CN110910421A - 基于分块表征和可变邻域聚类的弱小运动目标检测方法 - Google Patents

Abstract

本发明公开了一种基于分块表征和可变邻域聚类的弱小运动目标检测方法，用于解决现有弱小运动目标检测方法检测精度低的技术问题。技术方案是在运用图像分块化处理的基础上，获得各分块的类Haar特征向量和前后帧各分块的移动方向，提取潜在运动分块。以潜在运动分块中心像素作为聚类中心，计算可变邻域内各像素与聚类中心的特征距离，结合RANSAC算法自适应确定距离阈值，将特征距离低于阈值的像素进行聚类，从而得到完整运动目标，最终实现序列图像中弱小运动目标的精确检测。本发明通过判断前后帧分块移动方向，对剩余分块运用可变邻域特征聚类，获得所属分块的完整目标形态表征，抑制背景噪声，提高了准确捕获弱小运动目标的检测精度。

Description

基于分块表征和可变邻域聚类的弱小运动目标检测方法

技术领域

本发明涉及一种弱小运动目标检测方法，特别涉及一种基于分块表征和可变邻域聚类的弱小运动目标检测方法。

背景技术

弱小运动目标检测是图像处理和机器视觉领域的重要研究课题，其在军事和民用领域中的应用得到了研究人员的广泛关注，也是低空目标安全与防护任务的关键技术之一。运动目标检测多是基于底层视频信息的检测，是指从图像序列中将前景变化区域从背景图像中提取出来。伴随着小型无人机技术的快速发展，无人机在军用、民用方面都展现了巨大价值，随之而来的针对小型无人机的监控技术也具有十分重大的实际意义，因此如何实现弱小动目标检测成为研究热点之一。

文献“Liu Jing,et al.(《Small target detection combining regionalstability and saliency in a color image》，Multimedia Tools and Applications,2017,76(13):14781-14798.)”公开了一种基于显著性和稳定性的特征提取的算法。该算法首先提出将小目标检测作为一个稳定的区域提取问题，应用了几个稳定性准则来生成一个由顺序布尔图派生的局部稳定区域的稳定性图。其次，考虑小目标与其周围环境的局部对比度，通过将每个像素的颜色向量与其高斯模糊后的颜色向量进行比较，得到显著性图。最后，将稳定性和显著性映射以像素乘的方式集成，以消除虚警率。该方法虽然能消除大部分背景噪声的干扰，但是在存在两个及以上弱小运动目标的数据集中，仅能完成一个目标的较完整检测，漏检率极高。同时，在相机抖动及背景光线变化的图像序列中，该方法检测到背景噪声很大，误检率很高，检测小目标的精度较低。

发明内容

为了克服现有弱小运动目标检测方法检测精度低的不足，本发明提供一种基于分块表征和可变邻域聚类的弱小运动目标检测方法。该方法在运用图像分块化处理的基础上，获得各分块的类Haar特征向量和前后帧各分块的移动方向，提取潜在运动分块。以潜在运动分块中心像素作为聚类中心，计算可变邻域内各像素与聚类中心的特征距离，结合RANSAC算法自适应确定距离阈值，将特征距离低于阈值的像素进行聚类，从而得到完整运动目标，最终实现序列图像中弱小运动目标的精确检测。本发明通过对视频帧图像建立分块类Haar特征表示，判断前后帧分块移动方向，滤除背景移动方向。对剩余分块运用可变邻域特征聚类，获得所属分块的完整目标形态表征，最后运用前后帧颜色特征比较，抑制了背景噪声，准确捕获运动目标，目标轮廓清晰，提高了弱小运动目标检测精度。

本发明解决其技术问题所采用的技术方案：一种基于分块表征和可变邻域聚类的弱小运动目标检测方法，其特点是包括以下步骤：

步骤一、对图像序列进行分块化处理。设序列图像F，帧长度为n，其中第i帧以f_i表示，其中i＝1,2,…,n。设置分块块间步长为step_x和step_y，即x,y方向上各分块间隔的像素点。以图片左上角为原点，x方向为水平方向，y方向为竖直方向，第一个分块B₁左上角坐标为(1,1)，依步长将整幅图像第i帧f_i划分为m个大小为W×H的图像块B_j，j＝1,2,...,m。其中，分块大小W与H相等，分块步长step_x与step_y相等。

