專利名稱：基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺中的視頻運(yùn)動(dòng)目標(biāo)分割，特指視頻監(jiān)控系統(tǒng)中的運(yùn)動(dòng)目標(biāo)檢測(cè)。
背景技術(shù)：
視頻運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺應(yīng)用的基礎(chǔ)問題之一，它是運(yùn)動(dòng)目標(biāo)跟蹤、運(yùn)動(dòng)目標(biāo)識(shí)別、人機(jī)接口、動(dòng)作識(shí)別、行為理解等高級(jí)應(yīng)用的基礎(chǔ)支撐，已經(jīng)在視頻監(jiān)控、視頻檢索等具體應(yīng)用中發(fā)揮重要作用，將在軍事、交通、安防、文化娛樂等諸多領(lǐng)域發(fā)揮更大作用。智能視頻監(jiān)控系統(tǒng)能夠?qū)⑷藦姆敝氐囊曨l監(jiān)視任務(wù)中解放出來，減少人工干預(yù)，減輕監(jiān)視人員工作負(fù)擔(dān)，自動(dòng)發(fā)現(xiàn)監(jiān)視環(huán)境中的運(yùn)動(dòng)目標(biāo)，自動(dòng)跟蹤與識(shí)別運(yùn)動(dòng)目標(biāo)，自動(dòng) 發(fā)現(xiàn)監(jiān)視場(chǎng)景中可疑事件和提取感興趣信息。前述智能視頻監(jiān)控系統(tǒng)中的智能分析功能都依賴于視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法，視頻運(yùn)動(dòng)目標(biāo)檢測(cè)是將視頻中運(yùn)動(dòng)目標(biāo)與背景進(jìn)行分離，以提取運(yùn)動(dòng)目標(biāo)，它是智能視頻監(jiān)控系統(tǒng)的基礎(chǔ)算法，是后續(xù)目標(biāo)跟蹤、識(shí)別、可疑事件檢測(cè)的算法基礎(chǔ)。目前主流的運(yùn)動(dòng)目標(biāo)檢測(cè)方法有減背景法和光流法。光流法復(fù)雜的計(jì)算使其難以得以實(shí)際應(yīng)用；減背景法是目前最常用也是最有效的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其核心思想是使用合適的模型進(jìn)行場(chǎng)景描述，并以此判定場(chǎng)景的變化檢測(cè)運(yùn)動(dòng)目標(biāo)。常用的減背景方法包括混合高斯模型(Gaussians Mixture Model, GMM)、非參數(shù)模型(Kernel DensityEstimation, KDE)、碼本模型(Code Book)等，它們通過在時(shí)域上對(duì)像素亮度進(jìn)行建模以檢測(cè)運(yùn)動(dòng)目標(biāo)。運(yùn)動(dòng)目標(biāo)檢測(cè)的挑戰(zhàn)來自于如何克服自然環(huán)境變化(光照變化、樹葉的搖晃、雨雪、水面波動(dòng)等)和成像器材(電子噪聲、攝像機(jī)的晃動(dòng)等)的影響。常用的基于時(shí)域建模的減背景方法，通過圖像特征(顏色、梯度、紋理、邊緣等)在時(shí)域上的變化檢測(cè)并定位運(yùn)動(dòng)目標(biāo)。但圖像中各個(gè)像素位置處的圖像特征并非是孤立的，它們之間存在著聯(lián)系，因此利用時(shí)域變化難以處理場(chǎng)景中背景擾動(dòng)，即使采用多模態(tài)模型，比如混合高斯模型(GMM)，也難以抑制環(huán)境噪聲影響。雖然基于圖像分割(基于隨機(jī)場(chǎng)的運(yùn)動(dòng)目標(biāo)分割)的方法能夠抑制孤立噪聲，但是基于分割的方法依賴于初始的檢測(cè)結(jié)果，在初始檢測(cè)結(jié)果錯(cuò)誤嚴(yán)重時(shí)也難以獲得準(zhǔn)確分割結(jié)果，且算法實(shí)時(shí)性差?；跁r(shí)空域模型的方法充分考慮了圖像顏色分布的時(shí)空一致性，在時(shí)空域聯(lián)合建模進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，在處理動(dòng)態(tài)場(chǎng)景中背景擾動(dòng)時(shí)表現(xiàn)出良好性能?