CN101877135B - 一种基于背景重构的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于背景重构的运动目标检测方法，该方法包括如下步骤：输入图像序列，计算像素的邻帧灰度差；划分灰度平稳区间类；计算各灰度平稳区间类的平均灰度值；合并相近的灰度平稳区间类；像素背景灰度值的选择；运动目标检测；本发明节省存储空间；计算量小，不需要对场景中的背景和目标建立模型；能直接从含有运动前景的场景图像中重构背景，能有效地避免了混合现象；鲁棒性好；应用范围广泛。在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。

Description

一种基于背景重构的运动目标检测方法

技术领域

本发明涉及对运动目标的检测与处理系统，尤其涉及一种基于背景的运动目标处理方法与系统。

背景技术

视频序列中分割出运动目标，即从连续的视频序列中将运动区域提取出来，区分出运动前景和背景。智能监控系统在无人干预的情况下对视频序列的运动目标进行提取，对提取的运动目标进行定位、识别和跟踪，并对其进行分析和判断目标的行为，能为后续的目标识别、跟踪、报警与记录提供基础，还能在异常情况发生时做出及时反应。此外，除了在智能监控系统中的应用外，在机械视觉、军事科学等领域有着广泛的应用前景。

常用的运动目标检测方法共有三种：光流法、帧差法和背景差分法。光流法能应用于摄像机运动的情况，但其计算量非常大，且对噪声比较敏感，对硬件要求比较高；帧差法计算量小、能实现实时的运动检测，但分割出的运动目标不完整，检测的运动目标容易出现空洞和拉伸，甚至出现检测不出运动目标的情况，严重影响了后续的应用；背景差法通过构建出场景的背景图像帧，将当前帧和背景图像作比较，能得到完整的运动目标，是一种最为简单和有效的方法，完全克服了相邻帧差法的缺点。背景差分法简单有效、易于实现，是实时系统的首选。背景提取和更新又是背景差分法的核心，直接影响运动检测的实时性与准确性。

近年来，国内外的研究人员针对背景重构算法进行了大量的研究。背景重构算法有两类，一类是模型法，另一类是灰度归类法。模型法是为各个像素点的灰度建立统计模型，如高斯分布模型、混合高斯分布模型等，并采用自适应的方法通过调整模型参数来更新背景，这种方法只有在场景中不含有运动目标时才能正确地对模型初始化，在实际应用中存在一定的困难；灰度归类法是根据一定的假设，利用已观测到的一段连续视频序列选择像素灰度获得当前的背景图像，如：基于像素归类的背景重构技术，该方法计算量小，但是当像素灰度发生缓慢变化时，则会产生错误的重构结果。

发明内容

针对上述现有技术存在的缺陷或不足，基于“背景在图像序列中总是最经常被观测到的”的前提，本发明提出了一种基于背景重构运动目标检测算法。本发明节省存储空间，且计算量小，不需要对场景中的背景和目标建立模型；能有效地避免了混合现象；能准确进行背景重构，鲁棒性好。

为了达到上述目的，本发明采用如下的技术解决方案：

一种基于背景重构的运动目标检测方法，该方法通过划分灰度平稳区间类、合并相近的灰度平稳区间类，然后选择像素点的背景灰度值以检测运动目标，包括如下步骤：

步骤1：输入图像序列，计算像素的邻帧灰度差；

将图像采集设备采集到的图像序列输入计算机系统，并读取图像序列(f₀，f₁，f₂，......，f_N)，利用公式1计算各像素点(x，y)在相邻时刻的灰度差值Df_i(x，y)：

Df_i(x，y)＝f_i(x，y)-f_i-1(x，y)，i＝1，2，......N    (公式1)

其中，f_i(x，y)为像素(x，y)在第i帧处的灰度值；

步骤2：划分灰度平稳区间类；

(1)输入第一个数据f₁(x，y)，将f₁(x，y)归入为第j个灰度平稳区间类并进行初类的初始化，此时i＝1，j＝1，灰度和Sf^j(x，y)＝f₁(x，y)，类像素数Sp^j(x，y)＝1和类帧差和Sd^j(x，y)＝0，其中，j为类序号；

