CN102663362A - 一种基于灰度特征的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于灰度特征的运动目标检测方法，其先利用计算机终端对实时视频监控图像序列进行灰度化操作和去噪处理，然后从图像序列中选取多帧视频监控图像构成训练图像序列，提取训练图像序列中的同一坐标位置的像素点各自对应的灰度特征集合，再对各个灰度特征集合进行筛选得到背景模型，接着对图像序列中后续的视频监控图像进行运动目标检测，再对包含运动目标的二值化图像进行形态学滤波和连通区域检测，得到运动目标的轮廓和位置，本发明方法中对于运动目标的检测只需要在像素点集对应的灰度特征集合中进行搜索比较，不需要复杂的参数估计与概率计算，因而不仅简化了检测过程，提高了检测精度，而且降低了时间开销，提高了运行效率。

Description

一种基于灰度特征的运动目标检测方法

技术领域

本发明涉及一种目标检测方法，尤其是涉及一种基于灰度特征的运动目标检测方法。

背景技术

智能视频监控(IVS，Intelligent Video Surveillance)是计算机视觉的一个重要研究方向。近年来，随着公共安全问题的凸显，智能视频监控也越发成为研究的热点。尤其是在美国2001年911事件和英国2005年伦敦地铁爆炸案发生后，对于公共安全问题的重视更是上升到了国家高度。从国内的情况来看，截至2010年，在我国的安防行业中，智能视频监控系统占据了安防产品总量的55％。目前，智能视频监控系统在部分地区的覆盖率已经很高，在银行、机场、港口和大型超市等特殊环境中的覆盖程度甚至可以达到100％。但是，在大部分环境中，具体的监控工作仍依赖于人工服务，视频监控系统只起到了画面实时传输与存储的作用。这使得监控工作依然繁重，一方面需要耗费大量的人力，另一方面由于工作人员的疲劳和视觉特性，“漏警”状况也时有发生。因此，视频监控作为公共安全领域中最为重要的监控手段，其智能化、自动化方向的研究便成为了国际上计算机视觉领域研究的焦点。

智能视频监控系统包括对运动目标的检测、分类、跟踪、识别及对运动目标行为的分析。其中，运动目标检测是后续过程的基础，也是整个智能视频监控系统有效工作的关键。但是由于环境的复杂性和目标的多样性，实现有效、健壮的运动目标检测仍然面临着巨大的挑战。因此，对运动目标检测技术展开研究具有重要的理论意义及应用价值。

运动目标检测的主要任务是将运动目标从视频监控的序列图像的背景中分离出来。目前，运动目标检测方法主要有三大类：帧间差分法、背景减除法和光流法。

帧间差分法的基本原理是将相邻两帧图像对应位置的像素点的灰度值相减得到差分图像，再对得到的差分图像进行二值化处理，从而得到运动目标。这种帧间差分法实现简单、时间空间复杂度均比较低，而且对于光线的变化不敏感，但当目标快速运动时，容易将前一帧图像中目标的“残影”检测为目标，造成误报。

背景减除法是应用最为广泛的一种运动目标检测方法，它的基本原理是通过视频序列对监控环境背景进行建模，然后用当前帧图像直接与背景相减，从而得到运动目标。这种背景减除法的关键在于背景模型的建立，较为常用的模型是时间平均模型和高斯背景模型。由于这种背景减除法是根据建立的背景模型进行目标检测的，因此检测得到的运动目标一般比较精细、完整，但是其对光照变化较为敏感，并且时间复杂度较高，对于高分辨率视频的解析难以达到实时的效果。

光流(Optical Flow)法是另外一种运动目标检测方法，其反映了在单位时间间隔内由于运动所造成的图像变化，包含了目标的运动信息，可以用来进行运动目标的检测。然而由于光流对噪声较为敏感，且计算极其复杂，因此这种光流法难以应用于实际的实时监控系统中。

