CN105184771A - 一种自适应运动目标检测系统及检测方法 - Google Patents

一种自适应运动目标检测系统及检测方法 Download PDF

Info

Publication number
CN105184771A
CN105184771A CN201510492137.8A CN201510492137A CN105184771A CN 105184771 A CN105184771 A CN 105184771A CN 201510492137 A CN201510492137 A CN 201510492137A CN 105184771 A CN105184771 A CN 105184771A
Authority
CN
China
Prior art keywords
image
color space
gaussian
background model
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510492137.8A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an Sikai Intelligent Science & Technology Co Ltd
Original Assignee
Xi'an Sikai Intelligent Science & Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xi'an Sikai Intelligent Science & Technology Co Ltd filed Critical Xi'an Sikai Intelligent Science & Technology Co Ltd
Priority to CN201510492137.8A priority Critical patent/CN105184771A/zh
Publication of CN105184771A publication Critical patent/CN105184771A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种自适应运动目标检测系统，包括：图像预处理模块，能够对输入图像的颜色空间进行多空间色彩采样，生成多个互补的颜色空间组合；特征矢量生成模块，能够基于所述图像预处理模块所划分的区域获取所划分的区域中像素多线索特征值，并基于所述像素特征值获取区域的多线索特征矢量；背景模型更新模块，能够基于所述区域特征矢量自适应更新背景模型及其相关参数；前景目标分割模块，能够基于更新后的背景模型及其相关参数，获取需要检测的前景目标图像。本发明还提供一种自适应运动目标检测方法。

