CN113780119A - 基于静止摄像机应用场景的高精度运动目标检测方法 - Google Patents
基于静止摄像机应用场景的高精度运动目标检测方法 Download PDFInfo
- Publication number
- CN113780119A CN113780119A CN202110995191.XA CN202110995191A CN113780119A CN 113780119 A CN113780119 A CN 113780119A CN 202110995191 A CN202110995191 A CN 202110995191A CN 113780119 A CN113780119 A CN 113780119A
- Authority
- CN
- China
- Prior art keywords
- image
- chrominance
- foreground
- sub
- pixels
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 230000003068 static effect Effects 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 56
- 238000001914 filtration Methods 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于静止摄像机应用场景的高精度运动目标检测方法，涉及变电站安全的技术领域。该方法利用视频图像信息，将测试图像分为前景图像和色度背景图像，并确定前景图像中存在运动目标的图像子块，再根据该图像子块确定矩形区域，进一步确定存在运动目标的矩形区域为最终检测出的运动目标。上述方法解决了现有运动目标检测的技术中存在的检测精度低、适用范围小的问题，可以准确地检测和定位出画面中大尺度范围变化的多个运动目标。
Description
技术领域
本发明涉及电力行业无人值守变电站安全的技术领域，尤其是涉及一种基于静止摄像机应用场景的高精度运动目标检测方法。
背景技术
近年来，无人值守变电站的数量日益增多，尤其是在城市边缘或远郊等人烟稀少的地方被广泛应用。变电站内安装了大量的电能量输送与变换的电力设备与装置，也包括大量形态各异的输电线路。为了确保电力系统的安全运行，通常在变电站区域的多个位置安装摄像机，24小时监视被监测区域的人员流动与设备的外观状态变化，并将采集的视频在站内进行分析，必要时上传至调度中心和电网云端管控平台，供相关部门人员随时调看取证。
一般地，110KV以上等级的变电站配备的摄像机数量为30至200台，这其中包括一定数量的静止摄像机，专门用于监测某些特定区域和特定设备，其特点是摄像机静止不动，焦距固定，监测区域与对象明确。随着视频监控应用领域和范围的不断扩大，监测对象和内容的不断丰富，对静止摄像机下的运动目标检测的研究也提出了更高的要求。也就是说，目前利用现有运动目标检测算法进行复杂场景下的运动目标检测的技术仍然存在精度低、适用范围小等问题。
发明内容
本发明的目的在于提供一种基于静止摄像机应用场景的高精度运动目标检测方法，可以应用于无人值守的各个等级的变电站，配合已经安装的视频监控系统，准确地检测和定位出视频流画面中大尺度范围变化的任意多个运动目标，为变电站安防和远程智能巡检系统提供可靠的信息支撑。
为了实现上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于静止摄像机应用场景的高精度运动目标检测方法，包括：
S10：将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，上述参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
S20：基于上述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，上述第一前景图像TF(x，y，t)包括：上述测试图像中，上述绝对差值大于阈值V1的像素；上述第二色度背景图像包括：上述测试图像中，上述绝对差值不大于阈值V1的像素；
S30：基于迭代算法将上述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对上述第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
S40：将上述第二前景图像
划分为多个非重叠的图像子块，计算每个上述图像子块中第一特征像素的数量与上述图像子块的总像素数量的比值R(i，j)；
S50：若当前上述图像子块的比值R(i，j)大于阈值V2，则当前上述图像子块为运动目标图像子块；若上述第二前景图像
中判断为上述运动目标图像子块的总数大于阈值V3，则判断上述测试图像T(x，y，t)中有运动目标；
S60：在上述第二前景图像
中确定由上述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断上述矩形区域是否存在运动目标；如果当前上述矩形区域中存在上述运动目标，则在测试图像T(x，y，t)上标示出当前上述矩形区域的框架，即为最终检测出的运动目标。
在一种可能的实施方式中，上述数字彩色视频图像序列为连续数字彩色视频图像序列C(x，y，t)，t＝1，2，...N，其中，x、y分别表示像素的横坐标和纵坐标，W、H分别表示图像的宽度和高度，1≤x≤W，1≤y≤H；Br、Bg、Bb分别代表构成数字彩色图像的红、绿、蓝三基色分量图像；
构建上述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)的步骤包括：
S101：在上述参考图像序列C(x，y，t)中提取色度分量Cr(x，y，t)、Cg(x，y，t)、Cb(x，y，t)，t＝1，2，...N；
S102：遍历上述图像序列中的每个像素x，y，1≤x≤W，1≤y≤H，t＝1，2，...N，按照每个色度分量幅值的升值排序，生成色度幅值序列Cr(x，y，[1′，2′，...N′])、Cg(x，y，[1″，2″，...N″])、Cb(x，y，[1″′，2″′，...N″′])；
S103：将上述色度幅值序列的0～255整数幅值线性映射为0.00～1.00，并计算每个上述色度幅值序列的前L个色度幅值的平均值，作为色度背景图像：
均值：
标准差：
其中，θ分别取r、g、b代表三基色，L≤N，1≤x≤W，1≤y≤H。
在一种可能的实施方式中，基于上述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
的步骤，包括：
S201：分别计算上述测试图像T(x，y，t)的三个色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)，以及与上述色度分量图像对应的色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)之间的绝对差值，并取其中的最大差值分量Gmax(x，y，t)的加权标准色差作为当前像素的偏离值Smax(x，y)，即：Gmax(x，y，t)
