本发明具体涉及一种静态背景下的运动目标检测方法。
背景技术:
近年来,智能视频监控的运动目标检测是一个研究的热点,在各大领域都有着广泛的应用前景。静态背景下常用的运动目标检测算法有:帧间差分法、背景差分法和光流法。光流法因其计算复杂度高,且需要特殊硬件支持,不利于实时实现;背景差分法,算法简单,易于实现,但通常运算速度慢,易受光线变化的影响,对目标阴影的去除效果差;帧间差分法是目标检测常用的方法,通过相邻帧图像的相减,根据差分结果来检测目标,算法虽然简单,容易实现,但检测出的目标轮廓存在空洞现象以及在光线变化的场景中会产生虚假边缘。
技术实现要素:
本发明要解决的技术问题是提供一种静态背景下的运动目标检测方法。
静态背景下的运动目标检测方法,包括以下步骤:
s1:利用优化的canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;
s2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;
s3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
进一步的,优化的canny边缘检测算法的具体方法如下:
1)假定把图像中的像素按灰度值用阈值t分为目标和背景两类,图像的像素总数为n,图像中目标的像素数为
2)用遍历法求出使
进一步的,背景边缘差分法的步骤如下:
1)假定在没有运动目标的空场景经过t帧的学习后,每帧图像内的边缘点总数用
2)设f(i,j)表示为前景图像内的边缘点,将前景图像与背景图像作差分运算,得到差分结果d(i,j)进行二值化处理,计算公式如下:
其中二值化的阈值为动态阈值th,表达式如下:
其中,λ为抑制系数;f(i,j)为前景图像,b(i,j)为背景图像;
3)更新方法:构造实时背景边缘图像
根据下式更新当前背景边缘图像:
其中,
进一步的,五帧差分法的具体步骤如下:
1)设视频图像序列中连续五帧图像分别为:
2)将4个差分结果的
3)对
本发明的有益效果是:
本发明利用优化的canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域该方法准确率高,连通性好,能满足实时性检测的要求。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
静态背景下的运动目标检测方法,包括以下步骤:
s1:利用优化的canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;
s2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;
s3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
优化的canny边缘检测算法的具体方法如下:
1)假定把图像中的像素按灰度值用阈值t分为目标和背景两类,图像的像素总数为n,图像中目标的像素数为
2)用遍历法求出使
背景边缘差分法的步骤如下:
1)假定在没有运动目标的空场景经过t帧的学习后,每帧图像内的边缘点总数用
2)设f(i,j)表示为前景图像内的边缘点,将前景图像与背景图像作差分运算,得到差分结果d(i,j)进行二值化处理,计算公式如下:
其中二值化的阈值为动态阈值th,表达式如下:
其中,λ为抑制系数;f(i,j)为前景图像,b(i,j)为背景图像;
3)更新方法:构造实时背景边缘图像
根据下式更新当前背景边缘图像:
其中,
五帧差分法的具体步骤如下:
1)设视频图像序列中连续五帧图像分别为:
2)将4个差分结果的
3)对