CN105303581A - 一种自适应参数的运动目标检测方法 - Google Patents

Abstract

本发明提供一种自适应参数的运动目标检测方法。本发明使用改进的混合高斯背景更新算法通过前景点像素的个数在整幅图像中所占比例发生变化的大小来判断场景是否发生变化，将背景分为变化区域和非变化区域，针对变化区域和非变化区域采取不同的更新速率与高斯分布个数，获取新的背景模型，从而便于在新的背景模型中获取运动目标。本发明能够提高背景更新的效率，有效地抑制拖影现象和漏检现象。

Description

一种自适应参数的运动目标检测方法

技术领域

本发明属于目标检测领域，具体涉及一种自适应参数的运动目标检测方法。

背景技术

目标检测技术就是从序列图像中将目标从图像背景中分割提取出来的技术，它是目标搜索与跟踪系统中的关键技术，为后续目标识别、目标跟踪、航迹关联等技术提供初始信息。目标检测的效果好坏直接影响整个识别与跟踪系统。

目前，运动目标检测在图像处理领域得到了广泛关注和充分发展。但是，如何在复杂的环境中有效地将运动目标检测出来仍然是运动目标检测方面的难点。在现在主流的运动目标检测算法中，混合高斯背景更新算法有着显著的优点，该算法比光流法和非参数估计实时性高，比帧差法探测率高，而且鲁棒性较好。因此，混合高斯背景更新算法在运动目标检测领域得到了广泛的应用。但是，文献<<VideoObjectSegmentationbyFusionofSpatio-TemporalInformationBasedonGaussianMixtureModel>>中所用的传统混合高斯背景更新算法也有着自身的不足之处。例如，在背景更新中采用固定个数的高斯分布，固定更新速率，而且对每一幅图像都要进行更新，这就导致该算法的三个不足之处：一是，在背景更新完成，达到稳定之后，混合高斯背景模型还继续对图像进行背景更新，造成不必要的时间浪费，在一定程度上影响了运动目标检测的实时性；二是，当目标由静止变为运动时，会有拖影现象；三是，当目标在场景中由运动变为静止时，目标会逐渐融入到背景中，造成目标丢失，从而造成漏检。

发明内容

本发明的目的在于提供一种自适应参数的运动目标检测方法，能够有效地抑制拖影现象和漏检现象。

为了解决上述技术问题，本发明提供一种自适应参数的运动目标检测方法，括以下步骤：

步骤一：将视频序列图像中的任意一帧图像作为当前帧图像，对当前帧图像构造混合高斯背景模型，并对混合高斯背景模型中的每个高斯分布的权值、均值以及方差值进行初始化，得到初始化之后的混合高斯背景模型；

步骤二：在步骤一得到的混合高斯背景模型基础之上，用与当前帧图像相邻的后一帧图像中的每个像素点的像素值依次与对应位置的所有高斯分布进行匹配，通过匹配进一步更新混合高斯背景模型中全部高斯分布的权重值、均值和方差值，获得更新后的混合高斯背景模型；

步骤三：对步骤二获得的更新后的混合高斯背景模型特征进行分析，判断背景是否存在突变，得到变化区域和非变化区域，并对变化区域和非变化区域选用不同的高斯分布个数和不同的更新速率进行背景更新处理，获得背景图像数据；

步骤四：使用步骤三得到的背景图像数据提取出运动目标。

本发明与现有技术相比，其显著优点在于：(1)本发明通过前景点像素的个数在整幅图像中所占比例发生变化的大小来判断场景是否发生变化，将背景分为变化区域和非变化区域，针对变化区域和非变化区域采取不同的更新速率与高斯分布个数，获取新的混合高斯背景模型对背景进行选择性背景更新处理，从而便于在新的混合高斯背景模型中获取运动目标；(2)本发明方法对背景的不同区域采用选择性更新，对于不同情况，采用选择性更新，能够有效地将运动目标从背景中识别出来，从而有效地抑制了漏检现象；(3)本发明方法只针对性地对需要进行更新的区域进行背景更新处理，能够有效提高背景更新的效率，提高本发明方法处理的实时性，从而有效地抑制拖影现象。