＝max(|Tr(x，y，t)-Br(x，y)|，|Tg(x，y，t)-Bg(x，y)|，|Tb(x，y，t)
-Bb(x，y)|)
Smax(x，y)＝β×max(Sr(x，y)，Sg(x，y)，Sb(x，y))，3.0≤β≤8.0；
S202：如果上述最大差值分量Gmax(x，y，t)小于上述阈值V1，同时上述最大差值分量Gmax(x，y，t)小于上述当前像素的偏离值Smax(x，y)，则判定上述当前像素为背景像素，否则判定上述当前像素为前景像素；
S203：将所有对应为前景像素坐标的像素幅值置为1.00，其余坐标像素置为0.00，生成前景图像TF(x，y，t)；将所有对应为前景像素坐标的色度背景图像的像素幅值替换为对应的Br(x，y)、Bg(x，y)、Bb(x，y)，其余坐标像素值保持不变，生成色度背景图像
其中，t表示采集测试图像的某个特定的时刻。
在一种可能的实施方式中，基于迭代算法将上述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)的公式，包括：
在一种可能的实施方式中，对上述第一前景图像TF(x，y，t)进行滤波的算法，包括：图像形态学的腐蚀与膨胀处理算法；上述滤波的算法用于滤除画面上的孤立像素点和断续的线状像素点；
其中，利用图像形态学的腐蚀与膨胀处理算法对上述第一前景图像TF(x，y，t)进行滤波的步骤，包括：
S301：定义一个半径为3的八边形结构元素SE；
S302：用上述结构元素SE对上述第一前景图像TF(x，y，t)进行腐蚀处理：
S303：用上述结构元素SE对
进行膨胀处理：
在一种可能的实施方式中，将上述第二前景图像
划分为多个非重叠的图像子块，计算每个上述图像子块中第一特征像素的数量与上述图像子块的总像素数量的比值R(i，j)的步骤，包括：
S401：以像素数为单位，设定上述图像子块的长、宽数值作为图像子块参数；
S402：依据上述图像子块参数，将上述第二前景图像
划分为若干个不重叠的图像子块；
S403：将每个上述图像子块中幅值为“1”的像素作为第一特征像素，计算上述第一特征像素的数量与上述图像子块总像素数量的比值R(i，j)，其中，i、j分别表示上述图像子块的行、列坐标。
在一种可能的实施方式中，在上述第二前景图像
中确定由上述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断上述矩形区域是否存在运动目标的步骤，包括：
S601：以上述图像子块为最小单位，以三位阈值数组V4(1∶3)为组合判别准则，搜索并确定上述第二前景图像
中上述比值R(i，j)最大的上述图像子块作为准图像子块，如果上述准图像子块的上述比值R(i，j)大于阈值V4(1)，则将上述准图像子块作为有效图像子块，继续执行下面的步骤S602和S603，否则停止搜索；
S602：以上述有效图像子块的坐标为中心，以整幅图像的四个边缘为极限搜索位置，分别向上、下、左、右四个方向外侧扩展，计算每个新扩展的矩形区域内幅值为“1”的第二特征像素的数量，如果上述第二特征像素的数量大于上述阈值V4(2)，则将当前矩形区域作为运动目标的组成部分，继续扩展，反之停止扩展；在每个边缘向外侧扩展，直至判定新扩展的矩形区域没有运动目标出现，或者直至到达极限边缘位置时停止；
S603：计算步骤S602确定的四个边缘围合的矩形区域中的总像素数，如果上述矩形区域中的总像素数大于阈值V4(3)，则判定上述矩形区域存在运动目标，确定并记录上述矩形区域的四个顶角位置坐标，反之判定上述区域不存在运动目标；
S604：将步骤S603所确定的由四个顶角坐标围合的上述矩形区域内的图像子块的比值R(i，j)置为0，返回至步骤S601，继续搜索并确定其余运动目标出现的区域和坐标，直至上述第二前景图像
中所有的比值R(i，j)都为0。
第二方面，本发明实施例提供了一种基于静止摄像机应用场景的高精度运动目标检测装置，包括：
色度背景图像构建模块，用于将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，上述参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
前景图像生成模块，用于基于上述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，上述第一前景图像TF(x，y，t)包括：上述测试图像中，上述绝对差值大于阈值V1的像素；上述第二色度背景图像包括：上述测试图像中，上述绝对差值不大于阈值V1的像素；
色度背景图像更新模块，用于基于迭代算法将上述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对上述第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
图像子块划分模块，用于将上述第二前景图像
划分为多个非重叠的图像子块，计算每个上述图像子块中第一特征像素的数量与上述图像子块的总像素数量的比值R(i，j)；
第一运动目标判断模块，用于若当前上述图像子块的比值R(i，j)大于阈值V2，则当前上述图像子块为运动目标图像子块；若上述第二前景图像
中判断为上述运动目标图像子块的总数大于阈值V3，则判断上述测试图像T(x，y，t)中有运动目标；
第二运动目标判断模块，用于在上述第二前景图像
中确定由上述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断上述矩形区域是否存在运动目标；如果当前上述矩形区域中存在上述运动目标，则在测试图像T(x，y，t)上标示出当前上述矩形区域的框架，即为最终检测出的运动目标。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器，上述存储器中存储有可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现上述第一方面任一项上述的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质存储有机器可运行指令，上述计算机可运行指令在被处理器调用和运行时，上述计算机可运行指令促使上述处理器运行上述第一方面任一项上述的方法。
本发明公开了一种基于静止摄像机应用场景的高精度运动目标检测方法，该方法利用视频图像信息，将测试图像分为前景图像和色度背景图像，并确定前景图像中存在运动目标的图像子块，再根据该图像子块确定矩形区域，进一步确定存在运动目标的矩形区域为最终检测出的运动目标。上述方法解决了现有运动目标检测的技术中存在的检测精度低、适用范围小的问题，可以准确地检测和定位出画面中大尺度范围变化的多个运动目标。