转入(2)；

(2)继续输入新的数据f_i(x，y)，即i＝i+1，当i＞N时，转入(8)；否则，转入(3)；

(3)比较邻帧灰度差Df_i(x，y)和阈值δ₁，若|Df_i(x，y)|≥δ₁，认为f_i(x，y)和f_i-1(x，y)的灰度值不一致，不属于同一灰度平稳区间，转入(4)；否则转入(5)；

(4)创建一个新的灰度平稳区间类，即j＝j+1，初始化该新类，使其灰度和Sf^j(x，y)＝f_i(x，y)，类像素数Sp^j(x，y)＝1，类帧差和Sd^j(x，y)＝0；转入(2)；

(5)利用公式2更新第j类的类帧差和Sd^j(x，y)：

Sd^j(x，y)＝Sd^j(x，y)+Df_i(x，y)             (公式2)

转入(6)；

(6)将Sd^j(x，y)和阈值δ₁作比较，当|Sd^j(x，y)|≤δ₁，认为f_i(x，y)和f_i-1(x，y)的灰度值一致，属于同一灰度平稳区间类，转入(7)；否则，认为f_i(x，y)和f_i-1(x，y)属于不同的灰度平稳区间类，转入(4)；

(7)将数据f_i(x，y)归入f_i-1(x，y)所在的灰度平稳区间类，并分别利用公式3、公式4更新第j类的灰度和Sf^j(x，y)和类像素数Sp^j(x，y)：

Sf^j(x，y)＝Sf^j(x，y)+f_i(x，y)              (公式3)

Sp^j(x，y)＝Sp^j(x，y)+1                     (公式4)

转入(2)；

(8)结束；最终得到p个灰度平稳区间类，p≥1；

其中：δ₁为判断像素点(x，y)的灰度值是否发生变化的阈值，对于256级的灰度图像，δ₁取值为10～20的整数；

步骤3：计算各灰度平稳区间类的平均灰度值；

用公式5计算步骤2得到的每个灰度平稳区间类的平均灰度值，第j个灰度平稳区间类的平均灰度值为：

${\stackrel{\‾}{f}}^j(x,y)=\frac{{\mathrm{Sf}}^j(x,y)}{{\mathrm{Sp}}^j(x,y)},j=\mathrm{1,2},......,p$ (公式5)；

其中，Sf^j(x，y)为第j个灰度平稳区间的灰度和，Sp^j(x，y)为第j个灰度平稳区间的类像素数；

步骤4：合并相近的灰度平稳区间类；

将步骤2得到的p个灰度平稳区间类中出现两个或多个距离相近的灰度平稳区间类合并为一类；最终得到q个灰度平稳区间类，q≤p；

步骤5：像素背景灰度值的选择：合并后的灰度平稳区间类中选择类像素数最大的平稳区间类的灰度值作为该像素点的背景灰度值；

对经过合并过程后形成q个灰度平稳区间类，将类像素数最大的像素数最大的第k类的灰度值作为该像素点的背景像素点的灰度值，则像素点(x，y)所对应的背景灰度值f_b(x，y)为：

$f_b(x,y)=\frac{{\mathrm{Sf}}^k(x,y)}{{\mathrm{Sp}}^k(x,y)}$ (公式8)

执行步骤6；

其中，Sf^k(x，y)为第k个灰度平稳区间的灰度和，Sp^k(x，y)为第k个灰度平稳区间的类像素数；

步骤6：运动目标检测；将输入的图像帧f_i(x，y)(i＞N)和f_b(x，y)作比较，若|f_i(x，y)-f_b(x，y)|≥δ₃，则为运动目标，否则为背景；其中，对于256级的灰度图像，δ₃取值为20～40的整数。

上述步骤4合并相近的灰度平稳区间类的步骤如下：

A、在现有的灰度平稳区间类中，找到相距最近的两个灰度平稳区间类：第m类和第n类：

(m＜n)，满足： $d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))=\min s,t=\mathrm{1,2},.....,p,s\≠\mathrm{td}({\stackrel{\‾}{f}}^s(x,y),{\stackrel{\‾}{f}}^t(x,y));$

转入B；

B、若

则

和

为一致灰度平稳区间类，将两类合并；更新合并后的类灰度和Sf^m(x，y)和类像素数Sp^m(x，y)为：

Sf^m(x，y)＝Sf^m(x，y)+Sfⁿ(x，y)        (公式6)

Sp^m(x，y)＝Sp^m(x，y)+Spⁿ(x，y)        (公式7)；

删除第n类；转入C；

C、循环执行A和B，直到 $d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))>{\mathrm{\δ}}_2,$ 则合并过程结束；

