[发明专利]一种运动目标检测方法

说明书

技术领域

本发明涉及视频或图像序列的处理，具体涉及对视频或图像序列中的运动目标进行检测的方法。

背景技术

随着经济发展和人民生活水平的提高，财产安全和人身安全等要求也不断增强。随着社会安全意识的不断提高，在校园、小区、道路、人口流动密集区域等场所越来越多地使用了视频监控系统。目前，大部分的监控系统都采用较为原始的人工值守的方式，这有两点坏处：1.由于人的素质差异、生理需求和其他因素干扰，很难保证人工值守时候不会漏掉某些关键信息，从而导致安全问题；2.大部分情况下只需要关注运动的目标信息或者异常行为信息，而人工值守无法做到“智能感应”，只能全天值守，浪费人力。因此，如果可以智能感知运动目标或异常行为，并实时报警或者给出提示，将会极大地解放人工劳动并且能保证稳定的安全系数。因而，需要对运动目标进行检测。

运动目标检测是计算机视觉中的一个基础概念，它是指通过一定的方法，利用已有的视频或者图像序列，得到一个背景模型，使用该背景模型与当前帧进行某些操作如差分即可得到运动区域或者运动目标，从而将运动变化区域从视频或图像序列中的背景图像中分割提取出来。

运动目标检测技术大约在上世纪60年代开始起步，80年代在军事领域出现了成型的系统，如美国国防高级研究项目署视觉重大监控项目VSAM和多模式、大范围的视觉检测项目HID（Human Identification at a Distance）；美国马里兰州大学和IBM公司联合研制的实时视频监控系统W4；由欧盟赞助研究的PRISMATICA系统，用于改善公共交通网络以及其它公共场所的安全性术等。随着技术的发展，目前，运动目标检测除在军事领域取有重要运用外，在更多的场合获取更加广泛的运用：如交通应用上，智能视频监控系统不仅能监测交通流量，检测高速公路上的交通事故，还能利用已有的监控数据分析出交通网络的瓶颈和流量预测，对城市交通规划和改造给出建议数据；在以异常情况为主的视频监控系统中，能对场景中可疑的人和事件进行异常行为分析并自动报警，从而阻止犯罪和灾难性事件的发生，以保障人民群众的生命和财产安全，因此在商场、生活社区、银行等无人值守的公共场所有着极大的需求；在国防领域，包括监控国境线、测量冲突地区的难民流量、监视军事基地以及无人侦查等活动均需要背景建模技术作为基础性支持。除此之外，运动目标检测和背景建模技术在安全检测、图像压缩、卫星测控等方面也都发挥着重要的作用，具有十分广泛的应用前景。

运动目标检测的方法如附图1所示。预处理阶段是利用相关滤波算法如低通滤波减少图像序列中的噪声，消除背景模型中的毛刺现象；背景建模是利用像素分布、前后帧差别等特性对图像序列进行建模从而得到背景模型；背景差分是利用当前的背景模型对当前帧进行差分操作，从而得到运动目标的位置所在；最后，把提取出来的运动区域依次进行分类和转化，并通过区域标记提取出运动目标。

目前，运动目标检测主要有三种方法：帧差法、光流法、背景差分法，以及众多基于这三种方法进行改进的算法。其中帧差法只适合在静态背景下使用，光流法计算方法相当复杂，在没有特殊硬件支持下很难满足实时性的要求。背景差分法的基本思想是利用像素等特征通过一定的算法得到场景的背景图像或者模型，然后将当前帧图像与该背景模型进行差分操作，若差值大于某一阈值，则判定对应的像素为前景，否则判定为背景。背景差分法具备实时性好和描述精确的优点，通用性非常好，计算代价低，目前其难点主要集中在如何在复杂场景中表现的更加鲁棒。

混合高斯运动目标检测方法是背景差分法中的一种，是目前运动目标检测中最常用的技术，具备概念清晰，效果好，速度快等优点，是当前计算机视觉领域的研究热点之一。Stauffer等人分析了高噪声的复杂背景像素分布特性，发现其满足多个聚类中心，利用该多态特性，提出了基于混合高斯模型（Gaussian Mixture Model，GMM）的背景差分方法，通过采用多个高斯分布来描述像素过程。针对Stauffer算法高斯模型K固定带来冗余计算，Zivkovic提出了一种自适应的GMM模型，高斯模型个数K随着场景的复杂度和稳定度在不断变化，该措施有效减少了程序运行时间，并且分割效果也有所改善。Lee提出了一种提高混合高斯模型收敛速率而没有降低模型稳定性的有效机制，采用online近似EM算法来代替Stauffer算法中的EM算法，不仅仅减少了计算时间，同时充分利用了相连帧之间的相关性，增强了建模效果。Singh等提出将在线K-means近似算法和EM算法相结合更新高斯模型参数的方法，在前景和背景对比度比较低的场景中取得了良好的分割效果。