基于过采样策略的运动目标检测方法
【技术领域】
[0001] 本发明属于模式识别与计算机视觉领域，尤其涉及基于过采样策略的运动目标检 测方法。
【背景技术】
[0002] 视频序列中通常包含许多信息，人们所关心的往往是其中的一小部分信息，比如 运动的人、车辆等等。运动目标检测是一个二分类问题，其目的是将视频内容分为两类:前 景和背景，从视频序列中准确检测出运动目标而将不关注的背景完全去除，将得到的前景 目标用于后续目标跟踪和跟踪。因此，运动目标检测在视频监控系统中是极为关键的预处 理步骤，其在计算视觉领域和实际生活中都具有很大的价值。
[0003] 运动目标检测中运用最多的是背景减除算法，其基本思想是根据当前图像与背景 图像之间的差异与预先设定的一个阈值进行比较来划分前景和背景。常见的背景减除算法 有高斯混合建模方法，或者是核密度估计的方法等等。现实的视频序列中，前景样本数和背 景样本数相差很大。但是传统的建模方法往往忽略了这一点，因此传统建模方法倾向于将 前景错分为背景，使得检测的精度往往达不到后续处理的要求。
[0004] 类不均衡问题，即训练样本中不同类样本数量是不相等的。在二分类问题中，类不 均衡问题是指两类样本点的概率分布不均衡。视频序列中，前景样本属于少数类，其数量远 少于背景样本数量。但是，在背景减除法中类不均衡问题并未受到重视。本发明在数据挖掘 中类不均衡理论的基础上，引入数据层面上的过采样策略来解决背景减除法中类不均衡的 问题。过采样策略首先复制选取的少数类样本即前景样本，然后将合成的样本集合添加到 少数类中，得到新的前景样本集合，最终使得前景样本(少数类样本)与背景样本(多数类样 本)达到相同也即均衡的数据集。过采样策略引入背景减除法优势在于将均衡数据集用于 分类，较大的提升了分类的精确度。
【发明内容】
[0005] 本发明的目的在于解决现有技术的不足，提供一种基于过采样策略的运动目标检 测算法，本发明在充分利用对少数类样本的过采样技术，使得前景和背景数据集达到均衡， 从而实现运动目标的完整分割。
[0006] 基于过采样策略的运动目标检测方法，具体步骤如下：
[0007] S1、对于每一个前景帧FU计算重采样时刻r(n)，具体步骤如下：
[0008] S11、取前景最后w帧作为参考，则所有合成样本帧戸《将在区间（t_2，t+2]产生， 将该区间均等地分解为8个子区间，将得到的8个子区间均等的分配给参考帧{Fh|s = 1，...，4}，并且初始化合成样本帧数N;
[0009] S12、假设N个合成样本帧= 是以Ft-3为参考的，为了防止过拟合现象， 规定合成样本帧均勾的插在过采样区间，计算r(n)，其中，r(n)是合成样本帧的时刻；
[0010] S2、计算从Fh到Ft的稀疏点轨迹；
[0011] S3、将Ft_s划分为两个子集FjPF^Fi包含KLT跟踪算法获取的好的像素点，F2则包 含剩余的像素点，其中，所述好的像素点为经验获取；
[0012] S4、计算时刻t-s到时刻r(n)移动矢量，具体步骤如下：
[0013] S41、计算S3所述Fi中每一个像素点从t-s时刻到时刻.移动矢量，具体为：
[0014] S411、对S3所述F!中每个前景像素点，由S2所述稀疏点轨迹得到时刻t-s到最接近 r (η)的整数时刻的移动矢量；
[0015] S412、将S411所述移动矢量进行线性延伸至r(n)，得到时刻t-s到r(n)的移动矢 量；
[0016] S42、计算S3所述F2中每一个像素点时刻t-s到时刻r(n)移动矢量，具体步骤如下：
[0017] S421、对于S3所述F2中的像素点Zl，设在S3素数F冲与21在1方向最近邻的像素点 为zk，保持t-s时刻到r(n)时刻Zi和Zk的相对位置不变，即zi和Zk具有平行的移动矢量；
