CN106023249A - 一种基于局部二值相似性模式的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于局部二值相似性模式的运动目标检测方法，属于目标检测技术领域，解决场景的变化导致目标的位置、大小发生改变，从而影响运动目标检测的效果。步骤为：(1)抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型；(2)抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较；(3)通过相似性比较判断各像素点是前景还是背景；(4)如果背景变化，转到步骤(1)，更新背景模型，再执行步骤(2)和步骤(3)。本发明用于运动目标的检测。

Description

一种基于局部二值相似性模式的运动目标检测方法

技术领域

一种基于局部二值相似性模式的运动目标检测方法，用于运动目标的检测，属于机器学习、模式分类和目标检测技术领域。

背景技术

运动目标检测是数字图像处理技术的一个重要组成部分，它是计算机视觉、模式识别、目标识别与跟踪、运动图像编码、安全监控等研究领域的重点和难点，在军事、国防和工业等领域有着广阔的应用前景。图像序列运动分析因其巨大的应用价值而受到广泛的重视。它的基本任务是从图像序列中检测出运动信息，简化图像处理过程，得到所需的运动矢量，从而能够识别与跟踪物体。在运动检测中，以视频图像中运动目标检测为主。

对于运动目标而言，场景的变化会导致目标的位置、大小发生改变，从而影响目标检测的效果。其因素包括光照变化、摄像机抖动、复杂背景干扰、目标类型多样化、目标运动速度较快等问题。此外，当背景光源发生变化时，视频序列中的目标物体的颜色分布会产生变化，这导致提取的底层颜色特征也随之发生变化，从而影响目标检测的准确率；摄像机抖动会造成背景区域的变化，影响基于背景建模的目标检测方法的准确性；复杂背景干扰和目标类型多样化给目标的表示带来了困难，需要泛化能力和适应能力较好的目标表示模型；目标运动速度过快会导致运动目标的丢失。

背景减除算法是大多数视频分析应用和目标识别的第一步，但简单的通过多帧比较像素值的方法是不实际的，因为真正的视频经常包括噪声的异常值和动态元素(光线变化、起伏的物体等等)，这些元素有可能都被误判为前景目标。

发明内容

本发明针对上述不足之处提供了一种基于局部二值相似性模式的运动目标检测方法，解决现有技术中场景的变化导致目标的位置、大小发生改变，从而影响运动目标检测的效果。

为了实现上述目的，本发明采用的技术方案为：

一种基于局部二值相似性模式的运动目标检测方法，其特征在于，包括如下步骤：

(1)抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型；

(2)抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较；

(3)通过相似性比较判断各像素点是前景还是背景；

(4)如果背景变化，转到步骤(1)，更新背景模型，再执行步骤(2)和步骤(3)。

进一步，所述步骤(1)中，抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型的具体步骤为：

(11)抽取包含运动目标的视频中的第一帧图像；

(12)对第一帧图像中的每个像素点，计算以每个像素点为中心的N×N邻域内各像素和中心像素的相似性关系，通过以下公式度量：

其中，i_c表示中心像素点的像素值，i表示以i_c为中心的N×N邻域的一个像素点的像素值，T_d为所设阈值，|i-i_c|表示两像素值作差后的绝对值，用来衡量两像素点之间的相似性，当|i-i_c|小于阈值T_d时，表示两像素点之间相似，反之，则表示两像素点之间不相似，

(13)根据每个像素点与每个像素点邻域像素点的相似性关系，提取其局部二值相似性模式描述子，构建背景模型，描述子为：

$LBSP(x,y)=\underset{p=0}{\overset{P-1}{\Σ}}{d}_{T_d}(i_{x,y,p},i_{x,y})\·2^p$

其中，LBSP(x,y)表示像素点(x,y)的局部二值相似性模式描述子，P表示像素点(x,y)的邻域像素点的个数，表示像素点(x,y)与像素点(x,y)第p个邻域像素点的相似度，按顺序将N×N邻域的相似度的值进行排列，形成一个二值化的字码，将这二值化字码转成十进制数，则得到该中心像素点(x,y)的局部二值相似性模式值LBSP(x,y)。

