CN103870847B - 一种低照度环境下对地监控的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种低照度环境下对地监控的运动目标检测方法，属于数字图像处理领域；首先，采用稀疏表示理论中字典学习的方法求得字典；然后，采用正交匹配追踪方法求得所监控场景的背景图像和当前帧图像的稀疏系数；最后，根据稀疏系数的分布不同判断运动目标区域。本发明的方法对于低照度引起的大噪声有很好的鲁棒性，保证了对地监控视频在低照度环境下对运动目标检测的准确性和适应性。

Description

一种低照度环境下对地监控的运动目标检测方法

技术领域

本发明涉及数字图像处理领域,特别是一种针对低照度条件下，处理高空对地监控采集的大噪声图像中的运动目标检测方法。

背景技术

高空对地监控已经广泛应用在民用和军用领域，在对地搜救、军事侦查与预警中发挥着越来越重要的作用。其需要具备持久和高精确度侦察、监视能力，以及对特定目标的自动识别、跟踪和快速定位能力。各国现有的主流对地监控侦察机和无人机，如美国的“全球鹰”、“捕食者”，英国的“雷电之神”、以色列的“苍鹭”等均有装载光电、红外传感器，合成孔径雷达(SAR)作为最主要的情报、监视、和侦察手段。SAR图像利用物体对雷达波的反射特性成像，具有全天候、全天时的工作特点，然而其影像分辨率相对较低，成像过程也损失了较多的信息；红外传感器能够可以取得夜间的图像情报，由于其热成像原理，易受到侦察机高速飞行时部件热扩散的影响，导致成像模糊；基于可见光的光电传感器具有成像画面直观，图像情报解像度高的特点，对目标检测、识别、跟踪等方面具有很好的优势。但是，这类传感器极易受到照度的影响。在极低照度环境下，CMOS/CCD摄像机由于其成像原理，所拍摄的图像/视频含有大量的噪声，这会给运动目标检测以及后续的目标识别、跟踪等处理带来极大地影响。针对低照度环境下的运动目标检测，有些学者提出先去噪再检测的方法。然而，即便是现有最先进和高效的去噪算法，在去噪的过程中也会损失大量的图像细节，其残留噪声也会影响传统运动目标检测算法的有效性。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种低照度环境下对地监控的运动目标检测方法，保证在低照度环境下对面运动物体检测的鲁棒性和有效性。

为解决上述技术问题，本发明所采用的技术方案是：一种低照度环境下对地监控的运动目标检测方法，包括如下步骤：

1)从任意的对地监控视频中选取M帧图像，将所述M帧图像分为N个包含了个像素的图像块，所述n为像素个数；将所有的图像块矢量化后，得到字典的训练样本

2)从训练样本Y中随机选取k个向量作为初始字典D₀∈R^n×k；

3)令算法循环次数J＝1；

4)采用正交匹配追踪方法求得y_i的稀疏系数α_i，使得对于任意的i＝1,2,…N，都满足如下约束：

$\underset{{\mathrm{\&alpha;}}_i}{\min }{\left|\right|y}_i-D_{J-1}{\mathrm{\&alpha;}}_i{\left|\right|}_2^{2}s.t{\left|\right|{\mathrm{\&alpha;}}_i\left|\right|}_0<\mathrm{\&lambda;}$

其中，λ为正则化参数，那么对于字典D_J-1，其稀疏系数矩阵A为[α₁,α₂,…α_N]，

5)利用稀疏系数矩阵A对字典D_J-1＝[d₁,d₂,…d_k]进行更新：

5.1)令j＝1；

5.2)令其中表示稀疏系数矩阵A中原子d_j对应的第j行；

5.3)令Ω_j为N×|ω_j|大小的矩阵，该矩阵在(ω_j(i),i)处的值为1，其他点为0；

5.3)对于原子d_j，其稀疏表示误差为其中d_e表示字典中第e个原子，表示稀疏系数矩阵A中原子d_e对应的第e行，其去掉零输入后的系数表示误差为

5.4)对去掉零输入后的系数表示误差进行奇异值分解，得到则更新后的为矩阵U的第一列，更新后的为矩阵V的第一列与Δ(1,1)的乘积；

5.5)令j＝j+1，直到j＝N，就完成对字典D_J-1的更新；

6)得到更新后的字典D_J；

7)令算法循环次数J＝J+1，重复步骤4)～6)，直到算法循环次数J达到预设的次数，即得到一个字典D；

8)对于任意监控测试视频，假设所监控场景的背景图像为I_B，对其进行分块，每个图像块的大小为个像素,共计M个图像块，采用步骤4)中的正交匹配追踪方法求得每个图像块上的稀疏系数X_B＝[x₁,x₂,…x_M]；同理，对于任意的测试图像I_T，其稀疏系数为X_T＝[x′₁,x′₂,…x′_M]；