Description

一种自适应运动目标检测系统及检测方法
技术领域
本发明涉及一种运动目标的检测系统及检测方法，尤其是涉及一种在线的含有纹理特征的自适应运动目标的检测系统和检测方法。
背景技术
由于彩色图像所包含的信息比灰度图像丰富，很多传统的基于灰度图像的应用在逐步的被彩色图像代替，目前，在视频检索和人脸识别以及目标快速跟踪定位等方面已经有很普遍的应用。
其中，运动目标分割是视频监控中的一个研究热点。减背景是检测运动目标的一种被广泛使用的方法。在视频监控等机器视觉领域内，由于减背景方法被用来完成机器视觉的低级任务，因此需要考虑使用这种方法对结果的精度、运算速度、使用内存的影响。在精度方面，由于减背景方法的输出结果作为目标跟踪、目标识别、入侵检测等机器视觉高级任务的输入源，因此其精度对后续处理有显著影响。
特征提取是背景建模与运动目标检测的基础。减背景方法的特征提取一般使用RGB色彩特征、YUV色彩特征、DCT特征；也有使用组合特征，如使用位置信息XY与RGB色彩特征。这些在像素级或区域级提取的特征，使得背景建模与目标分割变得更加通用、准确和易于实现。由于背景容易受到阴影、光照、动态变化、摄像机不稳定等条件影响，因此选择能减弱这些条件的影响的特征对背景识别准确率十分重要。
目前所使用的减背景方法并不能较好的进行运动目标的分割和阴影去除，使对目标形状也不能较好的保留。此外在计算速度与内存占用方面，作为完成机器视觉功能的第一步，减背景方法需要占用尽量少的资源（包括计算时间和内存），为后续处理留下尽可能多的运算资源。现有的运动目标的检测方法很难眷顾上述问题。
发明内容
为了克服上述技术问题，本发明提供一种自适应运动目标检测系统，包括：图像预处理模块，能够对输入图像的颜色空间进行转换处理，并对转换颜色空间后的图像进行区域划分；特征矢量生成模块，能够基于所述图像预处理模块所划分的区域获取所划分的区域中的像素特征值，并基于所述像素特征值获取区域特征矢量；背景模型更新模块，能够基于所述区域特征矢量更新背景模型及其相关参数；前景目标分割模块，能够基于更新后的背景模型及其相关参数，获取需要检测的前景目标图像。
优选地，所述像素特征值包括所划分的区域中的颜色特征值、像素位置特征值和纹理特征值，所述区域特征矢量包含所述颜色特征值、所述像素位置特征值和所述纹理特征值。
优选地，所述图像预处理模块能够将图像中RGB颜色空间转换为多颜色空间；所述的多颜色空间为LUV颜色空间、HSV颜色空间、HUV颜色空间、CMY颜色空间中的一种或几种的组合。
优选地，所述纹理特征为采用Haar型局部二值模式的纹理特征值，或者为多尺度块状LBP特征值，或者为两者的组合。
优选地，所述背景模型为混合高斯模型；所述背景模型更新模块将所述区域特征矢量与所述混合高斯模型中的高斯函数进行匹配，当所述区域特征矢量与所述混合高斯模型中的高斯函数都不匹配时，将混合高斯模型中权值最小的高斯函数的方差增大、权值减小；当所述特征矢量与所述混合高斯模型中的一个高斯函数匹配时，对所述混合高斯模型的方差和权值做更新处理。
优选地，所述背景模型更新模块将更新后的混合高斯模型的高斯函数的权值进行归一化处理，并将权值归一化后的混合高斯模型中的高斯函数按照高斯函数的权值由大到小进行调整。
优选地，当所述高斯函数的权值的和小于阈值时，所述背景模型更新模块选取权值和小于阈值的个数最少的高斯函数作为背景模型。
优选地，所述前景目标分割模块计算第一时刻的区域特征矢量和第二时刻的区域特征矢量的马氏距离，并根据所述第一时刻的图像的背景模型将所述第二时刻的图像中的前景目标图像检测出来。
优选地，图像获取模块，能够实时地获取包含运动目标的所述输入图像。
本发明的另一方面提供一种自适应目标的检测方法，包括：图像预处理步骤，能够对输入图像的颜色空间进行转换处理，并对转换颜色空间后的图像进行区域划分；特征矢量生成步骤，能够基于在所述图像预处理步骤中所划分的区域获取所划分的区域中的像素特征值，并基于所述像素特征值获取区域特征矢量；背景模型更新步骤，能够基于所述区域特征矢量更新背景模型及其相关参数；前景目标分割步骤，能够基于更新后的背景模型及其相关参数，获取需要检测的前景目标图像。
