CN108629792A

CN108629792A - 基于背景建模与背景差分的激光目标检测方法和装置

Info

Publication number: CN108629792A
Application number: CN201810246212.6A
Authority: CN
Inventors: 涂波; 刘越颖; 刘丙双; 羊晋; 尚秋里; 李明哲; 张洛什; 苗权; 康春建; 刘鑫沛; 李传海; 戴帅夫; 张建宇
Original assignee: CHANGAN COMMUNICATION TECHNOLOGY Co Ltd; National Computer Network and Information Security Management Center
Current assignee: CHANGAN COMMUNICATION TECHNOLOGY Co Ltd; National Computer Network and Information Security Management Center
Priority date: 2017-08-23
Filing date: 2018-03-23
Publication date: 2018-10-09

Abstract

本发明涉及一种基于背景建模与背景差分的激光目标检测方法和装置。该方法包括以下步骤：1)利用混合高斯背景建模方法和卡尔曼滤波方法，对视频帧序列以及差分反馈信号进行背景建模，得到背景图像；2)将当前视频帧与所述背景图像相减，得到差分图像；3)对所述差分图像进行滤波、去噪等处理以提高信噪比；4)通过光斑定位算法检测所述差分图像中背景干扰下的激光光斑，实现激光目标检测。本发明利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分，实现对运动区域的检测，结合高斯分布以及卡尔曼滤波的背景建模能够很好的模拟实时背景的变化，能够有效地抑制背景噪声干扰，实现对激光信号的捕获。

Description

基于背景建模与背景差分的激光目标检测方法和装置

技术领域

本发明涉及一种基于背景建模与背景差分的激光目标检测方法和装置，属于计算机视觉以及计算机图形学领域。

背景技术

对于卫星激光捕获系统，其关键技术在于如何有效地从实际场景中检测出感兴趣或者可疑的目标激光信号，也就是所谓的前景目标(Foreground，FG)检测。这一任务的复杂性来源于两个方面，其一是场景本身是变化的，并且扫描的信标光信号停止后可能重新融入背景(Background，BG)；其二是场景无时无刻不受到各种干扰，如光照强度和方向的变化、平台的振动等。这些因素对超宽视场捕获系统的捕获性能影响很大，表现为信噪比减小、捕获灵敏度降低以及捕获概率下降等。

近年来，为了有效的抑制CCD阵列探测器中存在的各类噪声对系统的影响，常用的检测方法有背景差分法、帧间差分法以及光流法等三类。其中，背景差分法的应用最为广泛，它是通过将每一帧与实时更新的背景模型相比较从而检测出激光信号。背景差分法是一种有效的目标检测算法，基本思想是利用背景的参数模型来近似背景图像的像素值，将当前帧与背景图像进行差分，实现对运动区域的检测。其关键是要有一个能够自适应场景变化的背景模型，它既能够反映场景的变化，又能够消除各种干扰以维护背景模型的准确性。

发明内容

为了很好的抑制背景噪声干扰，从而实现对激光信号的捕获，本发明提出了一种基于背景建模与背景差分的激光目标检测方法和装置。

本发明采用的技术方案如下：

一种基于背景建模与背景差分的激光目标检测方法，包括以下步骤：

1)利用混合高斯背景建模方法和尔曼滤波方法，对视频帧序列以及差分反馈信号进行背景建模，得到背景图像；

2)将当前视频帧与所述背景图像相减，得到差分图像；

3)对所述差分图像进行处理以提高信噪比；

4)通过光斑定位算法检测所述差分图像中背景干扰下的激光光斑，实现激光目标检测。

进一步地，步骤1)所述背景建模包括：

1-1)通过阈值处理，检测出目标所在的区域范围，得到监视窗口；

1-2)对监视窗口内每个像素位置的灰度值进行混合高斯背景建模；

1-3)通过卡尔曼滤波方法进行跟踪预测，实现监视窗口的动态更新。

进一步地，步骤1-2)使用混合高斯模型来表征图像中每个像素点的特征，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，如果成功则判定该像素点为背景点，否则为前景点。

进一步地，步骤1-2)包括：

1-2-1)初始化预先定义的若干个高斯模型；

1-2-1)对于每一帧中的每一个像素进行处理，判断其是否匹配某个高斯模型，若匹配，则将其归入该高斯模型中，并根据该高斯模型对像素值进行更新；若不匹配，则以该像素建立一个高斯模型，并初始化参数，代替原有模型中最不可能的高斯模型；

