CN107220983B - 一种基于视频的生猪检测方法和系统 - Google Patents

Abstract

本发明提供了一种基于视频的生猪检测方法和系统，该方法包括：S1，通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；S2，通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；S3，根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。通过区域连通性分析和混合高斯背景模型，能够提取完整、准确的目标生猪轮廓，获取目标生猪运动行为的视频，为后续目标生猪跟踪和行为识别提供理论依据，还为规模化生猪养殖进行实时监控和分析提供有效解决方案。

Description

一种基于视频的生猪检测方法和系统

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于视频的生猪检测方法和系统。

背景技术

视频监控前景目标提取是将视频帧序列中每一帧里的背景去除，检测前景目标并分割出来的技术。前景提取方法按摄像头装置分为固定和移动两大类，按前景目标特性分刚体和非刚体两大类。生猪行为的检测方法属于固定摄像的非刚体前景提取技术。

现有技术中，通常采用彩色图像阈值剪影获得完整的前景目标，这种方法简单，计算代价小，属于经典背景帧差法，但这种方法要求背景是静止不变的，且背景愈简单分割效果愈好。而现实的生猪养殖场的背景难以满足此条件，由于养殖场一般设计成通风透光建筑，晴天光线强，猪在室内移动，会出现影子；阴天光线也会随时间发生渐变；当投射阳光的窗户突然出现暂时性遮挡时会起室内照度突变。上述情况都会造成获取前景目标的失败或者不准确，影响检测结果。

现有技术中还会采取利用实验室现场深色背景和白色猪反差大的特点，采用连续3帧的均值作为处理帧，运用灰度阈值分割出初步的前景，再进行形态学和面积阈值处理，得到精确的前景，此法属于图像处理分割方法获得前景目标，适用仅限于特定的实验条件。特别是当前景运动时，连续3帧的平均值导致前景伪目标点增多。直接采用图像处理忽略了帧序列的时域特性，实用性不强。

发明内容

针对现有技术中存在的获取前景目标不准确和实用性不强的问题，本发明提出一种基于视频的生猪检测方法和系统。

本发明一方面提供一种提取生猪轮廓的方法，包括：S1，通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；S2，通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；S3，根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。

其中，所述步骤S1包括：S11，根据所述实时图像获取背景图像，并对所述实时图像和所述背景图像进行预处理，获取包含所述前景目标的所述二值图像；S12，对所述二值图像进行区域连通性分析，若存在连通面积大于预设阈值的连通区域，则判定所述连通区域为所述前景目标的区域；S13，根据所述连通区域，获取所述前景目标的第一轮廓和所述第一轮廓的形心。

其中，所述步骤S2包括：S21建立所述实时图像的混合高斯背景模型，并对所述混合高斯背景模型进行高斯分布数目的自适应调整和学习率的动态设置；S22通过所述混合高斯背景模型获取前景图像，并通过封闭曲线勾画所述前景图像得到所述第二轮廓，并通过所述第二轮廓获取所述第二轮廓的形心。

其中，所述步骤S11中的根据所述实时图像获取背景图像包括：通过对连续多帧所述实时图像求平均值获取所述背景图像，具体如下：

其中，K为所述连续多帧图像的帧数，B₀为所述背景图像，f_k为第k帧图像。

其中，所述步骤S11中的对所述实时图像和所述背景图像进行预处理，获取包含前景目标的所述二值图像包括：对所述实时图像和所述背景图像进行差分处理，获取差分图像；对所述差分图像进行二值化处理和形态学滤波处理，获取所述二值图像。

其中，所述步骤S21中的对所述混合高斯背景模型进行高斯分布数目的自适应调整包括：每隔预设帧数对多个高斯分布的权值进行扫描，若所述权值中存在满足下式的权值，则删除所述权值对应的高斯分布：

(w_i，t＜w₀)&&(w₀/σ₀)＜(w_i，t/σ_i，t)

其中，w_i，t为第i个高斯分布在t时刻的权值，σ_i，t为第i个高斯分布在t时刻的方差，w₀为高斯分布的初始权值，σ₀为初始方差。

其中，所述步骤S21中的对所述混合高斯背景模型进行学习率的动态设置包括：根据当前相邻两帧的所述第一轮廓的形心之间的距离以及多个相邻两帧的所述第一轮廓的形心之间的距离的平均值对所述学习率进行调整，具体如下：

当时，取

当时，取

当ΔD＜D_c＜2ΔD时，取

当2ΔD＜D_c＜3ΔD时，取

当D_c＜3ΔD时，取α₃为前一帧的学习率；

其中，∈_i为特定系数，i＝1，2，3，4；D_c为所述当前相邻两帧的第一轮廓的形心之间的距离；ΔD为K帧相邻两帧间的第一轮廓的形心距离的平均值；α_i为所述学习率，i＝1，2，3，4，5。