进一步，所述步骤(2)中，抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较的具体步骤为：

(21)抽取包含运动目标的视频中的第一帧后的所有帧图像；

(22)对第一帧后的所有帧图像的各个通道，计算每个通道的各个像素点的局部二值相似性模式值MLBSP(x,y)；

(23)背景模型中像素点(x,y)的局部二值相似性模式值为LBSP(x,y)，求取的LBSP(x,y)和MLBSP(x,y)的相似度L1Dist(LBSP(x,y),MLBSP(x,y))。

进一步，所述步骤(3)中，通过相似性比较判断各像素点是前景还是背景的具体步骤为：

(31)设置最小化的局部二值相似性模式值阈值为T_desc；

(32)L1Dist(LBSP(x,y),MLBSP(x,y))≥T_desc则该像素点判别为前景；L1Dist(LBSP(x,y),MLBSP(x,y))<T_desc则该像素点判别为背景。

与现有技术相比，本发明的优点在于：

一、本发明充分利用了视频序列的空间和时间信息，与其它相对较复杂的算法相比本发明的算法结果更优；

二、本发明处理速度快、内存存储少、后处理操作方便，提高了判断效率，减少了误判的问题。

附图说明

图1为基于局部二值相似性模式的运动目标检测算法实现示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

一种基于局部二值相似性模式的运动目标检测算法，在运动目标检测上取得良好的效果。整个算法实现示意图如图1所示，包括步骤：

(1)抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型；针对需要检测运动目标的视频，要检测运动目标可以进行像素间的比较，但是仅简单的通过多帧比较像素值的方法是不实际的，因为真正的视频经常包括噪声的异常值和动态元素(光线变化、起伏的物体等等)，这些元素有可能都被误判为前景目标。LBP方法(Local binary patterns)是一个计算机视觉中用于图像特征分类的一个方法。用于纹理特征提取。对LBP特征向量进行提取的步骤如下：首先将检测窗口划分为16×16的小区域(cell)，对于每个cell中的一个像素，将其环形邻域内的8个点进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数，通常转换为十进制数。然后计算每个cell的直方图，即每个数字(假定是十进制数)出现的频率(也就是一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计)，然后对该直方图进行归一化处理。最后将得到的每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征。

本方法采用像素的局部二值相似性模式值来进行比较，局部二值相似性模式值(LBSP)是LBP方法的一种变形，包括以下几个步骤：

(11)抽取包含运动目标的视频中的第一帧图像；

(12)对第一帧图像中的每个像素点，计算以每个像素点为中心的N×N邻域内各像素和中心像素的相似性关系，通过以下公式度量：

其中，i_c表示中心像素点的像素值，i表示以i_c为中心的N×N邻域的一个像素点的像素值，T_d为所设阈值，|i-i_c|表示两像素值作差后的绝对值，用来衡量两像素点之间的相似性，当|i-i_c|小于阈值T_d时，表示两像素点之间相似，反之，则表示两像素点之间不相似，

(13)根据每个像素点与每个像素点邻域像素点的相似性关系，提取其局部二值相似性模式描述子，构建背景模型，描述子为：

$LBSP(x,y)=\underset{p=0}{\overset{P-1}{\&Sigma;}}{d}_{T_d}(i_{x,y,p},i_{x,y})\&CenterDot;2^p$

其中，LBSP(x,y)表示像素点(x,y)的局部二值相似性模式描述子，P表示像素点(x,y)的邻域像素点的个数，表示像素点(x,y)与像素点(x,y)第p个邻域像素点的相似度，按顺序将N×N邻域的相似度的值进行排列，形成一个二值化的字码，将这二值化字码转成十进制数，则得到该中心像素点(x,y)的局部二值相似性模式值LBSP(x,y)。

(2)抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较；具体步骤为：

(21)抽取包含运动目标的视频中的第一帧后的所有帧图像；

(22)对第一帧后的所有帧图像的各个通道，计算每个通道的各个像素点的局部二值相似性模式值MLBSP(x,y)，

(23)背景模型中像素点(x,y)的局部二值相似性模式值为LBSP(x,y)，求取的LBSP(x,y)和MLBSP(x,y)的相似度，采用L1距离：L1Dist(LBSP(x,y),MLBSP(x,y))。

(3)通过相似性比较判断各像素点是前景还是背景；通过相似性比较判断各像素点是前景还是背景的具体步骤为：

(31)设置最小化的局部二值相似性模式值阈值为T_desc；

(32)L1Dist(LBSP(x,y),MLBSP(x,y))≥T_desc则该像素点判别为前景；L1Dist(LBSP(x,y),MLBSP(x,y))<T_desc则该像素点判别为背景。

