CN102592125A - 基于标准差特征的运动目标检测方法 - Google Patents

Abstract

本发明涉及视频图像处理技术领域，具体是涉及复杂动态场景下的运动目标检测方法。本发明的基于标准差特征的运动目标检测方法，具体是将图像分为若干个小的图像块，使用每个图像块中的标准差特征来表示每一个小图像块；使用在线自适应的高斯混合模型来构造每一个图像块的背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果。本发明通过在分类器层面将基于纹理模式和运动模式的背景模型进行融合，这种融合不仅考虑了图像中的纹理信息，同时也考虑了视频序列中的运动信息，有效的克服了如晃动的树叶、水波等复杂背景的影响。本发明应用于复杂动态场景下的运动目标检测。

Description

基于标准差特征的运动目标检测方法

技术领域

本发明涉及视频图像处理技术领域，具体是涉及复杂动态场景下的运动目标检测方法。

背景技术

运动检测是运动跟踪技术的基础，是计算机视觉领域中的一个典型问题，其目的是从序列图像中将感兴趣的运动区域从背景图像中提取出来。在监控系统中，运动检测最基本的要求是检测出图像中有无运动物体，较高的要求是检测出运动物体的方向和位置。运动区域的有效分割对于目标分类、跟踪和行为理解等后期处理是非常重要的，因为后期处理过程仅仅考虑图像中运动区域对应的像素。然而，由于背景图像及环境的动态变化，如天气、光照、影子及混乱干扰等的影响，使得可靠的运动检测变得相当困难。

目前最常用的运动检测方法包括：光流法，帧间差分法，背景差分法等。其中光流法计算复杂、耗时、对噪声敏感，只适用于运动向量分析、数字水印等对实时性要求不高的应用。对于帧间差分法，只要对帧间隔进行合适的设置，对于运动物体一般都可以检测到，但检测的结果不完整，不能提取出对象的完整区域，只能提取出轮廓；同时依赖于选择的帧间时间间隔。对于基于背景差分的运动物体检测算法，一般可以检测到完整的运动物体，但检测得到的冗余信息太多。以上两种方法都对外部环境变化如树叶晃动、光照变化等比较敏感，其主要原因是缺少比较有效的噪声消除算法和背景更新算法。

背景差分算法的基本思想是通过对视频帧的学习建立高斯混合背景模型，将新输入的视频图像与高斯混合背景模型进行比较，当差值大于某个阈值的时候，判断该像素为前景，否则为背景，从而完成运动目标的检测。常用的是平均值法和基于像素值统计信息的算法来构建背景。平均值法由于物体运动和光线变化不能得到准确的背景且对于环境变化不能自适应调节；基于像素灰度归类算法的基本原理是以像素出现概率最大的一种灰度作为背景灰度值，这种算法计算量大而且同样缺乏对环境变化的自动调节能力。

综上所述，上述算法对于复杂的动态场景，如随风摆动的树叶、波浪、阴影、光照变化、摄影机抖动、云、烟、雨、雾等，检测结果易受环境影响而使误差大。

发明内容

本发明所要解决的技术问题是，提供一种基于标准差特征的运动目标检测方法，通过使用标准差特征来提取动态场景中像素之间的共生关系，可有效克服如晃动的树叶、水波等复杂背景的影响。

为解决上述技术问题，本发明所采用的技术方案是：一种基于标准差特征的运动目标检测方法，将图像分为若干个小的图像块，使用每个图像块中的标准差特征来表示每一个小图像块；使用在线自适应的高斯混合模型来构造每一个图像块的背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果。

进一步的，所述每个图像块中的标准差特征是指：

令R表示一个N×N的图像块，对于该图像块的某个像素p(x，y)，I(p)表示该像素p(x，y)的灰度值，则图像块R的标准差特征σ表示为：

$\mathrm{\σ}=\sqrt{\frac{1}{N\×N}{\mathrm{\Σ}}_{p\∈R}{(I\left(p\right)-\mathrm{\μ})}^2},$

其中

μ表示图像块R中所有像素的灰度值的均值。

进一步的，使用高斯混合模型来对标准差特征进行建模，具体是：将高斯混合模型划分为n个高斯组件，对于图像中某个位置i上的图像块，其在t时刻，标准差特征取值为x_i，t的概率是：

$\mathrm{Pr}\left(x_{i,t}\right)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_{j,t}^i\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i),$

其中，

表示在时刻t图像块i的高斯混合模型中第j个高斯组件的权重，

和

分别表示在时刻t图像块i的第j个高斯组件的均值和标准差，η表示高斯函数，具体是：

$\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{1/2}{\left|{\mathrm{\Σ}}_{j,t}^i\right|}^{1/2}}\×\exp \{-0.5*{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T{\left({\mathrm{\Σ}}_{j,t}^i\right)}^{-1}(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)\}.$

