CN106875423A - 一种用于海量视频流中的移动物体检测与跟踪方法 - Google Patents

Abstract

本发明公开了一种基于MOSS‑MV的海量视频流中的移动物体检测与跟踪方法，其包括以下步骤：获取对应视频并对该视频进行解码处理，通过高斯混合背景模块判断该视频场景中的像素是背景还是前景，通过运动矢量提取模块从该视频中提取运动矢量，然后建立高斯混合背景模型；再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影；最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模，并进行阴影的最终判定。可以去掉视频场景中背景的很多干扰和噪声，且后续需要检测的像素量大大降低，运算量也对应降低，可以提高移动物体检测与跟踪方法的实时性。

Description

一种用于海量视频流中的移动物体检测与跟踪方法

技术领域

本发明涉及视频处理领域，尤其涉及一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法。

背景技术

智能视频监视就是实时地观测被监视场景的运动目标，如人或车辆等，并且分析描述他们的行为；这项技术研究内容主要涉及到运动目标检测与提取，运动目标跟踪，运动目标识别，运动分析与运动理解，视频认证等方面的内容，该项技术主要涉及到计算机视觉，模式识别，以及人工智能等领域，因而研究智能视频监视技术有着重要的理论意义。

目前，针对背景图像静止不动的情况，所提出的检测运动目标的算法主要基于以下三个思想：第一是基于帧间差异的算法；另外一类是基于背景估计图像与当前帧图像差异的算法；第三类是基于背景统计模型的算法，该类算法在处理场景中存在不断晃动的物体时有一定优势。目前虽然存在着各种各样的算法，但每个算法多是针对某一特定的场合提出的，并且许多算法仍有许多值得改进的地方，如有的算法在精确地检测和提取运动目标的轮廓方面，有的算法在计算量等方面仍值得改进。

现有技术中图像的分类方法很多，如同统计模式分类方法，结构法，分类树方法，神经网络方法等，这些方法由于针对分类对象，应用场合不同而提取不同的图像特征，采用不同的模式分类方法。传统的统计模式分类法及线性判别函数往往只能提供线性的分割平面，采用这种分类方法关键在于提取易于分类的模式特征。神经网络的方法，如BP网，具有非线性分割的能力，但传统的神经网络方法由于对数据的过拟合，而导致其推广能力的下降。最近，一些应用表明，支撑矢量机方法显示出较传统方法包括神经网络方法更好的适应和推广能力。一般而言，图像识别技术主要涉及到两方面的研究内容，一是特征提取方法，二是模式分类方法。

在运动物体检测中，阴影问题是影响所有算法的主要因素之一。由于检测结果的阴影部分与目标物体具有相似的特征量，使得阴影也被识别为运动目标检测出来，从而导致目标合并、形状改变、甚至是目标丢失等问题。常用的几种运动目标检测算法都没有对运动阴影做出检测、抑制处理，导致检测结果中包含有运动目标和运动阴影两部分，阴影的出现会给后期视频图像的分析处理一一运动目标分类、目标跟踪、场景理解等带来困难和干扰。

在有阴影的视频中，由于光照在短时间内可以认为是固定的，而运动的物体在运动时其阴影在视频画面的变化和物体本身的变化会产生差异，这种差异体现在阴影的角度、形状和运动速度上。在视频编码算法中运动矢量信息就是反映像素点运动变化的信息，因此可以将视频编码算法中的运动矢量信息用于阴影检测，通过对运动方向和运动相对速度来判断是物体还是阴影。

在阴影抑制过程中准确的背景建模是一项重要的前期工作，C.Stauffer等在单高斯背景模型的基础上，提出了混合高斯背景模型，取得了较好的背景建模效果。但是，混合高斯背景模型不能对运动物体的阴影进行抑制。薛瑞华等借鉴高斯混合背景模型算法中背景建模的思路，建立了高斯混合阴影模型，并针对模型参数学习问题对模型进行了改进，提出了融合彩色图像分割的高斯混合阴影模型。但由于算法对彩色图像信息的依赖，导致在灰度或弱色彩视频的阴影检测中效果不佳，因此其适应场合受到了限制。