[0018] S422、假设像素点Zk的移动矢量为，:v:v J，该移动矢量指向一个r (η)时刻的一个 新像素点Zj，分别计算z j在X方向和y方向的坐标；
[0019] S423、对于S3所述F2中的像素点Zi，其相应的r(n)时刻的像素点为Zj， Zk在S3所述F! 中，并且是zi在X方向最近邻的像素点，分别计算Zj在X方向和y方向的坐标；
[0020] S5、由S41获得的移动矢量连接的两个像素点有相同的颜色信息，最终可以获得以 S3所述FHt为参考产生新的样本即合成样本帧由S42获得的移动矢量连接的两个像素 点有相同的颜色信息，最终可以获得合以S3所述?2作为参考产生新的样本即合成样本帧 FT、. - ·>
[0021 ] S6、将S5所述罗和合并为合成样本帧歹_、
[0022] S7、对S6所述合成样本帧进行后处理，分为两种情况：
[0023] 情况A、对一个前景像素点，若其8邻域点全部为空，则该像素点被移除，
[0024] 情况B、对一个空像素点，若其8邻域点超过6个点为前景点，则该像素点被设为前 景点，且将该点的8领域点的平均颜色信息设置为该点的颜色信息；
[0025] S8、计算每个像素点属于前景或背景的概率；
[0026] S9、组合优化分类。
[0027] 进一步地，S11 所述 if = 4。
[0028] 本发明的有益效果是：
[0029] 本发明充分利用对少数类样本的过采样技术，实现运动目标的完整分割。
【附图说明】
[0030] 图1是基于过采样策略的运动目标检测算法中整体框架流程图。
[0031] 图2包括2a，2b和2c，2a是对时间区间（t-2，t+2]的划分，2b、2c是合成样本帧分别 为N=2和N=3时的过采样时刻r(n)(用X标记）。
[0032] 图3包括3a，3b，3c和3(1，3&是?1中前景点的轨迹，3b，3c，3d是t-4时刻分别到r(l)、 r(2)和r(3)的移动矢量。
[0033] 图4包括4a，4b，4c，4d，4e和4f，4a对视频序列t-4到t时刻稀疏点跟踪结果，，4b、4c 是视频序列分别在t和t-4时刻的分割结果，4d、4e是对视频序列分别在r(l)和r(3)时刻过 采样的实验结果，4f是视频序列基于过采样的分割结果。
【具体实施方式】
[0034]下面结合实施例和附图，详细说明本发明的技术方案。
[0035]如图1所示，结合某一视频序列对本发明做具体描述。
[0036] 步骤1:对于每一个Fh计算重采样时刻r(n)。取前景最后Tf = 4帧作为参考，则所 有合成样本帧歹+1将在区间（t_2，t+2]产生。将该区间均等地分为8个子区间，并且初始化 合成样本帧数N。具体步骤为：
[0037] 步骤1.1:将区间（卜2 4+2]分为8个子区间：1]1{=(七+1^/2-5/2 4+1^/2-2]，1^ = 1，. . .，8,如图2a所示。将得到的8个子区间均等的分配给参考帧{产叫s = l，. . .，4}，即:Ft4 =Ui U Us，Ft-3 = U2 U U7，Ft-2 = U3 U U6，Ft-1 = U4 U U5。
[0038] 步骤1.2 :假设N合成样本帧= 1,,,,, ΛΓ}是以Fh为参考的，为了防止过拟合 现象，规定合成样本帧均勾的插在过采样区间。r (η)是合成样本帧的时刻，计算公式如 下：
[0039] 对于以F^1为参考形成的合成样本帧：
[0040]
⑴
[0041 ]对于以Fu(s矣1)参考形成的合成样本帧：
[0042]
⑵
[0043] 图2b和图2c中的叉号分别对应合成样本帧数为N=2，N