專利名稱：一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法、系統(tǒng)及視頻分析系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法、系統(tǒng)及視頻分析 系統(tǒng)。
背景技術(shù)：
視頻監(jiān)控領(lǐng)域中所提到的智能視頻分析技術(shù)是影像語(yǔ)音技術(shù)、計(jì)算機(jī)技術(shù)、通訊 技術(shù)和多媒體存儲(chǔ)開(kāi)發(fā)技術(shù)的結(jié)合。主要是指通過(guò)計(jì)算機(jī)對(duì)連續(xù)采集的視頻信號(hào)進(jìn)行處 理，檢測(cè)其中的運(yùn)動(dòng)目標(biāo)，并對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行分類、跟蹤、識(shí)別等后續(xù)處理，進(jìn)而對(duì)目標(biāo)的行 為進(jìn)行分析，看是否有越界、越線、物體遺留或者盜竊等事件發(fā)生，當(dāng)檢測(cè)到有該類事件發(fā) 生時(shí)，便發(fā)出報(bào)警信號(hào)并提醒監(jiān)控人員注意或者采取相應(yīng)的措施。運(yùn)動(dòng)目標(biāo)檢測(cè)是整個(gè)智能視頻分析技術(shù)的前提和基礎(chǔ)，運(yùn)動(dòng)目標(biāo)檢測(cè)的準(zhǔn)確與否 直接影響到目標(biāo)特征的提取以及后續(xù)目標(biāo)的特征匹配、跟蹤和行為分析的準(zhǔn)確程度。針對(duì) 監(jiān)控環(huán)境的不同，可以將運(yùn)動(dòng)目標(biāo)檢測(cè)方法分為兩種一種是攝像機(jī)靜止情況下的運(yùn)動(dòng)目 標(biāo)檢測(cè)，另一種是攝像機(jī)運(yùn)動(dòng)情況下的運(yùn)動(dòng)目標(biāo)檢測(cè)。目前，對(duì)于攝像機(jī)固定情況下的運(yùn)動(dòng) 目標(biāo)檢測(cè)方法有很多，總的來(lái)說(shuō)分為背景減法、幀間差分法和光流法等。由于背景減法能 夠比其他方法提供更多的關(guān)于運(yùn)動(dòng)目標(biāo)的信息，所以被廣泛地應(yīng)用在運(yùn)動(dòng)目標(biāo)檢測(cè)中。背景減法近年來(lái)受到了國(guó)內(nèi)外大量學(xué)者和研究人員的廣泛關(guān)注，在運(yùn)動(dòng)目標(biāo)檢測(cè) 理論研究和實(shí)際應(yīng)用方面也進(jìn)行了一些有益探索，有很多關(guān)于基于背景減的運(yùn)動(dòng)目標(biāo)檢測(cè) 方面的文章發(fā)表，主要有基于單高斯、基于混合高斯、基于統(tǒng)計(jì)和基于貝葉斯的方法等，但 是這些方法檢測(cè)的準(zhǔn)確度不夠，或不能達(dá)到檢測(cè)的實(shí)時(shí)性要求。尤其是復(fù)雜監(jiān)控場(chǎng)景的背 景干擾，如樹(shù)葉擺動(dòng)、水紋波動(dòng)、雨雪、光照變化等天氣因素的影響，常常使得這些算法的檢 測(cè)精度降低，使得算法的適用性降低。

發(fā)明內(nèi)容
本發(fā)明實(shí)施例的目的在于提供一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法，旨在解決現(xiàn)有技術(shù)中運(yùn) 動(dòng)目標(biāo)的檢測(cè)算法的適用性較低、檢測(cè)精度低的問(wèn)題。本發(fā)明實(shí)施例是這樣實(shí)現(xiàn)的，一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法，所述方法包括下述步 驟根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根據(jù)灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；將基于灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到 運(yùn)動(dòng)目標(biāo)。本發(fā)明實(shí)施例的另一目的在于提供一種運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)，所述系統(tǒng)包括背景模型建立模塊，用于根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和 梯度背景模型；檢測(cè)模塊，用于根據(jù)所述背景模型建立模塊建立的灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；以及分割模塊，用于將所述檢測(cè)模塊分別進(jìn)行基于所述灰度背景模型和梯度背景模型 運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。