化后的方向，M0TI0N_0RIENTATI0N为离散运动矢量的方 向种类数量，参数M0TI0N_0RIENTATI0N通过反复实验，确定其值为16时检测效果最佳，L-J 表示向下取整，％表示取模。
[0060] 逐个计算光流场的连续运动矢量量化后的方向。
[0061] 离散运动矢量的模长由下式求得：
[0062]
[0063] 式中m为罔散运动矢量的量化模长，mo1d为每个连续运动矢量的模长，maxmo1d为 连续运动矢量的模长的最大值。
[0064] 通过将连续的光流场转换为离散的矢量矩阵，可W更方便的对每个像素的运动模 型进行分类。对于矢量矩阵分类的目标则是找出相同运动方向的像素构成的连通域。由于 光流计算带来的误差、视频清晰度带来的误差W及同一物体不同部分运动方向可接受的细 微差异，该里寻找相同运动矢量的方法需要具有一定的鲁椿性。
[0065] 通过观察一些视频帖的运动矢量量化结果，可W发现规则场景中，绝大多数像素 的运动矢量趋于一致，分布于极少数几个运动矢量中。据此可W做出假设：像素数最多的运 动矢量代表光流场中背景或主要运动物体的运动。为便于分析每个运动矢量motion占有 的像素数，先建立运动矢量到该运动矢量占有像素数的映射。
[0066] motion一frequency
[0067] 对占有像素数化equency进行排序。数据显示，大部分帖中95%W上的像素分布 在=个或更少的矢量中，与其他矢量的占有像素数相差悬殊。在此我们认定对应占有像素 数排在第一位的为一类运动的代表运动矢量。需从其余运动矢量中区分出与该矢量差异足 够小的运动矢量。
[0068] 设定参数DISTANCE_THRE甜对离散运动矢量进行聚类分析。设定第一矢量、第二 矢量该两运动矢量的空间距离坐标由模长差和角度差组成，且其缩放比为1:1。由此可得两 运动矢量的空间距离平方函数：
[0069] distance2= (0 1_〇2) 2+相-!!!]) 2
[0070] 式中distance为两运动矢量空间距离，〇1为第一矢量的方向序号，02为第二矢量 的方向序号，mi为第一矢量的量化模长，m2为第二矢量的量化模长。
[0071] 通过与DISTANCE_THRE甜进行比较，认定如满足；
[0072] distance<DISTANCE_THRE甜
[0073] 则两运动矢量属于同一运动物体，即同一运动趋势；
[0074] 式中DISTANCE_THRE甜为设定的距离阔值，该参数通过反复实验，确定其值为3或 5时检测效果最佳。
[0075] 根据排序依次对其余矢量进行距离计算，将不属于同一类的运动矢量迭代进行聚 类分析。反复W其中占有像素数最高的运动矢量为运动趋势中屯、矢量进行划分，直至占有 像素数最高为0。
[0076] 划分主要运动方向后，我们可W得到用W表示每个像素属于的运动方向类别的灰 度图，图中运动方向属于同一类别的像素表现出相同灰度值。
[0077] 为了找出图中的主要区域，并W此定位前景物体，首先接收前景物体部分的不同 方向运动。需找到前景物体背景物体的区别，即可忽略属于前景物体运动的区别。此处采用 轮廓的方法消除不同前景物体运动的干扰，对灰度图进行二值化处理。直观的方法是检测 图中的连通域大小，通过不同连通域面积的比较，找出最大连通域为主要前景目标。此处调 用化enCV函数cvContourAreaQ对连通域面积进行计算。对最大连通域的CvSeq对象，进 行cvBoundingRect函数运算，获得包围该连通域的最小矩形，作为前景目标的初步检测。 [007引初步检测之后，可W获得目标的初步定位。由于环境扰动、摄像机抖动等因素带来 的光流场的误差会导致表示矢量划分的灰度图的一定扰动，由此带来初步检测场景的抖动 与误检。抖动表现为对运动目标的跟踪不稳定，定位存在较剧烈的位置变化和大小变化。误 检表现为由于场景中其他干扰，导致系统错误地将部分背景作为前景目标。
[0079] 为减少抖动与误检，在初步检测后增加了有效性判定与平滑处理。
[0080] 目标定位可W用四个参数进行描述：目标中屯、的横坐标（X)、目标中屯、的纵坐标 (y)、目标的高度化)、目标的宽度（W)。此处四个参数统称为目标描述参数P。
[0081] 有效性判定的判断标准为：
[00間Ap< 5
[0083] Ap表示目标描述参数在两帖间的变化量，5为两帖之间参数变化的有效上限。 若超出该上限，则判定该追踪无效，放弃该帖的检测。
[0084] 平滑处理的方法为取当前帖和前两帖的加权平均：
[0085]
[0086] 式中Si为第i帖调整后的目标描述参数，Pi为第i帖的原始目标描述参数，P为 第i-1帖的原始目标描述参数，Pi_2为第i-2帖的原始目标描述参数。其中，i> 3。
[0087] 经调整，式中的加权权重可W较好地追踪目标。
[008引 W上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述 特定实施方式，本领域技术人员可W在权利要求的范围内做出各种变化或修改，该并不影 响本发明的实质内容。
【主权项】
