CN108537821A - 一种基于视频的运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于视频的运动目标检测方法，其包括以下步骤：通过均值法获取初始背景；通过初始背景初始化vibe算法并建立背景模型；通过背景模型对当前帧中每个像素进行对比，得到背景和前景；若任一个像素点连续被作为前景的次数大于阈值，则将其作为新的背景样本替换至背景模型中，更新前一步骤中的背景模型；若任一个像素点被作为前景的次数小于阈值，则将其作为运动目标并输出，实现运动目标的检测。本发明采用多帧平均法得到一个初始背景，将这个初始背景代替视频第一帧去建立背景模型，并在后续检测过程中实时更新背景样本，有效消除了鬼影和影刺，使得后期检测更加准确。

Description

一种基于视频的运动目标检测方法

技术领域

本发明涉及目标检测领域，具体涉及一种基于视频的运动目标检测方法。

背景技术

随着我国城镇化的持续快速发展，汽车保有量和道路通车里程数源源不断地增加，发展智能交通系统(Intelligent Transportation System,ITS)对缓解交通拥堵等问题有着良好的作用，而运动目标检测是智能交通系统重要的研究内容。ViBe算法在诸多运动目标检测方法中表现良好，。然而，ViBe算法只把视频第一帧用于背景模型的建立，导致了检测效果中出现了“鬼影”。算法提出者把“鬼影”简单地当作前景，并未做任何特殊处理。由于ViBe对鬼影的抑制是个缓慢的过程，在此时间段内，当有前景目标经过此“鬼影”区域时，算法将不能成功的检测出前景运动目标，从而导致后续的跟踪、识别出错。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于视频的运动目标检测方法解决了vibe算法出现鬼影导致检测出错的问题。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于视频的运动目标检测方法，其包括以下步骤：

S1、通过均值法获取初始背景；

S2、通过初始背景初始化vibe算法并建立背景模型；

S3、通过背景模型对当前帧中每个像素进行对比，将符合背景模型样本特征的像素作为背景，反之将其作为前景；

S4、若任一个像素点连续被作为前景的次数大于阈值，则将其作为新的背景样本替换至背景模型中，实现背景模型的更新并返回步骤S3；若任一个像素点被作为前景的次数小于阈值，则将其作为运动目标并输出，实现运动目标的检测。

进一步地，步骤S1的具体方法为：

收集前N帧视频序列图像每个像素点的灰度值，将每帧对应位置处的像素点的灰度值进行累加，根据公式

求取平均值作为该点在初始背景图像的灰度值Background(x,y)，得到初始背景；其中I_i(x,y)表示位于第i帧图像(x,y)坐标处像素的灰度值。

进一步地，步骤S2的具体方法为：

对于每个像素点，基于初始背景随机选择其邻居点的像素值作为其模型样本值，即根据公式

M(a)＝{v₁,v₂,…,v_N}

为每个像素点都建立背景模型；其中M(a)为像素a的样本集；v_i表示第i个样本值，i∈[1,N]；背景模型是一个样本值的集合，每个集合中包括N个样本值。

进一步地，步骤S3的具体方法为：

计算当前帧中每个像素值与背景模型中所有样本的距离是否小于距离阈值，若小于距离阈值的数量大于等于符合阈值，则将其作为背景；若小于距离阈值的数量小于符合阈值，则将其作为前景。

进一步地，步骤S3与步骤S4之间还包括步骤S3.5：

根据公式

对步骤S3得到的每个前景F进行图像形态学操作中的开运算，得到处理后的前景PF，并删除面积小于面积阈值的前景PF；其中S为结构元素；°为形态学开运算符号。

本发明的有益效果为：本发明采用多帧平均法得到一个初始背景，将这个初始背景代替视频第一帧去建立背景模型，并在后续检测过程中实时更新背景样本，有效消除了鬼影，使得后期检测更加准确。

附图说明

图1为本发明的流程示意图；

图2为前景检测原理图；

图3为待检测视频的单帧图像；

图4为本发明未采用开运算处理和删除部分前景的图像；

图5为本发明采用开运算处理和删除部分前景的图像；

图6为本发明处理后输出的图像。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，该基于视频的运动目标检测方法包括以下步骤：

S1、通过均值法获取初始背景；

S2、通过初始背景初始化vibe算法并建立背景模型；

S3、通过背景模型对当前帧中每个像素进行对比，将符合背景模型样本特征的像素作为背景，反之将其作为前景；

S3.5：根据公式

对步骤S3得到的每个前景F进行图像形态学操作中的开运算，得到处理后的前景PF，并删除面积小于面积阈值的前景PF；其中S为结构元素；为形态学开运算符号；

S4、若任一个像素点连续被作为前景的次数大于等于阈值，则将其作为新的背景样本替换至背景模型中，实现背景模型的更新并返回步骤S3；若任一个像素点被作为前景的次数小于阈值，则将其作为运动目标并输出，实现运动目标的检测。

步骤S1的具体方法为：

收集前N帧视频序列图像每个像素点的灰度值，将每帧对应位置处的像素点的灰度值进行累加，根据公式

求取平均值作为该点在初始背景图像的灰度值Background(x,y)，得到初始背景；其中I_i(x,y)表示位于第i帧图像(x,y)坐标处像素的灰度值。在具体实施时，N可以取值为20。

步骤S2的具体方法为：

对于每个像素点，基于初始背景随机选择其邻居点的像素值作为其模型样本值，即根据公式

M(a)＝{v₁,v₂,…,v_N}

为每个像素点都建立背景模型；其中M(a)为像素a的样本集；v_i表示第i个样本值，i∈[1,N]；背景模型是一个样本值的集合，每个集合中包括N个样本值。

步骤S3的具体方法为：

计算当前帧中每个像素值与背景模型中所有样本的距离是否小于距离阈值，若小于距离阈值的数量大于等于符合阈值，则将其作为背景；若小于距离阈值的数量小于符合阈值，则将其作为前景。

