CN112101135A - 一种运动目标检测方法、装置及终端设备 - Google Patents

一种运动目标检测方法、装置及终端设备 Download PDF

Info

Publication number
CN112101135A
CN112101135A CN202010866645.9A CN202010866645A CN112101135A CN 112101135 A CN112101135 A CN 112101135A CN 202010866645 A CN202010866645 A CN 202010866645A CN 112101135 A CN112101135 A CN 112101135A
Authority
CN
China
Prior art keywords
pixel point
buffer
gray value
code element
updating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010866645.9A
Other languages
English (en)
Inventor
张文俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pulian International Co ltd
Original Assignee
Pulian International Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Pulian International Co ltd filed Critical Pulian International Co ltd
Priority to CN202010866645.9A priority Critical patent/CN112101135A/zh
Publication of CN112101135A publication Critical patent/CN112101135A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种运动目标检测方法，根据主码本对待检测图像上的每个像素点进行匹配判断；当任一像素点与主码元匹配时，标记该像素点为背景像素点，根据第一更新规则更新匹配的主码元；否则，根据第二更新规则更新不匹配的主码元；当任一像素点与所有主码元不匹配时，标记该像素点为前景像素点，根据缓冲码本对该像素点进行匹配判断，根据判断结果更新缓冲码元；根据所有前景像素点获得前景掩码，对前景掩码进行形态学、二值化处理，获取处理后的前景掩码的连通域；当连通域小于2个时，根据连通域获得运动目标区域；否则，对连通域进行聚类合并，根据处理后的连通域获得运动目标区域。本发明对噪声有很好的鲁棒性，提高了检测精确度。

Description

一种运动目标检测方法、装置及终端设备
技术领域
本发明涉及监控及图像处理术领域，尤其涉及一种运动目标检测方法、装置及终端设备。
背景技术
近年来，随着社会的发展，视频监控系统的应用越来越普遍。视频监控的应用往往建立在对画面中运动目标的检测提取之上，在提取出运动目标之后，再进行一些智能算法处理，以获得监控所希望得到的信息。
目前，主流的运动目标检测方法主要包括光流法和背景差分法；其中，光流法的一般步骤是通过图像序列中的像素速度的变化，来确定不同时间内的灰度变化和相邻像素的相关性，从而检测出运动目标；背景差分法是先构造一个背景模型来替代真实的背景场景，通过将图像序列与背景模型进行比较，识别出运动目标与背景之间的差别来实现运动目标的检测，典型的背景模型有混合高斯模型等。
但是，光流法易受噪声影响，抗噪声性能差，背景差分法容易受到背景场景的动态变化(例如树叶摆动、湖面水波纹、天气变化)、光照变化以及杂乱背景的干扰，并且对于缓慢移动的目标，其像素很容易过快融入背景模型中，导致运动目标检测的精确度较低，很可能将动态背景误识别为运动目标。
发明内容
本发明实施例所要解决的技术问题在于，提供一种运动目标检测方法、装置及终端设备，对噪声有很好的鲁棒性，能够提高运动目标检测的精确度。
为了解决上述技术问题，本发明实施例提供了一种运动目标检测方法，包括：
获取待检测图像；
根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
进一步地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断，具体包括：
将每个像素点的灰度值与所述主码本中的每个主码元的最小灰度值、最大灰度值进行比较；
当任一像素点的灰度值在任一主码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该主码元相匹配；否则，判定该像素点与该主码元不匹配。
进一步地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第一更新规则对相匹配的主码元进行更新，具体包括：
根据预设的更新公式对相匹配的主码元的最小灰度值、最大灰度值进行相应更新，并对相匹配的主码元的匹配成功次数进行加1更新。
进一步地，所述更新公式具体为：
Figure BDA0002648768210000031
其中，min’表示更新后的最小灰度值，min表示更新前的最小灰度值，max’表示更新后的最大灰度值，max表示更新前的最大灰度值，pix表示对应的相匹配的像素点的灰度值，a≥0，0≤b≤1。
进一步地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第二更新规则对不匹配的主码元进行更新，具体包括：
对不匹配的主码元的匹配失败次数进行加1更新。
进一步地，所述方法还包括：
当任一主码元的匹配失败次数大于预设的第一次数阈值时，将该主码元从所述主码本中删除。
进一步地，每个缓冲码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新，具体包括：
将该像素点的灰度值与所述缓冲码本中的每个缓冲码元的最小灰度值、最大灰度值进行比较；
当该像素点的灰度值在任一缓冲码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该缓冲码元相匹配；否则，判定该像素点与该缓冲码元不匹配；
当该像素点与所述缓冲码本中的任一缓冲码元相匹配时，根据所述第一更新规则对相匹配的缓冲码元进行更新；否则，根据所述第二更新规则对不匹配的缓冲码元进行更新；
当该像素点与所述缓冲码本的所有缓冲码元均不匹配时，在所述缓冲码本中新增一个缓冲码元；其中，新增的缓冲码元对应的最小灰度值为该像素点的灰度值与预设的初始门限值的差，最大灰度值为该像素点的灰度值与预设的初始门限值的和，匹配成功次数为1，匹配失败次数为0。
进一步地，所述方法还包括：
