CN110930435B - 多背景集成的红外序列运动物体检测方法 - Google Patents

Abstract

本发明提供一种多背景集成的红外序列运动物体检测方法，首先基于多种背景建模方法建立有时间差的背景图像，然后将当前图像与多个背景图像进行前景检测，得到图像中的运动区域，并对多个不同结果的运动区域进行融合，得到最终的运动区域；根据各种背景建模的更新方法对已经建立的背景图像进行更新，最后根据运动区域检测的结果进行运动物体的边缘检测，得到运动物体的区域范围，并将检测结果进行显示。本发明与单一运动物体检测算法相比，能够在保证建模过程持续时间短的同时，保持很强的背景变化的适应能力，可以避免动态背景干扰，对于运动物体的检测结果更加细致准确。

Description

多背景集成的红外序列运动物体检测方法

技术领域

本发明属于红外成像技术领域，涉及一种多背景集成的红外序列运动物体检测方法，主要应用于红外图像的动态物体检测，通过建立固定场景的背景模型，从而检测出图像中的运动物体。

背景技术

目前常用的运动物体检测算法是基于背景减除的方法，该方法通过背景建模获得背景图像，再利用当前图像与背景图像差分得到前景运动区域，该方法表现的稳定性、精确性和适应性都与建立的背景图像有极大的相关性。背景减除法又有基于像素的背景减除和基于区域的背景减除两种方向，其中又有帧差法、混合高斯模型等多种具体算法，这些算法均为单一运动物体检测算法，尽管在获取较为理想的背景图像的情况下，都能够在一定程度上克服光照变化、动态背景等问题，但建模过程持续时间长，背景变化适应能力不够强，因此对于运动物体的检测结果还有待提高。

发明内容

本发明的目的是提出一种多背景集成的红外序列运动物体检测算法，针对红外图像的特点，通过对多种背景建模方法的有机集合，对背景的适应能力更强，能够更容易得到更准确的背景图像、得到的运动物体结果更加准确。

本发明的技术方案如下：

一种多背景集成的红外序列运动物体检测方法，其特征在于，包括以下步骤：

(1)背景图像建立：基于多种背景建模方法的特征进行有时间差的背景图像建立；

(2)运动区域检测：将当前图像与多个背景图像进行前景检测，得到图像中的运动区域；对多个不同结果的运动区域进行融合，得到最终的运动区域；

(3)背景图像更新：根据各种背景建模的更新方法对已经建立的背景图像进行更新；

(4)运动物体显示：根据运动区域检测的结果进行运动物体的边缘检测，得到运动物体的区域范围，并将检测结果进行显示。

上述方法具体实施时，在步骤(1)中采取PBAS算法和GMM算法两种背景建模方法，分别如下：

(11)PBAS算法背景建模：从第一帧图像输入开始，即进行PBAS算法的背景建模过程，得到背景图像BG_PBAS；

(12)GMM算法背景建模：在PBAS算法运行一段时间后，开始进行GMM算法的背景建模过程，得到背景图像BG_GMM。

相应地，在步骤(2)中，分别采用PBAS算法进行前景检测，得到图像中的运动区域Mask_PBAS；采用GMM算法进行前景检测，得到图像中的运动区域Mask_GMM；然后融合这两种算法的结果，得到最终的运动区域，具体流程如下：

(21)对Mask_PBAS和Mask_GMM进行形态学处理，去除孤立噪声的干扰；

(22)对前景区域取交集Mask_And＝Mask_PBAS∩Mask_GMM，得到确信度较高的前景区域；

(23)对前景图像取并集Mask_Or＝Mask_PBAS∪Mask_GMM，得到所有可能的运动区域；

(24)从Mask_And中每个像素值为1的点出发，在Mask_Or中根据连通域的连通性进行查找，所有能到达的位置设置为1，从而得到Mask_Moved，实现前景运动区域的提取。

相应地，在步骤(3)中，分别根据PBAS算法和GMM算法的更新方法对已经建立的背景图像进行更新。

本发明通过多背景集成的红外序列运动物体检测算法建立的背景图像，适应红外图像宽动态范围、低对比度、高噪声等特点，具有进入检测状态快速、持续更新、长时间记忆的特点，能够很好的适应背景的光照变化、动态背景等问题，而且得到的运动物体区域检测结果准确。该方法与单一运动物体检测算法相比，能够在保证建模过程持续时间短的同时，保持很强的背景变化的适应能力，可以避免动态背景干扰，且对于运动物体的检测结果更加细致准确。