进一步的，为了自适应地学习场景的变化，对使用高斯混合模型构造的每一个图像块的背景模型进行不断更新，具体是：

a)首先将高斯混合模型中的n个高斯组件按照从大到小进行排序，然后用图像块的当前标准差特征值x_i，t依次与其对应的高斯混合模型中的n个高斯组件进行比较，如果满足：

x_i，t与第j个高斯组件的均值

之间的差值小于2.5倍的该高斯组件的标准差

则认为x_i，t同该高斯组件相匹配，则执行步骤b)，否则执行步骤c)；

b)x_i，t与图像块i对应的高斯混合模型中n个高斯组件中的某个高斯组件相匹配，对高斯组件的均值和方差进行如下更新：

${\mathrm{\μ}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\μ}}_{j,t}^i+{\mathrm{\αx}}_{i,t},$

${\left({\mathrm{\Σ}}_{j,t+1}^i\right)}^2=(1-\mathrm{\α}){\left({\mathrm{\Σ}}_{j,t}^i\right)}^2+\mathrm{\α}{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T(x_{i,t}-{\mathrm{\μ}}_{j,t}^i),$

其中，α是学习率，0＜α＜1，用来定义背景模型更新的学习率；

c)x_i，t与图像块i对应的高斯混合模型中的n个高斯组件都不匹配，则删除图像块i对应的高斯混合模型中的n个高斯组件按照

从大到小排序的最后的那个高斯组件，并增加一新的高斯组件，将所述新的高斯组件的均值设置为x_i，t，并给该新的高斯组件一个数值较小的初始化方差和权重，并对高斯组件的权重进行归一化处理，使得

d)对上述步骤中的高斯组件的权重参数进行如下更新：

${\mathrm{\ω}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\ω}}_{j,t}^i+\mathrm{\α}{M}_{j,t}^i,$

其中，当x_i，t与图像块i对应的高斯混合模型中的第j个高斯组件匹配时，

的值为1，否则为0。

优选的，用来定义背景模型更新的学习率α的值具体是0.01。

进一步的，采用所述背景模型进行目标检测，得到检测结果，具体是：

将高斯混合模型中的n个高斯组件按照每个高斯组件的权重与其标准差之比从大到小进行排序，前B_i个高斯组件作为描述背景的分布，则为背景高斯组件，所述B_i根据如下公式确定：

$B_i={\arg \min }_b({\mathrm{\Σ}}_{j=1}^b{\mathrm{\ω}}_{j,t+1}^i\≥T),$

其中，T为设定阈值，0＜T＜1，度量背景高斯组件在像素的整个概率分布中所占的最小比重；如果x_i，t同这些背景高斯组件中的任何一个相匹配，则x_i，t为背景图像块，否则x_i，t为前景图像块。

优选的，设定阈值T的值具体是0.7。

本发明采用了上述方法，与现有技术相比，具有以下优点：

1.标准差特征主要描述了图像块中像素之间的共生关系，由于相邻的像素之间，容易共同受到环境因素的影响，比如说动态背景和光照变化，所提出的标准差特征，能在一定程度上描述相邻像素之间的共生关系，本发明采用标准差特征来描述每一个小图像块，该标准差显式地考虑了相邻像素之间的共生关系，例如，某个图像块的中心像素，由于受到动态场景的影响(比如：风吹树叶)，在下一帧中，这个中心像素将会被移动到相邻像素的位置，这时中心像素的灰度值将会发生变化；如果使用标准差特征来对表示这个图像块的话，在这种情况下，该图像块的标准差特征将会保持不变；因此采用标准差特征来提取动态场景中像素之间的共生关系，可有效克服如晃动的树叶、水波等复杂背景的影响；

2.通过标准差特征的计算公式，图像块中的噪声可以被平滑掉，可取得更好的检测结果；

3.标准差特征对灰度尺度的变化具有不变性，例如当整个图像块的灰度都增加或减少相同的数值时，标准差特征仍然保持不变，这在处理动态场景中的光照变化时具有显著的优点；

4.标准差特征将N×N图像块表示为一维特征，可以大大地降低后续背景建模算法的计算时间。

具体实施方式

现结合具体实施方式对本发明进一步说明。

一种基于标准差特征的运动目标检测方法，具体实施细节如下：

1)将图像分为若干个小的图像块，使用每个图像块中的标准差特征来表示每一个小图像块，其中所述每个图像块中的标准差特征是指：

令R表示一个N×N的图像块，对于该图像块的某个像素p(x，y)，I(p)表示该像素p(x，y)的灰度值，则图像块R的标准差特征σ表示为：

$\mathrm{\σ}=\sqrt{\frac{1}{N\×N}{\mathrm{\Σ}}_{p\∈R}{(I\left(p\right)-\mathrm{\μ})}^2},$