当任一缓冲码元的匹配成功次数大于预设的第二次数阈值时，将该缓冲码元添加到所述主码本中，并将该缓冲码元从所述缓冲码本中删除；
当任一缓冲码元的匹配失败次数大于预设的第三次数阈值时，将该缓冲码元从所述缓冲码本中删除。
进一步地，所述对连通域进行聚类合并处理，具体包括：
为每一个连通域设置相同的初始类别标签；
根据预设的顺序遍历所有的连通域，依次判断第i个连通域的类别标签是否为所述初始类别标签；其中，i＝1，2，…，N-1，N≥2，N为连通域的总个数；
若是，则将第i个连通域的类别标签更新为第i类别标签，判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为所述第i类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
若否，则判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为第i个连通域的类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
对类别标签相同的连通域进行合并处理。
进一步地，所述判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域，具体包括：
根据预设的第一判别条件、第二判别条件和第三判别条件对第i个连通域和第i+1～N个连通域中的每个连通域进行类别判断；
当第i个连通域和第i+1～N个连通域中的任一连通域满足任一判别条件时，判定第i个连通域与该连通域属于同一类别；否则，判定第i个连通域与该连通域不属于同一类别；
其中，所述第一判别条件具体为：两个连通域的坐标数据在X轴上有交集，且在Y轴上的距离小于预设的第一距离阈值；
所述第二判别条件具体为：两个连通域的坐标数据在Y轴上有交集，且在X轴上的距离小于预设的第二距离阈值；
所述第三判别条件具体为：两个连通域的坐标数据在X轴上没有交集，在Y轴上没有交集，且边角距离小于预设的第三距离阈值。
为了解决上述技术问题，本发明实施例还提供了一种运动目标检测装置，包括：
图像获取模块，用于获取待检测图像；
像素点匹配判断模块，用于根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
第一匹配判断处理模块，用于当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
第二匹配判断处理模块，用于当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
前景掩码处理模块，用于根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
连通域获取模块，用于获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
运动目标区域获取模块，用于当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的运动目标检测方法。
与现有技术相比，本发明实施例提供了一种运动目标检测方法、装置及终端设备，主码本的容量对树叶晃动等往返性的运动有较好的抗性，缓冲码本使得噪声不会轻易加入主要的背景模型中，通过主码本和缓冲码本的使用对噪声有很好的鲁棒性，通过对连通域进行聚类合并处理，使得提取的运动目标更为准确，对于缓慢的移动或者颜色与背景较为接近的情况也能提取准确的运动目标，从而能够提高运动目标检测的精确度。
附图说明
图1是本发明提供的一种运动目标检测方法的一个优选实施例的流程图；
图2是本发明提供的一种运动目标检测装置的一个优选实施例的结构框图；
图3是本发明提供的一种终端设备的一个优选实施例的结构框图。
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，本技术领域普通技术人员在没有作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。
本发明实施例提供了一种运动目标检测方法，参见图1所示，是本发明提供的一种运动目标检测方法的一个优选实施例的流程图，所述方法包括步骤S11至步骤S17：
步骤S11、获取待检测图像；
步骤S12、根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
步骤S13、当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
步骤S14、当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
步骤S15、根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
步骤S16、获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
步骤S17、当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
具体的，待检测图像可以通过电子设备进行实时获取，例如，通过网络摄像头、手机、平板电脑等具备录制视频功能的电子设备的摄像头所录制的视频数据流实时获取待检测图像，本发明实施例对获取方式不作具体限定。
在获得待检测图像之后，根据预先设置的主码本分别对该待检测图像上的每个像素点进行匹配判断；其中，每个像素点的匹配判断方法相同，对于该待检测图像上的任意一个像素点，遍历对应的主码本中所包含的所有的主码元，当判定该像素点与主码本中的某一个主码元相匹配时，标记该像素点为背景像素点，并根据预先设置的第一更新规则对相匹配的主码元进行相应更新，当判定该像素点与主码本中的某一个主码元不匹配时，根据预先设置的第二更新规则对不匹配的主码元进行相应更新，其中，相匹配的主码元的数量可能不止一个，每一个判定为相匹配的主码元均根据上述第一更新规则进行相应更新，同理，不匹配的主码元的数量也可能不止一个，每一个判定为不匹配的主码元均根据上述第二更新规则进行相应更新；当遍历完主码本中的所有的主码元后，判定该像素点与主码本中的所有的主码元均不匹配时，标记该像素点为前景像素点，并根据预先设置的缓冲码本对该像素点进行匹配判断，且根据匹配判断结果对缓冲码本中的所有的缓冲码元进行相应更新。
在对该待检测图像上的所有的像素点进行匹配判断，并相应标记为背景像素点或前景像素点之后，根据标记的所有的前景像素点相应获得该待检测图像的前景掩码，对获得的前景掩码进行形态学处理和二值化处理，相应获得处理后的前景掩码；其中，在进行形态学处理时可以加重形态学处理中的腐蚀次数的比重，例如，一般的形态学处理的开操作是先进行腐蚀处理，再进行膨胀处理，假设使用的是3*3的菱形核进行膨胀和腐蚀，可以进行3次腐蚀之后再进行2次膨胀，这样可以使得前景掩码中的噪声得到更好的过滤，虽然也可能导致原来连通的区域被分割成了两部分，但是由于后续会对获得的连通域进行聚类合并处理，因此可以缓解这种问题。
