CN102055884B - 一种视频图像的稳像控制方法、系统及视频分析系统 - Google Patents

Abstract

本发明适用于监控技术领域，提供了一种视频图像的稳像控制方法、系统及视频分析系统，所述方法包括下述步骤：根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像，克服了现有的稳像算法中图像子块的选择的盲目性，提高了估算的精度。

Description

一种视频图像的稳像控制方法、系统及视频分析系统

技术领域

本发明属于监控技术领域，尤其涉及一种视频图像的稳像控制方法、系统及视频分析系统。 

背景技术

视频监控系统一般使用固定的摄像机对某一场景进行连续不断的拍摄，然后对采集到的视频流进行处理和分析，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，进而对目标的行为进行判断，检测目标是否有越界、越线、物体遗留或者盗窃等事件发生，当检测到该类事件发生时，便发出报警信号并提醒监控人员注意或采取相应的措施。视频监控技术主要由运动目标检测和运动目标跟踪两个部分组成，运动目标检测对于后续的运动目标跟踪和行为识别有着很重要的作用。 

目前比较经典的运动目标检测方法有背景减法、帧间差分法和光流法。由于背景减法能够比其他方法提供更多的关于运动目标的信息，所以目前被广泛应用于目标检测中。但是背景减法是通过建立背景模型，将当前帧与背景帧相减来获得运动的像素点来达到检测目的的，其中背景模型的获取是关键。 

运动目标检测方法一般是在摄像机静止的前提下进行的。但是，在室外环境下，安装的摄像机不可能是绝对静止的，就某些应用领域来说(如交通行业)，有很多的因素都会造成摄像头的轻微抖动(如旁边过车，或者大风吹来)，摄像头的抖动反映在视频中即是视野的不断抖动，对基于背景建模的运动目标检测算法来说，获取的当前帧相对于背景图像存在一定的位置偏差，如果不进行位置偏差的调整补偿，场景中会出现大量的前景目标，降低检测的精度，但是当前对获取的当前帧的稳像补偿方法比较盲目，存在缺陷不合理。 

发明内容

本发明实施例的目的在于提供一种视频图像的稳像控制方法，旨在解决现有技术中获取的当前帧相对于背景图像存在一定的位置偏差，降低了检测精度，而且当前的稳像补偿方法比较盲目、存在缺陷不合理的问题。 

