CN108510527A - 一种基于帧差法和运动点聚类的运动目标检测方法 - Google Patents

Abstract

本发明涉及一种视频处理领域的运动目标检测方法，执行S4:由帧差分得到运动点集合，运动点是不连续的，灰色和白色部分由断裂，不联通；执行S5:帧内运动点聚类，将灰色和白色运动点集合联通起来，构成完整的人的轮廓；执行步骤S7:通过帧间运动点聚类，将人的运动轮廓增强。本方法采用帧差法获取运动点并基于帧内和帧间聚类算法对运动点进行了抗干扰的分析和合并处理，该方法适应能力优于高斯背景建模以及ViBe背景建模算法，能适应视频的方块效应，闪屏，灯光突变等问题，此外，通过运动点合并处理，该方法优于帧差法，灵敏度高，能够检测到物体的轻微的运动，得到物体的连续运动区域。

Description

一种基于帧差法和运动点聚类的运动目标检测方法

技术领域

本发明涉及一种视频处理领域的运动目标检测方法，通过该方法分析连续的视频帧序列，检测出视频中运动的物体。

背景技术

目前，帧差法，高斯背景建模以及VIBE背景建模方法是运动目标检测领域最常用的方法。但是，帧差法检测到的物体会出现空洞现象，只能检测到的运动物体的轮廓，并且会出现断裂不连续的现象。高斯背景建模以及VIBE背景建模方法可以检测到运动物体的实体不会出现空洞现场，但这两种方法不能适应环境的突变，对视频中的方块效应，跳变，低对比度等情况适应性差。

现有商场互联网安防中运动目标检测所遇到的各种问题，具体问题包括：1)视频采集端，设备廉价，图像效果差且视频经过网络传输后，会有低对比度，躁点多，闪屏，视频方块效应等问题；2)应用场景复杂摄像头安装位置不定，且近焦应用，背景中的颜色多样性，纹理，边缘细节都干扰前景分析；3)此外面向商店的行人运动模式复杂，一方面是运动缓慢，并且有滞留现象(浏览商品，排队交费等情形)。

针对现有技术的以上不足，以及现实应用场景视频数据的特点，本发明提出一种基于帧差法和运动点聚类的运动目标检测方法。

发明内容

为了解决以上技术问题，本发明提出一种新的目标检测方法，该方法具有实时性好，适应性强，灵敏度高的特点。

本发明的具体技术方案是：

一种基于帧差法和运动点聚类的运动目标检测方法，其方法如下：

S1:初始化，初始化全局运动点列表mvList{}；

S2:视频数据输入，读入视频帧序列，如果读入失败或视频结束则退出算法，否则执行步骤S3；

S3:更新运动点列表mvList{},删除无效的，过时的运动点；

S4:帧差法，获取当前帧的运动点集合C；

S5:帧内运动点聚类，通过运动点的8联通信息以及边缘联通信息对当前帧的运动点

集C进行聚类处理，聚类得到运动集合列表{L1,L2,...,Ln},集合Li代表一个运动目标,如果当前帧是第一帧，则执行步骤S6否则执行步骤S7；

S6:映射到全局运动点列表,将当前帧的运动点列表{L1,L2,...Ln}映射到全局运动点列表mvList{}中，得到全局运动点集合列表{G1,G2,....,Gn}，执行步骤S8；

S7:帧间运动点聚类，将当前帧的运动点聚类到前一帧的运动点列表中,1)首先对当前帧的运动集合列表{L1,L2,...,Ln}中的每个运动点m进行聚类，通过搜索运动点m邻域内的前一帧的运动点信息，将其映射到前一帧的运动点列表中，得到一个全局标签Gj(1<j<n),如果搜索不到前一帧的信息，则映射标签为-1；2)然后统计当前帧运动列表Li中所有运动点的全局标签Gj(1<j<n),通过投票法，得到Li所属的聚类标签Gk,并将Li的运动点合并到全局运动点列表Gk中，如果映射标签为0，则新增全局运动点列表G(n+i),将Li的运动点添加到G(n+i)中，如果得到的聚类标签为-1，则将Li所有运动点的聚类标签设为0，且暂时不记录到全局运动点列表中；执行步骤S8；