对获得的处理后的前景掩码进行连通域计算，相应获得至少一个连通域，并统计获得的连通域的个数；当获得的连通域的个数小于2个时，无需对获得的所有连通域进行聚类合并处理，直接根据获得的连通域相应获得该待检测图像上的运动目标区域；当获得的连通域的个数不小于2个时，对获得的所有连通域进行聚类合并处理，并根据处理后的连通域相应获得该待检测图像上的运动目标区域。
需要说明的是，本发明实施例预先为待处理图像上的每一个像素点建立了两个码本，其中一个为主码本，另一个为缓冲码本，每一个像素点对应的主码本和缓冲码本是一直保持的，并且主码本和缓冲码本的结构是相同的，主码本中包括若干个主码元，每个主码元均由最小灰度值min、最大灰度值max、匹配成功次数frequency和匹配失败次数lost这四个元素组成，缓冲码本中包括若干个缓冲码元，每个缓冲码元均由最小灰度值min、最大灰度值max、匹配成功次数frequency和匹配失败次数lost这四个元素组成。
其中，在第一帧图像初始化时，第一帧图像上的每一个像素点对应的主码本为空集，缓冲码本中包含一个缓冲码元，该缓冲码元所对应的最小灰度值min＝pix–threshold_default，最大灰度值max＝pix+threshold_default，匹配成功次数frequency＝1，匹配失败次数lost＝0，其中，pix表示对应的像素点的灰度值，threshold_default表示用户自定义的初始门限值，在为第一帧图像上的每一个像素点建立了主码本和缓冲码本后，检测第二帧图像时，会对第一帧图像建立的主码本和缓冲码本进行相应的匹配和更新，之后再检测下一帧图像时，根据上一次更新后的主码本和缓冲码本再次进行匹配和更新，以此类推。
需要说明的是，不同的像素点对应的初始门限值threshold_default默认是相同的，但是，可以根据实际需求进行调整，例如，若对图像画面的下半部分比较敏感，则图像下半部分的像素点对应的初始门限值threshold_default可以设置成较小的数，也可以根据每天的时间段对初始门限值threshold_default进行相应调整。
本发明实施例所提供的一种运动目标检测方法，主码本的容量对树叶晃动等往返性的运动有较好的抗性，缓冲码本使得噪声不会轻易加入主要的背景模型中，通过主码本和缓冲码本的使用对噪声有很好的鲁棒性，通过对连通域进行聚类合并处理，使得提取的运动目标更为准确，对于缓慢的移动或者颜色与背景较为接近的情况也能提取准确的运动目标，从而能够提高运动目标检测的精确度；另外，本发明实施例额外引入的计算量很少，适合嵌入式设备。
在另一个优选实施例中，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断，具体包括：
将每个像素点的灰度值与所述主码本中的每个主码元的最小灰度值、最大灰度值进行比较；
当任一像素点的灰度值在任一主码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该主码元相匹配；否则，判定该像素点与该主码元不匹配。
具体的，结合上述实施例，在根据预先设置的主码本对该待检测图像上的每个像素点进行匹配判断时，将每个像素点的灰度值与对应的主码本中的每一个主码元的最小灰度值、最大灰度值进行比较；对于任意一个像素点，当该像素点的灰度值在某一个主码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该主码元相匹配；当该像素点的灰度值在某一个主码元的最小灰度值、最大灰度值的取值范围之外时，判定该像素点与该主码元不匹配。
在又一个优选实施例中，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第一更新规则对相匹配的主码元进行更新，具体包括：
根据预设的更新公式对相匹配的主码元的最小灰度值、最大灰度值进行相应更新，并对相匹配的主码元的匹配成功次数进行加1更新。
具体的，结合上述实施例，在根据预先设置的主码本分别对该待检测图像上的每个像素点进行匹配判断后，相应获得每一个主码元的匹配结果，对于与某一个像素点相匹配的主码元，根据预先设置的更新公式对相匹配的主码元的最小灰度值min、最大灰度值max进行相应更新，并对相匹配的主码元的匹配成功次数frequency进行加1更新，其中，相匹配的主码元的匹配失败次数lost不进行更新。
作为上述方案的改进，所述更新公式具体为：
Figure BDA0002648768210000101
其中，min’表示更新后的最小灰度值，min表示更新前的最小灰度值，max’表示更新后的最大灰度值，max表示更新前的最大灰度值，pix表示对应的相匹配的像素点的灰度值，a≥0，0≤b≤1。
具体的，结合上述实施例，每一个相匹配的主码元的最小灰度值min、最大灰度值max的更新公式具体为
Figure BDA0002648768210000102
其中，min’表示更新后的主码元的最小灰度值，min表示更新前的主码元的最小灰度值，max’表示更新后的主码元的最大灰度值，max表示更新前的主码元的最大灰度值，pix表示与主码元对应的相匹配的像素点的灰度值。
需要说明的是，a和b为用户自定义参数，理论上a的取值范围为0～127，b的取值范围为0～1，但是，a取太大或者b取太小会导致效果较差，因此，a一般建议取值5～20，b一般建议取值0.75～0.95，本发明实施例对a和b的取值不作具体限定。
在又一个优选实施例中，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第二更新规则对不匹配的主码元进行更新，具体包括：
对不匹配的主码元的匹配失败次数进行加1更新。
具体的，结合上述实施例，在根据预先设置的主码本分别对该待检测图像上的每个像素点进行匹配判断后，相应获得每一个主码元的匹配结果，对于与某一个像素点不匹配的主码元，对不匹配的主码元的匹配失败次数lost进行加1更新，其中，不匹配的主码元的最小灰度值min、最大灰度值max和匹配成功次数frequency不进行更新。
在又一个优选实施例中，所述方法还包括：
当任一主码元的匹配失败次数大于预设的第一次数阈值时，将该主码元从所述主码本中删除。
具体的，结合上述实施例，在每一次对任意一个主码元的匹配失败次数进行更新之后，进一步判断更新后的匹配失败次数是否大于预先设置的第一次数阈值，当任意一个主码元的匹配失败次数大于预先设置的第一次数阈值时，将该主码元从对应所属的主码本中删除。
在又一个优选实施例中，每个缓冲码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新，具体包括：
将该像素点的灰度值与所述缓冲码本中的每个缓冲码元的最小灰度值、最大灰度值进行比较；
当该像素点的灰度值在任一缓冲码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该缓冲码元相匹配；否则，判定该像素点与该缓冲码元不匹配；