最终得到q个灰度平稳区间类，q≤p；

其中，δ₂是用户定义的参数，用来量化

和两个灰度平稳区间类之间的接近程度，对于256级的灰度图像，δ₂取值为10～20的整数。

本发明的优点如下：

1、实际使用中无需记录过多的连续若干帧图像以进行逐像素统计，只要等间隔采样若干帧，同时边采样边丢弃，因此不涉及资源消耗过大的问题，节省了大量的存储空间。

2、计算量小，不需要对场景中的背景和目标建立模型。

3、能直接从含有运动前景的场景图像中重构背景，能有效地避免了混合现象。

4、在参数变化的很大范围内都能得到满意的结果；在光线缓慢变化时，仍能准确进行背景重构，鲁棒性好。

5、应用范围广泛。在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。

附图说明

图1是本发明的流程图。

图2是输入图像帧f_i。

图3是背景图像帧

图4是运动检测结果M_i。

图5是本发明的具体实施过程的流程图。

图6是本发明的检测方法步骤2的分步骤流程图。

图7是本发明的检测方法步骤4的分步骤流程图。

下面结合附图和具体实施方式对本实用新型作进一步解释说明。

具体实施方式

参见图5，本发明的具体实施过程包括如下步骤：

步骤S0：将图像采集设备采集到的图像序列输入计算机系统，并读取图像序列(f₀，f₁，f₂，......，f_N)；

转入步骤S1；

步骤S1：输入第一个数据f₁(x，y)，将f₁(x，y)归入为第j个灰度平稳区间类并进行初类的初始化，此时i＝1，j＝1，灰度和Sf^j(x，y)＝f_i(x，y)，类像素数Sp^j(x，y)＝1和类帧差和Sd^j(x，y)＝0，其中，j为类序号；f_i(x，y)为像素(x，y)在第i帧处的灰度值，i＝1，2，......N；

转入步骤S2；

步骤S2：继续输入的新数据f_i(x，y)，即i＝i+1；若i≤N，计算帧差Df_i(x，y)：

Df_i(x，y)＝f_i(x，y)-f_i-1(x，y)，i＝1，2，......N    (公式1)

其中，f_i(x，y)为像素(x，y)在第i帧(i＝0，1，2，…，N)处的灰度值；

转入步骤S3；

若i＞N，转入步骤S8；最终得到p个灰度平稳区间类；

步骤S3：比较邻帧灰度差Df_i(x，y)和阈值δ₁，若|Df_i(x，y)|≥δ₁，则认为f_i(x，y)和f_i-1(x，y)的灰度值不一致，不属于同一灰度平稳区间，转入步骤S4；

其中：δ₁为判断像素点(x，y)的灰度值是否发生变化的阈值，对于256级的灰度图像，δ₁取值为10～20的整数；

若|Df_i(x，y)|＜δ₁，转入步骤S5；

步骤S4：创建一个新的灰度平稳区间类，即j＝j+1，初始化该新类，使其灰度和Sf^j(x，y)＝f_i(x，y)，类像素数Sp^j(x，y)＝1，类帧差和Sd^j(x，y)＝0；

转入步骤S2；

步骤S5：利用公式2更新第j类的类帧差和Sd^j(x，y)：

Sd^j(x，y)＝Sd^j(x，y)+Df_i(x，y)                (公式2)

执行步骤S6；

步骤S6：将Sd^j(x，y)和阈值δ₁作比较，当|Sd^j(x，y)|≤δ₁，认为f_i(x，y)和f_i-1(x，y)的灰度值一致，属于同一灰度平稳区间类，转入步骤S7；

若|Sd^j(x，y)|＞δ₁，认为f_i(x，y)和f_i-1(x，y)属于不同的灰度平稳区间类，转入步骤S4；

步骤S7：将数据f_i(x，y)归入f_i-1(x，y)所在的灰度平稳区间类，并分别利用公式3、公式4更新第j类的灰度和Sf^i-1(x，y)和类像素数Sp^j(x，y)：

Sf^j(x，y)＝Sf^j(x，y)+f_i(x，y)      (公式3)

Sp^j(x，y)＝Sp^j(x，y)+1             (公式4)

