CN109859236B

CN109859236B - 运动物体检测方法、系统、计算设备及存储介质

Info

Publication number: CN109859236B
Application number: CN201910001356.XA
Authority: CN
Inventors: 彭绍湖; 邓铭杰; 刘长红; 范俊宇; 肖忠; 杨兴鑫; 利恒浩; 林生益; 王力
Original assignee: Guangzhou University
Current assignee: Guangzhou University
Priority date: 2019-01-02
Filing date: 2019-01-02
Publication date: 2021-04-23
Anticipated expiration: 2039-01-02
Also published as: CN109859236A

Abstract

本发明公开了一种运动物体检测方法、系统、计算设备及存储介质，所述方法包括：获取运动物体的视频帧；遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图；利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型；根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素；对背景像素的背景模型进行更新；减小前景像素的背景模型更新因子的数值大小。本发明实现了在实际应用场景的鲁棒性，能够让运动物体检测更加精确，减少将背景像素误识别为前景的情况的产生，并有效解决长时间停留的前景物体被错误归类为背景的问题。

Description

运动物体检测方法、系统、计算设备及存储介质

技术领域

本发明涉及一种运动物体检测方法、系统、计算设备及存储介质，属于计算机视觉领域。

背景技术

在视频流中的运动物体检测是视频分析与理解的重要技术，是部分计算机视觉任务重要的预处理步骤，如物体识别、运动物体跟踪等。实际运用场景中，运动物体检测算法会遭遇许多挑战，例如当光照变化较为剧烈时，算法容易将光照变化的背景误判为前景；运动物体在某个区域滞留一段时间时，会被误识别成背景；长时间静止物体开始运动时，该运动物体长时间保持静止状态所覆盖的背景区域会被误分类成前景。

为了对抗各种实际环境的干扰，许多方法都被提出以实现算法在实际运用的鲁棒性。Lucia Maddalena等人提出的SOBS(Self-Organization Background Subtraction，自组织背景减除)算法运用自组织的方法，结合高斯分布，实现对前景背景的分割。算法在外界干扰较少的情况下，对运动物体有很好地检测，但当物体间歇性运动时，就会误报较多错误的前景与背景；同时在物体噪点较多时，检测效果也差强人意。Florian Seidel等人提出的pROST将预测子空间的一种有效的交替式在线最优化框架运用到运动物体检测中，并引入一种加权鲁棒的损失函数，在镜头摇晃的场景下依旧能实现有效的运动物体检测，但该算法只在这类镜头摇晃的场景有好的表现，在其他场景如前景与背景颜色相仿时，误检的概率较高。

发明内容

本发明的第一个目的在于提供一种运动物体检测方法，该方法实现了在实际应用场景的鲁棒性，能够让运动物体检测更加精确，减少将背景像素误识别为前景的情况的产生，并有效解决长时间停留的前景物体被错误归类为背景的问题。

本发明的第二个目的在于提供一种运动物体检测系统。

本发明的第三个目的在于提供一种计算设备。

本发明的第四个目的在于提供一种存储介质。

本发明的第一个目的可以通过采取如下技术方案达到：

一种运动物体检测方法，所述方法包括：

获取运动物体的视频帧；

遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图；

利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型；其中，每个背景模型包含N个背景样本；

根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素；

对背景像素的背景模型进行更新；

减小前景像素的背景模型更新因子的数值大小。

进一步的，所述遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图，具体包括：

在相邻的两帧之间，运用帧差法，计算相邻两帧每个位置像素值的差值；

若所述差值小于第一预设阈值，则将相邻两帧的后一帧对应位置的像素分类为背景，并放入一个子集中，遍历所有的视频帧后，所有视频帧的每个像素位置均对应一个包含分类为背景像素的子集，每个子集包含不同个数的像素；

对每个子集中的像素进行分类，若分类出的类别数量大于1，则选出包含像素数量最多的前两个类别，对这两个类别中的所有像素取平均值，作为彩色背景图对应位置的像素，以构成不含前景的彩色背景图；若分类出的类别数量为1，则直接对该类别的所有像素取平均值，作为彩色背景图对应位置的像素，以构成不含前景的彩色背景图；

