基于混合高斯模型与超像素分割的运动目标检测方法

文档序号:9766380阅读:535来源:国知局
基于混合高斯模型与超像素分割的运动目标检测方法
【技术领域】
[0001] 本发明属于智能视频监控领域,设及一种视频运动目标检测算法,具体设及一种 基于混合高斯模型与超像素分割的运动目标检测方法。
【背景技术】
[0002] 最近十几年来,随着公共安全意识的逐渐提高,智能监控领域的技术有了长足的 进步,并开始越来越多的应用在安防、交通和互联网等领域。运动目标检测融合了计算机视 觉和模式识别技术,是智能视频监控系统中最基础、最核屯、的研究方向之一。
[0003] 图像分割是指把图像分成若干个相对独立的区域。因为图像处理大多是在像素级 别进行操作,若能将具有相同特性的像素分割出来,能够降低后续操作的复杂度。所W,图 像分割在近几十年来有了长足的进步。
[0004] 当前图像处理大都W像素为单位,仅用二维矩阵来表示一张图像,并未考虑像素 之间的空间组织关系,使得算法效率过低。Ren等最早提出了超像素运一概念所谓超像素, 是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相 似程度将像素分组,可W获取图像的冗余信息,在很大程度上降低了后续图像处理任务的 复杂度。LIU M Y等人提出了基于赌率的超像素分割算法,描述了基于图形拓扑的能量函 数。WANG S等人提出了使用超象素来提取跟踪对象结构信息。TIG肥J等人在场景组成分析 使用其它超像素,提出了一个简单而有效的非参数的图像分析方法。
[0005] 目前常用的运动目标检测方法有=类:光流法、帖间差法和背景差分法。光流法是 通过计算速度场来区分背景和运动目标。帖间差法和背景差分法的基本步骤:先将待检测 帖与参考帖进行差分,然后人工设定阔值,若大于阔值,该像素点为前景,否则为,背景。帖 间差法的参考帖为当前帖的相邻帖,由于相邻帖与当前帖间隔短,对环境光照变化不敏感, 缺点是如果运动中的物体突然W很慢的速度运动,会在检测结果中出现空桐。背景差分的 参考帖是在没有待检测目标下的图像。背景差分法分为参数化方法和非参数化方法。最常 用的参数法为高斯混合模型(GMM),用k(3-5)个高斯分布的加权混合来构建背景模型。优点 是能够动态适应环境变化。缺点是当运动中的物体突然从静止转为运动,检测效果不佳。Li 等在Foreground object detection from videos containing complex background提出 的一种在复杂场景下的目标检测算法是一种非参数法,该算法对差分图像使用了全局阔值 化方法检测出所有的运动,然后,对运动区域进行背景抑制。缺点是忽略了像素与像素之间 的空间关联性,场景越复杂,效果越不理想。除了上述基本的方法,其他方法也被提了出来, 如Migdal G.等由马尔可夫随机场理论构造出运动场分布模型,利用此模型来检测运动场 间的断点,W此实现运动目标检测;M地U曲J M等提出的基于小波变换的方法:Guan Y-P等 提出的在多尺度上计算由光谱、方向和尺度参数构成的向量来进行目标检测。