转入步骤S2；

步骤S8：计算各灰度平稳区间类的平均灰度值；

用公式5计算步骤S2得到的每个灰度平稳区间类的平均灰度值，第j个灰度平稳区间类的平均灰度值

为：

${\stackrel{\‾}{f}}^j(x,y)=\frac{{\mathrm{Sf}}^j(x,y)}{{\mathrm{Sp}}^j(x,y)},j=\mathrm{1,2},......,p$ (公式5)；

转入步骤S9；

步骤S9：在现有的灰度平稳区间类中找到相距最近的两个灰度平稳区间类：第m类和第n类：

(m＜n)，满足：

$d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))=\min s,t=\mathrm{1,2},.....,p,s\≠\mathrm{td}({\stackrel{\‾}{f}}^s(x,y),{\stackrel{\‾}{f}}^t(x,y));$

转入步骤S10；

步骤S10：若

则

和

为一致灰度平稳区间类，合并

和

为一致灰度平稳区间类，转入步骤S11；

其中，δ₂是用户定义的参数，用来量化

和

两个灰度平稳区间类之间的接近程度，对于256级的灰度图像，δ₂取值为10～20的整数。

若合并类结束，此时有q个灰度平稳区间类，转入步骤S12；

步骤S11：更新合并后的类灰度和Sf^m(x，y)和类像素数Sp^m(x，y)为：

Sf^m(x，y)＝Sf^m(x，y)+Sfⁿ(x，y)            (公式6)

Sp^m(x，y)＝Sp^m(x，y)+Spⁿ(x，y)            (公式7)；

删除第n类；

执行步骤S9；

步骤S12：查找合并类后的q个灰度平稳区间类中像素数最大的第k类，满足Sp^k(x，y)＝maxi＝1，2，......，qSpⁱ(x，y)，计算像素点(x，y)所对应的背景像素点的灰度值f_b(x，y)为：

$f_b(x,y)=\frac{{\mathrm{Sf}}^k(x,y)}{{\mathrm{Sp}}^k(x,y)}$ (公式8)

执行步骤S13；

步骤S13：运动目标检测；将输入图像帧f_i(x，y)(i＞N)和f_b(x，y)作比较，若|f_i(x，y)-f_b(x，y)|≥δ3，则为运动目标，否则为背景；执行步骤S14；

其中，对于256级的灰度图像，δ₃取值为20～40的整数。

步骤S14：结束。

本发明未涉及部分均与现有技术相同或可采用现有技术加以改造，本发明并不限于上述方式。在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明所作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利保护范围。

Claims (2)

1.一种基于背景重构的运动目标检测方法，其特征在于，该方法通过划分灰度平稳区间类、合并相近的灰度平稳区间类，然后选择像素点的背景灰度值以检测运动目标，包括如下步骤：

步骤1：输入图像序列，计算像素的邻帧灰度差；

将图像采集设备采集到的图像序列输入计算机系统，并读取图像序列f₀，f₁，f₂，......，f_N，利用公式1计算各像素点(x，y)在相邻时刻的灰度差值Df_i(x，y)：

Df_i(x，y)＝f_i(x，y)-f_i-1(x，y)，i＝1，2，......N    (公式1)

其中，f_i(x，y)为像素(x，y)在第i帧处的灰度值；

步骤2：划分灰度平稳区间类；

(1)输入第一个数据f₁(x，y)，将f₁(x，y)归入为第j个灰度平稳区间类并进行初类的初始化，此时i＝1，j＝1，灰度和Sf^j(x，y)＝f₁(x，y)，类像素数Sp^j(x，y)＝1和类帧差和Sd^j(x，y)＝0，其中，j为类序号；

转入(2)；

(2)继续输入新的数据f_i(x，y)，即i＝i+1，当i＞N时，转入(8)；否则，转入(3)；

(3)比较邻帧灰度差Df_i(x，y)和阈值δ₁，若|Df_i(x，y)|≥δ₁，认为f_i(x，y)和f_i-1(x，y)的灰度值不一致，不属于同一灰度平稳区间，转入(4)；否则转入(5)；

(4)创建一个新的灰度平稳区间类，即j＝j+1，初始化该新类，使其灰度和Sf^j(x，y)＝f_i(x，y)，类像素数Sp^j(x，y)＝1，类帧差和Sd^j(x，y)＝0；转入(2)；

(5)利用公式2更新第j类的类帧差和Sd^j(x，y)：

Sd^j(x，y)＝SD^j(x，y)+Df_i(x，y)                  (公式2)

