CN102629383A

CN102629383A - 一种基于随机策略的运动目标检测方法

Info

Publication number: CN102629383A
Application number: CN2012100465349A
Authority: CN
Inventors: 王耀南; 胡雄鸽; 周金丽; 黄高攀; 王朝晖; 廖文迪; 王晓明; 龚燕妮
Original assignee: Hunan University
Current assignee: Hunan University
Priority date: 2012-02-28
Filing date: 2012-02-28
Publication date: 2012-08-08
Anticipated expiration: 2032-02-28
Also published as: CN102629383B

Abstract

本发明公开了一种基于随机策略的运动目标检测方法，包括以下步骤：步骤1：利用第一帧视频完成样本序列的初始化。对每一帧视频上每一个像素点分别建立一个样本序列，构成背景模型；步骤2：对当前像素点进行运动点或背景点的判断；步骤3：采用概率均等随机策略，更新当前像素点及其任意8邻域的样本序列；步骤4：重复步骤2和步骤3，完成当前帧其他所有像素点的处理，结束当前帧运动目标的检测；步骤5：将下一帧第一个像素点作为初始处理像素点，重复步骤2、步骤3和步骤4，直至最后一帧处理结束，完成视频序列中运动目标的检测。本发明的运动目标检测方法检测精度高，计算复杂度低，且占用内存小，环境适应性强。

Description

一种基于随机策略的运动目标检测方法

技术领域

本发明主要涉及运动目标检测方法领域。涉及背景建模，背景模型初始化，背景模型更新三个方面；该方法在智能视频监控、智能交通控制、汽车自动驾驶和辅助驾驶等方面具有一定的应用前景。

背景技术

在智能视频监控、智能交通控制等项目中，运动目标检测是其中一项核心技术。如1997年卡梅隆大学、麻省理工学院等院校参与的视觉监控重大项目VSAM(Visual Surveillance And Monitoring)，主要研究用于战场和普通民用环境的自动视频理解技术；1999年马里兰大学开发的W4系统；2004年IBM开发的Smart系统。常见的运动目标检测方法有：(1)帧差分法：利用视频序列中连续两帧或几帧图像间的差异进行运动目标检测，帧差分法计算简单，实时性好，但不能完整提取运动目标信息，无法得到运动目标轮廓，运动目标内部容易产生空洞现象。(2)背景差分法：利用当前视频帧与已有的背景帧作比较，得到的不同部分作为运动目标的信息，最简单的背景建模方法就是将第一帧空场景的图像直接作为背景帧，这种方法不能适应场景的环境变化，容易导致错误的分割。(3)中(均)值滤波法：建立一个视频流滑窗来缓存L帧视频图像，然后把缓存中所有视频帧同位置像素平均值或中值作为背景来该处的值。一种改进的方法就是滑动平均算法(running average)，其核心想法就是引入一个学习率a来体现背景图像对场景变化的响应，a通常取值0.003～0.05，a越小，则前景的变化越不会影响背景；其优点是计算量少，但是不适宜大且速度慢的运动目标，易产生空洞现象。(4)混合高斯法：基本思想是用混合高斯模型描述像素过程，根据混合高斯模型的权值和方差，来决定哪个高斯分布对应背景颜色，不符合背景分布的像素被认为是运动目标；当这个像素满足的分布有充足、连续的证据支持时，再将其纳入到背景中去，它的优点是能够适应环境的变化，但是只能适应背景的缓慢变化并对其更新，当背景发生突然变化时，该方法不能及时更新背景，从而导致检测出现错误。而且该方法编程较为复杂，不易实现。

发明内容

本发明所有解决的技术问题是提供一种基于随机策略进行目标检测的方法，该方法利用了像素点的灰度信息、空间及时间信息，从而能够有效减少计算复杂度及内存消耗，能够有效提高运动目标检测精度，对场景中光照变化、背景变化、运动目标引起场景变化等有较强适应性。

本发明的技术构思在于通过视频序列第一帧完成背景模型的建立及快速初始化，建立特定的运动点与背景点判定准则；在背景模型更新过程中包括对当前像素点及其邻域像素点的样本序列的随机更新。