优选地，所述像素特征值包括所划分的区域中的颜色特征值、像素位置特征值和纹理特征值，所述区域特征矢量包含所述颜色特征值、所述像素位置特征值和所述纹理特征值。
优选地，在所述图像预处理中，将图像中RGB颜色空间转换为多颜色空间；所述的多颜色空间为LUV颜色空间、HSV颜色空间、HUV颜色空间、CMY颜色空间。
优选地，所述的纹理特征值为采用Haar型局部二值模式的纹理特征值，或者为多尺度块状LBP特征值，或者为两者的组合。
优选地，所述背景模型为混合高斯模型；在背景模型更新步骤中，将所述区域特征矢量与所述混合高斯模型中的高斯函数进行匹配，当所述区域特征矢量与所述混合高斯模型中的高斯函数都不匹配时，将所述混合高斯模型中权值最小的高斯函数的方差增大、权值减小；当所述区域特征矢量与所述混合高斯模型中的一个高斯函数匹配时，对所述混合高斯模型的方差和权值做更新处理。
优选地，在背景模型更新步骤中，将更新后的混合高斯模型的高斯函数的权值进行归一化处理，并将权值归一化后的混合高斯模型中的高斯函数按照高斯函数的权值由大到小进行调整。
优选地，在背景模型更新步骤中，当所述高斯函数的权值的和小于阈值时，选取权值和小于阈值的个数最少的高斯函数作为背景模型。
优选地，在所述前景目标分割步骤中，计算第一时刻的区域特征矢量和第二时刻的区域特征矢量的马氏距离，根据所述第一时刻的图像的背景模型将所述第二时刻的图像中的前景目标图像检测出来。
优选地，还包括：图像获取步骤，能够实时地获取包含运动目标的所述输入图像。
本发明选择纹理特征、多颜色空间（LUV、HSV、YUV、CMY）特征与XY位置特征作为区域级的特征矢量作为视频运动目标分割的基础，对背景进行建模，减少阴影、光照、背景变化、相机抖动等原因引起的减背景的错误。使用概率密度函数对背景模型进行建模后，减少了减背景算法占用的计算时间与内存资源，前景和背景像素模块可以被概率密度函数量化描述，并在对阴影、光照及前/背景部分特征值接近的视频进行统计分析后，对前景、背景、阴影及相似区域进行模型校准，使前景/背景能自适应分类。
附图说明
图1为本发明所涉及的自适应运动目标检测系统的结构框图；
图2为本发明所涉及的自适应运动目标检测系统的检测目标方法流程图；
图3为本发明所涉及的Haar-LBP算子图的一例；
图4为本发明所涉及的MBLBP特征计算方式的一例；
图5为要检测的有目标的图像以及理想减背景图和本发明所涉及的检测方法的减背景图；
图6为要检测的无目标的图像以及分别利用一般减背景方法和本发明所涉及的检测方法获取的减背景图；
图7为相机抖动的两幅图像以及分别利用一般减背景方法和本发明所涉及的检测方法获取的减背景图。
具体实施方式
下面根据附图所示实施方式阐述本发明。此次公开的实施方式可以认为在所有方面均为例示，不具限制性。本发明的范围不受以下实施方式的说明所限，仅由权利要求书的范围所示，而且包括与权利要求范围具有同样意思及权利要求范围内的所有变形。
为了克服以上技术问题，本发明基于改进的纹理特征矢量作为视频运动目标分割的基础。多颜色空间特征采用LUV、HSV、YUV、CMY颜色空间中的一种或几种提取颜色特征，能够生成多个互补的颜色空间组合。纹理特征可以采用Haar型局部二值模式(Haarlocalbinarypattern,简称HLBP)纹理模型，或者多尺度块状LBP特征（MultiscaleBlockwiseLBP，MBLBP），或者两者同时使用。其中，Haar型局部二值模式HLBP纹理模型对运动目标的分割和阴影去除具有比较理想的性能。纹理模型采用局部重叠方法提取，使得运动目标形状得到较好的保留。HLBP纹理模型不仅具有良好的边缘检测、纹理检测和旋转不变性能，而且简易计算性能强，同时HLBP的计算结果方便高斯混合模型（Gaussianmixturemodel，简称GMM）使用。选择区域位置作为特征分量，有效地克服了摄像机抖动对GMM算法的影响。相对于HLBP、MBLBP将不规则形状变为了规则形状，可以使用积分图像快速地进行计算，另外多尺度信息能够较好的捕捉不同层次上的背景变化。
