一種針對擾動目標(biāo)的檢測及抑制方法
【專利摘要】本發(fā)明公開了一種針對擾動目標(biāo)的檢測及抑制方法，包括以下步驟：背景相冊生成、背景相冊更新、背景相冊替換、時空連續(xù)屬性建立、目標(biāo)運(yùn)動軌跡建立以及擾動目標(biāo)判斷。該方法能夠有效抑制動態(tài)場景中隨機(jī)噪聲、光影迅速變化、背景物體輕微擾動帶來的干擾，有效地檢測出運(yùn)動目標(biāo)，并通過在時間序列上對運(yùn)動目標(biāo)建立初始運(yùn)動軌跡，加強(qiáng)了前景目標(biāo)進(jìn)入后續(xù)識別過程的條件，降低了算法復(fù)雜度，增加了目標(biāo)識別模塊的效率和精度。
【專利說明】一種針對擾動目標(biāo)的檢測及抑制方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及運(yùn)動目標(biāo)檢測和識別中的圖像處理方法，特別是一種針對擾動目標(biāo)的檢測及抑制方法。
【背景技術(shù)】
[0002]基于前景檢測算法分割出運(yùn)動目標(biāo)，再通過識別算法對運(yùn)動目標(biāo)進(jìn)行識別的方法是在靜態(tài)攝像頭下運(yùn)動目標(biāo)識別的主要途徑。對前景檢測算法提供的候選運(yùn)動目標(biāo)進(jìn)行篩選的機(jī)制，在很大程度上影響了后續(xù)判別過程的效率和精度。在智能視頻監(jiān)控、道路交通監(jiān)控、鐵道行人監(jiān)控等許多應(yīng)用中，由隨機(jī)噪聲、場景光影迅速變化、物體輕微變化帶來的擾動目標(biāo)給識別過程帶來了很大的困難。這幾類擾動目標(biāo)具有以下三個重要的特征:1.從時間上看，目標(biāo)位置存在著細(xì)微變化。2.從空間上看，目標(biāo)外觀存在著細(xì)微變化。3.從目標(biāo)在時間序列上形成的外觀序列上看，目標(biāo)灰度級存在著不同程度的波動。正是由于這三個原因，為了滿足一定檢測率的前景檢測算法會不可避免的帶來這類目標(biāo)，從而導(dǎo)致后續(xù)識別過程中需要識別目標(biāo)的數(shù)目龐大，并因為這類擾動目標(biāo)外觀的隨機(jī)性以及識別算法存在一定誤差而造成的錯誤識別。因此，此類擾動目標(biāo)的判別及消除非常有意義。
[0003]目前，在抑制擾動目標(biāo)的問題上主要存在著兩種思路，第一種著手于改進(jìn)前景檢測算法，從根本上消除擾動目標(biāo)。這類方法通過優(yōu)化背景建模中描述場景的模型，考慮圖像的局部信息對單個像素計算條件概率，來分割出圖像中顯著區(qū)別于背景的運(yùn)動目標(biāo)?；跁r空域模型的算法充分考慮了圖像顏色分布的時空一致性，在時空聯(lián)合建模進(jìn)行運(yùn)動目標(biāo)檢測，在處理動態(tài)場景中背景擾動時表現(xiàn)出了較好的性能?；跁r空建模的算法由于需要處理大量的時空域數(shù)據(jù)，計算復(fù)雜度高，內(nèi)存需求大，算法實時性差，由于孤立噪聲干擾影響，最終的檢測結(jié)果還需要進(jìn)行形態(tài)學(xué)濾波和圖像分割等后處理才能得到較好的檢測結(jié)果。第二種思路著手于后續(xù)更正機(jī)制，對通過前景檢測算法產(chǎn)生的每一個目標(biāo)進(jìn)行一定程度的抑制，根據(jù)前后兩幀之間目標(biāo)在色調(diào)、飽和度、亮度等屬性差別，確定抑制前后目標(biāo)的特征是否達(dá)到要求，達(dá)到要求則檢測為前景目標(biāo)。這類算法能夠較好的去除那些在外觀上沒有較大變化的目標(biāo)，但對于迅速光影變化的魯棒性較差，例如，無法消除云彩飄過帶來的陰影影響。