附图说明

图1是本发明自适应参数的运动目标检测方法流程图。

图2是本发明用于仿真实验的视频序列中的三帧图像。

图3是本发明仿真实验中使用传统方法处理图2所示的三帧图像获得处理结果图。

图4是本发明仿真实验中使用本发明方法处理图2所示的三帧图像获得处理结果图。

具体实施方式

对于一段视频图像序列，采用本发明方法进行混合高斯背景更新的自适应参数的运动目标检测步骤如下：

步骤一：将视频序列图像中的任意一帧图像作为当前帧图像，对当前帧图像构造混合高斯背景模型，并对混合高斯背景模型中的每个高斯分布的权值、均值以及方差值进行初始化，得到初始化之后的混合高斯背景模型。具体操作步骤如下：

(1)用k个高斯分布去量化图像中的每个像素值，即每个像素点的高斯分布个数为k，k的取值一般为3到5，每个像素点的高斯分布个数k的大小表示了背景模型细节复杂程度，k的值越大，背景模型的细节表示的越详细，运算量也迅速增大，本发明中取k的初始值为k＝4。

(2)用当前帧图像的像素值对该图像每个像素点处的所有高斯分布进行初始化，对图像中的每个高斯分布进行初始化时，需要初始化高斯分布的权重值、均值以及方差三个参数。对任意一帧图像中第N个像素的第M个高斯分布初始化后的权重为权重值应满足条件均值为μ_N,M＝η，方差为其中均值η和方差τ的值由人为设定，一般均值赋初值0，方差赋大于0的值，一般取几十即可。

由此，得到了当前帧图像中每个像素点处的四个高斯分布模型，由这些高斯分布模型共同组成了图像的混合高斯背景模型，这样，图像中各个像素点的特征便能由多个高斯模型来表征。

步骤二：在步骤一得到的混合高斯背景模型基础之上，用与当前帧图像相邻的后一帧图像中的每个像素点的像素值I_N,M,T依次与对应位置的所有高斯分布进行匹配，通过匹配进一步更新混合高斯背景模型中的高斯分布的权重值、均值和方差值，从而得到新的混合高斯背景模型。具体操作步骤如下：

(1)用后一帧图像中的每个像素点的像素值I_N,M,T依次与对应像素点处的每个高斯分布进行匹配，匹配条件如式(1)所示：

|I_N,M,T-μ_N,M,T-1|＜λ·σ_N,M,T-1(1)

其中,T-1表示视频中的第T-1帧图像，T表示视频中的第T帧图像，T的取值范围满足{1＜T≤n，T∈Z}，n为视频图像的总帧数，本发明中将当前帧图像记为第T-1帧图像，将后一帧图像记为第T帧图像。λ为一设定值，一般取λ＝2.5，μ_N,M,T-1和σ_N,M,T-1分别指第T-1帧图像中任意像素点处包含的k个高斯分布中的任意一个高斯分布的均值与方差。

(2)当后一帧图像中的每个像素点的像素值I_N,M,T依次与对应像素点处的每个高斯分布进行匹配时，对于不同的匹配结果，每个高斯分布的权重值、均值和方差的更新方式不同，具体可以分为以下几种情况：

(a)对满足式(1)条件的高斯分布，其权重值、均值和方差按照如下三个公式更新，

ω_N,M,T＝(1-α)·ω_N,M,T-1+α(2)

μ_N,M,T＝(1-α)·μ_N,M,T-1+α·I_N,M,T(3)

${\mathrm{\&sigma;}}_{N,M,T}^2=(1-\mathrm{\&alpha;})\&CenterDot;{\mathrm{\&sigma;}}_{N,M,T-1}^2+\mathrm{\&alpha;}\&CenterDot;{(I_{N,M,T}-{\mathrm{\&mu;}}_{N,M,T})}^2---\left(4\right)$