将不含前景的彩色背景图的RGB颜色空间转换成HSV颜色空间。

进一步的，所述利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型，具体包括：

再次遍历所有的视频帧，每输入一帧视频帧，将视频帧的RGB颜色空间转换成HSV颜色空间；

将视频帧每个像素的H分量、S分量和V分量赋值给背景样本像素的H分量、S分量和V分量；

将一个常量值赋值给背景样本所对应的权重；

利用前N帧视频帧中的每一帧视频帧初始化一个背景样本，初始化后，所有视频帧的每个像素对应一个背景模型，每个背景模型包含N个背景样本。

进一步的，所述根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素，具体包括：

将所有视频帧的每个像素作为一个中心像素，遍历每个中心像素及其上下左右四个邻域像素，每遍历一个像素，将该像素与其背景模型的每个背景样本进行比较，计算该像素与每个背景样本的差值，若该像素与其中一个背景样本的差值小于第二预设阈值，则判断该像素与其背景模型相似；若该像素与每个背景样本的差值均大于或等于阈值第二预设阈值，则判断该像素与其背景模型不相似；

在每个中心像素及其上下左右四个邻域像素中，若存在至少K个像素与各自的背景模型相似，则判断中心像素是背景像素；若与各自背景模型相似的像素数量低于K个，则将中心像素与彩色背景图相同位置的像素进行比较，若相似，则判断中心像素是背景像素，否则，判断中心像素是前景像素。

进一步的，所述对背景像素的背景模型进行更新，具体包括：

随机选取背景模型的N个背景样本中的其中一个，作为被更新背景样本；

结合更新因子对被更新背景样本的像素进行更新；

将被更新背景样本的权重增大0.02，以及将其余背景样本的权重减小0.02。

进一步的，所述对背景像素的背景模型进行更新之后，还包括：

对背景模型中的每个背景样本按照权重大小从大到小排序；

记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本。

进一步的，所述记录每个样本排序最后一名的次数，并根据该次数判断是否用当前像素重新初始化背景样本，具体为：

记录每个背景样本排序最后一名的次数，若存在背景样本排序最后一名的次数大于第三预设阈值，则利用当前像素重新初始化该背景样本。

本发明的第二个目的可以通过采取如下技术方案达到：

一种运动物体检测系统，所述系统包括：

获取模块，用于获取运动物体的视频帧；

生成模块，用于遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图；

初始化模块，用于利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型；其中，每个背景模型包含N个背景样本；

判断模块，用于根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素；

更新模块，用于对背景像素的背景模型进行更新；

减少模块，用于减小前景像素的背景模型更新因子的数值大小。

本发明的第三个目的可以通过采取如下技术方案达到：

一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的运动物体检测方法。

本发明的第四个目的可以通过采取如下技术方案达到：

一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的运动物体检测方法。

本发明相对于现有技术具有如下的有益效果：

本发明与传统的运动检测算法相比，在判断前景背景阶段引入了不含前景物体的彩色背景图，可有效解决长时间静止物体突然运动所带来的“假前景”问题；将视频帧的每个像素及其邻域的像素考虑进来，运用像素的空间相关性使得运动物体的检测更加精确；同时通过减小前景像素的背景模型更新因子的数值大小，以延长运动物体滞留在某一地方时，被正确识别为前景的时间。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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1的运动物体检测方法的流程图。

图2为本发明实施例1的生成不含前景的彩色背景图的流程图。

图3为本发明实施例1的为所有视频帧的每个像素初始化背景模型的流程图。

图4为本发明实施例1的判断所有视频帧的每个像素是背景像素还是前景像素的流程图。

图5为本发明实施例1的对背景像素的背景模型进行更新的流程图。

图6为本发明实施例2的运动物体检测系统的结构框图。

图7为本发明实施例2的生成模块的结构框图。

图8为本发明实施例2的初始化模块的结构框图。

图9为本发明实施例2的判断模块的结构框图。

图10为本发明实施例2的更新模块的结构框图。

图11为本发明实施例3的计算设备结构框图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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。

实施例1：

如图1所示，本实施例提供了一种运动物体检测方法，该方法基于改进的SOBS(Self-Organization Background Subtraction，自组织背景减除)算法实现，其包括以下步骤：