本發(fā)明實(shí)施例的另一目的在于提供一種視頻分析系統(tǒng)，所述視頻分析系統(tǒng)包括運(yùn) 動(dòng)目標(biāo)的檢測(cè)系統(tǒng)。在本發(fā)明實(shí)施例中，根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根據(jù)所述灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；將分別對(duì)基 于所述灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目 標(biāo)，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的精度，適用性高。


圖1是本發(fā)明實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢測(cè)方法的實(shí)現(xiàn)流程圖；圖2是本發(fā)明實(shí)施例提供的根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型 和梯度背景模型的實(shí)現(xiàn)流程圖；圖3是本發(fā)明第一實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)的結(jié)構(gòu)框圖；圖4是本發(fā)明實(shí)施例提供的背景模型建立模塊的結(jié)構(gòu)框圖；圖5是本發(fā)明第二實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)的結(jié)構(gòu)框圖。
具體實(shí)施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。在本發(fā)明實(shí)施例中，根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根據(jù)所述灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；將分別基于所述 灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。圖1示出了本發(fā)明實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢測(cè)方法的實(shí)現(xiàn)流程，其具體的步驟 如下所述在步驟SlOl中，根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度背景 模型。在本發(fā)明實(shí)施例中，預(yù)先獲取灰度和梯度信息，然后根據(jù)該灰度和梯度進(jìn)行建立 背景模型，下述有分別以灰度和梯度為實(shí)施例進(jìn)行的描述，在此不再贅述，但不用以限制本 發(fā)明。在步驟S102中，根據(jù)所述灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)的檢 測(cè)。在本發(fā)明實(shí)施例中，在建立的灰度背景模型和梯度背景模型后，對(duì)于以后每幀圖 像的各個(gè)像素點(diǎn)，可以利用差圖像和方差進(jìn)行比較，來(lái)判斷當(dāng)前點(diǎn)是運(yùn)動(dòng)點(diǎn)還是靜止點(diǎn)，其 具體判斷方法為 255,Δ,α/) >=Κ ·σΑ , )Dt(i,j) = \ '/；.'；' ν 1 /\、7;,其中，Dt(i，j) = 255 表示當(dāng)前點(diǎn)為可能的目0,Al(IiJ)KNl ^ai(Ij)
標(biāo)點(diǎn)，否則，表示當(dāng)前點(diǎn)為背景點(diǎn)，m的選取視具體的場(chǎng)景而定，在此不用以限制本發(fā)明。在步驟S103中，將分別基于所述灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的 檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。在本發(fā)明實(shí)施例中，通過(guò)將基于灰度運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果和基于梯度運(yùn)動(dòng)目標(biāo)檢 測(cè)的結(jié)果相結(jié)合，可以得到最終的運(yùn)動(dòng)目標(biāo)信息，排除了由于光照漸變等因素的影響。