CN103810722A - 结合改进的lbp纹理和色度信息的运动目标检测方法 - Google Patents

Abstract

本发明提供了一种结合改进的LBP纹理和色度信息的运动目标检测方法，包含以下步骤：a：初始化混合高斯模型；b：读入下一帧，做分块处理；c：对上述每个小块统计LBP统一模式直方图和局部色度值，分别记作X_t、H_t；d：将X_t、H_t值，与背景模式进行对比，匹配为背景、不匹配为前景；e：对背景值更新高斯模型参数；f：将前景值替换背景模型中权值最小的模型，即为所获得目标运动区域，经处理后显示出来；g：归一化权值，对K个背景模式重新排序，得新的混合高斯背景模型。本发明无论实在室内还是室外、在强阴影还是在弱阴影等场景下，均能够很好的消除阴影和噪声对检测目标的干扰，准确性高、处理速度快、实时性强。

Description

结合改进的LBP纹理和色度信息的运动目标检测方法

技术领域

本发明属于视频监控领域，涉及运动目标检测方法，具体的涉及结合改进的LBP纹理和色度信息的运动目标检测方法。

背景技术

视频图像中包含了太多的信息量，不利于计算机的处理。但是，一般来说，对其中运动的物体会更感兴趣，例如，行人、运动的汽车、奔跑的运动员等等；而对静止的背景图像，对它们的关注程度少得多，往往也不包含主要的信息。运动目标检测是一种图像分割技术，指从视频序列中把固定的背景去掉，并把运动物体检测出来。它是计算机视觉、基于内容的检索、模式识别、智能视频监控、运动图像编码等研究领域的重点和难点，在很多领域有着广泛的应用前景。

然而，由于摄像机运动、光照变化、存在阴影、背景抖动等原因，给运动目标的准确检测带来了巨大的困难。由于运动目标检测的结果直接影响运动目标跟踪以及后续的步骤，所以准确的运动目标检测是智能视频监控中的一项重要任务。

目前，常用的运动目标检测算法根据基本原理的不同，可分为有三大类：帧差法、背景减除法和光流法。运动目标检测中，其中最常用的方法就是背景减除法。该类算法用当前帧与背景图像差分或与背景模型进行比较，对结果进行处理后得到运动目标区域。在该类算法中，背景模型的建立与更新是最难、最关键的问题。

生活中的许多事物，例如水面的波纹、摇动的树枝、抖动的草地、闪烁的电脑屏幕等等，都会呈现出快速周期性变化的特性，背景的像素值在一个很短的时间内不是一个固定的值。于是，同一时刻下的多背景方法被提了出来，用以克服这些背景的周期性扰动。最具代表性的就是混合高斯背景模型（GaussianMixtureModel，GMM）。在这种方法中，运用多个高斯模型对每一个像素的背景进行表示，并且利用迭代方式进行模型参数的更新。多个高斯模型表示的背景，就可以把周期性变化的背景都同时涵盖其中，因此该模型可以有效的克服光照变化、背景图像周期性扰动所带来的干扰。在建立了多个背景模型后，运动目标区域就可以用当前帧和这些背景模型进行有条件的差分得到。然而，现有的混合高斯背景模型采用颜色为特征，运动目标的阴影部分由于颜色与背景有差别，也会被当作运动目标检测出来，将严重干扰混合高斯模型检测出来的运动目标区域。不幸的是，由于光照条件是漫反射产生的均匀环境光的场景很少，在视频监控场景中，绝大部分都会有阴影，这就极大的影响了混合高斯模型检测运动目标的准确性。

LBP（Local Binary Pattern）是一种灰度变化的描述算子，该算子通过计算中心像素与邻域像素之间的灰度差值，并对这个差值进行二值化，从而得到对中心像素所在位置的纹理变化的描述。LBP纹理和色度这两种特征对阴影都不敏感，能克服阴影对运动目标检测结果的影响。对于颜色相近的纹理缺乏区域，LBP纹理不能很好地表示该区域的特征，但是这时色度往往能取得较好效果；而对于运动目标颜色和背景颜色相近的区域，LBP纹理往往又能取得一定的效果。但是传统的LBP计算时，没有考虑到噪声的干扰，误差大；且其二进制编码没有进行归类计算，使得处理速度慢、实时性差。