当该像素点与所述缓冲码本中的任一缓冲码元相匹配时，根据所述第一更新规则对相匹配的缓冲码元进行更新；否则，根据所述第二更新规则对不匹配的缓冲码元进行更新；
当该像素点与所述缓冲码本的所有缓冲码元均不匹配时，在所述缓冲码本中新增一个缓冲码元；其中，新增的缓冲码元对应的最小灰度值为该像素点的灰度值与预设的初始门限值的差，最大灰度值为该像素点的灰度值与预设的初始门限值的和，匹配成功次数为1，匹配失败次数为0。
具体的，结合上述实施例，对于待检测图像上的任意一个像素点，当遍历完对应的主码本中的所有的主码元后，判定该像素点与对应的主码本中的所有的主码元均不匹配时，遍历对应的缓冲码本中所包含的所有的缓冲码元，将该像素点的灰度值与对应的缓冲码本中的每一个缓冲码元的最小灰度值、最大灰度值进行比较；当该像素点的灰度值在某一个缓冲码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该缓冲码元相匹配；当该像素点的灰度值在某一个缓冲码元的最小灰度值、最大灰度值的取值范围之外时，判定该像素点与该缓冲码元不匹配；相应的，当该像素点与对应的缓冲码本中的某一个缓冲码元相匹配时，根据上述第一更新规则对相匹配的缓冲码元进行相应更新；当该像素点与对应的缓冲码本中的某一个缓冲码元不匹配时，根据上述第二更新规则对不匹配的缓冲码元进行相应更新；当该像素点与对应的缓冲码本的所有的缓冲码元均不匹配时，在对应的缓冲码本中新增一个缓冲码元，该新增的缓冲码元所对应的最小灰度值为该像素点的灰度值与预先设置的初始门限值的差值，最大灰度值为该像素点的灰度值与预先设置的初始门限值的和值，匹配成功次数为1，匹配失败次数为0。
需要说明的是，相匹配的缓冲码元的数量可能不止一个，每一个判定为相匹配的缓冲码元均根据上述第一更新规则进行相应更新，同理，不匹配的缓冲码元的数量也可能不止一个，每一个判定为不匹配的缓冲码元均根据上述第二更新规则进行相应更新。
其中，对于与某一个像素点相匹配的缓冲码元，根据预先设置的更新公式
Figure BDA0002648768210000121
对相匹配的缓冲码元的最小灰度值min、最大灰度值max进行相应更新，并对相匹配的缓冲码元的匹配成功次数frequency进行加1更新，相匹配的缓冲码元的匹配失败次数lost不进行更新，min’表示更新后的缓冲码元的最小灰度值，min表示更新前的缓冲码元的最小灰度值，max’表示更新后的缓冲码元的最大灰度值，max表示更新前的缓冲码元的最大灰度值，pix表示与缓冲码元对应的相匹配的像素点的灰度值。
对于与某一个像素点不匹配的缓冲码元，对不匹配的缓冲码元的匹配失败次数lost进行加1更新，其中，不匹配的缓冲码元的最小灰度值min、最大灰度值max和匹配成功次数frequency不进行更新。
同理，a和b为用户自定义参数，理论上a的取值范围为0～127，b的取值范围为0～1，但是，a取太大或者b取太小会导致效果较差，因此，a一般建议取值5～20，b一般建议取值0.75～0.95，本发明实施例对a和b的取值不作具体限定。
需要说明的是，主码本所对应的更新公式中的a、b和缓冲码本所对应的更新公式中的a、b默认相同，也可以根据用户的实际需求进行相应调整，例如，不希望运动目标检测过于敏感，可以把主码本对应的a调大一点。
在又一个优选实施例中，所述方法还包括：
当任一缓冲码元的匹配成功次数大于预设的第二次数阈值时，将该缓冲码元添加到所述主码本中，并将该缓冲码元从所述缓冲码本中删除；
当任一缓冲码元的匹配失败次数大于预设的第三次数阈值时，将该缓冲码元从所述缓冲码本中删除。
具体的，结合上述实施例，在每一次对任意一个缓冲码元的匹配成功次数进行相应更新之后，进一步判断更新后的匹配成功次数是否大于预先设置的第二次数阈值，当任意一个缓冲码元的匹配成功次数大于预先设置的第二次数阈值时，将该缓冲码元添加到对应的主码本中，并将该缓冲码元从对应所属的缓冲码本中删除(即从对应的缓冲码本中转移到对应的主码本中)；在每一次对任意一个缓冲码元的匹配失败次数进行相应更新之后，进一步判断更新后的匹配失败次数是否大于预先设置的第三次数阈值，当任意一个缓冲码元的匹配失败次数大于预先设置的第三次数阈值时，并将该缓冲码元从对应所属的缓冲码本中删除。
需要说明的是，每一个像素点对应的主码本中的主码元不是直接创建生成的，只有当对应的缓冲码本中的缓冲码元的匹配成功次数大于预先设置的第二次数阈值时，才将该缓冲码元从对应的缓冲码本转移到对应的主码本中。
在又一个优选实施例中，所述对连通域进行聚类合并处理，具体包括：
为每一个连通域设置相同的初始类别标签；
根据预设的顺序遍历所有的连通域，依次判断第i个连通域的类别标签是否为所述初始类别标签；其中，i＝1，2，…，N-1，N≥2，N为连通域的总个数；
若是，则将第i个连通域的类别标签更新为第i类别标签，判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为所述第i类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
若否，则判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为第i个连通域的类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
对类别标签相同的连通域进行合并处理。
具体的，结合上述实施例，当获得的连通域的个数不小于2个(即N≥2)时，需要对获得的所有连通域进行聚类合并处理，先为获得的每一个连通域设置相同的初始类别标签，再根据预先设置的顺序(例如数字编号)遍历所有的连通域，按顺序依次判断每一个连通域的类别标签是否为初始类别标签，以对每一个连通域的类别标签进行相应的更新处理，从而实现对所有的连通域的分类。
其中，每一个连通域的处理方法相同，这里以第i个连通域为例，判断第i个连通域的类别标签是否为初始类别标签：
当第i个连通域的类别标签是初始类别标签时，说明第i个连通域当前未被分类，将第i个连通域的类别标签更新为第i类别标签(即为其创建一个唯一的新的类别)，并判断在第i+1个连通域～第N个连通域(即顺序排在第i个连通域之后的所有的连通域)中，是否存在与第i个连通域属于同一类别的连通域，若存在，则将属于同一类别的连通域的类别标签更新为第i类别标签(即更新为与第i个连通域相同的类别标签)，若不存在，则按顺序继续判断第i+1个连通域的类别标签是否为初始类别标签，并根据判断结果对第i+1个连通域的类别标签进行相应更新处理(处理方法与第i个连通域的处理方法相同)，直至所有的连通域的类别标签均不为初始类别标签为止；