其中，所述步骤S13包括：通过封闭曲线勾画所述连通区域，所述封闭曲线围成所述第一轮廓；根据所述第一轮廓上多点的坐标值，获取所述第一轮廓的形心，具体如下：

其中，(x_c，y_c)为所述形心的坐标，(x_i，y_i)i＝1，2，…，N为所述第一轮廓上N个点的坐标。

其中，所述相邻两帧的所述第一轮廓的形心之间的距离D为：

其中，(x_c(k+1)，y_c(k+1))为第k+1帧的第一轮廓的形心的坐标，(x_c(k)，y_c(k)为第k帧的第一轮廓的形心的坐标。

本发明另一方面提供一种提取生猪轮廓的系统，包括：第一获取模块，用于通过对实时图像对应的二值图像进行区域连通性分析，获取所述前景目标的第一轮廓和所述第一轮廓的形心；

第二获取模块，用于通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；

修正模块，用于根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。

本发明提供的基于视频的生猪检测方法和系统，通过区域连通性分析和混合高斯背景模型，能够提取完整、准确的目标生猪轮廓，获取目标生猪运动行为的视频，为后续目标生猪跟踪和行为识别提供理论依据，还为规模化生猪养殖进行实时监控和分析提供有效解决方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的提取生猪轮廓的方法的流程示意图；

图2为本发明实施例提供的提取生猪轮廓的系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的方法采用背景差分法实现目标生猪轮廓的提取。背景差分法是目前运动检测中常用的一种方法，它是利用当前图像与背景图像的差分来检测出运动区域的一种技术。

背景差分法首先选取背景中的一幅或几幅图像的平均作为背景图像，然后把以后的序列图像当前帧和背景图像相减，进行背景消去。若所得到的像素数大于某一阈值，则判定被监控场景中有运动物体，从而得到运动目标。

图1为本发明实施例提供的提取生猪轮廓的方法的流程示意图，如图1所示，该方法包括：S1，通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；S2，通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；S3，根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。

在步骤S1中，连通区域(Connected Component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region，Blob)。连通区域分析(ConnectedComponent Analysis,Connected Component Labeling)是指将图像中的各个连通区域找出并标记。

具体地，可以首先在生猪养殖区域安装摄像头，通过该摄像头对生猪养殖环境进行监控；摄像头还与数据库连接，可以将采集到的视频实时地发送至数据库。获取实时图像后，对该实时图像进行相应地预处理，获取对应的二值图像。通过区域连通性分析获取目标生猪的初次提取的轮廓，即第一轮廓及其形心。

在步骤S2中，混合高斯模型使用多个(基本为3到5个)高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。通过混合高斯模型可以分离实时图像中的前景图像和背景图像，通过前景图像获取目标生猪轮廓。具体地，可以通过建立混合高斯模型进行二次检测，获得目标生猪的第二轮廓及其形心。

在步骤S3中，由于初次检测可能存在由于遮挡或者外界光线等问题造成的提取的轮廓不完整的问题，或者图像中存在大量噪声影响图像效果。因此可以根据第二轮廓对第一轮廓进行完善或补全。而由于第一轮廓存在的上述问题，因此第一轮廓的形心可能存在错误，因此需要根据第二轮廓的形心对第一轮廓的形心进行修正，例如可以取中间值或者加权获得一个新的修正形心，从而提高检测结果的准确度。

本发明实施例提供的提取生猪轮廓的方法，通过区域连通性分析和混合高斯背景模型，能够提取完整、准确的目标生猪轮廓，获取目标生猪运动行为的视频，为后续目标生猪跟踪和行为识别提供理论依据，还为规模化生猪养殖进行实时监控和分析提供有效解决方案。

基于上述实施例，其中，所述步骤S1包括：S11，根据所述实时图像获取背景图像，并对所述实时图像和所述背景图像进行预处理，获取包含所述前景目标的所述二值图像；S12，对所述二值图像进行区域连通性分析，若存在连通面积大于预设阈值的连通区域，则判定所述连通区域为所述前景目标的区域；S13，根据所述连通区域，获取所述前景目标的第一轮廓和所述第一轮廓的形心。

在步骤S11中，获取实时图像后，对该实时图像进行相应地预处理，获取二值图像。

在步骤S12中，对步骤S11中获取的二值图像进行区域连通性分析。具体地，可以根据目标生猪的特征预先设定一个阈值，当二值图像中存在连通面积大于所述预设阈值的连通区域时，可以判定该连通区域为前景目标的区域。

