CN104537688A

CN104537688A - 一种基于背景差分和hog特征的运动目标检测方法

Info

Publication number: CN104537688A
Application number: CN201410818244.0A
Authority: CN
Inventors: 韩光; 顾静; 李晓飞; 吴鹏飞
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2014-12-24
Filing date: 2014-12-24
Publication date: 2015-04-22

Abstract

本发明公开了一种基于背景差分和HOG特征的运动目标检测方法。该方法通过先进行计算量小的背景差分算法，尽量缩减HOG检测区域，然后再对背景差法提取到的目标前景图像进行HOG特征检测，从而能够有效的并且快速的对运动目标进行检测，同时克服了阴影光照等外界环境引起的误检、漏检或者多检问题，具有良好的鲁棒性。

Description

一种基于背景差分和HOG特征的运动目标检测方法

技术领域

本发明涉及一种基于背景差分和HOG特征的运动目标检测方法,属于图像处理技术领域。

背景技术

运动目标检测技术是智能视频分析系统的关键技术之一。常规的运动目标检测技术包括光流法，背景差法和帧差法。单个的光流法算法速度较慢，且对硬件的要求比较高，将会使得系统的成本提高；单个的帧差法在特殊的场景下鲁棒性不强，比如有阴影，有镜面反射的条件下，性能较差；单个的背景差法虽然具有较快的计算速度，但是它的精确度一般，且还有很多的提升空间。

HOG(Histogram of Oriented Gradient)行人检测是由Dalal等人提出的一种基于机器学习的静态图像行人检测算法。其主要思想是利用小块上的梯度方向直方图来描述图像。通过调整特征提取时的参数，HOG特征可以有效地描述人体的形状信息，同时对局部区域较小的平移和旋转运动具有一定的不变性。Dalal等人提出了HOG特征结合SVM分类器进行行人检测，达到了很好的检测效果。然而，由于HOG特征提取计算复杂，使得该方法速度很慢，很难满足实际应用系统的需求。

如公开号为CN102750532A的中国专利公开了一种“基于部件的目标检测方法”，该方法将目标分成几个部件来进行检测，这样的方法虽然在准确度上有所提高，但是在运行速度上还是有所欠缺的。

发明内容

本发明所要解决的技术问题是提供一种基于背景差分和HOG特征的目标检测算法，通过先进行计算量小的背景差分算法，尽量缩减HOG检测区域，然后再对背景差法提取到的目标前景图像进行HOG特征检测，从而能够有效的并且快速的对运动目标进行检测，同时克服了阴影光照等外界环境引起的误检、漏检或者多检问题，具有良好的鲁棒性。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于背景差分和HOG特征的运动目标检测方法，包括以下步骤：

步骤1，获取视频，采用背景差分方法，对视频进行背景建模，提取出目标前景图像；

步骤2，对步骤1中提取出的目标前景图像进行校正，具体为确定提取出的目标前景图像中每个待校正区域的位置，并计算每个待校正区域的外接矩形的大小，对每个待校正区域进行以下处理：

201，若某个待校正区域被另一个待校正区域的外接矩形完全包含，则将该区域加入到另一个区域中；

202，若某个待校正区域的外接矩形与另一个待校正区域的外接矩形相交或两者之间的距离小于阈值，则将两个区域合并；

203，将剩余的待校正区域中外接矩形面积小于设定值的区域直接过滤掉；

204，将经过步骤201-203后剩下的外接矩形作为运动区域；

步骤3，在校正后的目标前景图像中，用HOG特征描述子进行运动区域内的目标检测。

作为本发明的进一步优化方案，步骤1中背景建模是采用自适应背景模型。

作为本发明的进一步优化方案，步骤3中用HOG特征描述子进行运动区域内的目标检测，具体步骤如下：

301，采用Gamma校正法对步骤2中校正后的目标前景图像进行颜色空间的标准化；

302，对步骤301中标准化之后的图像进行分块，再将每个块进行单元划分；

303，计算步骤2中校正后的目标前景图像的梯度；

304，将步骤303中计算得到的梯度投影到单元的梯度方向，并且构建直方图；

305，将所有单元在块上进行归一化；

306，提取运动区域内所有块的HOG特征；

307，将步骤306中提取的HOG特征输入到SVM分类器中，寻找一个最优超平面作为决策函数，从而完成目标检测。

作为本发明的进一步优化方案，步骤202中所述阈值通过OTST动态阈值算法得出。

作为本发明的进一步优化方案，通过形态学滤波对步骤1提取出的目标前景图像进行噪声消除。

本发明采用以上技术方案与现有技术相比，本发明检测精确度高，漏检率、误检率大大减小；本发明中算法的计算量大大减小，因而检测速度大大提高；本发明克服了阴影光照等外界环境引起的误检、漏检或者多检问题，具有良好的鲁棒性。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明设计一种基于背景差分和HOG特征的运动目标检测方法，如图1所示，包括以下步骤：