当第i个连通域的类别标签不是初始类别标签时，说明第i个连通域当前已经被分类，则无需为第i个连通域创建一个新的类别标签，直接判断在第i+1个连通域～第N个连通域中，是否存在与第i个连通域属于同一类别的连通域，若存在，则将属于同一类别的连通域的类别标签更新为第i个连通域的类别标签，若不存在，则按顺序继续判断第i+1个连通域的类别标签是否为初始类别标签，并根据判断结果对第i+1个连通域的类别标签进行相应更新处理，直至所有的连通域的类别标签均不为初始类别标签为止；在对所有的连通域进行分类之后，对类别标签相同的连通域进行合并处理，从而根据处理后的连通域相应获得该待检测图像上的运动目标区域。
例如，假设获得的连通域的个数为4个，索引为0、1、2、3，其中，索引为1和索引为2的连通域属于同一个类别，在具体进行聚类合并时，使用一个数组作为连通域所属类别的字典，初始化为-1，即4个连通域对应的初始类别标签均为-1，初始化的字典相应为[-1，-1，-1，-1]，根据索引顺序遍历所有的连通域，首先判断第1个(即索引为0)连通域的类别标签是否为初始类别标签，此时第1个连通域的类别标签是初始类别标签-1，说明第1个连通域当前未被分类，先为第1个连通域创建一个新的类别标签为0，则字典相应更新为[0，-1，-1，-1]，将第1个连通域与后面的索引为1～索引为3的3个连通域进行标记，判定索引为1～索引为3的3个连通域中不存在与第1个连通域属于同一类别的连通域；按顺序继续判断第2个(即索引为1)连通域的类别标签是否为初始类别标签，其仍为-1，说明第2个连通域当前也未被分类，则为第2个连通域创建一个新的类别标签为1(与第1个连通域的类别标签不同)，此时字典相应更新为[0，1，-1，-1]，将第2个连通域与后面的索引为2和索引为3的2个连通域进行比较，判定索引为2的连通域与第2个连通域属于同一类别，则将索引为2的连通域的类别标签更新为1，此时字典相应更新为[0，1，1，-1]；按顺序继续判断第3个(即索引为2)连通域的类别标签是否为初始类别标签，其不为-1，说明第3个连通域当前已经被分类，则无需为第3个连通域创建新的类别标签，直接将第3个连通域与后面的索引为3的1个连通域进行比较，判定索引为3的第4个连通域与第3个连通域不属于同一类别；按顺序继续判断第4个(即索引为3)连通域的类别标签是否为初始类别标签，其仍为-1，说明第4个连通域当前也未被分类，则为第4个连通域创建一个新的类别标签为2(与第1个连通域的类别标签和第2个连通域的类别标签均不同)，此时字典相应更新为[0，1，1，2]，由于第4个连通域为最后一个连通域，即所有的连通域的类别标签均不为初始类别标签，因此分类结束。
需要说明的是，在第一次分类处理结束后，可以将获得的类别数量与所有的连通域的数量进行比较，若两者相等，则无需对所有的连通域进行合并处理，直接根据所有的连通域相应获得待检测图像上的运动目标区域；若两者不相等，则将类别标签相同的连通域进行融合，融合后的连通域可以为包含该类别的所有连通域的最小矩形(具体形状可以根据实际需求进行设置)，从而根据融合后的连通域相应获得待检测图像上的运动目标区域；另外，第一次合并后的连通域可能还存在进一步聚类合并的情况，则重复上述步骤S17所对应的处理过程，直至最终获得的连通域的个数小于2个或者聚类后的类别数量与连通域的数量相等为止。
另外，一次聚类的复杂度为O(m2)，表示的是算法的时间复杂度，m是当前的连通域的个数，由于每个连通域都要与其后面的连通域进行比较，因此总共需要比较的次数是
Figure BDA0002648768210000171
即算法的时间复杂度是O(m2)，并且由于连通域的个数一般不会很多，所以这一步实际上速度很快。
在又一个优选实施例中，所述判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域，具体包括：
根据预设的第一判别条件、第二判别条件和第三判别条件对第i个连通域和第i+1～N个连通域中的每个连通域进行类别判断；
当第i个连通域和第i+1～N个连通域中的任一连通域满足任一判别条件时，判定第i个连通域与该连通域属于同一类别；否则，判定第i个连通域与该连通域不属于同一类别；
其中，所述第一判别条件具体为：两个连通域的坐标数据在X轴上有交集，且在Y轴上的距离小于预设的第一距离阈值；
所述第二判别条件具体为：两个连通域的坐标数据在Y轴上有交集，且在X轴上的距离小于预设的第二距离阈值；
所述第三判别条件具体为：两个连通域的坐标数据在X轴上没有交集，在Y轴上没有交集，且边角距离小于预设的第三距离阈值。
具体的，结合上述实施例，仍以第i个连通域为例，在判断第i+1个连通域～第N个连通域中，是否存在与第i个连通域属于同一类别的连通域时，可以根据预先设置的第一判别条件、第二判别条件和第三判别条件对第i个连通域和第i+1个连通域～第N个连通域中的每个连通域进行类别判断，将第i个连通域与第i+1个连通域～第N个连通域中的每个连通域进行比较，当第i个连通域与第i+1个连通域～第N个连通域中的某一个连通域满足上述三个判别条件中的任意一个判别条件时，判定第i个连通域与该连通域属于同一类别；当第i个连通域与第i+1个连通域～第N个连通域中的某一个连通域不满足上述三个判别条件时，判定第i个连通域与该连通域不属于同一类别；其中，预先设置的第一判别条件具体为：两个连通域的坐标数据在X轴上有交集，且在Y轴上的距离小于预先设置的第一距离阈值；预先设置的第二判别条件具体为：两个连通域的坐标数据在Y轴上有交集，且在X轴上的距离小于预先设置的第二距离阈值；预先设置的第三判别条件具体为：两个连通域的坐标数据在X轴上没有交集，在Y轴上没有交集，且边角距离小于预先设置的第三距离阈值。
需要说明的是，边角距离具体指两个连通域最邻近的边角之间的距离，可以是欧氏距离，也可以是曼哈顿距离等，例如，假设两个连通域均为矩形，对应的顶点坐标数据分别为(xl1，yt1，xr1，yb1)、(xl2，yt2，xr2，yb2)，其中，l表示left，t表示top，r表示right，b表示bottom，相应的，Dx＝max(0,max(xl2-xr1,xl1-xr2))，Dy＝max(0,max(yb1-yt2,yb2-yt1))，如果是欧氏距离，则欧氏距离为
Figure BDA0002648768210000181
如果是曼哈顿距离，则曼哈顿距离为Dxy＝Dx+Dy。
本发明实施例还提供了一种运动目标检测装置，能够实现上述任一实施例所述的运动目标检测方法的所有流程，装置中的各个模块、单元、子单元的作用以及实现的技术效果分别与上述实施例所述的运动目标检测方法的作用以及实现的技术效果对应相同，这里不再赘述。
参见图2所示，是本发明提供的一种运动目标检测装置的一个优选实施例的结构框图，所述装置包括：
图像获取模块11，用于获取待检测图像；
像素点匹配判断模块12，用于根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
第一匹配判断处理模块13，用于当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
第二匹配判断处理模块14，用于当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
