CN101635852B - 一种基于自适应背景建模的实时运动目标检测方法 - Google Patents

Abstract

一种基于自适应背景建模的实时运动目标检测方法，对实时视频进行帧间差分，提取运动目标区域和非运动目标区域，对非运动目标区域进行实时更新，实现背景模型的自适应更新，在此基础上实时完成运动目标检测。具体实现步骤为：首先，初始化自适应背景更新和运动目标检测的参数；其次，利用帧间差分提取实时视频运动目标区域和非运动目标区域，对非运动目标区域实时更新，获得自适应更新的背景；然后，对实时视频和实时背景分别进行空间平滑滤波，通过差分获取前景图像；最后，对前景图像进行阴影虑除和连通性分析，实时获得运动目标。本发明提高了运动目标检测的可靠性。

Description

一种基于自适应背景建模的实时运动目标检测方法

技术领域

本发明涉及一种实时运动目标检测方法，特别是一种基于自适应背景建模的实时运动目标检测方法，适用于对视频中的运动目标进行检测。

背景技术

随着经济和科技的发展以及“三股势力”对社会安全稳定的威胁，人们对居住和办公环境的安全性提出了更高的要求；对关乎经济命脉的重点设施或区域(如，核电站，水电站，银行、高速公路和机场等)的安全运行和防护、名胜古迹以及文物博物馆的安防以及军民领域中的重点目标和区域(如，军械库、危险爆炸品、居民引用水水源等区域)的安防提出了更高的要求。对这些重点目标和区域进行监控的常用手段是视频监控，当有目标入侵时系统能及时准确地报警，且误警低是评价系统优劣的关键。运动目标检测的可靠性直接决定了系统能否及时准确地报警和降低系统误警率。传统方法中常用的运动目标检测方法之一是减背景法，减背景法是利用当前图像与背景图像间的差分来检测运动目标的一种方法。减背景法简单，但是可靠性较低，易产生误警。

发明内容

本发明要解决的技术问题：克服现有基于减背景法的运动目标检测方法可靠性低，误警率高的不足，提出一种基于自适应背景建模的实时运动目标检测方法。

本发明采用的技术方案为：一种基于自适应背景建模的实时运动目标检测方法，对实时视频进行帧间差分，提取运动目标区域和非运动目标区域，对非运动目标区域进行实时更新，实现背景模型的自适应更新，在此基础上实时完成运动目标检测。具体实现步骤为：

(1)初始化自适应背景更新和运动目标检测的参数包括视频图像的大小，帧间差分的间隔数n，差分图像红、绿和蓝分量最大值E max_k的检测阈值和背景自适应更新时的加权系数α。

(2)利用帧间差分提取实时视频运动目标区域和非运动目标区域，对非运动目标区域实时更新，获得自适应更新的实时背景。获得自适应更新实时背景的步骤为：

①对第k帧与第k-n帧图像求绝对差，得到差分图像E1_k，对第k帧与第k-2n帧图像求绝对差，得到差分图像E2_k，再求E1_k与E2_k对应通道的最大值，得到E_k，具体的计算公式为

${E1}_k^{i,j}=|I_k^{i,j}-I_{k-n}^{i,j}|---\left(1\right)$

${E2}_k^{i,j}=|I_k^{i,j}-I_{k-2n}^{i,j}|---\left(2\right)$

$E_k^{i,j}=\mathrm{MAX}({E1}_k^{i,j},{E2}_k^{i,j})---\left(3\right)$

式中正整数n为帧间差分的间隔数；i和j表示像素的位置，k表示视频的时刻，即

表示第k帧图像中第i行和第j列上的像素值；

②求差分图像E_k红、绿和蓝三个分量最大值的表达式

式中Er_k、Eg_k和Eb_k分别为差分图像E_k的红色分量、绿色分量和蓝色分量；

③差分图像二值化图像的过程

对差分图像进行二值化，获得二值化图像T_k为：

$T_k^{i,j}=\left\{\begin{array}{cc}255& E{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

式中ERR为差分图像颜色分量最大值E max_k进行二值化时的阈值；

表示第k帧二值化图像中第i行和第j列上的像素值；对前景图像T_k进行空洞填充，再利用形态学方法对其进行膨胀，得到D_k；将D_k中像素值为255的部分视为运动部分；

④实时背景建模

自适应更新的实时背景B_k的模型表达式为

$B_k^{i,j}=\left\{\begin{array}{cc}\mathrm{\α}\·I_k^{i,j}+(1-\mathrm{\α})\·B_{k-1}^{i,j}& D_k^{i,j}=0\\ B_{k-1}^{i,j}& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

