专利名称：一种运动目标的检测方法、系统及视频分析系统的制作方法
技术领域：
本发明属于监控技术领域，尤其涉及一种运动目标的检测方法、系统及视频分析 系统。
背景技术：
视频监控领域中所提到的智能视频分析技术是影像语音技术、计算机技术、通讯 技术和多媒体存储开发技术的结合。主要是指通过计算机对连续采集的视频信号进行处 理，检测其中的运动目标，并对运动目标进行分类、跟踪、识别等后续处理，进而对目标的行 为进行分析，看是否有越界、越线、物体遗留或者盗窃等事件发生，当检测到有该类事件发 生时，便发出报警信号并提醒监控人员注意或者采取相应的措施。运动目标检测是整个智能视频分析技术的前提和基础，运动目标检测的准确与否 直接影响到目标特征的提取以及后续目标的特征匹配、跟踪和行为分析的准确程度。针对 监控环境的不同，可以将运动目标检测方法分为两种一种是摄像机静止情况下的运动目 标检测，另一种是摄像机运动情况下的运动目标检测。目前，对于摄像机固定情况下的运动 目标检测方法有很多，总的来说分为背景减法、帧间差分法和光流法等。由于背景减法能 够比其他方法提供更多的关于运动目标的信息，所以被广泛地应用在运动目标检测中。背景减法近年来受到了国内外大量学者和研究人员的广泛关注，在运动目标检测 理论研究和实际应用方面也进行了一些有益探索，有很多关于基于背景减的运动目标检测 方面的文章发表，主要有基于单高斯、基于混合高斯、基于统计和基于贝叶斯的方法等，但 是这些方法检测的准确度不够，或不能达到检测的实时性要求。尤其是复杂监控场景的背 景干扰，如树叶摆动、水纹波动、雨雪、光照变化等天气因素的影响，常常使得这些算法的检 测精度降低，使得算法的适用性降低。
发明内容
本发明实施例的目的在于提供一种运动目标的检测方法，旨在解决现有技术中运 动目标的检测算法的适用性较低、检测精度低的问题。本发明实施例是这样实现的，一种运动目标的检测方法，所述方法包括下述步 骤根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根据灰度背景模型和梯度背景模型分别进行运动目标的检测；将基于灰度背景模型和梯度背景模型进行运动目标检测的结果相结合，分割得到 运动目标。本发明实施例的另一目的在于提供一种运动目标的检测系统，所述系统包括背景模型建立模块，用于根据预先获取的灰度和梯度信息，建立灰度背景模型和 梯度背景模型；检测模块，用于根据所述背景模型建立模块建立的灰度背景模型和梯度背景模型进行运动目标的检测；以及分割模块，用于将所述检测模块分别进行基于所述灰度背景模型和梯度背景模型 运动目标检测的结果相结合，分割得到运动目标。本发明实施例的另一目的在于提供一种视频分析系统，所述视频分析系统包括运 动目标的检测系统。在本发明实施例中，根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根据所述灰度背景模型和梯度背景模型分别进行运动目标的检测；将分别对基 于所述灰度背景模型和梯度背景模型进行运动目标检测的结果进行结合，分割得到运动目 标，提高了运动目标检测的精度，适用性高。
图1是本发明实施例提供的运动目标的检测方法的实现流程图；图2是本发明实施例提供的根据预先获取的灰度和梯度信息，建立灰度背景模型 和梯度背景模型的实现流程图；图3是本发明第一实施例提供的运动目标的检测系统的结构框图；图4是本发明实施例提供的背景模型建立模块的结构框图；图5是本发明第二实施例提供的运动目标的检测系统的结构框图。
具体实施例方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。在本发明实施例中，根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根据所述灰度背景模型和梯度背景模型进行运动目标的检测；将分别基于所述 灰度背景模型和梯度背景模型进行运动目标检测的结果进行结合，分割得到运动目标。图1示出了本发明实施例提供的运动目标的检测方法的实现流程，其具体的步骤 如下所述在步骤SlOl中，根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度背景 模型。在本发明实施例中，预先获取灰度和梯度信息，然后根据该灰度和梯度进行建立 背景模型，下述有分别以灰度和梯度为实施例进行的描述，在此不再赘述，但不用以限制本 发明。在步骤S102中，根据所述灰度背景模型和梯度背景模型分别进行运动目标的检 测。在本发明实施例中，在建立的灰度背景模型和梯度背景模型后，对于以后每帧图 像的各个像素点，可以利用差图像和方差进行比较，来判断当前点是运动点还是静止点，其 具体判断方法为 255,Δ,α/) >=Κ ·σΑ , )Dt(i,j) = \ '/；.'；' ν 1 /\、7;,其中，Dt(i，j) = 255 表示当前点为可能的目0,Al(IiJ)KNl ^ai(Ij)
