CN103578121A - 干扰运动环境下基于共享高斯模型的运动检测方法 - Google Patents

Abstract

本发明公开一种干扰运动环境下基于共享高斯模型的运动检测方法，其包括如下步骤：A、获取干扰运动前景，消除背景与噪音干扰。B、建立干扰运动前景的共享高斯模型。C、过滤干扰运动前景，消除对目标物体的干扰。D、实时跟踪目标物体，绘制运动轨迹。本发明能对干扰运动进行实时建模，并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后，使用共享高斯模型过滤掉干扰运动，再对目标物体进行运动跟踪等其他需求处理，满足存在其他剧烈干扰运动前景的环境下，检测运动目标的需求。

Description

干扰运动环境下基于共享高斯模型的运动检测方法

技术领域

本发明涉及运动目标检测技术领域，尤其涉及一种干扰运动环境下基于共享高斯模型的运动检测方法。

背景技术

运动目标检测是数字图像处理技术的一个主要部分，是计算机视觉、跟踪、模式识别、运动图像编码、基于内容的检索等研究领域的重点和难点。由于天气和光照的变化、背景混乱运动的干扰、运动目标的影子以及摄像机运动等原因的存在，在实际系统中进行正确的运动目标检测成为一项非常具有挑战性的任务。目前，现有的视频运动目标检测方法主要分三类：光流法、帧差法、减背景法。这些方法均是使用不同的途径，在连续的视频图像序列中分割出运动目标所在区域。光流法以灰度梯度基本不变或亮度恒定的约束假设为基础进行目标检测；帧差法通过比较视频序列连续两帧或多帧图像中对应位置像素点的灰度差或颜色分量的差值，来确定目标像素点和背景点；背景差法是利用当前帧图像和背景图像的差分来检测运动目标。不同的检测方法使用于不同的场景区分前景和背景，但这些方法无法满足存在其他剧烈干扰运动前景的环境下，检测运动目标的需求。具体的应用场景如机场行李分拣过程中，在某些情况下，我们希望获取并分析工人搬运行李过程中行李的一些信息。这时需要一种方法在摄像头拍摄到的工人分拣行李的视频流中过滤掉工人，实时跟踪目标行李。

发明内容

本发明的目的在于通过一种干扰运动环境下基于共享高斯模型的运动检测方法，来解决以上背景技术部分提到的问题。

为达此目的，本发明采用以下技术方案：

一种干扰运动环境下基于共享高斯模型的运动检测方法，其包括如下步骤：

A、获取干扰运动前景，消除背景与噪音干扰；

B、建立干扰运动前景的共享高斯模型；

C、过滤干扰运动前景，消除对目标物体的干扰；

D、实时跟踪目标物体，绘制运动轨迹。

特别地，所述步骤A具体包括：

实时采集RGB视频图像帧F_t(x,y)，使用混合高斯背景建模算法消除背景，获取干扰运动前景图像，得到一个二值图像b_t(x,y)：

使用3*3的圆形核对图像b_t(x,y)进行形态学开操作，去除噪音点，得到二值图像b_t'(x,y)。

特别地，所述步骤B具体包括：

计算干扰运动前景的三通道RGB图像R_t(x,y)，其中，R_t(x,y)＝F_t(x,y)*b_t'(x,y)；

初始化共享高斯模型；

使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型；

根据模型稳定性判断条件，判定是否终止共享高斯模型的更新。

特别地，所述步骤C具体包括：

让视频流中的所有像素点共享已学习的共享高斯模型；

使用混合高斯背景建模算法，获取包含干扰运动的前景与目标前景的图像；

使用共享高斯模型过滤干扰运动的前景图像，得到目标前景图像。

特别地，所述步骤D具体包括：

使用一个3*3的圆形核对目标前景图像，进行图形学腐蚀操作；

使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像，进行膨胀操作；

计算目标物体的几何中心，绘制运动轨迹。

特别地，所述步骤B中初始化共享高斯模型，具体包括：

初始化一个100个高斯模型队列；令其初始均值mean都为[0,0,0]，方差var都为[144,144,144]。

特别地，所述步骤B中使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型，具体包括：

对于每一帧干扰运动前景图像R_t(x,y)，依次取每一个前景像素点Pix；

如果Pix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次从共享高斯模型队列中取出高斯模型Gaus，判断Pix是否处在其高斯分布中；