S101、获取运动物体的视频帧。

本实施例可以通过摄像头采集获取运动物体的视频帧，也可以通过高速相机采集获取运动物体的视频帧。

S102、遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图。

进一步地，该步骤S102如图2所示，具体包括：

S1021、在相邻的两帧之间，运用帧差法，计算相邻两帧每个位置像素值的差值。

计算相邻两帧每个位置像素值的差值，具体为：将相邻两帧相同位置的像素灰度值相减，并取绝对值，作为差值d。

S1022、将差值d与第一预设阈值D_f进行比较，判断差值d是否小于第一预设阈值D_f。

若差值d小于第一预设阈值D_f，则进入步骤S1023，若差值d大于或等于第一预设阈值D_f，则将相邻两帧的后一帧对应位置的像素分类为前景，此处的第一预设阈值D_f设置为15。

S1023、将相邻两帧的后一帧对应位置的像素分类为背景，并放入一个子集中。

本实施例在遍历所有的视频帧后，所有视频帧的每个像素位置均对应一个包含分类为背景像素的子集，每个子集包含不同个数的像素。

S1024、对每个子集中的像素进行分类。

具体地，将每个子集中的像素按照灰度值分成如下区间：0-9、10-19、20-29……240-249、250-255，不同的区间代表不同的类别，像素灰度值位于不同的区间，就对应不同的类别，每个像素都将对应一个类别，计算每个类别包含的像素个数，若分类出的类别数量大于1，则说明分类出了多个类别，此时选择包含像素数量最多的前两个类别，对这两个类别中的所有像素取平均值，具体计算这两个类别中所有像素的R分量、G分量和B分量各自的平均值；若分类出的类别数量为1，则说明只分类出一个类别，则直接对该类别的所有像素取平均值，具体计算该类别中所有像素的R分量、G分量和B分量各自的平均值，计算出来的R分量、G分量和B分量各自的平均值，将作为彩色背景图对应位置像素的R分量、G分量和B分量，以构成不含前景的彩色背景图。

S1025、将不含前景的彩色背景图的RGB(Red、Green、Blue，红、绿、蓝)颜色空间转换成HSV(Hue、Saturation、Value，色调、饱和度、明度)颜色空间。

S103、利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型。

本实施例取N＝9，该步骤S103如图3所示，具体包括：

S1031、再次遍历所有的视频帧，每输入一帧视频帧，将视频帧的RGB颜色空间转换成HSV颜色空间。

S1032、将视频帧每个像素的H分量、S分量和V分量赋值给背景样本像素的H分量、S分量和V分量；可以理解，背景样本像素即为背景样本的HSV向量。

S1033、将一个常量值赋值给背景样本所对应的权重，此处的权重值为0.15。

S1034、利用前九帧视频帧中的每一帧视频帧初始化一个背景样本。

本实施例在初始化后，所有视频帧的每个像素对应一个背景模型，每个背景模型包含九个背景样本。

在传统的SOBS算法中，背景模型仅用第一帧的像素初始化，初始化后的背景模型的九个背景样本都是一样的，造成了不必要的重复，由于背景模型样本重复性过高，易将背景误识别为运动物体。因此本实施例提出用前九帧初始化背景模型，每一帧视频帧初始化一个背景样本，使得背景模型的背景样本拥有足够的差异性，减少将背景误识别成运动物体的情况发生。

S104、根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素。

判断所有视频帧的某个像素是前景像素还是背景像素时，也需要将该像素的上下左右四个邻域像素用于对该像素是前景像素还是背景像素的判断。

进一步地，该步骤S104如图4所示，具体包括：

S1041、将所有视频帧的每个像素作为一个中心像素(即被判断像素)，遍历每个中心像素及其上下左右四个邻域像素，共有五个像素，每遍历一个像素，将该像素与其背景模型的每个背景样本进行比较，计算该像素与每个背景样本的差值，其计算公式如下式(1)；若该像素与其中一个背景样本的差值小于第二预设阈值D_O，则判断该像素与其背景模型相似；若该像素与每个背景样本的差值均大于或等于阈值第二预设阈值D_O，则判断该像素与其背景模型不相似，此处的第二预设阈值D_O可取0.2。

其中，p表示像素，t、t-1分别表示t时刻、t-1时刻，h、s和v分别表示HSV颜色空间的色度、饱和度以及明度分量，d表示两个像素(HSV向量)的差值。

S1042、在每个中心像素及其上下左右四个邻域像素中，若存在至少K个像素与各自的背景模型相似，则判断中心像素是背景像素；若与各自背景模型相似的像素数量低于K个，则将中心像素与彩色背景图相同位置的像素进行比较，若相似，则判断中心像素是背景像素，否则，判断中心像素是前景像素。

与步骤S1041类似，将中心像素与彩色背景图相同位置的像素进行比较，需要计算中心像素与彩色背景图相同位置的像素的差值，利用上述公式(1)进行计算，将计算出的差值与第一预设阈值D_f进行比较，若差值小于第一预设阈值D_f，则说明中心像素与彩色背景图相同位置的像素相似，判断中心像素是背景像素，进入步骤S105，若差值大于或等于第一预设阈值D_f，说明中心像素与彩色背景图相同位置的像素不相似，判断中心像素是前景像素，进入步骤S108，此处的K设置为3，第一预设阈值D_f设置为0.1。

传统的SOBS算法，只要中心像素与背景模型的背景样本的差值大于阈值，即被认为是前景，当视频帧存在较多噪声时，部分背景像素可能会被噪声所覆盖，而这些噪声与背景像素的模型存在较大差异，此时该位置的像素就会被误识别为前景。因此本实施例提出运用像素的空间相关性，将中心像素周围的上下左右四个像素(上下左右四个邻域像素)考虑进来，将五个像素作为一个整体，来判断中心像素是前景像素还是背景像素，由像素的空间相关性可知，邻近的像素一般有着相似的性质，可以认为背景像素邻近的像素，一般都是背景像素，当噪声将某个背景像素覆盖时，其周围邻域的像素依旧为背景像素，因此可通过邻域像素将被噪声覆盖的背景像素正确识别为背景像素。

此外，本实施例在前景像素和背景像素的判断引入了彩色背景图，该彩色背景图包含被长时间静止物体所遮挡的背景，当视频帧含有长时间静止物体时，长时间静止物体的像素的背景模型都被该静止物体的像素所初始化，当长时间静止物体开始运动时，其原先停留位置所露出的背景像素由于与静止物体像素初始化的背景模型存在较大差异，会被误识别成前景，此时通过将背景像素与彩色背景图对应位置的像素进行比较，由于彩色背景图包含的只有背景，两者相差小，两个比较计算的差值小于第一预设阈值D_f，因此能够实现对原先静止物体开始运动所露出背景像素的正确分类。

S105、对背景像素的背景模型进行更新。

进一步地，该步骤S105如图5所示，具体包括：

S1051、随机选取背景模型的N个背景样本中的其中一个，作为被更新背景样本。

S1052、结合更新因子对被更新背景样本的像素进行更新。

结合更新因子对被更新背景样本的像素进行更新，即结合更新因子对被更新样本的HSV向量进行更新，如下式(2)：

S_t＝(1-α)S_t-1+αp_t (2)

其中，S表示样本的HSV向量，t、t-1分别表示t时刻、t-1时刻，p表示当前HSV像素值，α表示更新因子。

S1053、将被更新背景样本的权重增大0.02，以及将其余背景样本的权重减小0.02。

优选地，本实施例的运动物体检测方法在步骤S105之后，还包括：

S106、对背景模型中的每个背景样本按照权重大小从大到小排序。

具体地，运用希尔排序法，将背景模型中的每个背景样本，按照权重大小由大到小进行排序。

S107、记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本。

具体地，记录每个背景样本排序最后一名的次数，若存在背景样本排序最后一名的次数大于第三预设阈值M，则用当前像素重新初始化该背景样本，即用当前像素的H分量、S分量和V分量重新赋值给该背景样本的像素(HSV向量)的H分量、S分量和V分量，以及将权重重新赋值为0.1，此处第三预设阈值M设置为30。

传统的SOBS算法对背景模型的背景样本只有初始化和更新，没有重新初始化。当背景模型存在有背景样本，其权重小，按照权重大小排序总排在所有背景样本的最后，说明其重要性小，已不具备代表性，若不将这类背景样本替换，则会浪费计算与内存资源，因此本实施例用当前像素来替换这类背景样本的HSV向量，并赋予新的权重，使得该背景样本能反映当前像素的情况，具备代表性，充分利用计算与内存资源。