；跁r(shí)空域的算法，由于需要處理大量的時(shí)空域數(shù)據(jù)，計(jì)算復(fù)雜度高，內(nèi)存需求大，算法實(shí)時(shí)性差，由于孤立噪聲干擾影響，最終的檢測(cè)結(jié)果還需要進(jìn)行形態(tài)學(xué)濾波或圖像分割等后處理才能得到較好的檢測(cè)結(jié)果。隨著視頻監(jiān)控系統(tǒng)由模擬時(shí)代向網(wǎng)絡(luò)時(shí)代發(fā)展，攝像機(jī)也向著智能化方向發(fā)展，越來越多的智能視頻處理算法包括運(yùn)動(dòng)目標(biāo)檢測(cè)算法，需要向智能攝像機(jī)移植，在智能攝像機(jī)上進(jìn)行嵌入式實(shí)現(xiàn)。但是，現(xiàn)有的能夠處理動(dòng)態(tài)場(chǎng)景中環(huán)境噪聲的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法，不僅計(jì)算復(fù)雜度高，而且內(nèi)存需求非常大，而難以在嵌入式智能攝像機(jī)平臺(tái)上應(yīng)用。為此，我們面向智能視頻監(jiān)控系統(tǒng)的實(shí)際應(yīng)用，針對(duì)動(dòng)態(tài)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)檢測(cè)易受環(huán)境噪聲干擾問題，提出一種基于時(shí)空條件信息的動(dòng)態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)方法，該方法能夠有效抑制動(dòng)態(tài)場(chǎng)景中環(huán)境噪聲干擾，有效檢測(cè)運(yùn)動(dòng)目標(biāo)，并采用圖像分塊策略進(jìn)行目標(biāo)檢測(cè)加速，降低算法復(fù)雜度，增加實(shí)時(shí)性，減少內(nèi)存需求，使基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，不但能夠在現(xiàn)有PC平臺(tái)上實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)，還適于嵌入式智能攝像機(jī)平臺(tái)應(yīng)用。運(yùn)動(dòng)目標(biāo)檢測(cè)本質(zhì)是一個(gè)二分類問題，即以背景序列為參考條件，把當(dāng)前觀察圖像中的像素分類為前景(本發(fā)明中也稱為目標(biāo))和背景。基于算法復(fù)雜度的考慮，現(xiàn)有運(yùn)動(dòng)目標(biāo)檢測(cè)算法多采用線性分類器，對(duì)圖像像素分類，分割出當(dāng)前圖像中的前景，但是，在動(dòng)態(tài)場(chǎng)景(比如水面波動(dòng)、樹葉擺動(dòng)的場(chǎng)景)下，擾動(dòng)的背景(波動(dòng)的水面、擺動(dòng)的樹葉)與前景常表現(xiàn)為線性不可分的。以水面波動(dòng)場(chǎng)景中漂浮物檢測(cè)(圖I中b)為例，可以發(fā)現(xiàn)背景差分、混合高斯模型、非參數(shù)模型都在一定程度上存在背景與前景線性不可分的問題。背景差分運(yùn)動(dòng)目標(biāo)檢測(cè)將輸入圖像與參考背景圖像相減得到差分圖像，以此作為分類特征，采用二值化操作(最簡(jiǎn)單的二分類器)檢測(cè)運(yùn)動(dòng)目標(biāo)。如圖I所示，將當(dāng)前輸 入圖像(圖I中b)與參考背景(圖I中a)做差分得到背景差分圖像(圖I中C)，然后分別統(tǒng)計(jì)該差分圖像中背景區(qū)域顏色直方圖和前景區(qū)域顏色直方圖，這兩個(gè)直方圖之間的可分離程度便體現(xiàn)了背景與前景的線性可分性。統(tǒng)計(jì)背景與前景區(qū)域直方圖，具體實(shí)現(xiàn)方式是預(yù)先手工標(biāo)記出每一幀圖像中的目標(biāo)區(qū)域得到運(yùn)動(dòng)目標(biāo)掩碼模板(圖I中d)，然后，以屬于目標(biāo)掩碼區(qū)域內(nèi)的圖像統(tǒng)計(jì)前景區(qū)域差分直方圖，以非掩碼區(qū)域內(nèi)的圖像統(tǒng)計(jì)背景區(qū)域差分直方圖(圖2中b0)，按照同樣的方式，得到整個(gè)視頻目標(biāo)區(qū)域與背景區(qū)域的差分圖像直方圖如圖2中e0所示。