附图说明

图1是本发明的算法总流程图；

图2是各个步骤的主要操作流程图；

图3是运动区域融合流程图。

具体实施方式

图1所示是本发明的算法总流程图，包括背景图像建立、背景图像更新、运动区域检测、运动物体显示四个步骤。各个步骤的主要操作及相应状态如图2所示，具体过程如下：

第一步：背景图像建立：

本发明基于各种背景建模方法的特征进行有时间差的背景图像建立。本实施例中，通过比较现有各种背景建模方法的优缺点，采取Pixel-Based Adaptive Segmenter(PBAS)算法和混合高斯模型(GMM)两种背景建模方法。

1、PBAS算法背景建模：从第一帧图像输入开始，即进行PBAS算法的背景建模过程，得到背景图像BG_PBAS。

基于PBAS背景建模快速、把大部分的高级操作放在背景更新的特征，在第一时间内引入的复杂的运动检测方法设置为PBAS算法，该算法收集前T1帧像素以及梯度幅值作为背景模型，具体过程如下：

(1)将第一帧图像作为背景图像；

(2)对于前T1帧图像，累加所以已输入图像，使用其均值作为背景图像。

2、GMM算法背景建模：为了使得运动检测结果对前景内容的区分能力更强，在PBAS算法运行一段时间后，开始进行GMM算法的背景建模过程，得到背景图像BG_GMM，具体过程如下：

(1)首先将每个高斯的均值方差/>权值/>都设置为0，即初始化个模型矩阵参数；

(2)采用视频中的T2帧用来训练GMM模型；对每一个像素而言，建立其模型个数最大GMM_MAX_COMPONT个高斯的GMM模型，对第一个像素，单独为其在程序中设置好其固定的初始均值、方差，并且权值设置为1；

(3)对于第一帧之后的图像像素值与前面已有的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该高斯，此时用如下方程进行更新：

其中，α＝1/T₂,/>

当该像素点的值与其模型均值差不在3倍的方差内时，

(4)当到达训练的帧数T2后，进行不同像素点GMM个数自适应的选择。首先用权值除以方差对各个高斯进行从大到小排序，然后选取最前面M个高斯，使其满足其中c_f一般取0.3，这样就可以很好的消除训练过程中的噪声点。

第二步：运动区域检测。

1、将当前图像与多个背景图像进行前景检测得到图像中的运动区域。

(1)PBAS算法前景检测，得到Mask_PBAS。

计算样本集合中满足匹配条件的样本个数，若小于阈值#min，则表示为背景，不同像素的判断阈值R(x_i)不同；

B(x_i)＝{B₁(x_i),...,B_k(x_i),...,B_N(x_i)}

其中，B(x_i)是背景模型，表示像素点x_i的样本集合，F(x_i)是前景图像，表示像素点x_i的判断结果，即Mask_PBAS。

(2)GMM算法前景检测，得到Mask_GMM。

对新来像素点的值与M个高斯中的每一个均值进行比较，如果其差值在2倍的方差之间的话，则认为是背景，否则认为是前景，并且只要其中有一个高斯分量满足该条件就认为是前景。前景赋值为1，背景赋值为0。这样就形成了一副前景二值图Mask_GMM。

2、对多个不同结果的运动区域进行融合，得到运动区域。

基于PBAS算法和GMM算法在原理上的不同，两种背景建模的方法在背景的稳定性、适应性和更新速度上都有所不同，而通过参数的设置和更新策略的选择更加充分利用了这些区别，使得实际使用中的PBAS算法能够进行更加频繁快速的模型更新，使得不再运动的前景能够更快的融入到背景中，而GMM算法则是保持了模型的稳定性，得到的背景图像中背景内容纯净度更好，对此外的所有前景都能够有较好的检测效果。因此融合这两种算法得到的运动区域，能够在更好的抑制噪声、干扰等影响的同时保持了运动区域选取的完整性。该过程的操作流程如图3所示，具体流程如下：

(1)对Mask_PBAS和Mask_GMM进行形态学处理，去除孤立噪声的干扰；

(2)对前景区域取交集Mask_And＝Mask_PBAS∩Mask_GMM，得到确信度较高的前景区域；

(3)对前景图像取并集Mask_Or＝Mask_PBAS∪Mask_GMM，得到所有可能的运动区域；

(4)从Mask_And中每个像素值为1的点出发，在Mask_Or中根据8连通域的连通性进行查找，所有能到达的位置设置为1，从而得到Mask_Moved实现前景运动区域的提取。