式中α为自适应实时背景建模时的加权系数；

表示第k帧实时采集图像中第i行和第j列上的像素值；

表示第k-1帧实时背景图像中第i行和第j列上的像素值；初始实时背景B₀选用实时采集视频的背景。

(3)对实时采集视频和自适应更新的实时背景分别进行空间平滑滤波，通过差分获取前景图像，实时获得前景图像的步骤为：

①对实时采集视频和自适应更新的实时背景图像分别进行空间平滑滤波，并求二者的绝对差分，得到差分图像F_k为：

$F_k^{i,j}=|I_k^{i,j}-B_k^{i,j}|---\left(7\right)$

②求F_k的红颜色分量Fr_k、绿颜色分量Fg_k和蓝颜色分量Fb_k三个颜色分量最大值的表达式为

③获取实时视频的前景图像

对差分图像F_k进行二值化，获得二值化图像T_k，T_k为实时视频前景图像

$T_k^{i,j}=\left\{\begin{array}{cc}255& F{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right.$

(4)对实时获得的前景图像进行阴影滤除和连通性分析，实时获得运动目标。

附图说明

图1为一种基于自适应背景建模的实时运动目标检测方法的原理流程图；

图2为一种基于自适应背景建模的实时运动目标检测方法的实现流程图。

具体实施方式

如图1和图2所示，本发明的具体实现步骤如下：

(1)初始化自适应背景更新和运动目标检测的参数有视频图像的大小352×288像素，帧间差分的间隔数n(n≥2，本实施例取3)，差分图像红、绿和蓝三颜色分量的最大值E max_k的检测阈值(本实施例取15)，背景自适应更新时的加权系数α(本实施例取0.4)。

(2)利用帧间差分提取实时视频运动目标区域和非运动目标区域，对非运动目标区域实时更新，获得自适应更新的背景。自适应背景更新的步骤为：

①对第k帧与第k-n帧图像求绝对差，得到差分图像E1_k，对第k帧与第k-2n帧图像求绝对差，得到差分图像E2_k，再求E1_k与E2_k对应通道的最大值，得到E_k，具体的计算公式为

${E1}_k^{i,j}=|I_k^{i,j}-I_{k-n}^{i,j}|---\left(1\right)$

${E2}_k^{i,j}=|I_k^{i,j}-I_{k-2n}^{i,j}|---\left(2\right)$

$E_k^{i,j}=\mathrm{MAX}({E1}_k^{i,j},{E2}_k^{i,j})---\left(3\right)$

式中正整数n为帧间差分的间隔数；i和j表示像素的位置，k表示视频的时刻，即

表示第k帧图像中第i行和第j列上的像素值；

②求差分图像E_k红、绿和蓝三个颜色分量最大值的表达式

式中Er_k、Eg_k和Eb_k分别为差分图像E_k的红色分量、绿色分量和蓝色分量；

③差分图像二值化图像处理过程

对差分图像进行二值化，获得二值化图像T_k为：

$T_k^{i,j}=\left\{\begin{array}{cc}255& E{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

式中ERR为差分图像颜色分量最大值Emax_k进行二值化时的阈值。Emax_k＞ERR时为前景图像，Emax_k≤ERR为背景图像，并对前景图像进行空洞填充，再利用形态学方法对其进行膨胀，得到前景图像D_k；将D_k中像素值为255的部分视为运动部分；

④实时背景建模

自适应更新的实时背景B_k的模型表达式为

$B_k^{i,j}=\left\{\begin{array}{cc}\mathrm{\α}\·I_k^{i,j}+(1-\mathrm{\α})\·B_{k-1}^{i,j}& D_k^{i,j}=0\\ B_{k-1}^{i,j}& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

式中α为自适应实时背景建模时的加权系数；I_k表示第k帧实时采集图像；B_k-1表示第k-1帧实时背景图像；初始实时背景B₀选用实时采集视频的背景。

如果在当前帧中检测到运动目标，将运动目标区域的背景用上一帧该区域的背景代替，无运动目标区域的背景利用该区域的当前帧图像和上一帧图像该区域的背景进行加权，获得实时的背景。

