CN106296739A - 一种改进的运动目标检测方法和系统 - Google Patents

Abstract

本发明公开了一种改进的运动目标检测方法，包括：读取视频文件，根据视频图片采样频率在连续的N个图片序列中抽取L个样本{X_k(i，j)|k＝1，2，…，L}，{L|L≤12}；根据中值模型法，选取L个样本的中值作为初始背景图B(i，j)；初始化背景图第m个通道的目标阈值{Δ_m|m＝1，2，…}：获取当前帧I(i，j)的前景图F(i，j)；根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i，j)；对二值图T(i，j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。对连续的图片序列的抽样，减少对内存的占据，又保证图片序列的原始信息，背景更新抽样法可以降低动态背景的影响、避免背景的重复计算。

Description

一种改进的运动目标检测方法和系统

技术领域

本发明涉及运动目标检测方法技术领域，具体涉及一种改进的运动目标检测方法和系统。

背景技术

运动目标检测是视频处理的重要问题之一。剔除视频中各种冗余信息，对背景和运动目标进行有效地分割是运动目标检测研究的重点。因为背景建模法在计算量、抗噪性能等方面的优点，所以它是一种目前使用较普遍的方法。

背景建模的基本思路是获取一个参考背景，将输入图像和参考背景相比较，从中分割出前景运动目标。通常有两种类型的背景建模方法。一种是通过开辟内存存储大量过去时刻的图片序列，根据连续图片序列对应的像素变化预估背景模型，比如中值(或均值)模型法、帧间差分模型法、线性预测模型法等。此类方法能防止单帧图像的干扰，但占内存很大。另一种是根据当前帧的像素递归地更新背景模型，比如高斯模型法、卡尔曼滤波法、码本模型法等。该类方法导致当前帧的错误可长时间影响背景，因此算法都需要高的复杂度进行克服。

发明内容

针对上述技术问题，本发明提出了一种改进的运动目标检测方法和系统，利用中值模型法初始化背景时，通过对连续的图片序列的抽样，减少对内存的占据，又保证图片序列的原始信息。接着在提取运动目标区域模块时，利用自适应的阈值和形态学操作获取更加精确的运动目标区域。然后采用背景更新抽样法依次替换缓冲区中的全部图片序列，更新模型背景和运动目标阈值。背景更新抽样法可以降低动态背景的影响、避免背景的重复计算，同时也可检测出较长时间停止的运动目标。

本发明的技术方案是：

一种改进的运动目标检测方法，其特征在于，包括以下步骤：

S01：读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L}，{L|L≤12}，其中，i、j表示图片序列的像素坐标；

S02：根据中值模型法，选取L个样本的中值作为初始背景图B(i,j)；

S03：初始化背景图第m个通道的目标阈值{Δ_m|m＝1,2,…}：

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j)\left|\right|)}{wh}$

其中，w和h分别表示图片序列的宽度和高度，系数C是固定常数；

S04：获取当前帧I(i,j)的前景图F(i,j)；

S05：根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)；

S06：对二值图T(i,j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。

优选的，所述步骤S06之后还包括执行背景更新抽样法，完成背景更新步骤，根据采样频率f_create依次从视频文件中选取一帧图片替换样本图片序列，当样本图片序列替换完成后，更新背景及其每个通道的运动目标阈值。

优选的，所述步骤S01中当视频图片过大时，选取感兴趣区域和/或按一定比例缩小后处理。

优选的，所述步骤S06中，对前景图进行形态学腐蚀和膨胀操作，去除边缘部分，以及通过面积阈值、宽高比例阈值滤除噪声，获得运动目标。

本发明又公开了一种改进的运动目标检测系统，其特征在于，包括：

视频图像采样模块，读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L}，{L|L≤12}，其中，i、j表示图片序列的像素坐标；

背景生成模块，根据中值模型法，选取L个样本的中值作为初始背景图B(i,j)；

运动目标获取模块，初始化背景图第m个通道的目标阈值{Δ_m|m＝1,2,…}；

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j)\left|\right|)}{wh}$

其中，w和h分别表示图片序列的宽度和高度，系数C是固定常数；

获取当前帧I(i,j)的前景图F(i,j)；根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)；对二值图T(i,j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。

优选的，还包括背景更新模块，根据采样频率f_create依次从视频文件中选取一帧图片替换样本图片序列，当样本图片序列替换完成后，更新背景及其每个通道的运动目标阈值。

优选的，所述视频图像采样模块，当视频图片过大时，选取感兴趣区域和/或按一定比例缩小后处理。

优选的，所述运动目标获取模块，对前景图进行形态学腐蚀和膨胀操作，去除边缘部分，以及通过面积阈值、宽高比例阈值滤除噪声，获得运动目标。

与现有技术相比，本发明的优点是：

对每帧图片进行比例缩小和ROI减少计算复杂度。生成背景图时使用采样操作，使得内存比标准中值模型法的内存降低了55％左右。更新背景中同样通过抽样操作减少背景的重复计算，降低动态背景的影响，保留停车时间较长的运动目标。在提取运动目标的模块中，使用自适应的通道阈值进行二值化操作，使得运动目标区域更加精确。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为本发明改进的运动目标检测系统结构框图；

图2为本发明改进的运动目标检测方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例：

下面结合附图，对本发明的较佳实施例作进一步说明。

如图1所示，一种改进的运动目标检测系统，包括：

视频图像采样模块，读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L}，{L|L≤12}，其中，i、j表示图片序列的像素坐标；