其中，α为权值更新速率，本实施例取α＝10^-e。

(b)对于不满足式(1)条件的高斯分布按照式(2)更新其权重值，均值和方差值不进行更新。

(c)对于该像素点处的像素值与该像素点处的k个高斯分布之间均不满足式(1)的情况，则找出k个高斯分布中权重值最小的高斯分布和权重值最大的高斯分布：

A：对于该像素点处的k个高斯分布中权重值最小的高斯分布，按照下列方法进行更新：

该权重值最小的高斯分布的权重值不变；

均值取值为当前像素点处的像素值；

方差人工取较大的值，一般取100左右。

B：对于该像素点处的k个高斯分布中权重值最大的高斯分布，不进行更新，即权重值、均值和方差均不变，但将当前像素点处的像素值取值为权重最大的高斯分布的均值，

C：对于像素点处的k个高斯分布中，权重值最小和最大的高斯分布以外的高斯分布，不进行任何更新处理。

通过步骤二得到更新后高斯分布的参数，即权重值、均值以及方差，利用更新的高斯分布参数，得到更新后的混合高斯背景模型。

步骤三：对步骤二获得的更新后的混合高斯背景模型特征进行分析，判断背景是否存在突变，从而得到变化区域和非变化区域，并针对性地对变化区域和非变化区域选用不同的高斯分布个数和不同的更新速率进行背景更新处理。其中，判断背景是否发生突变的操作步骤如下：

(1)将后一帧图像的原始图像与步骤三获得的背景模型进行减法处理，如式(5)所示，求出后一帧图像中满足其原始图像数据与更新后的混合高斯背景模型对应的图像数据相减结果大于阈值的像素点，将这些像素点判断为前景点，并将前景点的像素值取为0，即将前景点取为白色。同时，求出后一帧图像中满足其原始图像数据与更新后的混合高斯背景模型对应的图像数据相减结果小于阈值的像素点，将这些像素点判断为背景点，并将背景点的像素值取为255，即将前景点取为黑色。这样，得到获取运动目标的二值化图像。

$F_{N,M,T}=\left\{\begin{array}{cc}255& |I_{N,M,T}-B_{N,M,T}|<\mathrm{th}\\ 0& |I_{N,M,T}-B_{N,M,T}|>\mathrm{th}\end{array}\right.---\left(5\right)$

其中，F_N,M,T为获得的运动目标的二值化图，B_N,M,T为背景图，th为阈值，th阈值的取值视图像的像素特征而定。

(2)获得运动目标的二值化图像后，统计二值化图中像素值为255的像素点个数即前景点的个数N_T，根据公式计算前景比，即前景点在后一帧图像中占的比重。通过比较相邻两帧图像中前景比的差值判断如何对后一帧图像进行背景更新。

$\frac{N_T}{S}-\frac{N_{T-1}}{S}>{\mathrm{th}}_1---\left(6\right)$

其中，N_T-1为第T-1帧图像中前景点的个数，th₁为一阈值，实验结果表明th₁取0.6～1效果较好，S当前帧图像中的像素点总数。

(3)若相邻两帧图像前景比的差值满足式(6)，说明场景发生突变，需要对整幅图像进行更新。

(4)若相邻两帧图像前景比的差值不满足式(6)，说明场景没有发生突变，只是出现了变化区域，则对图像中的变化区域与非变化区域采用不同的高斯分布参数进行更新。

通过以上步骤的处理，判断出后一帧图像是否发生了突变，然后采用不同的背景更新处理方法，具体如下：

(I)当需要对整幅图像进行更新，即图像需要进行全局背景更新时，对图像采取全局背景更新处理。此时，对后一帧图像进行全局背景更新时，选用由较少个数的高斯分布构成的混合高斯背景模型进行背景更新，高斯分布个数N的取值一般在3～5之间，并采用如式(7)计算的更新速率α来进行匹配，从而进行全局背景更新处理，