因此，现有技术有待于更进一步的改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，以提高移动物体检测与跟踪的实时性。

为解决上述技术问题，本发明方案包括：

一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，其包括以下步骤：

A、获取对应视频并对该视频进行解码处理，通过高斯混合背景模块判断该视频场景中的像素是背景还是前景，通过运动矢量提取模块从该视频中提取运动矢量，然后建立高斯混合背景模型；

B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影；若判断为是疑似阴影，则其参与高斯混合阴影模型的建立与参数更新，并对其进行阴影的最终判定；

C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模，并进行阴影的最终判定。

所述的移动物体检测与跟踪方法，其中，上述步骤A具体的还包括：高斯混合背景模块首先提取运动目标，然后用疑似阴影模型进行阴影预判，将判断为疑似阴影的像素用于高斯混合阴影模型的参数学习和更新，最后对这些像素是否属于阴影进行最终判别。

所述的移动物体检测与跟踪方法，其特征在于，上述步骤A具体的还包括：运动矢量提取模块通过判断疑似阴影和运动物体的运动矢量变化以辅助高斯混合阴影检测模块对阴影的检测；

其中，v_o为物体运动矢量的平均值，为物体区域的运动矢量。v_s为疑似阴影运动矢量的平均值，为疑似阴影区域的运动矢量。

所述的移动物体检测与跟踪方法，其中，上述步骤B具体的还包括：运动阴影检测模块对像素进行疑似阴影判定，只有判定为疑似阴影的像素才会参与混合高斯阴影模型的模型建立和参数更新及最终的阴影判定。

所述的移动物体检测与跟踪方法，其中，上述步骤B中高斯混合阴影模型建模的具体步骤还包括：

B1、初始化运动阴影模型：

用一个新的高斯混合模型对断定为前景且疑似为阴影的像素值进行建模；运动阴影的分布用K^S个高斯函数表示：

其中，η^S为高斯概率密度函数；

用从K^S个高斯分布中选出前S个高斯分布作为代表阴影的分布，判别公式为：

式中，T_S为权重阈值；

B2、进行运动阴影判定：

首先通过式(4)对物体和疑似阴影的平均运动矢量进行判断，如果二者的差大于某一个阈值，则可判定疑似阴影为阴影，否则用式(5)进行后续判断；

判断疑似阴影的像素值是否满足高斯混合背景模型中的某一分布，如果满足则是运动阴影，否则为运动目标；

B3、参数更新：

若疑似阴影像素I_t与高斯分布之间有匹配，则将该自依照下式进行参数更新；

其中，ω、ρ、α分别代表权值、学习率和更新率；

若模型中没有任何高斯分布与疑似阴影像素x_t相匹配，则用高斯分布代替权值最小的分布，新分布的均值则为当前像素值x_t，并初始化一个较大的标准差和一个较小的权值而其他的高斯分布的均值和方差则保持不变，权值则按下式(7)衰减；

B4、权值归一化：

参数经过更新以后高斯分布的权值之和可能不等于1，必须对权值按下式(8)进行归一化；

本发明提供的一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，在对视频监视序列背景图像运动模型分析的基础上，提出了基于背景图像匹配的运动目标检测算法，将视频编码信息中的运动矢量作为判别运动物体和阴影的依据，为提高在繁忙的场景下，大而慢的运动目标的检测效果，引入权值均值的概念，建立背景图像并实时更新，然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类；检测出运动目标的基础上，再进行运动阴影的抑制，用这种处理顺序，可以去掉视频场景中背景的很多干扰和噪声，且后续需要检测的像素量大大降低，运算量也对应降低，可以提高算法的实时性。

附图说明

图1为本发明中移动物体检测与跟踪方法的流程示意图；

图2为本发明中MOSS-MV分层模型的示意图。

具体实施方式

本发明提供了一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供了一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，如图1所示的，其包括以下步骤：

步骤A、获取对应视频并对该视频进行解码处理，通过高斯混合背景模块判断该视频场景中的像素是背景还是前景，通过运动矢量提取模块从该视频中提取运动矢量，然后建立高斯混合背景模型；

