一种自适应复杂场景的运动目标检测方法
【技术领域】
[0001] 本发明涉及视频智能监控技术，尤其涉及一种自适应复杂场景的运动目标检测方 法，属于图像处理技术领域。
【背景技术】
[0002] 运动目标检测技术是视频智能监控技术领域的关键技术之一，是目标身份识别、 跟踪、行为分析等后续研究的基础。常用运动目标检测技术有光流法、帧间差分法、背景差 分法。其中，光流法是一种估计序列图像的像素点在连续帧间的运动情况，由于该方法只关 心图像的像素点，并没有把像素点与运动目标关联起来，对轮廓不规则目标很难做到准确 定位，且运算复杂。帧间差分法对场景变化的适用性较好，尤其是光照变化的场景，但对环 境噪声较为敏锐，所提取目标区域是目标在前后两帧中位置的"或"区域，比实际目标区域 大，若跟踪场景中没有显著运动趋势，则两帧之间目标重叠部分将检测不出，或检测出来的 目标区域存在较大空洞，无法完整地提取运动目标。背景差分法的关键在于背景建模与阈 值的选取，其基本原理是利用当前帧减去背景图像，并结合阈值以获得运动目标区域。利用 传统高斯背景建模、平均背景建模、中值背景建模等，易受到天气变化、光照突变、背景扰动 及摄像头与目标相对运动等因素的影响，加之固定阈值不具适应性，例如，阈值选择过低， 不足以抑制图像中噪声；选择过高，则忽略了图像中有用的变化；对于较大的、颜色一致的 运动目标，有可能在目标内部产生空洞，无法完整地提取运动目标的问题。虽然背景差分法 在背景静止且理想场景的情况下，其目标检测效果较佳，但由于实际场景复杂，天气变化、 全局光照突变、背景扰动及摄像头与目标相对运动等因素，易导致运动目标检测不准确。
【发明内容】
[0003] 针对现有技术存在的上述不足，本发明的目的是提供一种自适应复杂场景的运动 目标检测方法。本方法在全局光照剧烈变化、背景干扰、相对运动等不同复杂场景下具有较 好的运动目标自适应检测准确性和鲁棒性。本方法能够在复杂场景下提高目标检测的性 能，为后面环节操作提供更加稳健的基础。
[0004] 为实现本发明目的，采用了以下技术方案：
[0005] -种自适应复杂场景的运动目标检测方法，步骤如下，
[0006] 1)获取视频图像，对视频图像进行光照补偿，以克服全局光照突变带来的影响；
[0007] 2)利用混合高斯背景建模方法得到每帧视频图像对应的背景图像；
[0008] 3)根据提取的背景图像，利用背景差分法原理，获取每帧的绝对差分图像，并进行 中值滤波处理，以消弱噪声影响；
[0009] 4)采用最大熵分割原理获取滤波后的每个绝对差分图像的灰度概率模型对应的 最优分割阈值；
[0010] 5)利用各自对应的最优分割阈值对滤波后的每个绝对差分图像进行二值化处理 以获得前景图像；
[0011] 6)在步骤5)获得前景图像的基础上，采用不同结构体的模块进行形态学处理，以 消去小噪声带来的影响，弥补部分运动目标区域的空洞；首先用3*3核的"十字形结构"模 板进行一次腐蚀操作，以去除一些小噪声，然后用5*3核进行两次膨胀操作，再进行一次腐 蚀操作；
[0012] 7)利用连通域标定算法对第6)步形态学处理后的前景图像进行区域标定，利用 矩形框锁定已标定的运动目标。
[0013] 其中，步骤1)的光照补偿按如下方法进行，
[0014] 假设I (t)表示输入视频图像帧，δ表示两帧间允许发生的最大全局光照变化；首 先计算视频每一帧序列图像的平均像素值DO，然后利用如下规则进行光照补偿：
[0017] 式中，SgnO表示符号函数，如表示补偿后的图像。
[0018] 其中，步骤4)最优分割阈值获取方法为，
[0019] 设一幅大小为Μ*Ν的图像I (X，y)，I (X，y)表示图像坐标点（X，y)的像素灰度值， 且灰度值取值范围为〇-(L-I)，步骤3)滤波后的绝对差分图像为DF (X，y)，Ii1表示绝对差分 图像的灰度值为i的像素个数，则像素个数总量为：
？1表示像素灰度值i的概率， 那么：
[0020] Pi= n i/N, i = 0, I, 2, 3......, L-I ；
[0021] 然后采用候选分割阈值T将图像中的像素值按灰度等级分成CO和Cl两类，CO表 示目标对象，Cl表示背景对象，即CO = {0, 1，…，t}，Cl = {t+1，t+2,…，L-1}，则CO和Cl 所对应像素灰度值概率分布分别为：
[0024] 式中，
L是灰度级的数目；那么，CO和Cl的熵值分别由下式表示；
[0027] 在所得图像CO熵和Cl熵的基础上，则后验熵之和H表示如下：
[0028] H = H〇+H1；
[0029] 那么，比较得到熵判别函数的最大值所对应灰度等级，即表示基于最大熵算法的 最优分割阈值THR，如下式所示，
[0030] 7'/伙=;n.g rnnx(//);
[0031] 利用获得的最优分割阈值THR对对滤波后的绝对差分图像DF(x，y)进行二值化处 理，获得视频中的前景图像FI (X，y)，如下式所示，
[0033] 其中，步骤2)利用混合高斯背景建模方法提取背景图像的具体方法为，