作為本發(fā)明的另一實(shí)施例，圖2示出了本發(fā)明實(shí)施例提供的根據(jù)預(yù)先獲取的灰度 和梯度信息，建立灰度背景模型和梯度背景模型的實(shí)現(xiàn)流程，其具體的步驟如下所述在步驟S201中，確立灰度信息和梯度信息的初始均值和方差。在本發(fā)明實(shí)施例中，梯度信息的獲得可以通過(guò)運(yùn)用sobel算子作為模板和原圖像 進(jìn)行卷積運(yùn)算得到，對(duì)于某個(gè)像素點(diǎn)的梯度信息的計(jì)算方法為Vx = VxI(i, j) = I{i + 1,7 + 1) + 2- I{i, ; + 1) + I(i-\,j +1)- I(i + 1,7-1)-2-I(i, J-I)-I{i -1,;-1)' Vy = V/0", j) = I{i + 1,7 + 1) + 2- /(/ +1,;) + Iii + l,j-1)-Iiij+ \)-2-Iii-XJ)-I(i-\,j-\)，其中，I(i，j)表示像素點(diǎn)(i，j)處的灰度值，Vx表示像素點(diǎn)(i，j)處水平方向的梯度，而\表示像素點(diǎn)(i，j)垂直方向的梯度。對(duì)于各個(gè)像素點(diǎn)，將第一幀的灰度信息值和梯度信息值分別作為初始的灰度均值 和梯度均值，對(duì)于第二幀的每個(gè)像素點(diǎn)，通過(guò)計(jì)算當(dāng)前幀與背景模型的灰度和梯度差得到 相應(yīng)的差分圖像，進(jìn)而得到初始的差值和相應(yīng)的初始化標(biāo)準(zhǔn)方差。在步驟S202中，根據(jù)所述灰度信息和梯度信息的初始均值和方差建立初始灰度 背景模型和初始梯度背景模型。在本發(fā)明實(shí)施例中，假設(shè)背景圖像中除運(yùn)動(dòng)區(qū)域以外的每一個(gè)像素的變化服從高 斯分布，與單高斯方法類似，可以通過(guò)觀測(cè)一段時(shí)間內(nèi)背景中相應(yīng)像素點(diǎn)的均值和方差來(lái) 建立背景的高斯模型。在步驟S203中，根據(jù)各幀的像素值，對(duì)所述初始灰度背景模型和初始梯度背景模 型進(jìn)行訓(xùn)練，得到灰度背景模型和梯度背景模型。在本發(fā)明實(shí)施例中，需要通過(guò)一段時(shí)間的訓(xùn)練，得到穩(wěn)定的灰度和梯度背景模型， 即對(duì)于以后每幀的各個(gè)像素點(diǎn)，各幀的背景值按照當(dāng)前像素值和上幀背景值的大小關(guān)系 進(jìn)行單位遞增或單位遞減，灰度和梯度背景模型的建立方法為yt(i, j) = PhG，j)+sgn(It(i，jO-PhG，j))，其中，均值 yt(i，j)代表當(dāng)前 幀的背景值，μ t-Ji，j)代表上一幀的背景值。而sgn( ·)表示符號(hào)函數(shù)，其計(jì)算方法為-1，χ<00,x= 0 ；1,χ>0如果均值Pt1(Lj)比當(dāng)前像素值it(i，j)小，則將均值yt(i，j)增加1，如果均 值yH(i，j)比當(dāng)前像素值it(i，j)大，則將均值yt(i，j)減小1。可以看出，yt(i，j)是 It(i，j)的近似，此處僅為本發(fā)明的一個(gè)實(shí)施例，在此不用以限制本發(fā)明。
在本發(fā)明實(shí)施例中，對(duì)于以后每幀的各個(gè)像素點(diǎn)，灰度和梯度標(biāo)準(zhǔn)方差的計(jì)算方 法如下(本實(shí)施例假設(shè)At(x) ^ 0)Sgn(X)=
ot(i, j) = 0H(i，j)+sgn(NX At(i, j)-0H(i，j))，其中，N 的選取視具體的 場(chǎng)景而定，。t(i，j)代表當(dāng)前幀(i，j)像素點(diǎn)的標(biāo)準(zhǔn)方差值，O^(I7J)代表上一幀(i，j) 像素點(diǎn)的標(biāo)準(zhǔn)方差值。如果差值較大，即OH(i，j) <NXAt(i，j)，則將方差單位遞增，以 反映背景發(fā)生了較大的變化，從而使得背景模型對(duì)于背景的變化具有自適應(yīng)性。在本發(fā)明實(shí)施例中，灰度背景模型和梯度背景模型的建立方式類似，在此不再分 開(kāi)贅述，但不用以限制本發(fā)明。