(i,j)\×I_X(i,j),$ $I_Y^2(i,j)=I_Y(i,j)\×I_Y(i,j),$ $I_{\mathrm{XY}}^2(i,j)=I_{\mathrm{XY}}(i,j)\×I_{\mathrm{XY}}(i,j),$ 采用高斯模板 $\frac{1}{16}\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]$ 对I_X ²(i，j)、I_Y ²(i，j)和I_XY ²(i，j)进行高斯平滑处理，记I_X ²(i，j)经平滑处理后的值为I_X ²′(i，j)，记I_Y ²(i，j)经平滑处理后的值为I_Y ²′(i，j)，记I_XY ²(i，j)经平滑处理后的值为I_XY ²′(i，j)，在此具体实施例中，对I_X ²(i，j)、I_Y ²(i，j)和I_XY ²(i，j)进行高斯平滑处理的目的是为了减少噪声点对后续步骤中获取最佳偏移量的影响；定义当前图像中的每个像素点的角点评价值，对于当前图像中坐标为(i，j)的像素点，记该像素点的角点评价值为Corr(i，j)， $\mathrm{Corr}(i,j)=({I_X^2}^{\′}(i,j)\×{I_Y^2}^{\′}(i,j)-{I_{\mathrm{XY}}^2}^{\′}(i,j))/({I_X^2}^{\′}(i,j)+{I_Y^2}^{\′}(i,j)+m),$ 其中，m为修正值，0＜m＜1，在此具体实施例中取m＝0.00001，设置修正值m主要是为了防止计算像素点的角点评价值的过程中出现除数为0的现象，在实际应用过程中，可取[0，1]范围内的任意实数。

C.判断当前图像中的各个像素点的角点评价值是否大于设定的角点阈值T_c，对于当前图像中坐标为(i，j)的像素点，如果该像素点的角点评价值Corr(i，j)大于设定的角点阈值T_c，则定义该像素点为疑似角点，否则，滤除该像素点。在此具体实施例中角点阈值T_c的取值范围设置为3000～5000，角点阈值T_c的取值范围的通过大量的实验获取的，设置该角点阈值T_c是为了滤除当前图像中角点评价值小于该角点阈值T_c的所有像素点，这样不仅减少了不明显的像素点，使保留下来的明显的像素点为疑似角点，而且减少了后续步骤处理的计算量。

D.根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点。在此，聚类运算采用现有技术；邻域角点评价值最大选择策略为：使用5×5邻域对每个疑似角点在5×5邻域范围内查找其他疑似角点，并比较5×5邻域范围内各个疑似角点的角点评价值，找出5×5邻域范围内角点评价值最大的疑似角点，并将该疑似角点的标记设置为1，将5×5邻域范围内除角点评价值最大的疑似角点外的所有疑似角点的标记设置为0，定义标记为1的疑似角点为最佳角点。为了尽可能的均匀分散每个疑似角点，因此在此步骤中使用了邻域角点评价值最大选择策略，滤除一些不需要的疑似角点，保留一些需要的疑似角点作为最佳角点。领域范围的大小可根据需要自由选取，但在此具体实施例中建议使用5×5领域，经实验表明使用5×5领域可取得较好的结果。

E.设定一个从背景图像中的每个像素点的坐标位置影射到当前图像中的每个像素点的坐标位置的偏移量集，从偏移量集中取第1个偏移量作为当前偏移量，记当前偏移量为(Δp，Δq)，定义所有最佳角点中坐标为(p，q)的最佳角点为当前最佳角点，在当前图像中取当前最佳角点的像素值，记当前最佳角点的像素值为Curr(p，q)，然后根据当前最佳角点的坐标位置和当前偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，记该新的坐标位置相应的像素的像素值为back(p+Δp，q+Δq)，计算Curr(p，q)和back(p+Δp，q+Δq)的差分值，判断该差分值的绝对值是否小于差分阈值T_d，如果小于差分阈值T_d，则表示当前最佳角点匹配成功，同时保存该差分值，否则，表示当前最佳角点未匹配成功，不保存该差分值；采用当前最佳角点相同的匹配方法获取所有匹配成功的最佳角点，统计当前偏移量下所有匹配成功的最佳角点，记当前偏移量下所有匹配成功的最佳角点的个数为NUM_match；定义当前偏移量下所有匹配成功的最佳角点的个数NUM_match与所有最佳角点的个数的比值为支持度，判断支持度是否大于设定的支持度阈值T_support，如果大于设定的的支持度阈值T_support，则根据保存的当前偏移量下所有差分值和当前偏移量下所有匹配成功的最佳角点的个数NUM_match，计算角点匹配效果值Rr， $\mathrm{Rr}=\frac{\mathrm{\Σ}|\mathrm{Back}(p+\mathrm{\Δp},q+\mathrm{\Δq})-\mathrm{Curr}(p,q){|}^2}{\mathrm{NU}{M}_{\mathrm{match}}},$ 保存该角点匹配效果值Rr，否则，不计算角点匹配效果值Rr。差分阈值T_d的取值范围为15～30，支持度阈值T_support的取值范围为0.6～1，在此具体实施例中，通过大量实验表明差分阈值T_d取25及支持度阈值T_support。取0.7时能够取得较好的效果。