其中

μ表示图像块R中所有像素的灰度值的均值。

2)使用在线自适应的高斯混合模型来构造每一个图像块的背景模型：

将高斯混合模型划分为n个高斯组件，对于图像中某个位置i上的图像块，其在t时刻，标准差特征取值为x_i，t的概率是：

$\mathrm{Pr}\left(x_{i,t}\right)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_{j,t}^i\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i),$

其中，表示在时刻t图像块i的高斯混合模型中第j个高斯组件的权重，

和

分别表示在时刻t图像块i的第j个高斯组件的均值和标准差，η表示高斯函数，具体是：

$\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{1/2}{\left|{\mathrm{\Σ}}_{j,t}^i\right|}^{1/2}}\×\exp \{-0.5*{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T{\left({\mathrm{\Σ}}_{j,t}^i\right)}^{-1}(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)\}.$

3)为了自适应地学习场景的变化，对使用高斯混合模型构造的每一个图像块的背景模型进行不断更新，具体是：

a)首先将高斯混合模型中的n个高斯组件按照从大到小进行排序，然后用图像块的当前标准差特征值x_i，t依次与其对应的高斯混合模型中的n个高斯组件进行比较，如果满足：

x_i，t与第j个高斯组件的均值

之间的差值小于2.5倍的该高斯组件的标准差

则认为x_i，t同该高斯组件相匹配，则执行步骤b)，否则执行步骤c)；

b)x_i，t与图像块i对应的高斯混合模型中n个高斯组件中的某个高斯组件相匹配，对高斯组件的均值和方差进行如下更新：

${\mathrm{\μ}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\μ}}_{j,t}^i+{\mathrm{\αx}}_{i,t},$

${\left({\mathrm{\Σ}}_{j,t+1}^i\right)}^2=(1-\mathrm{\α}){\left({\mathrm{\Σ}}_{j,t}^i\right)}^2+\mathrm{\α}{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T(x_{i,t}-{\mathrm{\μ}}_{j,t}^i),$

其中，α是学习率，0＜α＜1，用来定义背景模型更新的学习率，优选的，α的值取0.01时得到最优效果；

c)x_i，t与图像块i对应的高斯混合模型中的n个高斯组件都不匹配，则删除图像块i对应的高斯混合模型中的n个高斯组件按照

从大到小排序的最后的那个高斯组件，并增加一新的高斯组件，将所述新的高斯组件的均值设置为x_i，t，并给该新的高斯组件一个数值较小的初始化方差和权重，并对高斯组件的权重进行归一化处理，使得

d)对上述步骤中的高斯组件的权重参数进行如下更新：

${\mathrm{\ω}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\ω}}_{j,t}^i+\mathrm{\α}{M}_{j,t}^i,$

其中，当x_i，t与图像块i对应的高斯混合模型中的第j个高斯组件匹配时，

的值为1，否则为0。

4)采用上述背景模型进行目标检测，得到检测结果，具体是：

将高斯混合模型中的n个高斯组件按照每个高斯组件的权重与其标准差之比从大到小进行排序，前B_i个高斯组件作为描述背景的分布，则为背景高斯组件，所述B_i根据如下公式确定：

$B_i={\arg \min }_b({\mathrm{\Σ}}_{j=1}^b{\mathrm{\ω}}_{j,t+1}^i\≥T),$

其中，T为设定阈值，0＜T＜1，度量背景高斯组件在像素的整个概率分布中所占的最小比重；如果x_i，t同这些背景高斯组件中的任何一个相匹配，则x_i，t为背景图像块，否则x_i，t为前景图像块。优选的，当设定阈值T的值为0.7时，得到的检测结果误差最小。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (7)

1.一种基于标准差特征的运动目标检测方法，其特征在于：包括以下步骤：将图像分为若干个小的图像块，使用每个图像块中的标准差特征来表示每一个小图像块；使用在线自适应的高斯混合模型来构造每一个图像块的背景模型；对该背景模型进行更新，并采用该背景模型进行目标检测，得到检测结果。