发明内容

本发明所要解决的技术问题是提供一种实现简单、计算复杂度低、检测精度高，且能够很好地适应光线和背景环境的变化，适用于高分辨率的实时视频监控系统的基于灰度特征的运动目标检测方法。

本发明解决上述技术问题所采用的技术方案为：一种基于灰度特征的运动目标检测方法，其特征在于包括以下步骤：

①采用视频采集设备采集监控场景的实时视频监控图像序列，并将视频采集设备采集到的实时视频监控图像序列实时传输给计算机终端；

②利用计算机终端对实时视频监控图像序列进行灰度化操作和去噪处理，得到待检测的实时视频监控图像序列；

③从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列，然后提取训练图像序列的所有视频监控图像中的同一坐标位置的像素点各自对应的灰度特征，形成同一坐标位置的像素点对应的灰度特征集合，再对同一坐标位置的像素点对应的灰度特征集合进行筛选，得到基于灰度特征的背景模型，具体过程为：

③-1、从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列；

③-2、对于训练图像序列的所有视频监控图像中的坐标位置均为(x，y)的像素点，将其构成的集合定义为像素点集，其中，1≤x≤W，1≤y≤H，W表示视频监控图像的宽度，H表示视频监控图像的高度；

③-3、提取像素点集中的各个像素点各自对应的灰度特征，记为C，C＝(val，f，t)，其中，val参数表示像素点集中的像素点的灰度值，f参数表示像素点集中灰度值为val的像素点的个数，t参数表示像素点集中灰度值为val的像素点在时域上最后出现的时间；

③-4、统计像素点集对应的若干个不同的灰度特征，将其构成的集合定义为像素点集对应的灰度特征集合；

③-5、搜索像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足第一判定条件：t_N-t＜T，如果满足，则将像素点集对应的灰度特征集合中除f值最大的灰度特征外的其余灰度特征删除，使像素点集仅由该f值最大的灰度特征表征，然后执行步骤③-6，否则，将f值最大的灰度特征从像素点集对应的灰度特征集合中删除，形成像素点集对应的新的灰度特征集合，然后返回步骤③-5继续执行，其中，t_N表示训练图像序列中的第N帧视频监控图像的时刻，T为设定的时间阈值；

③-6、根据步骤③-2至步骤③-5的操作，获得训练图像序列中的所有像素点集各自对应的满足第一判定条件的f值最大的灰度特征，将每个像素点集仅由其对应的满足第一判定条件的f值最大的灰度特征表征，形成基于灰度特征的背景模型；

④根据基于灰度特征的背景模型，对待检测的实时视频监控图像序列中后续的视频监控图像进行运动目标检测，得到视频监控图像对应的包含运动目标的二值化图像，具体过程为：

④-1、对于待检测的实时视频监控图像序列中第N+n′帧视频监控图像即后续的第n′帧视频监控图像，将其定义为当前视频监控图像，其中，n′的初始值为1；

④-2、根据基于灰度特征的背景模型，确定当前视频监控图像中的各个像素点为背景像素点或前景像素点，以实现运动目标检测，对于当前视频监控图像中的第i个像素点，将其定义为当前像素点，判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij)＜D，如果满足，则确定当前像素点为背景像素点，并赋值为0，否则，确定当前像素点为前景像素点，并赋值为1，其中，1≤i≤m，m表示当前视频监控图像中的像素点的个数，v_i表示当前像素点的灰度值，val_ij表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的灰度值，1≤j≤L，L表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中灰度特征的个数，L的初始值为1，dist(v_i，val_ij)表示v_i与val_ij之间的欧氏距离，D为设定的灰度值阈值；

④-3、根据当前视频监控图像中的所有前景像素点，获得当前视频监控图像的运动目标，并得到当前视频监控图像对应的包含运动目标的二值化图像；

⑤对待检测的实时视频监控图像序列中后续的视频监控图像对应的包含运动目标的二值化图像进行形态学滤波处理，然后进行连通区域检测，得到运动目标的轮廓和位置；

⑥构建一个与基于灰度特征的背景模型相对应的基于灰度特征的候选模型，然后对基于灰度特征的背景模型中的灰度特征集合中的灰度特征或基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行更新，接着对基于灰度特征的背景模型中的灰度特征集合中的灰度特征和基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行筛选，再根据基于灰度特征的候选模型中的灰度特征集合中的灰度特征对基于灰度特征的背景模型中的灰度特征集合进行更新，具体过程为：