本发明实施例是这样实现的，一种视频图像的稳像控制方法，所述方法包括下述步骤： 

预先对原始监控图像进行图像子块的划分； 

确定所述图像子块中的角点信息； 

根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块； 

根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量； 

根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像； 

将所述原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像，其具体为： 

将原始监控图像与背景图像进行SAD匹配： 

sad＝∑∑|I(x，y)-B(x，y)|，所述I(x，y)为原始监控图像(x，y)像素点的灰度值，所述B(x，y)为背景图像(x，y)像素点的灰度值，； 

将矫正图像与背景图像进行SAD匹配： 

sad′＝∑∑|I′(x，y)-B(x，y)|，所述I′(x，y)为矫正图像(x，y)像素点的灰度值； 

所述确定所述图像子块中的角点信息的具体步骤为： 

计算图像子块当前帧灰度图像的梯度图像； 

根据所述计算得到的梯度图像，获取G矩阵，所述G矩阵为： 

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度， 

表示在窗口W内进行累加； 

根据所述G矩阵的特征值，判断当前点是否为角点； 

所述根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量的步骤具体包括下述步骤： 

将各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图； 

将所述灰度投影直方图扩充为原长度两倍减一的灰度直方图； 

对扩充后的灰度直方图进行1/2亚像素级线性插值计算； 

计算所述各个图像子块在x和y方向上的最佳偏移量； 

根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差； 

根据所述图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选。 

本发明实施例的另一目的在于提供一种视频图像的稳像控制系统，所述系统包括： 

图像子块划分模块，用于预先对原始监控图像进行图像子块的划分； 

角点信息确认模块，用于确定所述图像子块中的角点信息； 

第一获取模块，用于根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块； 

运动矢量计算模块，用于根据所述第一获取模块获取的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量； 

矫正模块，用于根据所述运动矢量计算模块计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；以及 

匹配模块，用于将所述原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像，其具体为： 

将原始监控图像与背景图像进行SAD匹配： 

sad＝∑∑|I(x，y)|-B(x，y)|，所述I(x，y)为原始监控图像(x，y)像素点的灰度值，所述B(x，y)为背景图像(x，y)像素点的灰度值； 

将矫正图像与背景图像进行SAD匹配： 

sad′＝∑∑|I′(x，y)-B(x，y)|，所述I′(x，y)为矫正图像(x，y)像素点的灰度值； 

所述角点信息确认模块具体包括： 

梯度图像计算模块，用于计算图像子块当前帧灰度图像的梯度图像； 

G矩阵获取模块，用于根据所述梯度图像计算模块计算得到的梯度图像，获取G矩阵，所述G矩阵为： 

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度， 

表示在窗口W内进行累加；以及 

判断模块，用于根据所述G矩阵获取模块获取到的G矩阵的特征值，判断当前点是否为角点； 

所述运动矢量计算模块具体包括： 

投影模块，用于将各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图； 

转换模块，用于将所述投影模块投影得到的灰度投影直方图扩充为原长度两倍减一的灰度直方图； 

线性插值模块，用于对所述转换模块扩充后的的灰度直方图进行1/2亚像素级线性插值计算； 

偏移量计算模块，计算所述各个图像子块在x和y方向上的最佳偏移量； 

均值方差计算模块，用于根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差；以及 

图像子块筛选模块，用于根据所述均值方差计算模块计算得到的图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选。 

本发明实施例的另一目的在于提供一种视频分析系统，所述视频分析系统包括视频图像的稳像控制系统。 

在本发明实施例中，根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像，克服了现有的稳像算法中图像子块的选择的盲目性，提高了估算的精度。 

附图说明

图1是本发明第一实施例提供的视频图像的稳像控制方法的实现流程图； 

图2是本发明第二实施例提供的视频图像的稳像控制方法的实现流程图； 

图3是本发明实施例提供的确定图像子块中的角点信息的具体实现流程图； 

图4是本发明实施例提供的视频图像的稳像控制系统的结构框图； 

图5是本发明实施例提供的角点信息确认模块的结构框图； 

图6是本发明实施例提供的运动矢量计算模块的结构框图。 

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 

在本发明实施例中，根据对原始监控图像预先划分的图像子块中的角点信 息获取稳定的图像子块；根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像。 

图1示出了本发明第一实施例提供的视频图像的稳像控制方法的实现流程，其具体步骤如下所述： 

在步骤S101中，根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块。 

在本发明实施例中，预先将原始监控图像划分为固定大小的图像子块，其中，图像子块可以允许50％的重叠。图像子块划分完成之后，确定各个图像子块的角点信息，下述有详细的实施描述，在此不再赘述，但不用以限制本发明。 

在本发明实施例中，通过统计每个图像子块中含有的角点数目，将图像块根据角点的多少，从多到少进行排序，选择排列在前12位的图像子块作为获取的稳定的图像子块，在此仅为本发明的一个具体实施例，不用以限制本发明。 

在步骤S102中，根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量。 

在本发明实施例中，对划分的各个图像子块进行直方图计算、插值等运算，得到各个图像子块在x和y方向上的偏移量，进而计算其偏移量的均差和方差，从而确定原始监控图像的视频图像帧相对于背景图像的运动矢量，下有详细的实施描述，在此不再赘述，但不用以限制本发明。 