发明内容

本发明为了克服现有技术中的不足，提供一种结合改进LBP纹理和色度信息结合进行背景的描述，然后把该背景描述应用到混合高斯模型中，达到较好的去除阴影对运动目标检测干扰的目的。

本发明为实现发明目的采用的技术方案是，结合改进的LBP纹理和色度信息的运动目标检测方法，包含以下步骤：

步骤a：初始化混合高斯模型：将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块，对每个小块统计LBP统一模式直方图和局部色度值，把初始的LBP统一模式直方图记作

初始的局部色度向量记作

给定某个方差σ和权值w，得到含有K个背景模式初始混合高斯背景模型；

步骤b：读入下一帧，把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块；

步骤c：对上述每个小块统计LBP统一模式直方图和局部色度值，其中把t时刻的LBP统一模式直方图记作X_t、局部色度向量记作H_t；

步骤d：将X_t、H_t值，依次与混合高斯背景模型中对应小块的K个背景模式进行对比，求相似度，匹配为背景、不匹配为前景；

步骤e：根据步骤d，如果某一小块被判定为背景，将更新混合高斯背景模型中的高斯模型参数；如果某一小块被判定为前景，经处理后将前景通过屏幕显示出来，即为所获得目标运动区域；然后用该小块的X_t、H_t值去替换混合高斯背景模型中权值最小的模型，同时把背景模型中其余模式权值降低，而其它参数不变；

步骤f：归一化权值，对K个背景模式重新排序，使其按照归一化之后的降序排列，即得到新的混合高斯背景模型。

所述的步骤d中求X_t、H_t值与混合高斯背景模型相似度的公式为：

$D(g_i,g_t^i)={\mathrm{\λD}}_{\mathrm{LBP}}(X_t,X_t^i)+(1-\mathrm{\λ})D_{\mathrm{Hue}}(H_t,H_t^i)$

其中i＝1,…,K，λ是一常数，代表判定结果融合参数，满足0≤λ≤1；

如果假设

的变化呈现高斯分布，也就是那么，每一小块的背景模型可以用多个高斯分布来描述，即

其中，是在t时刻第i个高斯背景模型的权值，参数K是背景模式分布的个数，η是一个高斯概率分布函数，它的均值为0，即

$\mathrm{\η}(g_t,0,{\mathrm{\σ}}_{t,i}^2)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_{t,i}}{e}^{-\frac{{g_t}^2}{{2\mathrm{\σ}}_{t,i}^2}}$

对于每一个小块，当存在一个i，1≤i≤K，满足

时，该小块被判定为背景，否则为前景。

所述的步骤d中还包括t时刻的LBP统一模式直方图Xt值之间的相似性比较，具体算法为： $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\Σ}}\min (X_1\left(i\right),X_2\left(i\right)),$ 由于LBP统一模式直方图X₁和X₂是概率的表示，所以满足0≤X₁,X₂≤1，当X₁和X₂两个直方图完全一致时， $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\Σ}}{X}_1\left(i\right)=\underset{i}{\mathrm{\Σ}}{X}_2\left(i\right)=1,$ 根据设定的直方图相似性判定阈值T_LBP，当D_LBP(X₁,X₂)≥T_LBP时，可以判定它们相似。

所述的步骤d中还包括t时刻的局部色度向量H_t之间的相似形比较，H_t定义为：H_t＝{h₀,h₁,h₂,…,h_{blockW*blockH-1}}，其中，blockW和blockH是所分小块的宽度和高度，单位为像素；h₀到h_{blockW*blockH-1}是在所分小块内，按照先行后列的顺序提取的各像素的色度值，所有色度值被归一化到0.0～1.0之间；根据从RGB颜色空间图像转换到HSV颜色空间图像的方法，获取色度分量的公式为：

$\mathrm{Hue}=\left\{\begin{array}{ccc}(G-B)\×60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=R\\ 120+(B-R)\×60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=G\\ 240+(R-G)\×60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=B\end{array}\right.$

Hue＝Hue+360,if Hue＜0

计算得到的色度值满足Hue∈[0,360)，R对应于0°，G对应于120°，B对应于240°，V表示亮度值（Value），再根据以下公式：

$D_{\mathrm{Hue}}(H_1,H_2)=1-\frac{\frac{1}{180}*\underset{i}{\mathrm{\Σ}}\min \left(\right|H_1\left(i\right)-H_2\left(i\right)|,360-|H_1\left(i\right)-H_2\left(i\right)\left|\right)}{\mathrm{blockW}*\mathrm{blockH}}$