本发明所提出的方法的主要特点是：(1)检测过程充分地利用了原始彩色图像信息，而非原始信息上加工的二次信息，可以更真实地表现图像的原始特征；(2)无须提供一个纯净的背景视频段，也可以准确地构建背景图像；(3)算法以像素为单位更新背景图像，确保背景图像紧随当前的背景信息的变化；(4)基于图像子块的区域运动目标检测算法既能避免孤立残余的干扰像素对运动目标像素区域的误判，又能基于区域统计分析规则，将散布在同一区域的前景像素整合为运动目标的组成部分，进而以更大的相似概率复原运动目标的原始物理形态。此算法可以准确地检测大尺度范围变化的多个运动目标。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述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为本发明实施例提供的一种基于静止摄像机应用场景的高精度运动目标检测方法的流程图；
图2为本发明实施例提供的一种基于静止摄像机应用场景的高精度运动目标检测方法的效果示意图；
图3为本发明实施例提供的一种基于静止摄像机应用场景的高精度运动目标检测装置的结构示意图；
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
智能电网建设要求更多的运用智能分析技术，实现自动“观看、筛选、跟踪、判别”站内出现的各种异常情况，提前做好预判，这其中就包括运用机器视觉技术替代人的工作。一般地，110KV以上等级的变电站配备了30～200台摄像机，这其中包括一定数量的专门用于监测某些特定区域和特定设备的静止摄像机，比如：站内入口、周界围墙、开关场、主变压器、断路器、控制柜，等等，其特点是摄像机静止不动，焦距固定，监测区域与对象明确。
本申请提出的一种基于静止摄像机应用场景的高精度运动目标检测方法就是针对这类摄像机布点应用而设计的，主要的目的是用机器视觉算法自动地监测分析出现在连续的图像序列中的人和车辆，也包括机器人的运行轨迹，甚至还可以监测主变压器工作时散热风扇群的转与不转。
运动目标检测是从图像序列中将变化的区域从背景图像中提取出来，在算法上依照目标与摄像机之间的关系分为静态背景下的运动目标检测和动态背景下的运动目标检测两大类，静止背景下运动目标检测是指摄像机在整个监视过程中不发生位移和旋转变化，只有被监视的目标对象在摄像机视场中的运动。动态背景下运动目标检测是指摄像机在整个监视过程中发生了移动(如平动、旋转、多自由度运动)，且被监视的目标对象在摄像机视场内也发生了运动。这个过程就产生了目标对象与摄像机之间复杂的相对运动。
运动目标检测的主流技术研究路线有两种，(1)不依赖于先验知识，直接从图像序列中检测出运动目标，进而跟踪并确定运动目标的轨迹；(2)依赖于目标的先验知识，即先为运动目标建模，然后在图像序列中实时找到相匹配的运动目标。就目前而言，使用较多且相对比较成熟的运动目标检测算法有两种：背景差分法和帧间差分法。
结合变电站这种特定的应用场景和监测对象的技术性能要求，辅之以大量的仿真实验，采用现有运动目标检测算法针对变电站区域中静止摄像机采集的图像进行处理仍存在以下问题：(1)画面场景的复杂度。早些年的研究基本采用实验室或其周围环境采集的标清视频图像，画面呈比较“干净”的状态，复杂度低，障碍物少，前景背景部分比较分明。意味着那时的算法不一定适应复杂的画面场景。(2)检测过程是否需要人工干预。多数算法要求提供一个用于构建背景图像的无前景目标的视频段，这就意味着算法需要人工干预。实际应用中也许无法提供一个干净的背景图像视频段，这就要求算法自动地从可能混叠有前景目标的视频段中提取和构建背景图像。(3)对气象等环境因素变化的适应性。变电站场景监测具有全天候特性，要求算法能够适应各种外在因素对图像的影响，包括天气变化、光线强弱、风力风向、阴天雨雪，也就是要求背景图像能够随着时间自动更新。另一方面，鉴于背景图像并不能完全表现当前测试画面的特性，就要求检测算法具有一定的免疫能力，尽量不受这些外界因素的影响。(4)运动目标物理特征的不确定性。这是指进入画面的运动目标在形态、尺度、数目、类型，抑或方向上都有不确定性，只要他们不是背景图像的一部分，都应该视为运动目标而被检测出来。
这四个问题解决的程度决定着运动目标检测算法的工程可用性。本申请从电网无人值守的变电站应用需求出发，围绕着综合解决上述四个问题开展了一系列的理论分析和实验性测试，提出了一种基于静止摄像机应用场景的高精度运动目标检测方法。可以应用于无人值守的各个等级的变电站，配合已经安装的视频监控系统，准确地检测和定位出视频流画面中大尺度范围变化的任意多个运动目标，为变电站安防和远程智能巡检系统提供可靠的信息支撑。
该算法继承了背景差分法的基本框架，在背景图像构建与更新、前景目标区域的鲁棒性坐标确定等技术细节上都作了实质性的改进，检测过程充分利用了彩色图像携带的信息，对前景目标的物理特征几乎没有任何限制性要求，检测算法灵敏性高，鲁棒性强，整个检测过程没有人工干预，可以应用于变电站区域的运动目标监测。
为使本发明实施例的目的、技术方案和优点更加清楚，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更为详细完整地描述。显然，这里所描述的实施例只是本发明的一部分实施例，并非全部的实施例。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的前提下所获得的所有其他的实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种基于静止摄像机应用场景的高精度运动目标检测方法进行详细介绍，参见图1所示的一种基于静止摄像机应用场景的高精度运动目标检测方法的流程示意图，该方法可以由电子设备执行，主要包括以下步骤S10至步骤S60：
S10：将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
上述数字彩色视频图像序列为连续数字彩色视频图像序列C(x，y，t)，t＝1，2，...N，即，首先获取连续数字彩色视频图像序列C(x，y，t)，t＝1，2，...N，并将其作为参考图像序列，用于构建色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；其中，x、y分别表示像素的横坐标和纵坐标，W、H分别表示图像的宽度和高度，1≤x≤W，1≤y≤H；Br、Bg、Bb分别代表构成数字彩色图像的红、绿、蓝三基色分量图像；
上述连续数字彩色视频图像序列C(x，y，t)，t＝1，2，...N来源于变电站区域布防的监测场景或设备的摄像机。一般地，所拍摄的图像分辨率不低于1920×1080。
在一种实施例中，构建每个色度的第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)的计算步骤包括：
S101：在图像序列C(x，y，t)中提取色度分量Cr(x，y，t)、Cg(x，y，t)、Cb(x，y，t)，t＝1，2，...N；
S102：遍历图像序列中的每个像素x，y，1≤x≤W，1≤y≤H，t＝1，2，...N，按照每个色度分量幅值的升值排序，形成新的色度幅值序列Cr(x，y，[1′，2′，...N′])、Cg(x，y，[1″，2″，...N″])、Cb(x，y，[1″′，2″′，...N″′])。
经过幅值升序排列后的每个像素的色度分量序列与原序列t＝1，2，...N可以不相同，每个色度分量幅值的升序序列也可以不相同。
S103：将新的色度幅值序列的0～255整数幅值线性映射为0.00～1.00，此后计算每个色度幅值序列的前L个色度幅值的平均值，即为色度背景图像：