设Pix＝[x₁,x₂,x₃]，模型均值Gaus(mu)＝[m₁,m₂,m₃]，模型方差Gaus(var)＝[v₁,v₂,v₃]，则Pix与当前高斯模型的均值差的平方和为：

diff＝(x₁-m₁)²+(x₂-m₂)²+(x₃-m₃)²

如果

diff＜1.5*(v₁+v₂,+v₃)

则更新当前模型的均值与方差：

Gaus(mean)＝(1-α)Gaus(mean)+α*Pix

Gaus(var)＝(1-α)Gaus(var)+α*diff

0≤α≤1

高斯模型的方差的最小值为81，最大值为225，即：

如果Gaus(var)更新后，若：

Gaus(var)＜81

则令

Gaus(var)＝81

若：

Gaus(var)＞225

则令

Gaus(var)＝225

如果Pix不满足当前共享高斯模型队列中的任何高斯模型，在队列中新建高斯模型，其均值mean＝Pix，方差var＝[144,144,144]；

但队列数最大为1000，当队列数最大时，找到已匹配像素点数最少的模型，将其均值mean赋为Pix，并将方差设置为[144,144,144]。

特别地，所述步骤B中根据模型稳定性判断条件，判定是否终止共享高斯模型的更新，具体包括：

如果连续10帧，所有干扰运动前景的像素点都被高斯模型队列匹配，即不增加新的高斯模型并不更换最少匹配数的模型时，则停止模型更新。

特别地，所述步骤C进一步包括：

让视频流中的所有像素点共享已学习的共享高斯模型：视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列，即为共享高斯模型；

共享高斯模型学习完毕后，继续实时采集视频图像帧，并得到含有干扰运动以及目标物体的前景图像G_t(x,y)；

对于每一帧干扰运动前景图像G_t(x,y)，依次取每一个前景像素点FPix；

如果FPix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次计算FPix与高斯模型队列中的每一个模型Gaus₁,Gaus₁......Gaus_n的均值差值的平方和FDiff_i(1≤i≤n)，模型方差为Gaus_i(var)＝[v_i1,v_i2,v_i3]，如果存在

FDiff_i≤v_i1+v_i2+v_i3

则认为该像素属于干扰运动前景点，将FPix设为[0,0,0]；

如果对所有的i

FDiff_i＞v_i1+v_i2+v_i3

则认为该像素点为目标前景点；

使用上述方法，处理图像中的每一个像素点，得到目标前景图像O_t(x,y)。

特别地，所述步骤D中计算目标物体的几何中心，绘制运动轨迹具体包括：

使用轮廓寻找算法处理得到的目标前景图像，得到一个轮廓列表，取像素数最多的轮廓C作为目标前景图像轮廓，轮廓由依次相连的点集组成：

(x₁,y₁),(x₂,y₂)......,(x_m,y_m)

取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy)，其中

cx＝(x₁+x₂+...+x_m)/m

cy＝(y₁+y₂+...+y_m)/m

实时采集视频图像帧，并经过上述步骤处理，得到按时间先后顺序的中心点序列C₁,C₂......C₃；

实时跟踪记录物体轨迹，需要消除中心点序列中的噪音点：

每次计算得到一个新的中心点，都计算当前点与上一个中心点间的距离，直到寻找到第一个点C_k，使得最近连续三个点的距离都小于50，即：

|C_i-3C_i-2|≤50且|C_i-2C_i-1|≤50且|C_i-1C_k|≤50

假定满足以上条件的连续三点在正确的目标物体运动轨迹上，则当前点C_k为

已知的正确路径上最新一个点，对于后续中心点，如果：

|C_kC_k+1|＞50

则认为该点为噪音点，丢弃，C_k保持为正确路径上的最新点；如果：

|C_kC_k+1|≤50

则认为该点为正确路径上的点，更新最近路径点；重复以上方法，后续生成点的噪音消除。

本发明提供的干扰运动环境下基于共享高斯模型的运动检测方法能对干扰运动进行实时建模，并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后，使用共享高斯模型过滤掉干扰运动，再对目标物体进行运动跟踪等其他需求处理，满足存在其他剧烈干扰运动前景的环境下，检测运动目标的需求。