在步骤S13中，根据步骤S12获取的连通区域，提取连通区域的轮廓，该轮廓即为目标生猪的轮廓，再进一步获取轮廓的形心。通过将每一帧图像的轮廓提取出，即可以获得目标生猪的运动行为视频。

基于上述实施例，其中，所述步骤S11中的根据所述实时图像获取背景图像包括：通过对连续多帧所述实时图像求平均值获取所述背景图像，具体如下：

其中，K为所述连续多帧图像的帧数，B₀为所述背景图像，f_k为第k帧图像。背景图像中每个像素点的灰度值为该像素点在第K帧图像中灰度值的累加平均值。随着K取值的增大，得到的背景估计值越接近实际值。

背景差分法通常选用视频的第一帧作为背景图像，然后将后面的每一帧与背景图像做差分处理以检测运动目标。如果获得的第一帧中就有运动目标，那么该运动目标就成为背景，而后面各帧中原位置上的背景却将成为目标被检测出来。因此，为了获取理想的背景图像，本发明实施例采用多帧图像统计求平均值的方法来获取背景图像，以此避免因第一帧中有运动目标而导致检测出错误运动目标的问题。

基于上述实施例，其中，所述步骤S11中的对所述实时图像和所述背景图像进行预处理，获取包含前景目标的所述二值图像包括：对所述实时图像和所述背景图像进行差分处理，获取差分图像；对所述差分图像进行二值化处理和形态学滤波处理，获取所述二值图像。

首先根据背景图像，对实时图像进行差分处理。即首先建立视频场景的背景模型，将采集到的实时图像与背景图像进行差分，得到差分图像。

进一步地，对差分图像进行二值化处理和形态学滤波处理。其中，图像的二值化处理就是将图像上的点的灰度值为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值图像；形态学滤波处理是用于对二值图像进行图像分割、细化、骨架抽取、边缘提取和形状分析，有利于改善二值图像的分析质量。

基于上述实施例，其中，所述步骤S13包括：通过封闭曲线勾画所述连通区域，所述封闭曲线围成所述第一轮廓；根据所述第一轮廓上多点的坐标值，获取所述第一轮廓的形心，具体如下：

其中，(x_c，y_c)为所述形心的坐标，(x_i，y_i)i＝1，2，…，N为所述第一轮廓上N个点的坐标。

具体地，为了获取前景目标的轮廓，即找到当前视频图像帧中运动目标的轮廓，可以采用一条封闭曲线将运动目标勾画出来，该封闭曲线即为前景目标的轮廓。在提取目标生猪的轮廓后，记录该轮廓上每一点的坐标，通过多个点的坐标可以获取该轮廓的形心。

基于上述实施例，其中，所述步骤S2包括：S21建立所述实时图像的混合高斯背景模型，并对所述混合高斯背景模型进行高斯分布数目的自适应调整和学习率的动态设置；S22通过所述混合高斯背景模型获取前景图像，并通过封闭曲线勾画所述前景图像得到所述第二轮廓，并通过所述第二轮廓获取所述第二轮廓的形心。

在步骤S21中，混合高斯模型通常对所有像素对应的高斯分布的数目都保持固定不变。但在实际高斯背景建模场景中，不同区域对应场景的状态变化是不同的。随着场景的变化，同一区域的状态个数也会改变。若对所有像素点都保持相同的模型个数，算法效率较低并且会造成大量的资源浪费，实时性难以实现。因此需要在模型建立过程中对高斯分布数目进行自适应调整。

学习率反映当前图像融入背景的速率。但通常混合高斯模型中采用固定学习率，当学习率与场景速度不匹配时，检测结果会出现目标漏检以及鬼影现象。因此需要在模型建立过程中对学习率进行动态设置。

基于上述实施例，其中，所述步骤S21中的对所述混合高斯背景模型进行高斯分布数目的自适应调整包括：每隔预设帧数对多个高斯分布的权值进行扫描，若所述权值中存在满足下式的权值，则删除所述权值对应的高斯分布：