发明的技术方案如下：

一种基于随机策略的运动目标检测方法，包括以下步骤：

步骤1：为视频中每一帧图像的每一个像素点(a，b)建立一个基于灰度特征的的样本序列{s_i(a，b)|i＝1，.....N}，构建视频图像的背景模型；其中，每一个元素s_i(a，b)用于储存图像灰度值，N为整数；

背景模型为所有像素点的样本序列总和，基于第一帧图像对背景模型进行初始化；从第二帧图像开始，执行以下步骤；

步骤2：对当前像素点为运动点或背景点的判断，x_t(a，b)为像素点(a，b)的灰度值：

(1)将当前像素点x_t(a，b)与其对应的样本序列中的N个元素s_i(a，b)依次比较，若两者差值的绝对值小于灰度值阈值T_v，则令Γ_i(a，b，t)为1，否则为0；Γ_i(a，b，t)为x_t(a，b)与s_i(a，b)差值的绝对值与T_v的相比较的判断结果值；

(2)求若

大于或等于设定的阈值T_n，则当前像素点判断为背景点，否则为运动点；

(3)若判断为运动点，则将其显示，再进行下一个像素点的检测，即将下一个像素点置为当前像素点，返回步骤2，若判断为背景点，则转至步骤3；

步骤3：背景模型的更新：

(1)随机更新当前像素点的样本序列中的某一元素的存储值：从当前像素点的样本序列中的随机选择一个元素，用当前像素点的灰度值替换其所选元素存储的灰度值；

随机更新当前像素点的背景模型，即使当前像素点对应样本序列中得到当前帧上该像素点的灰度值，保证当前像素点的背景模型在连续两帧上进行实时更新，提高判断像素点是运动点或是背景点的准确度；

(2)随机选择当前像素点的一个邻域点，从选中的邻域点的样本序列中随机选择一个元素，用当前像素点的灰度值替换其所选元素的灰度值，随机更新当前像素点的1个邻域点的背景模型；

进一步提高判断像素点是运动点或是背景点的准确度；

进行两次操作保证当前像素点的样本序列及其领域点所对应的样本序列包含了当前帧当前像素点的灰度值，使得当前像素点和其8邻域点的样本序列的信息实时、完整，确保运动点和背景点的判断准确；

步骤4：对当前帧的下一个像素点重复步骤2与步骤3，直到当前帧的所有像素点处理完毕；完成视频序列中当前帧图像的运动目标检测，输出当前帧图像对应的运动目标检测图；

步骤5：将下一帧的第一个像素点作为当前像素点，重复步骤2、步骤3和步骤4，直到最后一帧处理完毕，完成视频序列运动目标的检测。

步骤1中所述的样本序列，若为第一帧时，其样本序列的取值范围为当前像素点的灰度值和其8邻域的对应灰度值，即x_t＝1(a+1，b)，x_t＝1(a-1，b)，x_t＝1(a，b+1)，x_t＝1(a，b-1)，x_t＝1(a+1，b+1)，x_t＝1(a+1，b-1)，x_t＝1(a-1，b+1)，x_t＝1(a-1，b-1)，和x_t＝1(a，b)，若不是第一帧的像素点，则样本序列的取值范围为：当前像素点及其8邻域像素点在前一帧的灰度值，即x_t＝t-1(a+1，b)，x_t＝t-1(a-1，b)，x_t＝t-1(a，b+1)，x_t＝t-1(a，b-1)，x_t＝t-1(a+1，b+1)，x_t＝t-1(a+1，b-1)，x_t＝t-1(a-1，b+1)，x_t＝t-1(a-1，b-1)，和x_t＝t-1(a，b)，两种情况中样本序列的每一个元素取值概率均为1/9。

步骤2中所述灰度阈值T_v取值范围为15～45，次数T_n取值为2。

步骤3中所述背景模型的两次更新操作均为随机更新，预先设定随机取值参数T_s，并从【0，T_s】中任意选取两个整数T_s1和T_s2；

每一次更新前，从【0，T_s】中随机取一个值T′_s，若T′_s与T_s1和T_s2任意一个值相同，则执行本次更新操作，否则不进行更新操作；T_s与T′_s均为整数。