(3)对实时采集视频和实时背景分别进行空间平滑滤波，通过差分获取前景图像，实时获得前景图像的步骤为：

①对实时采集视频和自适应更新的实时背景图像分别进行空间平滑滤波，并求二者的绝对差分，得到差分图像F_k为：

$F_k^{i,j}=|I_k^{i,j}-B_k^{i,j}|---\left(7\right)$

②求F_k的红颜色分量Fr_k、绿颜色分量Fg_k和蓝颜色分量Fb_k三个颜色分量最大值的表达式为

③获取实时视频的前景图像

对差分图像F_k进行二值化，获得二值化图像T_k，T_k为实时视频前景图像

$T_k^{i,j}=\left\{\begin{array}{cc}255& F{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right.$

(4)对实时获取的前景图像进行阴影滤除和连通性分析，实时获得运动目标。

Claims (3)

1.一种基于自适应背景建模的实时运动目标检测方法，其特征在于包括以下步骤：

(1)初始化自适应背景更新和运动目标检测的参数；

(2)利用帧间差分提取实时视频运动目标区域和非运动目标区域，对非运动目标区域实时更新，获得自适应更新的实时背景；

(3)对实时采集视频和实时背景分别进行空间平滑滤波，通过差分获取前景图像；

(4)对所述前景图像进行阴影滤除和连通性分析，实时获得运动目标；

所述步骤(1)中初始化自适应背景更新和运动目标检测的参数包括视频图像的大小，帧间差分的间隔数n，差分图像红、绿和蓝分量最大值E max_k的检测阈值和背景自适应更新时的加权系数α。

2.根据权利要求1所述的基于自适应背景建模的实时运动目标检测方法，其特征在于：所述步骤(2)中获得自适应更新实时背景的步骤为：

①对第k帧与第k-n帧图像求绝对差，得到差分图像E1_k，对第k帧与第k-2n帧图像求绝对差，得到差分图像E2_k，再求E1_k与E2_k对应通道的最大值，得到E_k，具体的计算公式为：

${E1}_k^{i,j}=|I_k^{i,j}-I_{k-n}^{i,j}|---\left(1\right)$

${E2}_k^{i,j}=|I_k^{i,j}-I_{k-2n}^{i,j}|---\left(2\right)$

$E_k^{i,j}=\mathrm{MAX}({E1}_k^{i,j},{E2}_k^{i,j})---\left(3\right)$

式中正整数n为帧间差分的间隔数；i和j表示像素的位置，k表示视频的时刻，即

表示第k帧图像中第i行和第j列上的像素值；

②求差分图像E_k红、绿和蓝三个分量最大值的表达式

式中Er_k、Eg_k和Eb_k分别为差分图像E_k的红色分量、绿色分量和蓝色分量；

③差分图像二值化图像的过程

对差分图像进行二值化，获得二值化图像T_k为：

$T_k^{i,j}=\left\{\begin{array}{cc}255& E{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right.---\left(5\right)$

式中ERR为差分图像颜色分量最大值E max_k进行二值化时的阈值；

表示第k帧二值化图像中第i行和第j列上的像素值；对前景图像T_k进行空洞填充，再利用形态学方法对其进行膨胀，得到D_k；将D_k中像素值为255的部分视为运动部分；

④实时背景建模

自适应更新的实时背景B_k的模型表达式为：

$B_k^{i,j}=\left\{\begin{array}{cc}\mathrm{\α}\·I_k^{i,j}+(1-\mathrm{\α})\·B_{k-1}^{i,j}& D_k^{i,j}=0\\ B_{k-1}^{i,j}& \mathrm{otherwise}\end{array}\right.---\left(6\right)$

式中α为自适应实时背景建模时的加权系数；

表示第k帧实时采集图像中第i行和第j列上的像素值；

表示第k-1帧实时背景图像中第i行和第j列上的像素值；初始实时背景B₀选用实时采集视频的背景。

3.根据权利要求1所述的基于自适应背景建模的实时运动目标检测方法，其特征在于：所述步骤(3)中的实时获取前景图像的步骤为：

①对实时采集的视频和自适应更新的实时背景图像分别进行空间平滑滤波，并求二者的绝对差分，得到差分图像F_k为：

$F_k^{i,j}=|I_k^{i,j}-B_k^{i,j}|---\left(7\right)$

②求F_k的红颜色分量Fr_k、绿颜色分量Fg_k和蓝颜色分量Fb_k三个颜色分量最大值的表达式为

③获取实时视频的前景图像

对差分图像F_k进行二值化，获得二值化图像T_k，T_k为实时视频前景图像

$T_k^{i,j}=\left\{\begin{array}{cc}255& F{\max }_k^{i,j}>\mathrm{ERR}\\ 0& \mathrm{otherwise}\end{array}\right..$

Images