9)利用下式计算所述测试图像I_T第l个测试图像块的前景检测值I_F(l)：

$\left\{\begin{array}{c}{I}_{F1}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_0-{\left|\right|X_T\left(l\right)\left|\right|}_0|\\ I_{F2}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_1-{\left|\right|X_T\left(l\right)\left|\right|}_1|\end{array}\right.$

10)判断前景检测值I_F1(l)和I_F2(l)是否大于预设阈值T₁和T₂，若二者均大于阈值，则认为第l个测试图像块属于前景；否则，认为第l个测试图像块属于背景，从而得到了低照度运动检测结果。

作为优选方案，所述步骤1)中M帧图像中的M＝50～100。步骤7)中的算法循环次数J预设为5～10次。步骤4)中正则化参数λ的值为15。

本发明中的背景图像即视频图像中没有前景进入的图像。本发明采用由K-均值算法扩展而来的K-SVD方法求解字典，它已经被广泛应用于图像去噪、人脸识别等图像视频处理领域中的字典求解问题。K-SVD算法非常灵活，能够和常见的稀疏分解最优原子搜索算法结果，如匹配追踪、正交匹配追踪、基追踪等方法结合使用。

与现有对地监控中的运动目标自动检测技术相比，本发明所具有的有益效果为：

本发明采用K-SVD字典学习的方法，求得一个独立于场景的字典，通过稀疏表示，该字典可以应用于任意的对地监控的运动目标检测中；其次，针对低照度环境引起光学相机的大噪声问题，采用正交匹配跟踪算法求得背景图像和当前帧图像在字典上的稀疏系数；最后，根据稀疏系数的分布与值大小的不同，在准确地检测出运动目标的同时，能够保证对噪声有较高的鲁棒性。

附图说明

图1是本发明的流程图；

图2是为本发明所求得的字典；

图3是本发明所述用字典和稀疏系数表示背景模型和当前帧图像的示意图；

图4是在不同程度的高斯白噪声下，本发明与混合高斯模型的对比示意图。

具体实施方式

如图1，本发明首先对采集到的高空对地监控视频提取训练集，该训练集的选取具有任意性，采用K-SVD和正交匹配追踪算法求得字典,所求字典如图2所示；对于所要进行运动目标检测的对地监控视频，采用正交匹配追踪方法求得其背景图像和当前帧图像在字典上的稀疏系数，并得到其稀疏表示，如图3所示，分别为背景图像和当前帧图像在所求字典上的稀疏表示示意图；最后根据稀疏系数的分布和值大小不同，求得运动目标。由于采用了字典学习和稀疏编码，能够有效地消除低照度引起的大噪声影响，保证了本发明在低照度环境下对地监控的准确性。

以下结合具体数据提供一组实施例对本发明所述步骤进行具体描述：

首先，求得用于后续步骤的字典。任意提取高空监控摄像头所拍摄的视频图像帧100张，大小为640×480，所选取的图像帧包含多种不同的场景，具有任意性。将所取的图像分成8×8的图像块，共计480000个图像块。矢量化后，用于字典训练的样本集为采用K-SVD的方法进行训练，求得一个包含256个原子，每个原子维度为64的字典即设发明内容所述中的n＝64，k＝256。

其次，对于需要进行检测的对地监控视频，采用下式求得背景图像帧I_B和当前图像帧I_T在字典D上的稀疏系数X_B和X_T

$\underset{{\mathrm{\&alpha;}}_i}{\min }{\left|\right|y}_i-D_{J-1}{\mathrm{\&alpha;}}_i{\left|\right|}_2^{2}s.t{\left|\right|{\mathrm{\&alpha;}}_i\left|\right|}_0<\mathrm{\&lambda;}$

其中，λ为正则化参数，本发明中λ的值为15。

最后，利用下式计算所述测试图像I_T第l个测试图像块的前景检测值I_F(l)：

$\left\{\begin{array}{c}{I}_{F1}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_0-{\left|\right|X_T\left(l\right)\left|\right|}_0|\\ I_{F2}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_1-{\left|\right|X_T\left(l\right)\left|\right|}_1|\end{array}\right.$