图1为本发明涉及的自适应运动目标检测系统的结构框图，本发明所涉及的检测运动目标的系统包括控制模块1、图像获取模块2、图像预处理模块3、特征矢量生成模块4、背景模型更新模块5、前景目标分割模块6。
图像获取模块2能够对事物进行拍摄，获取帧序列的视频图像，并将获取的视频图像发送至图像预处理模块3。其中，图像获取模块2能够实时地对事物进行拍摄，从而使得实时在线对运送目标进行检测。
图像预处理模块3能够对图像获取模块2发送的视频图像序列进行滤波预处理。图像预处理模块3可以对视频图像的颜色空间进行转换处理。在本实施方式中，由于采用了LUV颜色空间模型，上述图像预处理模块3将从上述图像获取模块2收到的视频图像中的像素值从RGB颜色空间转换成其他多颜色空间，如将RGB颜色空间转换成LUV、HSV、YUV、CMY等颜色空间。
此外，上述图像预处理模块3还对进行了颜色空间转换后的图像进行区域划分。
特征矢量生成模块4基于经上述图像预处理模块3滤波预处理后的各区域获得上述各区域中像素的特征值。在本实施方式中，所述特征值包括所获取图像的上述各区域的多颜色空间的颜色特征值、像素（X，Y）位置特征值和纹理特征值，并将上述特征值组成经上述图像预处理模块3滤波预处理后的上述图像的区域特征矢量。
背景模型更新模块5内设置存储单元（未图示），存储有混合高斯模型，所存储的混合高斯模型可以为参数由系统随机生成的若干高斯函数的组合，也可以为背景模型更新模块5更新的被选为背景模型的若干高斯函数的组合，该存储单元还存储有混合高斯模型的高斯函数的参数和权值的更新规则；该模块能够利用特征矢量生成模块4获取的区域特征矢量依次与存储单元中存储的高斯函数进行匹配，并根据存储单元存储的更新规则对混合高斯模型的高斯函数的参数及其权值做更新处理，并将更新后的混合高斯模型的权值做归一化处理；同时将更新后的混合高斯模型及其参数存储于存储单元中。
控制模块1将各区域的像素的特征值与对应的混合高斯模型的特征进行对比，根据对比结果控制背景模型更新模块5对混合高斯模型参数和权值进行更新；控制模块1能够为背景模型更新模块5提供模型更新所需的参数，并对提供参数进行初始化；同时还能控制其它模块的工作。
前景目标分割模块6根据背景模型更新模块5获得的混合高斯模型及其参数，判断新的需要处理的图像的各像素的特征向量的变化情况，区分背景图像与前景图像，减去背景图像，获取需要检测的前景目标图像，从而将运动目标在图像序列中检测出来。
图2为本发明所涉及的自适应运动目标检测系统的检测目标方法流程图。首先图像获取模块2将获取的视频图像输入到图像预处理模块3中（步骤S1）。所述的视频图像均是由许多图像帧序列组成，在图像预处理模块3内对当前输入的帧图像进行滤波预处理：每一帧图像可以表示为平面二维空间上的函数，其中，若图像为灰度图像，则，若为彩色RGB图像，则。在本实施方式中，对于彩色RGB图像，所述图像预处理模块3将上述彩色RGB图像中的像素值从RGB颜色空间转换为多颜色空间，所述多颜色空间可以为LUV、HSV、YUV、CMY等颜色空间（步骤S2）。
例如，在本实施方式中，可以采用下述方式进行从RGB颜色空间到LUV颜色空间的转换。
先将RGB转换为CIEXYZ，如下述公式（1）：
再将CIEXYZ转换为CIELUV，如下述公式（2）：
其中，L*表示图像的亮度，U*和V*是色度，U'和V'是色度坐标；Yn为图像白点的亮度，和为图像白点的色度坐标；x和y为颜色空间的色度；X、Y和Z为三色刺激值。对于一般的图像，U*和V*的取值范围为-100到+100，L*亮度为0到100。
然后，上述图像预处理模块3对输入的图像划分窗口区域（BLOCK区域）：建立以像素点i（X，Y）为中心，大小为(2n-1)*(2n-1)的区域特征矢量x i ，优选地区域大小为5*5，(R6为像素对的集合，p为自然数)（步骤S3）。