(w_i，t＜w₀)&&(w₀/σ₀)＜(w_i，t/σ_i，t)；

其中，w_i，t为第i个高斯分布在t时刻的权值，σ_i，t为第i个高斯分布在t时刻的方差，w₀为高斯分布的初始权值，σ₀为初始方差。

随着时间变化，高斯混合模型中与场景匹配的高斯分布的权重逐渐变大；权值归一化后，不匹配的高斯分布权值变小，权值与方差比值大的可以描述背景分布，比值小的可以描述前景分布。当某个高斯分布的权重w_i，t小于权值初始值w₀时，且该高斯成分的w_i，t/σ_i，t小于初始化时的w₀/σ₀时，该高斯分布将会被排在新的初始化的高斯分布之后。继续保留该高斯分布，将使得再次出现与这个高斯分布匹配的场景时，利用该高斯分布学习此场景，比用一个新的高斯分布学习所花费的时间更长。这些多余的高斯分布，影响模型的学习收敛速度，同时消耗系统计算资源。因此对高斯分布的数目进行自适应调整能有效降低学习所花费的时间，减少系统计算资源的消耗，提高实际计算效率。

基于上述实施例，其中，所述步骤S21中的对所述混合高斯背景模型进行学习率的动态设置包括：根据当前相邻两帧的所述第一轮廓的形心之间的距离以及多个相邻两帧的所述第一轮廓的形心之间的距离的平均值对所述学习率进行调整，具体如下：

当时，取

当时，取

当ΔD＜D_c＜2ΔD时，取

当2ΔD＜D_c＜3ΔD时，取

当D_c＜3ΔD时，取α₅为前一帧的学习率；

其中，∈_i为特定系数，i＝1，2，3，4；D_c为所述当前相邻两帧的第一轮廓的形心之间的距离；ΔD为K帧相邻两帧间的第一轮廓的形心距离的平均值；α_i为所述学习率，i＝1，2，3，4，5。当D_c＞3ΔD，表示目标生猪丢失，而由于两帧间隔很小，因此可以采用上一帧的学习率。

混合高斯模型中，当学习率取值过小，背景更新速度减慢，检测结果会出现大量误判点和鬼影；当取值过大，模型更新速度过快，目标容易融入背景，造成目标漏检。为了加速消除目标漏检点和鬼影，本发明实施例提出了自适应学习率的策略，能根据运算结果自动选择较合适的学习率，提高检测精度。

基于上述实施例，其中，所述相邻两帧的所述第一轮廓的形心之间的距离D为：

其中，(x_c(k+1)，y_c(k+1))为第k+1帧的第一轮廓的形心的坐标，(x_c(k)，y_c(k)为第k帧的第一轮廓的形心的坐标。

通过本发明实施例提供的方法获得目标生猪的轮廓后，可以根据后期的需要(如智能投喂、物联网监控平台、智能养殖数字化管理)对目标生猪的其他特征进一步获取，例如生猪长宽值、长宽值比、目标在视频中的位置、速度、加速度、运动轨迹和纹理等特征。

图2为本发明实施例提供的提取生猪轮廓的系统的结构示意图，如图2所示，该系统包括：第一获取模块201，用于通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；第二获取模块202，用于通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；修正模块203，用于根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正。

具体地，可以首先在生猪养殖区域安装摄像头，通过该摄像头对生猪养殖环境进行监控；摄像头还与第一获取模块201连接，第一获取模块201获取实时图像后，对该实时图像进行相应地预处理，获取对应的二值图像，进一步通过区域连通性分析获取目标生猪的初次提取的轮廓，即第一轮廓及其形心。

混合高斯模型使用多个(基本为3到5个)高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果成功则判定该点为背景点，否则为前景点。通过混合高斯模型可以分离实时图像中的前景图像和背景图像，通过前景图像获取目标生猪轮廓。具体地，第二获取模块202可以通过建立混合高斯模型对目标生猪的轮廓进行二次检测，获得目标生猪的第二轮廓及其形心。

修正模块203可以根据第二轮廓和第二轮廓的形心对初次检测结果第一轮廓和第一轮廓的形心进行修正，例如可以取中间值或者加权获得一个新的修正轮廓和修正形心，从而提高检测结果的准确度。

本发明实施例提供的提取生猪轮廓的系统，通过区域连通性分析和混合高斯背景模型，能够提取完整、准确的目标生猪轮廓，获取目标生猪运动行为的视频，为后续目标生猪跟踪和行为识别提供理论依据，还为规模化生猪养殖进行实时监控和分析提供有效解决方案。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种提取生猪轮廓的方法，其特征在于，包括：