在步骤S103中，根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像。 

在本发明实施例中，根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像。 

在步骤S104中，将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像。 

在本发明实施例中，将原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像。 

图2示出了本发明第二实施例提供的视频图像的稳像控制方法的实现流程图，其具体步骤如下所述： 

在步骤S201中，预先对原始监控图像进行图像子块的划分。 

在本发明实施例中，预先将原始监控图像划分为固定大小的图像子块，其中，图像子块可以允许50％的重叠。 

在步骤S202中，确定所述图像子块中的角点信息。 

在本发明实施例中，该确定的角点的信息为角点的数目，并对图像子块按照角点的数目进行排序，下述有具体的实施例描述，在此不再赘述，但是不用以限制本发明。 

在步骤S203中，根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块。 

在本发明实施例中，通过统计每个图像子块中含有的角点数目，将图像块根据角点的多少，从多到少进行排序，选择排列在前12位的图像子块作为获取的稳定的图像子块，在此仅为本发明的一个具体实施例，不用以限制本发明。 

在步骤S204中，将选取的各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图。 

在本发明实施例中，各个图像子块的灰度投影直方图的方式可以通过下属计算式得到： 

${\mathrm{PX}}_i\left(x\right)=\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{I}_i(x,y)/N,$ ${\mathrm{PY}}_i\left(y\right)=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}{I}_i(x,y)/M,$ 其中，x＝m，m+1，...，n+M-1，y＝1，2，...，N，i＝1，2，...；M＝64，N＝64。 

在该实施例中，其中，PX_i(x)为第i帧图像第x行的灰度投影值，PY_i(y)为 第i帧图像第y列的灰度投影值，I_i(x，y)表示第i帧(x，y)像素点的灰度值。 

在步骤S205中，将所述灰度投影直方图扩充为原长度两倍减一的灰度直方图。 

在本发明实施例中，将所述灰度投影直方图扩充为原长度两倍减一的灰度直方图的具体实现为： 

PX(2x-1)＝PX(x)，PY(2y-1)＝PY(y)，其中，x＝1，2，...，M，y＝1，2，...，N。 

在步骤S206中，对扩充后的灰度直方图进行1/2亚像素级线性插值计算。 

在本发明实施例中，对扩充后的灰度直方图进行1/2亚像素级线性插值计算的具体实现为： 

$\mathrm{PX}(x+1)=(1-\frac{1}{2})\mathrm{PX}\left(x\right)+\frac{1}{2}\mathrm{PX}(x+2),$ $\mathrm{PY}(y+1)=(1-\frac{1}{2})\mathrm{PY}\left(y\right)+\frac{1}{2}\mathrm{PY}(y+2),$ 其中，x＝1，2，...，2M-1，y＝1，2，...，2N-1。 

在步骤S207中，计算所述各个图像子块在x和y方向上的偏移量。 

在本发明实施例中，通过SAD匹配建立当前投影数据{PX_c(x)，PY_c(y)}与背景投影数据{PX_r(x)，PY_r(y)}的一一对应关系，进而求得各块x和y方向的最佳偏移量： 

$\mathrm{dx}=\arg \left(\min \left(\underset{-\mathrm{offset}\≤p\≤\mathrm{offset}}{\underset{x=\mathrm{offset}}{\overset{2M-\mathrm{offset}-1}{\mathrm{\Σ}}}\left|\right|{\mathrm{PX}}_r\left(x\right)-{\mathrm{PX}}_c(x+p)\left|\right|}\right)\right)/2;$

$\mathrm{dy}=\arg \left(\min \left(\underset{-\mathrm{offset}\≤q\≤\mathrm{offset}}{\underset{y=\mathrm{offset}}{\overset{2N-\mathrm{offset}-1}{\mathrm{\Σ}}}\left|\right|{\mathrm{PY}}_r\left(y\right)-{\mathrm{PY}}_c(y+q)\left|\right|}\right)\right)/2.$

在步骤S208中，根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差。 

在本发明实施例中，偏移量的均值计算通过将各图像子块偏移量球平均的方式实现，而方差的计算是通过各图详细快偏移量与偏移量的均差的绝对误差和的平均得到，其具体的计算为： 

$\mathrm{mean}\_x=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{dx}\left[i\right];$ $\mathrm{mean}\_y=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{dy}\left[i\right];$