[0004]隨著視頻監(jiān)控系統(tǒng)由模擬時代向網(wǎng)絡(luò)時代發(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)動目標(biāo)檢測算法，需要向智能攝像機(jī)移植，在攝像機(jī)上進(jìn)行嵌入式實現(xiàn)。但是，現(xiàn)有的能夠處理動態(tài)場景中環(huán)境噪聲的視頻運(yùn)動目標(biāo)檢測算法，不僅計算復(fù)雜度高，而且內(nèi)存需求非常大，難以在嵌入式智能攝像機(jī)平臺上應(yīng)用。

【發(fā)明內(nèi)容】

[0005]針對計算視覺應(yīng)用尤其是智能視頻監(jiān)控系統(tǒng)中面向動態(tài)場景的運(yùn)動目標(biāo)檢測，容易受到隨機(jī)噪聲、光影迅速變化、背景物體輕微擾動帶來的干擾問題，本發(fā)明旨在提供一種針對擾動目標(biāo)的檢測及抑制方法，以提高識別過程的效率和檢測精度，從而能夠迅速檢測識別出特定的運(yùn)動目標(biāo)。
[0006]為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案:
[0007]一種針對擾動目標(biāo)的檢測及抑制方法，包括以下步驟:
[0008]背景相冊生成步驟:建立容量為N的圖像集來保存一段時間內(nèi)處于N個隨機(jī)節(jié)點(diǎn)上的背景圖像，用以保存背景隨機(jī)變化信息，所保存的N幅圖像均是灰度圖像，N^2；
[0009]背景相冊更新步驟:每讀入一幀圖像，通過灰度變換將其轉(zhuǎn)換為待選背景圖像，并基于一個預(yù)設(shè)的更新概率Pupdato來判斷是否將這一幀背景圖像加入所述背景相冊中；
[0010]背景相冊替換步驟:在當(dāng)前背景圖像被判斷為加入到背景相冊中的情況下，將背景相冊中的某一張圖像替換為當(dāng)前背景圖像；
[0011]時空連續(xù)屬性建立步驟:針對于前景檢測算法在當(dāng)前圖像中檢測到的每一個前景目標(biāo)，通過提取其連通域的外接矩形來表征該目標(biāo)，在標(biāo)準(zhǔn)的矩形參數(shù)Rect (x, y, w, h)上添加一個時間參數(shù)t，其中(X，y)分別代表目標(biāo)在二維圖像上的橫縱坐標(biāo)，w和h代表矩形的寬以及高，在這個四個參數(shù)基礎(chǔ)上添加一個時間參數(shù)t，建立新的結(jié)構(gòu)體TRectix, Y, w，h, t}，它含有目標(biāo)在空間上的位置與大小信息，以及在時間上的連續(xù)度，是具有時空連續(xù)性的目標(biāo)矩形框；
[0012]目標(biāo)運(yùn)動軌跡建立步驟:利用前景檢測算法獲取目標(biāo)序列，以最小距離準(zhǔn)則規(guī)定前后幀中目標(biāo)間的繼承性，并由目標(biāo)間的繼承性來更新所述的時間參數(shù)t ；
[0013]非擾動目標(biāo)確定步驟:通過目標(biāo)與背景相冊的匹配，判定目標(biāo)在當(dāng)前一幀中是否存在擾動，并根據(jù)判斷結(jié)果更新當(dāng)前幀中目標(biāo)的t值，然后，將目標(biāo)的t值與預(yù)先設(shè)定的閾值進(jìn)行比較，如果目標(biāo)的t值超過預(yù)先設(shè)定的閾值，則判定為非擾動目標(biāo)，并送至后續(xù)過程處理。