【发明内容】

[0006] 为了克服上述方法的不足,本发明的目的是提供一种基于混合高斯模型与超像素 分割的运动目标检测方法。该检测方法能够实时的根据摄像头捕捉到的视频图像来检测运 动目标。本发明方法侧重于W下几个方面:
[0007] 1)将待检测的当前帖的图像利用化IC(简单线性迭代聚类算法)。化IC在进行聚类 时,仅在一个种子点作为2S(S是种子之间的距离)X2S区域的中屯、捜寻类似像素,而不是在 整幅图中进行捜索,提高了算法的计算速度。
[0008] 2)对超像素分割后的每一个区域,使用了 LTP(局部S值模式)算子来提取纹理特 征。由于LTP算子在进行二值化编码时,通过设定经验阔值,使相对中屯、值在小于阔值的编 码为0,比阔值大的编码为1,所WLTP算子具有对噪声具有鲁棒性、灰度不变性的特点。
[0009] 3)为了排除阴影的干扰,本文使用了化IC算法。SLIC算法是基于超像素分割的思 想,通过产生过度分割运一特性,对每一帖包含有运动目标的图像使用化IC算法,能够将运 动目标和阴影完整的分离开来,排除阴影的干扰。
[0010] 本发明技术方案具体介绍如下。
[0011] 本发明提供一种基于混合高斯模型与超像素分割的运动目标检测方法,具体步骤 如下:
[0012] (1)构建背景模型,构建的背景模型为没有运动目标存在时的背景图;
[0013] 首先读取视频的前n帖,用高斯混合模型建立背景模型,建立背景模型后,对新的 每一帖,不断实时更新背景模型;
[0014] (2)每读取新的一帖,用简单线性迭代聚类化IC算法对当前帖图像进行超像素分 害d,调整算法参数,使得分割后的图像能够将背景区与图像区分开,得到分割后的当前帖图 像,并转化为灰度图像;
[0015] (3)利用步骤(2)得到的分割后的背景区,将当前帖背景图像进行相应区域的超像 素分割,并将分割后的图像转为灰度图像;
[0016] (4)针对当前帖图像和当前帖背景图像的灰度图象的每一个区域,提取局部=值 模式LTP的纹理特征,并形成相应的灰度直方图;
[0017] (5)对于每一个区域,将当前帖图像提取的灰度直方图与当前帖背景图像提取的 灰度直方图进行比较;若相似,则为背景;否则,为运动目标。
[0018] 本发明的有益效果在于:检测方法能够实时的根据摄像头捕捉到的视频图像来检 测运动目标,检测方法准确实时、高效。由于使用了 LTP算子来提取特征,检测方法具有一定 的抗噪性;为了排除阴影的干扰,使用了化IC算法。SLIC算法是基于超像素分割的思想,通 过产生过度分割运一特性,能够将运动目标和阴影完整的分离开来,排除阴影的干扰。
【附图说明】
[0019] 图1为基于超像素分割和纹理相结合的移动目标检测方法流程图。
[0020] 图2为图像捜索图示。
[0021] 图3为LTP算子编码示意图
[0022] 图4为高斯混合模型训练的背景示意图。
[0023] 图5为当前帖图像的示意图。
[0024] 图6为当前帖图像进行超像素分割后的图像的示意图。
[0025] 图7为当前帖图像进行超像素分割后的灰度图像的示意图。
[0026] 图8为当前帖的背景图像进行相同分割后的灰度图像示意图。
[0027] 图9为区域图像的灰度直方图的示意图。
[00%]图10为运动目标检测结果示意图。
[0029] 图11为定性定量分析结果示意图。
【具体实施方式】
[0030] 下面结合附图和【具体实施方式】对本发明进行详细说明,图1显示了本文发明方法 的流程图,接下来具体的介绍每一步的实现细节。
[0031 ]步骤一:构建实时的背景模型;
[0032] 在视频图像序列中,每一帖图像包含R,G,B的色彩信息。背景模型就是描述像素点 i在时间t的特征。
[0033] Xi,t=[Ri,t,Gi,t,Bi,t]
[0034] 其中i,t表示自然数;
[0035] 如果运动物体不存在,要被检测的图像相对静止。每个像素的变化是满足一定的 数学模型,该方法用M个高斯分布的混合模型标识每个像素,所述第k阶高斯概率密度函数
[0037] 上式中,化为均值矢量,X k为协方差矩阵,T为经验阔值,一般取0.7-0.75。
[0038] 像素点i当前特征与过去时刻的特征有关,其概率为
[0039] W';'J /占1,. . .,X f一:1)=吃供'J-U-%化J,佑心,S切-U-)
[0040] 其中,O表示高斯分布权重。
[OOW 根据
[0042] Xi,t-y|<2.5 5:i,t,k
[0043] 来确定当前像素与哪个高斯模型匹配。进而由模型计算出前景或背景的概率P。
[0044] 步骤二:用化IC(简单线性迭代聚类)算法对该帖图像进行超像素分割;
[0045] 当前帖图像转化为5维的特征向量CIELAB颜色空间和XY坐标。然后将5维的特征矢 量构造度量标准,过程为部分图像的像素聚类。具体步骤:
[0046] 1)初始化种子点:假设有N个图像像素,预分割为K个相同尺寸的超像素,每个超像 素那么大小为N/K,每个种子点之间的距离是
[0047] S '= 4n f K
[0048] N表示为图像像素的个数;
[0049] 为了避免在图像的边缘,并且所造成的聚类过程随后干扰种子点的位置,我们需 要在其内的种子点作为3X3窗口的中屯、,将移动到最小梯度值的位置,W及每个种子分配 一个单独的标签。
[0050] 2)相似性量度:对于每个像素,分配给像素的标签是相似程度最高的种子点。通过 运个过程,直到收敛的连续迭代中,相似性度量标准如下:

[0化4] 其中,I表示明度,a表示从洋红色至绿色的范围,b表示从黄色至蓝色的范围,X为 横坐标,y为纵坐标,dlab代表像素之间的色差,dxy代表像素之间的空间距离,Di为像素之间 的相似性。S是种子之间的距离,m是平衡参数。
[0055] 为了提高方法的计算速度,仅在种子点作为2SX2S区域的中屯、中的
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1