均值：
标准差：
上式中，θ分别取r、g、b代表三基色，L≤N，1≤x≤W，1≤y≤H。上述算法的机理如下：如果图像序列中的某个像素位置没有前景目标进入而产生遮挡效应，则其像素幅值序列不会发生大幅度跳跃，反之则一定有跳跃现象。由于事先并不知道哪些像素位置在哪个时段有前景目标出现，因而采取对像素幅值进行升序排列，再取其幅值较低的部分像素序列构建色度背景图像，目的是避开前景目标出现时段的干扰。算法中的L的取值可以根据序列的长短决定，一般可以取L的1/3到2/3之间的一个整数值，典型的数值是100～200之间。
S20：基于第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，第一前景图像TF(x，y，t)包括：测试图像中，绝对差值大于阈值V1的像素；第二色度背景图像包括：测试图像中，绝对差值不大于阈值V1的像素。
也就是说，首先计算测试图像T(x，y，t)的三个色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)与对应色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)之间的绝对差值，然后将差值大于阈值V1的测试图像像素判为前景像素，其余的作为背景像素，再由此生成分离的前景图像TF(x，y，t)和色度背景图像
在一种实施例中，上述步骤S20包括以下步骤：
S201：分别计算测试图像T(x，y，t)的三个色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)与对应的色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)之间的绝对差值，取其中的最大差值分量的加权标准色差作为该像素的偏离值，即：
Gmax(x，y，t)
＝max(|Tr(x，y，t)-Br(x，y)|，|Tg(x，y，t)-Bg(x，y)|，|Tb(x，y，t)
-Bb(x，y)|)
Smax(x，y)＝β×max(Sr(x，y)，Sg(x，y)，Sb(x，y))，3.0≤β≤8.0；
S202：如果Gmax(x，y，t)小于等于阈值V1，同时Gmax(x，y，t)小于Smax(x，y)，则判定该T(x，y，t)像素为背景像素，否则判定为前景像素；
S203：将所有对应为前景像素坐标的像素幅值置为1.00，其余坐标像素置为0.00，由此形成前景图像TF(x，y，t)；将所有对应为前景像素坐标的色度背景图像像素幅值替换为对应的Br(x，y)、Bg(x，y)、Bb(x，y)，其余坐标像素值保持不变，由此形成色度背景图像
其中，t表示采集测试图像的某个特定的时刻。
该算法的机理如下：采用色度分量图像检测是考虑到运动目标的不同部分的色度成分可能不同，表现为某种色度成分较浓，另外一些色度成分较淡。根据彩色图像转换为灰度图像B(x，y)转换公式s(x，y)＝0.299Br(x，y)+0.578Bg(x，y)+0.114Bb(x，y)，可以看出不同的色度分量在灰度图像转换中的权重差异很大，此时若继续使用灰度图像检测，很有可能弱化某些权重较小的色度分量而丢失这些前景像素。基于色度分量的检测算法步骤S201则避免了这个问题，只要在任何一种色度分量幅值上发生微小的跳变，就能立刻捕捉到这种像素级的跳变；步骤S202的基于阈值V1的判断法则是考虑到外界因素的时变性对背景图像的影响，只有同时满足均值和标准差都在一定的范围内变化的像素才会被认定是背景图像像素，超出这个变换范围的像素则会被认定是前景图像像素，这样就实现了测试图像的前景图像与色度背景图像的分离。需要注意的是，测试图像的前景图像的像素值只有0.00、1.00这两个值，而测试图像的色度背景图像的像素值的变化范围仍然是[0.00 1.00]。
另外，上述算法中阈值V1的取值范围在[0.05 0.15]之间，数值越小，检测灵明度越高，干扰噪点也就越多；数值越大则相反。具体取值应结合待检测的运动目标特点而设定。
S30：基于迭代算法将第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
也就是说，基于新产生的测试背景图像
依据指定的迭代算法更新色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)。
对应于从测试图像中分离的色度背景图像坐标像素的更新公式为：
上述公式的作用是将测试图像携带的新的背景像素信息融合到参考色度背景图像中，而对应于测试图像中的前景像素位置的所有参考色度背景像素信息保持不变，由此实现了背景图像随时间的更新。
此外，上述步骤S130还可以包括：运用图像形态学的腐蚀与膨胀处理算法对前景图像TF(x，y，t)进行滤波，滤除画面上的孤立像素点和断续的线状像素点，生成前景图像
其中，滤波的具体计算步骤包括：
S301：定义一个半径为3的八边形结构元素SE；
S302：用SE对TF(x，y，t)进行腐蚀处理：
S303：用SE对
进行膨胀处理：
式中的imerode和imdilate分别对应标准的腐蚀与膨胀处理算法。
上述滤波算法的机理如下：定义一个半径为3的八边形结构元素SE是基于每个像素的邻近作用范围的考虑，结构元素太小不足以滤除雪花般孤立的干扰像素，结构元素太大则可能削弱属于前景像素区域的部分像素。先进行腐蚀处理的目的是滤除分散区域的雪花般孤立的前景像素，这些孤立的像素基本是由外界的扰动因素引起的，不是运动目标的组成部分。后进行膨胀处理则是将剩余的前景像素尽可能地连接到一起。经过这样的处理之后的前景图像留下的基本是块状的运动目标区域像素。
S40：将第二前景图像
划分为多个非重叠的图像子块，计算每个图像子块中第一特征像素的数量与图像子块的总像素数量的比值R(i，j)；
也就是说，将滤波后的前景图像
划分为多个非重叠的图像子块，计算每个图像子块中幅值为“1”的像素数与该图像子块的总像素数的比值R(i，j)。
上述步骤S40的具体计算步骤包括：
S401：以像素数为单位，设定图像子块长、宽数值；
S402：依据设定的图像子块参数，将
划分为若干个不重叠的图像子块；
S403：统计每个图像子块中幅值为“1”的像素数，计算此数值与图像子块总像素数的比值R(i，j)，这里i、j分别表示该图像子块的行、列坐标。
这就意味着不同大小幅面的图像拥有的图像子块数是不一样的。对于图像子块参数不能整除图像幅面的长和宽的情况，可将剩余的行列数均匀地分配在图像四周的外侧边缘处，这样做并不会影响检测性能。
图像字块的长、宽数值应使得被检测的最小目标对象对应多个图像子块，这样，即使有几个图像子块丢失，也不会影响对目标的检测定位。一般地，图像子块的长、宽选择范围可以是[5，15]之间的某个整数，长与宽的数值可以相同，也可以不同。
S50：若当前图像子块的比值R(i，j)大于阈值V2，则当前图像子块为运动目标图像子块；若第二前景图像
中判断为运动目标图像子块的总数大于阈值V3，则判断测试图像T(x，y，t)中有运动目标；
即，分析每个图像子块的R(i，j)，若R(i，j)大于阈值V2，则初步判断此图像子块是运动目标的一部分；若
