一种基于频‑时显著性结合的运动目标检测方法与流程

本发明涉及模式识别和计算机视觉领域，尤其涉及一种基于频-时显著性结合的运动目标检测方法。

背景技术：

视频序列图像中的运动目标检测作为视频监控的主要研究内容，是当前计算机视觉领域的研究热点，其对计算机视觉的其他研究领域有着重要的推动作用。运动目标检测是实现目标跟踪、智能监控、行为分析等任务的基础。因此，在视频图像中检测运动目标有重要的研究意义和应用前景。

运动目标检测是指在视频图像序列中把感兴趣的运动目标与背景或其它不感兴趣的运动目标进行区分。传统的运动目标检测方法主要有：光流法、帧间差分法和背景差分法等。其中，光流法是通过对图像中各像素点的速度矢量特征进行动态分析，得到运动目标，它可以在移动的摄像头下进行运动目标检测，然而其计算量大，且需要特殊硬件支持，很难保证实时检测率；帧间差分法是通过相邻帧图像之间的差值与一种动态计算阈值进行比较得到检测目标，该算法对环境适应性较好，也具有较强稳定性，然而它提取信息时，易受光照强度变化影响，导致检测到图像模糊；背景差分法是通过当前帧图像与背景图像进行差分，得到运动目标，由于背景差分算法定位精确，算法简单，在实际应用中也得到了广泛应用。如何构建背景模型在该算法中起着重要作用，背景模型的建立方法主要有：混合高斯模型、码本及滑动平均滤波法，其中实际应用较为成功的是混合高斯模型。混合高斯模型就是把每个像素点的分布看作是多个高斯分布的加权。它可除去大部分光线、噪声等环境影响，解决复杂背景下的运动目标检测问题。但是现有基于混合高斯模型的运动目标检测方法仍存在对光线突变造成的鬼影现象，且在复杂环境下计算量大等问题不能很好地解决。

技术实现要素：

本发明的目的在于提供一种计算量更小、检测速率更快的基于频-时显著性结合的运动目标检测方法。本方法通过融合频率调谐和混合高斯模型算法对运动目标进行检测，良好抑制由光线突变造成的鬼影现象。

本发明的目的是这样实现的：

一种基于频-时显著性结合的运动目标检测方法，包括如下步骤：

步骤一：获取包含多帧图像的视频序列，提取第一帧原图像；

步骤二：对原图像进行高斯平滑处理，然后将经过高斯平滑处理的图像转换至lab颜色空间，得到lab颜色空间的图像；

所述的高斯平滑处理包括先对图像邻域内像素灰度进行平均，然后对各个位置像素进行加权处理；

步骤三：通过频率调谐算法处理lab颜色空间的图像，进行显著性运动目标信息提取；若提取出显著性运动目标信息，则进行动态显著图计算；若未能提取出显著性运动目标信息，则转至步骤二，处理下一帧图像；

所述的动态显著图sm表达式为：

sm＝(l-lm)²+(a-am)²+(b-bm)²

式中，lm、am、bm分别为图像在l、a、b三通道上的特征均值，其表达式为

式中，h、w分别为原图像的高、宽，l为亮度特征，a、b为颜色特征，(i,j)表示像素坐标；

步骤四：利用混合高斯模型方法进行前、背景分离，检测运动目标。

所述的混合高斯模型方法包括以下子步骤：

①对动态显著图si中每个像素点建立k个高斯分布，计算概率密度函数；

②对t时刻si中的像素点xt与第j个高斯分布进行匹配判断，其中，j为整数且1≤j≤k；若匹配判断表达式成立，则进行参数更新；若匹配判断表达式不成立，则降低权值；所述的匹配判断表达式为

|xt-μj,t-1|≤2.5σj,t-1

式中，μj,t-1为第t-1时刻第j个高斯分布的均值；σj,t-1为第t-1时刻第j个高斯分布的标准差；

所述的参数更新表达式为

ωj,t＝(1-α)×ωj,t-1+α

μj,t＝(1-ρ)×μt-1+ρ×xt

所述的降低权值表达式为

ωj,t＝(1-α)×ωj,t-1

其中，α为学习率，ρ为权值更新率，ωj,t-1表示第t-1时刻第j个高斯分布的权值，上标t为背景阈值；

③通过背景点选取，检测运动目标。

本发明方法具有如下有益效果：

(1)本发明方法采用频域的频率调谐算法提取分割出运动目标信息，从而得到动态显著图，然后将其作为辅助信息与时域上的混合高斯法融合进行前、背景分离，运动目标检测精度高；且该方法保留了大部分的频域信息，能够有效抑制运动目标检测中的鬼影问题，运动目标的完整性得到了保证，并能检测静止目标；

(2)通过融合频率调谐和混合高斯模型，充分考虑混合高斯模型运算复杂度问题，较大程度地分担了混合高斯模型算法对背景像素点的检测及参数更新任务，即利用频率调谐算法分担了混合高斯模型的一部分计算工作，减少了运动目标检测的计算量，提升了运动目标检测的检测效率。

