一种基于双背景差分的静止目标检测方法与流程

本发明涉及一种实时智能视频监控系统中的应用，具体涉及一种实时智能视频监控系统中静止目标检测方法。

背景技术：

静止目标在实时视频监控系统中是重要的监控目标，对于保护人类生命财产、维护社会公共秩序有着重要的影响。静止目标在实时智能视频监控系统中指原本场景中没有而之后进入场景中并且停留超过一定时间的物体。

目前基于背景差分的目标检测方法，在实时监控中运用较广泛。背景差分法一般先建立背景模型，然后利用背景模型和视频序列差分得到前景目标。利用混合高斯背景建模能够较好的建立背景模型及提取前景目标，但是静止目标如果停留超过一定时间，它会随着背景模型更新而被更新到背景中去，不能被稳定的检测出来。而且传统的混合高斯背景建模计算量大、耗时长，不利于实时监测的要求。利用纯背景模型和视频序列差分能较好的提取前景目标(包括运动目标和静止目标)，但是不能将运动目标与静止目标分离提取。由此可见，目前的背景差分目标检测方法不能满足视频监控系统中静止目标检测的需求。

技术实现要素：

为解决现有技术存在的上述问题，本发明要设计一种既能够稳定的检测出停留超过一定时间的静止目标，又能将运动目标与静止目标分离提取，且建模计算量小、耗时短的基于双背景差分的静止目标检测方法。

为了实现上述目的，本发明的技术方案如下：一种基于双背景差分的静止目标检测方法，包括以下步骤：

a、采集视频图像

用视频采集卡和摄像头实时采集视频图像序列，经过简单的模数转换，传输至计算机进行后续的视频图像处理；

b、构建背景模型

基于改进混合高斯背景建模来建立初始化背景视频图像，为视频图像中的每个像素建立混合高斯模型，并且利用前200帧视频图像构建初始背景的混合高斯背景模型，之后实时更新背景模型；混合高斯背景模型构建方法是基于像素样本统计信息的背景表示方法，具体步骤如下：

b1、单高斯模型初始化：每个混合高斯模型由k个单高斯模型组成，由于单高斯模型在不断更新，在(x,y)像素点不同时刻t的单高斯模型参数值不同，所以将一个单高斯模型表示成三个变量x、y、t的函数：均值u(x,y,t)、方差σ²(x,y,t)、标准差(x,y)、权重w(x,y,t)；参数初始化采用如下公式：

其中，i(x,y,0)表示视频图像序列中的第一张视频图像(x,y)像素点的像素值，σ²int(x,y,0)为第一张视频图像(x,y)像素点的方差，σint(x,y,0)为第一张视频图像(x,y)像素点的标准差，std_init为常数；初始化权重wint(x,y,t)＝1/k，其中w(x,y,t)满足：

b2、判定当前像素点的像素值与单高斯模型是否匹配：如果新读入的视频图像序列中的视频图像在(x,y)像素点的像素值对于i＝1、2、......、k满足i(x,y,t)-ui(x,y,t)|≤λ·σi(x,y,t)，则当前像素点与该当前单高斯模型相匹配，其中λ为常数。如果存在与当前像素点匹配的单高斯模型，判断该像素点为背景像素点，并转步骤b3；如果不存在与当前像素点匹配的单高斯模型，判断该像素点为前景像素点，并转步骤b4。

b3、更新单高斯模型:分别更新与当前像素点相匹配的单高斯模型。

设权值增量为

dw＝α·(1-wi(x,y,t-1))

则更新的权值表示如下：

wi(x,y,t)＝wi(x,y,t-1)+dw＝wi(x,y,t-1)+α·(1-wi(x,y,t-1))

更新标准差、均值与方差，公式如下：

u(x,y,t)＝(1-α)×u(x,y,t-1)+α×u(x,y,t)

σ²(x,y,t)＝(1-α)×σ²(x,y,t-1)+α×[i(x,y,t)-u(x,y,t)]²

参数α表示更新速率，α越小，表示对视频序列中背景变化的适应能力越低。转步骤b5；

b4、创建新的单高斯模型:当没有任何一个单高斯模型与当前像素点匹配，将权重较小的单高斯模型替换掉。替换形式为；该模型下的均值为当前的像素值，其中标准差、方差和权值被初始化为σint、σ²int和wint。

b5、背景模型选择：各单高斯模型按降序排列，权重大、标准差小的排在前面。并且删除权重较小的单高斯模型，若n个单高斯模型的权重满足

则仅用这n个单高斯模型作为背景模型，删除其他单高斯模型。t为预定义的阈值，代表背景模型在一个单高斯模型中所占的比例。

b6、减化单高斯模型个数：处理重叠的单高斯模型，判断i、j两个单高斯模型均值差，如果均值差小于阈值t，则判定i、j两个单高斯模型重叠；每隔l帧视频图像，对于某一像素的第i个单高斯模型，如果其权重wi＜wt,则判定该单高斯模型无效，并将该单高斯模型删除。wt为设定的权重阈值。最终确定单个高斯模型的个数，得到表示一个像素点的混合高斯背景模型；