中判断为运动目标的图像子块的总数大于阈值V3，则初步判断图像T(x，y，t)中有运动目标，否则视为没有运动目标。
该算法的机理如下：R(i，j)用于判断每个图像子块是否含有运动目标，要求R(i，j)大于阈值V2。对于常见的人或车辆这类移动物体，其出现的区域理论上应该是一个闭合区域，该区域内的所有像素幅值都应判为1。若图像子块完全处于这个闭合区域，则理论上对应的R(i，j)＝1.0。实际中有三种情况影响对某些前景图像子块的准确判断：(1)可能某些前景像素与同位置的背景像素极为相似，使得两者的幅值差低于阈值V1而未能分离出来，因而减少了该图像子块中的前景像素数量；(2)某些固定背景物体对部分前景目标像素的遮挡效应，进而丢失了这部分前景像素，造成了所检测出的前景目标像素的不完整；(3)位于前景背景边缘区域的图像子块本身只含有部分前景像素。这三种现象的任何一个都会影响R(i，j)，使得R(i，j)＜1.0。鉴于这类现象的存在，适当的设置阈值V2有助于检测这三类前景图像子块。
另一方面，若判断为含有运动目标的图像子块数大于阈值V3，则可初步判断图像T(x，y，t)中存在运动目标，这是因为对于本检测算法，最小的运动目标都是由多个图像子块组成的，小于这个阈值V3就可以判定图像T(x，y，t)中没有运动目标出现。
作为一个具体的示例，阈值V2、V3可以根据以下原则进行设置：
V2的取值范围：0.0＜V2＜1.0，V2越小，检测灵明度越高；V2越大，检测的可靠性越高。具体数值可结合检测对象的特点进行设置。
V3的取值范围：可以是大于5的任何一个正整数，具体取值取决于图像子块的大小和可检测的最小运动目标的大小，一般应略小于最小可检测运动目标所具有的图像子块数。
S60：在第二前景图像
中确定由运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断矩形区域是否存在运动目标；如果当前矩形区域中存在运动目标，则在测试图像T(x，y，t)上标示出当前矩形区域的框架，即为最终检测出的运动目标。
也就是说，在一种实施例中，上述步骤S60包括：(1)在前景图像中搜索并确定矩形区域，判断该矩形区域中是否存在运动目标，以及(2)在测试图像上标示出最终检测出的运动目标这两部分。
首先对于第一部分，在前景图像中搜索并确定矩形区域，判断该矩形区域中是否存在运动目标的具体步骤包括：
S601：以图像子块为最小单位，以三位阈值数组V4(1∶3)为组合判别准则，搜索并确定
中R(i，j)数值最大的图像子块的坐标位置，如果其值大于V4(1)，则作为有效图像子块，继续执行下面的步骤S602和S603，否则停止搜索。
S602：以该有效图像子块的坐标为中心，以整幅图像的四个边缘为极限搜索位置，分别向上、下、左、右四个方向外侧扩展，计算每个新扩展的矩形区域内“1”的第二特征像素的总数，如果第二特征像素的总数值大于阈值V4(2)，则将当前的矩形区域看作是运动目标的组成部分，继续扩展，反之停止扩展；如此，每个边缘不断地向外侧扩展，直至判定新扩展的矩形区域没有运动目标出现而停止，或者已经到达极限边缘位置时才停止继续扩展。
S603：计算步骤S602确定的四个边缘围合的矩形区域中的总像素数，如果此数大于阈值V4(3)，则判定该区域存在运动目标，确定并记录该矩形区域四个顶角位置坐标，反之判定该区域不存在运动目标。
S604：将步骤S603所确定的由四个顶角坐标围合的矩形区域内的图像子块的R(i，j)置为0，然后重回步骤S601，继续搜索并确定其他运动目标出现的区域和坐标，直至第二前景图像
中所有R(i，j)都为0。
上述步骤S60中涉及到的算法机理如下：任何一个运动目标都是由多个图像子块组成的，阈值数组的共同作用就是为了准确判断前景目标是否为运动目标。整个检测过程分成4步，第1步搜索R(i，j)＞V4(1)的图像子块是判定该区域是否有运动目标的一个前提条件，因为假如该区域的多个图像子块中的最高R(i，j)都很低，说明该区域没有运动目标；第2步要求基于第1步确定的R(i，j)的每条边外扩的矩形区域中的“1”的像素总数大于阈值V4(2)，满足此条件就是边缘有效扩展，可以继续外扩，否则就停止继续外扩，直至四个方向都停止了扩展，或者到达图像边缘，此时就可以外扩后围合的矩形区域的四个顶角坐标；第3步要求第2步所围合的矩形区域中的总像素数大于阈值V4(3)，这是对最小运动目标大小的要求。第4步是遍历
中所有R(i，j)＞V2的图像子块，直至所有R(i，j)都为0，这是考虑到测试图像中可能有多个运动目标。
算法设计中隐含这样的思想，即最终给出的围合运动目标的矩形区域一般应稍大于实际运动目标区域，这是考虑到运动目标的边缘本身可能呈不规则形状，算法体现的是宁多漏掉的原则，对于运动目标展示没有任何副作用。
其次对于上述步骤S60所包括的第二部分，在测试图像上标示出最终检测出的运动目标，即：在测试图像T(x，y，t)上画出判定为运动目标的矩形区域框架，即为最终检测出的运动目标。
也就是说，经过了前面的所有步骤，即可得到在测试图像T(x，y，t)上的所有围合运动目标的矩形顶点坐标，在T(x，y，t)上画出所有判定为运动目标的矩形区域实线框架，即为最终检测出的运动目标。
将此算法重复作用于视频流，可以是逐帧，也可以是跳帧，即可获得运动目标的运动轨迹。
为了形象化地展示经过S11～S60处理步骤的效果，本申请实施例中随机地选取变电站环境采集的视频中的2帧具有运动目标的图像样本，并给出处理过程的对比效果，参见图2。需要说明的是，(a1)和(b1)对应的原始图像应该是彩色图像，这里展示的是经过变换后的灰度图像。
图2中的每一列的四副图像分别为两个样本图像的处理结果。图2的(a1)和(b1)为从视频中提取的原始测试图像，可以看到远处分别有3个人和1个人在变电站现场作业，同时可以看到场地景物是十分杂乱的，线缆、设备与柱体非常的多，空旷的场地占比不大；图2的(a2)和(b2)两幅图是提取的前景图像，可以看到图像上遍布着许多噪点，说明背景图像与测试图像确实是存在着一定的差异；图2的(a3)和(b3)是经过数学形态算法处理之后的结果，可以看出绝大多数的噪点均被过滤掉了；图2的(a4)和(b4)给出了算法搜索到的用矩形框架围合起来的运动目标位置，可以看出，现场作业的人员均被找到，且定位准确。同样可以看到，由于三个正在作业的人彼此距离很近，检测算法将其围合在同一个矩形框架中。
除了工作人员之外，还可以看到在图2的(a4)部分上的另外一个矩形区域，这是对应于图2的(a4)部分上的变压器中正在运转的风扇，由于其本身处于旋转状态，与背景图像存在一定的差异，因而也被检测出来。实际上，每台变压器都配置了多台风扇，本算法可以检测出哪台风扇在运转，这也可以作为变电站远程智能巡检系统的辅助信息。
从(a4)、(b4)图像上还可以看出，本算法给出的矩形区域并不是对人员的紧围合，而是以图像子块为最小单位的围合，算法也没有追求100％的运动目标区域像素检测目标，而是追求运动目标整体检测的不漏，这在实际工程应用中更有价值。
上述两个检测图像样本的阈值参数设置是：V1＝0.05，V2＝0.12，V3＝20，V4(1∶3)＝(0.92，5，1000)。
