CN112561946A - 一种动态目标检测方法 - Google Patents

Abstract

本发明公开了一种动态目标检测方法。该方法为：利用三帧差法对初始的n帧图像先进行处理，提取出初始的背景图像信息作为初始化的背景，对此时背景图中的每个像素点分别建立一个样本集，并随机选取周围24邻域像素点的值，建立背景模型样本集；然后根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素是否为前景目标，从而完成目标检测；最后分别使用无记忆更新、时间取样更新和空间邻域更新策略更新背景模型，以适应实际情况下的背景区域的变化。本发明改善了动态目标检测中的鬼影问题，避免了机场围界环境中的网格围栏干扰，提高了动态目标检测的准确性、实时性和抗干扰性。

Description

一种动态目标检测方法

技术领域

本发明涉及图像目标检测技术领域，特别是一种基于改进ViBe的动态目标检测方法。

背景技术

视觉监控系统作为计算机视觉领域的前沿研究方向，广泛应用于交通状况监控、运动目标实时观测、自动导航系统中。视频图像中的运动目标检测技术是其中核心部分。在单目视觉监控系统中，若场景与摄像机之间的位置保持不变，即静态背景情况下，检测运动目标的主要方法有帧差分法和背景差分法。帧差分法对光线的变化有较好的抑制，但是对缓慢运动的物体只能检测出不联系边界，提取效果差；背景差分的效果主要取决于背景模型的建立与更新，其中最具代表性的就是基于参数的混合高斯模型(GMM)，该算法能适应光照的渐变，但对于光照的突变情况会将大部分背景检测为运动物体，该算法实时性和稳定性都较差。

Vibe(Visual Background extractor)是一种高效的像素级背景建模算法，该算法的不同之处在于背景模型的更新策略，随机选择需要替换的像素的样本，随机选择邻域像素进行更新。在无法确定像素变化的模型时，随机的更新策略，在一定程度上可以模拟像素变化的不确定性，因此对视频序列中的光照变化、机器人运动过程中造成的相机抖动等有良好的适应性与抗噪性。但是Vibe算法容易出现网格围栏背景噪声干扰问题和鬼影现象，即在前景图像中检测到不该存在的目标。因为ViBe目标检测算法在建立背景模型集的时候直接选择了视频序列中的第一帧图像构建，此时初始帧中的运动目标将会被认为是背景区域，导致后续的背景模板留存有前景目标点，并且Vibe的随机更新机制只能缓慢的消除但无法完全解决“鬼影”的产生。

发明内容

本发明的目的在于提供一种实时性与准确性高、抗干扰能力强的基于改进ViBe的动态目标检测方法。

实现本发明目的的技术解决方案为：一种动态目标检测方法，包括以下步骤：

步骤1、利用三帧差法对初始的n帧图像进行处理，提取出初始的背景图像信息作为初始化的背景，对此时背景图中的每个像素点分别建立一个样本集，并随机选取其周围24邻域像素点的值，建立背景模型样本集；

步骤2、根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素是否为前景目标，从而完成目标检测；

步骤3、分别使用无记忆更新、时间取样更新和空间邻域更新策略更新背景模型，以适应实际情况下的背景区域的变化。

进一步地，步骤1所述的利用三帧差法对初始的n帧图像先进行处理，提取出初始的背景图像信息作为初始化的背景图，对此时背景图中每个像素点分别建立一个样本集，并随机选取其周围24邻域像素点的值，建立其背景模型样本集，具体如下：

步骤1.1、初始化背景图像和计数器T为0，设定预处理视频序列的前n帧图像；

步骤1.2、对第t到t+2帧图像，首先利用三帧差法对其进行处理，获取差分图像，此时该图像中的像素点对应的灰度值若为0，或者小于设定阈值，则判定该点为背景点，否则判定该点为前景点；

