1.智能移动终端防镜头抖动视频运动目标检测方法,其特征在于,包括以下步骤:
(1)对智能移动终端获取的原始视频进行分帧,得到一组独立的原始帧图像序列,并对原始帧图像序列中的各原始帧图像按照分帧的先后顺序编号,得到具有独立编号的原始帧图像序列;
(2)以预设差值作为编号间隔,在具有独立编号的原始帧图像序列S(i,j)中连续选取部分原始帧图像组成原始图像S(i,j);
(3)对原始图像S(i,j)进行灰度化处理,得到灰度图像Y(i,j);其中,原始图像S(i,j)转换为灰度图像Y(i,j)采用如下转换公式:
Y(i,j)=0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j);
其中,r(i,j)、g(i,j)、b(i,j)分别对应原始图像S(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量,Y(i,j)是该像素点对应的灰度值;
(4)对灰度图像Y进行预处理,得到预处理图像I,并采用均值是零的二维高斯滤波对预处理图像I滤波处理;其中:
高斯滤波采用的二维高斯函数g(i,j)为:
其使用的图像模板算子为
<mrow>
<mfrac>
<mn>1</mn>
<mn>273</mn>
</mfrac>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>7</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>26</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>7</mn>
</mtd>
<mtd>
<mn>26</mn>
</mtd>
<mtd>
<mn>41</mn>
</mtd>
<mtd>
<mn>26</mn>
</mtd>
<mtd>
<mn>7</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>26</mn>
</mtd>
<mtd>
<mn>16</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>7</mn>
</mtd>
<mtd>
<mn>4</mn>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
(5)建立背景像素模型M(i,j),M(i,j)={v1,v2,…,vN};其中,vk(i,j)表示图像(i,j)位置上的像素值,k是背景像素样本中的序号,M(i,j)表示图像(i,j)位置上的N个样本观察值;
(6)根据背景像素模型M(i,j)进行分类,建立以v(i,j)为中心,以R为半径的球SR(v(i,j)),进行比较并分类;其中,比较分类过程如下:当处在球SR(v(i,j))以内的样本观察值的数量K不小于基数Kmin,即K≥Kmin时,则判定当前像素v(i,j)为背景点;其中,K表示为K={SR(v(i,j))∩{v1,v2,…,vN}};
(7)对背景像素模型M(i,j)进行初始化,在第一帧图像中随机选择相邻像素值与目标像素的样本进行混合,M1(i,j)={v1(y|y∈NG(i,j))},每一个相邻位置y上的像素通过同样的方式被随机的选取,M1(i,j)表示第一帧图像序号的背景模型,NG(i,j)表示与像素位置(i,j)相邻的像素;
(8)更新背景像素模型M(i,j),并采用保守更新策略,配合着向被前景区域遮挡的像素注入空间相邻像素信息实现更新,使用v(i,j)更新背景模型M(i,j),随机的选择样本数量为6中的一个像素值进行更新;
(9)每次对背景模型进行更新时,以随机的更新判定为背景的像素位置上的模型,依然保留在模型中的概率P(t,t+dt)为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>t</mi>
<mo>+</mo>
<mi>d</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>ln</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>N</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
N为样本数量;
(10)采用图像背景像素的偏移量d对当前帧图像进行运动补偿和修正,再使用修正后的图像与背景模型匹配,得到检测结果;其中,背景偏移量d=[dx dy]T;
(11)根据邻域窗口内的像素对比计算结果,得到偏移量ε(d);其中,偏移量ε(d)计算公式如下:
<mrow>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&epsiv;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<mi>y</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>=</mo>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>x</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>x</mi>
</msub>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>y</mi>
<mo>=</mo>
<msub>
<mi>u</mi>
<mi>y</mi>
</msub>
<mo>-</mo>
<msub>
<mi>w</mi>
<mi>y</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>y</mi>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>y</mi>
</msub>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>x</mi>
</msub>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<msub>
<mi>d</mi>
<mi>y</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
其中,wx、wy是与邻域窗口相关的参数,窗口的尺寸表示为2(wx+1)×2(wy+1),(ux,uy)为背景图像中的特征角点,M表示背景模型,I表示当前帧图像;
(12)考察当前帧图像I中特征角点(ux,uy)周围的像素点,计算得到具有最小偏移量ε(d)的像素点(ux1,uy1),并把该像素点(ux1,uy1)当作对应背景点(ux,uy)的像素点,得到像素(ux,uy)在当前帧图像I中的偏移量d,其中,偏移量d计算如下:
d=(ux1-ux,uy1-uy);
(13)计算多个背景图像上特征角点的位移均值S1以及位移中值S2,并以所得位移均值和位移中值的平均值作为整个背景图像的偏移量S;其中,位移均值S1、位移中值S2和偏移量S的计算公式如下:
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>d</mi>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<msub>
<mi>y</mi>
<mn>1</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<msub>
<mi>y</mi>
<mn>2</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<msub>
<mi>x</mi>
<mi>N</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<msub>
<mi>y</mi>
<mi>N</mi>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
</mrow>
<mrow>
<mi>S</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<mo>,</mo>
</mrow>
N为样本数
量;
(14)利用偏移量S修正背景模型,并提取运动目标F,其中,运动目标F提取公式如下:
F{SR(v(i,j))∩M(i+dx,j+dy)}。