并设定一个局部色度相似性判定阈值T_Hue，当D_Hue(H₁,H₂)≥T_Hue时，可以判定它们相似。

所述的步骤e中更新混合高斯背景模型的算法为：

For(i=1;i++;i≤K)

If(i==matchIndex)

$w_t^i=(1-\mathrm{\α})w_{t-1}^i+\mathrm{\α}$

$\mathrm{\ρ}=\mathrm{\α\η}(D(g_t,g_t^i),0,{\mathrm{\σ}}_{t,i}^2)$

$X_t^i=(1-\mathrm{\ρ})X_{t-1}^i+{\mathrm{\ρX}}_t$

$H_t^i=(1-\mathrm{\ρ})H_{t-1}^i+{\mathrm{\ρH}}_t$

${\mathrm{\σ}}_{t,i}^2=(1-\mathrm{\α}){\mathrm{\σ}}_{t-1,t}^2+\mathrm{\α}{\left(D(g_t,g_t^i)\right)}^2$

else

$w_t^i=(1-\mathrm{\α})w_{t-1}^i$

endIf

其中，matchIndex为与判定为背景的小块相匹配的模式的编号。

所述的步骤c中的LBP统一模式直方图的算法为：

$p_{\mathrm{LBP}}\left(k\right)=\frac{n_k}{n},k=\mathrm{0,1,2}\·\·\·,P+1$

其中，有

其中k为图像的第k种LBP统一模式的值，n_k是LBP统一模式的值为k的像素个数，n是图像的总像素个数，LBP统一模式值的种类有P+2种。

所述的LBP统一模式的值

的定义如下：

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}}(x_c,y_c)=\left\{\begin{array}{ccc}\underset{i=0}{\overset{P-1}{\mathrm{\Σ}}}s(g_i-g_c),& \mathrm{if}& U_{P,R}(x_c,y_c)\≤2\\ P+1,& & \mathrm{otherwise}\end{array}\right.,$

$U_{P,R}(x_c,y_c)=\underset{i=0}{\overset{P-2}{\mathrm{\Σ}}}(s(g_i-g_c)\⊕s(g_{i+1}-g_c))+s(g_{P-1}-g_c)\⊕s(g_0-g_c)$

其中 $s\left(u\right)=\left\{\begin{array}{c}1,u\&GreaterEqual;T\\ 0,u<T\end{array}\right.,$

为位运算中的异或运算，g_c表示位置(x_c,y_c)处的灰度值，g_i表示分布在圆心为(x_c,y_c)、半径为R的圆周上的P个点的灰度值，如果g_i不能落在一个精确的像素坐标上，则用双线性插值的方法生成该点的灰度值。

所述的从RGB颜色空间图像转换到HSV颜色空间图像的方法中，转换公式为：

V＝max(R,G,B)

$S=\left\{\begin{array}{ccc}[V-\min (R,G,B)]/V,& \mathrm{if}& V\&NotEqual;0\\ 0,& \mathrm{if}& V=0\end{array}\right.$

$H=\left\{\begin{array}{ccc}(G-B)\&times;60/S,& \mathrm{if}& V=R\\ 120+(B-R)\&times;60/S,& \mathrm{if}& V=G\\ 240+(R-G)\&times;60/S,& \mathrm{if}& V=B\end{array}\right.$

H＝H+360,if H＜0

其中，H表示色度（Hue），代表物体反射出来的光的颜色，表示出来是色度的饼状图，S表示饱和度（Saturation），代表颜色的纯度；V表示亮度值（Value），代表颜色的相对亮度和暗度，R对应于0°，G对应于120°，B对应于240°，饱和度S取值范围为0.0～1.0。

