移動偵測方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種移動偵測方法，所述方法包括：采用隨機濾波算法建立視頻圖像的背景模型；根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖的積分圖；利用積分矩形提取所述積分圖中的運動區(qū)域；對所述運動區(qū)域進行聚類，得到偵測的運動目標。本發(fā)明還相應(yīng)公開了一種移動偵測裝置，應(yīng)用本發(fā)明技術(shù)方案，能夠提高移動偵測的準確性，并且兼顧性能和速度，無需太高的計算成本，尤其可以適用于嵌入式監(jiān)控設(shè)備。
【專利說明】移動偵測方法和裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻圖像處理【技術(shù)領(lǐng)域】，特別是涉及一種移動偵測方法和裝置。
【背景技術(shù)】
[0002]移動偵測(Motion Detection Technology),也稱之為運動偵測，是視頻監(jiān)控行業(yè)的核心技術(shù)之一。在主流的視頻監(jiān)控設(shè)備中，都有該項功能。
[0003]目前，移動偵測的算法包括運動矢量法、背景減除法和光流場法。
[0004]運動矢量法是通過提取視頻編碼序列中的宏塊的運動矢量來判斷圖像中是否存在運動區(qū)域，其檢測速度快，但無法精確定位目標的位置，而且易受到光照變化、抖動、噪聲的影響，誤報率極高。
[0005]背景減除法是通過將視頻場景中不動的部分設(shè)為背景圖像，然后用當前圖像減去背景圖像來獲取運動區(qū)域，之后再通過數(shù)學形態(tài)學分析算法和連通域分析提取出運動目標。該方法能夠獲取完整的運動目標，但是傳統(tǒng)的背景建模，對抖動、陰影比較敏感，并且數(shù)學形態(tài)學分析算法和連通域分析計算復雜度很高，會耗費較多計算量和存儲空間，對計算能力和存儲空間有限的嵌入式監(jiān)控設(shè)備有很高的性能要求。
[0006]光流場法是通過計算圖像中的運動場來分析運動區(qū)域，其計算量巨大，需要配備專門的硬件進行加速，并且對噪聲敏感，也不適用于嵌入式監(jiān)控設(shè)備。
[0007]因此，針對傳統(tǒng)技術(shù)，需要一種能夠提高運動目標檢測準確率，兼顧性能和速度，尤其適用于嵌入式監(jiān)控設(shè)備的移動偵測方法和裝置。

【發(fā)明內(nèi)容】

[0008]基于此，有必要提供一種移動偵測方法和裝置，應(yīng)用本方法和裝置，能夠提高移動偵測的準確性，并且兼顧性能和速度，無需太高的計算成本，尤其可以適用于嵌入式監(jiān)控設(shè)備。
[0009]一種移動偵測方法,包括:
[0010]采用隨機濾波算法建立視頻圖像的背景模型；
[0011]根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖；
[0012]利用積分矩形提取所述積分圖中的運動區(qū)域；
[0013]對所述運動區(qū)域進行聚類，得到偵測的運動目標。
[0014]在其中一個實施例中，在所述采用隨機濾波算法建立視頻圖像的背景模型的步驟之前，所述方法還包括:
[0015]設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度；
[0016]所述利用積分矩形提取所述積分圖中的運動區(qū)域，包括:
[0017]根據(jù)所述檢測的運動目標類型及其檢測靈敏度，確定所述積分矩形的大小及形狀，再由所述確定的積分矩形提取所述積分圖中的運動區(qū)域；[0018]在對所述運動區(qū)域進行聚類之前，所述方法還包括:
[0019]判斷所述運動區(qū)域是否在所述待檢測區(qū)域中，若是，則確定所述運動區(qū)域為待聚類運動區(qū)域，若否，則舍棄所述運動區(qū)域。
[0020]在其中一個實施例中，所述采用隨機濾波算法建立視頻圖像的背景模型，包括:
[0021]基于隨機高斯濾波，初始化背景模型中任一像素點的模型元素為所述像素點預設(shè)N鄰域內(nèi)NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間的常數(shù)，所述采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計。
[0022]在其中一個實施例中，所述根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖的步驟，包括:
[0023]根據(jù)輸入新視頻圖像后背景模型中各像素點對應(yīng)的采樣像素點的歷史均值和歷史方差的波動情況，判斷所述像素點是否為前景點或背景點；
[0024]若所述像素點為前景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第一數(shù)值；
