CN103985140B - 一种基于频域处理的抗噪运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于频域处理的抗噪运动目标检测方法，属于数字图像处理领域；首先，对所采集的图像进行二维傅里叶变换投影，得到图像频谱信息；然后，利用低通滤波器，选择频谱图中的低频部分进行处理；最后，根据图像前后帧低频频谱变化趋势，利用频谱能量函数选择出运动目标。经过上述频域变换和低频选择后，处于高频的噪声信息被有效地滤除掉，使得本发明所述方法具有抗噪性，能够准确提取噪声背景下的运动目标。

Description

一种基于频域处理的抗噪运动目标检测方法

技术领域

本发明涉及数字图像处理领域，特别是一种针对图像序列受噪声污染条件下，基于频域处理的抗噪运动目标检测方法。

背景技术

近十几年来，随着数码技术的普及和计算能力的提升，基于计算机视觉技术的运动目标检测得到国内外学者的密切关注与研究。运动目标检测是指一类从给定的图像序列或监控视频中准确、完整地提取运动目标的方法。所提取的运动目标信息是追踪、目标识别、行为理解等高层次视频处理技术的基础。作为智能视频监控系统中的关键技术，从应用上讲，运动目标检测可用于交通流量监控、行车障碍物检测等智能交通领域，也可用于越线报警、入侵检测等安防监控领域。

面向数字图像、视频的运动目标检测技术其研究热点主要集中于动态、复杂的背景。但是，相比背景动态，光照变化等情况，现有的运动目标检测方法却对于受污染信号这一基本问题没有较深入的讨论与研究。噪声作为一种最常见和主要的污染信号，存在于数字图像\视频采集的各个过程中，并会对图像复原、运动检测、目标识别等图像\视频处理造成极大的影响。过大的噪声会致使传统的运动检测方法效果不理想甚至完全失效。例如经典的运动目标检测方法——混合高斯模型，通过统计模型估计当前帧像素值依次来区分前景与背景，效果如图2(b1-b4)所示；视觉背景描述子(ViBe)作为一种现在主流的运动目标检测，利用分类级联的思想，得到广泛的应用，但其也并不能很好的解决噪声条件下的运动目标检测问题，效果如图2(d1-d4)所示；利用频域信息进行目标检测的相关研究主要集中于图像解析度较低的雷达、红外图像的检测，并没有相关具体算法针对低照度环境下的运动目标检测。

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，提供一种基于频域处理的抗噪运动目标检测方法，能在含噪条件下，使得运动目标检测仍具有有效性和抗噪性。

为解决上述技术问题，本发明所采用的技术方案是：一种基于频域处理的抗噪运动目标检测方法，包括如下步骤：

步骤一、对所采集到的视频序列进行二维傅里叶变换，得到其频谱能量图：

1)将采集到的K帧图像进行图像块划分，每个图像块的大小为经过矢量化后，每个图像块为一个长度为N的向量；对于所述K帧图像，其同一位置上的图像块构成大小为N×K的矩阵X；

2)对上述矩阵X进行二维傅里叶变换，得到其频谱能量图：

$F(w,v)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}\exp (\frac{-2\mathrm{\πi}}{\mathrm{NK}}*(w*n+v*k))$

式中，w,v表示频谱能量图上像素点的坐标，n,k为图像空间上的像素点坐标；

3)对步骤2)中得到的频谱能量图进行滤波处理：

$P(w,v)=F(w,v)\⊗H(w,v)$

式中，H(w,v)为所采用的低通滤波器，P(w,v)为滤波后的频谱能量图；

步骤二、根据滤波后的频谱能量图，求得背景和前景的能量函数，然后根据能量函数比值的不同，将背景与运动目标分离出来：

频谱能量图中，背景能量E_B和前景目标能量E_F的函数式如下所示：

$E_B=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

$E_F=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}\underset{v=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,v)-\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

令R为频域能量图中背景能量与前景目标能量的比值，即R＝E_B/E_F；若比值R大于阈值T，则认为该图像块内包含运动目标；反之，则认为不含有运动目标；

步骤三、遍历图像上不同位置的所有图像块，完成对图像序列的运动目标检测。

上述低通滤波器可以采用各种不同的低通滤波器均能实现发明目的，其中的阈值T的大小根据检测环境的不同而不同，具体的选值要依据经验值设定。

与现有的运动目标检测技术相比，本发明所具有的有益效果为：

本发明利用图像结构与噪声在频域分布的不同，经过二维傅里叶变换和低通滤波器后，有效地滤除噪声等高频信号的污染；其次，利用背景与前景在频谱分布的能量不同，根据二者的比值判断出运动目标所在的位置。由于经过频域变换和低通滤波，这使得本发明所提方法具有抗噪性，即使是噪声环境下，也能准确地检测出运动目标。