附图说明

图1为本发明实施例提供的干扰运动环境下基于共享高斯模型的运动检测方法流程图；

图2为本发明实施例提供的共享高斯模型建模流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

请参照图1所示，图1为本发明实施例提供的干扰运动环境下基于共享高斯模型的运动检测方法流程图。

本实施例中干扰运动环境下基于共享高斯模型的运动检测方法具体包括如下步骤：

步骤S101、获取干扰运动前景，消除背景与噪音干扰。

实时采集RGB视频图像帧F_t(x,y)，使用混合高斯背景建模算法消除背景，获取干扰运动前景图像，得到一个二值图像b_t(x,y)：

使用3*3的圆形核对图像b_t(x,y)进行形态学开操作，去除噪音点，得到二值图像b_t'(x,y)。

步骤S102、建立干扰运动前景的共享高斯模型。如图2所示，其具体过程如下：

计算干扰运动前景的三通道RGB图像R_t(x,y)，其中，R_t(x,y)＝F_t(x,y)*b_t'(x,y)。

初始化共享高斯模型：初始化一个100个高斯模型队列（RGB颜色表示）；令其初始均值mean都为[0,0,0]，方差var都为[144,144,144]。

使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型：对于每一帧干扰运动前景图像R_t(x,y)，依次取每一个前景像素点Pix；

如果Pix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次从共享高斯模型队列中取出高斯模型Gaus，判断Pix是否处在其高斯分布中；

设Pix＝[x₁,x₂,x₃]，模型均值Gaus(mu)＝[m₁,m₂,m₃]，模型方差Gaus(var)＝[v₁,v₂,v₃]，则Pix与当前高斯模型的均值差的平方和为：

diff＝(x₁-m₁)²+(x₂-m₂)²+(x₃-m₃)²

如果

diff＜1.5*(v₁+v₂,+v₃)

则更新当前模型的均值与方差：

Gaus(mean)＝(1-α)Gaus(mean)+α*Pix

Gaus(var)＝(1-α)Gaus(var)+α*diff

0≤α≤1

高斯模型的方差的最小值为81，最大值为225，即：

如果Gaus(var)更新后，若：

Gaus(var)＜81

则令

Gaus(var)＝81

若：

Gaus(var)＞225

则令

Gaus(var)＝225

如果Pix不满足当前共享高斯模型队列中的任何高斯模型，在队列中新建高斯模型，其均值mean＝Pix，方差var＝[144,144,144]；

但队列数最大为1000，当队列数最大时，找到已匹配像素点数最少的模型，将其均值mean赋为Pix，并将方差设置为[144,144,144]。

根据模型稳定性判断条件，判定是否终止共享高斯模型的更新：如果连续10帧，所有干扰运动前景的像素点都被高斯模型队列匹配，即不增加新的高斯模型并不更换最少匹配数的模型时，则停止模型更新。

步骤S103、过滤干扰运动前景，消除对目标物体的干扰。

让视频流中的所有像素点共享已学习的共享高斯模型：视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列，即为共享高斯模型。

共享高斯模型学习完毕后，继续实时采集视频图像帧，并得到含有干扰运动以及目标物体的前景图像G_t(x,y)；

对于每一帧干扰运动前景图像G_t(x,y)，依次取每一个前景像素点FPix；

如果FPix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次计算FPix与高斯模型队列中的每一个模型Gaus₁,Gaus₁......Gaus_n的均值差值的平方和FDiff_i(1≤i≤n)，模型方差为Gaus_i(var)＝[v_i1,v_i2,v_i3]，如果存在

