一种获取视频中运动目标的检测方法与流程

本发明涉及图像处理技术领域，具体而言，尤其涉及一种获取视频中运动目标的检测方法。

背景技术：

随着智能视频监控的广泛应用，其中对运动目标的检测是一个研究的热点，而且在各个领域中都有着巨大的应用前景。运动目标的传统检测算法各自存在一些问题导致检测效果不理想；例如，光流法的计算量大，不易在硬件上实现；背景差分检测算法和帧间差分法虽易于实现，不过各有缺点，背景差分检测算法速度慢而且易受外界光线干扰，帧间差分法检测出来的目标轮廓容易发生空洞现象。

技术实现要素：

根据上述提出现有的运动目标检测方法计算量大不易实现及效果不理想的技术问题，而提供一种获取视频中运动目标的检测方法。本发明主要利用改进的背景差分检测算法和改进的六帧差分法相结合进行运动目标的检测，实时性强、抑制噪声效果明显、检测效果良好。

本发明采用的技术手段如下：

一种获取视频中运动目标的检测方法，包括如下步骤：

s1：采用背景差分检测算法获取视频中每一帧图像的背景图像，将每一帧图像与相应的背景图像作差得到运动目标差分图像ⅰ，利用fpga将运动目标差分图像ⅰ转化为运动目标二值化图像ⅰ；

其中，背景差分检测算法采用优化的高斯混合模型建立背景模型，优化的高斯混合模型包括对方差采用单向下限阈值的方法进行修改；

s2：采用六帧差分法获取视频中每一帧图像的运动目标差分图像ⅱ，利用fpga将运动目标差分图像ⅱ转化为运动目标二值化图像ⅱ；

其中，六帧差分法通过随变性最佳阈值的方法修改分割阈值；

s3：将运动目标二值化图像ⅰ和运动目标二值化图像ⅱ通过fpga进行与运算融合并通过形态学目标重构方法处理融合后图像，并通过连通性检验方法得到检测到的视频中的运动目标。

进一步地，背景差分检测算法中：

设视频中任一时刻t对应的一帧图像中的某一个像素点p(x0,y0)的像素值为xt，每一个xt采用k个高斯分布建立高斯混合模型；

将k个高斯分布按照wt,i/σt,i值的降序排列，其中，wt,i为t时刻高斯混合模型第i个高斯分布的权重，σt,i为高斯分布的偏差；

将xt分别与前一时刻的所有高斯分布依次匹配，对第一个匹配成功的高斯分布的各参数按照下列公式进行更新，其他高斯分布的各参数保持不变：

wt,i＝(1-α).wt-1,i+α.m

μi,t＝(1-β)μi,t-1+βxt

β＝αη(xt,|μi,t,δi,t)

其中，α(0≤α≤1)为学习率；β为参数替换率；为高斯分布的方差，等于高斯分布进行更新前方差初始值的18％。

进一步地，六帧差分法中分割阈值t通过如下公式表示：

t＝(αmedian[pk(x,y)]+(1-α)(max[pk+1(x,y)]+min[pk+2(x,y)]))/β

其中，α(0≤α≤1)为背景更新权重值；β＝4。

进一步地，运动目标二值化图像ⅰ为zk(x,y)，运动目标二值化图像ⅱ为rk(x,y)，通过如下公式进行与运算融合：

其中，fk(x,y)为融合后的图像。

进一步地，形态学目标重构方法包括：

采用3×3形态学处理消除fk(x,y)的噪声，消除噪声后的图像记为fs；

利用如下公式进行目标重构使运动目标图像完整：

其中，f为目标重构后的运动目标图像；fs为消除噪声后的图像；se为7×7尺寸的结构元素。

较现有技术相比，本发明具有以下优点：

本发明提供的获取视频中运动目标的检测方法，利用改进的高斯混合模型使之与真实背景更接近，来获取目标的二值图像，利用改进的六帧差分法来获取目标的二值图像，之后将二者进行相与运算，最后通过形态学处理，连通性检测准确、快速的提取运动目标，方法的实时性强、抑制噪声效果明显、检测效果良好。

综上，应用本发明的技术方案利用改进的背景差分检测算法和改进的六帧差分法相结合进行运动目标的检测，实时性强、抑制噪声效果明显、检测效果良好。因此，本发明的技术方案解决了现有的运动目标检测方法计算量大不易实现及效果不理想的技术问题。

基于上述理由本发明可在运动目标检测等领域广泛推广。

附图说明

为了更清楚地说明本发明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做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所述获取视频中运动目标的检测方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

如图1所示，本发明提供了一种获取视频中运动目标的检测方法，包括如下步骤：

s1：采用背景差分检测算法获取视频中每一帧图像的背景图像，将每一帧图像与相应的背景图像作差得到运动目标差分图像ⅰ，利用fpga将运动目标差分图像ⅰ转化为运动目标二值化图像ⅰ；