⑥-1、对于基于灰度特征的背景模型，构建一个与其相对应的基于灰度特征的候选模型X，X＝{C_ij′}，其中，X的初始值为空集，C_ij′＝(val_ij′，f_ij′，t_ij′)，val_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的灰度值，f_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′出现的频数，t_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′在时域上最后出现的时间；

⑥-2、根据当前视频监控图像中的第i个像素点，对基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，或对基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，将当前视频监控图像中的第i个像素点定义为当前像素点，如果当前像素点为背景像素点，则更新基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的f参数和t参数，f＝f+1，t＝t_now，如果当前像素点为前景像素点，则再判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij′)＜D，如果满足，则更新灰度特征候选集合X中的第j个灰度特征C_ij′中的f_ij′参数和t_ij′参数，f_ij′＝f_ij′+1，t_ij′＝t_now，如果不满足，则向灰度特征候选集合X中新增灰度特征，并对新增的灰度特征中的val_ij′参数、f_ij′参数和t_ij′参数进行赋值，val_ij′参数的值为当前像素点的灰度值，f_ij′＝1，t_ij′＝t_now，其中，j的初始值为1，此处“＝”为赋值符号，t_now表示当前视频监控图像的时刻；

⑥-3、对更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足条件：t_now-t＜T，如果满足，则将除f值最大的灰度特征外的其余灰度特征删除，否则，将f值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f值最大的灰度特征；对更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征，判断f_ij′值最大的灰度特征中的t_ij′参数是否满足条件：t_now-t_ij′＜T，如果满足，则将除f_ij′值最大的灰度特征外的其余灰度特征删除，否则，将f_ij′值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f_ij′值最大的灰度特征；在获得更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征和更新后的灰度特征候选集合X中f_ij′值最大的灰度特征后执行步骤⑥-4；

⑥-4、判断基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征中的f_ij′是否满足条件：f_ij′＞F，如果满足，则将基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征加入到基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中，并将该f_ij′值最大的灰度特征从基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中删除，其中，F为设定的频数阈值。

所述的步骤②中去噪处理采用中值滤波方法。

所述的步骤③中N≥50。

所述的步骤③-5中设定的时间阈值

所述的步骤④-2中设定的灰度值阈值D＝15。

所述的步骤⑥-4中设定的频数阈值

与现有技术相比，本发明的优点在于：

1)本发明方法通过将训练图像序列的所有视频监控图像中的同一坐标位置的像素点的集合形成像素点集，再针对每个像素点集获得对应的灰度特征集合，这种灰度特征集合是一种压缩的特征，大大降低了算法的空间开销。

2)本发明方法中对于前景运动目标的检测只需要在像素点集对应的灰度特征集合中进行搜索比较，不需要复杂的参数估计与概率计算，因而不仅简化了运动目标的检测过程，提高了检测精度，而且大大降低了算法的时间开销，提高了运行效率，可以应用于具有高分辨率的实时视频监控系统中。

3)本发明方法对基于灰度特征的背景模型中的灰度特征集合进行实时更新，能够很好地适应光线变化和背景环境改变等情况。

附图说明

图1为本发明方法的总体实现框图；

图2a为视频序列中的待检测的原始图像；

图2b为利用帧间差分法对图2a所示的原始图像进行运动目标检测得到的结果示意图；

图2c为利用高斯模型背景减除法对图2a所示的原始图像进行运动目标检测得到的结果示意图；

图2d为利用本发明方法对图2a所示的原始图像进行运动目标检测得到的结果示意图；

图3为帧间差分法、高斯模型背景减除法和本发明方法处理速度的比较示意图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

