CN105551062A - 一种夜间物体检测的方法 - Google Patents

Abstract

本发明公开了一种夜间物体检测的方法，通过建立静止的混合高斯背景模型检测前景点，建立前景图像和背景图像模型，并利用图像帧中高斯分布模型特征的变化进行背景图像模型更新，对前景图像中的前景目标进行特征提取，通过匹配目标的特征，建立运动目标与前景目标之间的对应关系实现对运动目标的追踪。本发明一种夜间物体检测的方法通过建立精确的背景模型，并通过高斯分布模型对背景模型进行更新，使其具有较强的区分度，提升了对运动目标的抗干扰能力，准确地从视频图像中提取出运动的车辆目标，而且还能有效地排除掉车灯光晕和地面反光对目标检出的影响。

Description

一种夜间物体检测的方法

技术领域

本发明涉及一种物体检测方法，尤其涉及一种夜间物体检测的方法。

背景技术

随着社会经济的不断发展，城市人口和机动车辆的增加，交通监控管理已受到社会各方面的广泛重视。应用先进的监控技术，建立完善的道路交通监控管理系统，实现城市道路的现代化管理，从而有效地抑制交通事故的发生，解放警力，已成为各地交通管理部门最为关注的问题。

在光照较充足的夜间场景下，车头灯虽然并不特别显著，但车头灯及其投射的光束对运动目标的检测仍然有很大影响，无论帧差分还是背景减除都难以取得良好的效果，路面的投射光束对结果影响比较明显，因此先对图像做预处理来尽量消除它对检测结果的影响。可以注意到路面的投射光束边缘比较模糊，可以认为它是没有边缘的，因此可以通过提取边缘的方法来去除它。但是常用的边缘检测方法都以提取出准确边缘为目的，从而丢失了过多信息，这为后面的处理工作带来了一定困难。

运动目标检测的目的是从序列图像中将变化区域从背景图像中提取出来。运动区域的有效分割是监控系统的前提和关键，能否做到准确有效的分割直接关系到后续工作的难易程度和整体性能，因为以后的处理过程仅仅考虑图像中对应于运动区域的像素。常用的方法有帧差分和背景减除两种。前者就是在连续的图像序列中两个或三个相邻帧间采用基于像素的时间差分并且阈值化来提取出图像中的运动区域，对于动态环境具有较强的自适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象。后者是利用当前图像与背景图像的差分检测运动区域，它一般能够提供最完全的特征数据，但对于动态场景的变化，如光照和外来无关事件的干扰等特别敏感。

背景建模作为一种运动目标检测技术，被常用在智能视频监控系统中，其主要作用是提取场景中的运动目标，并将检测结果提供给上层应用进行分析处理，如人流量统计、目标跟踪等。

背景建模是计算机视觉中的一个基本研究方向，它被广泛应用于智能视频监控系统中，是影响整个系统性能的关键技术。所谓背景建模，就是根据摄像头获取的场景图像序列，建立一个能够代表该场景的背景模型，当摄像头获取一帧新的图像时，以背景模型为参考，划分出场景中发生剧烈变化的部分，即运动目标。智能视频监控系统中的上层应用都是以运动目标检测结果为基础的，背景建模对整个系统有至关重要的作用。

在计算机视觉、智能视频监领域，背景建模是一个十分热门的研究方向，也是一种检测由固定摄像头监控的场景中的运动目标的常用方法。它的基本思路是比较当前帧和“参考帧”，并根据它们之间的差别来提取前景，这里的“参考帧”就是背景模型，或称为背景图像。一般而言，背景模型必须能够代表一个不含运动目标的场景，并能随着场景自身的变化更新背景模型。

发明内容

本发明的目的就在于为了解决上述问题而提供一种夜间物体检测的方法。

本发明通过以下技术方案来实现上述目的：

一种夜间物体检测的方法，通过建立静止的混合高斯背景模型检测前景点，建立前景图像和背景图像模型，并利用图像帧中高斯分布模型特征的变化进行背景图像模型更新，对前景图像中的前景目标进行特征提取，通过匹配目标的特征，建立运动目标与前景目标之间的对应关系实现对运动目标的追踪；

前景点与背景点的判断：为帧图像中的每个图像点的灰度值分布建立高斯分布模型p(x,μ_t,∑_t)，若p(x,μ_t,∑_t)不大于概率阈值，则该图像点为前景点，否则该图像点为背景点；