步骤1.3、查找此时背景图像中对应点的像素值，如果为0，则将此像素值改为差分图像中该点对应的像素值；若不为0，则计数器T的值加1；

步骤1.4、如果计数器T的值小于阈值或者当T＝n时，则表示背景图像已经成功建立，进入步骤1.5；否则，令T＝0，然后对下一帧即第t+1帧图像，转到步骤1.2步继续对背景图像进行建立；

步骤1.5、对建立的背景图像的每个像素点，都建立一个样本集，随机选取其周围24邻域像素点的值，建立背景模型样本集；

设图片中点x的像素值V(x)，则M(x)为x点处的背景模型样本集，表示为：

M(x)＝{V₁,V₂,V₃,…,V_N}

其中，N为背景模型样本集内的样本个数，V_i为点x的第i个样本值；

选择N个V_i值填充像素点x的样本集，由于在单帧图像中相邻像素点的时间分布特性相同，因此对于当前帧中的每一个像素点，随机选取周围24邻域像素点的值作为它的模型样本值，建立背景模型样本集。

进一步地，步骤1.2中所述的三帧差法，具体如下：

在图像序列中选取三帧图像，并将其中前两帧与后两帧分别进行差分运算，然后将差分结果相“与”，得到此时的前景目标区域，原理具体为：

d_t(x)＝|f_t(x)-f_t-1(x)|,d_t+1(x)＝|f_t+1(x)-f_t(x)|

D_t(x)＝d_t(x)∩d_t+1(x)

式中，d_t(x)为第t帧图像f_t(x)与第t-1帧图像f_t-1(x)的差分结果，d_t+1(x)为第t+1帧图像f_t+1(x)与第t帧图像f_t(x)的差分结果，D_t(x)为t时刻在点x处三帧差分法的结果。

进一步地，步骤2所述的根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素点是否为前景目标，从而完成目标检测，具体如下：

对当前帧中的像素点x，计算x和与x对应的背景模型样本集中N个样本之间的欧式距离，判断这些距离中小于阈值R的个数，若个数大于给定的最小阈值U_min，则点x为背景点；否则，点x为前景目标像素点。

进一步地，所述阈值R采用自适应阈值法进行动态调节，调节方法为：

使用背景模型样本集中像素值的标准差作为动态指标来衡量背景的变化复杂度，其公式如下：

其中v(x)为动态指标，是当前帧中点x的像素值V(x)与背景样本中V_i(x)的差值平均值；设定v(x)·β为自适应阈值的判断标准，β为给定的参数，根据实际拍摄到的背景变化选取合适的值；

记录当前像素点的v(x)值，自适应地更新阈值R(x)：

式中，α₁、α₂是给定的参数；

当v(x)大于设定阈值时，代表背景复杂，则需要增加R(x)的值来减少干扰；当v(x)小于设定阈值时，代表背景简单，则逐步减小R(x)使其趋近于初始值。

进一步地，步骤3中所述的无记忆更新，具体如下：

对于需要更新像素点的背景样本集，每次都随机选取被替换的样本，以新的像素值替换该样本像素，从而确保背景模型样本集中既有最新的像素点，也包含历史样本值，使得样本集的时间窗更长。

进一步地，步骤3中所述的时间取样更新，具体如下：

在实际应用环境中，不需要更新每一帧视频序列的背景模型，即在当前帧中，检测到点x为背景点，那么该点有

的概率用以替换更新原模型集中的点，其中

为时间采样因子。

进一步地，步骤3中所述的空间邻域更新，具体如下：

若当前像素点已经被选中用于替换背景集中的值，那么同时更新该点邻域中任意一个其他像素点的背景样本集。

本发明与现有技术相比，其显著优点为：(1)改进了初始化背景模型样本集，减少了鬼影现象的产生，并且能够快速消除已经出现的鬼影区域，提高了运动目标检测的实时性和准确性；(2)增强了动态目标检测的抗干扰能力，有效滤除了机场背景中的网格围栏干扰像素；(3)提高了运动目标检测的准确性，有效抑制了噪声干扰。

