高斯背景模型与均值漂移跟踪结合的运动目标统计方法
【专利摘要】本发明公开了一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法，首先采集1～T时刻的序列图像；建立空的跟踪队列；t由1取至T，对t时刻图像执行步骤1～41、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，获得二值化图像A；2、采用形态学开运算和闭运算去除A中独立前景像素，填充前景空洞，得到图像B；3、对于B进行连通域分析，获得前景轮廓；4、以前景轮廓的外接矩形作为当前目标窗口，若当前目标窗口与跟踪队列中的已有目标窗口没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，统计加1；采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪和更新。
【专利说明】高斯背景模型与均值漂移跟踪结合的运动目标统计方法
【技术领域】
[0001]本发明属于运动目标检测统计【技术领域】，具体涉及一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法。
【背景技术】
[0002]随着军事侦察、智能交通、智能监控等领域的发展，对图像处理及目标识别的智能性和可靠性的要求越来越高。在这些领域中，序列图像中运动目标的个数统计是一种重要的应用。
[0003]目前，在运动目标检测统计领域，多采用帧差法、均值背景法或虚拟检测线圈法。帧差法运算量小，但检测精度较低；均值背景法易受到光线变化或树叶摇摆等干扰的影响，鲁棒性较差；虚拟线圈法通过比较在人为设置的图像中区域内像素值的变化检测运动目标，适用于运动路径较固定的场合，如按车道行驶的车流量统计，应用局限性较大。此外，以上几种方法受阴影影响较大，当阴影覆盖其他目标时很容易发生目标粘连，导致丢失目标。
【发明内容】
[0004]有鉴于此，本发明提供了一种高斯背景模型与均值漂移跟踪结合的运动目标统计方法，该方法是一种抗噪能力强、前景分离准确、跟踪精度高、适合多种应用场合运动目标统计方法。
[0005]为了达到上述目的，本发明的技术方案为:该方法首先在I?T每一时刻采集一帧图像，组成序列图像，并建立跟踪队列，初始化跟踪队列为空；按照时间顺序从序列图像依次选取图像，并对于t时刻图像进行如下第一步?第四步的处理，
[0006]第一步、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，从而获得运动前景二值化图像；
[0007]改进的混合高斯背景模型中具有K个高斯模型，每个高斯模型由如下公式确定:命中公式、滑动均值公式、滑动方差公式、排序键值公式以及权值公式；其中每个公式均针对t时刻图像中每一个像素的像素值建立，采用t时刻图像中每个像素对应的Lab空间色彩分量建立矩阵P，以矩阵P替代上述每个公式中对应像素的像素值部分。
[0008]第二步、采用形态学开运算和形态学闭运算对运动前景的二值化图像中的独立前景像素进行去除，并对前景空洞进行填充，得到完整的前景二值图像。
[0009]第三步、对于完整的前景二值图像进行连通域分析，获得前景轮廓。
[0010]第四步、以前景轮廓的外接矩形作为当前目标窗口，判断当前目标窗口与跟踪队列中的已有目标窗口是否有重叠，若没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，同时统计数据加I ;
[0011]同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口。
[0012]较佳地，序列图像中包括400帧以上的图像。
[0013]较佳地，第一步采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，其过程具体为:针对t时刻图像中的任一像素，区分其为背景像素或者前景像素，然后进行分离。其中对于当前像素，区分其为背景像素或者前景像素的过程包括如下步骤:
[0014]步骤101、对于t时刻图像中的当前像素:维护K个高斯模型；当t为I时，对该K个高斯模型进行初始化，初始化的参数包括:滑动均值、滑动方差、排序键值以及权值；其中滑动均值和滑动方差均为3X1的矩阵形式。
[0015]以当前像素在t时刻图像中的Lab空间的色彩分量分别为L、a、b分量，W1, wa、Wb分别为L、a、b分量的权值，W1, wa> Wb均取经验值,建立当前像素在t时刻图像中的Lab特性矩阵Pt = [W1L waa wbb]，其中在t时刻图像中，L、a、b分量的滑动均值的矩阵形式为:Ut=[μ ? μ 2 μ3];方差的矩阵形式为:K=[°i 4]。
[0016]步骤102、对当前像素进行命中试验，其中高斯模型命中公式为:
[0017]
【权利要求】
1.高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，该方法首先在I~T每一时刻采集一帧图像，组成序列图像，并建立跟踪队列，初始化跟踪队列为空；按照时间顺序从序列图像依次选取图像，并对于t时刻图像进行如下第一步~第四步的处理，I≤t≤T: 第一步、采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，从而获得运动前景二值化图像； 所述改进的混合高斯背景模型中具有K个高斯模型，每个高斯模型由如下公式确定:命中公式、滑动均值公式、滑动方差公式、排序键值公式以及权值公式；其中每个公式均针对t时刻图像中每一个像素的像素值建立，采用t时刻图像中每个像素对应的Lab空间色彩分量建立矩阵P，以矩阵P替代上述每个公式中对应像素的像素值部分； 第二步、采用形态学开运算和形态学闭运算对所述运动前景的二值化图像中的独立前景像素进行去除，并对前景空洞进行填充，得到完整的前景二值图像； 第三步、对于完整的前景二值图像进行连通域分析，获得前景轮廓； 第四步、以所述前景轮廓的外接矩形作为当前目标窗口，判断当前目标窗口与跟踪队列中的已有目标窗口是否有重叠，若没有重叠，则将当前目标窗口添加至跟踪队列作为已有目标窗口，同时统计数据加I ; 同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口。