2.根据权利要求1所述的运动目标检测方法，其特征在于：所述每个图像块中的标准差特征是指：

令R表示一个N×N的图像块，对于该图像块的某个像素p(x，y)，I(p)表示该像素p(x，y)的灰度值，则图像块R的标准差特征σ表示为：

$\mathrm{\σ}=\sqrt{\frac{1}{N\×N}{\mathrm{\Σ}}_{p\∈R}{(I\left(p\right)-\mathrm{\μ})}^2},$

其中

μ表示图像块R中所有像素的灰度值的均值。

3.根据权利要求1所述的运动目标检测方法，其特征在于：使用高斯混合模型来对标准差特征进行建模，具体是：将高斯混合模型划分为n个高斯组件，对于图像中某个位置i上的图像块，其在t时刻，标准差特征取值为x_i，t的概率是：

$\mathrm{Pr}\left(x_{i,t}\right)={\mathrm{\Σ}}_{j=1}^n{\mathrm{\ω}}_{j,t}^i\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i),$

其中，

表示在时刻t图像块i的高斯混合模型中第j个高斯组件的权重，和

分别表示在时刻t图像块i的第j个高斯组件的均值和标准差，η表示高斯函数，具体是：

$\mathrm{\η}(x_{i,t};{\mathrm{\μ}}_{j,t}^i,{\mathrm{\Σ}}_{j,t}^i)=\frac{1}{{\left(2\mathrm{\π}\right)}^{1/2}{\left|{\mathrm{\Σ}}_{j,t}^i\right|}^{1/2}}\×\exp \{-0.5*{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T{\left({\mathrm{\Σ}}_{j,t}^i\right)}^{-1}(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)\}.$

4.根据权利要求1所述的运动目标检测方法，其特征在于：对使用高斯混合模型构造的每一个图像块的背景模型不断更新，具体步骤是：

a)首先将高斯混合模型中的n个高斯组件按照

从大到小进行排序，然后用图像块的当前标准差特征值x_i，t依次与其对应的高斯混合模型中的n个高斯组件进行比较，如果满足：

x_i，t与第j个高斯组件的均值

之间的差值小于2.5倍的该高斯组件的标准差

则认为x_i，t同该高斯组件相匹配，则执行步骤b)，否则执行步骤c)；

b)x_i，t与图像块i对应的高斯混合模型中n个高斯组件中的某个高斯组件相匹配，对高斯组件的均值和方差进行如下更新：

${\mathrm{\μ}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\μ}}_{j,t}^i+{\mathrm{\αx}}_{i,t},$

${\left({\mathrm{\Σ}}_{j,t+1}^i\right)}^2=(1-\mathrm{\α}){\left({\mathrm{\Σ}}_{j,t}^i\right)}^2+\mathrm{\α}{(x_{i,t}-{\mathrm{\μ}}_{j,t}^i)}^T(x_{i,t}-{\mathrm{\μ}}_{j,t}^i),$

其中，α是学习率，0＜α＜1，用来定义背景模型更新的学习率；

c)x_i，t与图像块i对应的高斯混合模型中的n个高斯组件都不匹配，则删除图像块i对应的高斯混合模型中的n个高斯组件按照

从大到小排序的最后的那个高斯组件，并增加一新的高斯组件，将所述新的高斯组件的均值设置为x_i，t，并给该新的高斯组件一个数值较小的初始化方差和权重，并对高斯组件的权重进行归一化处理，使得

d)对上述步骤中的高斯组件的权重参数进行如下更新：

${\mathrm{\ω}}_{j,t+1}^i=(1-\mathrm{\α}){\mathrm{\ω}}_{j,t}^i+\mathrm{\α}{M}_{j,t}^i,$

其中，当x_i，t与图像块i对应的高斯混合模型中的第j个高斯组件匹配时，

的值为1，否则为0。

5.根据权利要求4所述的运动目标检测方法，其特征在于：用来定义背景模型更新的学习率α的值具体是0.01。

6.根据权利要求1所述的运动目标检测方法，其特征在于：采用所述背景模型进行目标检测，得到检测结果，具体是：

将高斯混合模型中的n个高斯组件按照每个高斯组件的权重与其标准差之比从大到小进行排序，前B_i个高斯组件作为描述背景的分布，则为背景高斯组件，所述B_i根据如下公式确定：

$B_i={\arg \min }_b({\mathrm{\Σ}}_{j=1}^b{\mathrm{\ω}}_{j,t+1}^i\≥T),$

其中，T为设定阈值，0＜T＜1，度量背景高斯组件在像素的整个概率分布中所占的最小比重；如果x_i，t同这些背景高斯组件中的任何一个相匹配，则x_i，t为背景图像块，否则x_i，t为前景图像块。

7.根据权利要求6所述的运动目标检测方法，其特征在于：设定阈值T的值具体是0.7。