前景掩码处理模块15，用于根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
连通域获取模块16，用于获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
运动目标区域获取模块17，用于当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
优选地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述像素点匹配判断模块12具体包括：
第一灰度值比较单元，用于将每个像素点的灰度值与所述主码本中的每个主码元的最小灰度值、最大灰度值进行比较；
第一像素点匹配判断单元，用于当任一像素点的灰度值在任一主码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该主码元相匹配；否则，判定该像素点与该主码元不匹配。
优选地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述第一匹配判断处理模块13具体包括：
第一更新单元，用于根据预设的更新公式对相匹配的主码元的最小灰度值、最大灰度值进行相应更新，并对相匹配的主码元的匹配成功次数进行加1更新。
优选地，所述更新公式具体为：
Figure BDA0002648768210000191
其中，min’表示更新后的最小灰度值，min表示更新前的最小灰度值，max’表示更新后的最大灰度值，max表示更新前的最大灰度值，pix表示对应的相匹配的像素点的灰度值，a≥0，0≤b≤1。
优选地，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述第一匹配判断处理模块13具体包括：
第二更新单元，用于对不匹配的主码元的匹配失败次数进行加1更新。
优选地，所述装置还包括：
主码本更新模块，用于当任一主码元的匹配失败次数大于预设的第一次数阈值时，将该主码元从所述主码本中删除。
优选地，每个缓冲码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述第二匹配判断处理模块14具体包括：
第二灰度值比较单元，用于将该像素点的灰度值与所述缓冲码本中的每个缓冲码元的最小灰度值、最大灰度值进行比较；
第二像素点匹配判断单元，用于当该像素点的灰度值在任一缓冲码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该缓冲码元相匹配；否则，判定该像素点与该缓冲码元不匹配；
第三更新单元，用于当该像素点与所述缓冲码本中的任一缓冲码元相匹配时，根据所述第一更新规则对相匹配的缓冲码元进行更新；否则，根据所述第二更新规则对不匹配的缓冲码元进行更新；
第四更新单元，用于当该像素点与所述缓冲码本的所有缓冲码元均不匹配时，在所述缓冲码本中新增一个缓冲码元；其中，新增的缓冲码元对应的最小灰度值为该像素点的灰度值与预设的初始门限值的差，最大灰度值为该像素点的灰度值与预设的初始门限值的和，匹配成功次数为1，匹配失败次数为0。
优选地，所述装置还包括缓冲码本更新模块，所述缓冲码本更新模块用于：
当任一缓冲码元的匹配成功次数大于预设的第二次数阈值时，将该缓冲码元添加到所述主码本中，并将该缓冲码元从所述缓冲码本中删除；
当任一缓冲码元的匹配失败次数大于预设的第三次数阈值时，将该缓冲码元从所述缓冲码本中删除。
优选地，所述运动目标区域获取模块17具体包括聚类处理单元，所述聚类处理单元具体包括：
类别标签初始化子单元，用于为每一个连通域设置相同的初始类别标签；
类别标签判断子单元，用于根据预设的顺序遍历所有的连通域，依次判断第i个连通域的类别标签是否为所述初始类别标签；其中，i＝1，2，…，N-1，N≥2，N为连通域的总个数；
第一类别处理子单元，用于若是，则将第i个连通域的类别标签更新为第i类别标签，判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为所述第i类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
第二类别处理子单元，用于若否，则判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为第i个连通域的类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
聚类合并子单元，用于对类别标签相同的连通域进行合并处理。
优选地，所述第一类别处理子单元或所述第二类别处理子单元具体用于通过以下步骤判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域：
根据预设的第一判别条件、第二判别条件和第三判别条件对第i个连通域和第i+1～N个连通域中的每个连通域进行类别判断；
当第i个连通域和第i+1～N个连通域中的任一连通域满足任一判别条件时，判定第i个连通域与该连通域属于同一类别；否则，判定第i个连通域与该连通域不属于同一类别；
其中，所述第一判别条件具体为：两个连通域的坐标数据在X轴上有交集，且在Y轴上的距离小于预设的第一距离阈值；
所述第二判别条件具体为：两个连通域的坐标数据在Y轴上有交集，且在X轴上的距离小于预设的第二距离阈值；
所述第三判别条件具体为：两个连通域的坐标数据在X轴上没有交集，在Y轴上没有交集，且边角距离小于预设的第三距离阈值。
本发明实施例还提供了一种终端设备，参见图3所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的运动目标检测方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例所提供的一种运动目标检测方法、装置及终端设备，主码本的容量对树叶晃动等往返性的运动有较好的抗性，缓冲码本使得噪声不会轻易加入主要的背景模型中，通过主码本和缓冲码本的使用对噪声有很好的鲁棒性，通过对连通域进行聚类合并处理，使得提取的运动目标更为准确，对于缓慢的移动或者颜色与背景较为接近的情况也能提取准确的运动目标，从而能够提高运动目标检测的精确度；另外，本发明实施例额外引入的计算量很少，适合嵌入式设备。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (12)

1.一种运动目标检测方法，其特征在于，包括：
获取待检测图像；
根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
2.如权利要求1所述的运动目标检测方法，其特征在于，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断，具体包括：
