一种基于跟踪的复杂场景下的运动目标检测方法与流程

技术特征：

1.一种基于跟踪的复杂场景下的运动目标检测方法，其特征在于，具体包括步骤如下：

步骤1：对输入的视频帧，采用混合高斯模型进行背景建模并进行模型更新，获取初始前景像素点；

步骤2：分别将当前前景像素和相对应的背景像素与邻域像素进行二值化比较，实现了背景模型的自适应更新，获得运动目标；

步骤3：对运动目标进行跟踪，获取目标的轨迹信息，并根据轨迹信息计算目标偏离初始位置的距离和运动方向改变的次数；

步骤4：计算运动目标和其相对应的背景之间的变异系数，再次判断去除孤立的小噪声或者伪目标。

2.根据权利要求1所述的一种基于跟踪的复杂场景下的运动目标检测方法，其特征在于，步骤2中的实现过程如下：

使用LBP分别提取当前前景像素和相对应的背景像素的纹理模式；

假设t时刻位置c处(x_t,c,y_t,c)的像素为g_t,c，对应的八个邻域像素为g_t,p，p＝0，…，7，将每个邻域像素与该像素进行二值化比较，得到一个八位的二进制串；统计当前前景像素的二进制串和背景像素二进制串对应位置相等的个数Num，若Num>6，且该像素点与背景像素点的差值的绝对值小于T，则判断该像素点为背景点，否则该像素点为前景点，这样不仅实现了背景模型的更新，而且还获得了运动目标，其中T是根据场景人为设定的阈值。

${\mathrm{LBP}}^t(x_{t,c},y_{t,c})={\mathrm{\Σ}}_{p=0}^{7}s(g_{t,p}-g_{t,c})2^p$

$s\left(x\right)=\left\{\begin{array}{cc}1& x\≥0\\ 0& x\<0\end{array}\right.$

LBP^t(x_t,c,y_t,c)表示位置c处(x_t,c,y_t,c)与其周围像素形成的一种纹理模式。

3.根据权利要求1所述的一种基于跟踪的复杂场景下的运动目标检测方法，其特征在于，步骤3根据轨迹信息计算目标偏离初始位置的距离和运动方向改变的次数的过程如下：

假设目标运动轨迹为(x₁,y₁)(x₂,y₂)...(x_t-1,y_t-1)(x_t,y_t)，则在t时刻目标位置与初始位置的距离为在1到t时刻内目标偏离初始位置最大距离为d_max＝max(d₁,d₂,…,d_t)；在t分别取2,3，…,t-1时，不等式(d_t-1-d_t)(d_t-d_t+1)＜0成立的次数为f。

其中d_max用来描述树叶摆动的幅度，f用来描述树叶摆动的频次。若d_max小于D或者f大于N，则判断该目标是因为树叶摆动引起，属于背景；否则判断该目标为运动目标，D和N为人为设定的阈值。

4.根据权利要求1所述的一种基于跟踪的复杂场景下的运动目标检测方法，其特征在于，步骤4中，运动目标和其相对应的背景之间的变异系数的计算过程如下：

假设视频序列在时刻t的输入图像为初始背景帧为利用当前帧与背景帧的分量差值建立噪声模型泊松分布，并统计其直方图Hist[d]，对所得的直方图计算相关方差Var[d]；最后，对所得的相关方差进行排序，寻找出最大值，即为变异系数λ；当变异系数λ大于1时，则判定场景发生突变；

λ＝max(Var[d])/C d＝0,1,2...254

其中d为当前帧像素和背景帧像素之间的亮度变化，Var[]为相关方差，C为常量。