204，将经过步骤201-203后剩下的外接矩形作为运动区域；

步骤3，在校正后的目标前景图像中，用HOG特征描述子进行运动区域内的目标检测，具体为：

303，计算步骤2中校正后的目标前景图像的梯度；

305，将所有单元在块上进行归一化；

306，提取运动区域内所有块的HOG特征；

下面通过具体实施例对本发明的技术方案作进一步阐述：

假设I和B分别表示视频帧和背景图像，I_t(x,y)和B_t(x,y)分别表示t时刻时当前视频帧和背景图像中位置(x,y)处的像素亮度，则满足以下公式的像素点被认为是前景点：

f (x, y) = \{\begin{matrix} 1 & | I_{t} (x, y) - B_{t - 1} (x, y) | > T \\ 0 & other \end{matrix}

式中，B_t-1(x,y)为t-1时刻背景图像中位置(x,y)处的像素亮度；T表示算法中使用的阈值，通过OTST动态阈值算法得出。

虽然背景差分方法的原理简单，但背景图像的构建和更新方法却至关重要，因为它们直接影响背景模型对场景变化和前景目标粒度的适应性。背景图像更新算法可以说是背景差分方法的核心。为了尽量降低计算复杂度，同时适应场景的动态变化，本发明中采用一种简单的自适应背景模型，其具体更新方式如下：

假设下一帧图像记为I_t+1(x,y)，则首先判断I_t+1(x,y)与B_t(x,y)之间的差值的绝对值，如果大于阈值M(M为常数，一般情况下取3)，则判断该像素点属于前景即运动目标，不属于背景点，不对背景进行更新，即B_t+1(x,y)＝B_t(x,y)；否则说明该点属于背景点，需要对背景模型进行更新，即

B_t+1(x,y)＝(1-σ)B_t(x,y)+σI_t(x,y)

式中，σ为更新系数，0＜σ＜1。

由于运动物体的某些部分的灰度与背景相近，会造成运动物体的不连续，使本来属于同一个物体的各部分被分割成不同的物体，导致检测错误。为了消除小的噪声，本发明采取形态学滤波的方式进行处理，首先对图像进行开运算(先腐蚀再膨胀)，腐蚀运算可以消除小的噪声，可能会对目标边缘造成丢失，但膨胀运算则可以对目标进行补偿。

背景差分后，整个前景目标图像被分为若干个区域，但是这些区域还有可能会存在人体被割裂的现象。因为HOG特征是对行人的整体特征进行判断，如果我们将这些区域作为不同的运动区域传递给HOG检测，这将造成HOG漏检。所以我们必须首先对这些区域进行校正，再将校正后的区域作为运动区域。

首先确定提取出的目标前景图像中每个待校正区域的位置，并计算每个待校正区域的外接矩形的大小，再对每个待校正区域进行以下处理：

204，将经过步骤201-203后剩下的外接矩形作为运动区域。

经过上述步骤得到一系列的运动区域以后，我们需要在这些运动区域内用HOG特征进行目标检测。

HOG特征是一种局部区域描述符,它通过计算局部区域上的梯度方向直方图来构成人体特征，能够很好地描述人体的边缘，并且它对光照变化和小量的偏移不敏感。

图像中像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

其中，G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。

像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)分别为：

G (x, y) = \sqrt{G_{x}^{2} (x, y) + G_{y}^{2} (x, y)}

α (x, y) = \tan^{- 1} \frac{G_{y} (x, y)}{G_{x} (x, y)} .

HOG特征的提取的过程为：将样本图像(校正后的图像)分割为若干个像素的单元，把梯度方向平均划分为9个区间，在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成一个块，把一个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了人体的特征。例如，对于64*128的图像而言，每2*2的单元(16*16的像素)构成一个块，每个块内有4*9＝36个特征，以8个像素为步长，那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64*128的图片，总共有36*7*15＝3780个特征。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims

1.一种基于背景差分和HOG特征的运动目标检测方法，其特征在于，包括以下步骤：

204，将经过步骤201-203后剩下的外接矩形作为运动区域；

2.根据权利要求1所述的一种基于背景差分和HOG特征的运动目标检测方法，其特征在于，步骤1中背景建模是采用自适应背景模型。

3.根据权利要求1所述的一种基于背景差分和HOG特征的运动目标检测方法，其特征在于，步骤3中用HOG特征描述子进行运动区域内的目标检测，具体步骤如下：

303，计算步骤2中校正后的目标前景图像的梯度；

305，将所有单元在块上进行归一化；

306，提取运动区域内所有块的HOG特征；

4.根据权利要求3所述的一种基于背景差分和HOG特征的运动目标检测方法，其特征在于，步骤202中所述阈值通过OTST动态阈值算法得出。

5.根据权利要求4所述的一种基于背景差分和HOG特征的运动目标检测方法，其特征在于，通过形态学滤波对步骤1提取出的目标前景图像进行噪声消除。