$\mathrm{\&alpha;}=\max (\frac{N_T}{S},\frac{N_{T-1}}{S})---\left(7\right)$

即对当前图像进行全局背景更新处理时，取当前帧图像与后一帧图像的前景比的较大值作为全局背景更新时的更新速率。

(II)当图像不需要进行全局背景更新时，选出后一帧图像中的变化区域和非变化区域，并对变化区域与非变化区域采用不同的高斯分布参数进行更新。具体操作步骤如下：

(1)根据公式(5)，求出后一帧图像与当前一帧图像的运动目标二值化图像F_N,M,T和F_N,M,T-1。

(2)对比后一帧图像与当前帧图像中获得的运动目标二值化图像，对比的结果记为Ch_N,M,T，Ch_N,M,T的取值如式(8)所示。

${\mathrm{Ch}}_{N,M,T}=\left\{\begin{array}{cc}255& F_{N,M,T}\&NotEqual;F_{N,M,T-1}\\ 0& F_{N,M,T}=F_{N,M,T-1}\end{array}\right.---\left(8\right)$

其中，F_N,M,T为后一帧图像中获得的运动目标的二值化图像，F_N,M,T-1为当前帧图像中获得的运动目标的二值化图。当Ch_N,M,T的取值为Ch_N,M,T＝255时，说明在相邻的两帧图像中，前景点即运动目标的位置发生了变化，故Ch_N,M,T＝255的点所在区域即为变化区域，其它区域为非变化区域，从而得到在后一帧图像中的变化区域和非变化区域。

(3)对于步骤(2)中的结果，如果变化区域在边界，说明是运动目标进入场景内，则不需要对场景进行背景更新。如果变化区域在图像内部，则说明场景内有属于背景的部分变为运动目标，只需要对变化的区域进行背景更新，从而最终确定需要进行背景更新的变化区域。

(4)对步骤(2)中确定的非变化区域以及步骤(3)中确定的需要进行背景更新的变化区域分别进行背景更新处理。其中，对于变化区域在图像内部而需要进行背景更新的情况，变化区域更新速率α的快慢取决于变化区域变化的快慢，此时更新速率α的计算公式如式(9)所示。

$\mathrm{\&alpha;}=\mathrm{\&gamma;}\&CenterDot;\frac{N_2}{S}---\left(9\right)$

其中，γ为一比例系数(对于小目标来说，由于目标所占像素数量较少，为了防止α过小需要乘以一比例系数)，N₂为变化区域的像素数，S为图像总的像素数。

对于变化快的情况即目标运动较快，变化区域内像素点的数目N₂较大，更新速率快，能很快的更新出背景。对于变化慢的情况即目标运动较慢，N₂较小，更新速率慢，能有效抑制因为运动目标的运动速度慢而被更新为背景的情况。

对需要进行背景更新的变化区域和非变化区域分别进行背景更新的操作为：

对于变化区域选用由3～5个高斯分布构成的混合高斯背景模型对后一帧图像进行背景更新处理，更新速率采用式(9)计算获得的速率；

而对非变化区域，采用由2～3个高斯分布构成的混合高斯背景模型对后一帧图像进行背景更新处理，更新速率采用比式(9)计算获得的速率更小的速率。

通过以上更新获得背景图像数据。

步骤四：对步骤三得到的背景图像数据，采用背景差分法，提取出运动目标。视频序列图像中后面的每帧图像依照上述的方法更新高斯分布的参数，得到图像的背景数据从而更加准确、高效地提取视频图像中的运动目标。

为了进一步验证本发明方法的有益效果，本发明在室外任意选择一片场景进行视频图像采集，对采集到视频图像序列进行了具体的实验。

从采集到的视频图像中截取3帧图像，得到的原图如图2中的(a)、(b)、(c)所示。比较图2中(a)、(b)、(c)所示的三帧图像可以看出有一目标从静止状态变为运动状态，对于这种情况，分别使用传统的混合高斯背景更新方法和本发明方法对图2中(a)、(b)、(c)所示的三帧图像可进行处理。其中，传统的混合高斯背景更新算法是先将每个像素点的高斯分布个数取为固定的值，然后，对整帧图像中的每个像素点进行相同背景更新速率的处理。使用传统的混合高斯背景更新方法进行背景更新后再采用背景差分法进行运动目标提取的方法进行处理，得到的效果图分别如图3的(a)、(b)、(c)所示。利用本发明方法进行运动目标提取，得到的效果图分别如图4的(a)、(b)、(c)所示。