S8:更新参考帧,记录下当前帧的运动点集合C，以及运动点所属的标签信息作为下一帧的参考帧<C,G>；

S9:输出全局运动点列表，全局运动点列表{G1,G2,...,Gn,..}为当前的运动目标，每一个运动点集合Gi代表一个运动目标,执行步骤S2,读取下一帧对下一帧图像进行运动目标检测。

附图说明

图1是本发明基于运动点聚类的运动目标检测方法流程图。

图2是实例1的示意图。

图2.1是实例1中执行S4的示意图。

图2.2是实例1中执行S5的示意图。

图2.3是实例1中执行S7的示意图。

图3是实例2的示意图。

图3.1是实例1中执行S4的示意图。

图3.2是实例1中执行S5的示意图。

图3.3是实例1中执行S7的示意图。

图4是实例3的示意图。

图4.1是实例1中执行S4的示意图。

图4.2是实例1中执行S5的示意图。

图4.3是实例1中执行S7的示意图。

图5是实例4的示意图。

图5.1是实例1中执行S4的示意图。

图5.2是实例1中执行S5的示意图。

图5.3是实例1中执行S7的示意图。

图6是高斯背景建模示意图。

图7是本发明示意图。

图8是ViBe方法示意图。

图9是本发明示意图。

图10是帧差法的示意图。

图11是高斯背景建模示意图。

图12是ViBe方法的示意图。

图13是本发明的一种检测结果示意图。

图14是本发明的另一种检测结果示意图。

图15是灯光变化前，目标检测的结果。

图16是灯光变化后，帧差法，高斯背景建模以及ViBe检测结果。

图17是灯光变化后本方法的检测结果。

图18是应用场景示意图。

图18.1是帧差法示意图。

图18.2是高斯法示意图。

图18.3是ViBe示意图。

图18.4是本方法示意图。

图19是多个场景中的检测结果对比图。

具体实施方式

本发明结合附图进行进一步说明。

1)示例一：黑色框内客人的运动侦测，如图2、2.1、2.2、2.3所示：

执行S4:由帧差分得到运动点集合,如图示，运动点是不连续的，灰色和白色部分由断裂，不联通；执行S5:帧内运动点聚类，将灰色和白色运动点集合联通起来，构成完整的人的轮廓；执行步骤S7:通过帧间运动点聚类，将人的运动轮廓增强。

2)示例二：黑色框内客人的运动侦测，如图3、3.1、3.2、3.3所示：

执行S4:由帧差分得到运动点集合；执行S5:帧内运动点聚类，将灰色和白色运动点集合以及其它不连续的运动点联通起来，构成完整的人的轮廓；执行S7:通过帧间运动点聚类，将人的运动轮廓增强。

3)示例三：黑色框内客人的运动侦测，如图4、4.1、4.2、4.3所示：

执行S4:由帧差分得到运动点集合；执行S5:帧内运动点聚类，将灰色和白色运动点集合联通起来，构成完整的人的轮廓；执行S7:通过帧间运动点聚类，将人的运动轮廓增强。

4)示例四：黑色框内客人的运动侦测，如图5、5.1、5.2、5.3所示：

执行S4:由帧差分得到运动点集合,如图示运动点是不连续的，灰色和白色部分由断裂，不联通；执行S5:帧内运动点聚类，将灰色和白色运动点集合联通起来，构成完整的人的轮廓；执行步骤S7:通过帧间运动点聚类，将人的运动轮廓增强。

有益效果：

本方法采用帧差法获取运动点并基于帧内和帧间聚类算法对运动点进行了抗干扰的分析和合并处理，该方法适应能力优于高斯背景建模以及ViBe背景建模算法，能适应视频的方块效应，闪屏，灯光突变等问题，此外，通过运动点合并处理，该方法优于帧差法，灵敏度高，能够检测到物体的轻微的运动，得到物体的连续运动区域。