标点，否则，表示当前点为背景点，m的选取视具体的场景而定，在此不用以限制本发明。在步骤S103中，将分别基于所述灰度背景模型和梯度背景模型进行运动目标的 检测的结果进行结合，分割得到运动目标。在本发明实施例中，通过将基于灰度运动目标检测的结果和基于梯度运动目标检 测的结果相结合，可以得到最终的运动目标信息，排除了由于光照渐变等因素的影响。作为本发明的另一实施例，图2示出了本发明实施例提供的根据预先获取的灰度 和梯度信息，建立灰度背景模型和梯度背景模型的实现流程，其具体的步骤如下所述在步骤S201中，确立灰度信息和梯度信息的初始均值和方差。在本发明实施例中，梯度信息的获得可以通过运用sobel算子作为模板和原图像 进行卷积运算得到，对于某个像素点的梯度信息的计算方法为Vx = VxI(i, j) = I{i + 1,7 + 1) + 2- I{i, ; + 1) + I(i-\,j +1)- I(i + 1,7-1)-2-I(i, J-I)-I{i -1,;-1)' Vy = V/0", j) = I{i + 1,7 + 1) + 2- /(/ +1,;) + Iii + l,j-1)-Iiij+ \)-2-Iii-XJ)-I(i-\,j-\)，其中，I(i，j)表示像素点(i，j)处的灰度值，Vx表示像素点(i，j)处水平方向的梯度，而\表示像素点(i，j)垂直方向的梯度。对于各个像素点，将第一帧的灰度信息值和梯度信息值分别作为初始的灰度均值 和梯度均值，对于第二帧的每个像素点，通过计算当前帧与背景模型的灰度和梯度差得到 相应的差分图像，进而得到初始的差值和相应的初始化标准方差。在步骤S202中，根据所述灰度信息和梯度信息的初始均值和方差建立初始灰度 背景模型和初始梯度背景模型。在本发明实施例中，假设背景图像中除运动区域以外的每一个像素的变化服从高 斯分布，与单高斯方法类似，可以通过观测一段时间内背景中相应像素点的均值和方差来 建立背景的高斯模型。在步骤S203中，根据各帧的像素值，对所述初始灰度背景模型和初始梯度背景模 型进行训练，得到灰度背景模型和梯度背景模型。在本发明实施例中，需要通过一段时间的训练，得到稳定的灰度和梯度背景模型， 即对于以后每帧的各个像素点，各帧的背景值按照当前像素值和上帧背景值的大小关系 进行单位递增或单位递减，灰度和梯度背景模型的建立方法为yt(i, j) = PhG，j)+sgn(It(i，jO-PhG，j))，其中，均值 yt(i，j)代表当前 帧的背景值，μ t-Ji，j)代表上一帧的背景值。而sgn( ·)表示符号函数，其计算方法为-1，χ<00,x= 0 ；1,χ>0如果均值Pt1(Lj)比当前像素值it(i，j)小，则将均值yt(i，j)增加1，如果均 值yH(i，j)比当前像素值it(i，j)大，则将均值yt(i，j)减小1。可以看出，yt(i，j)是 It(i，j)的近似，此处仅为本发明的一个实施例，在此不用以限制本发明。
在本发明实施例中，对于以后每帧的各个像素点，灰度和梯度标准方差的计算方 法如下(本实施例假设At(x) ^ 0)Sgn(X)=
ot(i, j) = 0H(i，j)+sgn(NX At(i, j)-0H(i，j))，其中，N 的选取视具体的 场景而定，。t(i，j)代表当前帧(i，j)像素点的标准方差值，O^(I7J)代表上一帧(i，j) 像素点的标准方差值。如果差值较大，即OH(i，j) <NXAt(i，j)，则将方差单位递增，以 反映背景发生了较大的变化，从而使得背景模型对于背景的变化具有自适应性。在本发明实施例中，灰度背景模型和梯度背景模型的建立方式类似，在此不再分 开赘述，但不用以限制本发明。作为本发明的另一个实施例，对灰度背景模型和梯度背景模型的均值和方差分别 进行更新，以达到更新灰度背景模型和梯度背景模型的目的，其具体的实现为对于均值的更新，通过统计每M帧各像素点判断为目标点的个数，如果判断为目 标点的个数超过了 P次且该点恰好是目标点时，则不进行更新，否则更新，其方式为μ t(i， j) = μ t(i，j)+a · sgn(Ir(i，j)-y t(i, j))，其中，a = 4 ；对于方差的更新，通过统计每M帧各像素点判断为目标点的个数，如果判断为目 标点的个数超过了 P次且当前帧该像素点值it(i，j) = yt(i，j)时，则不进行更新，否则 更新，方式为ot(i，j) = ot(i，j)a*sgn(N*At(i，j)-ot(i, j))，其中，a = 4。