1-2-3)选择若干个最有可能的高斯模型作为背景模型。

一种基于背景建模与背景差分的激光目标检测装置，其包括：

背景建模模块，负责利用混合高斯背景建模方法和卡尔曼滤波方法，对视频帧序列以及差分反馈信号进行背景建模，得到背景图像；

背景差分模块，负责将当前视频帧与所述背景图像相减，得到差分图像；

图像处理模块，负责对所述差分图像进行处理以提高信噪比；

光斑定位模块，负责通过光斑定位算法检测所述差分图像中背景干扰下的激光光斑，实现激光目标检测。

本发明提出的基于背景建模与背景差分的激光目标检测方法，利用从某一时刻开始到当前一段时间内存储的新近观测数据作为样本来进行背景建模，建立对于不同场景的动态变化均具有自适应性的背景模型，减少动态场景变化对运动分割的影响。通过背景建模，能够实现对背景噪声的实时模拟；结合背景差分，能够有效的去除背景噪声的干扰，从而提取出目标激光信号。本发明的基于背景建模的背景差分法的核心是背景建模，只有好的背景模型，才能实现对实时变化的背景噪声进行很好的模拟。因此本发明提出了结合高斯分布以及卡尔曼滤波的背景建模方法，该方法利用混合高斯背景建模实现对背景像素建模，能够适应场景的实时变化；同时，结合卡尔曼滤波算法，通过预测跟踪，实现对建模区域的压缩，达到减少建模区域、降低系统复杂度以及运算量的目的。

附图说明

图1.基于背景差分法的激光信号检测的基本流程图；

图2.结合高斯分布以及卡尔曼滤波的背景建模流程图；

图3.基于卡尔曼滤波的跟踪预测示意图；

图4.某像素实际灰度变化与建模灰度变化的比较图，其中(a)为实际背景图；(b)为建模背景图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，结合附图和具体实施方式对本发明作进一步详细的说明。

本发明的基于背景建模的背景差分法流程如图1所示，首先进行背景建模，得到背景图像，然后对图像帧以及背景帧进行锐化增强等预处理操作后，进行背景差分，然后对差分图像进行滤波、去噪等操作以提高信噪比，最后通过光斑定位算法实现激光目标的高精度检测。该方法的关键是要有一个能够自适应场景变化的背景模型，它既能够反映场景的变化，又能够消除各种干扰以维护背景模型的有效性。因此，背景建模是背景差分法的核心。常用背景建模方法性能比较如表1所示。

表1.常用背景建模方法性能比较

为了提高基于背景建模的背景差分法的性能，本发明提出了结合高斯分布以及卡尔曼滤波的背景建模法。该方法利用混合高斯背景建模实现对背景像素建模，能够适应场景的实时变化。为了降低系统的复杂度及运算量，结合卡尔曼滤波算法，通过预测跟踪，实现对建模区域的压缩，达到减少建模区域，降低运算量的目的。如图2所示，背景建模的具体流程如下：

A.通过自适应阈值处理(可采用现有技术实现)，检测出目标所在的区域范围，得到监视窗口；

B.对监视窗口内每个像素位置的灰度值进行混合高斯背景建模；

C.通过卡尔曼滤波进行跟踪预测，实现监视窗口的动态更新。

接下来，对上述流程中的两个核心步骤进行详细介绍。

1)基于混合高斯高斯模型的背景建模

单高斯模型适用于单模态的背景模型，即背景静止且光照变化不大的情况。在这种情况下，基本静止的像素点的灰度值是满足高斯分布的，即以某个均值为基准，在其附近做不超过一定偏差的振荡。因此，可以为场景中的每个像素点用一个高斯分布建立背景模型。但是，单高斯背景建模法只能适用于背景相对较稳定的情况，在复杂背景情况下不适用。

为了克服此问题，本发明利用多个高斯模型来模拟场景中每一个像素值的变化情况，即混合高斯模型。混合高斯模型使用K(一般为3-5)个高斯模型来表征图像中每个像素点的特征，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。

混合高斯模型的具体应用流程是：首先初始化预先定义的若干个高斯模型，对高斯模型中的参数进行初始化，并求出之后将要用到的参数。其次，对于每一帧中的每一个像素进行处理，看其是否匹配某个高斯模型，若匹配，则将其归入该高斯模型中，并根据该高斯模型对像素值进行更新；若不匹配，则以该像素建立一个高斯模型，初始化参数，代替原有模型中最不可能的高斯模型。最后，选择前面若干个最有可能的高斯模型作为背景模型。

混合高斯模型通过多个高斯分布拟合单个像素值变化，能够及时地跟踪背景的变化，并能够描述场景中的周期性运动，被认为是最好的背景模型之一。但是，这种算法的计算量很大、实时性差，必须采用专门的硬件才能用于实时监控系统，成本、复杂度高。