1)方块效应情况

分析低质量的视频时，目标的运动，会引起周围的图块发生亮度变动，以方块形式显示，称为方块效应。

场景一中，左侧黑框内的行人运动引起的方块效应，导致高斯背景建模算法检测到多于行人的运动目标，如图6所示右侧边框标注的运动区域多于左侧边框标注的目标区域，而本方法的检测结果不受方块效应影响，如图7所示。

场景二中，ViBe检测算法受方块效应影响，检测到的运动区域(白色区域)大于目标区域灰色边框表示如图8所示，而本方法的检测结果不受方块效应影响，如图9所示。

2)闪屏的情况

闪屏现象是指视频中某一帧的亮度突然变化，亮度的突然变化影响运动目标的检测效果，如图10，图11，图12分别显示了帧差法，高斯背景建模以及ViBe方法在闪屏发生时的检测效果，检测结果中有很多干扰点，而本方法通过运动点聚类算法可以排除闪屏的干扰，如图13，图14所示。

3)灯光突变情况

在有户外的运动目标检测场景中，会经常出现灯光的变化，如图15所示，灯光变化前，检测结果中没有墙壁，受户外车灯的影响，室内灯光发生变化时，墙壁突然变亮，当灯光发生突变后，帧差法，高斯背景建模以及ViBe背景建模算法的检测结果如图16所示，而本方法的检测结果如图17所示，检测结果明显优于其他算法。

4)灵敏度的比较

如图18所示的场景中，黑色边框标记的两个客人处于运动停滞或运动轻微的状态，对该场景的运动目标检测效果可提现出检测方法的灵敏度高低，图18.1，图18.2，图18.3和18.4分别显示了帧差法，高斯法，ViBe法和本方法的检测结果，本方法的检测效果更优。

5)与帧差法的比较

如图19是本方法与帧差法，在多个场景中的检测结果对比图，通过运动点聚类方法检测到的结果要优于帧差法，本方法可以得到更完整的运动目标轮廓信息。

Claims (1)

1.一种基于帧差法和运动点聚类的运动目标检测方法，其方法如下：

S1:初始化，初始化全局运动点列表mvList{}；

S2:视频数据输入，读入视频帧序列，如果读入失败或视频结束则退出算法，否则执行步骤S3；

S3:更新运动点列表mvList{},删除无效的，过时的运动点；

S4:帧差法，获取当前帧的运动点集合C；

S5:帧内运动点聚类，通过运动点的8联通信息以及边缘联通信息对当前帧的运动点集C进行聚类处理，聚类得到运动集合列表{L1,L2,...,Ln},集合Li代表一个运动目标,如果当前帧是第一帧，则执行步骤S6否则执行步骤S7；

S6:映射到全局运动点列表,将当前帧的运动点列表{L1,L2,...Ln}映射到全局运动点列表mvList{}中，得到全局运动点集合列表{G1,G2,....,Gn}，执行步骤S8；

S7:帧间运动点聚类，将当前帧的运动点聚类到前一帧的运动点列表中,1)首先对当前帧的运动集合列表{L1,L2,...,Ln}中的每个运动点m进行聚类，通过搜索运动点m邻域内的前一帧的运动点信息，将其映射到前一帧的运动点列表中，得到一个全局标签Gj(1<j<n),如果搜索不到前一帧的信息，则映射标签为-1；2)然后统计当前帧运动列表Li中所有运动点的全局标签Gj(1<j<n),通过投票法，得到Li所属的聚类标签Gk,并将Li的运动点合并到全局运动点列表Gk中，如果映射标签为0，则新增全局运动点列表G(n+i),将Li的运动点添加到G(n+i)中，如果得到的聚类标签为-1，则将Li所有运动点的聚类标签设为0，且暂时不记录到全局运动点列表中；执行步骤S8；

S8:更新参考帧,记录下当前帧的运动点集合C，以及运动点所属的标签信息作为下一帧的参考帧<C,G>；

S9:输出全局运动点列表，全局运动点列表{G1,G2,...,Gn,..}为当前的运动目标，每一个运动点集合Gi代表一个运动目标,执行步骤S2,读取下一帧对下一帧图像进行运动目标检测。