FDiff_i≤v_i1+v_i2+v_i3

则认为该像素属于干扰运动前景点，将FPix设为[0,0,0]；

如果对所有的i

FDiff_i＞v_i1+v_i2+v_i3

则认为该像素点为目标前景点；

使用上述方法，处理图像中的每一个像素点，得到目标前景图像Ot(x,y)。

步骤S104、实时跟踪目标物体，绘制运动轨迹。

使用一个3*3的圆形核对目标前景图像，进行图形学腐蚀操作。

使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像，进行膨胀操作。

计算目标物体的几何中心，绘制运动轨迹。

于本实施例，计算目标物体的几何中心，绘制运动轨迹，具体包括：

使用轮廓寻找算法处理得到的目标前景图像，得到一个轮廓列表，取像素数最多的轮廓C作为目标前景图像轮廓，轮廓由依次相连的点集组成：

(x₁,y₁),(x₂,y₂)......,(x_m,y_m)

取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy)，其中

cx＝(x₁+x₂+...+x_m)/m

cy＝(y₁+y₂+...+y_m)/m

实时采集视频图像帧，并经过上述步骤处理，得到按时间先后顺序的中心点序列C₁,C₂......C₃；

实时跟踪记录物体轨迹，需要消除中心点序列中的噪音点：

每次计算得到一个新的中心点，都计算当前点与上一个中心点间的距离，直到寻找到第一个点C_k，使得最近连续三个点的距离都小于50，即：

|C_i-3C_i-2|≤50且|C_i-2C_i-1|≤50且|C_i-1C_k|≤50

假定满足以上条件的连续三点在正确的目标物体运动轨迹上，则当前点C_k为已知的正确路径上最新一个点，对于后续中心点，如果：

|C_kC_k+1|＞50

则认为该点为噪音点，丢弃，C_k保持为正确路径上的最新点；如果：

|C_kC_k+1|≤50

则认为该点为正确路径上的点，更新最近路径点；重复以上方法，后续生成点的噪音消除。

本发明的技术方案能对干扰运动进行实时建模，并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后，使用共享高斯模型过滤掉干扰运动，再对目标物体进行运动跟踪等其他需求处理，满足存在其他剧烈干扰运动前景的环境下，检测运动目标的需求。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，包括如下步骤：

A、获取干扰运动前景，消除背景与噪音干扰；

B、建立干扰运动前景的共享高斯模型；

C、过滤干扰运动前景，消除对目标物体的干扰；

D、实时跟踪目标物体，绘制运动轨迹。

2.根据权利要求1所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤A具体包括：

实时采集RGB视频图像帧F_t(x,y)，使用混合高斯背景建模算法消除背景，获取干扰运动前景图像，得到一个二值图像b_t(x,y)：

使用3*3的圆形核对图像b_t(x,y)进行形态学开操作，去除噪音点，得到二值图像b_t'(x,y)。

3.根据权利要求1所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤B具体包括：

计算干扰运动前景的三通道RGB图像R_t(x,y)，其中，R_t(x,y)＝F_t(x,y)*b_t'(x,y)；

初始化共享高斯模型；

使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型；

根据模型稳定性判断条件，判定是否终止共享高斯模型的更新。

4.根据权利要求1所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤C具体包括：

让视频流中的所有像素点共享已学习的共享高斯模型；

使用混合高斯背景建模算法，获取包含干扰运动的前景与目标前景的图像；

使用共享高斯模型过滤干扰运动的前景图像，得到目标前景图像。

5.根据权利要求1所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤D具体包括：

使用一个3*3的圆形核对目标前景图像，进行图形学腐蚀操作；

使用一个30*30的参考点为圆心的圆形核对经过腐蚀处理后的图像，进行膨胀操作；

计算目标物体的几何中心，绘制运动轨迹。

6.根据权利要求3所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤B中初始化共享高斯模型，具体包括：

初始化一个100个高斯模型队列；令其初始均值mean都为[0,0,0]，方差var都为[144,144,144]。

7.根据权利要求6所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤B中使用从视频流中取出的每一帧干扰运动前景图像更新共享高斯模型，具体包括：

对于每一帧干扰运动前景图像R_t(x,y)，依次取每一个前景像素点Pix；

如果Pix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次从共享高斯模型队列中取出高斯模型Gaus，判断Pix是否处在其高斯分布中；

