一种运动目标检测方法和装置与流程

本申请涉及视频检测技术领域，尤其涉及一种运动目标检测方法和装置。

背景技术：

现有技术采用基于CLG(Combined-local-Global，局部全局相结合)光流模型实现对运动目标的检测，为了降低CLG光流模型对光照变化的敏感程度，将梯度守恒假设与CLG光流模型相结合得到新的光流模型，其能量方程为：

上式中，I为灰度图像，为灰度图像在x、y方向上的光流梯度，ρ为标准差，K_ρ为其高斯权函数，α为平滑项，w＝[u,v,1]^T，其中u、v为光流在x、y方向的速度，y(x)为惩罚函数，其中e取0.0001。

本申请的发明人发现，上述基于新的光流模型E实现的对运动目标的检测的前提条件是梯度守恒，也就是被检测的运动目标需要保证在一个稳定光照环境中才能实现检测，当光照变化发生突变，例如被检测的目标由黑暗的环境(例如未开灯的房间)中突然变化到明亮的环境(例如开灯的房间)中，在光照变化发生突变的这一过程中，梯度守恒不再成立，那么上述新的光流模型E也就无法再实现对运动目标的检测。

技术实现要素：

有鉴于此，本申请提供一种运动目标检测方法和装置，以解决现有技术无法实现在光照变化发生突变时对运动目标的检测。技术方案如下：

基于本申请的一方面，本申请提供一种运动目标检测方法，包括：

获取视频图像；

对所述视频图像进行灰度处理得到灰度图像；

基于所述灰度图像、预设的CLG光流模型以及预设条件计算得到第一公式；其中，I为所述灰度图像，为所述灰度图像在x、y方向上的光流梯度，ρ为标准差，K_ρ为高斯权函数，α为平滑项，w＝[u,v,1]^T，其中u、v为光流在x、y方向的速度，ψ(x)为惩罚函数，ε取值0.0001；I_x、I_y、I_t分别为所述灰度图像在x、y以及灰度梯度最大方向上的光流，I_xx、I_yy、I_xy、I_xt、I_yt分别为所述光流在x、y、t三个方向上的导数；所述第一公式为

依据所述第一公式，根据灰度线性不变假设，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k；k为正整数；

根据所述k层金字塔的光流增量du^k，dv^k实现对运行目标的检测。

优选地，所述依据所述第一公式，根据灰度线性不变假设，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k包括：

依据所述第一公式，根据灰度线性不变假设得到第二公式；所述第二公式为其中，

利用所述第二公式，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k。

优选地，所述对所述视频图像进行灰度处理得到灰度图像之后，所述方法还包括：

判断所述灰度图像中像素点的灰度梯度是否大于预设阈值；

所述预设的CLG光流模型变形为：

其中T为预设阈值。

基于本申请的另一方面，本申请还提供一种运动目标检测装置，包括：

视频图像获取单元，用于获取视频图像；

灰度处理单元，用于对所述视频图像进行灰度处理得到灰度图像；

第一计算单元，用于基于所述灰度图像、预设的CLG光流模型以及预设条件计算得到第一公式；其中，I为所述灰度图像，为所述灰度图像在x、y方向上的光流梯度，ρ为标准差，K_ρ为高斯权函数，α为平滑项，w＝[u,v,1]^T，其中u、v为光流在x、y方向的速度，ψ(x)为惩罚函数，ε取值0.0001；I_x、I_y、I_t分别为所述灰度图像在x、y以及灰度梯度最大方向上的光流，I_xx、I_yy、I_xy、I_xt、I_yt分别为所述光流在x、y、t三个方向上的导数；所述第一公式为

第二计算单元，用于依据所述第一公式，根据灰度线性不变假设，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k；k为正整数；

