CN108875630A - 一种基于视频的雨天环境下移动目标检测方法 - Google Patents

Abstract

本发明公开一种基于视频的雨天环境下移动目标检测方法。主要步骤：（1）获得视频数据中的图像信息；（2）针对视频帧中的每一个像素点进行背景模型参数的初始化；（3）针对视频数据，检测并去除每一帧中存在的雨滴信息，得到没有雨滴污染的一个相对干净的场景；（4）对去除雨滴后的N帧视频序列进行背景模型的建立，对每个像素对应的模型参数进行更新以及适应性迭代；（5）根据获取的背景模型，对之后获取的视频帧中每一帧视频数据先进行雨滴去除然后背景差分进行移动目标的检测。本发明能够有效的解决在雨天环境下移动目标检测准确性问题。

Description

一种基于视频的雨天环境下移动目标检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于视频的雨天环境下移动目标检测方法。

背景技术

基于视频的移动目标的检测技术研究的关键性技术基础就是移动目标检测，首先通过移动目标检测技术检测出视频中感兴趣的区域即移动目标所在的区域，然后准确获得移动目标的轮廓区域信息等，才能为后续的目标追踪、目标分类等行为理解或者更高层的视觉算法提供优质的信息源。特别是在复杂环境下如雨天环境，雨滴、雨线的影响，运动目标检测的检测的好坏将直接到后续算法的分析实现。

单独考虑混合高斯模型来对含有运动目标的视频帧中的背景建立模型，知道因为雨滴这一复杂并且程不确定性的分布在背景中，雨滴对于视频中对应位置的像素点的亮度值会造成一定的跳跃性的影响，如果不去除这些雨滴单独进行高斯建模，不仅会使这些雨滴被错误的检测成运动的目标，而且还因为高斯建模的算法原理，在检测到运动的目标后还需要对次像素点的高斯模型参数进行更新，由此种情况重建后的高斯模型还会将下一帧中没有被雨滴遮挡的像素点错误的检测为运动区域，就会导致一种连续的错误。如果在进行高斯建模前将存在的雨滴去除并更新此处的像素值，将极大程度上的排除雨滴影响，提高高斯建模的效果。

发明内容

针对上述已有技术的不足，本发明提出了一种基于视频的雨天环境下移动目标检测方法，能够有效的解决在雨天环境下移动目标检测准确性问题。

为了解决上述技术问题，本发明的技术方案如下：

一种基于视频的雨天环境下移动目标检测方法，其具体步骤如下：

S1、获得视频数据中的视频帧图像信息；

S2、针对视频帧中的每一个像素点进行背景模型参数的初始化；

S3、针对视频数据，检测并去除每一帧中存在的雨滴信息，得到没有雨滴污染的一个相对干净的视频场景。进一步包括：

S3-1、得到第t帧视频时，检测当前帧视频中所存在的雨滴，根据公式(1)和公式(2)判断指定位置处的像素点是否被雨滴遮挡；

其中，f_t(x,y)表示第t帧在(x,y)处像素的亮度值，用灰度表示；B_t(x,y)为建立的背景模型，t为指定的帧，T为阈值。

式(1)和(2)中的阈值T为了能够更好的适应于多变的环境，提出了一种动态调整阈值大小的方式，具体情况如下：

其中，T_f为调整后的阈值，α₁，α₂为对应情况下的调节比例，α₁取值为1.3～1.5，α₂取值为0.7～0.9，G_b代表图片整体的亮度均值，α₁，α₂应根据实际情况选择合适的参数。

S3-2、对第t帧的视频进行雨滴去除，通过式(1)和式(2)判定指定位置处的像素是否被雨滴覆盖，满足其中的一项，就可以认定该位置处的像素被雨滴覆盖，同时消除该位置处的雨滴，具体方式如下：

当像素值满足判定式(1)时，按如下公式进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+1(x,y)+(1-α)f_t-1(x,y) (4)

当像素值满足判定式(2)时，按如下公式进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+2(x,y)+(1-α)f_t-2(x,y) (5)

其中，α的取值范围为0.4～0.6之间。

S4、对去除雨滴后的N帧视频序列采用混合高斯模型进行背景的建立，对每个像素对应的模型参数进行更新以及适应性迭代；

S5、判断是否达到预设的N帧，若是，执行S6，若否，执行S4；

S6、根据获取的背景模型，对之后获取的视频帧中每一帧视频数据先进行雨滴去除然后进行移动目标的检测。

S7、判断视频是否结束，若是，执行S6，若否，执行S8；

S8、停止，结束。

所述的步骤S3-1，进一步包括：

式(1)和(2)中的阈值T为了更好的和高斯模型进行融合采用下面的公式进行自适应的动态取值，公式如下：

其中为对应(x,y)位置处像素点t-1帧所建立的高斯分布的方差的平均值，K’表示阈值T与高斯模型的方差均值的一个比例关系，K’的取值具体需根据场景调整，具体是在实验过程中，获得高斯模型方差均值后，K’倍调节获得阈值T。

与现有技术相比，本发明的有益效果为：现有单独考虑混合高斯模型来对含有运动目标的视频帧中的背景建立模型，会因为雨滴这一复杂且程不确定性的分布，导致雨滴对视频中像素点的亮度值造成一定的跳跃性的影响，这样建立的高斯模型不仅会使这些雨滴被错误的检测成运动的目标，而且还因为高斯建模的算法原理，在检测到运动的目标后将下一帧中没有被雨滴遮挡的像素点错误的检测为运动区域，就会导致一种连续的错误。而本发明则是在进行高斯建模前将存在的雨滴去除并更新此处的像素值，将极大程度上的排除雨滴影响，提高高斯建模的效果，融合雨滴检测的混合高斯模型能够很好地解决这样的问题。

附图说明

图1为本发明的工作流程图；

图2为本发明的仿真结果图。

具体实施方案

下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

一种基于视频的雨天环境下移动目标检测方法，其具体步骤如下：

S1、获得视频数据中的视频帧图像信息；

S2、针对视频帧中的每一个像素点进行背景模型参数的初始化；

背景模型参数的初始化主要初始化混合高斯模型的均值、方差以及各分布的权值，初始选择的每个像素点对应的高斯分布的个数为3，对应每个高斯分布的均值均为0，方差为15，设置对应像素点的第一个高斯分布的权值为1，其余为0；

S3、针对视频数据，检测并去除每一帧中存在的雨滴信息，得到没有雨滴污染的一个相对干净的视频场景。进一步包括：

S3-1、得到第t帧视频时，检测当前帧视频中所存在的雨滴，根据式(1)和式(2)判断指定位置处的像素点是否被雨滴遮挡；

其中，f_t(x,y)表示第t帧在(x,y)处像素的亮度值，用灰度表示；B_t(x,y)为建立的背景模型，t为指定的帧，T为阈值。

式(1)和(2)中的阈值T为了能够更好的适应于多变的环境，提出了一种动态调整阈值大小的方式，具体情况如下：

其中，T_f为调整后的阈值，α₁，α₂为对应情况下的调节比例，α₁取值为1.3，α₂取值为0.8，G_b代表图片整体的亮度均值。

式(1)和(2)中的阈值T为了更好的和高斯模型进行融合采用下面的公式进行自适应的动态取值，公式如下：

其中为对应(x,y)位置处像素点t-1帧所建立的高斯分布的方差的平均值，K’表示阈值T与高斯模型的方差均值的一个比例关系，K’的取值具体需根据场景调整，具体是在实验过程中，获得高斯模型方差均值后，K’倍调节获得阈值T，在本实施例中K’取值2。

同时本发明所提出的背景模型B_t(x,y)对应每个像素点的大小也是需要根据所建立的n个高斯分布的均值也就是量度大小按权值进行组成，具体如式(4)所示：

B_t(x,y)＝∑μ_i,t·ω_i,t (5)

S3-2、对第t帧的视频进行雨滴去除，通过式(1)和(2)判定指定位置处的像素是否被雨滴覆盖，满足其中的一项公式，就可以认定该位置处的像素被雨滴覆盖，同时对该位置处的雨滴进行去除，具体方式如下：

当像素值满足判定式(1)时，按如下公式进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+1(x,y)+(1-α)f_t-1(x,y) (6)

当像素值满足判定式(2)时，按如下公式进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+2(x,y)+(1-α)f_t-2(x,y) (7)

其中，α的取值为0.4。

S4、对去除雨滴后的N＝50帧视频序列采用混合高斯模型进行背景模型的建立，对每个像素对应的模型参数进行更新以及适应性迭代。进一步包括：

S4-1、假设每个像素点的像素分布是由K个混合高斯分布组成，在本实施例中K取3，则基于混合高斯模型的背景像素分布规律由下式表示：

其中，X_t为对应像素点的像素值，μ_i,t为高斯分布的均值，∑_i,t协方差矩阵，ω_i,t为各个高斯分布的权值而且满足即用3个均值为μ_i,t，方差为σ_i,t的高斯分布来代表此点处的像素分布；

S4-2、获得当前帧该像素点处的像素值X_t后，用该值与该像素点对应的K个模型进行依次匹配匹配公式如下，其中σ_i,t为对应第i个高斯模型的方差：

|X_t-μ_i,t|²≤Tσ_i,t-1 (9)

此处T＝3；

S4-3、如果该像素点与该像素点对应的混合高斯模型中的任意一个历史高斯分布均不匹配，且该点像素更新过的高斯分布的个数小于该点高斯分布的总数K，则将当前像素值对应的高斯分布增加到该点的混合高斯模型中；该像素值大小对应的高斯分布的均值μ，高斯分布的方差为初始化大小，同时更新高斯分布的权值；

如果该像素点与该像素点对应的混合高斯模型中的任意一个历史高斯分布均不匹配，且该点像素更新过的高斯分布的个数等于该点高斯分布的总数K，则将该像素点对应的高斯分布替换该点混合高斯模型中权重最小的历史高斯分布，各分布权值不变；

S4-4、如果该像素点与该像素点对应的混合高斯模型中的至少一个历史高斯分布匹配，则更新历史高斯分布的相应参数，更新公式如下：

其中β的计算公式如下所示：

β＝α/ω_i,t (11)

其中权值更新公式如下，其中，如果匹配对应的M_i,t＝1，否则为0，α为学习速率，此处α取值为0.01：

ω_i,t＝(1-α)*ω_i,t-1+α*M_i,t (12)

S4-5、根据更新后的混合高斯模型中高斯分布的优先级，选择权重值之和大于预设阈值ε的高斯分布，建立背景模型，获得目标背景，式如下：

其中ε的取值在本实施例中为0.8，b表示对应每个像素点取的高斯分布的个数。

S5、判断是否达到所预设的50帧，若是，执行S6，若否，执行S4；

S6、根据获取的背景模型，对之后获取的视频帧中每一帧视频数据先进行雨滴去除然后进行移动目标的检测。

获得了目标背景，根据获得的目标背景，通过背景差分法即可获得运动前景区域，具体的，可以通过式(13)获得：

D_t(x,y)＝|f_t(x,y)-B_t(x,y)| (14)

其中，B_t(x,y)为通过混合高斯建模方法获得的目标背景。

S7、判断视频是否结束，若是，执行S6，若否，执行S8；

S8、停止，结束。

Claims (4)

1.一种基于视频的雨天环境下移动目标检测方法，其特征在于，包括以下步骤：

S1、获得视频数据中的视频帧图像信息；

S2、针对视频帧中的每一个像素点进行背景模型参数的初始化；

S3、针对视频数据，检测并去除每一帧中存在的雨滴信息，得到没有雨滴污染的视频场景，其具体实现为：

得到第t帧视频时，检测当前视频帧中所存在的雨滴，根据式(1)和式(2)判断指定位置处的像素点是否被雨滴遮挡；

其中，f_t(x,y)表示第t帧在(x,y)处像素的亮度值，用灰度表示；B_t(x,y)为建立的背景模型，t为指定的帧，T为阈值；

S4、对去除雨滴后的N帧视频序列采用混合高斯模型进行背景的建立，对每个像素对应的模型参数进行更新以及适应性迭代；

S5、判断是否达到预设的N帧，若是，执行S6，若否，执行S4；

S6、根据步骤S4获取的背景模型，对之后获取的视频帧中每一帧视频数据先进行雨滴去除然后进行移动目标的检测；

S7、判断视频是否结束，若是，执行S6，若否，执行S8；

S8、停止，结束。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3中，在检测每一帧中存在的雨滴信息时，动态调整式(1)和(2)中的阈值T的大小，其调整当时为：

其中，T_f为调整后的阈值，α₁，α₂为对应情况下的调节比例，α₁取值为1.3～1.5，α₂取值为0.7～0.9，G_b代表图片整体的亮度均值。

3.根据权利要求2所述的方法，其特征在于，所述步骤S3中：

动态调整式(1)和(2)中的阈值T的大小，为了更好的和高斯模型进行融合采用下面的公式进行自适应的动态取值，公式如下：

其中为对应(x,y)位置处像素点t-1帧所建立的高斯分布的方差的平均值，K’表示阈值T与高斯模型的方差均值的一个比例关系。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述步骤S3中，去除每一帧中存在的雨滴信息，进一步包括：

对第t帧的视频进行雨滴去除，通过式(1)和式(2)判定指定位置处的像素是否被雨滴覆盖，满足其中的一项，认定该位置处的像素被雨滴覆盖，同时需消除该位置处的雨滴，具体方式如下：

当像素值满足判定式(1)时，按如下公式(4)进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+1(x,y)+(1-α)f_t-1(x,y) (4)

当像素值满足判定式(2)时，按如下公式(5)进行该位置处的像素值重分配，公式如下：

f_t(x,y)＝αf_t+2(x,y)+(1-α)f_t-2(x,y) (5)

其中，α的取值范围为0.4～0.6之间。