所述的λ∈[0.6,0.8]。

由于采用了上述的技术方案，本发明所取得的技术进步如下：

本发明无论实在室内还是室外、在强阴影还是在弱阴影等场景下，均能够很好的消除阴影和噪声对检测目标的干扰，准确性高、处理速度快、实时性强。

附图说明

图1为本发明的流程示意图。

图2为实施例的LBP统一模式结构图。

图3为HSV颜色空间模型坐标图。

图4为具体实施例1的第一帧。

图5为具体实施例1的测试帧。

图6为具体实施例1的普通GMM检测结果。

图7为具体实施例1的本发明方法的检测结果。

图8为具体实施例2的第一帧。

图9为具体实施例2的测试帧。

图10为具体实施例2的普通GMM检测结果。

图11为具体实施例2的本发明方法的检测结果。

图12为具体实施例3的第一帧。

图13为具体实施例3的测试帧。

图14为具体实施例3的普通GMM检测结果。

图15为具体实施例3的本发明方法的检测结果。

图16为具体实施例4的第一帧。

图17为具体实施例4的测试帧。

图18为具体实施例4的普通GMM检测结果。

图19为具体实施例4的本发明方法的检测结果。

其中图2中的黑点表示1，空心点表示0。

具体实施方式

下面结合具体实施例和附图对本发明最进一步说明：

如图1所示，步骤a：初始化混合高斯模型：将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块，对每个小块统计LBP统一模式直方图和局部色度值，把初始的LBP统一模式直方图记作

初始的局部色度向量记作

给定某个方差σ和权值w，得到初始混合高斯背景模型；

步骤b：读入下一帧，把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块；

步骤c：对上述每个小块统计LBP统一模式直方图和局部色度值，其中把t时刻的LBP统一模式直方图记作X_t、局部色度向量记作H_t；

步骤d：将X_t、H_t值，依次与步骤a所得的混合高斯背景模型中对应小块的K个背景模式进行对比，求相似度，匹配为背景、不匹配为前景；其中求X_t、H_t值与混合高斯背景模型相似度的公式为：

$D(g_i,g_t^i)={\mathrm{\&lambda;D}}_{\mathrm{LBP}}(X_t,X_t^i)+(1-\mathrm{\&lambda;})D_{\mathrm{Hue}}(H_t,H_t^i)$

其中i＝1,…,K，λ是一常数，代表判定结果融合参数，满足0≤λ≤1；

如果假设

的变化呈现高斯分布，也就是

那么，每一小块的背景模型可以用多个高斯分布来描述，即

其中，

是在t时刻第i个高斯背景模型的权值，参数K是背景模式分布的个数，η是一个高斯概率分布函数，它的均值为0，即

$\mathrm{\&eta;}(g_t,0,{\mathrm{\&sigma;}}_{t,i}^2)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{t,i}}{e}^{-\frac{{g_t}^2}{{2\mathrm{\&sigma;}}_{t,i}^2}}$

对于每一个小块，当存在一个i，1≤i≤K，满足

时，该小块被判定为背景，否则为前景。

同时还包括t时刻的LBP统一模式直方图X_t值之间的相似性比较，具体算法为： $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\&Sigma;}}\min (X_1\left(i\right),X_2\left(i\right)),$ 由于LBP统一模式直方图X₁和X₂是概率的表示，所以满足0≤X₁,X₂≤1，当X₁和X₂两个直方图完全一致时， $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\&Sigma;}}{X}_1\left(i\right)=\underset{i}{\mathrm{\&Sigma;}}{X}_2\left(i\right)=1,$ 根据设定的直方图相似性判定阈值T_LBP，当D_LBP(X₁,X₂)≥T_LBP时，可以判定它们相似。

以及t时刻的局部色度向量H_t之间的相似形比较，H_t定义为：H_t＝{h₀,h₁,h₂,…,h_{blockW*blockH-1}}，其中，blockW和blockH是所分小块的宽度和高度，单位为像素；h₀到h_{blockW*blockH-1}是在所分小块内，按照先行后列的顺序提取的各像素的色度值，所有色度值被归一化到0.0～1.0之间；根据从RGB颜色空间图像转换到HSV颜色空间图像的方法，获取色度分量的公式为：

$\mathrm{Hue}=\left\{\begin{array}{ccc}(G-B)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=R\\ 120+(B-R)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=G\\ 240+(R-G)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=B\end{array}\right.$

Hue＝Hue+360,if Hue＜0

计算得到的色度值满足Hue∈[0,360)，R对应于0°，G对应于120°，B对应于240°，V表示亮度值（Value）。色度的值是一个旋转角度，见图3或图4，所以0°和359°只相差1°，两者表示的颜色是非常接近的红色。因此，色度相似性不能简单的看它们之间的绝对差值，还要考虑循环的特性。实际上，两种色度的最大差值出现在它们的差值为180°，也就是在色度圆周上恰好相对，再根据以下公式：