判断I_F1(l)和I_F2(l)是否大于预设阈值T₁和T₂，若二者均大于阈值，则认为第l个测试图像块属于前景；否则，认为l个测试图像块属于背景。

通过以上本发明所提出的针对低照度环境下的运动检测算法，能够准确地检测出在极大噪声下的地面运动目标。如图4所示，为本发明与混合高斯模型的对比，图4(a1)、图4(a2)、图4(a3)第一行分别为轻度、中度、重度噪声图像，所添加的噪声分别为方差为50、100、150的高斯白噪声。图4(b1)、图4(b2)、图4(b3)为本发明的检测结果，图4(c1)、图4(c2)、图4(c3)为混合高斯模型的检测结果，通过对比可以看出，对于不同类型的噪声，本发明所述的算法仍然有很好的鲁棒性和准确性。

综上所述，针对高空对地侦查中所遇到的低照度或极大噪声环境，本发明所提的基于稀疏表示的运动检测方法具有良好的准确性与鲁棒性。

Claims (4)

1.一种低照度环境下对地监控的运动目标检测方法，其特征在于，包括如下步骤：

1)从任意的对地监控视频中选取M帧图像，将所述M帧图像分为N个包含了个像素的图像块，所述n为像素个数；将所有的图像块矢量化后，得到字典的训练样本

2)从训练样本Y中随机选取k个向量作为初始字典D₀∈R^n×k；

3)令算法循环次数J＝1；

4)采用正交匹配追踪方法求得y_i的稀疏系数α_i，使得对于任意的i＝1,2,…N，都满足如下约束：

$\underset{{\mathrm{\&alpha;}}_i}{\min }{\left|\right|y_i-D_{J-1}{\mathrm{\&alpha;}}_i\left|\right|}_2^2$   s.t||α_i||₀＜λ

其中，λ为正则化参数，那么对于字典D_J-1＝[d₁,d₂,…d_k]，其稀疏系数矩阵A为[α₁,α₂,…α_N]，

5)利用稀疏系数矩阵A对字典D_J-1＝[d₁,d₂,…d_k]进行更新：

5.1)令j＝1；

5.2)令其中表示稀疏系数矩阵A中原子d_j对应的第j行；

5.3)令Ω_j为N×|ω_j|大小的矩阵，该矩阵在(ω_j(i),i)处的值为1，其他点为0；

5.3)对于原子d_j，其稀疏表示误差为其中d_e表示字典中第e个原子，表示稀疏系数矩阵A中原子d_e对应的第e行，其去掉零输入后的系数表示误差为

5.4)对去掉零输入后的系数表示误差进行奇异值分解，得到则更新后的为矩阵U的第一列，更新后的为矩阵V的第一列与Δ(1,1)的乘积；

5.5)令j＝j+1，直到j＝N，就完成对字典D_J-1的更新；

6)得到更新后的字典D_J；

7)令算法循环次数J＝J+1，重复步骤4)～6)，直到算法循环次数J达到预设的次数，即得到一个字典D；

8)对于任意监控测试视频，假设所监控场景的背景图像为I_B，对其进行分块，每个图像块的大小为个像素,共计M个图像块，采用步骤4)中的正交匹配追踪方法求得每个图像块上的稀疏系数X_B＝[x₁,x₂,…x_M]；同理，对于任意的测试图像I_T，其稀疏系数为X_T＝[x′₁,x′₂,…x′_M]；

9)利用下式计算所述测试图像I_T第l个测试图像块的前景检测值I_F(l)：

$\left\{\begin{array}{c}{I}_{F1}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_0-{\left|\right|X_T\left(l\right)\left|\right|}_0|\\ I_{F2}\left(l\right)=|{\left|\right|X_B\left(l\right)\left|\right|}_1-{\left|\right|X_T\left(l\right)\left|\right|}_1|\end{array}\right.$

10)判断前景检测值I_F1(l)和I_F2(l)是否大于预设阈值T₁和T₂，若二者均大于阈值，则认为第l个测试图像块属于前景；否则，认为第l个测试图像块属于背景，从而得到了低照度运动检测结果。

2.根据权利要求1所述的低照度环境下对地监控的运动目标检测方法，其特征在于，所述步骤1)中M帧图像中的M＝50～100。

3.根据权利要求1或2所述的低照度环境下对地监控的运动目标检测方法，其特征在于，步骤7)中的算法循环次数J预设为5～10次。

4.根据权利要求1或2所述的低照度环境下对地监控的运动目标检测方法，其特征在于，步骤4)中正则化参数λ的值为15。