增加1，并把现有的像素点集合和信息 拷贝到输出序列中；
[0059] 检测输出模块，用于直到整个图形扫描完毕，输出所有提取到的物体及多个物体 的深度均值、像素点集合及其相关信息。
[0060] 在一些实施方式中，所述限定搜索区域模块，包括：
[0061] 限定搜索输入模块，用于输入为0/1分布的运动物体边缘图像和检测到的明显运 动部位；
[0062] 限定搜索初始化模块，用于初始化表示物体的数据结构：{矩形框=空，均值=0， 像素点集合=空};
[0063] 限定搜索扫描模块，用于从左到右，从上到下，分别逐行扫描运动物体边缘图像和 检测到的明显运动部位；
[0064] 限定搜索赋值模块，用于如果发现运动物体边缘图像中的一个像素点的值为1，并 且检测到的明显运动部位中对应像素点也是1，则更新矩形框和均值，同时把该像素点位置 及其相关信息压入堆栈。将处理过的像素点重置为〇,之后不扫描该像素点；
[0065] 限定搜索标号模块，用于如果堆栈非空，从堆栈弹出一个像素点，搜索该像素点的 邻域，如果某个邻域像素点的值为1并且和当前堆栈弹出像素点的距离小于给定阈值，更 新并把该像素点位置及其相关信息压入堆栈。将处理过的像素点重置为〇,之后不扫描该像 素点；
[0066] 限定搜索更新模块，用于如果堆栈为空，把现有的像素点集合和信息拷贝到输出 序列中作为一个物体的矩形框；
[0067] 限定搜索输出模块，用于直到整个图形扫描完毕，提取到包括该物体边缘的矩形 框，输出运动物体的矩形框。
[0068] 从上面所述可以看出，本发明提供的背景模型和运动物体检测方法及系统有以下 优点：
[0069] 1.由于本发明直接将第一帧输入帧视作背景帧，再提取第二帧输入帧中检测到的 运动部位，根据该运动部位判断出完整的运动物体，所以，即使运动物体始终在摄像机视野 内，只要运动物体的一部分产生运动，便可通过本发明的方法进行捕捉并推断出完整运动 物体，从而对背景模型和前景物体加以区分，便于接下来在应用的过程中实时的对背景模 型进行学习和更新。
[0070] 2.由于本发明的背景帧不需要在检测之前就准备好，直接利用第一帧输入帧作为 背景帧，使得背景模型的建立不需要学习过程，可以即插即用。
[0071] 3.结合提取出的包括运动物体边缘的矩形框和改良后的方向性区域增长算法，可 以根据物体中部分的运动来推测完整的运动物体。
[0072] 4.由于减少了前期大量的背景学习过程，使得本发明所需运算量较小，适合资源 有限的嵌入式系统。
【附图说明】
[0073] 图1为本发明提供的背景模型和运动物体检测方法实施例流程示意图；
[0074] 图2为本发明提供的背景模型和运动物体检测方法实施例第一帧背景帧B示意 图；
[0075] 图3为本发明提供的背景模型和运动物体检测方法实施例第二帧输入帧F示意 图；
[0076] 图4为本发明提供的背景模型和运动物体检测方法实施例中表示输入帧F中明显 运动部分所处位置的掩码帧Μ示意图；
[0077] 图5为本发明提供的背景模型和运动物体检测方法实施例中表示背景帧Β中明显 运动部分所处位置的标号帧Τ示意图；
[0078] 图6为本发明提供的背景模型和运动物体检测方法实施例中要检测的运动物体 示意图；
[0079] 图7为本发明提供的背景模型和运动物体检测方法实施例中检测到的明显运动 部位示意图；
[0080] 图8为本发明提供的背景模型和运动物体检测方法实施例中提取出的运动物体 边缘示意图；
[0081] 图9为本发明提供的背景模型和运动物体检测方法实施例中包括运动物体边缘 的矩形框示意图；
[0082] 图10为本发明提供的背景模型和运动物体检测方法实施例步骤S500中全区域搜 索示意图；
[0083] 图11为本发明提供的背景模型和运动物体检测方法实施例步骤S500中定向搜索 示意图；
[0084] 图12为本发明提供的背景模型和运动物体检测方法实施例中最终检测到的完整 运动物体〇示意图；
[0085] 图13为本发明提供的背景模型和运动物体检测方法实施例中步骤S100的进一步 具体流程示意图；
[0086] 图14为本发明提供的背景模型和运动物体检测方法实施例中步骤S200的进一步 具体流程示意图；
[0087] 图15为本发明提供的背景模型和运动物体检测方法实施例中步骤S400的进一步 具体流程示意图；
[0088] 图16为本发明提供的背景模型和运动物体检测系统实施例结构示意图；
[0089] 图17为本发明提供的背景模型和运动物体检测系统实施例中模块810的进一步 具体结构示意图；
[0090] 图18为本发明提供的背景模型和运动物体检测系统实施例中模块820的进一步 具体结构示意图；