步骤B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影；若判断为是疑似阴影，则其参与高斯混合阴影模型的建立与参数更新，并对其进行阴影的最终判定；

步骤C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模，并进行阴影的最终判定。

更进一步的，上述步骤A具体的还包括：高斯混合背景模块首先提取运动目标，然后用疑似阴影模型进行阴影预判，将判断为疑似阴影的像素用于高斯混合阴影模型的参数学习和更新，最后对这些像素是否属于阴影进行最终判别。

而且上述步骤A具体的还包括：运动矢量提取模块通过判断疑似阴影和运动物体的运动矢量变化以辅助高斯混合阴影检测模块对阴影的检测；

其中，v_o为物体运动矢量的平均值，为物体区域的运动矢量。v_s为疑似阴影运动矢量的平均值，为疑似阴影区域的运动矢量。

本发明中的上述步骤B具体的还包括：运动阴影检测模块对像素进行疑似阴影判定，只有判定为疑似阴影的像素才会参与混合高斯阴影模型的模型建立和参数更新及最终的阴影判定。

在本发明的另一较佳实施例中，上述步骤B中高斯混合阴影模型建模的具体步骤还包括：

步骤B1、初始化运动阴影模型：

用一个新的高斯混合模型对断定为前景且疑似为阴影的像素值进行建模；运动阴影的分布用K^S个高斯函数表示：

其中，η^S为高斯概率密度函数；

用从K^S个高斯分布中选出前S个高斯分布作为代表阴影的分布，判别公式为：

式中，T_S为权重阈值；

步骤B2、进行运动阴影判定：

首先通过式(4)对物体和疑似阴影的平均运动矢量进行判断，如果二者的差大于某一个阈值，则可判定疑似阴影为阴影，否则用式(5)进行后续判断；

判断疑似阴影的像素值是否满足高斯混合背景模型中的某一分布，如果满足则是运动阴影，否则为运动目标；

步骤B3、参数更新：

若疑似阴影像素I_t与高斯分布之间有匹配，则将该自依照下式进行参数更新；

其中，ω、ρ、α分别代表权值、学习率和更新率；

若模型中没有任何高斯分布与疑似阴影像素x_t相匹配，则用高斯分布代替权值最小的分布，新分布的均值则为当前像素值x_t，并初始化一个较大的标准差和一个较小的权值而其他的高斯分布的均值和方差则保持不变，权值则按下式(7)衰减；

步骤B4、权值归一化：

参数经过更新以后高斯分布的权值之和可能不等于1，必须对权值按下式(8)进行归一化；

为了更为详尽的说明本发明，如图2所示的，将运动阴影抑制算法分为如下粒层：

图像特征粒层

本层的粒子为图像属性粒，包括颜色、边缘、纹理三种属性。将三种图像特征分别定义F_c,F_e,F_p。

图像对象粒层

本层的粒子为图像对象粒，定义为关键帧中具有封闭边缘特征的图像对象，用O表示。

视频对象粒层

本层包含两种粒子，一种为视频对象粒，描述了局部连续的关键帧中检测出的物体对象，用V表示；另一种粒子为运动速度属性粒，描述了视频对象粒的运动速度，用S表示。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (5)

1.一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，其包括以下步骤：

A、获取对应视频并对该视频进行解码处理，通过高斯混合背景模块判断该视频场景中的像素是背景还是前景，通过运动矢量提取模块从该视频中提取运动矢量，然后建立高斯混合背景模型；

B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影；若判断为是疑似阴影，则其参与高斯混合阴影模型的建立与参数更新，并对其进行阴影的最终判定；

C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模，并进行阴影的最终判定。

2.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤A具体的还包括：高斯混合背景模块首先提取运动目标，然后用疑似阴影模型进行阴影预判，将判断为疑似阴影的像素用于高斯混合阴影模型的参数学习和更新，最后对这些像素是否属于阴影进行最终判别。

3.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤A具体的还包括：运动矢量提取模块通过判断疑似阴影和运动物体的运动矢量变化以辅助高斯混合阴影检测模块对阴影的检测；