其中，背景差分检测算法采用优化的高斯混合模型建立背景模型，优化的高斯混合模型包括对方差采用单向下限阈值的方法进行修改；

s2：采用六帧差分法获取视频中每一帧图像的运动目标差分图像ⅱ，利用fpga将运动目标差分图像ⅱ转化为运动目标二值化图像ⅱ；

其中，六帧差分法通过随变性最佳阈值的方法修改分割阈值；

s3：将运动目标二值化图像ⅰ和运动目标二值化图像ⅱ通过fpga进行与运算融合并通过形态学目标重构方法处理融合后图像，并通过连通性检验方法得到检测到的视频中的运动目标。

本发明采用连通性检验方法能够提高检测到的运动目标的完整性，获得轮廓较为完整清晰的运动目标。

进一步地，本发明所述的背景差分检测算法中：

设视频中任一时刻t对应的一帧图像中的某一个像素点p(x0,y0)的像素值为xt，每一个xt采用k个高斯分布建立高斯混合模型表征的该像素值在时间跨度上的的概率密度分布函数p(xt)表示为：

其中，wt,i、ut,i、∑t,i分别为t时刻混合高斯模型第i个高斯分布的权重、均值和协方差矩阵；k表示高斯分布个数，k∈[3,5]；η(xt,ut,i,∑t,i)表示高斯分布的概率密度函数；n＝1；

将k个高斯分布按照wt,i/σt,i值的降序排列，其中，σt,i为高斯分布的偏差；

将xt分别与前一时刻的所有高斯分布依次匹配，当满足如下条件时：

|xt-μi,t-1|＜2.5σi,t-1

则表示匹配成功；

对第一个匹配成功的高斯分布的各参数按照下列公式进行更新，其他高斯分布的各参数保持不变：

wt,i＝(1-α).wt-1,i+α.m

μi,t＝(1-β)μi,t-1+βxt

β＝αη(xt,|μi,t,δi,t)

其中，α(0≤α≤1)为学习率；β为参数替换率；为高斯分布的方差，等于采取单向下限阈值的方法为高斯分布进行更新前方差初始值的18％；

本发明通过设置单向下限阈值其值为采取单向下限阈值的方法为高斯分布进行更新前方差初始值的18％，能够避免随着方差的更新为减函数即随着更新次数的增加方差值递减直至接近0，造成背景模型与实际有偏差即发生误检；

将视频中所有时刻对应的图像中的每个像素点的像素值对应的k个高斯分布一起按照ωt,i/σt,i值降序排列；选取权重值ωt,i之和不小于阈值t′的前b个高斯分布建立背景模型：

其中，阈值t′＝0.7；

若像素值xt对应的高斯分布与建立背景模型的b个高斯分布里的任何一项匹配成功，则该像素值xt对应的像素点为背景点，否则为前景点；

采用背景模型获取视频中每一帧图像的背景图像后，将每一帧图像与相应的背景图像作差得到的运动目标差分图像ⅰ通过如下公式表示：

dk(x,y)＝|fk(x,y)-fb(x,y)|

其中，fk(x,y)为视频中的某一帧图像，fb(x,y)为背景图像；

对运动目标差分图像ⅰ进行二值化处理后的运动目标二值图像ⅰ表示为：

其中，t1为背景差分检测算法的分割阈值；zk(x,y)＜t1表示该像素点为背景点，zk(x,y)≥t1表示该像素点为运动目标；

本发明所述改进的背景差分检测算法能够较好的处理杂乱背景和外界环境突变的问题，提高准确率，降低误检率。

进一步地，本发明所述的六帧差分法中：

设视频中连续的六帧图像分别为：

fk(x,y)、fk+1(x,y)、fk+2(x,y)、fk+3(x,y)、fk+4(x,y)、fk+5(x,y)

将六帧图像根据下列公式进行两两差分并进行二值化处理：

其中，p1k,p2k,p3k表示图像作差值后的二值图像；λ表示抑制系数，λ＝2；m×n表示检测区域总像素数；δt1,δt2,δt3为动态阈值，与光照强度成增函数变化；

分割阈值t通过如下公式表示：

t＝(αmedian[pk(x,y)]+(1-α)(max[pk+1(x,y)]+min[pk+2(x,y)]))/β

其中，α(0≤α≤1)为背景更新权重值；β＝4；

当视频中的运动目标受光照不均、反光或背景复杂等因素影响与背景的大小比例悬殊时，现有技术通常采用的ostu(最大类间方差法)会出现双峰或多峰，造成分割阈值不准确进一步导致误检概率大大提高；本发明采取随变性最佳阈值的方法对六帧差分法中的分割阈值t进行改进，可以让t的变化能够自动适应外界条件的变化，提高了检测的准确率，降低误检的概率。

进一步地，运动目标二值图像ⅰ为zk(x,y)，运动目标二值图像ⅱ为rk(x,y)，通过如下公式进行与运算融合：

其中，fk(x,y)为融合后的图像。

进一步地，形态学目标重构方法包括：

采用3×3形态学处理消除fk(x,y)的噪声，消除噪声后的图像记为fs；

利用如下公式进行目标重构使运动目标图像更加完整：

其中，f为目标重构后的运动目标图像；fs为消除噪声后的图像；se为7×7尺寸的结构元素。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。