2)基于卡尔曼滤波的背景建模

卡尔曼滤波法是一个对动态系统的状态序列进行线性最小方差估计的算法，通过状态方程和观测方程来描述一个动态系统，是一种递归的背景估计方法。其背景估计值包含了当前帧之前所有视频图像的信息，具体的工作流程如图3所示，主要包括状态以及观测两个步骤：

a)状态方程：S(k)＝A(k)S(k-1)+w₁(k-1)。其中，S(k)表示系统在离散时间k的状态向量，是不可观测的；A(k)称为状态转移矩阵，描述动态系统在时间k-1的状态到k的状态之间的转移；w₁(k-1)为过程噪声向量，描述状态转移中间的加性噪声或误差；Z^-1表示Z变换。

b)观测方程：X(k)＝C(k)S(k)+w(k)。其中，X(k)表示动态系统在时间k的观测向量；C(k)称为观测矩阵，描述状态经过其作用，变成可预测的；w(k)表示观测噪声向量，其维数与观测向量的相同，通常为零均值的白噪声过程。

此方法的优点在于能够实现对运动目标的实时跟踪，但是，对于背景物体的变化就不能及时反应，会导致目标的误检和漏检。

与上面方法对应，本发明另一实施例提供一种基于背景建模与背景差分的激光目标检测装置，其包括：

本发明在利用混合高斯背景建模实现对背景像素建模后，为了降低系统的复杂度及运算量，结合卡尔曼滤波算法，通过预测跟踪，实现对建模区域的压缩，达到减少建模区域、降低运算量的目的。

为了验证本发明对激光信号检测的有效性，对结合高斯分布以及卡尔曼滤波的背景建模的性能进行测试，得到如图4所示结果，其中(a)图为实际背景图，(b)图为建模背景图。由图4可以看出，本发明结合高斯分布以及卡尔曼滤波的背景建模能够很好的模拟实时背景的变化。

以上对本发明所提供的基于背景建模与背景差分的激光目标检测算法进行了详细介绍。本领域技术人员应该理解，上述实施方案仅仅是为了说明的目的而所举的示例，而不是用来进行限制，凡在本发明的教导和权利要求保护范围下所作的任何修改、等同替换等，均应包含在本发明要求保护的范围内。

Claims

1.一种基于背景建模与背景差分的激光目标检测方法，其特征在于，包括以下步骤：

1)利用混合高斯背景建模方法和卡尔曼滤波方法，对视频帧序列以及差分反馈信号进行背景建模，得到背景图像；

2)将当前视频帧与所述背景图像相减，得到差分图像；

3)对所述差分图像进行处理以提高信噪比；

2.如权利要求1所述的方法，其特征在于，步骤1)所述背景建模包括：

1-1)通过阈值处理检测出目标所在的区域范围，得到监视窗口；

3.如权利要求2所述的方法，其特征在于，步骤1-2)使用混合高斯模型来表征图像中每个像素点的特征，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，如果成功则判定该像素点为背景点，否则为前景点。

4.如权利要求3所述的方法，其特征在于，步骤1-2)包括：

1-2-1)初始化预先定义的若干个高斯模型；

1-2-3)选择若干个最有可能的高斯模型作为背景模型。

5.如权利要求3所述的方法，其特征在于，所述混合高斯模型使用3-5个高斯模型来表征图像中每个像素点的特征。

6.如权利要求1所述的方法，其特征在于，所述卡尔曼滤波方法采用的状态方程和观测方程为：

a)状态方程：S(k)＝A(k)S(k-1)+w₁(k-1)，其中，S(k)表示系统在离散时间k的状态向量；A(k)表示状态转移矩阵，描述动态系统在时间k-1的状态到k的状态之间的转移；w₁(k-1)表示过程噪声向量，描述状态转移中间的加性噪声或误差；

b)观测方程：X(k)＝C(k)S(k)+w(k)，其中，X(k)表示动态系统在时间k的观测向量，C(k)表示观测矩阵，w(k)表示观测噪声向量。

7.如权利要求1所述的方法，其特征在于，步骤2)对当前帧图像以及背景图像进行增强处理，然后进行背景差分。

8.一种基于背景建模与背景差分的激光目标检测装置，其特征在于，包括：

9.如权利要求8所述的装置，其特征在于，所述背景建模模块采用以下方式进行背景建模：通过阈值处理检测出目标所在的区域范围，得到监视窗口；对监视窗口内每个像素位置的灰度值进行混合高斯背景建模；通过卡尔曼滤波方法进行跟踪预测，实现监视窗口的动态更新。

10.如权利要求9所述的装置，其特征在于，所述混合高斯背景建模包括：初始化预先定义的若干个高斯模型；对于每一帧中的每一个像素进行处理，判断其是否匹配某个高斯模型，若匹配，则将其归入该高斯模型中，并根据该高斯模型对像素值进行更新；若不匹配，则以该像素建立一个高斯模型，并初始化参数，代替原有模型中最不可能的高斯模型；选择若干个最有可能的高斯模型作为背景模型。