[发明专利]结合改进的LBP纹理和色度信息的运动目标检测方法

说明书

技术领域

本发明属于视频监控领域，涉及运动目标检测方法，具体的涉及结合改进的LBP纹理和色度信息的运动目标检测方法。

背景技术

视频图像中包含了太多的信息量，不利于计算机的处理。但是，一般来说，对其中运动的物体会更感兴趣，例如，行人、运动的汽车、奔跑的运动员等等；而对静止的背景图像，对它们的关注程度少得多，往往也不包含主要的信息。运动目标检测是一种图像分割技术，指从视频序列中把固定的背景去掉，并把运动物体检测出来。它是计算机视觉、基于内容的检索、模式识别、智能视频监控、运动图像编码等研究领域的重点和难点，在很多领域有着广泛的应用前景。

然而，由于摄像机运动、光照变化、存在阴影、背景抖动等原因，给运动目标的准确检测带来了巨大的困难。由于运动目标检测的结果直接影响运动目标跟踪以及后续的步骤，所以准确的运动目标检测是智能视频监控中的一项重要任务。

目前，常用的运动目标检测算法根据基本原理的不同，可分为有三大类：帧差法、背景减除法和光流法。运动目标检测中，其中最常用的方法就是背景减除法。该类算法用当前帧与背景图像差分或与背景模型进行比较，对结果进行处理后得到运动目标区域。在该类算法中，背景模型的建立与更新是最难、最关键的问题。

生活中的许多事物，例如水面的波纹、摇动的树枝、抖动的草地、闪烁的电脑屏幕等等，都会呈现出快速周期性变化的特性，背景的像素值在一个很短的时间内不是一个固定的值。于是，同一时刻下的多背景方法被提了出来，用以克服这些背景的周期性扰动。最具代表性的就是混合高斯背景模型（GaussianMixtureModel，GMM）。在这种方法中，运用多个高斯模型对每一个像素的背景进行表示，并且利用迭代方式进行模型参数的更新。多个高斯模型表示的背景，就可以把周期性变化的背景都同时涵盖其中，因此该模型可以有效的克服光照变化、背景图像周期性扰动所带来的干扰。在建立了多个背景模型后，运动目标区域就可以用当前帧和这些背景模型进行有条件的差分得到。然而，现有的混合高斯背景模型采用颜色为特征，运动目标的阴影部分由于颜色与背景有差别，也会被当作运动目标检测出来，将严重干扰混合高斯模型检测出来的运动目标区域。不幸的是，由于光照条件是漫反射产生的均匀环境光的场景很少，在视频监控场景中，绝大部分都会有阴影，这就极大的影响了混合高斯模型检测运动目标的准确性。

LBP（Local Binary Pattern）是一种灰度变化的描述算子，该算子通过计算中心像素与邻域像素之间的灰度差值，并对这个差值进行二值化，从而得到对中心像素所在位置的纹理变化的描述。LBP纹理和色度这两种特征对阴影都不敏感，能克服阴影对运动目标检测结果的影响。对于颜色相近的纹理缺乏区域，LBP纹理不能很好地表示该区域的特征，但是这时色度往往能取得较好效果；而对于运动目标颜色和背景颜色相近的区域，LBP纹理往往又能取得一定的效果。但是传统的LBP计算时，没有考虑到噪声的干扰，误差大；且其二进制编码没有进行归类计算，使得处理速度慢、实时性差。

发明内容

本发明为了克服现有技术中的不足，提供一种结合改进LBP纹理和色度信息结合进行背景的描述，然后把该背景描述应用到混合高斯模型中，达到较好的去除阴影对运动目标检测干扰的目的。

本发明为实现发明目的采用的技术方案是，结合改进的LBP纹理和色度信息的运动目标检测方法，包含以下步骤：

步骤a：初始化混合高斯模型：将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块，对每个小块统计LBP统一模式直方图和局部色度值，把初始的LBP统一模式直方图记作初始的局部色度向量记作给定某个方差σ和权值w，得到含有K个背景模式初始混合高斯背景模型；

步骤b：读入下一帧，把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块；

步骤c：对上述每个小块统计LBP统一模式直方图和局部色度值，其中把t时刻的LBP统一模式直方图记作X_t、局部色度向量记作H_t；

步骤d：将X_t、H_t值，依次与混合高斯背景模型中对应小块的K个背景模式进行对比，求相似度，匹配为背景、不匹配为前景；