接下来将经过BLOCK区域划分的图像序列发送至特征矢量生成模块4，由特征矢量生成模块4提取图像的区域特征矢量x i ，并将提取的特征矢量x i 发送至背景模型更新模块5（步骤S4）。具体的图像的区域特征矢量x i 的获取过程如下所述：需要提取的区域特征矢量x i 包括多颜色空间的颜色特征值、像素点i（X，Y）的位置特征值和纹理特征值。所述多颜色空间（HSV、LUV、CMY、RGB等颜色空间）的颜色特征值为选取合适的颜色空间的组合的颜色特征值，例如当选取HSV，YUV颜色空间时，需将亮度通道（V、Y）和颜色通道（HS，UV）分离。在本实施例方式中，提取的多颜色空间的颜色特征以LUV颜色空间的特征值为例。所述LUV颜色空间是一个均匀色度空间，取像素点之间色差作为颜色特征值，所述像素点之间的色差为在LUV颜色空间下的两个像素点之间欧氏距离Diff LUV：
其中，L i 为亮度或者明度信息，U i 和V i 分别表示色度信息，因此，LUV特征比RGB特征在像素值差别度量方面更准确。
所述纹理特征值可以是采用Haar型局部二值模式（HLBP）特征也可以是多尺度块状LBP（MBLBP）特征，还可以是上述HLBP和MBLBP特征的组合。所述HLBP编码继承了Haar特征和LBP编码的优点，该编码特征对纹理的描述简单有效，适用于图像检测、分类、匹配和查找等方面。图3为Haar-LBP算子图的一例。如图3所示，设计了8个对称形式的编码模型，其以p0为中心形成了5×5大小的区域窗口，除中心点p0外，邻域内有24个点，其中权重设为1的区域与权重设为-1的区域均顺时针旋转了8个方向后又回到了初始状态。而且，权重设为1的区域与权重设为-1的区域之间的差值能有效地反映纹理变化的信息，并且设定一个阈值来记录差值对中心点的影响，而将这些变化都记录到中心点的HLBP值中。其中，中心点p0被用来记录纹理变化信息。
图4为块大小为2x3的多尺度块状LBP（MBLBP）特征计算方式示例。先对每一个2×3的块计算平均值，然后每个中心块的均值跟它相邻的8个块的均值做比较，如果相邻块的均值小于中心块，则在该相邻块的位置置为0，反之则置为1。在图4中，对中心块的最终MBLBP编码是00111100（从左上角的数字顺时针数一圈）。在这里取2×3的块是为了降低计算量，还可以是其他大小的块。如果计算能力足够，也可不分块而对原始图像直接处理来获取MBLBP的编码。
另外，用像素点i（X，Y）的位置特征值表示图像位置特征，其中原点从图像左上角开始，x轴正向为从左到右，y轴正向为从上到下，该像素点的位置被用于当做位置特征，能够增强像素颜色特征与位置特征的相关性，对于极短时间内位置不变但颜色特征突变现象具有一定的抑制作用，适用于相机抖动的条件。
在视频序列中的背景、前景目标的像素点i（X，Y）在过去的一段时间中的特征矢量x i 能够用混合高斯函数模型描述。例如，在时刻t，像素点i的特征矢量x i,t 对应的概率密度函数可以表示为：
，
其中，ω i,t,k 表示时刻t像素点i位置的第k个高斯模型的权重；K为混合高斯函数模型中高斯函数的个数，可以根据计算机的内存和计算能力决定，优选地K设定在3到5之间；是像素点i在t时刻第k个高斯分布的概率密度函数，即为描述像素特征的混合高斯函数η的计算公式（3）为：
；
μ i,t,k 是该高斯分布的平均值；Σ k 为该高斯分布的相关矩阵（协方差矩阵），可近似为（公式4），其中σ k 为该高斯分布的方差，I为三维单位矩阵。
然后，背景模型更新模块5将接收到的特征矢量生成模块4生成的区域特征矢量x i （即为观测特征矢量）依次与背景模型更新模块5内部存储单元存储的混合高斯模型中的各高斯函数进行匹配，并判断观测特征矢量是否与所述背景模型更新模块5的存储单元中存储的高斯函数匹配（步骤S5）。具体地，背景模型更新模块5将接收到的特征矢量生成模块4生成的区域特征矢量x i 依次与背景模型更新模块5内部存储单元存储的若干个高斯函数（设为K个高斯函数）进行匹配。判断观测特征矢量x i 是否与背景模型更新模块5内部存储单元存储的第k个高斯函数匹配的条件为（以LUV颜色空间和HLBP编码为例）：是否满足下式（公式5）
，
其中d 1表示LUV颜色空间的颜色特征值分量的匹配阈值，d 2表示像素点i（X，Y）的位置特征值分量的匹配阈值，d 3表示HLBP编码特征值分量的匹配阈值。上述各阈值可以分别根据之前所有已处理帧特征的变换情况进行统计学习和自动更新。