附图说明

图1是本发明一种动态目标检测方法的流程示意图。

图2是本发明中的改进的Vibe算法中初始化背景模型的流程示意图。

图3是本发明实施例中使用欧式距离判断背景点的空间示意图。

图4是本发明实施例中随机选取像素点像素值周围24邻域像素点的具体方法示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。

如图1、2所示，本发明一种动态目标检测方法，包括以下步骤：

步骤1、利用三帧差法对初始的n帧图像进行处理，提取出初始的背景图像信息作为初始化的背景，对此时背景图中的每个像素点分别建立一个样本集，并随机选取其周围24邻域像素点的值，建立背景模型样本集，如图2所示，具体如下：

步骤1.1、初始化背景图像和计数器T为0，设定预处理视频序列的前n帧图像；

步骤1.2、对第t到t+2帧图像，首先利用三帧差法对其进行处理，获取差分图像，此时该图像中的像素点对应的灰度值若为0，或者小于设定阈值，则判定该点为背景点，否则判定该点为前景点；

进一步地，三帧差法具体如下：

在初始的图像中选取三帧图像，并将其中前两帧与后两帧分别进行差分运算，然后将差分结果相“与”，得到此时的前景目标区域，具体公式如下：

d_t(x)＝|f_t(x)-f_t-1(x)|,d_t+1(x)＝|f_t+1(x)-f_t(x)|

D_t(x)＝d_t(x)∩d_t+1(x)

式中，d_t(x)为第t帧图像f_t(x)与第t-1帧图像f_t-1(x)的差分结果，d_t+1(x)为第t+1帧图像f_t+1(x)与第t帧图像f_t(x)的差分结果，D_t(x)为t时刻在点x处三帧差分法的结果。

步骤1.3、查找此时背景图像中对应点的像素值，如果为0，则将此像素值改为差分图像中该点对应的像素值；若不为0，则计数器T的值加1；

步骤1.4、如果计数器T的值小于阈值或者当T＝n时，则表示背景图像已经成功建立，进入步骤1.5；否则，令T＝0，然后对下一帧即第t+1帧图像，转到步骤1.2步继续对背景图像进行建立。

步骤1.5、对建立的背景图像的每个像素点，都建立一个样本集，随机选取其周围24邻域像素点的值，建立其背景模型样本集；

设图片中点x的像素值V(x)，则M(x)为x点处的背景模型样本集，表示为：

M(x)＝{V₁,V₂,V₃,…,V_N}

其中，N为背景模型样本集内的样本个数，V_i为点x的第i个样本值；

选择N个V_i值填充像素点x的样本集，由于在单帧图像中相邻像素点的时间分布特性相同，因此对于当前帧中的每一个像素点，随机选取其周围24邻域像素点的值作为它的模型样本值，建立其背景模型样本集。

设N_G(x)为点x的邻域，则在t＝0初始时刻，M₀(x)为：

M₀(x)＝{V₀(y|y∈N_G(x))}

本发明选择24邻域随机抽取样本点进行初始化，该过程如图4所示。

步骤2、根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素是否为前景目标，从而完成目标检测，具体如下：

自适应阈值法根据背景变化的动态调整阈值，当背景比较复杂时，背景图中像素值变化大，因此需要增大阈值来滤除背景噪声的干扰；当背景简单变化较小时，应该减小阈值，使得对运动目标的检测更详细。

使用背景模型样本集中像素值的标准差作为动态指标来衡量背景的变化复杂度，从而根据背景变化动态的改变阈值，其公式如下：

其中v(x)为动态指标，是当前帧中点x的像素值V(x)与背景样本中V_i(x)的差值平均值；设定v(x)·β为自适应阈值的判断标准，β为给定的参数，根据实际拍摄到的背景变化选取合适的值；