步骤二、对每个分块提取降维类Haar特征。对第i帧f_i中每个分块提取降维类Haar特征。利用T维降维类Haar特征向量V描述图像块B_j，其中T取值为10。

在预先设定的常整数L与R之间取N个随机整数P_r，k＝1,...,N，其中L、R取值范围为10以内的整数。特征向量V的第t维特征值v_t由P_r个矩形块的灰度值加权总和计算得到。

在图像块B_j中，随机取个矩形块R_k(x_k,y_k,w_k,h_k,we_k),k＝1,2,...,P_r构成描述v_t的特征模板，其中x_k，y_k分别表示B_j中R_k左上角的横纵坐标，w_k为R_k的宽度，h_k为R_k的高度。

x_k,y_k,w_k,h_k满足：

we_k为R_k在V_i中所占权重，定义式为：

c_k取值为{1，-1}中的随机值。

根据R_k位置服从分布不同分为两类：

R_k＝[R'_k,R″_k]

式中，R'_k为非边缘图像分块，为保证图像全局特征的提取的敏感性，采用均匀分布对R'_k的位置参数进行设定，增强R'_k生成位置的随机性。

R_k″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，为保证对进入图像边缘动目标检测的灵敏性，采用高斯分布对R_k″的位置参数进行设定，使R_k″生成位置集中在图像的边缘，将图像边缘信息作为各图像块的主要特征。对位于图像左边缘的图像块B_j，其中Haar特征矩形块R_k左″，设定其位置参数中x_k左″服从高斯分布N(0,1)，y_k左″服从均匀分布，矩形块集中于图像块左侧边缘，由此提取出的降维Haar特征着重描述图像块左侧边缘的信息，对左侧边缘变化更敏感。

由此类推R_k上″的x_k上″服从均匀分布，y_k上″高斯分布N(0,1)；R_k下″的x_k下″服从均匀分布，y_k下″高斯分布N(H,1)；R_k右″的x_k右″服从高斯分布N(W,1)，y_k右″均匀分布；

由此以图像特征向量V的第t维特征v′_t和v″_t：

式中，S_k′和S_k″为矩形块R_k′和R_k″中各像素灰度值的总和。

步骤三、根据步骤一和步骤二得到的f_i帧图像各分块类Haar特征表示，对比与当前帧f_i间隔K帧的f_i-K中相同位置各分块类Haar特征距离，判断当前各分块移动方向。对于间隔K帧的两幅图像f_i-K和f_i，提取两帧中相同位置的图像分块对(B_{a_i-K},B_{a_i})，计算两个图像块类Haar特征向量(V_{a_i-K},V_{a_i})的特征距离，其中B的下标表示在两幅图像f_i-K和f_i中的第a个图像块，V下标表示在两幅图像f_i-K和f_i中的第a个图像块的特征向量：

如果dist(V_{a_i-K},V_{a_i})小于最小容错误差ε，则认为f_i-K中B_{a_i-K}分块未发生移动，反之，则发生移动，需判断分块的移动方向。设置当前分块B_{a_i-K}的邻域为

其中B_bj下标bj表示B_{a_i-K}邻域内的第j个分块。

步骤四、设置移动方向向量MDV，移动方向向量维度为m维，即总长度为分块数m，其中MDV第a个分量的值，即第a个分块的移动方向由下式判断，其中当邻域内搜索得到的特征距离均大于最大容错误差ε，则表示当前邻域中，已无法找到移动方向，故规定该分块未发生移动。

其中

滤除多数分块的移动方向，标记剩余移动方向的分块，将其作为潜在目标区域。将m×1维MDV向量中的各方向进行次数统计，直接滤除出现次数最多的方向，认定该方向为背景移动方向，所对应的分块不参与之后的步骤。

步骤五、取各分块中心区域像素作为聚类中心，设定聚类中心的可变邻域。滤除背景运动分块后，假设存在Z个W×H分块B_z，z＝1,2,...,Z，其方向与背景移动方向不同。分别取各分块中心的三通道颜色均值[R_mean,G_mean,B_mean]^T由下式计算。搜索邻域可限制在3W×3H。