1. 一种基于运动矢量划分的前景检测方法，其特征在于，使用离散运动矢量划分运动 趋势以进行前景检测，包括对视频图像中的至少一帧图像执行如下步骤： 步骤1:对帧图像进行稠密光流计算，得到连续运动矢量； 步骤2 :在该帧图像中，对全部像素分别进行所述连续运动矢量的量化处理，得到由多 种离散运动矢量构成的量化矢量集； 步骤3:按照离散运动矢量所含的像素数，对该帧图像中存在的每种离散运动矢量进 行排序，根据排序结果按照运动趋势由主至次划归出多类运动趋势；其中，首次划归出的运 动趋势记为第一类运动趋势； 步骤4 :除了所述第一类运动趋势之外，计算在该帧图像中各类运动趋势所构成的连 通图面积，并将连通图面积进行排序；将序号靠前的多个连通图面积所对应的连通域作为 前景目标； 步骤5 :对前景目标的跟踪进行平滑处理和有效性检验。2. 根据权利要求1所述的基于运动矢量划分的前景检测方法，其特征在于，所述稠密 光流计算米用的光流算法为： OpenCV开源库函数中的函数calcOpticalFlowFarneback。3. 根据权利要求1所述的基于运动矢量划分的前景检测方法，其特征在于，所述量化 矢量集为65种尚散运动矢量，其中，64种尚散运动矢量由4种非零模长和16个方向排列组 合得到，1种离散运动矢量为无方向的〇模长矢量，具体为： 4种非零模长为：最大模长、四分之一最大模长、二分之一最大模长、四分之三最大模 长；其中，所述最大模长是指所有离散运动矢量中的最大模长； 16个方向为：以水平向右为起始方向逆时针方向将圆周角16等分得到的方向。4. 根据权利要求1所述的基于运动矢量划分的前景检测方法，其特征在于，所述步骤 3,包括如下步骤： 步骤3. 1 :对该帧图像中存在的每种离散运动矢量按照所含的像素数由多到少进行排 序； 步骤3. 2 :在未划归入运动趋势的离散运动矢量中，选取排序序号靠前的N种离散运动 矢量构成一类矢量集合，在该类矢量集合中选取序号最前的离散运动矢量作为运动趋势中 心矢量；若该帧图像中未划归入运动趋势的离散运动矢量的种类不足N种，则选取该帧图 像中全部未划归入运动趋势的离散运动矢量作为该类矢量集合； 步骤3. 3 :在该类矢量集合中，计算该运动趋势中心矢量分别与其余离散运动矢量的 距离； 步骤3. 4 :将距离小于阈值的离散运动矢量划归入该运动趋势中心矢量所代表的运动 趋势中； 步骤3.5 :判断一帧图像中存在的离散运动矢量是否均已划归入运动趋势中：若是，则 认为完成运动趋势的划归；否则，则进入步骤3. 2继续执行； 其中，对一帧图像，将首次划归出的运动趋势作为所述第一类运动趋势。5. 根据权利要求1所述的基于运动矢量划分的前景检测方法，其特征在于，在所述步 骤4中，将序号靠前且面积大于面积阈值的多个连通图面积所对应的连通图区域作为前景 目标。6. 根据权利要求5所述的基于运动矢量划分的前景检测方法，其特征在于，所述有效 性检验的判定标准为：对于当前帧，当前帧图像及其前连续两帧图像均满足如下条件： Ap< 8 其中，P表示目标描述参数，目标描述参数P由目标中心的横坐标X、目标中心的纵坐标y、目标的高度h、目标的宽度w构成；Ap表示目标描述参数在连续两帧图像之间的变化量， S为连续两帧图像之间目标描述参数变化的有效上限； 若Ap小于S则判定追踪有效；否则，则判定追踪无效，放弃当前帧图像的检测。7. 根据权利要求6所述的基于运动矢量划分的前景检测方法，其特征在于，所述平滑 处理的方法为取当前帧图像与其前连续两帧图像的加权平均：其中，Si为第i帧图像平滑处理后的目标描述参数，pi为第i帧图像的目标描述参数，Ph为第i_l帧图像的目标描述参数，PH为第i_2帧图像的目标描述参数；其中，i多3。8. 根据权利要求4所述的基于运动矢量划分的前景检测方法，其特征在于，在步骤3. 3 中的所述距离distance，具体为： distance2= (〇「〇2)2+2 其中，distance表示两个离散运动矢量之间的空间距离，Cvm1*别为其中一个离散运 动矢量的方向序号、量化模长，〇2、1112分别为其中另一个离散运动矢量的方向序号、量化模 长。9. 根据权利要求1所述的基于运动矢量划分的前景检测方法，其特征在于，还包括如 下步骤： 步骤〇 :使用高斯模糊及减采样，处理视频图像。10. 根据权利要求9所述的基于运动矢量划分的前景检测方法，其特征在于，所述视频 图像的特征为： 特征A:画面中存在与背景有相对运动的前景物体； 特征B:采集视频图像的摄像机允许运动，即背景为运动或者静止； 特征C:高斯金字塔处理根据视频分辨率大小进行。
【专利摘要】本发明提供了一种基于运动矢量划分的前景检测方法，使用离散运动矢量划分运动趋势以进行前景检测，其在区分前景与背景的运动趋势时，使用稠密光流为分辨的基础，对计算所得的光流场进行量化处理获得离散的运动矢量矩阵，再对该矩阵进行方向的划分，最终寻找连通域，以找出与背景运动方向或速度不同的前景物体，完成前景目标的搜索过程。本发明中的连续矢量量化方法和划分的方法能够较好的对光流矢量场进行分析处理。通过连通域的面积比较得出前景目标也是在前景物体不确定的情况下迅速捕捉前景位置的方法。
【IPC分类】G06T7/20
【公开号】CN104966305
【申请号】CN201510324226
【发明人】蒋兴浩, 孙锬锋, 林佳晨, 欧昕钺
【申请人】上海交通大学
【公开日】2015年10月7日
【申请日】2015年6月12日