背景图像：每隔一定之间进行一次帧图像采样，获取并计算样本的背景点的期望图像，该期望图像为背景图像；

前景图像处理：通过前景点计算得到前景图像，对其进行阈值化，将其转化为二值图像，再作形态学开运算，去除面积较小的散点。

背景模型更新判断：通过相邻时间段的背景概率模型的匹配度判定背景模型是否需要更新，并对背景模型上的多个图像点均引入高斯分布模型，判断算法公式如下：

对像素点(x,y)，令X_t表示其在t时刻的亮度值，并服从高斯分布，即

$p\left(X_t\right)=\frac{1}{\sqrt{2{\mathrm{\π\Σ}}_t}}\exp (-\frac{{(X_t-{\mathrm{\μ}}_t)}^2}{2{\mathrm{\Σ}}_t})---\left(1\right)$

其中期望μ_t和方差∑_t随时间进行更新，更新公式为

μ_t+1＝(1-α)μ_t+α(X_t-μ_t)(2)

Σ_t+1＝(1-α)Σ_t+α(X_t-μ_t)(X_t-μ_t)^T(3)

其中α∈[0,1]，初值μ₀与∑₀规定为

μ₀＝I₀(4)

∑₀＝20(5)

规定缩放系数λ，当t+1时刻像素亮度X_t+1满足式(6)，认为像素属于背景，

$|X_{t+1}-{\mathrm{\&mu;}}_t|<\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(6\right)$

当满足式(7)，认为像素属于前景；

$|X_{t+1}-{\mathrm{\&mu;}}_t|\&GreaterEqual;\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(7\right)$

前景目标分割：利用空间连续性对前景图像中的连通区域进行分割，将分割后的帧图像与背景模型之间进行对比，对前景图像中的前景目标的静态特征进行提取；

运动目标跟踪：采用二阶Kalman滤波器模型作为运动目标的运动模型，将运动目标与前景目标进行匹配，静态特征匹配成功后，对其特征和运动历史记录进行更新。

进一步，上述方法中还包括对摄像机抖动过滤的方法：对前景图像中的连通区域数量进行统计，若超出抖动阈值，则判断摄像机出现抖动，停止对运动目标的追踪，并对显示抖动警告信息。

本发明的有益效果在于：

本发明一种夜间物体检测的方法通过建立精确的背景模型，并通过高斯分布模型对背景模型进行更新，使其具有较强的区分度，提升了对运动目标的抗干扰能力，准确地从视频图像中提取出运动的车辆目标，而且还能有效地排除掉车灯光晕和地面反光对目标检出的影响。

具体实施方式

下面对本发明作进一步说明：

本发明一种夜间物体检测的方法利用背景建模的思想实现对运动目标的检测与跟踪，通过建立静止的混合高斯背景来检测前景点，利用图像帧中高斯混合模型特征的变化实现背景的更新，目标跟踪时则通过匹配目标的位置、大小、形状和颜色等特征，建立运动目标与前景目标间的对应关系。

前景与背景建模：为每个图像点的灰度值分布建立高斯分布模型p(x,μ_t,∑_t)，其中t表示时间。图像点的灰度度量为X_t，若p(x_t,μ_t,∑_t)≤η(η代表概率阈值)，则该点被判为前景点，否则被判为背景点。

具体地，本算法每隔一定时间(比如100ms)进行一次帧图像采样，获取了一定数量的帧样本后(比如15张)，计算这些帧样本的期望图像，将该期望图像作为该时段的背景图像。得到前景图像后，首先作阈值化，将其转化为二值图像，再作形态学开运算，去除面积较小的散点。

背景模型更新：通过相邻时间段的背景概率模型的匹配度判定背景模型是否需要更新，算法公式如下：

对像素点(x,y)，令X_t表示其在t时刻的亮度值，并服从高斯分布，即

$p\left(X_t\right)=\frac{1}{\sqrt{2{\mathrm{\&pi;\&Sigma;}}_t}}\exp (-\frac{{(X_t-{\mathrm{\&mu;}}_t)}^2}{2{\mathrm{\&Sigma;}}_t})---\left(1\right)$

其中期望μ_t和方差∑_t随时间进行更新，更新公式为：

μ_t+1＝(1-α)μ_t+α(X_t-μ_t)(2)

Σ_t+1＝(1-α)Σ_t+α(X_t-μ_t)(X_t-μ_t)^T(3)

其中α∈[0,1]，初值μ₀与∑₀规定为：

μ₀＝I₀(4)

∑₀＝20(5)

规定缩放系数λ，当t+1时刻像素亮度X_t+1满足式(6)，认为像素属于背景，

$|X_{t+1}-{\mathrm{\&mu;}}_t|<\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(6\right)$