X＝R,G,B三个颜色通道，|B_{z_center}|表示属于B_{z_center}中心像素的个数，(x_i,y_j)为像素点坐标。

搜索邻域内某点(x_i,y_j)与分块中心的距离由颜色特征距离与欧式距离构成。

其中系数的取值为：α＝1/4，β＝1/(25×W×H)。其中各距离由下式计算，其中的R，G，B为三个颜色通道，mean为均值，center为中心：

运用随机抽样一致算法，提取出邻域距离矩阵distmap的平面主成分，同时计算平面所在高度。其中distmap的主体为平面，与中心距离相近，且在颜色特征距离上与中心相近的像素点数值低于平面。将低于平面所在高度的像素点一并聚类至分块中心。设各分块中心所聚像素集合分别为Cluster_z,z＝1,2,...,Z。

步骤六、对该邻域内像素按颜色特征进行聚类，精确检测出运动目标。计算当前帧f_i所得Cluster_z区域与间隔K帧的f_i-K相同区域进行颜色特征对比。将Cluster_z所在的位置一对一投影至f_i-K帧，令投影聚类区域为Cluster_z ^projection。按上述步骤中颜色均值计算方法获得原聚类区域与投影聚类区域的三通道颜色均值，则两区域颜色差异为

当该差异超过人为设置的颜色阈值ColThreshold，则确定当前帧f_i中Cluster_z为实际运动目标。

本发明的有益效果是：该方法在运用图像分块化处理的基础上，获得各分块的类Haar特征向量和前后帧各分块的移动方向，提取潜在运动分块。以潜在运动分块中心像素作为聚类中心，计算可变邻域内各像素与聚类中心的特征距离，结合RANSAC算法自适应确定距离阈值，将特征距离低于阈值的像素进行聚类，从而得到完整运动目标，最终实现序列图像中弱小运动目标的精确检测。本发明通过对视频帧图像建立分块类Haar特征表示，判断前后帧分块移动方向，滤除背景移动方向。对剩余分块运用可变邻域特征聚类，获得所属分块的完整目标形态表征，最后运用前后帧颜色特征比较，抑制了背景噪声，准确捕获运动目标，目标轮廓清晰，提高了弱小运动目标检测精度。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于分块表征和可变邻域聚类的弱小运动目标检测方法的流程图。

图2是本发明方法检测结果对比图。

图3是本发明方法中分块各参数示意图。

图4是本发明方法中给定参数(其中，W、H均为4，step_x、step_y均为2)后的邻域示意图。

图5是本发明方法中可变邻域特征距离distmap示意图。

具体实施方式

参照图1-5。本发明基于分块表征和可变邻域聚类的弱小运动目标检测方法具体步骤如下：

步骤1：对每帧图像进行分块处理；步骤2：设计降维类Haar特征，运用类Haar特征构建每帧图像各分块的特征表征；步骤3：根据f_i帧图像各分块类Haar特征表征，对比与当前帧f_i间隔K帧的f_i-K中相同位置各分块类Haar特征距离；步骤4：计算当前帧f_i各分块移动方向，剔除多数移动方向，将剩余分块作为潜在目标区域；步骤5：取各分块中心区域像素作为聚类中心，设定聚类中心的可变邻域，对该邻域内像素按颜色特征计算各像素距离聚类中心的距离，运用RANSAC算法实现像素的聚类，提取出潜在目标区域；步骤6：将潜在目标区域进行前后帧相同位置颜色特征对比，确定弱小运动目标的完整形态，实现对可见光图像中弱小运动目标的精确检测。

步骤一、对每帧图像进行分块处理。

将序列图像F的各帧由f_i(i＝1,2,…,n)表示。以其中第i帧f_i为例，以步长step_x、step_y(x,y方向上间隔的像素点)连续划分若干图像块，以图片左上角为原点，x方向为水平方向，y方向为竖直方向，第一个分块B₁左上角坐标为(1,1)，依步长将整幅图像f_i划分为m个大小为W×H的图像块B_j(j＝1,2,...,m)。为保证分块的一致性，分块大小W与H相等，分块步长step_x与step_y相等，从而方便后续步骤中各分块移动方向的运算。

步骤二、分块类Haar特征表示。

第i帧f_i完成分块后，将每个分块由降维Haar特征向量表示。利用T维降维类Haar特征向量V描述图像块B_j，其中T值根据分块像素大小进行确定，本实施例设定为10。