$\mathrm{delta}\_x=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\left|\mathrm{dx}\right[i]-\mathrm{mean}\_x|;$ $\mathrm{delta}\_y=\frac{1}{L}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\left|\mathrm{dy}\right[i]-\mathrm{mean}\_y|;$

其中，mean_x，mean_y表示各块偏移量水平和垂直方向的均值，而dx[i]，dy[i]表示第i块水平方向和垂直方向的偏移量，delta_x，delta_y表示各块偏移量水平和垂直方向的方差，L表示图像子块的数量。 

在步骤S209中，根据图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选。 

在本发明实施例中，根据各图像子块的偏移量和偏移量的均差、方差的关系，将分布在±3×delta_x或±3×delta_y的图像子块剔除掉，得到有用的图像子块，上述仅为本发明的一个具体实施例，在此不用以限制本发明。 

在步骤S210中，根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像。 

在本发明实施例中，根据步骤S209中得到的有用的图像子块对原始监控图像进行矫正，其具体的实现为： 

采用6参数放射方程： $\left\{\begin{array}{c}{x}_1=a+{\mathrm{bx}}_0+{\mathrm{cy}}_0\\ y_1=d+{\mathrm{ex}}_0+{\mathrm{fy}}_0\end{array}\right.,$ 6个参数a，b，c，d，e，f的值通过下述计算式得到： 

X＝(W^TW)^-1W^TP， 

其中， $P=\left[\begin{array}{c}{x}_1^{\left(1\right)}\\ y_1^{\left(1\right)}\\ x_1^{\left(2\right)}\\ y_1^{\left(2\right)}\\ ......\end{array}\right],$ $W=\left[\begin{array}{cccccc}1& x_0^{\left(1\right)}& y_0^{\left(1\right)}& 0& 0& 0\\ 0& 0& 0& 1& x_0^{\left(1\right)}& y_0^{\left(1\right)}\\ 1& x_0^{\left(2\right)}& y_0^{\left(2\right)}& 0& 0& 0\\ 0& 0& 0& 1& x_0^{\left(2\right)}& y_0^{\left(2\right)}\\ ...& ...& ...& ...& ...& ...\end{array}\right],$

表示第i块原始监控图像的坐标(矫正前的坐标)， 

表示第i块矫正图像的坐标，  $x_1^{\left(i\right)}=x_0^{\left(i\right)}-\mathrm{dx},$ $y_1^{\left(i\right)}=y_0^{\left(i\right)}-\mathrm{dy};$

其最后的参数 $X=\left[\begin{array}{c}a\\ b\\ c\\ d\\ e\\ f\end{array}\right];$ 参数求出后，便可以根据以后各帧各块的坐标得到各块调整后的坐标，得到矫正图像I′(x，y)，达到矫正图像的目的，上述仅为本发明的一个具体实施例，在此不用以限制本发明。 

在步骤S211中，将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像。 

在本发明实施例中，上述背景图像可以作为背景参考图像，将原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像，其具体为： 

将原始监控图像与背景图像进行SAD匹配： 

sad＝∑∑|I(x，y)-B(x，y)|； 

将矫正图像与背景图像进行SAD匹配： 

sad′＝∑∑|I′(x，y)-B(x，y)|。 

上述仅为本发明的一个实施例，在此不用以限制本发明。 

作为本发明的另一个实施例，图3示出了本发明实施例提供的确定图像子块中的角点信息的具体实现流程，其详细的步骤如下所述： 

在步骤S301中，计算图像子块当前帧灰度图像的梯度图像。 

在本发明实施例中，对当前帧灰度图像求取梯度图像，卷积算子选择高斯差分算子，为了提高运算效率，对算子的权重值做了稍微的调整，使得卷积过程中的乘除运算都能够通过移位操作来实现，相应的高斯微分算子为  $\frac{1}{32}\left[\begin{array}{ccc}4& 8& 4\\ 0& 0& 0\\ -4& -8& -4\end{array}\right]$ 和 $\frac{1}{32}\left[\begin{array}{ccc}4& 0& -4\\ 8& 0& -8\\ 4& 0& -4\end{array}\right]$ 分别用于得到水平方向的梯度I_x(x，y)和垂直方 向的梯度I_x(x，y)。 

