面向偏僻地段的小动物目标检测方法
【技术领域】
[0001] 本发明涉及一种面向偏僻地段的小动物目标检测方法，属于目标检测技术领域。
【背景技术】
[0002] 随着电子技术的迅猛发展，基于视频的监控技术越来越普及，成为安全监控的主 流。然而，目前视频监控需要人工辅助监视，智能化水平较低，耗费人力资源多，且易受人的 主观因素影响，经常会遗漏许多可疑目标，导致重大损失。为提高视频监控的安全等级和降 低人的劳动强度，越来越多的智能化方法被应用于视频监控领域。专利"周界智能防范系统 (201420490640, 2014)"采用雷达和红外传感器辅助视频监控，雷达传感器可以检测运动目 标，红外传感器可以检测具有特定温度范围的目标，这两种传感器的检测信号采用"与"的 方式进行融合，可以有效检测运动人体目标，并减少风吹草动等许多非人体运动引起的虚 警现象。专利"一种面向周界防护的可疑目标监测方法（201110318587. 7,2013)"采用区域 HOG特征和SVM方法实现人体与车辆目标的智能检测，可以有效降低可疑人体与车辆目标 对监视场所的威胁。文献"Rapid object detection using a boosted cascade of simple features (CVPR，2001 )'，、''Histograms of oriented gradients for human detection (CVPR，2005)"等提出了基于图像灰度信息检测人体目标的方法，可以区分图像中的人体和 背景。然而在偏僻地段，人体和车辆目标很少，视频监控需要关注的往往是一些小动物目 标。尽管采用雷达与红外传感器也可以检测小动物目标，但虚警率较高。目前还未见有采 用视频分析手段智能检测小动物目标的方法。
【发明内容】
[0003] 为解决上述问题，本发明特提出一种面向偏僻地段的小动物目标检测方法，是一 种基于多背景差和多特征融合的小动物目标检测方法，首先采用基于多背景差法的小运动 目标检测方法，检测复杂环境下的运动目标；然后采用基于多特征融合的小动物目标分类 方法，确认运动目标是否为小动物；最后将检测结果上传给视频监控系统，为监控系统的安 全预警提供依据。
[0004] 为实现上述的发明目的，本发明采用下述的技术方案，流程图如图1所示： 1基于多背景差法的小运动目标快速检测方法 对于监控场景，需要防范的目标首先是运动的。因此，需要先提取运动目标，再辨别目 标属性。常用的运动检测方法有背景差法、帧差法和光流法。其中光流法速度太慢，难以满 足监控系统的实时性要求，在实用系统中很少考虑；帧差法检测的运动目标常存在孔洞或 断裂现象，对辨别目标属性非常不利。故本发明采用背景差法检测运动目标。然而，背景差 法受环境变化影响较大。在偏僻地段，一般草木茂盛，当有风时场景中运动非常复杂，导致 真实运动目标与草木的运动很难区分，尤其是小运动目标很难提取。为提高算法对环境的 适应能力，本发明提出一种多背景差法，采用随机运算对背景进行更新，通过融合多背景差 分结果过滤环境干扰，实现复杂环境下的小运动目标检测。具体步骤为： Sie/d背景初始化 对于初始帧图像A，随机生成_幅背景图像，记为_，i= :
其中，表示第i:幅背景图像像素点处的灰度。（办》为随机偏移量，表示 为
其中，函数rand为随机数，为变量，表示取值范围为变量a和b构成的闭区 间pj|上的随机数，为一整数。
[0005] 本发明中，取M =20。
[0006] 5^6^2距离计算 对当前帧图像沒，计算像素点与背景图像序列的距离：
5^成像素点属性判断 当像素点?Χ力与背景图像序列的W个距离中如果存在:个小于阈值那么判定像 素点?υ)为背景，记为〇,否则为目标，记为1。
[0007] 其中，BW (x，y)为二值图像BW在（x，y)处的取值； Num &)表示满足条件的数量。本发明中，取虹=5，文=1〇。
[0008] 5Ye/>4背景更新 采用随机更新策略，对背景图像进行更新，具体地