2.如权利要求1所述 的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述序列图像中包括400帧以上的图像。
3.如权利要求1所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述第一步采用改进的混合高斯背景模型从t时刻图像分离出背景像素和前景像素，其过程具体为:针对t时刻图像中的任一像素，区分其为背景像素或者前景像素，然后进行分离； 其中对于当前像素，所述区分其为背景像素或者前景像素的过程包括如下步骤: 步骤101、对于t时刻图像中的当前像素:维护K个高斯模型；当t为I时，对该K个高斯模型进行初始化，初始化的参数包括:滑动均值、滑动方差、排序键值以及权值；其中滑动均值和滑动方差均为3X1的矩阵形式； 以当前像素在t时刻图像中的Lab空间的色彩分量分别为L、a、b分量,wx> wa> Wb分别为L、a、b分量的权值，W1^aWb均取经验值，建立当前像素在t时刻图像中的Lab特性矩阵Pt = [W1L waa wbb],其中在t时刻图像中，L、a、b分量的滑动均值的矩阵形式为:Ut= [U1μ2 μ3];方差的矩阵形式为A=[彳^ <]; 步骤102、对当前像素进行命中试验，其中高斯模型命中公式为: 其中以*为下脚标表示*时刻，则P*表示当前像素在*时刻图像中的Lab特性矩阵，U*为*时刻图像中该像素L、a、b分量的滑动均值，V*为*时刻图像中该像素L、a、b分量的滑动方差，当t = I时，Ut和Vt均为初始化值；TV为标准高斯分布阈值；加权滑动方差数值' : = K.[''/ Wb];在当前像素的命中试验中，如果det小于O，则t时刻的当前像素属于此高斯模型，即命中的高斯模型，更新命中的高斯模型的滑动均值公式，滑动方差公式、排序键值公式和权值公式依次为:
Ut = UtJa (Pt-UtJ
Vt= (1-Q)Vt^a (Pt-Uw).(Pt-Uw)
其中st为排序键值，权值，a为学习率，然后对于K个高斯模型，按照排序键值从大到小的顺序排列，进入步骤103 ； 如果没有命中任何高斯模型，将K个高斯模型按照排序键值从大到小的顺序排列后，重新初始化一个新的高斯模型，新的高斯模型用于替换排列在最后的高斯模型，重复本步骤 102 ； 步骤103、将当前像素所维护的K个高斯模型的排序键值和权值进行归一化处理，其中第k个高斯模型的排序键值为sk、权值为《k，其归一化后的排序键值为浐、权值为d/，其中 I≤ k ≤ K:
其中Sums为所述K个高斯模型排序键值的和；sumu为所述K个高斯模型权值的和；步骤104、设定背景阈值Tb，找到kF e [I, K]，使得排序为I~kF位的高斯模型归一化后的权值之和大于Tb ； 所述命中的高斯模型在K个高斯模型排序中占第kH位，则对于当前像素，当kF > kH时，该像素为背景像素，否则为前景像素。
4.如权利要求3所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述L、a、b分量的权值w1、wa、wb的取值均为经验值，其中W1取值为l、wa取值在区间[1,2]内，Wb取值在区间[O, I]内。
5.如权利要求1或3所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法，其特征在于，所述第四步中，采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪，以跟踪获得的搜索窗替换所跟踪的已有目标窗口，该过程具体包括如下步骤: 步骤401、获得t时刻图像在HSV色彩空间的色度图像IH，以所述前景轮廓的外接矩形作为当前目标窗口 ％，对当前目标窗口内的色度图像进行直方图统计，得到直方图H。，利用直方图H。计算色度图1h的反向投影P。，即为当前目标窗口在色度图像Ih中的分布概率密度图像； 步骤402、跟踪队列中与当前目标窗口有重叠的已有目标窗口为Wtj，以Wtj作为搜索窗Ws; 步骤403、计算P。在Ws内的零阶矩Mqq:如果Mcitl小于经验阈值Tm，则将Ws中心保持不变，长和宽均扩大2倍更新搜索窗Ws，并重新计算P。在Ws内的零阶矩，如果该零阶距仍小于所述经验阈值则更新Ws为O，停止跟踪进入步骤404 ； 如果Mcitl大于或等于经验阈值TM，则计算一阶矩Mltl和Mtll以及搜索窗的重心；若搜索窗的重心与其中心之间的距离小于经验距离ε，则停止跟踪进入步骤404;否则将搜索窗Ws的中心移动到搜索窗重心处更新搜索窗Ws，重复步骤403、当重复次数达到跟踪上限时，停止跟踪进入步骤404 ； 步骤404、以停止 跟踪时的Ws更新跟踪队列中的WO所存储的目标窗口，当停止跟踪时的Ws为O时将\从跟踪队列中删除。
【文档编号】G06T7/00GK104077779SQ201410318868
【公开日】2014年10月1日 申请日期:2014年7月4日 优先权日:2014年7月4日
【发明者】徐明道, 刘建文, 刁奇, 赵亮, 林巍, 韩波, 牟懋竹 申请人:中国航天科技集团公司第五研究院第五一三研究所