在本发明的一个实施例中，ViBe算法初始化就是填充像素的样本集的过程，采用第一步中Background(x,y)这一帧来初始化，由于在一帧图像中不可能包含像素点的时空分布信息，ViBe算法的作者利用了相近像素点拥有相近的时空分布特性，具体来讲就是：对于一个像素点，随机的选择它的邻居点的像素值作为它的模型样本值。

具体为每个像素点都建立背景模型，背景模型是一个样本值的集合，每个集合中含有N个样本值，背景模型公式如下：

M(a)＝{v₁,v₂,…,v_N}

其中M(a)为像素x的样本集，v_i表示第i个样本值。

前景目标检测过程即是对当前帧的像素与背景样本集中的像素进行比较，判断当前像素是否符合背景样本的特征。

具体的比较手段就是计算像素值与背景模型中所有样本的距离，对于单通道即灰度图就是绝对值，对于三通道即彩色图就是彩色空间中两个点的距离，与设定的阈值进行比较，计算是否小于阈值；然后再统计小于阈值的点数是否达到了个数的阈值。如果数目够多，则新像素为背景；反之，则为前景。本发明采用单通道即使用灰度图像进行前景检测。检测过程主要由三个参数决定：样本集数目N，符合阈值#min(符合阈值#min可以取值为2)和距离阈值R，判断公式为：

#{S_R(v(x))∩{v₁,v₂,…,v_N}}≥#min

如图2所示，图中v₁,v₂,…,v₆等是像素点x的样本集中的采样点，而其中的S_R(v(x))是一个半径为R的一个球体；一个欧式二维色彩空间(C1,C2)，用于直观描述像素点在空间中的相对位置关系。

当一个像素点被分类为背景点时，它就有1/σ的概率来更新自己的背景模型，在他的样本集中随机的选择一个样本点用这个像素点进行填充更新。同时它也有1/σ的概率来更新它的邻居点的背景模型，方法也是在它的邻居点的样本集中选择它的一个样本点，用它的邻居点的像素值进行填充更新。为了延长背景模型中像素点的使用寿命，而使用随机替换策略。在确定一个背景像素是否需要被替换时，采用的一个时间子采样因子σ，即表示只有1/σ的概率去替换。

此外，当前景点连续k次被检测为前景时，将他变为背景点，然后它也有1/σ的概率来更新自己的背景模型。

值得注意的是，在更新一个像素的样本集中的N个样本值的时候，是随机的从N个中选一个的，因此模型中的样本值出现的几率呈指数型衰减，这样的一个样本在T时刻不被更新的概率为(N-1)/N。假设时间是连续的，那么在dt时间之后，样本集中的样本值仍然保留不被更新的概率为：

变形之后得到：

这就表明一个样本值在模型中是否被替换与时间t无关，随机策略是合适的；其中e为常数；P(·)为概率。

如图3、图4、图5和图6所示，本发明可以消除鬼影与无关影刺，使得被检测出来的前景目标边界平滑，便于对运动目标的后续参数提取。

综上所述，本发明采用多帧平均法得到一个初始背景，将这个初始背景代替视频第一帧去建立背景模型，并在后续检测过程中实时更新背景样本，有效消除了鬼影和影刺，使得后期检测更加准确。

Claims (5)

1.一种基于视频的运动目标检测方法，其特征在于：包括以下步骤：

S1、通过均值法获取初始背景；

S2、通过初始背景初始化vibe算法并建立背景模型；

S3、通过背景模型对当前帧中每个像素进行对比，将符合背景模型样本特征的像素作为背景，反之将其作为前景；

S4、若任一个像素点连续被作为前景的次数大于阈值，则将其作为新的背景样本替换至背景模型中，实现背景模型的更新并返回步骤S3；若任一个像素点被作为前景的次数小于阈值，则将其作为运动目标并输出，实现运动目标的检测。

2.根据权利要求1所述的基于视频的运动目标检测方法，其特征在于：所述步骤S1的具体方法为：

收集前N帧视频序列图像每个像素点的灰度值，将每帧对应位置处的像素点的灰度值进行累加，根据公式

求取平均值作为该点在初始背景图像的灰度值Background(x,y)，得到初始背景；其中I_i(x,y)表示位于第i帧图像(x,y)坐标处像素的灰度值。

3.根据权利要求2所述的基于视频的运动目标检测方法，其特征在于：所述步骤S2的具体方法为：

对于每个像素点，基于初始背景随机选择其邻居点的像素值作为其模型样本值，即根据公式

M(a)＝{v₁,v₂,…,v_N}

为每个像素点都建立背景模型；其中M(a)为像素a的样本集；v_i表示第i个样本值，i∈[1,N]；背景模型是一个样本值的集合，每个集合中包括N个样本值。

4.根据权利要求3所述的基于视频的运动目标检测方法，其特征在于：所述步骤S3的具体方法为：

计算当前帧中每个像素值与背景模型中所有样本的距离是否小于距离阈值，若小于距离阈值的数量大于等于符合阈值，则将其作为背景；若小于距离阈值的数量小于符合阈值，则将其作为前景。

5.根据权利要求1-4任一所述的基于视频的运动目标检测方法，其特征在于：所述步骤S3与步骤S4之间还包括步骤S3.5：

根据公式

对步骤S3得到的前景F进行图像形态学操作中的开运算，得到处理后的前景PF，并删除面积小于面积阈值的前景PF；其中S为结构元素；为形态学开运算符号。