具体为：设定随机取值参数T_s，从【0，T_s】中任意选取两个整数T_s1和T_s2：从【0，T_s】中随机选择一个数T′_s，若T′_s与T_s1或T_s2相同，则随机更新当前像素点的样本序列中的某一元素的存储值；

再次从【0，T_s】中随机选择一个数T′_s，若T′_s与T_s1或T_s2相同，则随机更新当前像素点的某一个邻域点的样本序列中的某一元素的存储值：

步骤3中随机取值参数T_s取值为10，对T′_s的判断以减缓背景模型的更新速度，当前像素点背景模型的更新概率由原来的1/N变为2/(N×(T_s+1))，而当前像素点的8邻域点的背景模型的更新概率由原来的1/8N变为2/(8N×(T_s+1))。

更新概率的减小，表明在没有增加内存消耗的前提下减缓了样本序列更新速度。

有益效果

本发明采用随机策略进行背景模型的初始化和背景模型的更新，能够较好抑制阴影、幻影、空洞等现象的发生，能够适应环境的变化，编程较易实现。

相比于已有技术，本发明的优点在于：

(1)编程实现相对容易，计算复杂度低，内存消耗量低，运算速度快。因为本发明没有使用复杂的公式与定理，只是使用简单的判断、循环、随机取值与赋值，所以使得本发明较容易应用于实际项目。

(2)通常情况下运动目标检测主要存在以下难点：①现实情况中，由于光照条件的影响，不可避免的存在阴影的现象，而阴影与真正运动目标实体之间的区分是一个的难题。②运动目标进入场景后，经过一段时间停止运动后，应该逐渐转变为背景。③运动目标从静止变为运动时，或者以较低速度前行时，要避免出现幻影现象，也就是运动目标离开之处应当迅速融入背景。④要能够适应场景中诸如光照条件逐渐变化，随风飘动的树叶等情况变化。

本发明能有效克服上述难点，从而能有效提高运动目标检测效果：

①因为阴影区域像素点与周围背景像素点灰度值差异相对较小；在更新过程中，阴影区域周边的背景像素点灰度值快速融入阴影点的样本点序列，根据发明内容步骤2中的(1)对当前像素点的判断准则，阴影点被判定为背景点的概率变大，在被判定为背景点后，这个阴影像素点灰度值又不断进入它周围的阴影像素点样本点序列，通过不断的扩散，最终阴影区域将快速融入背景。而运动目标实体边界像素点与周围背景点的灰度值相差较大，即使周围背景像素点灰度值扩散运动点样本序列，但是根据发明内容步骤2中的(1)对当前像素点的判断准则，由于与背景点灰度值差异大，仍然会被判定为运动点，这样使得真正运动目标区域的像素点的样本点序列并未被背景点所侵蚀，相当于起了一层保护膜的作用。通过这种机制，能够对阴影区域进行有效抑制。

②运动目标如果在一段时间内的保持静止状态，应该被处理为背景，而不再是运动点。在本方法中由于运动目标边界区域像素点的样本点序列不断被背景点的灰度值侵蚀，当停留时间较长时，存在运动目标边界像素点被判定为背景点的可能性，加上运动目标区域内部不可避免的出现噪声点，这些噪声点灰度值也会扩散到运动点的样本点序列，根据前述的判断准则，这些位置的运动点可能会被判定为背景点；这些被判定为背景点的像素点，不断向周围进行扩散侵蚀，长时间停留的运动目标区域可以被完全侵蚀成为背景。

③当运动目标离开后，原来所停留的区域由于灰度值与周围背景点的灰度值近似，整个区域都被背景点所环绕，所以背景点对所留下的幻影区域能够进行快速的侵蚀，使得整个区域迅速变为背景；对于低速运动的目标，通过采用本发明提出的方法，能够达到抑制幻影的效果。

④对于场景中的光照条件变化、树叶的摇摆等情况，处理过程与阴影、幻影的处理过程类似，也是通过周围背景点灰度值扩散到运动点的样本序列，从而达到抑制场景变化对运动目标检测所带来不利影响的效果。

