开始静止的时间，tfg是一个长时间前景物体从开始静止到当前 时刻所经历的时间，LFGMask是长时间前景区域的指示图，算法的输出，FGMask是用来计算 长时间前景区域的前景检测图，算法的输入，td是一个全局变量用来实现一个时延机制以 确保检测到完整的长时间前景区域。
[0084] 图8示出长时间前景区域的处理流程。（a)Mask2的时间序列，（b)借助图7所示 算法获得的长时间前景区域指示图（获得指示图非常完整，内部没有任何孔洞），其中白色 区域是获得的长时间前景区域，灰色区域是为后续操作借助膨胀操作获得的相应的邻域区 域，（c)上面的图片中的中心区域和邻域区域都是模型，下面的图片中的中心区域是聚类结 果，邻域区域还是模型，（d)借助（c)的相关数据获得最终的修正模型
[0085] 图9示出长时间前景区域的处理流程。（a)Mask2的时间序列，（b)借助图7所示 算法获得的长时间前景区域指示图（获得指示图非常完整，内部没有任何孔洞），（c)上面 的图片中的中心区域和邻域区域都是模型，下面的图片中的中心区域是聚类结果，邻域区 域还是模型，（d)借助（c)的相关数据获得最终的修正模型，可以看出火车区域模型没有能 够得到正确修正，（e)Maskl的时间序列，（f)上面的图是借助图7所示算法获得的长时间前 景区域指示图（获得指示图轮廓非常精确），下面的图是上图对应的轮廓图（g)分别对应 (c)中两幅图片的canny边缘检测图，（h)借助（g)的相关数据获得最终的修正模型（如果 长时间前景区域的模型的边缘与前景检测到的边缘更相似就需用聚类结果修正模型，具体 判断条件是如果 count_same_edge_pixel_M>count_same_edge_pixel_C，用聚类结果修正 长时间前景区域的模型），可以看出火车区域模型得到了正确修正
[0086] 图10所示算法的基本思想是找出若干个区间，每个区间直方图取值都大于 某个阈值，每个区间的左边界为上一区间右边界之后第一个大于0.005的bin的左边 界，对应的右边界为该左边界之后的第一个小于0. 005的bin的左边界，其中标识符 findingLeftBorder为真则表示当前是在寻找某个区间的左边界，LBPs和RBPs两个数组用 于存储这些边界的左右边界点数值，IN用于表示最终找到的符合要求的区间数目。
[0087] 图11示出长时间前景区域划分成真正相互独立的长时间前景区域的流程。（a) Mask2的时间序列，（b)借助图7所示算法获得的长时间前景区域指示图（获得指示图非常 完整，内部没有任何孔洞）（c)上面的图片是长时间前景区域开始静止的的时间图，下面是 对应的直方图，并且已经进行了直方图分析处理，（d)借助（c)的相关数据获得长时间前景 区域的划分，可以看出区域划分的十分准确。
[0088] 本发明实施例中的要点包括：
[0089] 1)结合后处理结果和BlinkMap图准确地确定动态背景区域。
[0090] 2)设计了邻域匹配（Neighboring Match)和急速更新（Sharp Update)方法实现 对动态区域模型的快速更新，使得模型更加鲁棒。
[0091] 3)设计了一种前景时长比例统计的方法能够非常可靠地检测出长时间的前景区 域。
[0092] 4)设计了结合区域对比度和边缘信息的长时间前景区域分类的方法，能够非常准 确地区分出长时间前景区域的模型是否准确。
[0093] 以上内容是结合具体/优选的实施方式对本发明所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，其还可以对这些已描述的实施方式做出若干替代或变型， 而这些替代或变型方式都应当视为属于本发明的保护范围。
【主权项】
1. 一种运动目标检测的方法，其特征在于，包括W下步骤： 1) 读入视频流的一帖图像； 2) 判断读入的帖图像是否为第一帖，如果是则W第一帖建立背景模型，否则转向步骤 3); 3) 对读入的帖图像用背景模型差分出初步检测图； 4) 对初步检测图做后处理； 5) 使用BlinkMap图确定动态背景区域； 6) 对动态背景区域使用邻域匹配（Nei曲boringMatch)和急速更新（化曰巧Update) 机制进行模型修正； 9)完成背景模型更新；如果视频未结束，转步骤1)，否则处理完毕。2. 如权利要求1所述的方法，其特征在于，在步骤6)和9)之间还包括W下步骤： 7) 检测步骤4)获得的后处理结果是否有长时间前景区域，如果检测到长时间前景区 域则转到步骤8)，否则转到步骤9); 8) 对于长时间前景区域，分别计算该区域模型与其邻域模型的对比度RC_M和该区域 聚类结果与其邻域模型的对比度RC_C，如果RC_M大于设定的ratio_upLimit倍的RC_C，贝。 