[0034] 利用K个单高斯概率模型构建某一像素点X的高斯混合模型，见公式（3)所示；
[0036] 其中，p (Xt)是t时刻出现像素值\的概率，w lit表示t时刻第i个高斯模型的权 值，并且权值和为1，K表示高斯模型总数，取3 5个，n (Xt，μ 11，Σ i t)表示t时刻第i个 高斯模型，为均值，Σ 为协方差矩阵，n表示维数，见公式（4);
[0038] 混合高斯背景模型匹配与更新过程如下：
[0039] 模型匹配是将视频图像当前帧像素值X和已有的K个高斯模型进行匹配对比，若 第i个高斯模型满足公式（5)，则表示当前帧像素值与之匹配，否则不匹配；
[0040] I Xt- μ t 丄 I < 2. 5 ·。t I (5)
[0041] 若匹配不成功，则采用视频当前帧的均值，并设定一个较大的方差值，建立新高斯 分布模型；
[0042] 根据匹配结果按照公式（6)进行模型的更新；
[0044] 其中，α表示视频当前帧嵌入到背景模型的速率，称为学习速率，若模型匹配，则 Mlit= 1，否则为0,其μ和σ 2保持不变；
[0045] 由于Xi t较小和权值大的高斯概率分布模型更有可能用于近似表示背景像素分 布模型，为此，对视频每帧图像中的像素值按照w/ 〇值的大小递减的顺序对K个高斯概率 分布模型排序，将前B个高斯概率分布作为背景，构成背景图像ΒΙ，见公式（7);
[0047] 其中，T为背景模型设定的阈值，T取值范围[0· 7, 0· 8]。
[0048] 与现有方法相比，本发明具有如下有益效果：
[0049] 1)视频背景图像不需要预设。
[0050] 2)采用光照补偿和混合高斯模型建立背景模型，能够有效克服光照突变、摄像头 相对运动成像、背景扰动的影响，从而获得更加稳健的背景图像。
[0051] 3)本发明引入最大熵分割阈值，每个绝对差分图像分别进行计算而获得（即每个 绝对差分图像可能不同，而现有为固定阈值，即所有绝对差分图像阈值相同），在实际应用 所涉及的不同复杂场景视频图像，其固定阈值不具适应性的问题能很好的得到解决。
[0052] 4)在光照突变、背景干扰、相对运动等不同复杂场景下具有较好的准确性和鲁棒 性。
【附图说明】
[0053] 图1-本发明自适应复杂场景的运动目标检测方法总体框架图。
[0054] 图2-本发明混合高斯背景建模的流程图。
[0055] 图3-本发明步骤2原理图。
【具体实施方式】
[0056] 本发明总体思路为：第一，考虑到光照变化的程度，引入光照补偿法改善光照变化 对后续目标检测的影响；第二，考虑到背景差分法的关键是背景建模和阈值选择，利用混合 高斯背景建模提取背景图像以克服动态背景对后续目标检测的影响，在此基础上，利用背 景差分法原理获得绝对差分图像，并引入中值滤波首先对绝对差分图像进行滤波处理，以 消弱噪声的影响，加之原始背景差分法中阈值固定的缺陷，引入最大熵分割法提取阈值以 便自适应不同复杂场景视频图像；第三，考虑到获取的前景图像存在小噪声以及同一区域 存在不连通的因素，采用不同结构体的模块对前景图像进行形态学处理，以消去小噪声带 来的影响，弥补部分运动目标区域的空洞。最后，利用连通域标定算法标记出前景对象，并 根据连通域大小锁定运动目标。
[0057] 本发明的具体技术方案如下，其原理见图1 :
[0058] 步骤1:获取检测视频，采用光照补偿和混合高斯模型建立背景模型，以获得更加 稳健的背景图像。获得背景图像的具体过程：
[0059] (1)获取视频序列图像，首先对视频图像进行光照补偿，以克服全局光照突变带来 的干扰。
[0060] 假设I⑴表示输入视频图像帧，δ表示两帧间允许发生的最大全局光照变化。首 先计算视频每一帧序列图像的平均像素值F·，然后利用如下规则进行光照补偿：
[0063] 式中，sgn()表不符号函数，7(/)表不补偿后的图像。
[0064] (2)在此基础上，利用混合高斯背景建模方法提取背景图像，能够适用于摄像头相 对运动成像、背景扰动、天气变化等动态场景，其混合高斯背景建模的流程如图2所示。
[0065] 混合高斯背景模型是一种扩展型单高斯模型，可以近似表示任何形状的概率分 布。在该模型中，视频图像序列中像素点值的变化被当成随机过程且满足高斯分布，利用K 个单高斯概率模型构建某一像素点X的高斯混合模型，见公式（3)所示。
[0067] 其中，ρ (Xt)是t时刻出现像素值\的概率，w lit表示t时刻第i个高斯模型的权 值，并且权值和为I，K表示高斯模型总数，一般取3-5个，n (Xt，μ h t，Σ 11)表示t时刻第 i个高斯模型，ylit为均值，Σ lit为协方差矩阵，n表示维数，见公式（4)。
[0069] 混合高斯背景模型主要考虑匹配与更新问题，其匹配与更新过程如下：
[0070] 模型匹配是将视频图像当前帧像素值X和已有的K个高斯模型进行匹配对比，若 第i个高斯模型满足公式（5)，则表示当前帧像素值与之匹配，否则不匹配。
[0071] Xt-ylitl| <2.