本发明实施例提供了一种基于静止摄像机应用场景的高精度运动目标检测方法，可以准确地检测和定位出画面中大尺度范围变化的多个运动目标。该方法实现了复杂场景、复杂管网线路与设备、任意气象条件下的无人值守变电站环境的高精度运动目标检测。整个处理过程充分地利用了数字彩色图像信息，并且可随时间自动更新参考背景图像。该方法可以同时准确地检测和定位画面中大尺度范围变化的多个运动目标，包括因障碍物的遮挡而切分为多个碎块的目标。此外，该检测算法对监测场景和运动目标的物理形态、变化特征(刚性，柔性)、尺度大小、运动方向、气象条件等没有任何的限制性要求，为多运动目标检测和运动轨迹跟踪提供了准确的基于矩形区域的目标形态和坐标位置信息，可以应用于无人值守的变电站的安全防护、安全作业监测和设备状态巡检。
本发明实施例还提供了一种基于静止摄像机应用场景的高精度运动目标检测装置，参见图3，该装置包括以下模块：
色度背景图像构建模块310，用于将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
前景图像生成模块320，用于基于第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，第一前景图像TF(x，y，t)包括：测试图像中，绝对差值大于阈值V1的像素；第二色度背景图像包括：测试图像中，绝对差值不大于阈值V1的像素；
色度背景图像更新模块330，用于基于迭代算法将第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
图像子块划分模块340，用于将第二前景图像
划分为多个非重叠的图像子块，计算每个图像子块中第一特征像素的数量与图像子块的总像素数量的比值R(i，j)；
第一运动目标判断模块350，用于若当前图像子块的比值R(i，j)大于阈值V2，则当前图像子块为运动目标图像子块；若第二前景图像
中判断为运动目标图像子块的总数大于阈值V3，则判断测试图像T(x，y，t)中有运动目标；
第二运动目标判断模块360，用于在第二前景图像
中确定由运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断矩形区域是否存在运动目标；如果当前矩形区域中存在运动目标，则在测试图像T(x，y，t)上标示出当前矩形区域的框架，即为最终检测出的运动目标。
本申请实施例所提供的基于静止摄像机应用场景的高精度运动目标检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。本申请实施例提供的基于静止摄像机应用场景的高精度运动目标检测装置与上述实施例提供的基于静止摄像机应用场景的高精度运动目标检测方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本申请实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图4为本申请实施例提供的一种电子设备的结构示意图，该电子设备400包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。
其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。
处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。
对应于上述方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述方法的步骤。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于静止摄像机应用场景的高精度运动目标检测方法，其特征在于，包括：
S10：将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，所述参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
S20：基于所述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，所述第一前景图像TF(x，y，t)包括：所述测试图像中，所述绝对差值大于阈值V1的像素；所述第二色度背景图像包括：所述测试图像中，所述绝对差值不大于阈值V1的像素；
S30：基于迭代算法将所述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对所述第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
S40：将所述第二前景图像
划分为多个非重叠的图像子块，计算每个所述图像子块中第一特征像素的数量与所述图像子块的总像素数量的比值R(i，j)；
S50：若当前所述图像子块的比值R(i，j)大于阈值V2，则当前所述图像子块为运动目标图像子块；若所述第二前景图像
中判断为所述运动目标图像子块的总数大于阈值V3，则判断所述测试图像T(x，y，t)中有运动目标；
S60：在所述第二前景图像
中确定由所述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断所述矩形区域是否存在运动目标；如果当前所述矩形区域中存在所述运动目标，则在测试图像T(x，y，t)上标示出当前所述矩形区域的框架，即为最终检测出的运动目标。
2.根据权利要求1所述的方法，其特征在于，所述数字彩色视频图像序列为连续数字彩色视频图像序列C(x，y，t)，t＝1，2，...N，其中，x、y分别表示像素的横坐标和纵坐标，W、H分别表示图像的宽度和高度，1≤x≤W，1≤y≤H；Br、Bg、Bb分别代表构成数字彩色图像的红、绿、蓝三基色分量图像；
构建所述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)的步骤包括：
S101：在所述参考图像序列C(x，y，t)中提取色度分量Cr(x，y，t)、Cg(x，y，t)、Cb(x，y，t)，t＝1，2，...N；
S102：遍历所述图像序列中的每个像素x，y，1≤x≤W，1≤y≤H，t＝1，2，...N，按照每个色度分量幅值的升值排序，生成色度幅值序列Cr(x，y，[1′，2′，...N′])、Cg(x，y，[1″，2″，...N″])、Cb(x，y，[1″′，2″′，...N″′])；
S103：将所述色度幅值序列的0～255整数幅值线性映射为0.00～1.00，并计算每个所述色度幅值序列的前L个色度幅值的平均值，作为色度背景图像：
均值：
标准差：
其中，θ分别取r、g、b代表三基色，L≤N，1≤x≤W，1≤y≤H。
3.根据权利要求1所述的方法，其特征在于，基于所述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
的步骤，包括：
S201：分别计算所述测试图像T(x，y，t)的三个色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)，以及与所述色度分量图像对应的色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)之间的绝对差值，并取其中的最大差值分量Gmax(x，y，t)的加权标准色差作为当前像素的偏离值Smax(x，y)，即：