$D_{\mathrm{Hue}}(H_1,H_2)=1-\frac{\frac{1}{180}*\underset{i}{\mathrm{\&Sigma;}}\min \left(\right|H_1\left(i\right)-H_2\left(i\right)|,360-|H_1\left(i\right)-H_2\left(i\right)\left|\right)}{\mathrm{blockW}*\mathrm{blockH}}$

当向量H₁和H₂完全一致时，D_Hue(H₁,H₂)的值为1，当H₁和H₂的每一个对应色度都相差180°时，D_Hue(H₁,H₂)的值为0；并设定一个局部色度相似性判定阈值T_Hue，当D_Hue(H₁,H₂)≥T_Hue时，可以判定它们相似。

步骤e：根据步骤d，如果某一小块被判定为背景，将更新混合高斯背景模型中的高斯模型参数，其算法为：

For(i=1;i++;i≤K)

If(i==matchIndex)

$w_t^i=(1-\mathrm{\&alpha;})w_{t-1}^i+\mathrm{\&alpha;}$

$\mathrm{\&rho;}=\mathrm{\&alpha;\&eta;}(D(g_t,g_t^i),0,{\mathrm{\&sigma;}}_{t,i}^2)$

$X_t^i=(1-\mathrm{\&rho;})X_{t-1}^i+{\mathrm{\&rho;X}}_t$

$H_t^i=(1-\mathrm{\&rho;})H_{t-1}^i+{\mathrm{\&rho;H}}_t$

${\mathrm{\&sigma;}}_{t,i}^2=(1-\mathrm{\&alpha;}){\mathrm{\&sigma;}}_{t-1,t}^2+\mathrm{\&alpha;}{\left(D(g_t,g_t^i)\right)}^2$

else

$w_t^i=(1-\mathrm{\&alpha;})w_{t-1}^i$

endIf

其中，matchIndex为与判定为背景的小块相匹配的模式的编号。

如果某一小块被判定为前景，经处理后将前景通过屏幕显示出来，即为所获得目标运动区域；然后用该小块的X_t、H_t值去替换混合高斯背景模型中权值最小的模型，同时把背景模型中其余模式权值降低，而其它参数不变，即 $w_t^i=(1-\mathrm{\&alpha;})w_{t-1}^i.$

步骤f：归一化权值

对K个背景模式重新排序，使

按照归一化之后的降序排列，即得到新的混合高斯背景模型。

LBP统一直方图：LBP算子得到P位二进制编码，如果把这P位二进制编码首尾相连，统计0跳变为1和1跳变为0的次数，这时，跳变的次数多，表明该处纹理变化快，跳变次数少，表明该处纹理变化慢。定义P位LBP二进制编码首尾相连后的01跳变次数为U：

$U_{P,R}(x_c,y_c)=\underset{i=0}{\overset{P-2}{\mathrm{\&Sigma;}}}(s(g_i-g_c)\&CirclePlus;s(g_{i+1}-g_c))+s(g_{P-1}-g_c)\&CirclePlus;s(g_0-g_c)$

其中， $s\left(u\right)=\left\{\begin{array}{c}1,u\&GreaterEqual;T\\ 0,u<T\end{array}\right.,$

为位运算中的异或运算。例如，00000000的U值为0，11111111的U值为0，00011000的U值为2，00110001的U值为4。可见，U的值可以为0～P之间的偶数。

由于视频中的每帧图像的相邻像素之间的相关性很大，相邻像素值突变的可能性很小，所以，LBP算子得到的二进制编码的变化也不可能太剧烈。经过对一些视频的统计，01跳变次数>2的像素点数占总像素的比例小于4%，但是，P=8，R=1时，LBP算子产生的256种二进制编码中，U_P,R(x_c,y_c)>2的二进制编码有198种，而U_P,R(x_c,y_c)≤2的二进制编码仅有58种，所表示的像素点比例却超过了96%。由于U值取值范围是0～P之间的偶数，所以跳变次数≤2的二进制编码中，01跳变次数要么是0，要么是2。因此，可以尝试把01跳变次数大于2的编码进行压缩。