附图说明

图1是本发明的流程图；

图2是本发明的对比效果图，其中：

图2(a1-a4)为含噪测试图像；

图2(b1-b4)为混合高斯模型检测结果；

图2(c1-c4)为自组织背景减(SOBS)方法检测结果；

图2(d1-d4)为视觉背景描述子(ViBe)方法检测结果；

图2(e1-e4)为本发明所提方法检测结果；

图3为本发明对同一图像块进行频谱变换的示意图。

具体实施方式

如图1所示，以下结合实施例对本发明所述方法进行描述：

首先，图像帧的处理间隔为10帧，即发明内容部分中帧数K的大小取值为10。所采集的含噪图像序列大小为320×240，每个图像块的大小为3×3。将这10帧图像同一位置的图像块矢量化后构成大小为9×10的矩阵X。

对矩阵X进行二维傅里叶变换，得到其频谱能量图：

$F(w,v)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}\exp (\frac{-2\mathrm{\πi}}{\mathrm{NK}}*(w*n+v*k))$

式中，N和K的大小分别为9和10，w和v的大小与N和K相同。

对所得到的频谱能量图F(w,v)进行滤波处理：

$P(w,v)=F(w,v)\⊗H(w,v)$

式中，H(w,v)为所采用的低通滤波器，P(w,v)为滤波后的频谱图如图3所示。

根据滤波后的频谱图像P(w,v)，计算背景能量E_B和前景目标能量E_F，其计算公式如下：

$E_B=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

$E_F=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}\underset{v=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,v)-\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

令R为频域内背景能量与前景能量的比值，即R＝E_B/E_F。若R大于阈值T，则认为该图像块内包含运动目标；反之，则认为不含有运动目标。其中阈值的选取与所检测的场景有关，可以通过试验的方法找到特定场景的特定阈值。图2中所示的大噪声场景采用的阈值0.3。

最后，遍历图像上不同位置的所有图像块，完成对图像序列的运动目标检测，输出检测结果如图2(e1-e4)所示。

Claims (1)

1.一种基于频域处理的抗噪运动目标检测方法，其特征在于，包括如下步骤：

步骤一、对所采集到的视频序列进行二维傅里叶变换，得到其频谱能量图,具体为：

1)将采集到的K帧图像进行图像块划分，每个图像块的大小为经过矢量化后，每个图像块为一个长度为N的向量；对于所述K帧图像，其同一位置上的图像块构成大小为N×K的矩阵X；

2)对上述矩阵X进行二维傅里叶变换，得到其频谱能量图：

$F(w,v)=\stackrel{N-1}{\underset{n=0}{\mathrm{\Σ}}}\underset{k=0}{\overset{K-1}{\mathrm{\Σ}}}\exp (\frac{-2\mathrm{\πi}}{\mathrm{NK}}*(w*n+v*k))$

式中，w,v表示频谱能量图上像素点的坐标，n,k为图像空间上的像素点坐标；

3)对步骤2)中得到的频谱能量图进行滤波处理：

$P(w,v)=F(w,v)\⊗H(w,v)$

式中，H(w,v)为所采用的低通滤波器，P(w,v)为滤波后的频谱能量图；

步骤二、根据滤波后的频谱能量图，求得背景和前景的能量函数，然后根据能量函数比值的不同，将背景与运动目标分离出来：

频谱能量图中，背景能量E_B和前景目标能量E_F的函数式如下所示：

$E_B=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

$E_F=\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}\underset{v=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,v)-\underset{w=-\mathrm{\π}}{\overset{\mathrm{\π}}{\mathrm{\Σ}}}{P}^2(w,0)$

令R为频域能量图中背景能量与前景目标能量的比值，即R＝E_B/E_F；若比值R大于阈值T，则认为该图像块内包含运动目标；反之，则认为不含有运动目标；

步骤三、遍历图像上不同位置的所有图像块，完成对图像序列的运动目标检测。