將圖2中b0、e0下半部分局部放大(圖2中c0、f0)可以看出，目標(biāo)區(qū)域與背景區(qū)域的差分圖像直方圖存在大范圍重疊區(qū)域，亦即背景與前景的可分離程度低，因此，采用背景差分圖像作為運(yùn)動(dòng)目標(biāo)檢測(cè)特征，難以通過線性分類器進(jìn)行線性分類，因此，背景差分圖像特征在處理動(dòng)態(tài)場(chǎng)景中的運(yùn)動(dòng)目標(biāo)檢測(cè)時(shí)，目標(biāo)與背景是線性不可分的?；旌细咚鼓Ｐ?、非參數(shù)模型是兩種典型的以圖像顏色概率分布進(jìn)行建模的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法，它們都以待檢測(cè)圖像像素屬于背景的條件概率作為分類特征，然后采用線性分類器進(jìn)行檢測(cè)。由于非參數(shù)模型能夠表示任意概率分布，因此，我們以非參數(shù)模型為例，考察基于顏色概率分布建模的背景減方法中前景與背景的線性可分性。如圖2所示，采用非參數(shù)模型估計(jì)當(dāng)前輸入圖像(圖I中b)屬于背景b條件概率特征圖像為圖2中al，按照前述方法得到該特征圖像上目標(biāo)與背景區(qū)域內(nèi)的直方圖如圖2中bl所示，以及整個(gè)視頻的目標(biāo)區(qū)域與背景區(qū)域的直方圖如圖2中el所示。對(duì)圖2中bl、el下半部分局部放大(圖2中cl、fl)可以看出，與圖2中c0、f0相比，目標(biāo)與背景區(qū)域的直方圖重疊范圍減少了，線性可分性增加了，但是目標(biāo)與背景的線性分界面卻較窄，分割閾值的選擇容易受到噪聲干擾，影響算法魯棒性。對(duì)非參數(shù)模型中的條件概率P (X |b)進(jìn)行非線性變換，可以得到如圖2中a2所示的特征圖像，按照同樣的方法得到對(duì)應(yīng)的目標(biāo)與背景區(qū)域的直方圖(圖2中b2、e2)。從對(duì)應(yīng)的下半部分局部放大圖(圖2中c2、f2)可以發(fā)現(xiàn)目標(biāo)與背景的線性分界面增寬了。也就是說，該非線性變換增強(qiáng)了前景與背景的線性可分性。圖像特征分布具有局部一致性，即圖像像素不是孤立的，它與鄰域內(nèi)像素之間存在著聯(lián)系。當(dāng)前像素X的圖像特征會(huì)受到鄰域內(nèi)像素圖像特征的影響，因此，將非線性變換后的圖像特征在其鄰域內(nèi)進(jìn)行加權(quán)和，可以進(jìn)一步抑制孤立噪聲，增大目標(biāo)與背景線性分界面(圖2中b3、c3、e3、f3)，增加分類魯棒性，降低分類錯(cuò)誤。如圖2所示，圖2中do為背景差分算法檢測(cè)結(jié)果，圖2中dl為非參數(shù)模型檢測(cè)結(jié)果，圖2中d2為條件概率非線性變換檢測(cè)結(jié)果，圖2中d3為條件概率非線性變換后特征圖像鄰域內(nèi)加權(quán)求和檢測(cè)結(jié)果。從檢測(cè)結(jié)果可以看出，對(duì)條件概率進(jìn)行非線性變換，并將其在鄰域內(nèi)進(jìn)行加權(quán)求和能夠有效抑制動(dòng)態(tài)場(chǎng)景中背景擾動(dòng)干擾，減少孤立噪聲污染，得到良好的目標(biāo)檢測(cè)結(jié)果。因此，本發(fā)明擬采用對(duì)圖像顏色概率分布進(jìn)行非線性變換的方式，增強(qiáng)動(dòng)態(tài)場(chǎng)景中前景與背景的線性可分性，以提高動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)的精度。

發(fā)明內(nèi)容