作为本发明另一个实施例，对灰度背景模型进行运动目标检测的结果进行形态学 滤波处理和连通域分析，其具体的实现为对于形态学滤波，为了尽可能多地保留目标信息，而去除噪声点的影响，在检测出 的运动目标像素点后需要对二值化图像进行形态学滤波处理，尽可能多地去除噪声点的影 响。本实施例在基本的形态学滤波算法的基础上，针对其中存在的不足，进行了改进，在做 闭运算前，加入了空域滤波处理，其具体包括下述步骤(1)从左到右，从上到下，扫描图像，找到图像中第一个二值化标记为255的点(以 3*3结构元素为例，为防止越界，不处理最上，最下，最左，最右四边的图像元素)；(2)对于标记为255点(目标点)，判断其领域的25个点，如果25个点中有N个 点为目标点255，则将当前点置为255，否则，将当前位置像素值置为0重复步骤(1)和O)， 直至遍历整个图像。对于连通区域分析，是通过应用标记算法来找到属于同一个连通区域的所有像素 点，并给予相同的标记，而对于属于不同连通区域的像素点给予不同的标记，然后将面积大 于预设阈值的连通区域提取出来，即为要得到的运动目标。上述仅为本发明的一个实施例，该形态学滤波和连通域分析是针对运动目标的灰 度信息来说的，在此不用以限制本发明。图3示出了本发明第一实施例提供的运动目标的检测系统的结构框图，为了便于 说明，图中仅给出了与本发明实施例相关的部分，其中，运动目标的检测系统可以内置于视 频分析系统的软件单元、硬件单元或软硬件单元。背景模型建立模块11根据预先获取的灰度和梯度信息，建立灰度背景模型和梯 度背景模型；检测模块12根据所述背景模型建立模块11建立的所述灰度背景模型和梯度 背景模型进行运动目标的检测；分割模块13将所述检测模块12分别基于所述灰度背景模 型和梯度背景模型进行运动目标检测的结果进行结合，分割得到运动目标。在本发明实施例中，如图4所示，确立模块111确立灰度信息和梯度信息的初始 均值和方差；第一模型建立模块112根据所述确立模块111确立的灰度信息和梯度信息的初始均值和方差建立初始灰度背景模型和初始梯度背景模型；训练模块113根据各帧的像 素值，对所述第一模型112建立模块建立的初始灰度背景模型和初始梯度背景模型进行训 练，得到灰度背景模型和梯度背景模型。在本发明实施例中，上述功能模块的详细实现流程，如上述方法实施例所述，在此 不再赘述，但不用以限制本发明。作为本发明的另一个实施例，图5示出了本发明第二实施例提供的运动目标的检 测系统的结构框图，为了便于说明，图中仅给出了与本发明实施例相关的部分，其中，运动 目标的检测系统可以内置于视频分析系统的软件单元、硬件单元或软硬件单元。背景模型建立模块11根据预先获取的灰度和梯度信息，建立灰度背景模型和梯 度背景模型；检测模块12根据所述背景模型建立模块11建立的所述灰度背景模型和梯度 背景模型进行运动目标的检测；分割模块13将所述检测模块12分别基于所述灰度背景模 型和梯度背景模型进行运动目标检测的结果进行结合，分割得到运动目标，其中详细的实 现流程，如上述方法实施例所述，在此不再赘述，但不用以限制本发明。在本发明实施例中，标准方差建立模块14建立灰度和梯度的标准方差；更新模块 15对所述灰度背景模型和梯度背景模型的均值和方差分别进行更新；滤波处理模块16对 灰度背景模型进行运动目标检测的结果进行形态学滤波处理；连通域分析模块17对灰度 背景模型进行运动目标检测的结果进行连通域分析。在本发明实施例中，确立模块111确立灰度信息和梯度信息的初始均值和方差； 第一模型建立模块112根据所述确立模块111确立的灰度信息和梯度信息的初始均值和方 差建立初始灰度背景模型和初始梯度背景模型；训练模块113根据各帧的像素值，对所述 第一模型112建立模块建立的初始灰度背景模型和初始梯度背景模型进行训练，得到灰度 背景模型和梯度背景模型。在本发明实施例中，上述功能模块的详细实现流程，如上述方法实施例所述，在此 不再赘述，但不用以限制本发明。在本发明实施例中，根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根据所述灰度背景模型和梯度背景模型进行运动目标的检测；将分别基于所述 灰度背景模型和梯度背景模型进行运动目标检测的结果进行结合，分割得到运动目标，提 高了运动目标检测的精度，适用性高，同时，增加了递增递减运算，而减少了求平均、开平方 等浮点运算，使得算法的运算速率大大提高。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精 神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种运动目标的检测方法，其特征在于，所述方法包括下述步骤 根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度背景模型； 根据灰度背景模型和梯度背景模型分别进行运动目标的检测；将基于灰度背景模型和梯度背景模型进行运动目标检测的结果相结合，分割得到运动 目标。
2.如权利要求1所述的方法，其特征在于，所述根据预先获取的灰度和梯度信息，建立 灰度背景模型和梯度背景模型的具体步骤包括确立灰度信息和梯度信息的初始均值和方差；根据所述灰度信息和梯度信息的初始均值和方差建立初始灰度背景模型和初始梯度 背景模型；根据各帧的像素值，对所述初始灰度背景模型和初始梯度背景模型进行训练，得到灰 度背景模型和梯度背景模型。
3.如权利要求2所述的方法，其特征在于，所述根据各帧的像素值，对所述初始灰度背 景模型和初始梯度背景模型进行训练，得到灰度背景模型和梯度背景模型的步骤之后还包 括建立灰度和梯度的标准方差。
4.如权利要求2所述的方法，其特征在于，所述方法还包括下述步骤 对所述灰度背景模型和梯度背景模型的均值和方差分别进行更新。
5.如权利要求1所述的方法，其特征在于，所述将基于灰度背景模型和梯度背景模型 进行运动目标检测的结果相结合，分割得到运动目标的步骤还包括下述步骤对基于灰度背景模型进行运动目标检测的结果进行形态学滤波处理； 对基于灰度背景模型进行运动目标检测的结果进行连通域分析。
6.一种运动目标的检测系统，其特征在于，所述系统包括背景模型建立模块，用于根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；检测模块，用于根据所述背景模型建立模块建立的灰度背景模型和梯度背景模型进行 运动目标的检测；以及分割模块，用于将所述检测模块分别进行基于所述灰度背景模型和梯度背景模型运动 目标检测的结果相结合，分割得到运动目标。
7.如权利要求6所述的系统，其特征在于，所述背景模型建立模块具体包括 确立模块，用于确立灰度信息和梯度信息的初始均值和方差；第一模型建立模块，用于根据所述确立模块确立的灰度信息和梯度信息的初始均值和 方差建立初始灰度背景模型和初始梯度背景模型；以及训练模块，用于根据各帧的像素值，对所述第一模型建立模块建立的初始灰度背景模 型和初始梯度背景模型进行训练，得到灰度背景模型和梯度背景模型。
8.如权利要求7所述的系统，其特征在于，所述系统还包括 标准方差建立模块，用于建立灰度和梯度的标准方差；更新模块，用于对所述灰度背景模型和梯度背景模型的均值和方差分别进行更新。
9.如权利要求6所述的系统，其特征在于，所述系统还包括滤波处理模块，用于对灰度背景模型进行运动目标检测的结果进行形态学滤波处理；以及连通域分析模块，用于对灰度背景模型进行运动目标检测的结果进行连通域分析。
10. 一种视频分析系统，其特征在于，所述视频分析系统包括权利要求6至9所述的运 动目标的检测系统。
全文摘要
本发明适用于监控技术领域，提供了一种运动目标的检测方法、系统及视频分析系统，所述方法包括下述步骤根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根据灰度背景模型和梯度背景模型分别进行运动目标检测，将基于灰度背景模型和梯度背景模型进行运动目标检测的结果相结合，分割得到运动目标。在本发明实施例中，根据预先获取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根据灰度背景模型和梯度背景模型分别进行运动目标检测，将基于灰度背景模型和梯度背景模型进行运动目标检测的结果相结合，分割得到运动目标，提高了运动目标检测的精度，适用性高。
文档编号G06T7/20GK102054277SQ20091011003
公开日2011年5月11日 申请日期2009年11月9日 优先权日2009年11月9日
发明者周建雄, 师改梅, 王全明 申请人:深圳市朗驰欣创科技有限公司