[0014]優(yōu)選地，獲得一個新的目標(biāo)后，依據(jù)其位置(x，y，w，h)在背景相冊中獲得相同位置的匹配目標(biāo)進(jìn)行匹配運(yùn)算，通過定義的匹配系數(shù)，判定目標(biāo)在當(dāng)前一幀中是否存在擾動，根據(jù)擾動判定結(jié)果，結(jié)合設(shè)定的最大繼承閾值T1來更新當(dāng)前幀目標(biāo)。對于當(dāng)前幀的目標(biāo)序列，如果存在目標(biāo)的值超過所述預(yù)先設(shè)定的閾值，則確定它為非擾動目標(biāo)，并送至后續(xù)識別過程進(jìn)行識別。
[0015]優(yōu)選地，在所述背景相冊更新步驟中，以[0-1]的等概率條件取一個隨機(jī)數(shù)rand，當(dāng)rand≥Pupdate時，判斷將當(dāng)前背景圖像加入到背景相冊中。
[0016]優(yōu)選地，在所述背景相冊替換步驟中，當(dāng)前背景圖像替換掉背景相冊中的某一張圖像，所采用的是等概率隨機(jī)替換的機(jī)制。
[0017]優(yōu)選地，在所述目標(biāo)運(yùn)動軌跡建立步驟中，所使用的距離準(zhǔn)則為兩目標(biāo)矩形中心的歐氏距離。
[0018]優(yōu)選地:
[0019]在所述時空連續(xù)屬性建立步驟中:
[0020]通過前景檢測算法檢測到若干連通域構(gòu)成的目標(biāo)序列為IObj1,T, Obj2,τ，…，0bjm，T}，其中0bji;T表示在時刻T (即第T幀)的目標(biāo)序列中的第i個目標(biāo)，每個目標(biāo)具體可以由一個TRect (X，y, w, h, t)表示；
[0021 ] 在所述目標(biāo)運(yùn)動軌跡建立步驟中:
[0022]對于目標(biāo)序列IObj1^, Obj2, τ,…，Objm, τ}初始化目標(biāo)的t值為Ob j^.t = I,通過最近鄰繼承準(zhǔn)則，將前一幀目標(biāo)的t值傳遞給當(dāng)前幀目標(biāo)，
[0023]其中，對于前一幀目標(biāo)序列{Obj1,T_1; Obj2H,…，0bjn，T_1}的目標(biāo)Obj.T-1，如果在當(dāng)前幀目標(biāo)序列中相對于目標(biāo)Objk1的預(yù)定范圍D內(nèi)存在一個或多個目標(biāo)，則在這些目標(biāo)中
找到與目標(biāo)Obj1H距離最近的目標(biāo)，
【權(quán)利要求】
1.一種針對擾動目標(biāo)的檢測及抑制方法，其特征在于，包括以下步驟: 背景相冊生成步驟:建立容量為N的圖像集來保存一段時間內(nèi)處于N個隨機(jī)節(jié)點(diǎn)上的背景圖像，用以保存背景隨機(jī)變化信息，所保存的N幅圖像均是灰度圖像，N≥2； 背景相冊更新步驟:每讀入一幀圖像，通過灰度變換將其轉(zhuǎn)換為待選背景圖像，并基于一個預(yù)設(shè)的更新概率Pupdato來判斷是否將這一幀背景圖像加入所述背景相冊中； 背景相冊替換步驟:在當(dāng)前背景圖像被判斷為加入到背景相冊中的情況下，將背景相冊中的某一張圖像替換為當(dāng)前背景圖像； 時空連續(xù)屬性建立步驟:針對于前景檢測算法在當(dāng)前圖像中檢測到的每一個前景目標(biāo)，通過提取其連通域的外接矩形來表征該目標(biāo)。