一种针对雨雪天气的运动目标检测方法
【技术领域】
[0001] 本发明涉及机器视觉与视频图像处理技术领域，特别涉及一种针对雨雪天气的视 频运动目标检测方法。
【背景技术】
[0002] 随着数字视频压缩技术、网络传输技术、电子技术的高速发展，视频监控已逐渐渗 透至人们的日常生活。视频目标检测是智能视频监控系统中关键的第一步。目标检测的准 确性严重影响后续的目标跟踪、目标识别的可靠性。雨雪天气下视频图像受到雨滴和雪花 等动态背景的严重干扰，使得准确的视频目标检测十分困难。
[0003] 为了把背景中的动态因素融入背景模型之中，防止因动态背景导致的前景误 检，可以用数学模型统计每个像素或区域历史数值变化规律来构建合适的背景模型，比 如经典的混合高斯模型（Mixture of Gaussian，M0G)、非参数核密度估计模型（Kernel Density Estimation, KDE)、码本模型（Codebook)，以及采用随机像素子集的ViBe (Visual Background Extractor)和ViBe+算法。以上背景建模方法能够减少水波纹、抖动边缘和摇 晃树叶等动态背景的误检，但是在处理随机出现的雨滴和雪花时往往力不从心。
[0004] 由于雨天视频图像背景复杂多变，单纯依靠背景模型往往不能有效判定前/背 景，本发明提出在已有运动检测算法分类的基础之上再提取运动特征，进行二次分类来优 化检测结果。
【发明内容】
[0005] 本发明要解决的问题是：现有技术对雨雪天气视频图像的检测准确度不高，雨雪 天气下视频图像受到动态背景的严重干扰，使得视频目标检测十分困难。
[0006] 本发明的技术方案为：一种针对雨雪天气的运动目标检测方法，对采集的天气视 频图像，首先采用背景差法来进行初始运动检测，对每个像素点进行前背景分类，获得候选 前景像素第一次分类的二值序列，然后对所述二值序列统计码元跳变次数和高电平时间作 为运动特征向量，最后，将像素划分为真实运动目标、雨雪粒子和抖动边缘三个类，并预先 通过K均值算法预先学习获得类中心，计算所述运动特征向量与各个类中心的距离来进行 二次分类。
[0007] 本发明具体步骤如下：
[0008] 1)初始运动检测：对采集的天气视频图像采用背景差法进行初始运动检测，获得 每个像素点的初始运动检测结果O i (X，y)，Oi (X，y) = 1表示第i帧像素点（X，y)是前景点， O1Uy) =〇表示该点为背景点，选择固定长度w的滑动窗口，获得第i帧像素（x，y)的第 一次分类时序结果Si (X，y)，Si (X，y)为二值序列；
[0009] 2)运动特征提取：提取S1Uy)中的码元跳变次数J1Uy)和高电平时间R 1Uy) 作为运动特征向量，运动特征向量FiU, y) = IJi(Xj), RiU, y)};
[0010] 3)像素二次分类：设三类像素：真实运动目标、雨雪粒子和抖动边缘，三类像素的 特征向量的类中心分别为C1, C2, C3，类中心C1, C2, C3通过K均值算法预先学习获得，则对第 i帧的位置（X，y)处的候选前景像素的分类方法为，计算F1(Xj)与各个类中心的距离，选 择距离最小的类中心的标签作为该像素的类别。
[0011] 进一步的，步骤1)中所述Si(x, y)是长度为w的二值序列：
[0012] Si (x, y) = (Oi W+1 (x, y),......, Oi 2 (x, y), Oi ! (x, y), Oi (x, y)} (I)
[0013] 步骤2)中对S1 (x，y)中码元跳变次数的统计过程为：
:(2)
[0015] 对S1Uy)中高电平时间的统计过程为：
(3)
[0017] 步骤3)中计算F1 (X，y)与各类中心距离的方法为：
(4)
[0019] 步骤3)中通过K均值算法学习获得类中心C1, C2，(：3时，首先对用于学习的视频序 列，按照步骤1)、2)所述的初始运动检测和运动特征提取方法获得所有M个候选前景像素 的特征向量F ni= IJni, RJ，m = 1，2,…M，然后利用K均值算法对Fni学习以获得各个类中心。
[0020] 本发明的创新之处在于：以往研究仅在意动态背景误检带来的不利，而忽视了它 的用途，本发明通过大量观测检测结果二值图像发现，动态背景的时序检测结果和真实运 动目标的时序检测结果具有不同的变化规律，对于被雨雪粒子覆盖的背景，在一定的时间 窗内，只有很短暂的被误检为前景的几帧；对位于抖动边缘处的像素，同一像素点反复在前 景点" 1"、背景点"〇"间切换；而对于被真实运动目标覆盖的像素，其分类结果则形成较长 的连续前景标签" 1"，基于这些规律，本发明创新的利用基本背景差法提取运动前景时的误 检信息，构建能够区分真实运动目标、雨雪粒子、抖动边缘三类像素的运动特征向量，通过K 均值聚类算法获得各个类别中心，通过特征向量距离计算实现候选前景的二次分类，提取 真实运动目标，能够有效解决当前运动检测算法在雨雪天气下误检较多的问题。
[0021] 本发明的运动目标检测方法，利用现有技术的背景差法的不足，从其误检中分析 总结出规律，再通过二次分类来优化检测结果，易于实现，不需要复杂的算法处理，提高雨 雪天气视频图像的检测准确度，克服雨雪天气下视频图像受到的动态背景的干扰。
【附图说明】
[0022] 图1为本发明方法的流程框图。
[0023] 图2为本发明中三种像素类型的第一次分类的时序结果S1U, y)示意图。
[0024] 图3为本发明实施效果。
【具体实施方式】
[0025] 本发明克服现有技术之不足，提出一种针对雨雪天气的运动目标检测方法，包括 初始运动检测、运动特征提取、像素二次分类三个步骤，如图1所示，具体如下：
[0026] 1、初始运动检测：
[0027] 采用现有技术最基本的背景差法来进行初始运动检测。首先利用当前视频图像的 前N帧作为训练图像，计算其均值作为初始背景Bjx，y):
(X)
[0029] 式中，IiU, y)表示第i帧中点（X，y)处的像素值，BQ(x, y)表示为点（X，y)建立 的初始背景值。正式检测从i = 〇帧开始，将待检测图像I1 (X，y)减去背景B1 (X，y)，并进 行自适应阈值分割，得到候选前景：
(2)
[0031] 其中，Oi (X，y) = 1表示第i帧像素点（X，y)是候选前景像素，若Oi (X，y) = 0则 该点为候选背景像素，THb表示判决阈值。为了适应场景的实时变化，B1(Xj)根据当前的 检测结果进行实时更新：
溝.
[0033] 上式表示，如果当前像素点是背景则参与背景模型的更新，否则不更新，其中，α 为控制更新速度的权重因子。通过以上步骤可以获得初始运动检测结果O1 (X，y)，O1 (X，y)， 也可视为对当前图像中像素的第一次分类，可见存在〇和1两种分类状态。O1(^y)是采用 现有的背景差法进行的第一次分类检测结果，在有抖动和雨雪情况下，它会包含很多误检。 但是这些误检也有一些规律，因此可以挖掘其中隐藏的信息为我们所用。
[0034] 选择固定长度w的滑动窗口，根据初始运动检测可以获得第i帧像素（x，y)的第 一次分类时序结果S i (X，y)，Si (X，y)为长度为w的二值序列：
[0035] Si