針對(duì)計(jì)算視覺應(yīng)用尤其是智能視頻監(jiān)控系統(tǒng)中面向動(dòng)態(tài)場(chǎng)景的運(yùn)動(dòng)目標(biāo)檢測(cè)，容易受到背景擾動(dòng)等環(huán)境噪聲干擾而產(chǎn)生錯(cuò)誤檢測(cè)的問題，本發(fā)明旨在提出一種面向動(dòng) 態(tài)場(chǎng)景的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，以抑制動(dòng)態(tài)場(chǎng)景中擾動(dòng)背景干擾，準(zhǔn)確檢測(cè)運(yùn)動(dòng)目標(biāo)。本發(fā)明提出的解決方案是I考慮視覺時(shí)空顯著性構(gòu)建時(shí)空域模型，以此時(shí)空域模型運(yùn)用非參數(shù)概率密度估計(jì)方法，估計(jì)檢測(cè)圖像像素X屬于參考背景序列b的條件概率p(x|b)，利用負(fù)對(duì)數(shù)核函數(shù)對(duì)條件概率P (χ I b)進(jìn)行非線性變換，得到X的時(shí)空條件信息I (XI b)，考慮X鄰域內(nèi)像素對(duì)其影響，將χ鄰域內(nèi)像素的時(shí)空條件信息加權(quán)求和，以此作為特征通過線性分類器分類目標(biāo)與背景；2在時(shí)空域模型中，以當(dāng)前圖像中像素χ的參考背景域內(nèi)顏色直方圖作為參考背景概率分布，計(jì)算條件信息；3采用圖像分塊方法對(duì)前述方法進(jìn)行優(yōu)化，以圖像塊(Image Block,簡(jiǎn)寫為IB)代替單個(gè)像素進(jìn)行背景建模和檢測(cè)；4以圖像塊背景顏色直方圖作為背景模型，代替時(shí)空域模型中緩存的背景圖像序列，降低數(shù)據(jù)存儲(chǔ)空間需求；5以圖像塊的參考背景顏色直方圖，作為圖像塊內(nèi)所有像素共用的參考背景模型，計(jì)算條件信息并加權(quán)求和，進(jìn)行圖像塊檢測(cè)；6采用圖像塊差分預(yù)檢測(cè)機(jī)制，預(yù)先檢測(cè)出圖像中發(fā)生變化的圖像塊作為候選檢測(cè)區(qū)域，減少基于條件信息的圖像塊檢測(cè)方法的數(shù)據(jù)處理量；7圖像塊被檢測(cè)為背景時(shí)，以當(dāng)前幀圖像塊顏色直方圖更新該圖像塊的參考背景顏色直方圖，并從該圖像塊鄰域內(nèi)隨機(jī)地選擇一個(gè)圖像塊按此法進(jìn)行模型更新，圖像塊被檢測(cè)為目標(biāo)時(shí)，不更新。本發(fā)明所提出面向動(dòng)態(tài)場(chǎng)景的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有以下優(yōu)點(diǎn)1，對(duì)條件概率進(jìn)行負(fù)對(duì)數(shù)非線性變換，增加了利用線性分類器進(jìn)行目標(biāo)檢測(cè)時(shí)的線性分類邊界寬度，增強(qiáng)了目標(biāo)與背景的線性可分性，提高了目標(biāo)檢測(cè)魯棒性。2，對(duì)條件概率進(jìn)行負(fù)對(duì)數(shù)非線性變換具有明確的物理意義，即條件信息I (XI y)，它是變量X以I為條件的不確定性。在視頻中，以參考背景b為條件，當(dāng)前觀察值X的條件信息I (XI b)，度量了參考背景對(duì)觀察值X的確定能力。在動(dòng)態(tài)場(chǎng)景中，參考背景b能夠完全確定沒有發(fā)生變化的區(qū)域，部分確定由背景擾動(dòng)引起的變化區(qū)域，難以確定由目標(biāo)運(yùn)動(dòng)引起的變化區(qū)域。因此，采用條件信息作為動(dòng)態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè)的分類特征，能夠?qū)_動(dòng)背景與運(yùn)動(dòng)目標(biāo)進(jìn)行線性分類。3，對(duì)條件信息進(jìn)行加權(quán)求和，抑制了孤立噪聲影響，增強(qiáng)了抵抗擾動(dòng)背景干擾能力，進(jìn)一步增強(qiáng)了目標(biāo)與背景的線性可區(qū)分性，降低了分類誤差。4，考慮視覺時(shí)空顯著性構(gòu)建時(shí)空域模型，符合人類視覺心理特點(diǎn)，易于提取感興趣的運(yùn)動(dòng)信息。5，采用圖像塊代替單個(gè)像素進(jìn)行檢測(cè)，降低了算法復(fù)雜度和內(nèi)存需求。采用圖像塊差分預(yù)檢測(cè)機(jī)制，通過簡(jiǎn)單算法預(yù)先濾除圖像非變化區(qū)域，降低了后續(xù)目標(biāo)檢測(cè)計(jì)算量，加快了算法速度。 