作為本發(fā)明的另一個(gè)實(shí)施例，對(duì)灰度背景模型和梯度背景模型的均值和方差分別 進(jìn)行更新，以達(dá)到更新灰度背景模型和梯度背景模型的目的，其具體的實(shí)現(xiàn)為對(duì)于均值的更新，通過(guò)統(tǒng)計(jì)每M幀各像素點(diǎn)判斷為目標(biāo)點(diǎn)的個(gè)數(shù)，如果判斷為目 標(biāo)點(diǎn)的個(gè)數(shù)超過(guò)了 P次且該點(diǎn)恰好是目標(biāo)點(diǎn)時(shí)，則不進(jìn)行更新，否則更新，其方式為μ t(i， j) = μ t(i，j)+a · sgn(Ir(i，j)-y t(i, j))，其中，a = 4 ；對(duì)于方差的更新，通過(guò)統(tǒng)計(jì)每M幀各像素點(diǎn)判斷為目標(biāo)點(diǎn)的個(gè)數(shù)，如果判斷為目 標(biāo)點(diǎn)的個(gè)數(shù)超過(guò)了 P次且當(dāng)前幀該像素點(diǎn)值it(i，j) = yt(i，j)時(shí)，則不進(jìn)行更新，否則 更新，方式為ot(i，j) = ot(i，j)a*sgn(N*At(i，j)-ot(i, j))，其中，a = 4。作為本發(fā)明另一個(gè)實(shí)施例，對(duì)灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行形態(tài)學(xué) 濾波處理和連通域分析，其具體的實(shí)現(xiàn)為對(duì)于形態(tài)學(xué)濾波，為了盡可能多地保留目標(biāo)信息，而去除噪聲點(diǎn)的影響，在檢測(cè)出 的運(yùn)動(dòng)目標(biāo)像素點(diǎn)后需要對(duì)二值化圖像進(jìn)行形態(tài)學(xué)濾波處理，盡可能多地去除噪聲點(diǎn)的影 響。本實(shí)施例在基本的形態(tài)學(xué)濾波算法的基礎(chǔ)上，針對(duì)其中存在的不足，進(jìn)行了改進(jìn)，在做 閉運(yùn)算前，加入了空域?yàn)V波處理，其具體包括下述步驟(1)從左到右，從上到下，掃描圖像，找到圖像中第一個(gè)二值化標(biāo)記為255的點(diǎn)(以 3*3結(jié)構(gòu)元素為例，為防止越界，不處理最上，最下，最左，最右四邊的圖像元素)；(2)對(duì)于標(biāo)記為255點(diǎn)(目標(biāo)點(diǎn))，判斷其領(lǐng)域的25個(gè)點(diǎn)，如果25個(gè)點(diǎn)中有N個(gè) 點(diǎn)為目標(biāo)點(diǎn)255，則將當(dāng)前點(diǎn)置為255，否則，將當(dāng)前位置像素值置為0重復(fù)步驟(1)和O)， 直至遍歷整個(gè)圖像。對(duì)于連通區(qū)域分析，是通過(guò)應(yīng)用標(biāo)記算法來(lái)找到屬于同一個(gè)連通區(qū)域的所有像素 點(diǎn)，并給予相同的標(biāo)記，而對(duì)于屬于不同連通區(qū)域的像素點(diǎn)給予不同的標(biāo)記，然后將面積大 于預(yù)設(shè)閾值的連通區(qū)域提取出來(lái)，即為要得到的運(yùn)動(dòng)目標(biāo)。上述僅為本發(fā)明的一個(gè)實(shí)施例，該形態(tài)學(xué)濾波和連通域分析是針對(duì)運(yùn)動(dòng)目標(biāo)的灰 度信息來(lái)說(shuō)的，在此不用以限制本發(fā)明。圖3示出了本發(fā)明第一實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)的結(jié)構(gòu)框圖，為了便于 說(shuō)明，圖中僅給出了與本發(fā)明實(shí)施例相關(guān)的部分，其中，運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)可以內(nèi)置于視 頻分析系統(tǒng)的軟件單元、硬件單元或軟硬件單元。背景模型建立模塊11根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯 度背景模型；檢測(cè)模塊12根據(jù)所述背景模型建立模塊11建立的所述灰度背景模型和梯度 背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；分割模塊13將所述檢測(cè)模塊12分別基于所述灰度背景模 型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。在本發(fā)明實(shí)施例中，如圖4所示，確立模塊111確立灰度信息和梯度信息的初始 均值和方差；第一模型建立模塊112根據(jù)所述確立模塊111確立的灰度信息和梯度信息的初始均值和方差建立初始灰度背景模型和初始梯度背景模型；訓(xùn)練模塊113根據(jù)各幀的像 素值，對(duì)所述第一模型112建立模塊建立的初始灰度背景模型和初始梯度背景模型進(jìn)行訓(xùn) 練，得到灰度背景模型和梯度背景模型。在本發(fā)明實(shí)施例中，上述功能模塊的詳細(xì)實(shí)現(xiàn)流程，如上述方法實(shí)施例所述，在此 不再贅述，但不用以限制本發(fā)明。