背景生成模块，根据中值模型法，选取L个样本的中值作为初始背景图B(i,j)；

运动目标获取模块，初始化背景图第m个通道的目标阈值{Δ_m|m＝1,2,…}；

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j)\left|\right|)}{wh}$

其中，w和h分别表示图片序列的宽度和高度，系数C是固定常数；

获取当前帧I(i,j)的前景图F(i,j)；根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)；对二值图T(i,j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。

系统运动目标检测方法，如图2所示，包括以下步骤：

步骤1：读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L},i、j表示图片序列的像素坐标。过大的图片采用ROI法和300*400的比例缩放法。

步骤2：根据中值模型法【CucchiaraR,GranaC,PiccardiM，et al.Detectingmoving objects，ghosts and shadows in video streams[J].Pattern Analysis andMachine Intelligence,2003，25(10)：1337－1342】，选取L个样本的中值作为初始背景B(i,j)：

B(i,j)＝median(X_k(i,j))k＝1,2,…,L(1)

步骤3：初始化背景第m个通道的阈值{Δ_m|m＝1,2,…}：

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j)\left|\right|)}{wh}---\left(2\right)$

w和h分别表示图片序列的宽度和高度，系数C是固定常数。

步骤4：如图2所示，用背景减法得到当前帧I(i,j)的前景图F(i,j)；

F(i,j)＝|I(i,j)-B(i,j)| (3)

步骤5：根据自适应运动目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)：

每个像素必须满足所属通道阈值要求才能被选为前景图，以滤去较小的噪声。

步骤6：二值图T(i,j)进行形态学腐蚀和膨胀操作，去除凸显的边缘部分。通过面积阈值、宽高比例阈值等剔除较大的噪声，获得更精确的运动目标；

步骤7：执行背景更新抽样法，完成背景更新。背景更新抽样法是根据背景更新采样频率f_update依次从视频文件中选取一帧图片替换样本图片序列。当样本图片序列完成替换后，更新背景及其每个通道的运动目标阈值，以保证能检测出停止较长时间的运动目标。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.一种改进的运动目标检测方法，其特征在于，包括以下步骤：

S01：读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L}，{L|L≤12}，其中，i、j表示图片序列的像素坐标；

S02：根据中值模型法，选取L个样本的中值作为初始背景图B(i,j)；

S03：初始化背景图第m个通道的目标阈值{Δ_m|m＝1,2,…}；

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j\left)\right|\left|\right)}{wh}$

其中，w和h分别表示图片序列的宽度和高度，系数C是固定常数；

S04：获取当前帧I(i,j)的前景图F(i,j)；

S05：根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)；

S06：对二值图T(i,j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。

2.根据权利要求1所述的改进的运动目标检测方法，其特征在于，所述步骤S06之后还包括执行背景更新抽样法，完成背景更新步骤，根据采样频率f_create依次从视频文件中选取一帧图片替换样本图片序列，当样本图片序列替换完成后，更新背景及其每个通道的运动目标阈值。

3.根据权利要求1或2所述的改进的运动目标检测方法，其特征在于，所述步骤S01中当视频图片过大时，选取感兴趣区域和/或按一定比例缩小后处理。

4.根据权利要求1或2所述的改进的运动目标检测方法，其特征在于，所述步骤S06中，对前景图进行形态学腐蚀和膨胀操作，去除边缘部分，以及通过面积阈值、宽高比例阈值滤除噪声，获得运动目标。

5.一种改进的运动目标检测系统，其特征在于，包括：

视频图像采样模块，读取视频文件，根据视频图片采样频率f_create在连续的N个图片序列中抽取L个样本{X_k(i,j)|k＝1,2,…,L}，{L|L≤12}，其中，i、j表示图片序列的像素坐标；

背景生成模块，根据中值模型法，选取L个样本的中值作为初始背景图B(i,j)；

运动目标获取模块，初始化背景图第m个通道的目标阈值{Δ_m|m＝1,2,…}；

${\mathrm{\Δ}}_m=\frac{{\mathrm{C\Σ}}_{i=1}^w{\mathrm{\Σ}}_{j=1}^h\left({\mathrm{\Σ}}_{k=1}^L\right|\left|X_k\right(i,j)-B(i,j\left)\right|\left|\right)}{wh}$

其中，w和h分别表示图片序列的宽度和高度，系数C是固定常数；

获取当前帧I(i,j)的前景图F(i,j)；根据目标阈值对当前帧的前景图进行二值化，得到二值图T(i,j)；对二值图T(i,j)进行形态学操作，去除边缘部分，以及滤除噪声，获得运动目标。

6.根据权利要求5所述的改进的运动目标检测系统，其特征在于，还包括背景更新模块，根据采样频率f_create依次从视频文件中选取一帧图片替换样本图片序列，当样本图片序列替换完成后，更新背景及其每个通道的运动目标阈值。

7.根据权利要求5所述的改进的运动目标检测系统，其特征在于，所述视频图像采样模块，当视频图片过大时，选取感兴趣区域和/或按一定比例缩小后处理。

8.根据权利要求5所述的改进的运动目标检测系统，其特征在于，所述运动目标获取模块，对前景图进行形态学腐蚀和膨胀操作，去除边缘部分，以及通过面积阈值、宽高比例阈值滤除噪声，获得运动目标。