如果步骤S5的观测特征矢量x i 与混合高斯模型中的K个高斯函数都不符合时，则将混合高斯模型中权重最小的高斯函数的参数重置，将该权重最小的高斯函数的均值重置为观测特征矢量x i 的特征值，并重新设定一个较大的方差和较小的权值（方差增大、权值减小）；如果所述的观测特征矢量x i 与混合高斯模型中的一个高斯函数匹配时，则对该混合高斯模型参数和权值做更新处理（步骤S6）。具体的，混合高斯模型的参数和权值更新的公式如下（公式6）：
，
其中，α为用户自定义的学习速率，ρ为参数学习速率。当高斯模型与观测特征矢量匹配时，将M k,t 设置为1；若不匹配时将M k,t 设置为0。
接下来是背景模型的确定，当保持静止的背景突然出现新物体时，对于该区域的某一像素要么会导致新的但是权值低的高斯分布的产生，要么会导致已存在的分布的方差的变化；应保持移动物体的像素的方差会比背景像素的方差大，直到移动停止。基于此，背景模型更新模块5将更新后的每个混合高斯模型的权值进行归一化处理，并且根据ω k , t /σ k , t 值的递减顺序调整对应高斯模型的K值（步骤S7）。
根据背景模型更新模块5得到的权值归一化且按照ω k , t /σ k , t 的值递减顺序调整的混合高斯模型中的高斯函数，并选择B个高斯函数作为背景模型；并将确定的背景模型存入存储单元中（步骤S8）。B的确定公式为（公式7）：
。
其中，T B 为确定背景分布模型的经验阈值，表示背景应该占用的比重；当T B 较小的时候，实际上近似于单一高斯模型，而当T B 较大时每个像素都可以接受多个区间的像素值。将像素对应的特征矢量值变化小却出现次数多的，即将对应方差小、权值大的模型确定为背景模型。
利用上述步骤S1～S8的处理过程即可得到t时刻视频图像的背景模型，即所述的视频图像在t时刻之前的背景模型都已获得。运用马氏测量法得到特征矢量的距离，再运用获取的t时刻视频图像的背景模型和减背景方法即可检测到t+1时刻视频图像中的运动目标（步骤S9）。具体的t+1时刻视频图像中的运动目标的获取过程如下所述：对于视频图像中的I（X，Y），根据t时刻的背景模型（直接在存储单元中调取），然后运用马氏测量法(Mahalanobis测量方法)
得到t+1时刻的观测特征矢量x i 与t时刻背景特征矢量的距离d（X，Y），比较测量距离d（X，Y）与门限值T d 大小；所述的观测特征矢量x i 和背景特征矢量分别为t+1时刻和t时刻获取的图像上同一位置处的特征矢量；当测量距离d（X，Y）比门限值T d 大，则认为该像素点在t+1时刻为前景的运动目标；当测量距离d(X，Y)比门限值T d 小，则在t+1时刻该像素点为背景部分。
当系统初始化时，背景模型更新模块5内部存储单元存储的混合高斯模型的高斯函数的均值、方差和权值等参数可由操作人员赋值：都设置为较大的方差、较小的权值和观测值的均值；或者由系统随机赋值。
图5为要检测的有目标的图像以及理想减背景图和本发明所涉及的检测方法的减背景图。图5a为要检测的有目标的图像，图5b为理想的减背景图，图5c为使用本发明检测方法得出的减背景图。由图5b和5c可以看出，本发明检测方法能够较好的检测出目标。
图6为要检测的无目标的图像以及分别利用一般减背景方法和本发明所涉及的检测方法获取的减背景图。图6a为要检测的无目标的图像，图6b为将背景图分割成小目标后的减背景图（一般减背景方法的减背景图），图6c为使用本发明所涉及的检测方法后得出的减背景图。图6c与图6b相比较，一般减背景方法会将一些非目标的背景检测为目标，而使用本方法，通过减背景后，可以很好的避免将非目标认为目标。
图7为相机抖动时的前后两幅图像以及分别利用一般减背景方法和本发明所涉及的检测方法获取的减背景图。图7a1和7a2为相机抖动的两幅图像，图7b1和7b1为使用一般减背景方法减背景后得出的图像，可知一般方法会认为图片中的背景移动，从而会检测出许多小的目标；图7c1和7c2为使用本发明所涉及的检测方法后的背景图，有效的将相机抖动而产生的假的目标去除，保证检测目标的准确性。
本发明所涉及的目标检测方法，通过减背景，可以很好的避免将非目标认为成目标，能够有效的检测出运动目标。同时本方法能够有效的将抖动产生的目标去除，保证检测目标的准确性。