为了在后续处理中有较高的处理速度，达到实时性要求，首先把198种01跳变次数>2的二进制编码归为一类，这时，原来的256种LBP算子得到的编码就被削减为59种。图2示例了58种跳变次数为0和2的二进制编码。实际上，图2中每一行的各个LBP编码中1的数量是相同的，只是所在的位置不同，为了达到较好的实时性，可再将LBP纹理的种类压缩，使得01跳变次数为0或2的LBP编码中1的数量相同的编码作为一类。定义U的值为0或2的LBP纹理为LBP纹理统一模式

那么，具有P个点时，会出现P+1种统一模式，并根据其中1的数目，分配一个唯一的编号（0～P）给它们，那些U值大于2的模式，称为非统一模式，分配编号P+1。这样，LBP纹理的种类就由原来的256种压缩为P+2种。LBP纹理统一模式

定义如下：

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}}(x_c,y_c)=\left\{\begin{array}{ccc}\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(g_i-g_c),& \mathrm{if}& U_{P,R}(x_c,y_c)\&le;2\\ P+1,& & \mathrm{otherwise}\end{array}\right.,$

其中 $s\left(u\right)=\left\{\begin{array}{c}1,u\&GreaterEqual;T\\ 0,u<T\end{array}\right.,$ U_P,R(x_c,y_c)的计算方法同上。

RGB颜色空间图像转换到HSV颜色空间图像的方法

在RGB颜色空间中，由红（Red）、绿（Green）、蓝（Blue）三原色叠加产生其它的颜色。对于常见的RGB空间的彩色图像，红、绿、蓝三种颜色都用8个二进制位来表示，也就是每个像素完全用24个二进制位来表示，所以称为24位真彩色。

HSV颜色空间是以人类对颜色的感觉为依据而建立的色彩模型。H表示色度（Hue），代表物体反射出来的光的颜色，表示出来是色度的饼状图；S表示饱和度（Saturation），代表颜色的纯度；V表示亮度值（Value），代表颜色的相对亮度和暗度。HSV颜色空间把表示颜色最本质信息的色度与亮度进行了分离。HSV颜色空间模型可以表示为圆柱坐标系中的一个圆锥形子集，见图3。圆锥顶面对应于V=1.0，表示亮度最亮，下方圆锥的顶点对应于V=0.0，表示亮度最暗。围绕亮度V轴，色度H由规定的旋转角度指定，红色对应于0°，绿色对应于120°，蓝色对应于240°。饱和度S取值范围为0.0～1.0，所以，圆锥顶面的半径为1.0。

在对运动目标检测算法的研究中，需要对视频图像进行颜色空间的转换，RGB颜色空间图像转为HSV颜色空间图像的公式是：

V＝max(R,G,B)

$S=\left\{\begin{array}{ccc}[V-\min (R,G,B)]/V,& \mathrm{if}& V\&NotEqual;0\\ 0,& \mathrm{if}& V=0\end{array}\right.$

$H=\left\{\begin{array}{ccc}(G-B)\&times;60/S,& \mathrm{if}& V=R\\ 120+(B-R)\&times;60/S,& \mathrm{if}& V=G\\ 240+(R-G)\&times;60/S,& \mathrm{if}& V=B\end{array}\right.$

H＝H+360,if H＜0

具体实施时：采用CPU为Intel i3-350处理器、2GB内存的笔记本进行实验，操作系统为Windows XP SP3，安装了Visual C++6.0和OpenCV1.0，依据上述算法，使用R=1和P=8计算

计算局部LBP纹理直方图和局部色度信息时，blockW=4，blockH=4。高斯背景模型的个数K=3，实验中，当融合参数λ∈[0.6,0.8]取得较好的结果，本实施例是λ＝0.65时的结果。背景模型的更新速率α设为0.01。

实施例1

采用上述运动目标检测方法及具体参数设置对室内强阴影场景进行测试，其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图4、5、6、7所示。

实施例2

采用上述运动目标检测方法及具体参数设置对室内弱阴影场景进行测试，其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图8、9、10、11所示。

实施例3

采用上述运动目标检测方法及具体参数设置对室外强阴影场景进行测试，其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图12、13、14、15所示。

实施例4

采用上述运动目标检测方法及具体参数设置对室外弱阴影场景进行测试，其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图16、17、18、19所示。

Claims (9)