认为该区域的初始模型是错误的，并使用聚类结果修正该区域的模型，反之，认为该区域的 初始模型是正确的；然后转步骤9)。3. 如权利要求1所述的方法，其特征在于，步骤2)中，采用Vibe初始化方法构建背 景模型；步骤3)中，采用ViBe检测方法进行初步检测；步骤9)中，采用取消了邻域更新的 Vibe更新机制进行更新。4. 如权利要求1所述的方法，其特征在于，步骤4)包括： 对初步检测图进行中值滤波、闭操作、凸包处理，再将处理结果与初步检测图作与操作 得到去除噪声的检测图； 对去除噪声的检测图做膨胀、填桐处理得到包含所有前景目标的检测图； 设定一个比初始像素差值检测阔值更小的像素差值检测阔值，重新检测包含所有前景 目标的检测图中指示的前景区域中的前景目标； 经过中值滤波、闭操作、填桐处理得到最终处理结果图。5. 如权利要求1所述的方法，其特征在于，步骤5)包括： 比较当前帖的初步检测图和前一帖的初步检测图，找出数值相同的像素，再将Blink Map图中对应的像素值减去设定的step_decrease值，找出数值不同的像素，然后将Blink Map图中对应的像素值加上设定的step_increase值，且BlinkMap图中的每一个像素值限 制在[0,level_upLimit]之间，level_upLimit为设定值； W设定的St巧_tbeshold值作为阔值，阔值化BlinkMap图得到二值图BlinkMask， 从而确定动态背景区域。6. 如权利要求5所述的方法，其特征在于，步骤5)进一步包括： 检测二值图BlinkMask中的像素，如果二值图BlinkMask中某个像素非0,并且该像 素在当前帖的最终处理结果图中也非0,则在二值图BlinkMask中将该像素值置0。7. 如权利要求1所述的方法，其特征在于，步骤6)中所述邻域匹配包括：对于既被初 步检测为前景同时又为动态背景的像素，将该像素的像素值重新与其半径为5像素距离的 圆形邻域内的像素的模型进行比对，如果模型认为该像素为背景，则将该像素位置修改为 背景；所述急速更新包括：对于被更新修改为背景的像素，使用该像素的像素值替换掉背 景模型中设定数量的背景像素样本。8. 如权利要求2所述的方法，其特征在于，步骤7)包括：统计步骤4)得到的后处理 结果中的每个像素检测结果，如果某个区域在设定时间段内被检测为前景的频度达到设定 的程度，则认为该区域是长时间前景区域。9. 如权利要求2所述的方法，其特征在于，步骤8)包括：通过如下公式计算对比度RC_ M和对比度RC_C:(1) (2) 其中D也，P,)是像素Pi和P,在RGB色彩空间内的欧式距离，PMC表示长时间前景区域 的模型中的代表像素构成的一个集合，Pms表示长时间前景区域的周围邻域区域的模型中的 代表像素构成的一个集合，Pee表示长时间前景区域的聚类结果中的像素构成的一个集合， #Pmc，#Pms，#Pcc分别是PMC，Pms,Pcc集合中元素的数目。10. 如权利要求8所述的方法，其特征在于，步骤8)进一步包括： 通过如下公式计算长时间前景区域的模型和聚类结果的像素值的方差VAR_M和VAR_C：傑 巧 其中玩;和岳^分别是集合Pmc和Pee中像素的均值； ratio_downLimit*RC_C<RC_M<ratio_uf)Limit*RC_C且max(VAR_M, VAR_C)〉va;r_ downLimit，则利用边缘检测对长期前景区域的判决进行修正，否则转到步骤9)，其中 ratiO-downLimit、ratiO-UpLimit及var_downLimit均为设定值； 优选地，步骤8)进一步包括：结合长时间前景区域的定位和直方图分析，将检测到的 长时间前景区域作进一步精确分割。
【专利摘要】一种运动目标检测的方法，包括以下步骤：1)读入视频流的一帧图像；2)判断读入的帧图像是否为第一帧，如果是则以第一帧建立背景模型，否则转向步骤3)；3)对读入的帧图像用背景模型差分出初步检测图；4)对初步检测图做后处理；5)使用Blink？Map图确定动态背景区域；6)对动态背景区域使用邻域匹配(Neighboring？Match)和急速更新(Sharp？Update)机制进行模型修正；9)完成背景模型更新；如果视频未结束，转步骤1)，否则处理完毕。该方法可以有效提高视频运动目标检测的准确性。
【IPC分类】G06T7/20, H04N5/14
【公开号】CN105205832
【申请号】CN201510549568
【发明人】李秀, 陈连胜, 汤友华
【申请人】清华大学深圳研究生院
【公开日】2015年12月30日
【申请日】2015年8月31日