一個標(biāo)準(zhǔn)的目標(biāo)可以由矩形Rect (X，y, W，h)來描述，其中(x, y)分別代表目標(biāo)在二維圖像上的橫縱坐標(biāo)，w和h代表矩形的寬以及高，在這個四個參數(shù)基礎(chǔ)上添加一個時間參數(shù)t，建立新的結(jié)構(gòu)體TRect {x, y, w, h, t}，它含有目標(biāo)在空間上的位置與大小信息，以及在時間上的連續(xù)度，是具有時空連續(xù)性的目標(biāo)矩形框； 目標(biāo)運(yùn)動軌跡建立步驟:利用前景檢測算法獲取目標(biāo)序列，以最小距離準(zhǔn)則規(guī)定前后幀中目標(biāo)間的繼承性，并由目標(biāo)間的繼承性來更新所述的時間參數(shù)t ； 非擾動目標(biāo)確定步驟:通過目標(biāo)與背景相冊的匹配，判定目標(biāo)在當(dāng)前一幀中是否存在擾動，并根據(jù)判斷結(jié)果更新當(dāng)前幀中目標(biāo)的t值，然后，將目標(biāo)的t值與預(yù)先設(shè)定的閾值進(jìn)行比較，如果目標(biāo)的t值超過預(yù)先設(shè)定的閾值，則判定為非擾動目標(biāo)，并送至后續(xù)過程處理。
2.如權(quán)利要求1所述的方法，其特征在于，在所述背景相冊更新步驟中，以[0-1]的等概率條件取一個隨機(jī)數(shù)rand，當(dāng)rand ≥ Pupdate時，判斷將當(dāng)前背景圖像加入到背景相冊中。
3.如權(quán)利要求1所述的方法，其特征在于，在所述背景相冊替換步驟中，當(dāng)前背景圖像替換掉背景相冊中的某一張圖像，所采用的是等概率隨機(jī)替換的機(jī)制。
4.如權(quán)利要求1所述的方法，其特征在于，在所述目標(biāo)運(yùn)動軌跡建立步驟中，所使用的距離準(zhǔn)則為兩目標(biāo)矩形中心的歐氏距離。
5.如權(quán)利要求1至4任一項所述的方法，其特征在于， 在所述時空連續(xù)屬性建立步驟中: 通過前景檢測算法檢測到若干連通域構(gòu)成的目標(biāo)序列為{Obju，Obj2, τ,…，0bjm，T}，其中Objy表示在時刻T (即第T幀)的目標(biāo)序列中的第i個目標(biāo)，每個目標(biāo)具體可以由一個TRect (X，y, w, h, t)表不； 在所述目標(biāo)運(yùn)動軌跡建立步驟中: 對于目標(biāo)序列{0bj1；T, Obj21,..., 0bjm；T}初始化目標(biāo)的t值為ObjiJ.t = 1，通過最近鄰繼承準(zhǔn)則，將前一幀目標(biāo)的t值傳遞給當(dāng)前幀目標(biāo)， 其中，對于前一幀目標(biāo)序列IObj1^Obj2H,的目標(biāo)Obj1H,如果在當(dāng)前幀目標(biāo)序列中相對于目標(biāo)OblH的預(yù)定范圍D內(nèi)存在一個或多個目標(biāo)(D為允許一個目標(biāo)在相鄰幀之間位置改變的最大距離)，則在這些目標(biāo)中找到與目標(biāo)Objj^距離最近的目標(biāo)Obih，I = arg min dist{Objj:t ,, Objij),兩目標(biāo)間的歐氏距離為:

i
6.如權(quán)利要求5所述的方法，其特征在于，D為5。
7.如權(quán)利要求5所述的方法，其特征在于，T1為4。
8.如權(quán)利要求5所述的方法，其特征在于，T2為10。
9.如權(quán)利要求5所述的方法，其特征在于，Thrpa為0.987。
【文檔編號】G06T7/20GK103886607SQ201410132448
【公開日】2014年6月25日 申請日期:2014年4月2日 優(yōu)先權(quán)日:2014年1月24日
【發(fā)明者】郭振華, 成超, 陳友斌, 張學(xué)聃 申請人:清華大學(xué)深圳研究生院