1.结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：包含以下步骤：

步骤a：初始化混合高斯模型：将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块，对每个小块统计LBP统一模式直方图和局部色度值，把初始的LBP统一模式直方图记作

初始的局部色度向量记作

给定某个方差σ和权值w，得到含有K个背景模式初始混合高斯背景模型；

步骤b：读入下一帧，把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块；

步骤c：对上述每个小块统计LBP统一模式直方图和局部色度值，其中把t时刻的LBP统一模式直方图记作X_t、局部色度向量记作H_t；

步骤d：将X_t、H_t值，依次与混合高斯背景模型中对应小块的K个背景模式进行对比，求相似度，匹配为背景、不匹配为前景；

步骤e：根据步骤d，如果某一小块被判定为背景，将更新混合高斯背景模型中的高斯模型参数；如果某一小块被判定为前景，经处理后将前景通过屏幕显示出来，即为所获得目标运动区域；然后用该小块的X_t、H_t值去替换混合高斯背景模型中权值最小的模型，同时把背景模型中其余模式权值降低，而其它参数不变；

步骤f：归一化权值，对K个背景模式重新排序，使其按照归一化之后的降序排列，即得到新的混合高斯背景模型。

2.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的步骤d中求X_t、H_t值与混合高斯背景模型相似度的公式为：

$D(g_i,g_t^i)={\mathrm{\&lambda;D}}_{\mathrm{LBP}}(X_t,X_t^i)+(1-\mathrm{\&lambda;})D_{\mathrm{Hue}}(H_t,H_t^i)$

其中i＝1,…,K，λ是一常数，代表判定结果融合参数，满足0≤λ≤1；

如果假设

的变化呈现高斯分布，也就是

那么，每一小块的背景模型可以用多个高斯分布来描述，即

其中，

是在t时刻第i个高斯背景模型的权值，参数K是背景模式分布的个数，η是一个高斯概率分布函数，它的均值为0，即

$\mathrm{\&eta;}(g_t,0,{\mathrm{\&sigma;}}_{t,i}^2)=\frac{1}{\sqrt{2\mathrm{\&pi;}}{\mathrm{\&sigma;}}_{t,i}}{e}^{-\frac{{g_t}^2}{{2\mathrm{\&sigma;}}_{t,i}^2}}$

对于每一个小块，当存在一个i，1≤i≤K，满足

时，该小块被判定为背景，否则为前景。

3.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的步骤d中还包括t时刻的LBP统一模式直方图X_t值之间的相似性比较，具体算法为： $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\&Sigma;}}\min (X_1\left(i\right),X_2\left(i\right)),$ 由于LBP统一模式直方图X₁和X₂是概率的表示，所以满足0≤X₁,X₂≤1，当X₁和X₂两个直方图完全一致时， $D_{\mathrm{LBP}}(X_1,X_2)=\underset{i}{\mathrm{\&Sigma;}}{X}_1\left(i\right)=\underset{i}{\mathrm{\&Sigma;}}{X}_2\left(i\right)=1,$ 根据设定的直方图相似性判定阈值T_LBP，当D_LBP(X₁,X₂)≥T_LBP时，可以判定它们相似。

4.根据权利要求1或3所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的步骤d中还包括t时刻的局部色度向量H_t之间的相似形比较，H_t定义为：H_t＝{h₀,h₁,h₂,…,h_{blockW*blockH-1}}，其中，blockW和blockH是所分小块的宽度和高度，单位为像素；h₀到h_{blockW*blockH-1}是在所分小块内，按照先行后列的顺序提取的各像素的色度值，所有色度值被归一化到0.0～1.0之间；根据从RGB颜色空间图像转换到HSV颜色空间图像的方法，获取色度分量的公式为：

$\mathrm{Hue}=\left\{\begin{array}{ccc}(G-B)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=R\\ 120+(B-R)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=G\\ 240+(R-G)\&times;60/[\max (R,G,B)-\min (R,G,B)],& \mathrm{if}& V=B\end{array}\right.$

Hue＝Hue+360,if Hue＜0

计算得到的色度值满足Hue∈[0,360)，R对应于0°，G对应于120°，B对应于240°，V表示亮度值（Value），再根据以下公式：

$D_{\mathrm{Hue}}(H_1,H_2)=1-\frac{\frac{1}{180}*\underset{i}{\mathrm{\&Sigma;}}\min \left(\right|H_1\left(i\right)-H_2\left(i\right)|,360-|H_1\left(i\right)-H_2\left(i\right)\left|\right)}{\mathrm{blockW}*\mathrm{blockH}}$