由于图2中(a)所示的目标是静止目标，而本发明方法是针对运动目标的检测，所以在图3中(a)和图4中(a)所示的结果中没有运动目标可供检测，故图3中(a)和图4中(a)显示的全是背景，即图像呈现黑色。

由图3的(b)、(c)可以看出，当场景中的目标由静止变为运动时，会有拖影现象产生，这是由于传统算法采用固定的更新速率，导致在背景更新时出现有些区域的背景更新滞后，造成拖影现象。

由图4的(b)、(c)可以看出本发明方法能够有效地提取运动目标，这是由于本发明方法采用自适应的更新速率参数，根据相邻两帧变化区域的大小来确定更新速率参数的大小，变化区域大，更新速率参数就大，反之则小，从而能有效的抑制拖影现象。

上述仿真实验结果表明，本发明方法在运动目标检测中能够达到较好的效果。

Claims (10)

1.一种自适应参数的运动目标检测方法，其特征在于，括以下步骤：

步骤一：将视频序列图像中的任意一帧图像作为当前帧图像，对当前帧图像构造混合高斯背景模型，并对混合高斯背景模型中的每个高斯分布的权值、均值以及方差值进行初始化，得到初始化之后的混合高斯背景模型；

步骤二：在步骤一得到的混合高斯背景模型基础之上，用与当前帧图像相邻的后一帧图像中的每个像素点的像素值依次与对应位置的所有高斯分布进行匹配，通过匹配进一步更新混合高斯背景模型中的全部高斯分布的权重值、均值和方差值，获得更新后的混合高斯背景模型；

步骤三：对步骤二获得的更新后的混合高斯背景模型特征进行分析，判断背景是否存在突变，得到变化区域和非变化区域，并对变化区域和非变化区域选用不同的高斯分布个数和不同的更新速率进行背景更新处理，获得背景图像数据；

步骤四：使用步骤三得到的背景图像数据提取出运动目标。

2.如权利要求1所述自适应参数的运动目标检测方法，其特征在于，步骤一中对当前帧图像中第N个像素的第M个高斯分布进行初始化的过程为：

(1)用k个高斯分布量化当前帧图像中的每个像素值；

(2)用当前帧图像的像素值对该图像每个像素点处的k个高斯分布的权重值ω_N,M、均值μ_N,M以及方差进行初始化，其中，

权重值初始化为：且权重值ω_N,M满足条件

均值初始化为：μ_N,M＝η；

方差初始化为：

其中，η和τ的值根据经验人为设定。

3.如权利要求2所述自适应参数的运动目标检测方法，其特征在于，k取值4，η取值为0，τ取大于0的值。

4.如权利要求1所述自适应参数的运动目标检测方法，其特征在于，步骤二的具体过程操如下：

用后一帧图像中的每个像素点的像素值I_N,M,T依次与当前帧图像对应像素点处的每个高斯分布进行匹配，匹配条件如式(1)所示：

|I_N,M,T-μ_N,M,T-1|＜λ·σ_N,M,T-1(1)

其中，T-1表示当前帧图像，T表示与当前帧图像相邻的后一帧图像，T的取值范围满足{1＜T≤n，T∈Z}，n为视频图像的总帧数，λ为一设定值，μ_N,M,T-1和σ_N,M,T-1分别指当前帧图像中任意像素点处包含的k个高斯分布中任意一个高斯分布的均值与方差；

对满足式(1)条件的高斯分布，其权重值、均值和方差按照如下三个公式更新，

ω_N,M,T＝(1-α)·ω_N,M,T-1+α(2)

μ_N,M,T＝(1-α)·μ_N,M,T-1+α·I_N,M,T(3)

${\mathrm{\&sigma;}}_{N,M,T}^2=(1-\mathrm{\&alpha;})\&CenterDot;{\mathrm{\&sigma;}}_{N,M,T-1}^2+\mathrm{\&alpha;}\&CenterDot;{(I_{N,M,T}-{\mathrm{\&mu;}}_{N,M,T})}^2---\left(4\right)$