设Pix＝[x₁,x₂,x₃]，模型均值Gaus(mu)＝[m₁,m₂,m₃]，模型方差Gaus(var)＝[v₁,v₂,v₃]，则Pix与当前高斯模型的均值差的平方和为：

diff＝(x₁-m₁)²+(x₂-m₂)²+(x₃-m₃)²

如果

diff＜1.5*(v₁+v₂,+v₃)

则更新当前模型的均值与方差：

Gaus(mean)＝(1-α)Gaus(mean)+α*Pix

Gaus(var)＝(1-α)Gaus(var)+α*diff

0≤α≤1

高斯模型的方差的最小值为81，最大值为225，即：

如果Gaus(var)更新后，若：

Gaus(var)＜81

则令

Gaus(var)＝81

若：

Gaus(var)＞225

则令

Gaus(var)＝225

如果Pix不满足当前共享高斯模型队列中的任何高斯模型，在队列中新建高斯模型，其均值mean＝Pix，方差var＝[144,144,144]；

但队列数最大为1000，当队列数最大时，找到已匹配像素点数最少的模型，将其均值mean赋为Pix，并将方差设置为[144,144,144]。

8.根据权利要求7所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤B中根据模型稳定性判断条件，判定是否终止共享高斯模型的更新，具体包括：

如果连续10帧，所有干扰运动前景的像素点都被高斯模型队列匹配，即不增加新的高斯模型并不更换最少匹配数的模型时，则停止模型更新。

9.根据权利要求8所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤C进一步包括：

让视频流中的所有像素点共享已学习的共享高斯模型：视频流中的每一个像素点都关联同一个根据干扰运动前景像素学习得到的高斯模型队列，即为共享高斯模型；

共享高斯模型学习完毕后，继续实时采集视频图像帧，并得到含有干扰运动以及目标物体的前景图像G_t(x,y)；

对于每一帧干扰运动前景图像G_t(x,y)，依次取每一个前景像素点FPix；

如果FPix的RGB颜色表示不为[0,0,0]，则判定为前景点；

依次计算FPix与高斯模型队列中的每一个模型Gaus₁,Gaus₁......Gaus_n的均值差值的平方和FDiff_i(1≤i≤n)，模型方差为Gaus_i(var)＝[v_i1,v_i2,v_i3]，如果存在

FDiff_i≤v_i1+v_i2+v_i3

则认为该像素属于干扰运动前景点，将FPix设为[0,0,0]；

如果对所有的i

FDiff_i＞v_i1+v_i2+v_i3

则认为该像素点为目标前景点；

使用上述方法，处理图像中的每一个像素点，得到目标前景图像Ot(x,y)。

10.根据权利要求9所述的干扰运动环境下基于共享高斯模型的运动检测方法，其特征在于，所述步骤D中计算目标物体的几何中心，绘制运动轨迹，具体包括：

使用轮廓寻找算法处理得到的目标前景图像，得到一个轮廓列表，取像素数最多的轮廓C作为目标前景图像轮廓，轮廓由依次相连的点集组成：

(x₁,y₁),(x₂,y₂)......,(x_m,y_m)

取轮廓C上所有像素点的几何中心作为目标物体的中心点(cx,cy)，其中

cx＝(x₁+x₂+...+x_m)/m

cy＝(y₁+y₂+...+y_m)/m

实时采集视频图像帧，并经过上述步骤处理，得到按时间先后顺序的中心点序列C₁,C₂......C₃；

实时跟踪记录物体轨迹，需要消除中心点序列中的噪音点：

每次计算得到一个新的中心点，都计算当前点与上一个中心点间的距离，直到寻找到第一个点C_k，使得最近连续三个点的距离都小于50，即：

|C_i-3C_i-2|≤50且|C_i-2C_i-1|≤50且|C_i-1C_k|≤50

假定满足以上条件的连续三点在正确的目标物体运动轨迹上，则当前点C_k为已知的正确路径上最新一个点，对于后续中心点，如果：

|C_kC_k+1|＞50

则认为该点为噪音点，丢弃，C_k保持为正确路径上的最新点；如果：

|C_kC_k+1|≤50

则认为该点为正确路径上的点，更新最近路径点；重复以上方法，后续生成点的噪音消除。

Images