6，所采用的模型更新方法，既能夠有效適應(yīng)場(chǎng)景光照變化，又不會(huì)將目標(biāo)信息更新到參考背景中，能夠有效避免滑窗更新方法在目標(biāo)運(yùn)動(dòng)緩慢時(shí)產(chǎn)生目標(biāo)尾部漏測(cè)的問題。7，總體而言，本發(fā)明不僅實(shí)現(xiàn)了動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)的有效檢測(cè)，還克服了現(xiàn)有的面向動(dòng)態(tài)場(chǎng)景的運(yùn)動(dòng)目標(biāo)檢測(cè)方法存在的算法復(fù)雜度高，實(shí)時(shí)性差，內(nèi)存需求大，不易于嵌入式實(shí)現(xiàn)等缺點(diǎn)，能夠在現(xiàn)有計(jì)算機(jī)平臺(tái)上實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)，適合于嵌入式智能攝像機(jī)平臺(tái)應(yīng)用。


圖I是背景差算法示意圖；其中a是背景圖像；b是輸入圖像；c是差分圖像；d是目標(biāo)掩碼模板，中間深色區(qū)域?yàn)榍熬埃溆鄿\色區(qū)域?yàn)楸尘?。圖2是運(yùn)動(dòng)目標(biāo)檢測(cè)算法中前景與背景線性可分性對(duì)比示意圖；其中a0_a3分別為背景差分特征圖像、條件概率密度特征圖像、條件信息特征圖像、加權(quán)條件信息特征圖像；b0_b3分別為a0_a3的圖像特征分布直方圖，它們是以圖I中目標(biāo)掩碼模板b為參照計(jì)算得到；c0-c3分別為b0_b3底部區(qū)域局部放大顯示；d0-d3分別為a0_a3特征圖像的線性分類結(jié)果；e0_e3分別為整段視頻的背景差分特征圖像、條件概率密度特征圖像、條件信息特征圖像、加權(quán)條件信息特征圖像對(duì)應(yīng)的前景與背景特征分布直方圖；f0-f3分別為e0_e3底部區(qū)域局部放大顯示。圖3是中心四周視覺顯著性模型；其中a是水面漂浮物圖像，其中I為中心區(qū)域，2為四周參考域；b是高斯差分模型；
c是a在高斯差分模型b作用下提取的視覺顯著性圖，圖像越亮表示顯著性越高。圖4是視覺顯著性時(shí)空域模型；其中I是中心域，與圖3中a所示的中心區(qū)域I對(duì)應(yīng)；2是四周參考域,與圖3中的a所示的四周參考域2對(duì)應(yīng)；3是圖像中的像素；4是像素3的背景參考域。圖5是圖像分塊檢測(cè)示意圖；其中3是圖像中像素；
4是圖像塊對(duì)應(yīng)的背景參考域，與圖4中的4對(duì)應(yīng)；5是圖像塊；6是整幅圖像。在上述附圖中I-中心域 2-四周參考域 3-像素 4-背景參考域 5-圖像塊6-圖像
具體實(shí)施例方式本發(fā)明提出面向動(dòng)態(tài)場(chǎng)景的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法的基本思路是考慮視覺時(shí)空顯著性構(gòu)建時(shí)空域模型，以此時(shí)空域模型運(yùn)用非參數(shù)概率密度估計(jì)方法，估計(jì)檢測(cè)圖像像素X屬于參考背景序列b的條件概率P (χ I b)，利用負(fù)對(duì)數(shù)核函數(shù)對(duì)條件概率P (x I b)進(jìn)行非線性變換，得到X的時(shí)空條件信息I (X I b)，考慮χ鄰域內(nèi)像素對(duì)其影響，將X鄰域內(nèi)像素的時(shí)空條件信息加權(quán)求和，以此作為特征通過線性分類器對(duì)目標(biāo)與背景進(jìn)行分類，完成運(yùn)動(dòng)目標(biāo)檢測(cè)。為了降低算法復(fù)雜度、提高算法速度、降低存儲(chǔ)空間需求，我們采用圖像分塊策略對(duì)前述方法進(jìn)行優(yōu)化，優(yōu)化后方法，在雙核Intel Pentium Dual CPUE21802. OGHz, IGBRAM的計(jì)算機(jī)上檢測(cè)640*480分辨率動(dòng)態(tài)場(chǎng)景視頻可以達(dá)到26fps (frameper second),滿足了實(shí)時(shí)性應(yīng)用需求。