转入(6)；

(6)将Sd^j(x，y)和阈值δ1作比较，当|Sd^j(x，y)|≤δ₁，认为f_i(x，y)和f_i-1(x，y)的灰度值一致，属于同一灰度平稳区间类，转入(7)；否则，认为f_i(x，y)和f_i-1(x，y)属于不同的灰度平稳区间类，转入(4)；

(7)将数据f_i(x，y)归入f_i-1(x，y)所在的灰度平稳区间类，并分别利用公式3、公式4更新第j类的灰度和Sf^j(x，y)和类像素数Sp^j(x，y)：

Sf^j(x，y)＝Sf^j(x，y)+f_i(x，y)         (公式3)

Sp^j(x，y)＝Sp^j(x，y)+1                (公式4)

转入(2)；

(8)结束；最终得到p个灰度平稳区间类，p≥1；

其中：δ₁为判断像素点(x，y)的灰度值是否发生变化的阈值，对于256级的灰度图像，δ₁取值为10～20的整数；

步骤3：计算各灰度平稳区间类的平均灰度值；

用公式5计算步骤2得到的每个灰度平稳区间类的平均灰度值，第j个灰度平稳区间类的平均灰度值为：

${\stackrel{\‾}{f}}^j(x,j)=\frac{{\mathrm{Sf}}^j(x,j)}{{\mathrm{Sp}}^j(x,j)},$ j＝1，2，......，p          (公式5)；

其中，Sf^j(x，y)为第j个灰度平稳区间的灰度和，Sp^j(x，y)为第j个灰度平稳区间的类像素数；

步骤4：合并相近的灰度平稳区间类；

将步骤2得到的p个灰度平稳区间类中出现两个或多个距离相近的灰度平稳区间类合并为一类；最终得到q个灰度平稳区间类，q≤p；

步骤5：像素背景灰度值的选择：合并后的灰度平稳区间类中选择类像素数最大的平稳区间类的灰度值作为该像素点的背景灰度值；

对经过合并过程后形成q个灰度平稳区间类，将类像素数最大的像素数最大的第k类的灰度值作为该像素点的背景像素点的灰度值，则像素点(x，y)所对应的背景灰度值f_b(x，y)为：

$f_b(x,y)=\frac{{\mathrm{Sf}}^k(x,y)}{{\mathrm{Sp}}^k(x,y)}$ (公式8)

其中，Sf^k(x，y)为第k个灰度平稳区间的灰度和，Sp^k(x，y)为第k个灰度平稳区间的类像素数；

执行步骤6；

步骤6：运动目标检测；将输入的图像帧f_i(x，y)和f_b(x，y)作比较，若|f_i(x，y)-f_b(x，y)|≥δ₃，则为运动目标，否则为背景；其中，对于256级的灰度图像，δ₃取值为20～40的整数，i＞N。

2.如权利要求1所述的基于背景重构的运动目标检测方法，其特征在于，所述步骤4合并相近的灰度平稳区间类的步骤如下：

A、在现有的灰度平稳区间类中，找到相距最近的两个灰度平稳区间类：

第m类和第n类： ${\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y),$ 满足： $d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))={\min }_{s,t=\mathrm{1,2}......,p,s\≠t}d({\stackrel{\‾}{f}}^s(x,y),{\stackrel{\‾}{f}}^t(x,y)),$ 其中m＜n；

转入B；

B、若 $d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))\≤{\mathrm{\δ}}_2,$ 则

和

为一致灰度平稳区间类，将两类合并；更新合并后的类灰度和Sf^m(x，y)和类像素数Sp^m(x，y)为：

Sf^m(x，y)＝Sf^m(x，y)+Sfⁿ(x，y)            (公式6)

Sp^m(x，y)＝Sp^m(x，y)+Spⁿ(x，y)            (公式7)；

删除第n类；转入C；

C、循环执行A和B，直到 $d({\stackrel{\‾}{f}}^m(x,y),{\stackrel{\‾}{f}}^n(x,y))\≤{\mathrm{\δ}}_2,$ 则合并过程结束；

最终得到q个灰度平稳区间类，q≤p；

其中，δ₂是用户定义的参数，用来量化

和

两个灰度平稳区间类之间的接近程度，对于256级的灰度图像，δ₂取值为10～20的整数。

Images