附图说明

图1是本发明运动目标检测流程图

图2是背景模型初始化情况对比(图a为原始视频第2帧，图b为采用滑动平均处理的第2帧初始化效果，图c为采用混合高斯处理的第2帧初始化效果，以及图d为采用本发明处理的第2帧初始化效果)

图3是幻影的校正情况对比(图a为原始视频第1601帧，图b为原始视频第1890帧，图c为原始视频第2006帧，图d为滑动平均处理第1601帧效果，图e为滑动平均处理第1890帧效果，图f为滑动平均处理第2006帧效果，图i为混合高斯处理第1601帧效果，图j为混合高斯处理第1890帧效果，图k为混合高斯第2006帧效果，图1为本发明处理第1601帧效果，图m为本发明处理第1890帧效果，图n为本发明处理第2006帧效果)

图4是检测精度情况对比(图a原始视频第941帧，图b为采用滑动平均处理的第941帧效果，图c为采用混合高斯处理的第941帧效果以及图d为采用本发明处理的第941帧效果)

具体实施方式

为了验证本方法的有效性，实验中选择经典的滑动平均法、混合高斯法与本发明进行对比，为突出效果，整个实验过程中并没有进行诸如滤波、膨胀、腐蚀等辅助性操作。所采取的视频为ICVS-PETS2002室外视频序列，大小为384×288，所用电脑CPU为Intel的P7350，处理速度2GHz，内存2G，编程环境为VC++6.0结合OpenCV。混合高斯法所采用的是KaewTraKulPong P，Bowden R在所提出的改进的混合高斯算法。滑动平均法选用的阈值为25，学习率a为0.003，改进的混合高斯模型参数设置为高斯模型个数为5，初始权值为0.05，初始方差为30，背景阈值设置为0.7。实验结果的对比主要集中在三个方面，一是初始化情况，二是幻影校正情况，三是检测精度情况。以下结合附图作进一步的详细说明。

图1为本发明的运动目标检测方法对应的流程图。

(1)参数初始化。设置灰度值阈值T_v为25，设置次数阈值T_n为2，设置背景模型更新第一次随机取值参数T_s为10，每个像素点的样本序列中元素个数N为20。

(2)将当前视频帧的第一个像素点灰度值与其样本序列中N个元素灰度值进行比较，判断比较差值的绝对值小于T_v的次数是否大于次数阈值T_n，如果是，则判定当前像素点为背景点，否则判定当前像素点为运动点。

(3)如果当前像素点被判定为背景点，则进行模型更新的过程：

①根据随机取值参数T_s，进行第一次随机取值，取值范围为【0，T_s】。

②当第一次随机取值结果为0或1时，则对当前像素点的样本序列中的任意元素进行随机更新。

③根据随机取值参数T_s，进行第二次随机取值，取值范围为【0，T_s】。

④当第二次随机取值结果为0或1时，从当前像素点的8邻域点中随机选取一个，在确定邻域像素点之后，从该像素点的样本序列中随机选择一个元素，用当前像素点灰度值替换所选元素的灰度值。

(4)对当前视频帧的下一个像素点进行判定与背景模型的更新，按照步骤(2)和步骤(3)进行循环处理，直到当前帧的所有像素点处理完毕。

(5)将下一帧的第一个像素点作为当前像素点，重复步骤2、步骤3和步骤4，直到最后一帧处理完毕，完成视频序列运动目标的检测。

从图2中可看出，第二帧结束后，滑动平均法并未完成背景模型的初始化，如图2b所示，改进的混合高斯法背景能够完成初始化，但检测结果中有较明显的白色噪声点，如图2c所示。本发明在对第二帧进行检测时，只有零星的孤立点，没有成片的斑点，初始化效果改善明显，如图2d所示。