在步骤S302中，根据所述计算得到的梯度图像，获取G矩阵。 

在本发明实施例中，上述G矩阵为： 

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度， 

表示在窗口W内进行累加。 

在步骤S303中，根据所述G矩阵的特征值，判断当前点是否为角点。 

在本发明实施例中，通过求解G矩阵的两个特征值来判断，当G矩阵的两个特征值都较大时我们判断该点为角点。一种快速有效的办法是判断G矩阵中较小的一个特征值的大小，如果较小的特征值已经比较大，说明两个特征值都较大，则该点为角点。 

在本发明实施例中，最小角点可以通过下述计算式得到： 

$\min ({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=(g_x^2+g_y^2-\sqrt{{(g_x^2-g_y^2)}^2+{4g}_{\mathrm{xy}}^2})/2;$

因此，根据判决公式min(λ₁，λ₂)＞Δ_th，便可判断哪些点为角点。本发明中，Δ_th取为1.0，在此仅为本发明的一个实施例，但不用以限制本发明。 

图4示出了本发明实施例提供的视频图像的稳像控制系统的结构框图，为了便于说明，图中仅给出了与本发明实施例相关的部分，其中，视频图像的稳像控制系统可以内置于视频分析系统的软件单元、硬件单元或软硬件结合单元。 

图像子块划分模块11预先对原始监控图像进行图像子块的划分；角点信息确认模块12确定图像子块中的角点信息，第一获取模块13根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；运动矢量计算模块14根据所述第一获取模块13获取的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；根据运动矢量计算模块14计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，矫正模块15对原始监控图像 进行矫正，得到矫正图像；匹配模块16将所述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像。 

作为本发明的一个实施例，如图5所示，梯度图像计算模块121计算图像子块当前帧灰度图像的梯度图像；G矩阵获取模块122根据所述梯度图像计算模块121计算得到的梯度图像，获取G矩阵，所述G矩阵为： 

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度， 

表示在窗口W内进行累加；判断模块123根据所述G矩阵获取模块122获取到的G矩阵的特征值，判断当前点是否为角点。 

作为本发明的另一个实施例，如图6所示，投影模块141将各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图；转换模块142将所述投影模块141投影得到的灰度投影直方图扩充为原长度两倍减一的灰度直方图；线性插值模块143对所述转换模块142扩充后的灰度直方图进行1/2亚像素级线性插值计算；偏移量计算模块144计算所述各个图像子块在x和y方向上的偏移量；均值方差计算模块145根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差；图像子块筛选模块146根据所述均值方差计算模块145计算得到的图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选，上述仅为本发明的一个具体实施例，其具体的实施，在上述方法实施例中有详细描述，在此不再赘述，但不用以限制本发明。 

在本发明实施例中，根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；将所 述原始监控图像、矫正图像分别与背景图像做匹配，获取进行背景建模的图像，克服了现有的稳像算法中图像子块的选择的盲目性，排除了运动背景对检测造成的干扰，提高了估算的精度。 

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。 

Claims (3)