F.从偏移量集中取下一个偏移量作为当前偏移量，重复步骤D直至偏移量集中的所有偏移量使用完，获取所有角点匹配效果值Rr。

G.从所有已保存的角点匹配效果值Rr中获取值最小的角点匹配效果值Rr，判断该角点匹配效果值Rr是否小于设定的角点匹配阈值T_match，如果是，则定义该角点匹配效果值Rr对应的偏移量为最佳偏移量，并继续执行，否则，将视频中的下一帧图像作为当前图像，并返回执行步骤B。角点匹配阈值T_match的取值范围为0.8×(T_d)²～(T_d)²，在此具体实施例中角点匹配阈值T_match取500。

H.利用最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像。

以下以实验说明本发明方法是有效可行的。

图1给出了不通过本发明的预处理进行背景建模，再由当前图像与背景图像的差分值分离得到的运动目标的二值化效果图；图2给出了通过本发明的预处理进行背景建模，再由当前图像与背景图像的差分值分离得到的运动目标的二值化效果图。对比图1和图2，可清楚的看出通过本发明预处理方法对视频信号进行预处理后，可以有效的减少相机晃动所引起的噪声点。

Claims (8)

1.一种运动目标检测过程中的视频信号预处理方法，其特征在于定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；首先利用两个不同的梯度算子分别计算当前图像中的每个像素点仅在X坐标方向和Y坐标方向的梯度值，根据每个像素点仅在X坐标方向和Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对求取的每个像素点的三个梯度值的平方值进行高斯平滑处理，利用三个平滑处理后的梯度值的平方值定义每个像素点的角点评价值；然后将当前图像中的各个像素点的角点评价值与设定的角点阈值进行比较，获取所有疑似角点；根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；再设定一个从背景图像中的每个像素点的坐标位置映射到当前图像中的每个像素点的坐标位置的偏移量集，在偏移量集中的每个偏移量下，根据各个最佳角点的坐标位置和偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，计算各个最佳角点的像素值与各新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值的差分值，通过将各个差分值与差分阈值进行比较，确定各个最佳角点是否匹配成功，根据所有匹配成功的最佳角点定义支持度，通过将支持度与设定的支持度阈值进行比较，确定是否计算角点匹配效果值并保存角点匹配效果值；在获得所有角点匹配效果值后从所有已保存的角点匹配效果值中获取值最小的角点匹配效果值，然后将该角点匹配效果值是与设定的角点匹配阈值进行比较，确定该角点匹配效果值对应的偏移量是否为最佳偏移量，当该角点匹配效果值对应的偏移量为最佳偏移量时，利用该最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像，当该角点匹配效果值对应的偏移量为非最佳偏移量时，将视频中的下一帧图像作为当前图像，并重复上述过程。

2.根据权利要求1所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于包括以下具体步骤：

A.定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；

B.首先利用梯度算子

对当前图像中的每个像素点的像素值仅在X坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在X坐标方向的梯度值，利用梯度算子

对当前图像中的每个像素点的像素值仅在Y坐标方向进行加权求和运算，得到当前图像中的每个像素点仅在Y坐标方向的梯度值，利用当前图像中的每个像素点仅在X坐标方向和仅在Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对于当前图像中坐标为(i，j)的像素点，记该像素点仅在X坐标方向的梯度值为I_X(i，j)，记该像素点仅在Y坐标方向的梯度值为I_Y(i，j)，记该像素点同时在X坐标方向和Y坐标方向的梯度值为I_XY(i，j)，I_X(i，j)＝I(i+1，j-1)+I(i+1，j)+I(i+1，j+1)-I(i-1，j-1)-I(i-1，j)-I(i-1，j+1)，I_Y(i，j)＝I(i-1，j+1)+I(i，j+1)+I(i+1，j+1)-I(i-1，j-1)-I(i，j-1)-I(i+1，j-1)，I_XY(i，j)＝I_X(i，j)×I_Y(i，j)，其中，I(i+1，j-1)表示当前图像中坐标为(i+1，j-1)的像素点的像素值，I(i+1，j)表示当前图像中坐标为(i+1，j)的像素点的像素值，I(i+1，j+1)表示当前图像中坐标为(i+1，j+1)的像素点的像素值，I(i-1，j-1)表示当前图像中坐标为(i-1，j-1)的像素点的像素值，I(i-1，j)表示当前图像中坐标为(i-1，j)的像素点的像素值，I(i-1，j+1)表示当前图像中坐标为(i-1，j+1)的像素点的像素值，I(i，j+1)表示当前图像中坐标为(i，j+1)的像素点的像素值，I(i，j-1)表示当前图像中坐标为(i，j-1)的像素点的像素值；然后分别计算当前图像中的每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值，并对每个像素点仅在X坐标方向、仅在Y坐标方向及同时在X坐标方向和Y坐标方向的梯度值的平方值进行高斯平滑处理，对于当前图像中坐标为(i，j)的像素点，计算该像素点仅在X坐标方向的梯度值的平方值