作為本發(fā)明的另一個(gè)實(shí)施例，圖5示出了本發(fā)明第二實(shí)施例提供的運(yùn)動(dòng)目標(biāo)的檢 測(cè)系統(tǒng)的結(jié)構(gòu)框圖，為了便于說(shuō)明，圖中僅給出了與本發(fā)明實(shí)施例相關(guān)的部分，其中，運(yùn)動(dòng) 目標(biāo)的檢測(cè)系統(tǒng)可以內(nèi)置于視頻分析系統(tǒng)的軟件單元、硬件單元或軟硬件單元。背景模型建立模塊11根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯 度背景模型；檢測(cè)模塊12根據(jù)所述背景模型建立模塊11建立的所述灰度背景模型和梯度 背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；分割模塊13將所述檢測(cè)模塊12分別基于所述灰度背景模 型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)，其中詳細(xì)的實(shí) 現(xiàn)流程，如上述方法實(shí)施例所述，在此不再贅述，但不用以限制本發(fā)明。在本發(fā)明實(shí)施例中，標(biāo)準(zhǔn)方差建立模塊14建立灰度和梯度的標(biāo)準(zhǔn)方差；更新模塊 15對(duì)所述灰度背景模型和梯度背景模型的均值和方差分別進(jìn)行更新；濾波處理模塊16對(duì) 灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行形態(tài)學(xué)濾波處理；連通域分析模塊17對(duì)灰度 背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行連通域分析。在本發(fā)明實(shí)施例中，確立模塊111確立灰度信息和梯度信息的初始均值和方差； 第一模型建立模塊112根據(jù)所述確立模塊111確立的灰度信息和梯度信息的初始均值和方 差建立初始灰度背景模型和初始梯度背景模型；訓(xùn)練模塊113根據(jù)各幀的像素值，對(duì)所述 第一模型112建立模塊建立的初始灰度背景模型和初始梯度背景模型進(jìn)行訓(xùn)練，得到灰度 背景模型和梯度背景模型。在本發(fā)明實(shí)施例中，上述功能模塊的詳細(xì)實(shí)現(xiàn)流程，如上述方法實(shí)施例所述，在此 不再贅述，但不用以限制本發(fā)明。在本發(fā)明實(shí)施例中，根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；根據(jù)所述灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；將分別基于所述 灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)，提 高了運(yùn)動(dòng)目標(biāo)檢測(cè)的精度，適用性高，同時(shí)，增加了遞增遞減運(yùn)算，而減少了求平均、開(kāi)平方 等浮點(diǎn)運(yùn)算，使得算法的運(yùn)算速率大大提高。以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精 神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法，其特征在于，所述方法包括下述步驟 根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度背景模型； 根據(jù)灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)的檢測(cè)；將基于灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng) 目標(biāo)。
2.如權(quán)利要求1所述的方法，其特征在于，所述根據(jù)預(yù)先獲取的灰度和梯度信息，建立 灰度背景模型和梯度背景模型的具體步驟包括確立灰度信息和梯度信息的初始均值和方差；根據(jù)所述灰度信息和梯度信息的初始均值和方差建立初始灰度背景模型和初始梯度 背景模型；根據(jù)各幀的像素值，對(duì)所述初始灰度背景模型和初始梯度背景模型進(jìn)行訓(xùn)練，得到灰 度背景模型和梯度背景模型。
3.如權(quán)利要求2所述的方法，其特征在于，所述根據(jù)各幀的像素值，對(duì)所述初始灰度背 景模型和初始梯度背景模型進(jìn)行訓(xùn)練，得到灰度背景模型和梯度背景模型的步驟之后還包 括建立灰度和梯度的標(biāo)準(zhǔn)方差。