[0091] 图19为本发明提供的背景模型和运动物体检测系统实施例中模块840的进一步 具体结构示意图。
【具体实施方式】
[0092] 为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照 附图，对本发明进一步详细说明。
[0093] 需要说明的是，本发明实施例中所有使用"第一"和"第二"的表述均是为了区分 两个相同名称非相同的实体或者非相同的参量，可见"第一" "第二"仅为了表述的方便，不 应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
[0094] 本发明提供了一种背景模型和运动物体检测方法，实现了在有噪声的深度数据流 里，提取出完整的运动物体的方法。该方法适用于多种初始状况，包括：运动物体初始不在 视野里，然后进入视野并开始运动；运动物体开始位于视野里，从没有明显运动，然后开始 运动；运动物体从开始就在视野里，并且始终处于运动状态。使得背景模型的建立不需要训 练便可从中准确提取运动物体。
[0095] 参照附图1，为本发明提供的一种背景模型和运动物体检测方法实施例流程示意 图。
[0096] 所述背景模型和运动物体检测方法，包括：
[0097] 步骤S100 :模型初始化。
[0098] 将第一帧图像作为背景帧B。从第二帧开始，最新的一帧为输入帧F且只考虑有效 的深度输入，即通过比较背景帧B和输入帧F，从而得到掩码帧Μ和标号帧T。其中，
[0099] 掩码帧Μ(可参考附图4)和标号帧Τ(可参考附图5)均为0/1分布的图像，其中 每个小方块代表一个像素点，每个像素点的％,值或者Tu值为0或1 ;
[0100] 掩码帧Μ中所有^值为1的像素点表示输入帧F中明显运动部分所处位置，所有 值为〇的像素点表示背景；
[0101] 标号帧Τ中所有ιγ,值为0的像素点表示背景帧Β中明显运动部分所处位置，所有 值为1的像素点表示背景；
[0102] 背景帧Β(可参考附图2)和输入帧F(可参考附图3)均为深度图，其中每个元素 的小方块代表一个像素点，每个像素点的值或者Fu值为该点深度值。
[0103] 在三维图像处理中，可以用深度值表示每个像素点的三维特征信息，可以类比二 维图像中的灰度值。由于深度图像不受光源照射方向及物体表面的发射特性的影响，而且 不存在阴影，所以可以准确地表现物体目标表面的三维深度信息。
[0104] 步骤S200 :明显运动部位检测。
[0105] 为了最终检测出附图6所示的要检测的运动物体，在本步骤中首先要检测运动物 体中的明显运动部位，这便需要结合输入帧F从运动物体掩码帧Μ中对所有属于明显运动 部位的像素点进行提取并分别重新标号。本实施例提出了一种快速的多目标标记和提取算 法，基于深度差别的区域增长特性，对运动物体掩码帧进行处理并一次性提取出若干组属 于明显运动部位的像素点的集合，设定用于筛选运动点集合的阈值Th3，去掉属于明显运动 部位的像素点的集合中像素点数量小于Th3的集合，剩下的集合表示的便是检测到的明显 运动部位，即如附图7所示的明显运动部位2和明显运动部位3。
[0106] 步骤S300 :运动物体边缘提取。
[0107] 根据检测到的明显运动部位，利用边缘提取算法，对输入帧F作边缘提取。具体 地，所述输入帧F是深度图，找到输入帧F中所有属于运动物体边缘的像素点，然后使用图 像变换的方法，去掉运动物体边缘上的噪声，只留下单像素的宽度形成如附图8所示的运 动物体边缘图像，其中将每个运动物体边缘上的像素点的值标为1，将图像上其余像素点的 值标为0。
[0108] 所述边缘提取的算法可以使用Canny算法，也可以使用任何其他常见的边缘提取 算法，只要保证最终的物体边缘是单像素宽度即可。
[0109] 步骤S400 :限定搜索区域。
[0110] 基于所述运动物体边缘图像上的像素点和检测到的明显运动部位必须在深度上 是连续的，即相邻的像素点在深度上的差值小于指定的阈值，本发明实施例提出了一种基 于深度连续性的矩形框提取方法，从而沿着图像的边缘找到如附图9所示的包括该物体边 缘的矩形框。
[0111] 步骤S500 :方向性区域增长。
[0112] 结合运动物体边缘图像，对检测到的明显运动部位进行基于深度连续性的区域增 长，从而得到附图6所示的要检测的运动物体。本发明实施例提出了一种基于深度连续性 的方向性区域增长算法，即当传统所述区域增长算法执行到腿部及以上部位的时候，使用 如附图10所示的全区域搜索，当执行到腿部以下的部位的时候，使用如附图11所示的定向 搜索，将区域增长的方向限制到只能向下方增长。同时搜索的范围