1.一种视频图像的稳像控制方法，其特征在于，所述方法包括下述步骤：

预先对原始监控图像进行图像子块的划分；

确定所述图像子块中的角点信息；

根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；

根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；

根据计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；

将所述原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像，其具体为：

将原始监控图像与背景图像进行SAD匹配：

sad＝∑∑|I(x，y)-B(x，y)|，所述I(x，y)为原始监控图像(x，y)像素点的灰度值，所述B(x，y)为背景图像(x，y)像素点的灰度值；

将矫正图像与背景图像进行SAD匹配：

sad′＝∑∑|I′(x，y)-B(x，y)|，所述I′(x，y)为矫正图像(x，y)像素点的灰度值；

所述确定所述图像子块中的角点信息的具体步骤为：

计算图像子块当前帧灰度图像的梯度图像；

根据所述计算得到的梯度图像，获取G矩阵，所述G矩阵为：

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度，

表示在窗口W内进行累加；

根据所述G矩阵的特征值，判断当前点是否为角点；

所述根据选择的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量的步骤具体包括下述步骤：

将各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图；

将所述灰度投影直方图扩充为原长度两倍减一的灰度直方图；

对扩充后的灰度直方图进行1/2亚像素级线性插值计算；

计算所述各个图像子块在x和y方向上的最佳偏移量；

根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差；

根据所述图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选。

2.一种视频图像的稳像控制系统，其特征在于，所述系统包括：

图像子块划分模块，用于预先对原始监控图像进行图像子块的划分；

角点信息确认模块，用于确定所述图像子块中的角点信息；

第一获取模块，用于根据对原始监控图像预先划分的图像子块中的角点信息获取稳定的图像子块；

运动矢量计算模块，用于根据所述第一获取模块获取的所述图像子块计算原始监控图像的视频图像帧相对于背景图像的运动矢量；

矫正模块，用于根据所述运动矢量计算模块计算得到的原始监控图像的视频图像帧相对于背景图像的运动矢量，对原始监控图像进行矫正，得到矫正图像；以及

匹配模块，用于将所述原始监控图像、矫正图像分别与背景图像做匹配，若矫正图像与背景图像的SAD值大于原始监控图像与背景图像的SAD值，则选取矫正图像作为背景建模的图像；反之则选取原始监控图像作为背景建模的图像，其具体为：

将原始监控图像与背景图像进行SAD匹配：

sad＝∑∑|I(x，y)-B(x，y)|，所述I(x，y)为原始监控图像(x，y)像素点的灰度值，所述B(x，y)为背景图像(x，y)像素点的灰度值；

将矫正图像与背景图像进行SAD匹配：

sad′＝∑∑|I′(x，y)-B(x，y)|，所述I′(x，y)为矫正图像(x，y)像素点的灰度值；

所述角点信息确认模块具体包括：

梯度图像计算模块，用于计算图像子块当前帧灰度图像的梯度图像；

G矩阵获取模块，用于根据所述梯度图像计算模块计算得到的梯度图像，获取G矩阵，所述G矩阵为：

$G(x,y)=\left[\begin{array}{cc}{g}_x^2(x,y)& g_{\mathrm{xy}}^2(x,y)\\ g_{\mathrm{xy}}^2(x,y)& g_y^2(x,y)\end{array}\right],$ 其中， $g_x^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_x(x,y),$ $g_{\mathrm{xy}}^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_x(x,y)*I_y(x,y),$ $g_y^2(x,y)=\underset{(x,y)\∈W}{\mathrm{\Σ}}{I}_y(x,y)*I_y(x,y),$ x和y表示点的横纵坐标，I_x为x方向的梯度，I_y为y方向的梯度，

表示在窗口W内进行累加；以及

判断模块，用于根据所述G矩阵获取模块获取到的G矩阵的特征值，判断当前点是否为角点；

所述运动矢量计算模块具体包括：

投影模块，用于将各个图像子块对应的当前灰度图像信息和参考灰度图像信息分别在x和y方向上进行投影，得到所述各个图像子块的灰度投影直方图；

转换模块，用于将所述投影模块投影得到的灰度投影直方图扩充为原长度两倍减一的灰度直方图；

线性插值模块，用于对所述转换模块扩充后的的灰度直方图进行1/2亚像素级线性插值计算；

偏移量计算模块，计算所述各个图像子块在x和y方向上的最佳偏移量；

均值方差计算模块，用于根据所述各个图像子块的偏移量计算图像子块的偏移量的均值和方差；以及

图像子块筛选模块，用于根据所述均值方差计算模块计算得到的图像子块的偏移量和图像子块偏移量均值方差的关系，对图像子块的偏移量进行筛选。

3.一种视频分析系统，其特征在于，所述视频分析系统包括权利要求2所述的视频图像的稳像控制系统。

Images