其中，参数錢是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里 取值为0.02。
[0009] 汾印5采用数学形态学的"顶帽变换"方法对二值图像进行滤波，然后采用 8-邻接连通方法搜索和标记目标。
[0010] 2、基于多特征融合的小动物目标检测方法 小动物主要指猫、狗、狼等爬行动物，这些动物有一些共同的特征，譬如四肢爬行、有尾 巴等，可以采用形状特征进行区分。常用的形状特征有三类：区域特征(如长宽比、面积、Hu 不变矩)、轮廓特征(如傅里叶描述子、链码)、空间灰度特征(如Haar-like、HoG)。区域特征 比较简单，求解速度快，但区分能力弱；轮廓特征受目标分割效果影响很大，实用价值不大； 空间灰度特征区分能力强，但求解速度非常慢。结合上述特征的优缺点，本发明提出一种基 于多特征融合的小动物目标检测方法，首先对于运动目标提取区域的Hu不变矩特征，初步 筛选出疑似小动物目标；然后提取Haar-Iike特征，结合Adaboost方法，辨别疑似目标是否 为小动物。通过融合区域特征和空间灰度特征，可以快速可靠检测小动物目标。详细介绍 如下。
[0011] (1)区域特征提取与分类 对于运动目标的二值图像BW，提取七个Hu不变矩特征：
其中，辦卩历>别为运动目标的宽度和高度，BW(i，j)表示二值图像BW上像素点（i，j) 的灰度值。中P、q为标记符号，如.輪中P=2、q=0。
[0012] 然后，按照最小欧式距离准则，计算运动目标块的Hu不变矩与训练得到的小动物 目标的Hu不变矩的距离：
其中，甚表示运动目标块的第外Hu不变矩，表示训练样本中小动物目标的第々 个Hu矩（k=l，2,…，7)，获取方法为：通过人工裁剪的方式，获取监控视频中的小动物目标， 并二值化，得到小动物目标的二值图像，然后求取Hu不变矩，不同训练样本中的小动物目 标的Hu不变矩特征通过均值滤波方法，得到ΦΛ。
[0013] 最后，采用固定阈值法筛选疑似小动物目标，具体地，如果?/〈Τ2,则认为当前运动 目标为疑似小动物目标，进一步进行空间灰度特征的提取与分类；否则，继续检测下一目 标。本发明取Τ 2=8.0。
[0014] (2)空间灰度特征提取与分类 对于疑似小动物目标的灰度图像I，提取空间灰度的Haar-Iike特征，采用Adaboost方 法进行训练和分类，辨别目标属性，主要步骤包括： Stepl :特征提取 Haar-Iike特征有四种类型，如图2所示。
[0015] Haar-Iike特征值为：用黑色矩形内所有象素的灰度和减去白色矩形内所有象素 的灰度和。为了便于计算和表示，可以采用下式计算Haar-Iike特征值： Value=graySum(black) x. weight(black)-graySum(all) 其中，graySum(black)为黑色矩形特征内所有象素的灰度和，weight (black)为黑色 矩形的权重，其值为整个大矩形的面积除以黑色矩形的面积，graySum(all)为整个大的矩 形的灰度和。
[0016] 由于图像中目标尺寸不同，Haar-Iike特征值需要进行归一化处理，具体实现方法 是用上式得到的特征值除以整个矩形的面积。
[0017] 具体实现时，可以采用积分图方法快速求取Haar-Iike特征值。对于输入图像I， 像素点处的积分图定义如下：
其中，为图像在点pU>p处的像素值。如图3所示，积分图MiiV)等于图中灰 色部分的所有像素值的和。
[0018] 为了得到输入图像I的积分图像，需要逐点扫描图像一次。设为输入图像 各点的像素灰度值
为输入图像中像素点在纵坐标不超过该点 的所有像素灰度值之和，则图像I的积分图可按如下递推公式计算：
其中，X和y从0开始，定义1)二?，
[0019] Step2特征训练与分类 在训练阶段，将小动物目标作为正样本、其他目标作为负样本，提取目标图像的 Haar-Iike特征，构建如下弱分类器：
其中，⑴:表示第j个特征的特征值彳㈨表示弱分类器的值，1表示为小动物目标， 〇表示其他目标表示弱分类器的阈值；表示