将每个像素点的灰度值与所述主码本中的每个主码元的最小灰度值、最大灰度值进行比较；
当任一像素点的灰度值在任一主码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该主码元相匹配；否则，判定该像素点与该主码元不匹配。
3.如权利要求1所述的运动目标检测方法，其特征在于，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第一更新规则对相匹配的主码元进行更新，具体包括：
根据预设的更新公式对相匹配的主码元的最小灰度值、最大灰度值进行相应更新，并对相匹配的主码元的匹配成功次数进行加1更新。
4.如权利要求3所述的运动目标检测方法，其特征在于，所述更新公式具体为：
Figure FDA0002648768200000021
其中，min’表示更新后的最小灰度值，min表示更新前的最小灰度值，max’表示更新后的最大灰度值，max表示更新前的最大灰度值，pix表示对应的相匹配的像素点的灰度值，a≥0，0≤b≤1。
5.如权利要求1所述的运动目标检测方法，其特征在于，每个主码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的第二更新规则对不匹配的主码元进行更新，具体包括：
对不匹配的主码元的匹配失败次数进行加1更新。
6.如权利要求5所述的运动目标检测方法，其特征在于，所述方法还包括：
当任一主码元的匹配失败次数大于预设的第一次数阈值时，将该主码元从所述主码本中删除。
7.如权利要求1所述的运动目标检测方法，其特征在于，每个缓冲码元均包括最小灰度值、最大灰度值、匹配成功次数和匹配失败次数；则，所述根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新，具体包括：
将该像素点的灰度值与所述缓冲码本中的每个缓冲码元的最小灰度值、最大灰度值进行比较；
当该像素点的灰度值在任一缓冲码元的最小灰度值、最大灰度值的取值范围之内时，判定该像素点与该缓冲码元相匹配；否则，判定该像素点与该缓冲码元不匹配；
当该像素点与所述缓冲码本中的任一缓冲码元相匹配时，根据所述第一更新规则对相匹配的缓冲码元进行更新；否则，根据所述第二更新规则对不匹配的缓冲码元进行更新；
当该像素点与所述缓冲码本的所有缓冲码元均不匹配时，在所述缓冲码本中新增一个缓冲码元；其中，新增的缓冲码元对应的最小灰度值为该像素点的灰度值与预设的初始门限值的差，最大灰度值为该像素点的灰度值与预设的初始门限值的和，匹配成功次数为1，匹配失败次数为0。
8.如权利要求7所述的运动目标检测方法，其特征在于，所述方法还包括：
当任一缓冲码元的匹配成功次数大于预设的第二次数阈值时，将该缓冲码元添加到所述主码本中，并将该缓冲码元从所述缓冲码本中删除；
当任一缓冲码元的匹配失败次数大于预设的第三次数阈值时，将该缓冲码元从所述缓冲码本中删除。
9.如权利要求1～8任一项所述的运动目标检测方法，其特征在于，所述对连通域进行聚类合并处理，具体包括：
为每一个连通域设置相同的初始类别标签；
根据预设的顺序遍历所有的连通域，依次判断第i个连通域的类别标签是否为所述初始类别标签；其中，i＝1，2，…，N-1，N≥2，N为连通域的总个数；
若是，则将第i个连通域的类别标签更新为第i类别标签，判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为所述第i类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
若否，则判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域；若存在，则将属于同一类别的连通域的类别标签更新为第i个连通域的类别标签；若不存在，则继续判断第i+1个连通域的类别标签是否为所述初始类别标签，并根据判断结果进行相应处理，直至所有的连通域的类别标签均不为所述初始类别标签为止；
对类别标签相同的连通域进行合并处理。
10.如权利要求9所述的运动目标检测方法，其特征在于，所述判断第i+1～N个连通域中是否存在与第i个连通域属于同一类别的连通域，具体包括：
根据预设的第一判别条件、第二判别条件和第三判别条件对第i个连通域和第i+1～N个连通域中的每个连通域进行类别判断；
当第i个连通域和第i+1～N个连通域中的任一连通域满足任一判别条件时，判定第i个连通域与该连通域属于同一类别；否则，判定第i个连通域与该连通域不属于同一类别；
其中，所述第一判别条件具体为：两个连通域的坐标数据在X轴上有交集，且在Y轴上的距离小于预设的第一距离阈值；
所述第二判别条件具体为：两个连通域的坐标数据在Y轴上有交集，且在X轴上的距离小于预设的第二距离阈值；
所述第三判别条件具体为：两个连通域的坐标数据在X轴上没有交集，在Y轴上没有交集，且边角距离小于预设的第三距离阈值。
11.一种运动目标检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
像素点匹配判断模块，用于根据预设的主码本对所述待检测图像上的每个像素点进行匹配判断；
第一匹配判断处理模块，用于当任一像素点与所述主码本中的任一主码元相匹配时，标记该像素点为背景像素点，根据预设的第一更新规则对相匹配的主码元进行更新；否则，根据预设的第二更新规则对不匹配的主码元进行更新；
第二匹配判断处理模块，用于当任一像素点与所述主码本中的所有主码元均不匹配时，标记该像素点为前景像素点，根据预设的缓冲码本对该像素点进行匹配判断，根据匹配判断结果对所述缓冲码本中的缓冲码元进行相应更新；
前景掩码处理模块，用于根据标记的所有前景像素点获得所述待检测图像的前景掩码，对所述前景掩码进行形态学处理和二值化处理，获得处理后的前景掩码；
连通域获取模块，用于获取所述处理后的前景掩码中的连通域，并统计连通域的个数；
运动目标区域获取模块，用于当连通域的个数小于2个时，根据连通域获得运动目标区域；当连通域的个数不小于2个时，对连通域进行聚类合并处理，根据处理后的连通域获得运动目标区域。
12.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～10任一项所述的运动目标检测方法。
CN202010866645.9A 2020-08-25 2020-08-25 一种运动目标检测方法、装置及终端设备 Pending CN112101135A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010866645.9A CN112101135A (zh) 2020-08-25 2020-08-25 一种运动目标检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010866645.9A CN112101135A (zh) 2020-08-25 2020-08-25 一种运动目标检测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN112101135A true CN112101135A (zh) 2020-12-18