在图3中，原始视频从第1601帧开始，图(a)右下角小车开始倒车(以矩形框标注)，图(b)即第1890帧表示该小车倒车结束，并短暂停留一段时间，图(c)即2006帧表示该小车已经停留足够长的时间，即将有行人从右下角进入视频场景。从图(e)可看出，在滑动平均法下，第1890帧检测结果中有着非常明显的幻影，在图(f)中，小车直到第2006帧结束后，依然被检测为运动目标。在混合高斯法下，从图(i)可看出，停留的小车大部分已经融入背景，图(j)中显示幻影在1890帧以前就已经消失，图(k)显示在第2006帧时，小车部分融入背景。在本发明检测结果下，图(m)显示在第1890帧时，小车的幻影已经检测不到，并且小车开始部分融入背景。在2006帧时，图(n)显示小车已经大部分融入背景。

图4(a)第941帧中存在的人、车运动目标相对较多，便于分析在复杂场景下的运动目标检测效果，一个方框标注的小车是一个已经停留了一段时间的静止物体，另外几个方框标注正在运动的目标。从检测结果来看，在滑动平均法下，方框内静止物体即停留较久的小车依然作为运动目标被检测出来，由于该车在前几帧是运动的，在用滑动平均法时，不能对从运动到静止的物体进行实时的检测，对在当前帧上由运动到静止的物体只能检测为运动物体而非静止物体，如图4b所示；在混合高斯法下，停留的小车部分溶入背景，运动目标的阴影被误检出来，阴影抑制情况不理想，导致三个行人互相不分离，即连成一整片，如图4c所示。采用本发明，阴影抑制效果非常明显，三个行人并未连接起来，而且停留的小车能够顺利融入背景，如图4d所示。

Claims

1.一种基于随机策略的运动目标检测方法，其特征在于，包括以下步骤：

步骤1：为视频中每一帧图像的每一个像素点建立一个基于灰度值特征的样本序列{s_i(a，b)|i＝1，.....N，建立视频图像的背景模型；其中，每一个元素s_i(a，b)用于储存图像灰度值，N为整数；

步骤2：对当前像素点进行运动点或背景点的判断，x_t(a，b)为像素点(a，b)的灰度值：

(2)求

若

步骤3：背景模型的更新：

(2)随机更新当前像素点的某一个邻域点的样本序列中的某一元素的存储值：随机选择当前像素点的一个邻域点，从选中的邻域点的样本序列中随机选择一个元素，用当前像素点的灰度值替换其所选元素的灰度值，随机更新当前像素点的1个邻域点的背景模型；

2.根据权利要求1所述的基于随机策略的运动目标检测方法，其特征在于，步骤1中所述的样本序列，若为第一帧时，其样本序列的取值范围为当前像素点的灰度值和其8邻域的对应灰度值，即x_t＝1(a+1，b)，x_t＝1(a-1，b)，x_t＝1(a，b+1)，x_t＝1(a，b-1)，x_t＝1(a+1，b+1)，x_t＝1(a+1，b-1)，x_t＝1(a-1，b+1)，x_t＝1(a-1，b-1)，和x_t＝1(a，b)，若不是第一帧的像素点，则样本序列的取值范围为：当前像素点及其8邻域像素点在前一帧的灰度值，即x_t＝t-1(a+1，b)，x_t＝t-1(a-1，b)，x_t＝t-1(a，b+1)，x_t＝t-1(a，b-1)，x_t＝t-1(a+1，b+1)，x_t＝t-1(a+1，b-1)，x_t＝t-1(a-1，b+1)，x_t＝t-1(a-1，b-1)，和x_t＝t-1(a，b)，两种情况中样本序列的每一个元素取值概率均为1/9。

3.根据权利要求1中所述的基于随机策略的运动目标检测方法，其特征在于，步骤3中所述背景模型的两次更新操作均为随机更新，预先设定随机取值参数T_s，并从【0，T_s】中任意选取两个整数T_s1和T_s2；

4.根据权利要求1中所述的基于随机策略的运动目标检测方法，其特征在于，步骤2中所述灰度阈值T_v取值范围为15～45，次数T_n取值为2。

5.根据权利要求3中所述的基于随机策略的运动目标检测方法，其特征在于，步骤3中随机取值参数T_s取值为10，对T′_s的判断以减缓背景模型的更新速度，当前像素点背景模型的更新概率由原来的1/N变为2/(N×(T_s+1))，而当前像素点的8邻域点的背景模型的更新概率由原来的1/8N变为2/(8N×(T_s+1))。