本发明提出的一种基于灰度特征的运动目标检测方法，如图1所示，其包括以下步骤：

①采用视频采集设备如摄像机等采集监控场景的实时视频监控图像序列，并将视频采集设备采集到的实时视频监控图像序列实时传输给计算机终端。

②利用计算机终端对实时视频监控图像序列进行灰度化操作和去噪处理，得到待检测的实时视频监控图像序列。

在此，去噪处理采用现有的中值滤波方法。

③从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列，然后提取训练图像序列的所有视频监控图像中的同一坐标位置的像素点各自对应的灰度特征，形成同一坐标位置的像素点对应的灰度特征集合，再对同一坐标位置的像素点对应的灰度特征集合进行筛选，得到基于灰度特征的背景模型，具体过程为：

③-1、从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列。

由于视频监控的帧率一般在20帧每秒到30帧每秒之间，而且时间长度为2秒的实时视频监控图像序列一般可以提供足够的背景信息，因此N≥50即可满足本发明方法建立基于灰度特征的背景模型的需求，在此取N＝100，这样可以形成较为稳定有效的背景模型，从而保证运动目标检测的精度。

③-2、对于训练图像序列的所有视频监控图像中的坐标位置均为(x，y)的像素点，将其构成的集合定义为像素点集，其中，1≤x≤W，1≤y≤H，W表示视频监控图像的宽度，H表示视频监控图像的高度。

③-3、提取像素点集中的各个像素点各自对应的灰度特征，记为C，C＝(val，f，t)，其中，val参数表示像素点集中的像素点的灰度值，f参数表示像素点集中灰度值为val的像素点的个数，即像素点集中灰度值val出现的次数(出现的频数)，t参数表示像素点集中灰度值为val的像素点在时域上最后出现的时间。

③-4、统计像素点集对应的若干个不同的灰度特征，将其构成的集合定义为像素点集对应的灰度特征集合。

③-5、搜索像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足第一判定条件：t_N-t＜T，如果满足，则将像素点集对应的灰度特征集合中除f值最大的灰度特征外的其余灰度特征删除，使像素点集仅由该f值最大的灰度特征表征，然后执行步骤③-6，否则，将f值最大的灰度特征从像素点集对应的灰度特征集合中删除，形成像素点集对应的新的灰度特征集合，然后返回步骤③-5继续执行，其中，t_N表示训练图像序列中的第N帧视频监控图像的时刻，T为设定的时间阈值，在此取

③-6、根据步骤③-2至步骤③-5的操作，获得训练图像序列中的所有像素点集各自对应的满足第一判定条件的f值最大的灰度特征，将每个像素点集仅由其对应的满足第一判定条件的f值最大的灰度特征表征，形成基于灰度特征的背景模型。

④根据基于灰度特征的背景模型，对待检测的实时视频监控图像序列中后续的视频监控图像进行运动目标检测，得到视频监控图像对应的包含运动目标的二值化图像，具体过程为：

④-1、对于待检测的实时视频监控图像序列中第N+n′帧视频监控图像即后续的第n′帧视频监控图像，将其定义为当前视频监控图像，其中，n′的初始值为1。

④-2、根据基于灰度特征的背景模型，确定当前视频监控图像中的各个像素点为背景像素点或前景像素点，以实现运动目标检测，对于当前视频监控图像中的第i个像素点，将其定义为当前像素点，判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij)＜D，如果满足，则确定当前像素点为背景像素点，并赋值为0，否则，确定当前像素点为前景像素点，并赋值为1，其中，1≤i≤m，m表示当前视频监控图像中的像素点的个数，v_i表示当前像素点的灰度值，val_ij表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的灰度值，1≤j≤L，L表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中灰度特征的个数，L的初始值为1，dist(v_i，val_ij)表示v_i与val_ij之间的欧氏距离，D为设定的灰度值阈值。