Gmax(x，y，t)
＝max(|Tr(x，y，t)-Br(x，y)|，|Tg(x，y，t)-Bg(x，y)|，|Tb(x，y，t)-Bb(x，y)|)
Smax(x，y)＝β×max(Sr(x，y)，Sg(x，y)，Sb(x，y))，3.0≤β≤8.0；
S202：如果所述最大差值分量Gmax(x，y，t)小于所述阈值V1，同时所述最大差值分量Gmax(x，y，t)小于所述当前像素的偏离值Smax(x，y)，则判定所述当前像素为背景像素，否则判定所述当前像素为前景像素；
S203：将所有对应为前景像素坐标的像素幅值置为1.00，其余坐标像素置为0.00，生成前景图像TF(x，y，t)；将所有对应为前景像素坐标的色度背景图像的像素幅值替换为对应的Br(x，y)、Bg(x，y)、Bb(x，y)，其余坐标像素值保持不变，生成色度背景图像
其中，t表示采集测试图像的某个特定的时刻。
4.根据权利要求1所述的方法，其特征在于，基于迭代算法将所述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)的公式，包括：
5.根据权利要求1所述的方法，其特征在于，对所述第一前景图像TF(x，y，t)进行滤波的算法，包括：图像形态学的腐蚀与膨胀处理算法；所述滤波的算法用于滤除画面上的孤立像素点和断续的线状像素点；
其中，利用图像形态学的腐蚀与膨胀处理算法对所述第一前景图像TF(x，y，t)进行滤波的步骤，包括：
S301：定义一个半径为3的八边形结构元素SE；
S302：用所述结构元素SE对所述第一前景图像TF(x，y，t)进行腐蚀处理：
S303：用所述结构元素SE对
进行膨胀处理：
6.根据权利要求1所述的方法，其特征在于，将所述第二前景图像
划分为多个非重叠的图像子块，计算每个所述图像子块中第一特征像素的数量与所述图像子块的总像素数量的比值R(i，j)的步骤，包括：
S401：以像素数为单位，设定所述图像子块的长、宽数值作为图像子块参数；
S402：依据所述图像子块参数，将所述第二前景图像
划分为若干个不重叠的图像子块；
S403：将每个所述图像子块中幅值为“1”的像素作为第一特征像素，计算所述第一特征像素的数量与所述图像子块总像素数量的比值R(i，j)，其中，i、j分别表示所述图像子块的行、列坐标。
7.根据权利要求1所述的方法，其特征在于，在所述第二前景图像
中确定由所述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断所述矩形区域是否存在运动目标的步骤，包括：
S601：以所述图像子块为最小单位，以三位阈值数组V4(1：3)为组合判别准则，搜索并确定所述第二前景图像
中所述比值R(i，j)最大的所述图像子块作为准图像子块，如果所述准图像子块的所述比值R(i，j)大于阈值V4(1)，则将所述准图像子块作为有效图像子块，继续执行下面的步骤S602和S603，否则停止搜索；
S602：以所述有效图像子块的坐标为中心，以整幅图像的四个边缘为极限搜索位置，分别向上、下、左、右四个方向外侧扩展，计算每个新扩展的矩形区域内幅值为“1”的第二特征像素的数量，如果所述第二特征像素的数量大于所述阈值V4(2)，则将当前矩形区域作为运动目标的组成部分，继续扩展，反之停止扩展；在每个边缘向外侧扩展，直至判定新扩展的矩形区域没有运动目标出现，或者直至到达极限边缘位置时停止；
S603：计算步骤S602确定的四个边缘围合的矩形区域中的总像素数，如果所述矩形区域中的总像素数大于阈值V4(3)，则判定所述矩形区域存在运动目标，确定并记录所述矩形区域的四个顶角位置坐标，反之判定所述区域不存在运动目标；
S604：将步骤S603所确定的由四个顶角坐标围合的所述矩形区域内的图像子块的比值R(i，j)置为0，返回至步骤S601，继续搜索并确定其余运动目标出现的区域和坐标，直至所述第二前景图像
中所有的比值R(i，j)都为0。
8.一种基于静止摄像机应用场景的高精度运动目标检测装置，其特征在于，包括：
色度背景图像构建模块，用于将获取的数字彩色视频图像序列C(x，y，t)，t＝1，2，...N作为参考图像序列，所述参考图像序列用于构建第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；
前景图像生成模块，用于基于所述第一色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)与测试图像T(x，y，t)的相应的色度分量图像Tr(x，y，t)、Tg(x，y，t)、Tb(x，y，t)之间的绝对差值，生成分离的第一前景图像TF(x，y，t)和第二色度背景图像
其中，所述第一前景图像TF(x，y，t)包括：所述测试图像中，所述绝对差值大于阈值V1的像素；所述第二色度背景图像包括：所述测试图像中，所述绝对差值不大于阈值V1的像素；
色度背景图像更新模块，用于基于迭代算法将所述第二色度背景图像
更新为第三色度背景图像Br(x，y)、Bg(x，y)、Bb(x，y)；并对所述第一前景图像TF(x，y，t)进行滤波，生成第二前景图像
图像子块划分模块，用于将所述第二前景图像
划分为多个非重叠的图像子块，计算每个所述图像子块中第一特征像素的数量与所述图像子块的总像素数量的比值R(i，j)；
第一运动目标判断模块，用于若当前所述图像子块的比值R(i，j)大于阈值V2，则当前所述图像子块为运动目标图像子块；若所述第二前景图像
中判断为所述运动目标图像子块的总数大于阈值V3，则判断所述测试图像T(x，y，t)中有运动目标；
第二运动目标判断模块，用于在所述第二前景图像
中确定由所述运动目标图像子块围合而成的一个或多个分离的矩形区域的顶角位置坐标，并判断所述矩形区域是否存在运动目标；如果当前所述矩形区域中存在所述运动目标，则在测试图像T(x，y，t)上标示出当前所述矩形区域的框架，即为最终检测出的运动目标。
9.一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995191.XA CN113780119B (zh) | 2021-08-27 | 2021-08-27 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995191.XA CN113780119B (zh) | 2021-08-27 | 2021-08-27 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113780119A true CN113780119A (zh) | 2021-12-10 |
| CN113780119B CN113780119B (zh) | 2024-08-02 |
Family