我們考慮視覺時(shí)空顯著性構(gòu)建時(shí)空域模型，對(duì)參考背景進(jìn)行建模，用于估計(jì)參考背景顏色分布概率和輸入圖像目標(biāo)檢測(cè)。人類視覺系統(tǒng)的視覺顯著性體現(xiàn)為空域顯著性和時(shí)域顯著性。空域視覺顯著性體現(xiàn)在人眼觀察圖像時(shí)，關(guān)注高顯著性區(qū)域，忽視低顯著性區(qū)域。人眼視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的感受野表現(xiàn)為一種中心四周模型，即高斯差分模型(Difference of Gaussians,圖3中b所示)。在高斯差分模型下，中心四周差異越明顯,感受野視覺響應(yīng)越大，對(duì)應(yīng)區(qū)域的圖像視覺顯著性也就越高。具體如圖3所示，一張水面漂浮物圖像(圖3中a)，在高斯差分模型(圖3中b )作用下，得到空域視覺顯著性圖(圖3中c所示)，從圖3中c可以看出，由于水面上漂浮的塑料瓶與其四周區(qū)域(水面)差異明顯，該區(qū)域在高斯差分模型下的響應(yīng)大，視覺顯著性高，而波動(dòng)的水面其與四周區(qū)域(同樣為水面)差異不明顯，該位置在高斯差分模型下的響應(yīng)小，視覺顯著性低。時(shí)域視覺顯著性體現(xiàn)在人眼觀察時(shí)，容易忽視周期性出現(xiàn)的變化(比如晃動(dòng)的樹葉、波動(dòng)的水面)，而特別關(guān)注新奇的(突然的)變化，比如擾動(dòng)背景下的運(yùn)動(dòng)目標(biāo)。視頻是按時(shí)間順序組合在一起的圖像序列，因此，在視頻中，同時(shí)存在著空域視覺顯著性(單幅圖像本身具有空域視覺顯著性)和時(shí)域視覺顯著性(圖像內(nèi)容在時(shí)間上的變化體現(xiàn)為時(shí)域視覺顯著性)。在視頻中，經(jīng)常出現(xiàn)的變化圖像視覺顯著性低，而新出現(xiàn)的變化圖像視覺顯著性高。相比于擾動(dòng)背景(經(jīng)常出現(xiàn)的變化圖像)，運(yùn)動(dòng)目標(biāo)常表現(xiàn)為新出現(xiàn)的變化圖像，具有更高視覺顯著性，因此，在視頻運(yùn)動(dòng)目標(biāo)檢測(cè)任務(wù)中，考慮人類視覺的時(shí)域、空域視覺顯著性，可以有效濾除背景擾動(dòng)干擾，提高動(dòng)態(tài)場(chǎng)景中運(yùn)動(dòng)目標(biāo)檢測(cè)效果。如圖4所示，以輸入圖像(CurImg)中像素3的鄰域I作為中心四周視覺注意模型的中心域，以鄰域I對(duì)應(yīng)的四周區(qū)域2作為中心四周注意模型的四周域，并以該四周域外邊界設(shè)定參考背景序列空域范圍4，以N幀背景序列(BckSeq，圖4中標(biāo)記為斜線陰影區(qū)域4)圖像作為像素3的時(shí)空域參考背景，以此作為參考條件計(jì)算像素3的時(shí)空條件信息。計(jì)算時(shí)空條件信息需要計(jì)算像素值χ屬于參考背景的條件概率P (x I b)，我們以非參數(shù)模型中的核密度估計(jì)(KDE)方法計(jì)算條件概率，其一般形式如公式I所示。
權(quán)利要求
1.基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于對(duì)檢測(cè)圖像中的像素點(diǎn)(3)屬于參考背景的條件概率P(X I b)進(jìn)行非線性變換，作為運(yùn)動(dòng)目標(biāo)檢測(cè)分類特征，以線性分類器進(jìn)行動(dòng)態(tài)場(chǎng)景中前景與背景分類。
2.根據(jù)權(quán)利要求I所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，采用非負(fù)對(duì)數(shù)對(duì)條件概率P(x I b)進(jìn)行非線性變換，得到像素點(diǎn)(3)在參考背景條件下的條件信息I(X|b)，作為圖像分類特征。
3.根據(jù)權(quán)利要求2所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，加權(quán)像素點(diǎn)(3)鄰域內(nèi)像素點(diǎn)的條件信息I (X I b)，作為檢測(cè)像素點(diǎn)(3)的最終分類特征。