在此，设定的灰度值阈值D的值可根据具体的环境进行调整，当环境噪声较大时，可以取较大的灰度值阈值D，反之则取较小的灰度值阈值D。一般可以取D＝15。在此，dist(v_i，val_ij)＜D判别式是按j＝1，2，…，L顺序执行的，即在基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中寻找满足dist(v_i，val_ij)＜D条件的灰度特征。

④-3、根据当前视频监控图像中的所有前景像素点，获得当前视频监控图像的运动目标，并得到当前视频监控图像对应的包含运动目标的二值化图像。

⑤对待检测的实时视频监控图像序列中后续的视频监控图像(即当前视频监控图像)对应的包含运动目标的二值化图像进行形态学滤波处理，然后进行连通区域检测，得到运动目标的轮廓和位置。

在此，形态学滤波处理采用现有的膨胀和腐蚀操作，连通区域检测采用现有技术。

⑥构建与基于灰度特征的背景模型相对应的基于灰度特征的候选模型，然后对基于灰度特征的背景模型中的灰度特征集合中的灰度特征或基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行更新，接着对基于灰度特征的背景模型中的灰度特征集合中的灰度特征和基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行筛选，再根据基于灰度特征的候选模型中的灰度特征集合中的灰度特征对基于灰度特征的背景模型中的灰度特征集合进行实时更新，这样可适应光线变化和背景环境改变等情况，并提高运动目标检测的稳定性，适应背景环境中小幅度的背景波动。具体过程为：

⑥-1、对于基于灰度特征的背景模型，构建一个与其相对应的基于灰度特征的候选模型X，X＝{C_ij′}，其中，X的初始值为空集，C_ij′＝(val_ij′，f_ij′，t_ij′)，val_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的灰度值，f_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′出现的频数，t_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′在时域上最后出现的时间。

⑥-2、根据当前视频监控图像中的第i个像素点，对基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，或对基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，将当前视频监控图像中的第i个像素点定义为当前像素点，如果当前像素点为背景像素点，则更新基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的f参数和t参数，f＝f+1，t＝t_now，如果当前像素点为前景像素点，则再判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij′)＜D，如果满足，即在基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中搜索到与当前像素点的灰度值相匹配的灰度特征，则更新基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的f_ij′参数和t_ij′参数，f_ij′＝f_ij′+1，t_ij′＝t_now，如果不满足，即在基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中搜索不到与当前像素点的灰度值相匹配的灰度特征，则向基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中新增灰度特征，并对新增的灰度特征中的val_ij′参数、f_ij′参数和t_ij′参数进行赋值，val_ij′参数的值即为当前像素点的灰度值，f_ij′＝1，t_ij′＝t_now，其中，j的初始值为1，此处“＝”为赋值符号，t_now表示当前视频监控图像的时刻。

⑥-3、对更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足条件：t_now-t＜T，如果满足，则将除f值最大的灰度特征外的其余灰度特征删除，否则，将f值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f值最大的灰度特征；对更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征，判断f_ij′值最大的灰度特征中的t_ij′参数是否满足条件：t_now-t_ij′＜T，如果满足，则将除f_ij′值最大的灰度特征外的其余灰度特征删除，否则，将f_ij′值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f_ij′值最大的灰度特征；在获得更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征和更新后的灰度特征候选集合X中f_ij′值最大的灰度特征后执行步骤⑥-4。

⑥-4、判断基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征中的f_ij′是否满足条件：f_ij′＞F，如果满足，则将基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征加入到基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中，并将该f_ij′值最大的灰度特征从基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中删除，其中，F为设定的频数阈值，在此取

图2a给出了一幅待运动目标检测的原始图像。图2b、图2c和图2d分别给出了利用帧间差分法、高斯模型背景减除法和本发明方法对图2a所示的原始图像进行运动目标检测得到的结果示意图。从检测结果可以看出，帧间差分法得到的运动目标存在较多空洞，难以形成完整的区域，而高斯模型背景减除法和本发明方法均得到了较为完整的运动目标。