记录当前像素点的v(x)值，自适应地更新其阈值R(x)：

式中，α₁、α₂是给定的参数；

当v(x)大于设定阈值时，代表背景复杂，则需要增加R(x)的值来减少干扰；当v(x)小于设定阈值时，代表背景简单，则逐步减小R(x)使其趋近于初始值。

对当前帧中的像素点x，计算x和与x对应的背景模型样本集中N个样本之间的欧式距离，判断这些距离中小于阈值R的个数，若个数大于给定的最小阈值U_min，则点x为背景点；否则，点x为前景目标像素点。上述过程在空间中的表示如图3所示，设S_R(V(x))是以V(x)点为圆心，阈值R(x)为半径的圆形区域，统计该圆形与背景模型样本集M(x)的交集，记为U，该交集就是N个样本点中与x的欧式距离小于R(x)的个数，即：

U＝{S_R(V(x))∩M(x)}

如果U＝{S_R(V(x))∩M(x)}＞U_min，则认为点x属于背景点；否则，点x为前景目标像素点。

步骤3、分别使用无记忆更新、时间取样更新和空间邻域更新策略更新背景模型，以适应实际情况下的背景区域的变化，如相机平台抖动、树叶晃动、关线的明暗变化等。Vibe的更新策略具体过程为：

无记忆更新：对于需要更新像素点的背景样本集，每次都随机选取被替换的像素值，以新的像素值替换该样本像素。这样确保了背景模型样本集中既有最新的像素点，也包含历史时间较久的样本值，使得样本集的时间窗更长。这种情况下，背景模型集中的一个样本像素值在t时刻一直存在不会被更新替换的概率为(N-1)/N，那么在连续的dt时间后，该值仍然存在的概率为：

即：

上式说明模型中的像素值是否被更新替换不受时间t的影响，即更新值与历史值无关，故为无记忆更新。

时间取样更新：在机场巡检的实际环境中，并不需要更新每一帧视频序列的背景模型，即在当前帧中，检测到点x为背景点，那么该点有

的概率用以替换更新原模型集中的点，其中

为时间采样因子。

空间邻域更新：若当前像素点已经被选中用于替换背景集中的值，那么同时更新该点邻域中任意一个其他像素点的背景样本集。这种利用像素点在空间邻域传播更新的方法，使得被误认为前景点的背景可以通过其邻域慢慢扩散，能够有效恢复出被前景覆盖的背景区域。

综上所述，本发明提出的基于改进ViBe的动态目标检测方法基本能检测出运动目标，在机场围界的网格背景中，不会有鬼影区域或者大面积的网格噪声干扰问题，从而造成目标的错检、多检现象；在有遮挡的环境中，能够检测到运动目标未被遮挡的部分，具有良好的鲁棒性与可行性。改进的Vibe提高了运动目标检测的准确性，有效抑制了噪声干扰。

Claims (8)

1.一种动态目标检测方法，其特征在于，包括以下步骤：

步骤1、利用三帧差法对初始的n帧图像进行处理，提取出初始的背景图像信息作为初始化的背景，对此时背景图中的每个像素点分别建立一个样本集，并随机选取其周围24邻域像素点的值，建立背景模型样本集；

步骤2、根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素是否为前景目标，从而完成目标检测；

步骤3、分别使用无记忆更新、时间取样更新和空间邻域更新策略更新背景模型，以适应实际情况下的背景区域的变化。

2.根据权利要求1所述的动态目标检测方法，其特征在于，步骤1所述的利用三帧差法对初始的n帧图像先进行处理，提取出初始的背景图像信息作为初始化的背景图，对此时背景图中每个像素点分别建立一个样本集，并随机选取其周围24邻域像素点的值，建立其背景模型样本集，具体如下：

步骤1.1、初始化背景图像和计数器T为0，设定预处理视频序列的前n帧图像；

步骤1.2、对第t到t+2帧图像，首先利用三帧差法对其进行处理，获取差分图像，此时该图像中的像素点对应的灰度值若为0，或者小于设定阈值，则判定该点为背景点，否则判定该点为前景点；