其中，α为权值更新速率；

对于不满足式(1)条件的高斯分布，其权重值按照式(2)更新，均值和方差值保持不变；

如果k个高斯分布均不满足式(1)的条件，则找出k个高斯分布中权重值最小的高斯分布和权重值最大的高斯分布，

该权重值最小的高斯分布的权重值不变，均值更新为当前像素点处的像素值，方差根据经验由人工赋值；

该权重值最大的高斯分布，其权重值、均值和方差均不变，将当前像素点处的像素值更新为权重最大的高斯分布的均值。

5.如权利要求1所述自适应参数的运动目标检测方法，其特征在于，步骤三中判断背景是否发生突变的过程为：

(1)按照式(5)将后一帧图像的原始图像与步骤三获得的背景模型进行减法处理，并二值化,获得运动目标的二值化图像，若二者相减的结果大于阈值，则判断为前景点，否则为背景点，

$F_{N,M,T}=\left\{\begin{array}{cc}255& |I_{N,M,T}-B_{N,M,T}|<\mathrm{th}\\ 0& |I_{N,M,T}-B_{N,M,T}|>\mathrm{th}\end{array}\right.---\left(5\right)$

其中，F_N,M,T为获得的运动目标的二值化图，B_N,M,T为背景图，th为阈值，th阈值的取值视图像的像素特征而定；

(2)统计二值化图中像素值为255的像素点个数，根据公式计算前景比；

(3)使用公式(6)比较相邻前后两帧图像中前景比的差值，

$\frac{N_T}{S}-\frac{N_{T-1}}{S}>{\mathrm{th}}_1---\left(6\right)$

其中，N_T-1为当前帧图像中前景点的个数，th₁为一阈值，S当前帧图像中的像素点总数；

若相邻前后两帧图像前景比的差值满足式(6)，则对后一帧整幅图像进行更新；

若相邻前后两帧图像前景比的差值满足式(6)，则对后一帧图像中的变化区域与非变化区域采用不同的高斯分布参数进行更新。

6.如权利要求5所述自适应参数的运动目标检测方法，其特征在于，对后一帧整幅图像进行更新时，用由3～5个高斯分布构成的混合高斯背景模型，并取后一帧图像与当前帧图像的前景比中的较大值作为更新速率。

7.如权利要求5所述自适应参数的运动目标检测方法，其特征在于，选出后一帧图像中的变化区域和非变化区域的过程为：

(1)分别计算后一帧图像与当前帧图像的运动目标二值化图像F_N,M,T和F_N,M,T-1；

(2)对比后一帧图像与当前帧图像中获得的运动目标二值化图像，对比的结果记为Ch_N,M,T，Ch_N,M,T的取值如式(8)所示，

${\mathrm{Ch}}_{N,M,T}=\left\{\begin{array}{cc}255& F_{N,M,T}\&NotEqual;F_{N,M,T-1}\\ 0& F_{N,M,T}=F_{N,M,T-1}\end{array}\right.---\left(8\right)$

其中，F_N,M,T为后一帧图像中获得的运动目标的二值化图像，F_N,M,T-1为当前帧图像中获得的运动目标的二值化图；Ch_N,M,T＝255的像素点所在区域即为变化区域，其它区域为非变化区域。

8.如权利要求5所述自适应参数的运动目标检测方法，其特征在于，如果变化区域在边界，则不对图像进行背景更新；如果变化区域在图像内部，则只对变化的区域进行背景更新，并使用由3～5个高斯分布构成的混合高斯背景模型进行背景更新，并采用公式(9)计算获得的更新速率，

$\mathrm{\&alpha;}=\mathrm{\&gamma;}\&CenterDot;\frac{N_2}{S}---\left(9\right)$

其中，γ为一比例系数，N₂为变化区域的像素个数，S为当前帧图像总的像素数。

9.如权利要求5所述自适应参数的运动目标检测方法，其特征在于，对于非变化区域，使用由2～3个高斯分布构成的混合高斯背景模型进行背景更新，并采用比公式(9)计算获得的更新速率小的更新速率。

10.如权利要求1所述自适应参数的运动目标检测方法，其特征在于，步骤四中采用背景差分法提取出运动目标。