运行目标检测单元，用于根据所述k层金字塔的光流增量du^k，dv^k实现对运行目标的检测。

优选地，所述第二计算单元包括：

第一计算子单元，用于依据所述第一公式，根据灰度线性不变假设得到第二公式；所述第二公式为其中，

第二计算子单元，用于利用所述第二公式，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k。

优选地，还包括：

灰度梯度判断单元，用于判断所述灰度图像中像素点的灰度梯度是否大于预设阈值；

所述预设的CLG光流模型变形为：

其中T为预设阈值。

应用本申请提供的运动目标检测方法，在将获取的视频图像进行灰度处理得到灰度图像后，基于改进的CLG光流模型实现对运动目标的检测。本申请提供的CLG光流模型利用视频图像序列中各个像素点的灰度值时序变化的相关性来确定图像中各像素点的相对运动，将视频图像序列中各个像素点投影到三维物体上，并赋予每个像素点与三维物体上的点对应的速度矢量，根据速度矢量的特征对该三维物体进行动态分析。本申请考虑了光照变化对检测结果的影响，使得算法对于运动目标的评估更加精确，从而实现在光照变化发生突变时对运动目标进行稳定准确的检测。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本申请提供的一种运动目标检测方法的流程图；

图2为本申请提供的一种运动目标检测装置的结构示意图；

图3为本申请提供的一种运动目标检测装置的另一种结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，其示出了本申请提供的一种运动目标检测方法的流程图，包括：

步骤101，获取视频图像。

步骤102，对所述视频图像进行灰度处理得到灰度图像。

本申请在读取每帧视频图像后，可以采用结构纹理分解检测视频图像。在视频序列预处理部分引入结构纹理分解，使得算法能够更好的适应动态背景的变化，有效降低光照变化对光流估计带来的影响。

步骤103，基于所述灰度图像、预设的CLG光流模型以及预设条件计算得到第一公式。

第一公式为

其中，I为所述灰度图像，为所述灰度图像在x、y方向上的光流梯度，ρ为标准差，K_ρ为高斯权函数，α为平滑项，w＝[u,v,1]^T，其中u、v为光流在x、y方向的速度，ψ(x)为惩罚函数，ε取值0.0001；I_x、I_y、I_t分别为所述灰度图像在x、y以及灰度梯度最大方向上的光流，I_xx、I_yy、I_xy、I_xt、I_yt分别为所述光流在x、y、t三个方向上的导数。

具体在本申请中，将上述公式(1)和公式(2)联立，即可得到公式(3)。

步骤104，依据所述第一公式，根据灰度线性不变假设，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k；k为正整数。

具体的，本申请依据所述第一公式，根据灰度线性不变假设得到第二公式。

第二公式为其中，

利用所述第二公式(4)，采用固定点迭代的方法求取k层金字塔的光流增量du^k、dv^k。

本申请中，根据灰度线性不变假设，只有当u、v取值充分小时上式(4)才成立。为了处理实际目标检测中目标位移较大的情况，这里采用固定点迭代的方法求取k层金字塔的光流增量du^k、dv^k。

步骤105，根据所述k层金字塔的光流增量du^k，dv^k实现对运行目标的检测。

在得到k层金字塔的光流增量du^k，dv^k后，根据求得光流的位移和幅值计算背景运动矢量，完成动态背景运动目标的检测。

应用本申请提供的运动目标检测方法，在将获取的视频图像进行灰度处理得到灰度图像后，基于改进的CLG光流模型实现对运动目标的检测。本申请提供的CLG光流模型利用视频图像序列中各个像素点的灰度值时序变化的相关性来确定图像中各像素点的相对运动，将视频图像序列中各个像素点投影到三维物体上，并赋予每个像素点与三维物体上的点对应的速度矢量，根据速度矢量的特征对该三维物体进行动态分析。本申请考虑了光照变化对检测结果的影响，使得算法对于运动目标的评估更加精确，从而实现在光照变化发生突变时对运动目标进行稳定准确的检测。

上述实施例中，本申请提供的CLG光流模型虽然能较好的解决光流算法在光照变化条件下存在的光流计算精度低的问题，但是在实际的运动目标检测过程中，该算法需要达到一定的迭代次数以满足所求光流的精度要求，导致上述算法计算量较大，无法满足运动目标检测的实时性要求。基于此，本申请对上述算法进行计算量方面的改进，以提高算法的实时性，满足系统的实时性要求。

