本发明属于目标检测技术领域，尤其涉及一种目标分割检测方法。
背景技术：
目标检测，也叫目标提取，是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。尤其是在复杂场景中，需要对多个目标进行实时处理时，目标自动提取和识别就显得特别重要。
针对动态背景下的运动目标检测，传统的帧差分法、简单的背景减除法都很难适应背景的变化，其主要原因是没有充分考虑序列图像中背景变化在时间和空间上的关系。简单的背景变化可以利用简单的分布来描述，但是通常情况下，背景变化是复杂的，很多算法利用更加复杂的分布和估计方法来描述背景的变化，如利用混合高斯模型描述背景，利用非参数估计的核密度估计方法来描述背景的分布，还有些方法利用维纳滤波、kalman滤波等方法对背景的变化进行估计。
技术实现要素：
本发明就是针对上述问题，提供一种检测效果好的目标分割检测方法。
为实现上述目的，本发明包括以下步骤。
1）取12个子区域，采用线性插值对直方图进行修正；当新来一幅图像时，在低分率图像中统计子区域的直方图，进行对应区域的直方图相似性比较，判断该区域中是否含运动目标。
2）采用欧氏距离判断两个直方图的相似性。
3）采用iir滤波器对低分辨率图像的背景模型进行更新；当子区域计算的直方图相似时，执行背景的更新；当计算当前帧的子区域直方图与对应的背景区域直方图的欧氏距离大于阈值tb时，两个直方图不相似，这个子区域被含有运动区域，在下一步高分辨率图像中继续被检测，当高分辨率图像检测到该区域中不含运动目标时，低分辨率的背景模型被更新，否则不执行背景更新过程或减小更新率。
作为一种优选方案，本发明将子区域在高分辨率中作对应到得高分辨率图像的对应区域，高分辨率图像指原图，在原图中找对应的区域进行检测；在高分辨率的对应区域周围取30个邻域像素。
作为另一种优选方案，本发明对于每一个新的像素值，首先判断它是否匹配于这个模型，当新到的像素值与像素多模型集合中的某一个单模型匹配，更新模型的参数，增大与新到像素值匹配的单模型的权值。
本发明有益效果。
本发明基于高低分辨率互补检测处理，在低分辨率图像中进行区域分割，利用子区域直方图特征基于iir滤波器法建立背景模型，检测出图像中可能存在运动目标的区域，然后在高分辨率图像的对应区域基于高斯混合模型进行运动目标检测，最后利用检测结果修正低分辨率的背景模型。本发明最后通过实验进行了验证，实验结果表明，本发明可以适应动态背景下的运动目标检测，实验得到满意的效果。
具体实施方式
本发明包括以下步骤。
1）取12个子区域，采用线性插值对直方图进行修正；当新来一幅图像时，在低分率图像中统计子区域的直方图，进行对应区域的直方图相似性比较，判断该区域中是否含运动目标。
2）采用欧氏距离判断两个直方图的相似性。
3）采用iir滤波器对低分辨率图像的背景模型进行更新；当子区域计算的直方图相似时，执行背景的更新；当计算当前帧的子区域直方图与对应的背景区域直方图的欧氏距离大于阈值tb时，两个直方图不相似，这个子区域被含有运动区域，在下一步高分辨率图像中继续被检测，当高分辨率图像检测到该区域中不含运动目标时，低分辨率的背景模型被更新，否则不执行背景更新过程或减小更新率。
本发明将子区域在高分辨率中作对应到得高分辨率图像的对应区域，高分辨率图像指原图，在原图中找对应的区域进行检测；在高分辨率的对应区域周围取30个邻域像素。
本发明对于每一个新的像素值，首先判断它是否匹配于这个模型，当新到的像素值与像素多模型集合中的某一个单模型匹配，更新模型的参数，增大与新到像素值匹配的单模型的权值。
本发明对新到的像素按照优先级次序与n个单高斯分布逐一匹配，若没有找到任何一个匹配，则判定该点为前景点，否则为背景点，从而完成自适应混合高斯模型下的目标检测。在高分辨率的子区域和邻域范围内，使用高斯混合模型进行运动目标检测出准确的运动目标，同时，将这些高分辨率下检测到的存在运动目标的子区域，对应到低分率图像子区域中，然后降低这些低分辨率子区域的背景模型的更新率，相反，对于高分辨率下检测到不存在运动目标的子区域，在低分辨率的对应的子区域背景模型更新中继续使用原来更新率。
实验采用了室外场景视频，这个视频中存在强烈的树木的摆动，图中第一行是原视频中第246帧和257帧的两幅图；第二行是低分辨率下区域检测的结果，实验中根据此场景的特点将低分辨率图像分层了24个子区域；第三行是本发明基于多分辨率自适应高斯模型运动目标检测算法的检测结果；第四行是混合高斯模型的结果；第五行是真实前景的图像。第二行可以看出低分辨率区域检测，去除了很大一部分树木摆动的区域，并且很好的定位了全景区域，在第二行检测到的区域邻域内进行高分辨率检测处理，便可得到抑制了大量动态背景影响的检查结果；由第三行可以看出，本发明算法很大程度上降低了动态背景的影响，并且相比于第四行混合高斯模型的检查结果，本发明提出的算法检测错误率明显降低。
由实验结果可以看出，本发明的算法可以很大程度上降低动态背景的影响。其中第二行的目标区域检测过程非常重要，如果可以得到最准确的检测区域，那么后续的高分辨率检测准确性将大大提高。但是在低分辨率区域检测实验中，我们发现子区域大小的选择非常重要不同子区域选取方式，会影响运动目标的区域检测结果，我们不能简单的说那种子区域选取方式好，必须针对场景中背景运动的特点决定，我们的实验中将低分辨率图像分为了24的子区域，实验表明此选取方式获得的结果优于其他两种选取方式。
以上内容是结合具体的优选实施方式对本发明作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明所提交的权利要求书确定的保护范围。