[发明专利]基于线性回归模型的目标检测方法

说明书

技术领域

本发明涉及的是一种视频图像处理技术领域的方法，具体是一种基于线性回归模型的运动目标检测方法。

背景技术

运动目标检测方法的研究和应用是计算机视觉、智能视频分析领域的一个活跃的分支，在视频监控、自动控制、安全检查等系统中具有重要的地位。准确可靠的运动目标检测结果是进行更高级别的信息处理环节如目标跟踪、目标识别、行为分析等的基础。

目前的运动目标检测方法在通常的环境下已取得比较稳定且可靠的结果，但这些方法在复杂场景下的性能不能令人满意。动态背景下的运动目标检测作为若干复杂场景下目标检测的难点之一，受到广泛的研究和关注，发明一种适用于动态背景下的运动目标检测方法具有重要的意义。

现有的运动目标检测方法主要有：光流法，帧间差分法和背景差分法。

光流法是通过计算像素点的运动矢量来分离运动目标的，这种方法计算量大，复杂度高，目前主要在移动摄像头的环境中使用。帧间差分法是根据相邻帧之间像素强度的变化来检测得到运动目标，这种方法虽然简单，但该方法往往只能提取目标轮廓，对噪声也比较敏感，因此实用性不强。

背景差分法是目前最常用的运动目标检测方法，其基本思想是通过对视频帧的学习建立对背景的描述，将新输入的视频图像与背景模型进行比较，当像素点不符合背景描述的时候，判断该点为前景，否则属于背景，从而完成对运动目标的检测。背景差分法中代表性的方法有： C.Stauffer and W.E.L.Grimson等人1999年在Proc. Conf. Computer Vision and Pattern Recognition (计算机视觉与模式识别国际会议)发表的“Adaptive background mixture models of real-time tracking”（用于实时跟踪的自适应背景混合模型）一文中提出的高斯混合背景模型法，该方法认为像素点的分布为高斯分布，每个像素点的值可由多个自适应的高斯混合背景模型加权组合得到，从而建立了高斯混合背景模型实现了运动目标的检测；A.Elgammal, R.Duraiswami, D.Harwood and L.S.Davis等人在2002 年在Proc. IEEE（电子与电气工程师协会会刊）发表的“Background and foreground modeling using non- parametric kernel density estimation for visual surveillance”（用于视频监控的基于非参数核密度估计的背景前景建模）一文中提出用核密度的方法进行背景建模，该方法对像素点的分布不做任何假设，通过时域方法对像素点的统计得到核函数的参数估计，依据这些参数和核函数建立起了背景模型，实现了目标检测；Mert Dikmen and Thomas S. Huang在 2008年 19th International Conference on Pattern Recognition (第19界模式识别国际会议) 发表的“Robust Estimation of Foreground in Surveillance Videos by Sparse Error Estimation”(基于稀疏错误估计的视频监控中的前景检测)一文中提出基于稀疏理论的方法进行前景目标检测。该方法将背景和前景检测看作是信号分离问题，背景信号随时间变换缓慢，前景信号变化不同于背景信号，且前景信号具有稀疏的性质。借助于现有的稀疏理论可以实现对稀疏信号的估计，从而实现对前景目标的检测。

上述的背景差分方法在动态背景的场景下效果并不理想，这些方法将大量的背景点误检为前景点。因此，需要寻求一种能够在动态背景环境下的运动目标检测方法。

发明内容

本发明针对现有技术存在的上述不足，提供一种基于线性回归模型的目标检测方法，在动态场景这一复杂环境下的目标检测结果准确而可靠。

本发明是通过以下技术方案实现的，本发明通过设计一种适合于目标检测的回归模型，然后运用该模型进行运动目标的检测，得到最终的检测结果。

所述的适合于目标检测的回归模型是指：该回归模型可以表示为如下形式：

                               (1)