图3给出了帧间差分法、高斯模型背景减除法和本发明方法处理速度的比较，用1s内处理的帧数来衡量，处理的视频对象的分辨率为768×576。从图3中可以看出，本发明方法与帧间差分法具有相近的处理速度，且是高斯模型背景减除法的处理速度的两倍以上。

综合来看，本发明方法更适合用于处理具有较高分辨率的实时视频监控图像序列，而且可以取得良好的检测效果。

Claims (6)

1.一种基于灰度特征的运动目标检测方法，其特征在于包括以下步骤：

①采用视频采集设备采集监控场景的实时视频监控图像序列，并将视频采集设备采集到的实时视频监控图像序列实时传输给计算机终端；

②利用计算机终端对实时视频监控图像序列进行灰度化操作和去噪处理，得到待检测的实时视频监控图像序列；

③从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列，然后提取训练图像序列的所有视频监控图像中的同一坐标位置的像素点各自对应的灰度特征，形成同一坐标位置的像素点对应的灰度特征集合，再对同一坐标位置的像素点对应的灰度特征集合进行筛选，得到基于灰度特征的背景模型，具体过程为：

③-1、从待检测的实时视频监控图像序列中选取前N帧视频监控图像构成一个训练图像序列；

③-2、对于训练图像序列的所有视频监控图像中的坐标位置均为(x，y)的像素点，将其构成的集合定义为像素点集，其中，1≤x≤W，1≤y≤H，W表示视频监控图像的宽度，H表示视频监控图像的高度；

③-3、提取像素点集中的各个像素点各自对应的灰度特征，记为C，C＝(val，f，t)，其中，val参数表示像素点集中的像素点的灰度值，f参数表示像素点集中灰度值为val的像素点的个数，t参数表示像素点集中灰度值为val的像素点在时域上最后出现的时间；

③-4、统计像素点集对应的若干个不同的灰度特征，将其构成的集合定义为像素点集对应的灰度特征集合；

③-5、搜索像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足第一判定条件：t_N-t＜T，如果满足，则将像素点集对应的灰度特征集合中除f值最大的灰度特征外的其余灰度特征删除，使像素点集仅由该f值最大的灰度特征表征，然后执行步骤③-6，否则，将f值最大的灰度特征从像素点集对应的灰度特征集合中删除，形成像素点集对应的新的灰度特征集合，然后返回步骤③-5继续执行，其中，t_N表示训练图像序列中的第N帧视频监控图像的时刻，T为设定的时间阈值；

③-6、根据步骤③-2至步骤③-5的操作，获得训练图像序列中的所有像素点集各自对应的满足第一判定条件的f值最大的灰度特征，将每个像素点集仅由其对应的满足第一判定条件的f值最大的灰度特征表征，形成基于灰度特征的背景模型；

④根据基于灰度特征的背景模型，对待检测的实时视频监控图像序列中后续的视频监控图像进行运动目标检测，得到视频监控图像对应的包含运动目标的二值化图像，具体过程为：

④-1、对于待检测的实时视频监控图像序列中第N+n′帧视频监控图像即后续的第n′帧视频监控图像，将其定义为当前视频监控图像，其中，n′的初始值为1；

④-2、根据基于灰度特征的背景模型，确定当前视频监控图像中的各个像素点为背景像素点或前景像素点，以实现运动目标检测，对于当前视频监控图像中的第i个像素点，将其定义为当前像素点，判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij)＜D，如果满足，则确定当前像素点为背景像素点，并赋值为0，否则，确定当前像素点为前景像素点，并赋值为1，其中，1≤i≤m，m表示当前视频监控图像中的像素点的个数，v_i表示当前像素点的灰度值，val_ij表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的灰度值，1≤j≤L，L表示基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中灰度特征的个数，L的初始值为1，dist(v_i，val_ij)表示vi与val_ij之间的欧氏距离，D为设定的灰度值阈值；

