[发明专利]一种基于背景差分和HOG特征的运动目标检测方法

说明书

技术领域

本发明涉及一种基于背景差分和HOG特征的运动目标检测方法,属于图像处理技术领域。

背景技术

运动目标检测技术是智能视频分析系统的关键技术之一。常规的运动目标检测技术包括光流法，背景差法和帧差法。单个的光流法算法速度较慢，且对硬件的要求比较高，将会使得系统的成本提高；单个的帧差法在特殊的场景下鲁棒性不强，比如有阴影，有镜面反射的条件下，性能较差；单个的背景差法虽然具有较快的计算速度，但是它的精确度一般，且还有很多的提升空间。

HOG(Histogram of Oriented Gradient)行人检测是由Dalal等人提出的一种基于机器学习的静态图像行人检测算法。其主要思想是利用小块上的梯度方向直方图来描述图像。通过调整特征提取时的参数，HOG特征可以有效地描述人体的形状信息，同时对局部区域较小的平移和旋转运动具有一定的不变性。Dalal等人提出了HOG特征结合SVM分类器进行行人检测，达到了很好的检测效果。然而，由于HOG特征提取计算复杂，使得该方法速度很慢，很难满足实际应用系统的需求。

如公开号为CN102750532A的中国专利公开了一种“基于部件的目标检测方法”，该方法将目标分成几个部件来进行检测，这样的方法虽然在准确度上有所提高，但是在运行速度上还是有所欠缺的。

发明内容

本发明所要解决的技术问题是提供一种基于背景差分和HOG特征的目标检测算法，通过先进行计算量小的背景差分算法，尽量缩减HOG检测区域，然后再对背景差法提取到的目标前景图像进行HOG特征检测，从而能够有效的并且快速的对运动目标进行检测，同时克服了阴影光照等外界环境引起的误检、漏检或者多检问题，具有良好的鲁棒性。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于背景差分和HOG特征的运动目标检测方法，包括以下步骤：

步骤1，获取视频，采用背景差分方法，对视频进行背景建模，提取出目标前景图像；

步骤2，对步骤1中提取出的目标前景图像进行校正，具体为确定提取出的目标前景图像中每个待校正区域的位置，并计算每个待校正区域的外接矩形的大小，对每个待校正区域进行以下处理：

201，若某个待校正区域被另一个待校正区域的外接矩形完全包含，则将该区域加入到另一个区域中；

202，若某个待校正区域的外接矩形与另一个待校正区域的外接矩形相交或两者之间的距离小于阈值，则将两个区域合并；

203，将剩余的待校正区域中外接矩形面积小于设定值的区域直接过滤掉；

204，将经过步骤201-203后剩下的外接矩形作为运动区域；

步骤3，在校正后的目标前景图像中，用HOG特征描述子进行运动区域内的目标检测。

作为本发明的进一步优化方案，步骤1中背景建模是采用自适应背景模型。

作为本发明的进一步优化方案，步骤3中用HOG特征描述子进行运动区域内的目标检测，具体步骤如下：

301，采用Gamma校正法对步骤2中校正后的目标前景图像进行颜色空间的标准化；

302，对步骤301中标准化之后的图像进行分块，再将每个块进行单元划分；

303，计算步骤2中校正后的目标前景图像的梯度；

304，将步骤303中计算得到的梯度投影到单元的梯度方向，并且构建直方图；

305，将所有单元在块上进行归一化；

306，提取运动区域内所有块的HOG特征；

307，将步骤306中提取的HOG特征输入到SVM分类器中，寻找一个最优超平面作为决策函数，从而完成目标检测。

作为本发明的进一步优化方案，步骤202中所述阈值通过OTST动态阈值算法得出。

作为本发明的进一步优化方案，通过形态学滤波对步骤1提取出的目标前景图像进行噪声消除。

本发明采用以上技术方案与现有技术相比，本发明检测精确度高，漏检率、误检率大大减小；本发明中算法的计算量大大减小，因而检测速度大大提高；本发明克服了阴影光照等外界环境引起的误检、漏检或者多检问题，具有良好的鲁棒性。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明设计一种基于背景差分和HOG特征的运动目标检测方法，如图1所示，包括以下步骤：

步骤1，获取视频，采用背景差分方法，对视频进行背景建模，提取出目标前景图像；