$v_o=\arg \left(\underset{k=1}{\Σ}{v}_i^o\right)$

$v_s=\arg \left(\underset{k=1}{\mathrm{\Σ}}{v}_i^s\right)---\left(1\right)$

其中，v_o为物体运动矢量的平均值，为物体区域的运动矢量。v_s为疑似阴影运动矢量的平均值，为疑似阴影区域的运动矢量。

4.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤B具体的还包括：运动阴影检测模块对像素进行疑似阴影判定，只有判定为疑似阴影的像素才会参与混合高斯阴影模型的模型建立和参数更新及最终的阴影判定。

5.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤B中高斯混合阴影模型建模的具体步骤还包括：

B1、初始化运动阴影模型：

用一个新的高斯混合模型对断定为前景且疑似为阴影的像素值进行建模；运动阴影的分布用K^S个高斯函数表示：

$P^S\left(x_t\right)=\underset{i=1}{\overset{K^S}{\Σ}}{\mathrm{\ω}}_{i,t}^S*{\mathrm{\η}}^S(x_t;{\mathrm{\μ}}_{i,t}^S,{\mathrm{\Σ}}_{i,t}^S)---\left(2\right)$

其中，η^S为高斯概率密度函数；

用从K^S个高斯分布中选出前S个高斯分布作为代表阴影的分布，判别公式为：

$B=\arg {\min }_S(\underset{k=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}^S>T_S)---\left(3\right)$

式中，T_S为权重阈值；

B2、进行运动阴影判定：

首先通过式(4)对物体和疑似阴影的平均运动矢量进行判断，如果二者的差大于某一个阈值，则可判定疑似阴影为阴影，否则用式(5)进行后续判断；

$T_1<\frac{|v_o-v_s|}{\left|v_o\right|}<T_2---\left(4\right)$

判断疑似阴影的像素值是否满足高斯混合背景模型中的某一分布，如果满足则是运动阴影，否则为运动目标；

$|x_t-{\mathrm{\&mu;}}_{i,t-1}^S|<D^S\&CenterDot;{\mathrm{\&sigma;}}_{i,t-1}^S,i=1,2,...,K^S---\left(5\right)$

B3、参数更新：

若疑似阴影像素I_t与高斯分布之间有匹配，则将该自依照下式进行参数更新；

${\mathrm{\&omega;}}_{i,t}^S=(1-{\mathrm{\&alpha;}}^S){\mathrm{\&omega;}}_{i,t-1}^S+{\mathrm{\&alpha;}}^S$

${\mathrm{\&mu;}}_{i,t}^S=(1-{\mathrm{\&rho;}}^S){\mathrm{\&mu;}}_{i,t-1}^S+{\mathrm{\&rho;}}^S{x}_t$

${\left({\mathrm{\&sigma;}}_{i,t}^S\right)}^2=(1-{\mathrm{\&rho;}}^S){\left({\mathrm{\&sigma;}}_{i,t-1}^S\right)}^2+{\mathrm{\&rho;}}^S{(x_t-{\mathrm{\&sigma;}}_{i,t}^S)}^2---\left(6\right)$

其中，ω、ρ、α分别代表权值、学习率和更新率；

若模型中没有任何高斯分布与疑似阴影像素x_t相匹配，则用高斯分布代替权值最小的分布，新分布的均值则为当前像素值x_t，并初始化一个较大的标准差和一个较小的权值而其他的高斯分布的均值和方差则保持不变，权值则按下式(7)衰减；

${\mathrm{\&omega;}}_{i,t}^S=(1-{\mathrm{\&alpha;}}^S){\mathrm{\&omega;}}_{i,t-1}^S---\left(7\right)$

B4、权值归一化：

参数经过更新以后高斯分布的权值之和可能不等于1，必须对权值按下式(8)进行归一化；

${\mathrm{\&omega;}}_{i,t+1}^S=\frac{{\mathrm{\&omega;}}_{i,t+1}^S}{\underset{i=1}{\overset{K^S}{\&Sigma;}}{\mathrm{\&omega;}}_{i,t+1}^S}---\left(8\right).$