(4)如果背景变化，转到步骤(1)，更新背景模型，再执行步骤(2)和步骤(3)。

根据背景更新策略对背景模型进行更新，背景模型的更新就是使得背景模型能够适应背景的不断变化，比如光照的变化，背景物体的变更等等，本发明采用联合常见的保守的更新策略和前景点计数方法。保守的更新策略为：前景点永远不会被用来填充背景模型。在此加入前景点计数，对像素点进行统计，如果某个像素点连续N次(N为所设阈值)被检测为前景，则将其更新为背景点。根据更新了的背景模型，继续检测视频帧中的运动目标。

本发明使用最新发布的CDNet数据进行了标准化的评价，证明我们充分利用了视频序列的空间和时间信息，与其它相对较复杂的算法相比我们的算法结果更优。

Claims (4)

1.一种基于局部二值相似性模式的运动目标检测方法，其特征在于，包括如下步骤：

(1)抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型；

(2)抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较；

(3)通过相似性比较判断各像素点是前景还是背景；

(4)如果背景变化，转到步骤(1)，更新背景模型，再执行步骤(2)和步骤(3)。

2.根据权利要求1所述的一种基于局部二值相似性模式的运动目标检测方法，其特征在于：所述步骤(1)中，抽取包含运动目标的视频中的第一帧图像，提取第一帧图像中的每个像素点的局部二值相似性模式描述子，构建背景模型的具体步骤为：

(11)抽取包含运动目标的视频中的第一帧图像；

(12)对第一帧图像中的每个像素点，计算以每个像素点为中心的N×N邻域内各像素和中心像素的相似性关系，通过以下公式度量：

其中，i_c表示中心像素点的像素值，i表示以i_c为中心的N×N邻域的一个像素点的像素值，T_d为所设阈值，|i-i_c|表示两像素值作差后的绝对值，用来衡量两像素点之间的相似性，当|i-i_c|小于阈值T_d时，表示两像素点之间相似，反之，则表示两像素点之间不相似，

(13)根据每个像素点与每个像素点邻域像素点的相似性关系，提取其局部二值相似性模式描述子，构建背景模型，描述子为：

$LBSP(x,y)=\underset{p=0}{\overset{P-1}{\&Sigma;}}{d}_{T_d}(i_{x,y,p},i_{x,y})\&CenterDot;2^p$

其中，LBSP(x,y)表示像素点(x,y)的局部二值相似性模式描述子，P表示像素点(x,y)的邻域像素点的个数，表示像素点(x,y)与像素点(x,y)第p个邻域像素点的相似度，按顺序将N×N邻域的相似度的值进行排列，形成一个二值化的字码，将这二值化字码转成十进制数，则得到该中心像素点(x,y)的局部二值相似性模式值LBSP(x,y)。

3.根据权利要求1所述的一种基于局部二值相似性模式的运动目标检测方法，其特征在于：所述步骤(2)中，抽取包含运动目标的视频中的第一帧后的所有帧图像，计算第一帧后的所有帧图像中每个像素点的局部二值相似性模式值，并将每个像素点的局部二值相似性模式值与相同位置的背景模型进行相似性比较的具体步骤为：

(21)抽取包含运动目标的视频中的第一帧后的所有帧图像；

(22)对第一帧后的所有帧图像的各个通道，计算每个通道的各个像素点的局部二值相似性模式值MLBSP(x,y)；

(23)背景模型中像素点(x,y)的局部二值相似性模式值为LBSP(x,y)，求取的LBSP(x,y)和MLBSP(x,y)的相似度L1Dist(LBSP(x,y),MLBSP(x,y))。

4.根据权利要求1所述的一种基于局部二值相似性模式的运动目标检测方法，其特征在于：所述步骤(3)中，通过相似性比较判断各像素点是前景还是背景的具体步骤为：

(31)设置最小化的局部二值相似性模式值阈值为T_desc；

(32)L1Dist(LBSP(x,y),MLBSP(x,y))≥T_desc则该像素点判别为前景；L1Dist(LBSP(x,y),MLBSP(x,y))<T_desc则该像素点判别为背景。