S108、减小前景像素的背景模型更新因子的数值大小。

具体地，对于所述前景像素，更新因子α减小0.01，降低背景样本的HSV向量向当前像素值逼近的速率。

由上述公式(2)可以看出，更新因子α越大，被更新样本的HSV向量就越接近当前像素值，当运动物体停留在某个地方时，很容易被识别为背景。这时我们通过减小前景像素背景模型的α，使得被更新样本的HSV向量向当前像素值逼近的速率降低，背景模型样本与当前像素的差值减小的速率降低，使得两者的差值依旧大于阈值，延长前景像素被识别为前景的时间。

本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。

应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

实施例2：

如图6所示，本实施例提供了一种运动物体检测系统，该系统包括获取模块601、生成模块602、初始化模块603、判断模块604、更新模块605、排序模块606、记录模块607和减少模块608，各个模块的具体功能如下：

所述获取模块601，用于获取运动物体的视频帧。

所述生成模块602，用于遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图。

该生成模块602如图7所示，具体包括：

计算单元6021，用于在相邻的两帧之间，运用帧差法，计算相邻两帧每个位置像素值的差值。

分类单元6022，用于若所述差值小于第一预设阈值，则将相邻两帧的后一帧对应位置的像素分类为背景，并放入一个子集中，遍历所有的视频帧后，所有视频帧的每个像素位置均对应一个包含分类为背景像素的子集，每个子集包含不同个数的像素。

构成单元6023，用于对每个子集中的像素进行分类，若分类出的类别数量大于1，则选出包含像素数量最多的前两个类别，对这两个类别中的所有像素取平均值，作为彩色背景图对应位置的像素，以构成不含前景的彩色背景图；若分类出的类别数量为1，则直接对该类别的所有像素取平均值，作为彩色背景图对应位置的像素，以构成不含前景的彩色背景图。

第一转换单元6024，用于将不含前景的彩色背景图的RGB颜色空间转换成HSV颜色空间。

所述初始化模块603，用于利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型；其中，每个背景模型包含N个背景样本。

该初始化模块603如图8所示，具体包括：

第二转换单元6031，用于再次遍历所有的视频帧，每输入一帧视频帧，将视频帧的RGB颜色空间转换成HSV颜色空间。

第一赋值单元6032，用于将视频帧每个像素的H分量、S分量和V分量赋值给背景样本像素的H分量、S分量和V分量。

第二赋值单元6033，用于将一个常量值赋值给背景样本所对应的权重。

初始化单元6034，用于利用前N帧视频帧中的每一帧视频帧初始化一个背景样本，初始化后，所有视频帧的每个像素对应一个背景模型，每个背景模型包含N个背景样本。

所述判断模块604，用于根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素。

该判断模块604如图9所示，具体包括：

第一判断单元6041，用于将所有视频帧的每个像素作为一个中心像素，遍历每个中心像素及其上下左右四个邻域像素，每遍历一个像素，将该像素与其背景模型的每个背景样本进行比较，计算该像素与每个背景样本的差值，若该像素与其中一个背景样本的差值小于第二预设阈值，则判断该像素与其背景模型相似；若该像素与每个背景样本的差值均大于或等于阈值第二预设阈值，则判断该像素与其背景模型不相似。

第二判断单元6042，用于在每个中心像素及其上下左右四个邻域像素中，若存在至少K个像素与各自的背景模型相似，则判断中心像素是背景像素；若与各自背景模型相似的像素数量低于K个，则将中心像素与彩色背景图相同位置的像素进行比较，若相似，则判断中心像素是背景像素，否则，判断中心像素是前景像素。

所述更新模块605，用于对背景像素的背景模型进行更新。

该更新模块605如图10所示，具体包括：

选取单元6051，用于随机选取背景模型的N个背景样本中的其中一个，作为被更新背景样本。

更新单元6052，用于结合更新因子对被更新背景样本的像素进行更新。

权重调整单元6053，用于将被更新背景样本的权重增大0.02，以及将其余背景样本的权重减小0.02。

所述排序模块606，用于记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本。

所述记录模块607，用于对背景模型中的每个背景样本按照权重大小从大到小排序。

所述减少模块608，用于减小前景像素的背景模型更新因子的数值大小。

本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

可以理解，本实施例的系统中所使用的术语“第一”、“第二”等可用于描述各种单元，但这些单元不受这些术语限制。这些术语仅用于将第一个单元与另一个单元区分。举例来说，在不脱离本发明的范围的情况下，可以将第一判断单元称为第二判断单元，且类似地，可将第二判断单元称为第一判断单元，第一判断单元和第二判断单元两者都是判断单元，但其不是同一判断单元。