步骤1.3、查找此时背景图像中对应点的像素值，如果为0，则将此像素值改为差分图像中该点对应的像素值；若不为0，则计数器T的值加1；

步骤1.4、如果计数器T的值小于阈值或者当T＝n时，则表示背景图像已经成功建立，进入步骤1.5；否则，令T＝0，然后对下一帧即第t+1帧图像，转到步骤1.2步继续对背景图像进行建立；

步骤1.5、对建立的背景图像的每个像素点，都建立一个样本集，随机选取其周围24邻域像素点的值，建立背景模型样本集；

设图片中点x的像素值V(x)，则M(x)为x点处的背景模型样本集，表示为：

M(x)＝{V₁,V₂,V₃,…,V_N}

其中，N为背景模型样本集内的样本个数，V_i为点x的第i个样本值；

选择N个V_i值填充像素点x的样本集，由于在单帧图像中相邻像素点的时间分布特性相同，因此对于当前帧中的每一个像素点，随机选取周围24邻域像素点的值作为它的模型样本值，建立背景模型样本集。

3.根据权利要求1所述的动态目标检测方法，其特征在于，步骤1.2中所述的三帧差法，具体如下：

在图像序列中选取三帧图像，并将其中前两帧与后两帧分别进行差分运算，然后将差分结果相“与”，得到此时的前景目标区域，原理具体为：

d_t(x)＝|f_t(x)-f_t-1(x)|,d_t+1(x)＝|f_t+1(x)-f_t(x)|

D_t(x)＝d_t(x)∩d_t+1(x)

式中，d_t(x)为第t帧图像f_t(x)与第t-1帧图像f_t-1(x)的差分结果，d_t+1(x)为第t+1帧图像f_t+1(x)与第t帧图像f_t(x)的差分结果，D_t(x)为t时刻在点x处三帧差分法的结果。

4.根据权利要求1所述的动态目标检测方法，其特征在于，步骤2所述的根据各像素点的背景模型样本集，将当前帧的每个像素点分别与对应的背景模型样本集进行比较，判断该像素点是否为前景目标，从而完成目标检测，具体如下：

对当前帧中的像素点x，计算x和与x对应的背景模型样本集中N个样本之间的欧式距离，判断这些距离中小于阈值R的个数，若个数大于给定的最小阈值U_min，则点x为背景点；否则，点x为前景目标像素点。

5.根据权利要求4所述的动态目标检测方法，其特征在于，所述阈值R采用自适应阈值法进行动态调节，调节方法为：

使用背景模型样本集中像素值的标准差作为动态指标来衡量背景的变化复杂度，其公式如下：

其中v(x)为动态指标，是当前帧中点x的像素值V(x)与背景样本中V_i(x)的差值平均值；设定v(x)·β为自适应阈值的判断标准，β为给定的参数，根据实际拍摄到的背景变化选取合适的值；

记录当前像素点的v(x)值，自适应地更新阈值R(x)：

式中，α₁、α₂是给定的参数；

当v(x)大于设定阈值时，代表背景复杂，则需要增加R(x)的值来减少干扰；当v(x)小于设定阈值时，代表背景简单，则逐步减小R(x)使其趋近于初始值。

6.根据权利要求1所述的动态目标检测方法，其特征在于，步骤3中所述的无记忆更新，具体如下：

对于需要更新像素点的背景样本集，每次都随机选取被替换的样本，以新的像素值替换该样本像素，从而确保背景模型样本集中既有最新的像素点，也包含历史样本值，使得样本集的时间窗更长。

7.根据权利要求1所述的动态目标检测方法，其特征在于，步骤3中所述的时间取样更新，具体如下：

在实际应用环境中，不需要更新每一帧视频序列的背景模型，即在当前帧中，检测到点x为背景点，那么该点有

的概率用以替换更新原模型集中的点，其中

为时间采样因子。

8.根据权利要求1所述的动态目标检测方法，其特征在于，步骤3中所述的空间邻域更新，具体如下：

若当前像素点已经被选中用于替换背景集中的值，那么同时更新该点邻域中任意一个其他像素点的背景样本集。

Images