Claims (21)

1.一种自适应运动目标检测系统，包括：
图像预处理模块，能够对输入图像的颜色空间进行转换处理，并对转换颜色空间后的图像进行区域划分；
特征矢量生成模块，能够基于所述图像预处理模块所划分的区域获取所划分的区域中的像素特征值，并基于所述像素特征值获取区域特征矢量；
背景模型更新模块，能够基于所述区域特征矢量更新背景模型及其相关参数；
前景目标分割模块，能够基于更新后的背景模型及其相关参数，获取需要检测的前景目标图像。
2.根据权利要求1所述的自适应运动目标检测系统，其特征在于：
所述像素特征值包括所划分的区域中的多颜色特征值、像素位置特征值和纹理特征值，所述区域特征矢量包含所述多颜色特征值、所述像素位置特征值和所述纹理特征值。
3.根据权利要求1或2所述的自适应运动目标检测系统，其特征在于：所述图像预处理模块能够将图像中RGB颜色空间转换为多颜色空间。
4.根据权利要求3所述的自适应运动目标检测系统，其特征在于：所述的多颜色空间为LUV颜色空间、HSV颜色空间、HUV颜色空间、CMY颜色空间中的一种或几种的组合。
5.根据权利要求1或2所述的自适应运动目标检测系统，其特征在于：
所述背景模型为混合高斯模型；
所述背景模型更新模块将所述区域特征矢量与所述混合高斯模型中的高斯函数进行匹配，当所述区域特征矢量与所述混合高斯模型中的高斯函数都不匹配时，将混合高斯模型中权值最小的高斯函数的方差增大、权值减小；
当所述特征矢量与所述混合高斯模型中的一个高斯函数匹配时，对所述混合高斯模型的方差和权值做更新处理。
6.根据权利要求5所述的自适应运动目标检测系统，其特征在于：
所述背景模型更新模块将更新后的混合高斯模型的高斯函数的权值进行归一化处理，并将权值归一化后的混合高斯模型中的高斯函数按照高斯函数的权值由大到小进行调整。
7.根据权利要求6所述的自适应运动目标检测系统，其特征在于：
当所述高斯函数的权值的和小于阈值时，所述背景模型更新模块选取权值和小于阈值的个数最少的高斯函数作为背景模型。
8.根据权利要求1或2所述的自适应运动目标检测系统，其特征在于：
所述前景目标分割模块计算第一时刻的图像的背景的区域特征矢量和第二时刻的区域特征矢量的马氏距离，并根据所述第一时刻的图像的背景模型将所述第二时刻的图像中的前景目标图像检测出来。
9.根据权利要求1或2所述的自适应运动目标检测系统，还包括：图像获取模块，能够实时地获取包含运动目标的所述输入图像。
10.根据权利要求2所述的自适应运动目标检测系统，其特征在于：
所述纹理特征为采用Haar型局部二值模式的纹理特征值，或者为多尺度块状LBP特征值，或者为两者的组合。
11.一种自适应目标的检测方法，包括：
图像预处理步骤，能够对输入图像的颜色空间进行转换处理，并对转换颜色空间后的图像进行区域划分；
特征矢量生成步骤，能够基于在所述图像预处理步骤中所划分的区域获取所划分的区域中的像素特征值，并基于所述像素特征值获取区域特征矢量；
背景模型更新步骤，能够基于所述区域特征矢量更新背景模型及其相关参数；
前景目标分割步骤，能够基于更新后的背景模型及其相关参数，获取需要检测的前景目标图像。
12.根据权利要求11所述的方法，还包括：
所述像素特征值包括所划分的区域中的多颜色特征值、像素位置特征值和纹理特征值，所述区域特征矢量包含所述多颜色特征值、所述像素位置特征值和所述纹理特征值。
13.根据权利要求12所述的方法，其特征在于：
所述的纹理特征值为多尺度块状LBP特征，或者采用Haar型局部二值模式的纹理特征值，或者为两者的组合。
14.根据权利要求11～13任意一项所述的方法，其特征在于：
在所述图像预处理中，将图像中RGB颜色空间转换为多颜色空间。
15.根据权利要求12所述的方法，其特征在于：
所述的多颜色空间为LUV颜色空间、HSV颜色空间、HUV颜色空间、CMY颜色空间。
16.根据权利要求15所述的方法，其特征在于：
在使用所述的多颜色空间时，需将亮度通道和颜色通道分离。
17.根据权利要求11～13任意一项所述的方法，其特征在于：
所述背景模型为混合高斯模型；
在背景模型更新步骤中，将所述区域特征矢量与所述混合高斯模型中的高斯函数进行匹配，当所述区域特征矢量与所述混合高斯模型中的高斯函数都不匹配时，将所述混合高斯模型中权值最小的高斯函数的方差增大、权值减小；
当所述区域特征矢量与所述混合高斯模型中的一个高斯函数匹配时，对所述混合高斯模型的方差和权值做更新处理。
18.根据权利要求17所述的方法，其特征在于：在背景模型更新步骤中，将更新后的混合高斯模型的高斯函数的权值进行归一化处理，并将权值归一化后的混合高斯模型中的高斯函数按照高斯函数的权值由大到小进行调整。
19.根据权利要求18所述的方法，其特征在于：在背景模型更新步骤中，当所述高斯函数的权值的和小于阈值时，选取权值和小于阈值的个数最少的高斯函数作为背景模型。
20.根据权利要求11～13任意一项所述的方法，其特征在于：在所述前景目标分割步骤中，计算第一时刻的图像的背景的区域特征矢量和第二时刻的区域特征矢量的马氏距离，根据所述第一时刻的图像的背景模型将所述第二时刻的图像中的前景目标图像检测出来。
21.根据权利要求11～13任意一项所述的方法，还包括：图像获取步骤，能够实时地获取包含运动目标的所述输入图像。
CN201510492137.8A 2015-08-12 2015-08-12 一种自适应运动目标检测系统及检测方法 Pending CN105184771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510492137.8A CN105184771A (zh) 2015-08-12 2015-08-12 一种自适应运动目标检测系统及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510492137.8A CN105184771A (zh) 2015-08-12 2015-08-12 一种自适应运动目标检测系统及检测方法

Publications (1)

Publication Number Publication Date
CN105184771A true CN105184771A (zh) 2015-12-23

Family

ID=54906824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510492137.8A Pending CN105184771A (zh) 2015-08-12 2015-08-12 一种自适应运动目标检测系统及检测方法

Country Status (1)

Country Link
CN (1) CN105184771A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956568A (zh) * 2016-05-11 2016-09-21 东华大学 一种基于监控目标识别的异常行为检测预警方法
CN106056062A (zh) * 2016-05-27 2016-10-26 东南大学 一种基于自适应局部特征背景模型的车辆检测方法
CN107360416A (zh) * 2017-07-12 2017-11-17 天津大学 基于局部多元高斯描述子的立体图像质量评价方法
CN107578489A (zh) * 2016-07-05 2018-01-12 上海小享网络科技有限公司 一种用于机动车辆的行车记录仪
CN107844285A (zh) * 2017-11-03 2018-03-27 中广热点云科技有限公司 一种大屏幕场景画面拼接显示方法
CN111444976A (zh) * 2020-04-02 2020-07-24 Oppo广东移动通信有限公司 目标检测方法、装置、电子设备和可读存储介质
CN112597334A (zh) * 2021-01-15 2021-04-02 天津帕克耐科技有限公司 通信数据中心的数据处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035013A (zh) * 2013-01-08 2013-04-10 东北师范大学 一种基于多特征融合的精确运动阴影检测方法
WO2014208963A1 (ko) * 2013-06-25 2014-12-31 중앙대학교 산학협력단 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
CN104318558A (zh) * 2014-10-17 2015-01-28 浙江大学 复杂场景下基于多信息融合的手势分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103035013A (zh) * 2013-01-08 2013-04-10 东北师范大学 一种基于多特征融合的精确运动阴影检测方法
WO2014208963A1 (ko) * 2013-06-25 2014-12-31 중앙대학교 산학협력단 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법
CN104318558A (zh) * 2014-10-17 2015-01-28 浙江大学 复杂场景下基于多信息融合的手势分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何晓川等: "结合HLBP模型与色彩位置信息的动目标检测方法", 《西安电子科技大学学报》 *
周书仁等: "基于Haar特性的LBP纹理特征", 《软件学报》 *
赵振刚: "基于Haar-LBP特征和FDR-AdaBoost模型的眼睛定位", 《中国优秀硕士论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956568A (zh) * 2016-05-11 2016-09-21 东华大学 一种基于监控目标识别的异常行为检测预警方法
CN106056062A (zh) * 2016-05-27 2016-10-26 东南大学 一种基于自适应局部特征背景模型的车辆检测方法
CN107578489A (zh) * 2016-07-05 2018-01-12 上海小享网络科技有限公司 一种用于机动车辆的行车记录仪
CN107360416A (zh) * 2017-07-12 2017-11-17 天津大学 基于局部多元高斯描述子的立体图像质量评价方法
CN107844285A (zh) * 2017-11-03 2018-03-27 中广热点云科技有限公司 一种大屏幕场景画面拼接显示方法
CN107844285B (zh) * 2017-11-03 2020-09-08 中广热点云科技有限公司 一种大屏幕场景画面拼接显示方法
CN111444976A (zh) * 2020-04-02 2020-07-24 Oppo广东移动通信有限公司 目标检测方法、装置、电子设备和可读存储介质
CN112597334A (zh) * 2021-01-15 2021-04-02 天津帕克耐科技有限公司 通信数据中心的数据处理方法
CN112597334B (zh) * 2021-01-15 2021-09-28 天津帕克耐科技有限公司 通信数据中心的数据处理方法

Similar Documents

Publication Publication Date Title
CN105184771A (zh) 一种自适应运动目标检测系统及检测方法
CN105893920B (zh) 一种人脸活体检测方法和装置
Liao et al. Modeling pixel process with scale invariant local patterns for background subtraction in complex scenes
KR101964397B1 (ko) 정보처리장치 및 정보처리방법
US8374440B2 (en) Image processing method and apparatus
Nonaka et al. Evaluation report of integrated background modeling based on spatio-temporal features
CN109308711B (zh) 目标检测方法、装置及图像处理设备
CN108197546A (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
CN110008795B (zh) 图像目标追踪方法及其系统与计算机可读取记录介质
CN106373146B (zh) 一种基于模糊学习的目标跟踪方法
US9418426B1 (en) Model-less background estimation for foreground detection in video sequences
JP4098021B2 (ja) シーン識別方法および装置ならびにプログラム
CN111935479B (zh) 一种目标图像确定方法、装置、计算机设备及存储介质
CN106327488B (zh) 一种自适应的前景检测方法及其检测装置
EP2959454A1 (en) Method, system and software module for foreground extraction
WO2009105812A1 (en) Spatio-activity based mode matching field of the invention
CN105046278B (zh) 基于Haar特征的Adaboost检测算法的优化方法
Song et al. Background subtraction based on Gaussian mixture models using color and depth information
Zitouni et al. Robust background modeling and foreground detection using dynamic textures
Reddy et al. Robust foreground object segmentation via adaptive region-based background modelling
Zhou et al. Dynamic background subtraction using spatial-color binary patterns
Mahalingam et al. Vision based moving object tracking through enhanced color image segmentation using haar classifiers
CN101567088B (zh) 一种运动物体检测的方法和装置
CN108875572B (zh) 基于背景抑制的行人重识别方法
Mahalakshmi Real time vision based object tracking using CAMSHIFT algorithm with enhanced color image segmentation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151223

WD01 Invention patent application deemed withdrawn after publication