实施例3：

本实施例提供了一种计算设备，该计算设备可以是计算机，如图11所示，其包括通过系统总线1101连接的处理器1102、存储器、输入装置1103、显示器1104和网络接口1105，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质1106和内存储器1107，该非易失性存储介质1106存储有操作系统、计算机程序和数据库，该内存储器1107为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器1102执行存储器存储的计算机程序时，实现上述实施例1的运动物体检测方法，如下：

获取运动物体的视频帧；

对背景像素的背景模型进行更新；

对背景模型中的每个背景样本按照权重大小从大到小排序；

记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本；

减小前景像素的背景模型更新因子的数值大小。

本实施例的计算设备还可以为服务器、移动终端等。

实施例4：

本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述程序被处理器执行时，处理器执行存储器存储的计算机程序时，实现上述实施例1的运动物体检测方法，如下：

获取运动物体的视频帧；

对背景像素的背景模型进行更新；

对背景模型中的每个背景样本按照权重大小从大到小排序；

减小前景像素的背景模型更新因子的数值大小。

本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。

综上所述，本发明与传统的运动检测算法相比，在判断前景背景阶段引入了不含前景物体的彩色背景图，可有效解决长时间静止物体突然运动所带来的“假前景”问题；将视频帧的每个像素及其邻域的像素考虑进来，运用像素的空间相关性使得运动物体的检测更加精确；同时通过减小前景像素的背景模型更新因子的数值大小，以延长运动物体滞留在某一地方时，被正确识别为前景的时间。

以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims

1.一种运动物体检测方法，其特征在于，所述方法包括：

获取运动物体的视频帧；

对背景像素的背景模型进行更新；

对背景模型中的每个背景样本按照权重大小从大到小排序；

记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本，具体为：记录每个背景样本排序最后一名的次数，若存在背景样本排序最后一名的次数大于第三预设阈值，则利用当前像素重新初始化该背景样本，即用当前像素的H分量、S分量和V分量重新赋值给该背景样本的像素的H分量、S分量和V分量，并赋予新的权重；

减小前景像素的背景模型更新因子的数值大小。

2.根据权利要求1所述的运动物体检测方法，其特征在于，所述遍历所有的视频帧，利用帧差法，生成一张不含前景的彩色背景图，具体包括：

将不含前景的彩色背景图的RGB颜色空间转换成HSV颜色空间。

3.根据权利要求1所述的运动物体检测方法，其特征在于，所述利用前N帧视频帧，为所有视频帧的每个像素初始化背景模型，具体包括：

将一个常量值赋值给背景样本所对应的权重；

4.根据权利要求1所述的运动物体检测方法，其特征在于，所述根据所有视频帧的邻域像素和彩色背景图，判断所有视频帧的每个像素是背景像素还是前景像素，具体包括：

5.根据权利要求1所述的运动物体检测方法，其特征在于，所述对背景像素的背景模型进行更新，具体包括：

结合更新因子对被更新背景样本的像素进行更新；

6.一种运动物体检测系统，其特征在于，所述系统包括：

获取模块，用于获取运动物体的视频帧；

更新模块，用于对背景像素的背景模型进行更新；

排序模块，用于记录每个背景样本排序最后一名的次数，并根据该次数判断是否利用当前像素重新初始化背景样本；

记录模块，用于对背景模型中的每个背景样本按照权重大小从大到小排序，具体为：记录每个背景样本排序最后一名的次数，若存在背景样本排序最后一名的次数大于第三预设阈值，则利用当前像素重新初始化该背景样本，即用当前像素的H分量、S分量和V分量重新赋值给该背景样本的像素的H分量、S分量和V分量，并赋予新的权重；

7.一种计算设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-5任一项所述的运动物体检测方法。

8.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-5任一项所述的运动物体检测方法。