当满足式(7)，认为像素属于前景；

$|X_{t+1}-{\mathrm{\&mu;}}_t|\&GreaterEqual;\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(7\right)$

通过本算法建立的背景模型对运动目标有较强的抗干扰能力，因为在背景模型的更新过程中，对背景模型上的每个图像点的灰度值都进行了统计，并计算了其高斯模型分布模型特征，通过引入多高斯分布模型，每一个灰度点都属于相应的高斯模型，时间越长，区分度就越强，对运动目标的抗干扰能力就越高。

前景目标分割：利用空间连续性对前景图像中的连通区域进行分割，将分割后的帧图像与背景模型之间进行对比，对前景图像中的前景目标的静态特征进行提取；静态目标特征包括外接矩形大小、面积、中值点位置等。

运动目标跟踪：采用二阶Kalman滤波器模型作为运动目标的运动模型，将运动目标与前景目标进行匹配，静态特征匹配成功后，对其特征和运动历史记录进行更新。

本算法也有摄像机抖动提醒功能，在大型车辆，比如公交车、大型货车经过视频采集点时，路面的振动导致摄像机画面产生明显的抖动。此时，前景图像与背景图像会产生“错位”，导致检出的前景包含大量琐碎的区域，本发明中的算法在跟踪目标之前对前景图像中的连通区域进行统计，如果前景图像中的连通区域数目超过某一阈值(比如100)，就认为当前帧图像已经产生了抖动，便不再进行运动目标跟踪，转而在界面中显示抖动警告信息，同时还能有效地排除掉车灯光晕和地面反光对目标检出的影响。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (2)

1.一种夜间物体检测的方法，其特征在于：通过建立静止的混合高斯背景模型检测前景点，建立前景图像和背景图像模型，并利用图像帧中高斯分布模型特征的变化进行背景图像模型更新，对前景图像中的前景目标进行特征提取，通过匹配目标的特征，建立运动目标与前景目标之间的对应关系实现对运动目标的追踪；

前景点与背景点的判断：为帧图像中的每个图像点的灰度值分布建立高斯分布模型p(x,μ_t,Σ_t)，若p(x,μ_t,Σ_t)不大于概率阈值，则该图像点为前景点，否则该图像点为背景点；

背景图像：每隔一定之间进行一次帧图像采样，获取并计算样本的背景点的期望图像，该期望图像为背景图像；

前景图像处理：通过前景点计算得到前景图像，对其进行阈值化，将其转化为二值图像，再作形态学开运算，去除面积较小的散点。

背景模型更新判断：通过相邻时间段的背景概率模型的匹配度判定背景模型是否需要更新，并对背景模型上的多个图像点均引入高斯分布模型，判断算法公式如下：

对像素点(x,y)，令X_t表示其在t时刻的亮度值，并服从高斯分布，即

$p\left(X_t\right)=\frac{1}{\sqrt{2{\mathrm{\&pi;\&Sigma;}}_t}}\exp (-\frac{{(X_t-{\mathrm{\&mu;}}_t)}^2}{2{\mathrm{\&Sigma;}}_t})---\left(1\right)$

其中期望μ_t和方差Σ_t随时间进行更新，更新公式为：

μ_t+1＝(1-α)μ_t+α(X_t-μ_t)(2)

Σ_t+1＝(1-α)Σ_t+α(X_t-μ_t)(X_t-μ_t)^T(3)

其中α∈[0,1]，初值μ₀与Σ₀规定为：

μ₀＝I₀(4)

Σ₀＝20(5)

规定缩放系数λ，当t+1时刻像素亮度X_t+1满足式(6)，认为像素属于背景，

$|X_{t+1}-{\mathrm{\&mu;}}_t|<\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(6\right)$

当满足式(7)，认为像素属于前景；

$|X_{t+1}-{\mathrm{\&mu;}}_t|\&GreaterEqual;\mathrm{\&lambda;}\sqrt{{\mathrm{\&Sigma;}}_t}---\left(7\right)$

前景目标分割：利用空间连续性对前景图像中的连通区域进行分割，将分割后的帧图像与背景模型之间进行对比，对前景图像中的前景目标的静态特征进行提取；

运动目标跟踪：采用二阶Kalman滤波器模型作为运动目标的运动模型，将运动目标与前景目标进行匹配，静态特征匹配成功后，对其特征和运动历史记录进行更新。

2.根据权利要求1所述的一种夜间物体检测的方法，其特征在于：还包括对摄像机抖动过滤的方法：对前景图像中的连通区域数量进行统计，若超出抖动阈值，则判断摄像机出现抖动，停止对运动目标的追踪，并对显示抖动警告信息。