[发明专利]检测小型生物的图像处理方法及装置

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种检测小型生物的图像处理方法及装置。

背景技术

近年来，计算机视觉已成为计算机领域的研究热点,而作为计算机视觉重要组成部分的运动物体跟踪也越来越受到人们的重视。但是，由于环境等因素的影响，运动物体的跟踪很难达到准确度高，实时性强。所以，能否快速、准确地捕捉目标物体是衡量视频跟踪算法好坏的关键。

目前，常用的运动目标跟踪算法分为三种：卡尔曼滤波法、光流法、背景差分法。

卡尔曼滤波法：以最小均方误差作为估计的最佳准则，来寻找一套递推估计的算法，其基本实现是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值。卡尔曼滤波法流程分为预测和更新两个部分。但是当运动目标长时间被遮挡时会存在目标跟踪丢失的情况，而且必须用到无限过去的数据，计算量大。

光流法：光流法的主要任务就是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过分析运动场的变化对运动目标和场景进行检测与分割。通常有基于全局光流场和特征点光流场两种方法。最经典的全局光流场计算方法是L-K(Lueas&Kanada)法和H-S(Hom&Schunck)法，得到全局光流场后通过比较运动目标与背景之间的运动差异对运动目标进行光流分割，缺点是计算量大。特征点光流法通过特征匹配求特征点处的流速，具有计算量小、快速灵活的特点，但稀疏的光流场很难精确地提取运动目标的形状。总的来说，光流法不需要预先知道场景的任何信息，就能够检测到运动对象，可处理背景运动的情况，但噪声、多光源、阴影和遮挡等因素会对光流场分布的计算结果造成严重影响；而且光流法计算复杂，很难实现实时处理。

背景差分法：背景差分法是采用图像序列中的当前帧和背景参考模型比较来检测运动物体的一种方法,其性能依赖于所使用的背景建模技术。在基于背景差分方法的运动目标检测中，背景图像的建模和模拟的准确程度，直接影响到检测的效果。不论任何运动目标检测算法，都要尽可能的满足任何图像场景的处理要求，但是由于场景的复杂性、不可预知性、以及各种环境干扰和噪声的存在，如光照的突然变化、实际背景图像中有些物体的波动、摄像机的抖动、运动物体进出场景对原场景的影响等，使得背景的建模和模拟比较困难，计算量大，很难实现实时处理。

综上所述，现有技术存在的问题是运动目标的识别跟踪受环境变化的影响较大,不支持跟踪物体的更新；并且实时性差，无法识别快速移动的目标以及体积小的目标。

发明内容

为解决上述至少一技术问题，本发明的主要目的是提供一种检测小型生物的图像处理方法。

为实现上述目的，本发明采用的一个技术方案为：提供一种检测小型生物的图像处理方法，包括如下步骤：

从采集的视频图像中获取相邻两帧图像的背景减图，以得到相邻两帧图像的相对运动区域；

对背景减图进行差分图像二值化处理得到前景像素；

提取与前景像素对应的运动区域轮廓；以及

将运动区域轮廓的面积及运动区域轮廓内的像素点的灰度值与运动目标的预设特征进行匹配，以识别出视频图像中的运动目标。

优选地，所述从采集的视频图像中获取相邻两帧图像的背景减图，以得到相邻两帧图像的相对运动区域的步骤，具体包括：

从采集的视频图像中获取当前帧图像及前一帧图像；

计算当前帧图像的像素值与前一帧图像的像素值的差值，得到目标差值；

判断目标差值是否大于设定的阈值，

如果目标差值大于设定的阈值，则得到背景像素，并将对应的像素点标记为1，如果目标差值小于或等于设定的阈值，则将对应的像素点标记为0。

优选地，所述对背景减图进行差分图像二值化处理得到前景像素的步骤，具体包括：

选定一灰度阈值作为背景像素的筛选值；

判断背景像素中任一项像素点的灰度值是否大于预设的灰度阈值，

如果背景像素中像素点的灰度值大于预设的灰度阈值，则得到前景像素，并将像素点的灰度值标记为高亮状态，如果背景像素中像素点的灰度值大于预设的灰度阈值，则将像素点的灰度值标记为低亮状态。

优选地，所述提取与前景像素对应的运动区域轮廓的步骤，具体包括：

利用递归算法查找所有处于高亮状态的像素点，得到运动区域的轮廓；

对轮廓的所有像素点进行积分运算或求和运算提取运动区域的轮廓。