该像素点仅在Y坐标方向的梯度值的平方值

及该像素点同时在X坐标方向和Y坐标方向的梯度值的平方值

采用高斯模板

对

和

进行高斯平滑处理，记

经平滑处理后的值为

记

经平滑处理后的值为

记

经平滑处理后的值为

定义当前图像中的每个像素点的角点评价值，对于当前图像中坐标为(i，j)的像素点，记该像素点的角点评价值为Corr(i，j)，

其中，m为修正值，0＜m＜1；

C.判断当前图像中的各个像素点的角点评价值是否大于设定的角点阈值T_c，获取所有疑似角点，对于当前图像中坐标为(i，j)的像素点，如果该像素点的角点评价值Corr(i，j)大于设定的角点阈值T_c，则定义该像素点为疑似角点，否则，滤除该像素点；

D.根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；

E.设定一个从背景图像中的每个像素点的坐标位置映射到当前图像中的每个像素点的坐标位置的偏移量集，从偏移量集中取第1个偏移量作为当前偏移量，记当前偏移量为(Δp，Δq)，定义所有最佳角点中坐标为(p，q)的最佳角点为当前最佳角点，在当前图像中取当前最佳角点的像素值，记当前最佳角点的像素值为Curr(p，q)，然后根据当前最佳角点的坐标位置和当前偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，记该新的坐标位置相应的像素的像素值为back(p+Δp，q+Δq)，计算Curr(p，q)和back(p+Δp，q+Δq)的差分值，判断该差分值的绝对值是否小于差分阈值T_d，如果小于差分阈值T_d，则表示当前最佳角点匹配成功，同时保存该差分值，否则，表示当前最佳角点未匹配成功，不保存该差分值；采用当前最佳角点相同的匹配方法获取所有匹配成功的最佳角点，统计当前偏移量下所有匹配成功的最佳角点，记当前偏移量下所有匹配成功的最佳角点的个数为NUM_match；定义当前偏移量下所有匹配成功的最佳角点的个数NUM_match与所有最佳角点的个数的比值为支持度，判断支持度是否大于设定的支持度阈值T_sup port，如果大于设定的的支持度阈值T_sup port，则根据保存的当前偏移量下所有差分值和当前偏移量下所有匹配成功的最佳角点的个数NUM_match，计算角点匹配效果值Rr，保存该角点匹配效果值Rr，否则，不计算角点匹配效果值Rr；

F.从偏移量集中取下一个偏移量作为当前偏移量，重复步骤D直至偏移量集中的所有偏移量使用完，获取所有角点匹配效果值Rr；

G.从所有已保存的角点匹配效果值Rr中获取值最小的角点匹配效果值Rr，判断该角点匹配效果值Rr是否小于设定的角点匹配阈值T_match，如果是，则定义该角点匹配效果值Rr对应的偏移量为最佳偏移量，并继续执行，否则，将视频中的下一帧图像作为当前图像，并返回执行步骤B；

H.利用最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像。

3.根据权利要求2所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤A中m＝0.00001。

4.根据权利要求2所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤B中角点阈值T_c的取值范围为3000～5000。

5.根据权利要求2所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤D中邻域角点评价值最大选择策略为：使用5×5邻域对每个疑似角点在5×5邻域范围内查找其他疑似角点，并比较5×5邻域范围内各个疑似角点的角点评价值，找出5×5邻域范围内角点评价值最大的疑似角点，并将该疑似角点的标记设置为1，将5×5邻域范围内除角点评价值最大的疑似角点外的所有疑似角点的标记设置为0，定义标记为1的疑似角点为最佳角点。

6.根据权利要求2所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤E中差分阈值T_d的取值范围为15～30。

7.根据权利要求2所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤E中的支持度阈值T_sup port的取值范围为0.6～1。

8.根据权利要求6所述的一种运动目标检测过程中的视频信号预处理方法，其特征在于所述的步骤G中的角点匹配阈值T_match的取值范围为0.8×(T_d)²～(T_d)²。

Images