第三步：背景图像更新：根据各种背景建模的更新方法对已经建立的背景图像进行更新。

1、PBAS算法背景更新：PBAS算法背景图像更新随机选择需要被替换的样本，随机选择像素邻域的样本集合更新。PBAS的更新率是自适应的，并且更新邻域样本集合是用邻域的新像素值进行更新，而不是用新像素值本身，具体流程如下：

(1)背景复杂度计算：

当新像素值I(x_i)与样本集合的最小距离小于阈值时，说明该像素可能为背景，此时最小距离可以描述背景的复杂度，距离越大，背景越复杂，因而，采用样本集合中样本更新时的最小距离的平均值作为背景复杂度的度量，公式如下：

D(x_i)＝{D₁(x_i),...,D_N(x_i)}

(2)自适应调整判断阈值：

背景越复杂，其判断阈值应该越大，保证背景像素不被误判为前景，背景越简单，微小的变化都是由前景引起，判断阈值应该越小，调整策略如下：

R_inc/dec是阈值的变化量，R_scale用于控制背景复杂度对判断阈值的调整。

(3)自适应调整更新率：

背景越复杂，其出现错误判断的概率越大，对应的背景更新应该越少，减少错误判断对背景模型的影响，其更新策略如下：

T_lower＜T＜T_upper

F(x_i)表示前景检测结果，T_inc和T_dec分别表示更新率增加、减小的幅度，T_lower和T_upper分别表示更新率上下限。

2、GMM算法背景更新：GMM算法与PBAS算法不同，使用该方法更多的是考虑模型的稳定性，因此对于GMM算法背景图像的更新需要采取长间隔、多样本的模式进行，并要尽可能保持之前成熟的高斯模型，具体流程如下：

(1)对于运行了一段时间后的高斯模型，开始进行模型更新，输入图像像素值，与现阶段使用的高斯的均值比较，如果该像素点的值与其模型均值差在3倍的方差内，则属于该高斯，此时用如下方程进行更新：

其中，α＝1/T₃,/>

当该像素点的值与其模型均值差不在3倍的方差内时，

(2)对于更新过程，可以采取跳帧的方式来避免短时运动物体对背景建模的干扰；

(3)当累计背景更新输入图像个数达到T₃后，再次使用对不同像素点进行GMM个数自适应的选择。

第四步：运动物体显示：

1、根据运动区域检测的结果进行精细化抠图，得到运动物体的区域范围：为了能够更精准的显示出运动物体，需要根据得到的运动区域Mask_Moved进行进一步的抠图处理，具体可以采用分水岭法或基于边缘的分割方法。

2、将检测结果进行显示：将得到的运动物体进行高亮显示或者为运动物体增加外接矩形进行显示。

Claims (1)

1.一种多背景集成的红外序列运动物体检测方法，其特征在于，包括以下步骤：

(1)背景图像建立：基于多种背景建模方法的特征进行有时间差的背景图像建立，采取PBAS算法和GMM算法两种背景建模方法，分别如下：

(11)PBAS算法背景建模：从第一帧图像输入开始，即进行PBAS算法的背景建模过程，得到背景图像BG_PBAS；

(12)GMM算法背景建模：在PBAS算法运行一段时间后，开始进行GMM算法的背景建模过程，得到背景图像BG_GMM；

(2)运动区域检测：将当前图像与多个背景图像进行前景检测，得到图像中的运动区域；对多个不同结果的运动区域进行融合，得到最终的运动区域；具体方法如下：

分别采用PBAS算法进行前景检测，得到图像中的运动区域Mask_PBAS；采用GMM算法进行前景检测，得到图像中的运动区域Mask_GMM；然后融合这两种算法的结果，得到最终的运动区域，具体流程如下：

(21)对Mask_PBAS和Mask_GMM进行形态学处理，去除孤立噪声的干扰；

(22)对前景区域取交集Mask_And＝Mask_PBAS∩Mask_GMM，得到确信度较高的前景区域；

(23)对前景图像取并集Mask_Or＝Mask_PBAS∪Mask_GMM，得到所有可能的运动区域；

(24)从Mask_And中每个像素值为1的点出发，在Mask_Or中根据连通域的连通性进行查找，所有能到达的位置设置为1，从而得到Mask_Moved，实现前景运动区域的提取；

(3)背景图像更新：根据各种背景建模的更新方法对已经建立的背景图像进行更新，具体方法是：分别根据PBAS算法和GMM算法的更新方法对已经建立的背景图像进行更新；

(4)运动物体显示：根据运动区域检测的结果进行运动物体的边缘检测，得到运动物体的区域范围，并将检测结果进行显示。