在预先设定的常整数L与R之间取N个随机整数P_r(k＝1,...,N)，其中L、R取值范围为10以内的整数。特征向量V的第t维特征值v_t可由P_r个矩形块的灰度值加权总和计算得到。

在图像块B_j中，随机取个矩形块R_k(x_k,y_k,w_k,h_k,we_k),(k＝1,2,...,P_r)构成描述v_t的特征模板，其中x_k，y_k分别表示B_j中R_k左上角的横纵坐标，w_k为R_k的宽度，h_k为R_k的高度。

x_k,y_k,w_k,h_k满足：

we_k为R_k在V_i中所占权重，定义式为：

c_k取值为{1，-1}中的随机值。

根据R_k位置服从分布不同可分为两类：

R_k＝[R'_k,R″_k]

上式中，R'_k为非边缘图像分块，为保证图像全局特征的提取的敏感性，采用均匀分布对R'_k的位置参数进行设定，增强R'_k生成位置的随机性；

R_k″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，为保证对进入图像边缘动目标检测的灵敏性，采用高斯分布对R_k″的位置参数进行设定，使R_k″生成位置集中在图像的边缘，将图像边缘信息作为各图像块的主要特征。具体设定方法举例如下：

对位于图像左边缘的图像块B_j，其中Haar特征矩形块R_k左″，设定其位置参数中x_k左″服从高斯分布N(0,1)，y_k左″服从均匀分布，矩形块集中于图像块左侧边缘，由此提取出的降维Haar特征着重描述图像块左侧边缘的信息，对左侧边缘变化更敏感。

由此类推R_k上″的x_k上″服从均匀分布，y_k上″高斯分布N(0,1)；R_k下″的x_k下″服从均匀分布，y_k下″高斯分布N(H,1)；R_k右″的x_k右″服从高斯分布N(W,1)，y_k右″均匀分布；

由此可以图像特征向量V的第t维特征v_t′和v_t″：

式中，S_k′和S_k″为矩形块R_k′和R_k″中各像素灰度值的总和。

步骤三、分块运动方向确定。

根据步骤一和步骤二得到的f_i帧图像各分块类Haar特征表示，对比与当前帧f_i间隔K帧的f_i-K中相同位置各分块类Haar特征距离，判断当前各分块移动方向。对于间隔K帧的两幅图像f_i-K和f_i，提取两帧中相同位置的图像分块对(B_{a_i-K},B_{a_i})，计算两个图像块类Haar特征向量(V_{a_i-K},V_{a_i})的特征距离，其中B的下标表示在两幅图像f_i-K和f_i中的第a个图像块，V下标表示在两幅图像f_i-K和f_i中的第a个图像块的特征向量：

如果dist(V_{a_i-K},V_{a_i})小于最小容错误差ε，则认为f_i-K中B_{a_i-K}分块未发生移动，反之，则发生移动，需判断分块的移动方向。设置当前分块B_{a_i-K}的邻域为

其中B_bj下标bj表示B_{a_i-K}邻域内的第j个分块。

步骤四、背景分块剔除。

计算当前各分块移动方向，并将多数分块的相同移动方向滤除，只保留剩余移动方向的分块。设置移动方向向量Moving Direction Vector(MDV)，其中MDV第a个分量的值，即第a个分块的移动方向，可由下式判断，其中当邻域内搜索得到的特征距离均大于最大容错误差ε，则表示当前邻域中，已无法找到移动方向，故规定该分块未发生移动。

其中

在完成MDV向量各元素的填充后，需要对向量中出现的各方向进行次数统计，滤除最多出现次数的方向，认定该方向为背景移动方向。移动分块的方向与背景移动方向相同的分块不参与后续步骤。

步骤五、可变邻域特征聚类。

在完成背景移动分块的滤除后，需进行移动分块可变邻域特征聚类。假设存在Z个W×H分块B_z(z＝1,2,...,Z)，其方向与背景移动方向不同。分别取各分块中心的三通道颜色均值[R_mean,G_mean,B_mean]^T由下式计算。如W、H均为4，则分块中心像素大小为2×2。搜索邻域可根据目标的大小进行限制，一般需保持邻域以分块为中心，搜索邻域可限制在3W×3H，即12×12像素范围内。