Family

ID=73753237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010866645.9A Pending CN112101135A (zh) 2020-08-25 2020-08-25 一种运动目标检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN112101135A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884792A (zh) * 2021-02-02 2021-06-01 青岛海信医疗设备股份有限公司 肺部图像分割的方法、装置、电子设备及存储介质
CN117319447A (zh) * 2023-10-25 2023-12-29 广东百林生态科技股份有限公司 一种智慧园林管理系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096931A (zh) * 2011-03-04 2011-06-15 中南大学 基于分层背景建模的运动目标实时检测方法
CN103700087A (zh) * 2013-11-28 2014-04-02 深圳市智美达科技有限公司 移动侦测方法和装置
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN108174055A (zh) * 2017-12-29 2018-06-15 广东工业大学 一种智能监控方法、系统、设备及存储介质
CN108648210A (zh) * 2018-05-09 2018-10-12 西安天和防务技术股份有限公司 一种静态复杂场景下快速多目标检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096931A (zh) * 2011-03-04 2011-06-15 中南大学 基于分层背景建模的运动目标实时检测方法
CN103700087A (zh) * 2013-11-28 2014-04-02 深圳市智美达科技有限公司 移动侦测方法和装置
CN106600625A (zh) * 2016-12-13 2017-04-26 广东沅朋网络科技有限公司 检测小型生物的图像处理方法及装置
CN108174055A (zh) * 2017-12-29 2018-06-15 广东工业大学 一种智能监控方法、系统、设备及存储介质
CN108648210A (zh) * 2018-05-09 2018-10-12 西安天和防务技术股份有限公司 一种静态复杂场景下快速多目标检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李念国: "多运动行人检测与跟踪技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 4, pages 12 - 14 *
范京等: "一种自适应双码本模型目标检测算法", 《小型微型计算机系统》, vol. 38, no. 8, pages 1861 - 1866 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884792A (zh) * 2021-02-02 2021-06-01 青岛海信医疗设备股份有限公司 肺部图像分割的方法、装置、电子设备及存储介质
CN117319447A (zh) * 2023-10-25 2023-12-29 广东百林生态科技股份有限公司 一种智慧园林管理系统及方法
CN117319447B (zh) * 2023-10-25 2024-05-03 广东百林生态科技股份有限公司 一种智慧园林管理系统及方法

Similar Documents

Publication Publication Date Title
Sajid et al. Universal multimode background subtraction
CN112560999B (zh) 一种目标检测模型训练方法、装置、电子设备及存储介质
CN110610510B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN111010590A (zh) 一种视频裁剪方法及装置
CN110728294A (zh) 一种基于迁移学习的跨领域图像分类模型构建方法和装置
CN111260684A (zh) 基于帧差法和背景差分法结合的前景像素提取方法及系统
US20210312215A1 (en) Method for book recognition and book reading device
CN111552837A (zh) 基于深度学习的动物视频标签自动生成方法、终端及介质
CN112101135A (zh) 一种运动目标检测方法、装置及终端设备
CN109785387A (zh) 机器人的回环检测方法、装置及机器人
CN105513083A (zh) 一种ptam摄像机跟踪方法及装置
CN111126197A (zh) 基于深度学习的视频处理方法及装置
CN109800675A (zh) 一种确定人脸对象的识别图像的方法及装置
CN117218622A (zh) 路况检测方法、电子设备及存储介质
CN111178363A (zh) 文字识别方法、装置、电子设备以及可读存储介质
CN117765363A (zh) 一种基于轻量型记忆库的图像异常检测方法及系统
EP4332910A1 (en) Behavior detection method, electronic device, and computer readable storage medium
CN105354833A (zh) 一种阴影检测的方法和装置
CN113537158B (zh) 一种图像目标检测方法、装置、设备及存储介质
CN112214639B (zh) 视频筛选方法、视频筛选装置及终端设备
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质
CN110580706A (zh) 一种视频背景模型的提取方法及装置
CN115393655A (zh) 基于YOLOv5s网络模型的工业运载车的检测方法
CN108734164A (zh) 卡片、识别卡片的方法、绘本阅读机器人及存储设备
CN115393755A (zh) 视觉目标跟踪方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination