一种面向视频感知节点的目标检测方法与流程

本发明涉及目标检测技术领域，特别涉及一种面向视频感知节点的目标检测方法。

背景技术：
无线视频传感器网络由大量具有通信和计算能力的视频节点按特定的方式或者随机地布置在监控区域内构成的“智能”自治测控无线网络系统。视频传感器节点间具有很强的协同能力，通过局部的图像数据采集、处理以及节点间的数据交互完成全局任务。与传统监控模式相比，采用无线视频传感器网络构建分布式智能监控系统具有无人值守、覆盖率广、性能稳定、灵活性高、监控场景可以实现任意组合的优点，特别适合在交通路口、机场和地铁站等关键区域或恶劣环境下的目标跟踪和事件监测。在计算机视觉和无线视频传感器网络相关应用领域，对获取的视频图像中目标的检测是首要的步骤。目标检测算法的好坏影响到对后续跟踪与行为识别等进一步的视觉处理。由于实际场景的复杂多变导致现有的目标检测算法普遍比较复杂，计算量大，内存容量要求高，不适合资源有限的视频感知节点。因此，针对于视频感知节点的目标检测算法必须首先考虑算法效能的问题，要尽可能减少计算量和存储容量。压缩感知理论突破了传统拉奎斯特理论下对样本数的要求。只要信号是可压缩的或是稀疏的，就可以通过满足一定条件的观测矩阵将变换后的高维信号进行采样，得到一个采样后的低维信号。然后求解一个优化问题就可以从少量的采样值中完美的重构出原始信号。将压缩感知理论应用到基于背景减除法的目标检测算法中，在保留原始图像信息的同时，可大幅减少参与背景建模的像素数量，从而提高算法效率。因此，在研究现如今几种常用的背景建模方法基础上，提出一种基于结构化压缩感知的自适应混合高斯(StructuredCompressiveSensingAdaptiveGaussianMixtureModel，SCS-AGMM)背景建模算法，构建结构化随机测量矩阵来减少参与背景建模的数据量，并从多个方面优化了算法的效能。背景减除方法是一种在目标检测领域技术比较成熟的方法，应用十分广泛。该方法通过对视频图像当前帧和背景模型对应位置像素值相减，当差的绝对值值大于某个阈值时，判定该像素为目标像素，否则为背景像素。并通过后期图像处理，得到完整的目标图像。对于比较复杂并且呈现动态变化的背景，比如场景中存在波动水面、摇动的树木、摄像头的颤抖等，像素值的概率密度分布图往往呈现双峰或多峰状态。这是就需要采用多个高斯分布的线性组合才能对背景准确建模，该方法称为混合高斯模型(GMM)。利用GMM对图像中的每个像素建立背景模型能适应视频图像中光照变化、运动背景的干扰等情况。近年来出现大量基于混合高斯背景建模改进算法，这些方法的优点在于检测效果较好，可以去掉复杂背景情况下的运动干扰；不足在于计算量和存储量较大，运行速度较慢，不适于资源有限的视频感知节点。

技术实现要素：
本发明针对现有技术存在的上述不足，提供了一种面向视频感知节点的目标检测方法。本发明通过以下技术方案实现：一种面向视频感知节点的目标检测方法，包括步骤：图像重构步骤：根据采集到的图像尺寸大小对图像进行分块，将采得到的图像块转换为N×1的向量；压缩感知步骤：构建结构化随机测量矩阵对转化后的向量进行采样压缩；背景建模步骤：利用自适应混合高斯模型对每一个测量后的矩阵块进行高斯建模，采用最少像素法则进行目标块和背景块检测；通过混合高斯模型对各候选节点的各像素建立至少一个背景模型，用第一帧图像数据对背景模型进行初始化，对每个背景模型设定统一的背景阈值，像素点权值大于该背景阈值的背景模型描述的为背景分布，像素点权值小于等于该背景阈值的背景模型描述的为前景分布，用图像中判断为背景的像素重新初始化权值小于初始化阈值的背景模型；背景模型的分布参数按优先级从大到小与对应的当前像素值逐一匹配检测，判定背景模型均与当前像素值不匹配的像素点为目标区域内的点，对匹配成功的背景模型更新分布参数，对各背景模型更新权重；更新步骤：采用不同的策略对目标块和背景块进行更新，并根据检测的结果对结构化随机测量矩阵进行参数调节；后处理步骤：对检测到的目标图像进行后期处理得到最终的目标图像；其中，不同的策略包括根据兴趣区域设置不同的采样值M，在前一帧的目标块1.2倍区域提高采样率，而在背景区域降低采样率；以及，当背景亮度变化较小，降低建模的高斯分布个数，以降低学习速率；当亮度变化较大，提高高斯分布个数，以提高学习速率。较佳的，分布参数按优先级与当前像素值进行逐一匹配检测，即判别是否满足|μi，t-xt|＜max(Wσi，t，τ)，式中i＝1，2，…，K，K为各像素高斯分布的个数，μi，t和σi，t分别为在t时刻第i个高斯分布的均值和标准方差，xt为前像素值，W和τ均为阈值常量。较佳的，将上一帧检测出的目标区域经过扩展后作为当前帧的目标区域进行匹配检测，在目标区域外的像素点采用紧的匹配准则，即τ与W均取较大值；在目标区域内的像素点采用松的匹配准则，即τ与W均取较小值，其中，0.5＜＝W＜＝3.5，3＜＝τ＜＝20。较佳的，将上一帧目标区域扩展10％作为当前帧的目标区域，在目标区域外的像素点取W＝2.5，τ＝15，在目标区域内的像素点取W＝1.5，τ＝6。较佳的，初始化至少一个背景模型时，通过第一帧各点像素值用来初始化高斯分布均值μK，0，第一帧各点像素值的标准方差σK，0取15＜＝σK，0＜＝25，权重为1/Kmax，Kmax为每个像素点的最大高斯分布个数。本发明采取的方法构建结构化随机测量矩阵通过对图像进行采样压缩，减少了高斯统计建模的计算数据量，并对算法进行两个方面的效能优化。一是根据背景亮度的变化来自适应调整高斯模型个数以及学习速率，减少平均计算时间；二是根据分割提取目标的兴趣区域采用不同测量值，整体减少参与建模的像素个数，有效地减少了背景建模的时间。通过算法仿真和节点实测的实验结果证明，该方法可获得较好的目标检测结果并且具有较强的抗干扰性，相对于传统的混合高斯算法，内存容量减少约四分之三，处理时间可减少50％以上。附图说明图1所示的是本发明的流程图；图2所示的是本发明与不同建模方法的每帧平均处理时间比较示意图；图3所示的是本发明与不同建模方法的误检率比较示意图；图4所示的是本发明与不同建模方法的漏检率比较示意图；图5所示的是本发明与不同建模方法的性能及平均每帧处理时间比较示意图；图6所示的是本发明与不同建模方法的处理时间和内存容量比较示意图。具体实施方式以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，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实施例，都属于本发明的保护范围。为了便于对本发明实施例的理解，下面将结合附图以具体实施例为例作进一步的解释说明，且各个实施例不构成对本发明实施例的限定。对于复杂的动态背景，可采用多个高斯分布的线性组合来实现对背景的准确建模。混合高斯模型将图像中各个像素点的概率分布特性表示为K个(一般取值3～5)高斯模型。各高斯分布具有不同的权值ωi，t(∑ωi，t＝1，i＝1，2，……，K)和优先级(ω/σ)，并按照优先级从高到低进行排序。在确定背景分布时，对单个分布取某个阈值T(T＜1)，当该分布的权值大于或等于该阈值的时候，认为这个高斯模型是背景分布，否则认为这个高斯模型是前景分布。设xt为t时刻的某一像素值，可用K个高斯分布的线性组合来描述其概率密度函数：其中ωi，t、μi，t和∑i，t分别为在t时刻第i个高斯分布的权值、均值以及协方差距阵。假定各像素颜色分量相互独立，其协方差矩阵可表示为：K个高斯分布按ω/σ降序排列，取权值大于某一阈值的高斯分布表示背景分布，即：fi(x|μ，σ2)∈Bg，如果ωi＞TH(3)其中，TH为背景阈值。1、背景初始化方法一般情况下由视频节点采集到的图像序列，在一段时间内，背景的变化是不大的，因此可认为每一像素点灰度值服从均值μ和标准方差σ的高斯分布，且每一个象素点的高斯分布是独立的。首先初始化背景，为降低计算复杂度和存储容量，采用3个高斯模型对每个像素点进行建模(K＝3)。高斯分布期望μ用第一帧图像中各点的像素值进行初始化，标准方差σ取较大的值(σ＝20)，权值初始设置为1/(2i+1)(i＝0，1，2)。2、背景模型的学习与更新方法在进行目标检测时候按照优先级次序ω/σ从大到小将xt与各高斯分布逐一匹配。如果没有检测到表示背景分布的高斯分布与xt匹配，则认为该点为目标否则为背景。背景模型算法的具体执行步骤如下：(1)匹配准则将K个高斯分布按优先级与当前像素值xt进行比较看是否满足条件|μi，t-xt|＜max(W*σ，λ)，(i＝1，2，……，K)，式中W和λ是系数。对目标区域和非目标区域的像素采用不同条件来进行目标和背景的判定。具体操作是将上一帧图像中检测到的目标框的大小放大1.1倍作为当前帧的目标框。对属于目标区域像素点采用以下条件进行判断：|x-μi|＜max(1.5*σ，6)(4)非目标区域像素点的判断条件为：|x-μi|＜max(2.5*σ，15)(5)另外根据像素点的位置采用不同的取值策略：对于目标区域外的像素，取W＝2.5，λ＝15；对于目标区域内的像素，取W＝1.5，λ＝6。这样，在目标区域的像素更容易被检测为目标，增加了目标检测的形状完整性。(2)背景学习与更新用获得的像素值与已知的第i个高斯模型匹配，如果匹配成功，则按式(6)更新匹配的第i个高斯模型分布参数：等式(2.16)中其中β用来控制背景和前景更新的速度(根据模型是否描述背景而取不同的值)。大多数情况下前景更新比背景要慢些。K个高斯分布的权值按下式更新：ωi，t+1＝(1-αi)ωi，t+αiMi，t(7)等式(7)中α的大小确定其在背景中的优先级并决定各高斯成分权值的更新速度，α越小背景图像越稳定；β大小决定背景的更新速度，β越大背景图像收敛速度越快。自适应高斯混合模型(AGMM)算法步骤如下：1)用第一帧图像进行高斯分布初始化(权值、期望、方差)，k＝0；2)对于t时刻的新像素根据式(4)(5)判断是否匹配；是则执行步骤3)、否则执行步骤4)；3)对匹配的高斯模型，利用式(6)(7)进行更新；4)如果不匹配，用当前值初始化新的高斯模型(小权值，大方差)；5)计算权值方差比ω/σ，降序排列，替换最小值；6)根据|Xt+1，i-Bi，t|＜T判断像素是前景还是背景，输出结果；转到步骤2)；7)结束，下一帧图像。3、后处理方法按照上面所述方法可得到目标的二值图像模板Morg。对二值模板Morg进行3×3形态学开运算，得到结果为Ms，再经过3×3腐蚀运算去除孤立的点后得到结果为M。该过程导致了部分目标像素的丢失，采取如下基于形态学目标重构的处理方法可以尽可能保留更多的目标图像：等式(8)中F是经过前景提取、噪声滤除后的最终结果。等式中的结构元素SE的尺寸大小取决于检测的目标尺寸。实验发现采用3×3的结构元素可以达到较好的目标检测结果。利用结构元素结合同化填充对分割出的前景目标F进行空洞填充能使目标更加完整。最后通过目标大小统计的结果去除小于40个像素的小块，以达到消除噪声的目的。混合高斯模型参数不断进行更新以适应背景的逐渐变化。另外，该算法由于对图像中每一个像素点进行3到5个混合高斯建模，整体计算量和存储容量较大。4、结构化压缩感知算法目前，常用的建模方法是采用混合高斯背景模型描述动态背景。由于对每个像素建立3到5个高斯模型，混合高斯模型的方法消耗摄像头节点大量的计算和存储资源，影响算法的实时应用。为了提高算法的效率，引入了压缩感知算法对图像数据进行随机采样，从而减少背景建模算法的计算量和存储量。然而随机采样矩阵的完全随机特性导致硬件电路实现起来比较复杂并且目标检测结果存在不确定性。针对这种情况，本发明将结构化压缩感知算法引入到混合高斯建模当中，在此基础上研究一种采用结构化随机测量矩阵，对图像进行采样的自适应混合高斯背景建模方法，并对算法进行全局效能优化，提高整体运行效率。压缩感知是以M行N列(M＜＜N)大小的测量矩阵Φ对信号x(N维)进行测量，可得到压缩后的测量值y(M维)，该过程可由等式(9)实现。y＝φx＝φΨα＝Θα(9)如果信号x在某个变化域具有稀疏性，如等式(10)所示：α＝ΨTx(10)并且测量矩阵Φ满足约束等距性条件，即指对于任意的K稀疏信号f以及常数δk∈(0，1)满足：那么就可以通过等式(11)来完美恢复该信号：该过程称之为重构，其中的0范数指的就是0元素的个数。目前提出的满足约束等距性条件的测量矩阵主要分三类。第一类包括矩阵元素独立地服从某一分布的高斯随机测量矩阵、贝努利随机矩阵等。第二类包括部分正交矩阵、部分哈达玛矩阵和非相关测量矩阵。这类矩阵仅与在时域或频域稀疏的信号不相关。第三类包括托普利兹(Toeplitz)矩阵、结构化随机测量矩阵、Chirps测量矩阵、循环矩阵、随机卷积形成的感知矩阵。1)随机高斯矩阵：如式(12)所示，测量矩阵每个元素独立地服从均值为0，方差为1/M的高斯分布，等概率取值为1或0。高斯测量矩阵的优点在于所需的测量行数较小而且它几乎与任意稀疏信号都不相关。2)随机贝努利矩阵；如式(13)所示，测量矩阵的每个元素独立地服从对称的贝努利分布，等概率取值为1或-1。该矩阵随机性很强，具有与高斯矩阵类似的性质。3)部分正交矩阵；构建该矩阵的步骤是首先生成N×N的正交矩阵U，然后在矩阵U中随机地选取M行向量并对M×N矩阵的列向量进行单位化，即可得到部分正交矩阵。4)Toeplitz矩阵；构建该矩阵的步骤是首先生成测量矩阵Φ，在矩阵Φ的每一个行向量中，按照等式(14)元素的概率分布随机地选取位置，然后在所对应的位置赋值0、1、-1，其中5)部分哈达玛矩阵；构建该矩阵的步骤是首先生成大小为N×N的哈达玛矩阵，然后在生成矩阵中随机地选取M行向量即可构成一个M×N的哈达玛测量矩阵。6)结构化随机测量矩阵；随机高斯和随机贝努利矩阵虽然对许多稀疏信号具有非相关性，但由于其完全随机的特性导致计算比较复杂，内存容量要求高。因此许多研究提出了结构化随机测量矩阵的概念。这类矩阵的构建采用随机高斯、伯努利矩阵和部分傅里叶变换矩阵的混合模型，从N×N的混合矩阵中随机抽取M行，再对每一列进行归一化处理。结构化随机测量矩阵几乎与所有其他正交矩阵不相关，并保持了各种矩阵的优点。7)确定性矩阵；完全随机矩阵具有不确定因素和硬件电路难以实现等缺点，为克服其在压缩感知应用中的不足，许多研究提出了确定性测量矩阵，包括多项式确定性矩阵和轮换测量矩阵等。本发明包括步骤：图像重构步骤：根据采集到的图像尺寸大小对图像进行分块，将采得到的图像块转换为N×1的向量；压缩感知步骤：构建结构化随机测量矩阵对转化后的向量进行采样压缩；背景建模步骤：利用自适应混合高斯模型对每一个测量后的矩阵块进行高斯建模，采用最少像素法则进行目标块和背景块检测；通过混合高斯模型对各候选节点的各像素建立至少一个背景模型，用第一帧图像数据对背景模型进行初始化，对每个背景模型设定统一的背景阈值，像素点权值大于该背景阈值的背景模型描述的为背景分布，像素点权值小于等于该背景阈值的背景模型描述的为前景分布，用图像中判断为背景的像素重新初始化权值小于初始化阈值的背景模型；背景模型的分布参数按优先级从大到小与对应的当前像素值逐一匹配检测，判定背景模型均与当前像素值不匹配的像素点为目标区域内的点，对匹配成功的背景模型更新分布参数，对各背景模型更新权重；更新步骤：采用不同的策略对目标块和背景块进行更新，并根据检测的结果对结构化随机测量矩阵进行参数调节；后处理步骤：对检测到的目标图像进行后期处理得到最终的目标图像；其中，不同的策略包括根据兴趣区域设置不同的采样值M，在前一帧的目标块1.2倍区域提高采样率，而在背景区域降低采样率；以及，当背景亮度变化较小，降低建模的高斯分布个数，以降低学习速率；当亮度变化较大，提高高斯分布个数，以提高学习速率。分布参数按优先级与当前像素值进行逐一匹配检测，即判别是否满足|μi，t-xt|＜max(Wσi，t，τ)，式中i＝1，2，…，K，K为各像素高斯分布的个数，μi，t和σi，t分别为在t时刻第i个高斯分布的均值和标准方差，xt为前像素值，W和τ均为阈值常量。将上一帧检测出的目标区域经过扩展后作为当前帧的目标区域进行匹配检测，在目标区域外的像素点采用紧的匹配准则，即τ与W均取较大值；在目标区域内的像素点采用松的匹配准则，即τ与W均取较小值，其中，0.5＜＝W＜＝3.5，3＜＝τ＜＝20。将上一帧目标区域扩展10％作为当前帧的目标区域，在目标区域外的像素点取W＝2.5，τ＝15，在目标区域内的像素点取W＝1.5，τ＝6。初始化至少一个背景模型时，通过第一帧各点像素值用来初始化高斯分布均值μK，0，第一帧各点像素值的标准方差σK，0取15＜＝σK，0＜＝25，权重为1/Kmax，Kmax为每个像素点的最大高斯分布个数。本发明的目标检测算法首先对视频节点采集到的图像xt进行4×4或8×8分块，然后构建结构化随机测量矩阵Φ在空间域直接对图像采样后的得到压缩图像yt。由压缩感知理论可知yt包含了原始图像绝大部分信息，通过自适应混合高斯模型(AGMM)构建背景模型，通过背景减法获得前景图像，然后对前景图像进行形态学处理。本申请先选择激活节点进行目标检测，目标跟踪，再通过效能函数f(i)来选择当前的最优节点进行目标跟踪，如图1中所示的过程，目标检测采用自适应高斯混合背景建模，实现运动目标的检测与分割；通过分布式Meanshift与目标关联实现节点的目标跟踪与状态估计，结合传感器节点的检测效果、通信能耗等因素确定传感器网络效能评估函数，选择最优传感器节点进行目标跟踪。综合考虑计算复杂度、数据的传输、存储需求，实现了对大范围内复杂场景下运动目标的准确跟踪。如图2至图6所示，根据与现有其他算法的比较，本发明可获得较好的目标检测结果并且具有较强的抗干扰性.相对于传统的混合高斯算法，内存容量减少约四分之三，处理时间可减少50％以上。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。