(X＝R,G,B三个颜色通道),|B_{z_center}|表示属于B_{z_center}中心像素的个数，(x_i,y_j)为像素点坐标。

搜索邻域内某点(x_i,y_j)与分块中心的距离由颜色特征距离与欧式距离构成。

其中颜色特征距离与欧式距离由下式计算，系数α取值由运动目标与背景的颜色差异程度决定，此处取α＝1/4，系数β取值由目标大小决定，此处取β＝1/(25×W×H)，其中的R，G，B为三个颜色通道，mean为均值,center为中心：

完成可变邻域内各点与聚类中心的距离计算后，将邻域内各点距离由二维矩阵distmap进行展示，其中distmap的主体为平面，待聚类像素点数值低于平面。运用随机抽样一致算法(Random Sample Consensus,RANSAC)，可以获得位于平面附近的像素，同时计算平面所在高度。其中distmap的主体为平面，与中心距离相近，且在颜色特征距离上与中心相近的像素点数值低于平面。将低于平面所在高度的像素点一并聚类至分块中心。设各分块中心所聚像素集合分别为Cluster_z,(z＝1,2,...,Z)。

步骤六、弱小运动目标确认。

各Cluster_z,(z＝1,2,...,Z)实质为潜在目标区域，为降低环境扰动的影响，需进行聚类区域前后帧对比。计算当前帧f_i所得Cluster_i,(i＝1,2,...,k)与间隔K帧的f_i-K帧相同区域进行颜色特征对比，计算当前帧f_i所得Cluster_z,(z＝1,2,...,Z)区域与间隔K帧的f_i-K相同区域进行颜色特征对比。将Cluster_z,(z＝1,2,...,Z)所在的位置一对一投影至f_i-K帧，令投影聚类区域为Cluster_z ^projection。按上述步骤中颜色均值计算方法获得原聚类区域与投影聚类区域的三通道颜色均值，则两区域颜色差异为

当该差异超过人为设置的颜色阈值ColThreshold，则确定当前帧f_i中Cluster_z,(z＝1,2,...,Z)为实际运动目标。最终实现了对弱小运动目标的高效检测，极大程度降低了漏检率，抑制了背景噪声。

从最终的算法检测结果图中看出，本发明提出的针对弱小运动目标检测的方法在含有两个目标的场景中，克服了目标所含像素小、背景噪声明显的问题，最终检测得到的目标完整性好，轮廓清晰，降低了漏检率，提高了检测精度，实现了对弱小运动目标的精确检测。

Claims (1)

1.一种基于分块表征和可变邻域聚类的弱小运动目标检测方法，其特征在于包括以下步骤：

步骤一、对图像序列进行分块化处理；设序列图像F，帧长度为n，其中第i帧以f_i表示，其中i＝1,2,…,n；设置分块块间步长为step_x和step_y，即x,y方向上各分块间隔的像素点；以图片左上角为原点，x方向为水平方向，y方向为竖直方向，第一个分块B₁左上角坐标为(1,1)，依步长将整幅图像第i帧f_i划分为m个大小为W×H的图像块B_j，j＝1,2,...,m；其中，分块大小W与H相等，分块步长step_x与step_y相等；

步骤二、对每个分块提取降维类Haar特征；对第i帧f_i中每个分块提取降维类Haar特征；利用T维降维类Haar特征向量V描述图像块B_j，其中T取值为10；

在预先设定的常整数L与R之间取N个随机整数P_r，k＝1,...,N，其中L、R取值范围为10以内的整数；特征向量V的第t维特征值v_t由P_r个矩形块的灰度值加权总和计算得到；

在图像块B_j中，随机取个矩形块R_k(x_k,y_k,w_k,h_k,we_k),k＝1,2,...,P_r构成描述v_t的特征模板，其中x_k，y_k分别表示B_j中R_k左上角的横纵坐标，w_k为R_k的宽度，h_k为R_k的高度；

x_k,y_k,w_k,h_k满足：

we_k为R_k在V_i中所占权重，定义式为：

c_k取值为{1，-1}中的随机值；

根据R_k位置服从分布不同分为两类：

R_k＝[R′_k,R″_k]

式中，R′_k为非边缘图像分块，为保证图像全局特征的提取的敏感性，采用均匀分布对R′_k的位置参数进行设定，增强R′_k生成位置的随机性；

R_k″为图像中位置处于上、下、左、右四个边缘位置图像块对应的Haar特征矩形块，为保证对进入图像边缘动目标检测的灵敏性，采用高斯分布对R_k″的位置参数进行设定，使R_k″生成位置集中在图像的边缘，将图像边缘信息作为各图像块的主要特征；对位于图像左边缘的图像块B_j，其中Haar特征矩形块R_k左″，设定其位置参数中x_k左″服从高斯分布N(0,1)，y_k左″服从均匀分布，矩形块集中于图像块左侧边缘，由此提取出的降维Haar特征着重描述图像块左侧边缘的信息，对左侧边缘变化更敏感；

由此类推R_k上″的x_k上″服从均匀分布，y_k上″高斯分布N(0,1)；R_k下″的x_k下″服从均匀分布，y_k下″高斯分布N(H,1)；R_k右″的x_k右″服从高斯分布N(W,1)，y_k右″均匀分布；

由此以图像特征向量V的第t维特征v′_t和v″_t：

式中，S_k′和S_k″为矩形块R_k′和R_k″中各像素灰度值的总和；

步骤三、根据步骤一和步骤二得到的f_i帧图像各分块类Haar特征表示，对比与当前帧f_i间隔K帧的f_i-K中相同位置各分块类Haar特征距离，判断当前各分块移动方向；对于间隔K帧的两幅图像f_i-K和f_i，提取两帧中相同位置的图像分块对(B_{a_i-K},B_{a_i})，计算两个图像块类Haar特征向量(V_{a_i-K},V_{a_i})的特征距离，其中B的下标表示在两幅图像f_i-K和f_i中的第a个图像块，V下标表示在两幅图像f_i-K和f_i中的第a个图像块的特征向量：

如果dist(V_{a_i-K},V_{a_i})小于最小容错误差ε，则认为f_i-K中B_{a_i-K}分块未发生移动，反之，则发生移动，需判断分块的移动方向；设置当前分块B_{a_i-K}的邻域为

其中B_bj下标bj表示B_{a_i-K}邻域内的第j个分块；

步骤四、设置移动方向向量MDV，移动方向向量维度为m维，即总长度为分块数m，其中MDV第a个分量的值，即第a个分块的移动方向由下式判断，其中当邻域内搜索得到的特征距离均大于最大容错误差ε，则表示当前邻域中，已无法找到移动方向，故规定该分块未发生移动；

其中

滤除多数分块的移动方向，标记剩余移动方向的分块，将其作为潜在目标区域；将m×1维MDV向量中的各方向进行次数统计，直接滤除出现次数最多的方向，认定该方向为背景移动方向，所对应的分块不参与之后的步骤；

步骤五、取各分块中心区域像素作为聚类中心，设定聚类中心的可变邻域；滤除背景运动分块后，假设存在Z个W×H分块B_z，z＝1,2,...,Z，其方向与背景移动方向不同；分别取各分块中心的三通道颜色均值[R_mean,G_mean,B_mean]^T由下式计算；搜索邻域可限制在3W×3H；

X＝R,G,B三个颜色通道，|B_{z_center}|表示属于B_{z_center}中心像素的个数，(x_i,y_j)为像素点坐标；

搜索邻域内某点(x_i,y_j)与分块中心的距离由颜色特征距离与欧式距离构成；

其中系数的取值为：α＝1/4，β＝1/(25×W×H)；其中各距离由下式计算，其中的R，G，B为三个颜色通道，mean为均值，center为中心：

运用随机抽样一致算法，提取出邻域距离矩阵distmap的平面主成分，同时计算平面所在高度；其中distmap的主体为平面，与中心距离相近，且在颜色特征距离上与中心相近的像素点数值低于平面；将低于平面所在高度的像素点一并聚类至分块中心；设各分块中心所聚像素集合分别为Cluster_z,z＝1,2,...,Z；

步骤六、对该邻域内像素按颜色特征进行聚类，精确检测出运动目标；计算当前帧f_i所得Cluster_z区域与间隔K帧的f_i-K相同区域进行颜色特征对比；将Cluster_z所在的位置一对一投影至f_i-K帧，令投影聚类区域为

按上述步骤中颜色均值计算方法获得原聚类区域与投影聚类区域的三通道颜色均值，则两区域颜色差异为

当该差异超过人为设置的颜色阈值ColThreshold，则确定当前帧f_i中Cluster_z为实际运动目标。

Images