[发明专利]基于时空条件信息的运动目标检测方法

说明书

技术领域：

本发明涉及计算机视觉中的视频运动目标分割，特指视频监控系统中的运动目标检测。 

背景技术：

视频运动目标检测是计算机视觉应用的基础问题之一，它是运动目标跟踪、运动目标识别、人机接口、动作识别、行为理解等高级应用的基础支撑，已经在视频监控、视频检索等具体应用中发挥重要作用，将在军事、交通、安防、文化娱乐等诸多领域发挥更大作用。 

智能视频监控系统能够将人从繁重的视频监视任务中解放出来，减少人工干预，减轻监视人员工作负担，自动发现监视环境中的运动目标，自动跟踪与识别运动目标，自动发现监视场景中可疑事件和提取感兴趣信息。前述智能视频监控系统中的智能分析功能都依赖于视频运动目标检测算法，视频运动目标检测是将视频中运动目标与背景进行分离，以提取运动目标，它是智能视频监控系统的基础算法，是后续目标跟踪、识别、可疑事件检测的算法基础。 

目前主流的运动目标检测方法有减背景法和光流法。光流法复杂的计算使其难以得以实际应用；减背景法是目前最常用也是最有效的运动目标检测方法，其核心思想是使用合适的模型进行场景描述，并以此判定场景的变化检测运动目标。常用的减背景方法包括混合高斯模型(Gaussians Mixture Model,GMM)、非参数模型(Kernel Density Estimation,KDE)、码本模型(Code Book)等，它们通过在时域上对像素亮度进行建模以检测运动目标。运动目标检测的挑战来自于如何克服自然环境变化(光照变化、树叶的摇晃、雨雪、水面波动等)和成像器材(电子噪声、摄像机的晃动等)的影响。常用的基于时域建模的减背景方法，通过图像特征（颜色、梯度、纹理、边缘等）在时域上的变化检测并定位运动目标。但图像中各个像素位置处的图像特征并非是孤立的，它们之间存在着联系，因此利用时域变化难以处理场景中背景扰动，即使采用多模态模型，比如混合高斯模型(GMM)，也难以抑制环境噪声影响。虽然基于图像分割（基于随机场的运动目标分割）的方法能够抑制孤立噪声，但是基于分割的方法依赖于初始的检测结果，在初始检测结果错误严重时也难以获得准确分割结果，且算法实时性差。基于时空域模型的方法充分考虑了图像颜色分布的时空一致性，在时空域联合建模进行运动目标检测，在处理动态场景中背景扰动时表现出良好性能。基于时空域的算法，由于需要处理大量的时空域数据，计算复杂度高，内存需求大，算法实时性差，由于孤立噪声干扰影响，最终的检测结果还需要进行形态学滤波或图像分割等后处理才能得到较好的检测结果。 

随着视频监控系统由模拟时代向网络时代发展，摄像机也向着智能化方向发展，越来越多的智能视频处理算法包括运动目标检测算法，需要向智能摄像机移植，在智能摄像机上进行嵌入式实现。但是，现有的能够处理动态场景中环境噪声的视频运动目标检测算法，不仅计算复杂度高，而且内存需求非常大，而难以在嵌入式智能摄像机平台上应用。为此，我们面向智能视频监控系统的实际应用，针对动态场景中的运动目标检测易受环境噪声干扰问题，提出一种基于时空条件信息的动态场景运动目标检测方法，该方法能够有效抑制动态场景中环境噪声干扰，有效检测运动目标，并采用图像分块策略进行目标检测加速，降低算法复杂度，增加实时性，减少内存需求，使基于时空条件信息的运动目标检测方法，不但能够在现有PC平台上实现动态场景运动目标实时检测，还适于嵌入式智能摄像机平台应用。 

运动目标检测本质是一个二分类问题，即以背景序列为参考条件，把当前观察图像中的像素分类为前景（本发明中也称为目标）和背景。基于算法复杂度的考虑，现有运动目标检测算法多采用线性分类器，对图像像素分类，分割出当前图像中的前景，但是，在动态场景（比如水面波动、树叶摆动的场景）下，扰动的背景（波动的水面、摆动的树叶）与前景常表现为线性不可分的。以水面波动场景中漂浮物检测（图1中b）为例，可以发现背景差分、混合高斯模型、非参数模型都在一定程度上存在背景与前景线性不可分的问题。