附图说明

图1为本发明方法的运动目标检测流程图。

图2为红绿灯路口处监控视频第346帧原图像。

图3为利用普通混合高斯模型方法处理红绿灯路口处监控视频第346帧原图像得到的车辆检测效果图。

图4为利用“剩余谱+混合高斯模型方法”处理红绿灯路口处监控视频第346帧原图像得到的车辆检测效果图。

图5为利用本发明方法处理红绿灯路口处监控视频第346帧原图像得到的车辆检测效果图。

图6为红绿灯路口处监控视频第938帧原图像。

图7为利用普通混合高斯模型方法处理红绿灯路口处监控视频第938帧原图像得到的车辆检测效果图。

图8为利用“剩余谱+混合高斯模型方法”处理红绿灯路口处监控视频第938帧原图像得到的车辆检测效果图。

图9为利用本发明方法处理红绿灯路口处监控视频第938帧原图像得到的车辆检测效果图。

具体实施方式

下面结合附图对本发明做更详细地描述：

本发明提出一种基于频时显著性结合的运动目标检测方法，其流程如图1所述，具体包括以下步骤：

步骤一：获取包含多帧图像的视频序列，提取第一帧图像；

步骤二：对图像进行高斯平滑处理，然后将经过高斯平滑处理的图像转换至lab颜色空间，得到lab颜色空间的图像；

所述的高斯平滑处理包括先对图像邻域内像素灰度进行平均，然后对各个位置像素进行加权处理；

步骤三：通过频率调谐算法处理lab颜色空间的图像，进行显著性运动目标信息提取；若提取出显著性运动目标信息，则进行动态显著图计算；若未能提取出显著性运动目标信息，则转至步骤二，处理下一帧图像；

所述的动态显著图sm表达式为：

sm＝(l-lm)²+(a-am)²+(b-bm)²

式中，lm、am、bm分别为图像在l、a、b三通道上的特征均值，其表达式为

式中，h、w分别为原始图像的高、宽，l为亮度特征，a、b为颜色特征，(i,j)表示像素坐标；

步骤四：利用混合高斯模型方法进行前、背景分离，检测运动目标。

所述的混合高斯模型方法包括以下子步骤：

①对动态显著图si中每个像素点建立k个高斯分布，计算概率密度函数；

②对t时刻si中的像素点xt与第j个高斯分布进行匹配判断，其中，j为整数且1≤j≤k；若匹配判断表达式成立，则进行参数更新；若匹配判断表达式不成立，则降低权值；

所述的匹配判断表达式为

|xt-μj,t-1|≤2.5σj,t-1

式中，μj,t-1为第t-1时刻第j个高斯分布的均值；σj,t-1为第t-1时刻第j个高斯分布的标准差；

所述的参数更新表达式为

ωj,t＝(1-α)×ωj,t-1+α

μj,t＝(1-ρ)×μt-1+ρ×xt

所述的降低权值表达式为

ωj,t＝(1-α)×ωj,t-1

其中，α为学习率，ρ为权值更新率，ωk表示第k个高斯模型的权值，上标t为背景阈值；

③通过背景点选取，检测运动目标。

为验证本发明方法的效果，对一段rgb24分辨率为320×240的红绿灯路口处监控视频中的行驶车辆进行检测。此视频总帧数为3921帧。优选参数：学习率α优选为0.5，背景阈值t优选为0.7。第346帧原图像如图2所示。第346帧原图像的检测结果如图3～图5所示。第938帧原图像如图6所示。第938帧原图像的检测结果如图7～图9所示。

以基本混合高斯模型方法、“剩余谱+混合高斯模型方法”作为对比，用于验证本发明方法的优点。

图3与图7为基于混合高斯模型方法的运动目标检测结果，可以看出该方法检测第346帧和第938帧都出现了明显的鬼影；第三列图像是“剩余谱+混合高斯模型方法”的运动目标检测对应时刻的效果图，明显检测效果非常不好，已无法完全检测出运动车辆轮廓；第四列图像表示本发明方法对视频的第346帧和第938帧的运动车辆的检测效果图，本发明不仅对鬼影起到了明显的抑制作用，检测到的车辆也比较完整。综上分析可以证明本发明对鬼影起到了良好的抑制作用。

同时对三种算法处理该段视频每帧所需平均时间进行了测试：基本混合高斯模型方法、“剩余谱+混合高斯模型方法”和本发明方法处理该段视频每帧所需平均时间分别为：47.3125、15.4285和34.5072。检测速度最快的是“剩余谱+混合高斯模型方法”算法，然而由图4和图8可以看出，此融合算法虽然检测速率较其他两种算法有明显的优势，但是大大牺牲了运动目标检测效果，甚至出现了漏检现象。本文算法不仅在速率上相对传统的混合高斯模型提高了，且能够保证比较完整地检测运动目标。