并设定一个局部色度相似性判定阈值T_Hue，当D_Hue(H₁,H₂)≥T_Hue时，可以判定它们相似。

5.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的步骤e中更新混合高斯背景模型的算法为：

For(i=1;i++;i≤K)

If(i==matchIndex)

$w_t^i=(1-\mathrm{\&alpha;})w_{t-1}^i+\mathrm{\&alpha;}$

$\mathrm{\&rho;}=\mathrm{\&alpha;\&eta;}(D(g_t,g_t^i),0,{\mathrm{\&sigma;}}_{t,i}^2)$

$X_t^i=(1-\mathrm{\&rho;})X_{t-1}^i+{\mathrm{\&rho;X}}_t$

$H_t^i=(1-\mathrm{\&rho;})H_{t-1}^i+{\mathrm{\&rho;H}}_t$

${\mathrm{\&sigma;}}_{t,i}^2=(1-\mathrm{\&alpha;}){\mathrm{\&sigma;}}_{t-1,t}^2+\mathrm{\&alpha;}{\left(D(g_t,g_t^i)\right)}^2$

else

$w_t^i=(1-\mathrm{\&alpha;})w_{t-1}^i$

endIf

其中，matchIndex为与判定为背景的小块相匹配的模式的编号。

6.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的LBP统一模式直方图的算法为：

$p_{\mathrm{LBP}}\left(k\right)=\frac{n_k}{n},k=\mathrm{0,1,2}\&CenterDot;\&CenterDot;\&CenterDot;,P+1$

其中，有

其中k为图像的第k种LBP统一模式的值，n_k是LBP统一模式的值为k的像素个数，n是图像的总像素个数，LBP统一模式值的种类有P+2种。

7.根据权利要求6所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的LBP统一模式的值

的定义如下

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}}(x_c,y_c)=\left\{\begin{array}{ccc}\underset{i=0}{\overset{P-1}{\mathrm{\&Sigma;}}}s(g_i-g_c),& \mathrm{if}& U_{P,R}(x_c,y_c)\&le;2\\ P+1,& & \mathrm{otherwise}\end{array}\right.,$

$U_{P,R}(x_c,y_c)=\underset{i=0}{\overset{P-2}{\mathrm{\&Sigma;}}}(s(g_i-g_c)\&CirclePlus;s(g_{i+1}-g_c))+s(g_{P-1}-g_c)\&CirclePlus;s(g_0-g_c)$

其中 $s\left(u\right)=\left\{\begin{array}{c}1,u\&GreaterEqual;T\\ 0,u<T\end{array}\right.,$

为位运算中的异或运算，g_c表示位置(x_c,y_c)处的灰度值，g_i表示分布在圆心为(x_c,y_c)、半径为R的圆周上的P个点的灰度值，如果g_i不能落在一个精确的像素坐标上，则用双线性插值的方法生成该点的灰度值。

8.根据权利要求4所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的从RGB颜色空间图像转换到HSV颜色空间图像的方法中，转换公式为：

V＝max(R,G,B)

$S=\left\{\begin{array}{ccc}[V-\min (R,G,B)]/V,& \mathrm{if}& V\&NotEqual;0\\ 0,& \mathrm{if}& V=0\end{array}\right.$

$H=\left\{\begin{array}{ccc}(G-B)\&times;60/S,& \mathrm{if}& V=R\\ 120+(B-R)\&times;60/S,& \mathrm{if}& V=G\\ 240+(R-G)\&times;60/S,& \mathrm{if}& V=B\end{array}\right.$

H＝H+360,if H＜0

其中，H表示色度（Hue），代表物体反射出来的光的颜色，表示出来是色度的饼状图，S表示饱和度（Saturation），代表颜色的纯度；V表示亮度值（Value），代表颜色的相对亮度和暗度，R对应于0°，G对应于120°，B对应于240°，饱和度S取值范围为0.0～1.0。

9.根据权利要求2所述的结合改进的LBP纹理和色度信息的运动目标检测方法，其特征在于：所述的λ∈[0.6,0.8]。

Images