S1，通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；

S2，通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；

S3，根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正；

其中，所述步骤S2包括：

S21建立所述实时图像的混合高斯背景模型，并对所述混合高斯背景模型进行高斯分布数目的自适应调整和学习率的动态设置；

S22通过所述混合高斯背景模型获取前景图像，并通过封闭曲线勾画所述前景图像得到所述第二轮廓，并通过所述第二轮廓获取所述第二轮廓的形心；

其中，所述步骤S21中的对所述混合高斯背景模型进行学习率的动态设置包括：

根据当前相邻两帧的所述第一轮廓的形心之间的距离以及多个相邻两帧的所述第一轮廓的形心之间的距离的平均值对所述学习率进行调整，具体如下：

当时，取

当时，取

当ΔD＜D_c＜2ΔD时，取

当2ΔD＜D_c＜3ΔD时，取

当D_c＞3ΔD时，取α₅为前一帧的学习率；

其中，∈_i为特定系数，i＝1，2，3，4；D_c为所述当前相邻两帧的第一轮廓的形心之间的距离；ΔD为K帧相邻两帧间的第一轮廓的形心距离的平均值；α_i为所述学习率，i＝1，2，3，4，5。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

S11，根据所述实时图像获取背景图像，并对所述实时图像和所述背景图像进行预处理，获取包含所述前景目标的所述二值图像；

S12，对所述二值图像进行区域连通性分析，若存在连通面积大于预设阈值的连通区域，则判定所述连通区域为所述前景目标的区域；

S13，根据所述连通区域，获取所述前景目标的第一轮廓和所述第一轮廓的形心。

3.根据权利要求2所述方法，其特征在于，所述步骤S11中的根据所述实时图像获取背景图像包括：

通过对连续多帧所述实时图像求平均值获取所述背景图像，具体如下：

其中，K为所述连续多帧图像的帧数，B₀为所述背景图像，fk为第k帧图像。

4.根据权利要求2所述方法，其特征在于，所述步骤S11中的对所述实时图像和所述背景图像进行预处理，获取包含前景目标的所述二值图像包括：

对所述实时图像和所述背景图像进行差分处理，获取差分图像；

对所述差分图像进行二值化处理和形态学滤波处理，获取所述二值图像。

5.根据权利要求1所述方法，其特征在于，所述步骤S21中的对所述混合高斯背景模型进行高斯分布数目的自适应调整包括：

每隔预设帧数对多个高斯分布的权值进行扫描，若所述权值中存在满足下式的权值，则删除所述权值对应的高斯分布：

(w_i，t＜w₀)&&(w₀/σ₀)＜(w_i，t/σ_i，t)；

其中，w_i，t为第i个高斯分布在t时刻的权值，σ_i，t为第i个高斯分布在t时刻的方差，w₀为高斯分布的初始权值，σ₀为初始方差。

6.根据权利要求2所述方法，其特征在于，所述步骤S13包括：

通过封闭曲线勾画所述连通区域，所述封闭曲线围成所述第一轮廓；

根据所述第一轮廓上多点的坐标值，获取所述第一轮廓的形心，具体如下：

其中，(x_c，y_c)为所述形心的坐标，(x_i，y_i)，i＝1，2，…，N为所述第一轮廓上N个点的坐标。

7.根据权利要求1所述的方法，其特征在于，所述相邻两帧的所述第一轮廓的形心之间的距离D为：

其中，(x_c(k+1)，y_c(k+1))为第k+1帧的第一轮廓的形心的坐标，(x_c(k)，y_c(k))为第k帧的第一轮廓的形心的坐标。

8.一种提取生猪轮廓的系统，其特征在于，包括：

第一获取模块，用于通过对实时图像对应的二值图像进行区域连通性分析，获取前景目标的第一轮廓和所述第一轮廓的形心；

第二获取模块，用于通过建立所述实时图像的混合高斯背景模型，获取所述前景目标的第二轮廓和所述第二轮廓的形心；

修正模块，用于根据所述第二轮廓对所述第一轮廓进行修正，根据所述第二轮廓的形心对所述第一轮廓的形心进行修正；

其中，所述第二获取模块具体用于：

建立所述实时图像的混合高斯背景模型，并对所述混合高斯背景模型进行高斯分布数目的自适应调整和学习率的动态设置；

通过所述混合高斯背景模型获取前景图像，并通过封闭曲线勾画所述前景图像得到所述第二轮廓，并通过所述第二轮廓获取所述第二轮廓的形心；

其中，所述对所述混合高斯背景模型进行学习率的动态设置包括：

根据当前相邻两帧的所述第一轮廓的形心之间的距离以及多个相邻两帧的所述第一轮廓的形心之间的距离的平均值对所述学习率进行调整，具体如下：

当时，取

当时，取

当ΔD＜D_c＜2ΔD时，取

当2ΔD＜D_c＜3ΔD时，取

当D_c＞3ΔD时，取α₅为前一帧的学习率；

其中，∈_i为特定系数，i＝1，2，3，4；D_c为所述当前相邻两帧的第一轮廓的形心之间的距离；ΔD为K帧相邻两帧间的第一轮廓的形心距离的平均值；α_i为所述学习率，i＝1，2，3，4，5。