c、检测运动目标

利用高斯背景模型来描述视频图像中的背景像素点，当获得一个新的视频帧视频图像时自适应更新混合高斯背景模型，如果当前帧像素点与混合高斯分布模型匹配，则判定该像素点为背景像素点，否则为前景像素点；然后利用构建的背景视频图像与视频帧视频图像差分得到运动目标；

d、建立纯背景视频图像

所述的纯背景是指不含有运动目标和静止目标的场景，采用多帧平均法建立纯背景图像，在静止目标未进入场景之前，采集视频序列前100帧较干净的视频图像，然后将该100帧视频图像的像素值相加，求其平均值，这个平均值就作为最终获取到的纯背景视频图像。

e、检测前景目标

利用背景差分法将运动目标和静止目标提取出来，具体步骤如下：

e1、视频图像预处理：将视频序列中当前帧视频图像转化为单通道视频图像，然后对当前帧视频图像进行噪声平滑处理，采用中值滤波法，将视频图像中某像素点及其邻域窗口内的所有像素点取出来，按照灰度值大小排序，取出序列中的中间值代替该像素点的实际像素值。对于奇数个元素，中值是指按大小排序后中间的值；对于偶数个元素，中值是指排序后中间两个元素灰度值的平均值。其中窗口为定义的一个长度为奇数l的窗口，l＝2n+1，n为正整数。视频图像平滑处理后，通过梯度锐化的方式使得目标轮廓更加清晰。

e2、视频图像差分：根据步骤d建立的纯背景视频图像与预处理后的视频图像差分，得到差分视频图像。

e3、二值化：对差分视频图像进行二值化判断，如果差分视频图像的像素值大于阈值，则判定该图像的像素值为255，即该图像为白色。否则判定该图像的像素值为0，即该图像为黑色。判断方法如下：

其中，f(x,y)为当前帧视频图像。b(x,y)为背景视频图像。t1为选取的阈值，取值20。

e4、后期处理：利用形态学滤波依次对二值化视频图像进行腐蚀和膨胀，将二值化视频图像中孤立的点噪声和运动区域的空洞进行处理,得到干净的前景目标。

f、检测静止目标

采用双背景模型结合的方式，利用混合高斯背景建模与视频帧视频图像差分得到运动目标，结合纯背景模型和视频序列差分提取前景目标，最后运用像素级视频图像减法对前景目标和运动目标进行差分处理，得到最终的静止目标。所述的前景目标包括运动前景目标和静止前景目标。

进一步地，步骤b1中，k＝3～5；步骤b2中，λ＝2～2.5；步骤b5中t＝0.7～0.8；步骤e1中，n取1或2。

1、本发明以视频图像处理和计算机视觉理论为基础，以视频监控为背景，在改进的混合高斯背景建模过程中，利用静止目标停留超过一定时间，它会随着背景模型更新而被更新到背景中去，从而只能够检测出运动目标的特点。结合纯背景模型和视频序列差分能较好的提取前景目标的方法，提出了一种基于双背景差分检测静止目标的方法。

2、本发明利用改进的混合高斯模型进行背景建模，可应用于复杂场景中光照缓慢变化以及存在重复运动目标的背景的准确建模，尤其适用于光照和天气缓慢变化，或者运动目标速度比较快的状况；通过减化每个像素所建立的高斯分布函数的个数，减少了计算量，提高了实时性。

3、本发明的前景目标提取采用背景差分法，其原理和算法设计简单，所得结果直接反映了前景目标的位置、大小和形状，能够得到比较精确的前景目标信息。

4、在改进的混合高斯背景建模过程中，利用静止目标停留超过一定时间，它会随着背景模型更新而被更新到背景中去，从而只能够检测出运动目标的特点。本发明结合纯背景模型和视频序列差分能较好的提取出运动目标和停留超过一定时间的静止目标，这两个前景目标提取的方法。利用像素级视频图像减法对前景目标和运动目标进行差分处理，可将运动目标与静止目标分离提取，从而能够稳定且准确的检测停留超过一定时间的静止目标。本发明的静止目标检测采用双背景模型算法，复杂度较低，易于实现。

附图说明

图1是静止目标检测系统结构示意图。

图2是改进的混合高斯背景建模算法流程图。

图3是基于背景差分的前景目标提取算法的步骤流程图。

具体实施方式

下面结合附图，通过一个在视频监控系统中对静止目标检测的实施例，对本发明技术方案进行详细的描述。一种基于双背景差分的静止目标检测方法如图1所示；步骤b中的混合高斯背景建模方法，如图2所示，步骤b1中的std_init＝20，步骤b5中的t取0.7；步骤e中的前景目标检测方法如图3所示。

本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。