④-3、根据当前视频监控图像中的所有前景像素点，获得当前视频监控图像的运动目标，并得到当前视频监控图像对应的包含运动目标的二值化图像；

⑤对待检测的实时视频监控图像序列中后续的视频监控图像对应的包含运动目标的二值化图像进行形态学滤波处理，然后进行连通区域检测，得到运动目标的轮廓和位置；

⑥构建一个与基于灰度特征的背景模型相对应的基于灰度特征的候选模型，然后对基于灰度特征的背景模型中的灰度特征集合中的灰度特征或基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行更新，接着对基于灰度特征的背景模型中的灰度特征集合中的灰度特征和基于灰度特征的候选模型中的灰度特征集合中的灰度特征进行筛选，再根据基于灰度特征的候选模型中的灰度特征集合中的灰度特征对基于灰度特征的背景模型中的灰度特征集合进行更新，具体过程为：

⑥-1、对于基于灰度特征的背景模型，构建一个与其相对应的基于灰度特征的候选模型X，X＝{C_ij′}，其中，X的初始值为空集，C_ij′＝(val_ij′，f_ij′，t_ij′)，val_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的灰度值，f_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′出现的频数，t_ij′参数表示基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的第j个灰度特征C_ij′中的val_ij′在时域上最后出现的时间；

⑥-2、根据当前视频监控图像中的第i个像素点，对基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，或对基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行更新，将当前视频监控图像中的第i个像素点定义为当前像素点，如果当前像素点为背景像素点，则更新基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的第j个灰度特征中的f参数和t参数，f＝f+1，t＝t_now，如果当前像素点为前景像素点，则再判断当前像素点的灰度值是否满足条件：dist(v_i，val_ij′)＜D，如果满足，则更新灰度特征候选集合X中的第j个灰度特征C_ij′中的f_ij′参数和t_ij′参数，f_ij′＝f_ij′+1，t_ij′＝t_now，如果不满足，则向灰度特征候选集合X中新增灰度特征，并对新增的灰度特征中的val_ij′参数、f_ij′参数和t_ij′参数进行赋值，val_ij′参数的值为当前像素点的灰度值，f_ij′＝1，t_ij′＝t_now，其中，j的初始值为1，此处“＝”为赋值符号，t_now表示当前视频监控图像的时刻；

⑥-3、对更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征，判断f值最大的灰度特征中的t参数是否满足条件：t_now-t＜T，如果满足，则将除f值最大的灰度特征外的其余灰度特征删除，否则，将f值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f值最大的灰度特征；对更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中的灰度特征进行筛选，具体过程为：搜索更新后的基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征，判断f_ij′值最大的灰度特征中的t_ij′参数是否满足条件：t_now-t_ij′＜T，如果满足，则将除f_ij′值最大的灰度特征外的其余灰度特征删除，否则，将f_ij′值最大的灰度特征删除，形成新的灰度特征集合，然后重新搜索f_ij′值最大的灰度特征；在获得更新后的基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中f值最大的灰度特征和更新后的灰度特征候选集合X中f_ij′值最大的灰度特征后执行步骤⑥-4；

⑥-4、判断基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征中的f_ij′是否满足条件：f_ij′＞F，如果满足，则将基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中f_ij′值最大的灰度特征加入到基于灰度特征的背景模型中的第i个像素点集对应的灰度特征集合中，并将该f_ij′值最大的灰度特征从基于灰度特征的候选模型X中的第i个像素点集对应的灰度特征集合中删除，其中，F为设定的频数阈值。

2.根据权利要求1所述的一种基于灰度特征的运动目标检测方法，其特征在于所述的步骤②中去噪处理采用中值滤波方法。

3.根据权利要求1或2所述的一种基于灰度特征的运动目标检测方法，其特征在于所述的步骤③中N≥50。

4.根据权利要求3所述的一种基于灰度特征的运动目标检测方法，其特征在于所述的步骤③-5中设定的时间阈值

5.根据权利要求4所述的一种基于灰度特征的运动目标检测方法，其特征在于所述的步骤④-2中设定的灰度值阈值D＝15。

6.根据权利要求5所述的一种基于灰度特征的运动目标检测方法，其特征在于所述的步骤⑥-4中设定的频数阈值

Images