4.根據(jù)權(quán)利要求I或3所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，采用中心四周時(shí)空域模型計(jì)算條件概率P(x I b)，并以此計(jì)算像素點(diǎn)(3)的加權(quán)條件信息。該時(shí)空域模型，以當(dāng)前檢測(cè)像素點(diǎn)(3)為中心，構(gòu)建中心區(qū)域(I)，并以該中心區(qū)域(I)對(duì)應(yīng)的四周區(qū)域(2)確定參考背景以四周區(qū)域(2)外邊界范圍內(nèi)的所有N-I幀背景序列圖像BckSeq (4)，并連同當(dāng)前檢測(cè)圖像CurImg中四周區(qū)域2作為參考背景b，計(jì)算條件概率p(x|b) ο以中心區(qū)域(I)做為像素點(diǎn)(3)的鄰域，計(jì)算加權(quán)條件信息。
5.根據(jù)權(quán)利要求4所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，對(duì)圖像進(jìn)行分塊，以圖像塊(5)代替單個(gè)像素(3)檢測(cè)進(jìn)行加速，對(duì)圖像進(jìn)行分塊，以圖像塊內(nèi)像素X的條件信息加權(quán)求和作為該圖像塊特征進(jìn)行檢測(cè)分類。
6.根據(jù)權(quán)利要求5所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，其特征在于，采用圖像塊顏色分布直方圖對(duì)參考背景概率分布直接建模，以參考背景序列中圖像塊的顏色分布直方圖H作為參考背景b的概率分布P (b)，直接利用直方圖H計(jì)算條件概率P (x I b)。
7.根據(jù)權(quán)利要求5所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，其特征在于，采用圖像塊差分預(yù)檢測(cè)，預(yù)先檢測(cè)出圖像中變化圖像塊，作為候選圖像，再利用條件信息進(jìn)行二次檢測(cè)。
8.根據(jù)權(quán)利要求6所述的基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，圖像塊被檢測(cè)為背景時(shí)，對(duì)圖像塊的參考背景顏色直方圖進(jìn)行更新，并隨機(jī)選擇鄰域內(nèi)圖像塊參考背景顏色直方圖，對(duì)選擇的顏色直方圖進(jìn)行更新。
全文摘要
本發(fā)明公開了基于時(shí)空條件信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。該方法考慮人類視覺時(shí)空域顯著性構(gòu)建目標(biāo)檢測(cè)時(shí)空域模型，計(jì)算檢測(cè)圖像屬于時(shí)空域參考背景的條件概率，以負(fù)對(duì)數(shù)核對(duì)條件概率進(jìn)行非線性變換提取時(shí)空條件信息，考慮圖像特征局部一致性對(duì)鄰域內(nèi)圖像條件信息加權(quán)求和，作為特征利用線性分類器進(jìn)行目標(biāo)檢測(cè)。采用顏色直方圖快速計(jì)算條件概率，以圖像塊代替單個(gè)像素進(jìn)行建模和檢測(cè)，降低算法復(fù)雜度、存儲(chǔ)空間需求，結(jié)合圖像塊差分預(yù)檢測(cè)機(jī)制提高目標(biāo)檢測(cè)速度。本發(fā)明算法復(fù)雜度低、存儲(chǔ)空間需求小、算法實(shí)時(shí)性高，能夠有效抑制背景擾動(dòng)干擾和孤立噪聲影響，并在現(xiàn)有計(jì)算機(jī)上實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)實(shí)時(shí)檢測(cè)，且適于嵌入式智能攝像機(jī)平臺(tái)應(yīng)用。
文檔編號(hào)G06T7/20GK102903120SQ20121025135
公開日2013年1月30日 申請(qǐng)日期2012年7月19日 優(yōu)先權(quán)日2012年7月19日
發(fā)明者包衛(wèi)東, 熊志輝, 王斌, 譚樹人, 劉煜, 王煒, 徐瑋, 陳立棟, 張茂軍 申請(qǐng)人:中國(guó)人民解放軍國(guó)防科學(xué)技術(shù)大學(xué)