ID=78839465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110995191.XA Active CN113780119B (zh) | 2021-08-27 | 2021-08-27 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780119B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550062A (zh) * | 2022-02-25 | 2022-05-27 | 京东科技信息技术有限公司 | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
| CN117710367A (zh) * | 2024-02-05 | 2024-03-15 | 西安高压电器研究院股份有限公司 | 高压断路器机械特性图像检测方法、装置及相关设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101447082A (zh) * | 2008-12-05 | 2009-06-03 | 华中科技大学 | 一种运动目标实时检测方法 |
| CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控系统中车身颜色自动识别方法 |
| CN103826102A (zh) * | 2014-02-24 | 2014-05-28 | 深圳市华宝电子科技有限公司 | 一种运动目标的识别方法、装置 |
| US20160253802A1 (en) * | 2012-01-17 | 2016-09-01 | Avigilon Fortress Corporation | System and method for home health care monitoring |
| CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
-
2021
- 2021-08-27 CN CN202110995191.XA patent/CN113780119B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101447082A (zh) * | 2008-12-05 | 2009-06-03 | 华中科技大学 | 一种运动目标实时检测方法 |
| CN102184413A (zh) * | 2011-05-16 | 2011-09-14 | 浙江大华技术股份有限公司 | 车辆智能监控系统中车身颜色自动识别方法 |
| US20160253802A1 (en) * | 2012-01-17 | 2016-09-01 | Avigilon Fortress Corporation | System and method for home health care monitoring |
| CN103826102A (zh) * | 2014-02-24 | 2014-05-28 | 深圳市华宝电子科技有限公司 | 一种运动目标的识别方法、装置 |
| CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550062A (zh) * | 2022-02-25 | 2022-05-27 | 京东科技信息技术有限公司 | 图像中运动对象的确定方法、装置、电子设备和存储介质 |
| CN117710367A (zh) * | 2024-02-05 | 2024-03-15 | 西安高压电器研究院股份有限公司 | 高压断路器机械特性图像检测方法、装置及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113780119B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10261574B2 (en) | Real-time detection system for parked vehicles | |
| CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
| CN113780119A (zh) | 基于静止摄像机应用场景的高精度运动目标检测方法 | |
| CN110650316A (zh) | 智能巡逻及预警处理方法、装置、电子设备及存储介质 | |
| CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
| CN108364282B (zh) | 图像马赛克检测方法、图像马赛克检测系统 | |
| CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
| CN110114801B (zh) | 图像前景检测装置及方法、电子设备 | |
| CN109308448A (zh) | 一种采用图像处理技术来防止变配电误操作的方法 | |
| CN112508019A (zh) | 基于图像识别的gis隔离/接地开关状态检测方法及系统 | |
| CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
| JP2020087400A (ja) | ディープランニング基盤陰影映像の時空間的な特性分析を活用した暴力検出用フレームワーキング方法およびその装置 | |
| CN113505643A (zh) | 违章目标物检测方法及相关装置 | |
| KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
| CN116147842A (zh) | 气体泄露检测方法及装置、设备、存储介质 | |
| US20130027550A1 (en) | Method and device for video surveillance | |
| CN112581489A (zh) | 一种视频压缩方法、装置及存储介质 | |
| CN105427276A (zh) | 一种基于图像局部边缘特征的摄像头检测方法 | |
| CN114648736B (zh) | 基于目标检测的鲁棒工程车辆识别方法及系统 | |
| Balcilar et al. | Extracting vehicle density from background estimation using Kalman filter | |
| CN113592801B (zh) | 视频图像的条纹干扰检测方法及其装置 | |
| CN106980863A (zh) | 一种变电站视频监控中的设备异常诊断模型 | |
| CN114419489A (zh) | 特征提取网络的训练方法、装置、终端设备和介质 | |
| CN113920535A (zh) | 一种基于YOLOv5的电子区域检测方法 | |
| Zaihidee et al. | Comparison of human segmentation using thermal and color image in outdoor environment |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |