CN102780847B - 一种针对运动目标的摄像机自动对焦控制方法 - Google Patents

Abstract

本发明公开了一种针对运动目标的摄像机自动对焦控制方法，包括步骤：（1）采用基于背景剪除的运动目标检测算法对场景中运动目标位置区域进行标定；（2）在确定摄像机对焦区域及对焦目标后，采用基于目标灰度梯度的自动聚焦控制算法，实现对标定的运动目标进行摄像机镜头的自动聚焦；其中步骤（1）包括分步骤：（1.1）高斯平滑滤波预处理；（1.2）高斯背景模型建模；（1.3）目标前景区域提取；（1.4）高斯背景模型的更新；（1.5）目标前景区域数学形态学处理；其中步骤（2）包括分步骤：（2.1）提取运动目标对焦区域；（2.2）聚焦评价函数计算；（2.3）聚焦调节控制。

Description

一种针对运动目标的摄像机自动对焦控制方法

技术领域

本发明属于安防监控的技术领域，具体涉及到一种针对运动目标的摄像机自动对焦控制方法。

背景技术

摄像机自动对焦技术是安防监控领域的关键技术，然而由于监控场景的复杂性，以及越来越多的可变焦摄像头应用，依靠在画面中设定对焦区域的传统摄像机自动对焦技术往往会造成重点关注目标聚焦模糊，目标的特征信息严重缺失，不能适应日益复杂的安防监控需求。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种对于监控场景的光线变化具有自适应能力、有效地提取重点运动目标、对重点目标的精确对焦、有力地保证安防监控的有效性、提高重点目标的细节特征信息、适应安防监控的复杂需求的针对运动目标的摄像机自动对焦控制方法。

本发明的技术解决方案是：这种针对运动目标的摄像机自动对焦控制方法，包括以下步骤：

（1）采用基于背景剪除的运动目标检测算法对场景中运动目标位置区域进行标定；

（2）在确定摄像机对焦区域及对焦目标后，采用基于目标灰度梯度的自动聚焦控制算法，实现对标定的运动目标进行摄像机镜头的自动聚焦；

其中步骤（1）包括以下分步骤：

（1.1）高斯平滑滤波预处理；

（1.2）高斯背景模型建模；

（1.3）目标前景区域提取；

（1.4）高斯背景模型的更新；

（1.5）目标前景区域数学形态学处理；

其中步骤（2）包括以下分步骤：

（2.1）提取运动目标对焦区域；

（2.2）聚焦评价函数计算；

（2.3）聚焦调节控制。

基于背景剪除的运动目标检测技术是智能监控的核心技术，通过对场景的学习，构建高斯背景模型，利用背景剪除技术提取对场景中运动目标，高斯背景模型具有自动更新能力，对于监控场景的光线变化具有自适应能力，同时，根据运动目标的大小，引入数学形态学图像处理技术可以去除非关注运动目标的干扰，有效地实现对重点运动目标的提取；将基于背景剪除的运动目标检测技术与摄像机自动对焦技术相结合，以获取重点运动目标区域为前提条件，实现对重点目标的精确对焦，可以有力地保证安防监控的有效性，提高重点目标的细节特征信息，适应安防监控的复杂需求。

附图说明

图1示出了根据本发明的针对运动目标的摄像机自动对焦控制方法的流程。

具体实施方式

如图1所示，这种针对运动目标的摄像机自动对焦控制方法包括以下步骤：

（1）采用基于背景剪除的运动目标检测算法对场景中运动目标位置区域进行标定；

（2）在确定摄像机对焦区域及对焦目标后，采用基于目标灰度梯度的自动聚焦控制算法，实现对标定的运动目标进行摄像机镜头的自动聚焦；

其中步骤（1）包括以下分步骤：

（1.1）高斯平滑滤波预处理；

（1.2）高斯背景模型建模；

（1.3）目标前景区域提取；

（1.4）高斯背景模型的更新；

（1.5）目标前景区域数学形态学处理；

其中步骤（2）包括以下分步骤：

（2.1）提取运动目标对焦区域；

（2.2）聚焦评价函数计算；

（2.3）聚焦调节控制。

分步骤（1.1）中以3x3高斯平滑滤波器对输入图像进行卷积来进行预处理，即：

Y＝A*G                              （1）

$G=\left[\begin{array}{ccc}\frac{1}{16}& \frac{1}{8}& \frac{1}{16}\\ \frac{1}{8}& \frac{1}{4}& \frac{1}{8}\\ \frac{1}{16}& \frac{1}{8}& \frac{1}{16}\end{array}\right]---\left(2\right)$

式（1）、（2）中，A为输入图像，Y为高斯平滑滤波后的输出图像，G为3x3高斯平滑滤波器卷积模板，*表示2维卷积。

分步骤（1.2）中对场景背景连续采集n帧图像，提取各帧图像中的Y分量，通过这n帧连续图像的Y分量，建立一个关于Y分量初始背景的统计模型，在该模型中，对于图像中每一个点i，μ_i定义为第i点的Y分量的期望，定义为第i点Y分量分布的方差，高斯背景模型为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_i=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Y}_{\mathrm{it}}\\ {\mathrm{\σ}}_i^2=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Y_{\mathrm{it}}-{\mathrm{\μ}}_i)}^2\end{array}\right.---\left(3\right)$

式（3）中，n为初始背景模型建立所需连续图像帧数，t为连续帧计数，1≤t≤n，Y_it为第t帧第i点象素亮度值。

分步骤（1.3）中利用高斯背景模型在当前帧图像进行对运动目标的提取，当前图像中点i的亮度值为Y_i，前景区域提取为：

$D_i=\left\{\begin{array}{cc}1,& y_i-{\mathrm{\μ}}_i>\mathrm{\β}{\mathrm{\σ}}_i\\ 0.& y_i-{\mathrm{\μ}}_i\≤\mathrm{\β}{\mathrm{\σ}}_i\end{array}\right.---\left(4\right)$

式（4）中，Y_i为图像中第i点象素的Y分量，μ_i为第i点的Y分量的期望，σ_i为第i点Y分量分布的方差，β为设定的方差倍数，D_i为提取结果，为二值图像，D_i=1表示该点为前景点，D_i=0表示该点为背景点。β参数本发明中设定为3.0。

分步骤（1.4）中场景变化符合高斯分布模型，利用当前帧图像信息对高斯背景模型进行更新：

${\mathrm{\μ}}_i(t+1)=\left\{\begin{array}{cc}(1-\mathrm{\α}){\mathrm{\μ}}_i\left(t\right)+\mathrm{\α}{y}_i\left(t\right),& (D_i=0)\\ {\mathrm{\μ}}_i\left(t\right),& (D_i=1)\end{array}\right.---\left(5\right)$

${\mathrm{\σ}}_i(t+1)=\left\{\begin{array}{cc}(1-\mathrm{\α}){\mathrm{\σ}}_i\left(t\right)+\mathrm{\α}|y_i-{\mathrm{\μ}}_i|,& (D_i=0)\\ {\mathrm{\σ}}_i\left(t\right),& (D_i=1)\end{array}\right.---\left(6\right)$

式（5）、（6）中，y_i(t)为第t帧图像中第i点的Y分量，μ_i(t)为第t帧时刻高斯背景模型中第i点的Y分量的期望，μ_i(t+1)为第t+1帧时刻高斯背景模型中第i点的Y分量的期望，σ_i(t)为第t帧时刻高斯背景模型中第i点Y分量分布的方差，σ_i(t+1)为第t+1帧时刻高斯背景模型中第i点Y分量分布的方差，D_i为前景提取结果，D_i=1表示该点为前景点，D_i=0表示该点为背景点，α为更新速度，本发明中设定为0.02。

分步骤（1.5）中利用场景中欲关注运动目标大小的先验知识，对输入图像先进行腐蚀运算，去除场景对关注目标的噪声干扰；再进行膨胀运算，实现关注目标的重构；即：

输入图像A被结构元E腐蚀的运算过程为：

式（7）中，A为输入图像，E为腐蚀结构元，x为图像中的像素；输入图像A按结构元D膨胀的运算过程为：

$A\⊕D=\∪\{A+x,x\∈D\}---\left(8\right)$

式（8）中，A为输入图像，D为膨胀结构元，x为图像中的像素。

分步骤（2.1）中利用运动目标区域二值信息，在原始图像中提取该目标灰度信息，即：

$S_i=\left\{\begin{array}{cc}{Y}_i& D_i=1\\ 0& D_i=0\end{array}\right.,i=\mathrm{0,1,2},...,n\×m---\left(9\right)$

式（9）中，Y_i为当前图像中第i点像素亮度值，D_i为当前图像中第i点前景及背景属性，D_i=1表示该点为前景点，D_i=0表示该点为背景点，n和m分别为图像宽度及高度，S_i为通过高斯背景剪除算法在当前图像中提取的运动目标亮度值。

分步骤（2.2）中采用Sobel目标灰度梯度作为聚焦评价函数核心，实现对每次对焦过程的聚焦评价，聚焦评价函数F(k)为：

$F\left(k\right)=\underset{j=0}{\overset{m}{\mathrm{\Σ}}}\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\left[T(i,j)\right]}^2---\left(10\right)$

式（10）中，

$T(i,j)=\sqrt{G_x^2(i,j)+G_y^2(i,j)}---\left(11\right)$

式（11）中，G_x(i，j)和G_y(i，j)分别为X和Y方向上Sobel算子计算的图像梯度值，

G_x(i，j)＝Y_i+1，j-1|Y_i+1，j+1 Y_i-1，j-1 Y_i-1，j+1|2×Y_i+1，j 2×Y_i-1，j    （12）

G_y(i，j)＝Y_i-1，j+1+Y_i+1，j+1-Y_i-1，j-1-Y_i+1，j-1+2×Y_i，j+1-2×Y_i，j-1    （13）

式（12）、（13）中，G_x(i,j)和G_y(i,j)分别为在图像(i,j)像素点位置上的X方向和Y方向上的Sobel算子梯度值，Y_i，j为在图像(i,j)像素点位置上的亮度值。

分步骤（2.3）中采用Sobel目标灰度梯度聚焦评价函数，调整对焦过程中的调焦步长，以过峰搜索方式，逐步逼近最佳聚焦点，这种聚焦调节控制方法包括以下步骤：

（2.3.1）聚焦初始设置，设置初始调焦方向，计算当前聚焦评价函数F(k0)，并生成聚焦评价函数值记录表；

（2.3.2）判定正确的调焦方向，沿初始调焦方向做小步长调焦，若聚焦评价函数F(k1)>F(k0)，且F(k1)-F(k0)大于或等于设定阈值T₀，说明初始调焦方向正确，执行步骤（2.3.3）；若聚焦评价函数F(k1)>F(k0)，且F(k1)-F(k0)小于设定阈值T₀，继续以小步长沿该方向调焦，经n步后，F(kn)-F(k0)大于或等于设定阈值T₀时，执行步骤（2.3.3）；若F(k1)<F(k0)，且F(k0)-F(k1)大于或等于设定阈值T₀，说明初始设定调焦方向反向，修改调焦方向，执行步骤（2.3.3）；

（2.3.3）大步长调焦，搜寻大步长聚焦评价函数下降点，沿调焦方向，以大步长调焦，找到聚焦评价函数下降点后，返回调焦过程中聚焦评价函数记录最大值点；

（2.3.4）沿大步长调焦方向，进行小步长微调，若聚焦评价函数上升，则小步长微调方向正确，否则，改变小步长微调方向；

（2.3.5）小步长调焦，搜寻小步长聚焦评价函数下降点，确定最佳聚焦点，以小步长微调方向继续以小步长进行微调，并找到聚焦评价函数下降点时，返回小步长微调过程中聚焦评价函数记录最大值点，该点即为最佳聚焦点。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (7)

1.一种针对运动目标的摄像机自动对焦控制方法，其特征在于，该方法包括以下步骤：

(1)采用基于背景剪除的运动目标检测算法对场景中运动目标位置区域进行标定；

(2)在确定摄像机对焦区域及对焦目标后，采用基于目标灰度梯度的自动聚焦控制算法，实现对标定的运动目标进行摄像机镜头的自动聚焦；

其中步骤(1)包括以下分步骤：

(1.1)高斯平滑滤波预处理；

(1.2)高斯背景模型建模；

(1.3)目标前景区域提取；

(1.4)高斯背景模型的更新；

(1.5)目标前景区域数学形态学处理；

其中步骤(2)包括以下分步骤：

(2.1)提取运动目标对焦区域；

(2.2)聚焦评价函数计算；

(2.3)聚焦调节控制；

分步骤(1.1)中以3x3高斯平滑滤波器对输入图像进行卷积来进行

预处理，即：

Y＝A*G   (1)

$G=\left[\begin{array}{ccc}\frac{1}{16}& \frac{1}{8}& \frac{1}{16}\\ \frac{1}{8}& \frac{1}{4}& \frac{1}{8}\\ \frac{1}{16}& \frac{1}{8}& \frac{1}{16}\end{array}\right]---\left(2\right)$

式(1)、(2)中，A为输入图像，Y为高斯平滑滤波后的输出图像，G为3x3高斯平滑滤波器卷积模板，*表示2维卷积；

分步骤(1.2)中对场景背景连续采集n帧图像，提取各帧图像中的Y分量，通过这n帧连续图像的Y分量，建立一个关于Y分量初始背景的统计模型，在该模型中，对于图像中每一个点i，μ_i定义为第i点的Y分量的期望，定义为第i点Y分量分布的方差，高斯背景模型为：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}_i=\frac{1}{n}{\&Sigma;}_{t=1}^n{Y}_{it}\\ {\mathrm{\&sigma;}}_i^2=\frac{1}{n}{\&Sigma;}_{t=1}^n{(Y_{it}-{\mathrm{\&mu;}}_i)}^2\end{array}\right.---\left(3\right)$

式(3)中，n为初始背景模型建立所需连续图像帧数，t为连续帧计数，1≤t≤n，Y_it为第t帧第i点象素亮度值。

2.根据权利要求1所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(1.3)中利用高斯背景模型在当前帧图像进行对运动目标的提取，当前图像中点i的亮度值为Y_i，前景区域提取为：

$D_i=\left\{\begin{array}{cc}1,& y_i-{\mathrm{\&mu;}}_i>{\mathrm{\&beta;\&sigma;}}_i\\ 0.& y_i-{\mathrm{\&mu;}}_i\&le;{\mathrm{\&beta;\&sigma;}}_i\end{array}\right.---\left(4\right)$

式(4)中，Y_i为图像中第i点象素的Y分量，μ_i为第i点的Y分量的期望，σ_i为第i点Y分量分布的方差，β为设定的方差倍数，D_i为提取结果，为二值图像，D_i＝1表示该点为前景点，D_i＝0表示该点为背景点。

3.根据权利要求2所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(1.4)中场景变化符合高斯分布模型，利用当前帧图像信息对高斯背景模型进行更新：

${\mathrm{\&mu;}}_i(t+1)=\left\{\begin{array}{cc}(1-\mathrm{\&alpha;}){\mathrm{\&mu;}}_i\left(t\right)+{\mathrm{\&alpha;y}}_i\left(t\right),& (D_i=0)\\ {\mathrm{\&mu;}}_i\left(t\right),& (D_i=1)\end{array}\right.---\left(5\right)$

${\mathrm{\&sigma;}}_i(t+1)=\left\{\begin{array}{cc}(1-\mathrm{\&alpha;}){\mathrm{\&sigma;}}_i\left(t\right)+\mathrm{\&alpha;}\left|y_i-{\mathrm{\&mu;}}_i\right|,& (D_i=0)\\ {\mathrm{\&sigma;}}_i\left(t\right),& (D_i=1)\end{array}\right.---\left(6\right)$

式(5)、(6)中，y_i(t)为第t帧图像中第i点的Y分量，μ_i(t)为第t帧时刻高斯背景模型中第i点的Y分量的期望，μ_i(t+1)为第t+1帧时刻高斯背景模型中第i点的Y分量的期望，σ_i(t)为第t帧时刻高斯背景模型中第i点Y分量分布的方差，σ_i(t+1)为第t+1帧时刻高斯背景模型中第i点Y分量分布的方差，D_i为前景提取结果，D_i＝1表示该点为前景点，D_i＝0表示该点为背景点，α为更新速度。

4.根据权利要求3所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(1.5)中利用场景中关注运动目标大小，对输入图像先进行腐蚀运算，去除场景对关注目标的噪声干扰；再进行膨胀运算，实现关注目标的重构；即：

输入图像A被结构元E腐蚀的运算过程为：

式(7)中，A为输入图像，E为腐蚀结构元，x为图像中的像素；

输入图像A按结构元D膨胀的运算过程为：

$A\&CirclePlus;D=\&cup;\{A+x:x\&Element;D\}---\left(8\right)$

式(8)中，A为输入图像，D为膨胀结构元，x为图像中的像素。

5.根据权利要求1所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(2.1)中利用运动目标区域二值信息，在原始图像中提取该目标灰度信息，即：

$S_i=\left\{\begin{array}{cc}{Y}_i& D_i=1\\ 0& D_i=0\end{array}\right.,i=0,1,2,\mathrm{...},n\&times;m---\left(9\right)$

式(9)中，Y_i为当前图像中第i点像素亮度值，D_i为当前图像中第i点前景及背景属性，D_i＝1表示该点为前景点，D_i＝0表示该点为背景点，n和m分别为图像宽度及高度，S_i为通过高斯背景剪除算法在当前图像中提取的运动目标亮度值。

6.根据权利要求5所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(2.2)中采用Sobel目标灰度梯度作为聚焦评价函数核心，实现对每次对焦过程的聚焦评价，聚焦评价函数F(k)为：

$F\left(k\right)={\mathrm{\&Sigma;}}_{j=0}^m{\mathrm{\&Sigma;}}_{i=0}^n{\&lsqb;T(i,j)\&rsqb;}^2---\left(10\right)$

式(10)中，

$T(i,j)=\sqrt{G_x^2(i,j)+G_y^2(i,j)}---\left(11\right)$

式(11)中，G_x(i，j)和G_y(i，j)分别为X和Y方向上Sobel算子计算的图像梯度值，

G_x(i，j)＝Y_i+1，j-1+Y_i+1，j+1-Y_i-1，j-1-Y_i-1，j+1+2×Y_i+1，j-2×Y_i-1，j   (12)

G_y(i，j)＝Y_i-1，j+1+Y_i+1，j+1-Y_i-1，j-1-Y_i+1，j-1+2×Y_i，j+1-2×Y_i,j-1   (13)

式(12)、(13)中，G_x(i,j)和G_y(i,j)分别为在图像(i,j)像素点位置上的X方向和Y方向上的Sobel算子梯度值，Y_i,j为在图像(i,j)像素点位置上的亮度值。

7.根据权利要求6所述的针对运动目标的摄像机自动对焦控制方法，其特征在于，分步骤(2.3)中采用Sobel目标灰度梯度聚焦评价函数，调整对焦过程中的调焦步长，以过峰搜索方式，逐步逼近最佳聚焦点，这种聚焦调节控制方法包括以下步骤：

(2.3.1)聚焦初始设置，设置初始调焦方向，计算当前聚焦评价函数F(k0)，并生成聚焦评价函数值记录表；

(2.3.2)判定正确的调焦方向，沿初始调焦方向做小步长调焦，若聚焦评价函数F(k1)>F(k0)，且F(k1)-F(k0)大于或等于设定阈值T₀，说明初始调焦方向正确，执行步骤(2.3.3)；若聚焦评价函数F(k1)>F(k0)，且F(k1)-F(k0)小于设定阈值T₀，继续以小步长沿该方向调焦，经n步后，F(kn)-F(k0)大于或等于设定阈值T₀时，执行步骤(2.3.3)；若F(k1)<F(k0)，且F(k0)-F(k1)大于或等于设定阈值T₀，说明初始设定调焦方向反向，修改调焦方向，执行步骤(2.3.3)；

(2.3.3)大步长调焦，搜寻大步长聚焦评价函数下降点，沿调焦方向，以大步长调焦，找到聚焦评价函数下降点后，返回调焦过程中聚焦评价函数记录最大值点；

(2.3.4)沿大步长调焦方向，进行小步长微调，若聚焦评价函数上升，则小步长微调方向正确，否则，改变小步长微调方向；

(2.3.5)小步长调焦，搜寻小步长聚焦评价函数下降点，确定最佳聚焦点，以小步长微调方向继续以小步长进行微调，并找到聚焦评价函数下降点时，返回小步长微调过程中聚焦评价函数记录最大值点，该点即为最佳聚焦点。