4.如權(quán)利要求2所述的方法，其特征在于，所述方法還包括下述步驟 對(duì)所述灰度背景模型和梯度背景模型的均值和方差分別進(jìn)行更新。
5.如權(quán)利要求1所述的方法，其特征在于，所述將基于灰度背景模型和梯度背景模型 進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)的步驟還包括下述步驟對(duì)基于灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行形態(tài)學(xué)濾波處理； 對(duì)基于灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行連通域分析。
6.一種運(yùn)動(dòng)目標(biāo)的檢測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括背景模型建立模塊，用于根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度 背景模型；檢測(cè)模塊，用于根據(jù)所述背景模型建立模塊建立的灰度背景模型和梯度背景模型進(jìn)行 運(yùn)動(dòng)目標(biāo)的檢測(cè)；以及分割模塊，用于將所述檢測(cè)模塊分別進(jìn)行基于所述灰度背景模型和梯度背景模型運(yùn)動(dòng) 目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。
7.如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述背景模型建立模塊具體包括 確立模塊，用于確立灰度信息和梯度信息的初始均值和方差；第一模型建立模塊，用于根據(jù)所述確立模塊確立的灰度信息和梯度信息的初始均值和 方差建立初始灰度背景模型和初始梯度背景模型；以及訓(xùn)練模塊，用于根據(jù)各幀的像素值，對(duì)所述第一模型建立模塊建立的初始灰度背景模 型和初始梯度背景模型進(jìn)行訓(xùn)練，得到灰度背景模型和梯度背景模型。
8.如權(quán)利要求7所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括 標(biāo)準(zhǔn)方差建立模塊，用于建立灰度和梯度的標(biāo)準(zhǔn)方差；更新模塊，用于對(duì)所述灰度背景模型和梯度背景模型的均值和方差分別進(jìn)行更新。
9.如權(quán)利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括濾波處理模塊，用于對(duì)灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行形態(tài)學(xué)濾波處理；以及連通域分析模塊，用于對(duì)灰度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果進(jìn)行連通域分析。
10. 一種視頻分析系統(tǒng)，其特征在于，所述視頻分析系統(tǒng)包括權(quán)利要求6至9所述的運(yùn) 動(dòng)目標(biāo)的檢測(cè)系統(tǒng)。
全文摘要
本發(fā)明適用于監(jiān)控技術(shù)領(lǐng)域，提供了一種運(yùn)動(dòng)目標(biāo)的檢測(cè)方法、系統(tǒng)及視頻分析系統(tǒng)，所述方法包括下述步驟根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根據(jù)灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，將基于灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)。在本發(fā)明實(shí)施例中，根據(jù)預(yù)先獲取的灰度和梯度信息，建立灰度背景模型和梯度背景模型；根據(jù)灰度背景模型和梯度背景模型分別進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，將基于灰度背景模型和梯度背景模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)的結(jié)果相結(jié)合，分割得到運(yùn)動(dòng)目標(biāo)，提高了運(yùn)動(dòng)目標(biāo)檢測(cè)的精度，適用性高。
文檔編號(hào)G06T7/20GK102054277SQ20091011003
公開(kāi)日2011年5月11日 申請(qǐng)日期2009年11月9日 優(yōu)先權(quán)日2009年11月9日
發(fā)明者周建雄, 師改梅, 王全明 申請(qǐng)人:深圳市朗馳欣創(chuàng)科技有限公司