具体的，本申请可以在步骤102，对视频图像进行灰度处理得到灰度图像之后，还可以包括步骤106，判断所述灰度图像中像素点的灰度梯度是否大于预设阈值。

为了达到对运动目标检测的实时性要求，本申请在得到灰度图像之后，首先通过阈值分割的办法，将灰度图像中灰度梯度大于预设阈值T的像素点利用上述改进的CLG光流算法，即利用上述公式(1)计算光流，再通过平滑迭代得到其他像素点的光流。其次，根据图像大小采用多层高斯金字塔结构分层计算，减少算法计算量，提高目标检测的实时性。

一般情况下，目标运动前后对应像素点的灰度保持不变，只有在灰度梯度较大(灰度梯度大于预设阈值T)的像素点处近似成立。因此本申请只对灰度梯度较大的像素点采用上述CLG光流算法，其他像素点处的光流则采用平滑迭代方法，保证了算法的检测精度。

本申请定义权函数：

此时上述预设的CLG光流模型变形为：

其中T为预设阈值。

本申请中，对于灰度梯度较小(灰度梯度小于等于预设阈值T)的像素点处的光流迭代公式为：

其中k为光流迭代次数，λ为权重系数，是x和y两个方向上光流的局部平均。

同时，本申请拟采用高斯低通滤波器与图像卷积的方法，将原始图像进行两次降采样得到4层的高斯金字塔。对于图像中的各个像素点，可令高斯金字塔的最底层运动向量g²＝0，并经过升采样可得第二层高斯金字塔的初始运动向量g¹＝2v²。依此类推，可得到最顶层高斯金字塔的光流值：

其中L为金字塔层数，d为运动向量。

对于低层的高斯金字塔，由于图像像素点较少可以适当提高迭代次数以提高所求光流值的精度。而对于高层的高斯金字塔，则可以减少迭代次数以满足算法的实时性要求。取视频图像中的连续几帧，分别用上述减小计算量改进前后的算法进行比较，所得结果见下表1所示。表1示出了减小计算量改进前后算法耗时对比：

表1

在本申请实施例中，首先在读取每帧视频图像后，结构纹理分解检测视频图像，可以有效降低光照变化对光流估计带来的影响。其次，采用高斯金字塔分层计算光流并通过灰度梯度较大的像素点的光流迭代得到其他像素点的光流，从而降低算法计算量，提高检测效率。最后，根据上述求得光流的位移和幅值计算背景运动矢量，完成动态背景运动目标的检测。

基于前文本申请提供的一种运动目标检测方法，本申请还提供一种运动目标检测装置，如图2所示，包括：

视频图像获取单元100，用于获取视频图像；

灰度处理单元200，用于对所述视频图像进行灰度处理得到灰度图像；

第一计算单元300，用于基于所述灰度图像、预设的CLG光流模型以及预设条件计算得到第一公式；其中，I为所述灰度图像，为所述灰度图像在x、y方向上的光流梯度，ρ为标准差，K_ρ为高斯权函数，α为平滑项，w＝[u,v,1]^T，其中u、v为光流在x、y方向的速度，ψ(x)为惩罚函数，ε取值0.0001；I_x、I_y、I_t分别为所述灰度图像在x、y以及灰度梯度最大方向上的光流，I_xx、I_yy、I_xy、I_xt、I_yt分别为所述光流在x、y、t三个方向上的导数；所述第一公式为

第二计算单元400，用于依据所述第一公式，根据灰度线性不变假设，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k；k为正整数；

运行目标检测单元500，用于根据所述k层金字塔的光流增量du^k，dv^k实现对运行目标的检测。

其中所述第二计算单元400包括：

第一计算子单元401，用于依据所述第一公式，根据灰度线性不变假设得到第二公式；所述第二公式为其中，

第二计算子单元402，用于利用所述第二公式，采用固定点迭代的方法求取k层金字塔的光流增量du^k，dv^k。

作为优选地，本申请进一步包括灰度梯度判断单元600，如图3所示，灰度梯度判断单元600具体用于判断所述灰度图像中像素点的灰度梯度是否大于预设阈值；

此时所述预设的CLG光流模型可变形为：

其中T为预设阈值。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本申请所提供的一种运动目标检测方法和装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。