[0025]若所述像素點為背景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第二數(shù)值，并且更新背景模型中所述像素點所對應(yīng)的隨機NXNX (1-W) X α個采樣像素點的歷史均值和歷史方差，以及隨機更新所述像素點預設(shè)N鄰域內(nèi)NXNX (1-W) X α /2個像素點所對應(yīng)的NXNX (1-W) X α /2個采樣像素點的歷史均值和歷史方差，其中誤差波動系數(shù)α為O至2之間的常數(shù)；
[0026]根據(jù)所述二值前景圖計算積分圖，所述積分圖中任一像素點的元素值為所述像素點左上角所有像素點的前景數(shù)值的和。
[0027]在其中一個實施例中，所述利用積分矩形提取所述積分圖中的運動區(qū)域，包括:
[0028]統(tǒng)計所述積分矩形中取值為第一數(shù)值的像素點的比例Ts，若比例Ts超過預設(shè)閥值Qs，則判定所述積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域。
[0029]在其中一個實施例中，所述對所述運動區(qū)域進行聚類包括:
[0030]采用kmeans算法對所述運動區(qū)域進行聚類。
[0031]一種移動偵測裝置,包括:
[0032]模型初始化模塊，用于采用隨機濾波算法建立視頻圖像的背景模型；
[0033]模型更新模塊，用于根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖；
[0034]運動區(qū)域提取模塊，用于利用積分矩形提取所述積分圖中的運動區(qū)域；
[0035]聚類模塊，用于對所述運動區(qū)域進行聚類，得到偵測的運動目標。
[0036]在其中一個實施例中，所述裝置還包括設(shè)置模塊，用于設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度；
[0037]所述運動區(qū)域提取模塊，還用于根據(jù)所述檢測的運動目標類型及其檢測靈敏度，確定所述積分矩形的大小及形狀，再由所述確定的積分矩形提取所述積分圖中的運動區(qū)域；
[0038]所述聚類模塊，還用于判斷所述運動區(qū)域是否在所述待檢測區(qū)域中，若是，則確定所述運動區(qū)域為待聚類運動區(qū)域，進行聚類，若否，則舍棄所述運動區(qū)域。[0039]在其中一個實施例中，所述模型初始化模塊，具體用于基于隨機高斯濾波，初始化背景模型中任一像素點的模型元素為所述像素點預設(shè)N鄰域內(nèi)NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間的常數(shù)，所述采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計；
[0040]所述模型更新模塊，用于根據(jù)輸入新視頻圖像后背景模型中各像素點對應(yīng)的采樣像素點的歷史均值和歷史方差的波動情況，判斷所述像素點是否為前景點或背景點；若所述像素點為前景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第一數(shù)值；若所述像素點為背景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第二數(shù)值，并且更新背景模型中所述像素點所對應(yīng)的隨機NXNX (1-W) X α個采樣像素點的歷史均值和歷史方差，以及隨機更新所述像素點預設(shè)N鄰域內(nèi)NXNX (1-W) X α /2個像素點所對應(yīng)的NXNX (1-W) X α /2個采樣像素點的歷史均值和歷史方差，其中誤差波動系數(shù)α為O至2之間的常數(shù)；所述模型更新模塊，還用于根據(jù)所述二值前景圖計算積分圖，所述積分圖中任一像素點的元素值為所述像素點左上角所有像素點的前景數(shù)值的和。
[0041]在其中一個實施例中，所述運動區(qū)域提取模塊，用于統(tǒng)計所述積分矩形中取值為第一數(shù)值的像素點的比例Ts，若比例Ts超過預設(shè)閥值Qs，則判定所述積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域；
[0042]所述聚類模塊，用于采用kmeans算法對所述運動區(qū)域進行聚類。
[0043]上述移動偵測方法和裝置，采用隨機濾波算法建立視頻圖像的背景模型，相比于傳統(tǒng)的建模算法，能夠更有效地濾除噪聲、抖動、光照變化帶來的干擾，具有很好的魯棒性，提高了檢測準確率，并且無需經(jīng)過數(shù)學形態(tài)學分析和連通域分析等復雜的計算，只需對背景模型進行更新，獲取對應(yīng)的二值前景圖和積分圖，利用積分矩形在積分圖中提取出其中的運動區(qū)域，再對運動區(qū)域進行聚類，就可以獲得完整的運動目標，兼顧了性能和成本，降低了計算成本，尤其可以適用于計算能力和存儲能力有限的嵌入式監(jiān)控設(shè)備。
【專利附圖】

【附圖說明】
[0044]圖1為一個實施例中的移動偵測方法的流程示意圖；
[0045]圖2為一個實施例中的移動偵測方法的流程示意圖；
[0046]圖3為一個實施例中的移動偵測裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0047]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
[0048]參見圖1，在一個實施例中提供了 一種移動偵測方法，該方法可以應(yīng)用于監(jiān)控設(shè)備尤其是嵌入式監(jiān)控設(shè)備中，該方法包括流程:
[0049]步驟102，采用隨機濾波算法建立視頻圖像的背景模型。
[0050]具體的，相比于傳統(tǒng)技術(shù)中背景建模通過圖像中不動的部分進行建模而對抖動、光照比較敏感，本實施例采用隨機濾波算法建立視頻圖像的背景模型。隨機濾波算法可以選用高斯模型、貝葉斯模型、卡爾茲曼等模型，其中高斯模型最為穩(wěn)定，適用性最高，通過隨機濾波算法對視頻圖像進行背景建模，具體從像素變化的時間維度和空間維度進行建模，可以有效地濾除抖動、光照、噪聲的影響，具有很好的魯棒性。
[0051]步驟104，根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖。
[0052]在背景模型初始化之后，新輸入一幀視頻圖像，根據(jù)背景模型中各像素點的時間維度和空間維度的變化幅度，判定背景模型中的前景點或背景點，對背景模型進行實時更新，并在背景模型對應(yīng)的二值前景圖中分別為前景點和背景點取值為不同的前景數(shù)值(二值前景圖中，每一個像素點對應(yīng)唯一一個前景數(shù)值)，例如前置點的前景數(shù)值可以賦值第一數(shù)值，為非零數(shù)值，例如255，背景點的前景數(shù)值可以賦值為O。得到背景模型對應(yīng)的二值前景圖之后，可以通過積分運算(累加)得到積分圖，積分圖中每個像素點的元素值為該像素點左上角所有像素點(包括該像素點)的前景數(shù)值的和。
[0053]步驟106，利用積分矩形提取積分圖中的運動區(qū)域。
[0054]具體的,積分矩形為一個nXm的像素矩形,其中η和m為像素寬、高，n、m為不小于2的整數(shù)，例如在本實施例可以默認設(shè)置為3X3或5X5的像素矩形。利用積分矩形計算其中的前景點積分圖的第一數(shù)值的和，再通過除法運算得到前景點在積分矩形中所有像素點的比例，若比例超過預定義閥值，則判定該積分矩形所在的像素區(qū)域為一個運動區(qū)域。
[0055]步驟108，對運動區(qū)域進行聚類，得到偵測的運動目標。
[0056]具體的，在本實施例中，通過積分矩形提取積分圖中的運動區(qū)域后，對各個運動區(qū)域進行聚類，去除重合像素 點等，得到完整的運動目標。在本實施例中，得到完整的偵測目標后，可以進行聲光報警等。
[0057]上述移動偵測方法 ，采用隨機濾波算法建立視頻圖像的背景模型，相比于傳統(tǒng)的建模算法，能夠更有效地濾除噪聲、抖動、光照變化帶來的干擾，具有很好的魯棒性，提高了檢測準確率，并且無需經(jīng)過數(shù)學形態(tài)學分析和連通域分析等復雜的計算，只需對背景模型進行更新，獲取對應(yīng)的二值前景圖和積分圖，利用積分矩形在積分圖中提取出其中的運動區(qū)域，再對運動區(qū)域進行聚類，就可以獲得完整的運動目標，兼顧了性能和成本，降低了計算成本，尤其可以適用于計算能力和存儲能力有限的嵌入式監(jiān)控設(shè)備。
[0058]參見圖2，在一個實施例中也提供了一種移動偵測方法，該方法包括流程:
[0059]步驟202，設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標及其檢測靈敏度。
[0060]具體的，在本實施例中，根據(jù)監(jiān)控的不同應(yīng)用場景和范圍，用戶可以選擇視頻圖像中不同大小的待檢測區(qū)域，以及所檢測的運動目標類型及其檢測靈敏度。其中，用戶選擇待檢測區(qū)域可以通過折線選擇視頻圖像中的任意多邊形，或者用戶通過在視頻圖像界面輸入任意曲線，再由多邊形判別算法進行多邊形擬合，得到任意形狀的多邊形待檢測區(qū)域，待檢測區(qū)域決定了檢測目標是否為有效目標，例如當檢測的目標不在待檢測區(qū)域中，不會進行聲光報警。所檢測的運動目標類型，根據(jù)不同的應(yīng)用場景，例如可以是人、車、船等。檢測靈敏度可以設(shè)置為3至5個等級，為便于用戶操作，可以概括為“非常靈敏”、“靈敏”、“不靈敏”等等級，在本實施例中，檢測目標類型和檢測靈敏度，決定了 nXm積分矩形的大小和形狀。檢測目標的類型與η與m的比例有關(guān)，例如檢測行人，n/m ^ 1/3，而檢測車輛n/m~I。η和m的大小與靈敏度成反比，即靈敏度越高，η和m越小。
[0061]步驟204，采用隨機濾波算法建立視頻圖像的背景模型。[0062]本實施例采用高斯模型，基于時間維度和空間維度對視頻圖像進行背景建模。具體的，初始化背景模型中任一像素點的模型元素為像素點預設(shè)N鄰域內(nèi)隨機選取的NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間的常數(shù)，采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計。例如在本實施例中，可以對背景模型中任一像素點對其5鄰域內(nèi)5X5X0.6 = 15個采樣像素點進行統(tǒng)計(視頻圖像邊緣2寬度像素內(nèi)的像素點不參與建模，對應(yīng)二值前景圖中可以歸為背景點)，穩(wěn)定度參數(shù)W取值為0.6，根據(jù)不同的場景，W可以進一步調(diào)整，以達到更好地抑制噪聲的效果，從而讓背景模型更穩(wěn)定。背景模型中任一像素點的模型元素就對應(yīng)著上述15個采樣像素點的像素值的歷史均值和歷史方差，歷史均值和歷史方差可以但不限于以連續(xù)的25幀視頻圖像進行統(tǒng)計。由此，建立的背景模型中既包含了空間維度和時間維度。
[0063]步驟206，根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖。
[0064]本實施例中，背景模型初始化之后，新輸入一幀視頻圖像后，根據(jù)背景模型中各像素點對應(yīng)的采樣像素點的歷史`均值和歷史方差的波動情況，判斷各像素點是否為前景點或背景點。具體的，設(shè)新輸入一幀視頻圖像前，背景模型中某一點P對應(yīng)的NXNXW個采樣像素點的歷史均值和歷史方差分別為Ml、M2……D1、D2等，輸入新一幀視頻圖像后，采樣像素點的歷史均值和歷史方差分別為K W 2……Di K Di 2等，統(tǒng)計歷史均值差值
\W 1-Mi I和歷史方差波動^|D7-D/|均超過閥值TM和TD的個數(shù)NQ，若NQ > Tnq,則該像
素點為前景點，在二值前景圖中為其前景數(shù)值賦值為第一數(shù)值，為非零數(shù)值，如255，否則，則該像素點為背景點，在二值前景圖中，為其前景數(shù)值賦值為0，其中i = 1,2-, Tnq為預設(shè)的波動判別閥值，與采樣像素點的個數(shù)有關(guān)。
[0065]當判定背景模型中的像素點為背景點時，需要更新背景模型，從該像素點對應(yīng)的NXNXW個采樣像素點中隨機選取NXNX (1-W) X α個第一像素點，并更新這些第一像素點的歷史均值和歷史方差，并從第一像素點所對應(yīng)的N鄰域內(nèi)NXNXW個像素點內(nèi)，選取NXNX (1-W) X α/2個第二像素點，并更新第二像素點對應(yīng)的N鄰域內(nèi)NXNX (1-ff) X α/2個采樣像素點歷史均值和歷史方差。
[0066]得到二值前景圖之后，再根據(jù)二值前景圖計算積分圖，積分圖中任一像素點(X，y)的元素值為該像素點左上角所有像素點(包括該像素點)的前景數(shù)值的和I (X，y)。
[0067]步驟208，根據(jù)檢測的運動目標類型及其檢測靈敏度，確定積分矩形的大小及形狀，再由確定的積分矩形提取積分圖中的運動區(qū)域。
[0068]具體的，檢測區(qū)域由多邊形判別算法來確定。檢測目標類型和檢測靈敏度，決定了nXm積分矩形的大小和形狀。
[0069]計算積分矩形中第一數(shù)值的和，再通過除法運算得到第一數(shù)值的比例Ts，例如第一數(shù)值為非零數(shù)值255，第二數(shù)值為O時，Ts = Qs/Ss，其中Qs為積分矩形中所有像素點對應(yīng)的二值前景圖前景數(shù)值的和，Ss = nXmX255。Qs可以通過查詢積分圖計算得到，具體的，Qs = I (x4, y4)_I (x3, y3)_I (x2, y2)+I (X1, Y1),其中(X1J1)和(x4, y4)分別為積分矩形左上角和右下角像素點，(x2, J2)和(x3，y3)為積分矩形右上角和左下角像素點。當比例Ts超過預設(shè)閥值Ts'，則判定積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域。
[0070]步驟210，判斷提取的運動區(qū)域是否在待檢測區(qū)域中。
[0071]若是，執(zhí)行步驟212，若否執(zhí)行步驟214。
[0072]步驟212，確定所提取的運動區(qū)域為待聚類運動區(qū)域，進行聚類。
[0073]具體的,本實施例中,采用kmeans算法對運動區(qū)域進行聚類。
[0074]步驟214,舍棄該運動區(qū)域。
[0075]參見圖3，在一個實施例中，提供了一種移動偵測裝置，該裝置包括:
[0076]模型初始化模塊302，用于采用隨機濾波算法建立視頻圖像的背景模型。
[0077]模型更新模塊304，用于根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖。
[0078]運動區(qū)域提取模塊306，用于利用積分矩形提取積分圖中的運動區(qū)域。
[0079]聚類模塊308，用于對運動區(qū)域進行聚類，得到偵測的運動目標。
[0080]本實施例對移動偵測裝置進一步進行了功能擴展，該移動偵測裝置還包括設(shè)置模塊310，用于設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度。
[0081]本實施例提供的移動偵測裝置，其工作原理如下:
[0082]設(shè)置模塊310，用于設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度。
[0083]模型初始化模塊302，具體用于基于隨機高斯濾波，初始化背景模型中任一像素點的模型元素為像素點預設(shè)N鄰域內(nèi)NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間的常數(shù)，采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計。
[0084]模型更新模塊304，用于根據(jù)輸入新視頻圖像后背景模型中各像素點對應(yīng)的采樣像素點的歷史均值和歷史方差的波動情況，判斷像素點是否為前景點或背景點；若像素點為前景點，則在二值前景圖中，將像素點的前景數(shù)值取值為第一數(shù)值；若像素點為背景點，則在二值前景圖中，將像素點的前景數(shù)值取值為第二數(shù)值，并且更新背景模型中像素點所對應(yīng)的隨機NXNX (1-W) X α個采樣像素點的歷史均值和歷史方差，以及隨機更新像素點預設(shè)N鄰域內(nèi)NXNX (1-W) X α /2個像素點所對應(yīng)的NXNX (1-ff) X α /2個采樣像素點的歷史均值和歷史方差，其中誤差波動系數(shù)α為O至2之間的常數(shù)。模型更新模塊304，還用于根據(jù)二值前景圖計算積分圖，積分圖中任一像素點的元素值為該像素點左上角所有像素點(包括該像素點)的前景數(shù)值的和。
[0085]運動區(qū)域提取模塊306，還用于根據(jù)檢測的運動目標類型及其檢測靈敏度，確定積分矩形的大小及形狀，再由確定的積分矩形提取積分圖中的運動區(qū)域。具體的，運動區(qū)域提取模塊306，統(tǒng)計積分矩形中取值為第一數(shù)值的像素點的比例Ts，若比例Ts超過預設(shè)閥值Ts'，則判定積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域。
[0086]聚類模塊308，還用于判斷運動區(qū)域是否在待檢測區(qū)域中，若是，則確定所述運動區(qū)域為待聚類運動區(qū)域，進行聚類，若否，則舍棄所述運動區(qū)域。本實施例中，具體采用kmeans算法對運動區(qū)域進行聚類。
[0087]本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory, ROM)或隨機存儲記憶體(Random AccessMemory, RAM)等。
[0088]以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。
【權(quán)利要求】
1.一種移動偵測方法，其特征在于，所述方法包括: 采用隨機濾波算法建立視頻圖像的背景模型； 根據(jù)輸入的視頻圖像，對所述背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖的積分圖； 利用積分矩形提取所述積分圖中的運動區(qū)域； 對所述運動區(qū)域進行聚類，得到偵測的運動目標。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在所述采用隨機濾波算法建立視頻圖像的背景模型的步驟之前，所述方法還包括: 設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度； 所述利用積分矩形提取所述積分圖中的運動區(qū)域，包括: 根據(jù)所述檢測的運動目標類型及其檢測靈敏度，確定所述積分矩形的大小及形狀，再由所述確定的積分矩形提取所述積分圖中的運動區(qū)域； 在對所述運動區(qū)域進行聚類之前，所述方法還包括: 判斷所述運動區(qū)域是否在所述待檢測區(qū)域中，若是，則確定所述運動區(qū)域為待聚類運動區(qū)域，若否，則舍棄所述運動區(qū)域。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述采用隨機濾波算法建立視頻圖像的背景模型，包括: 基于隨機高斯濾波，初始化背景模型中任一像素點的模型元素為所述像素點預設(shè)N鄰域內(nèi)NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間的常數(shù)，所述采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖的步驟，包括: 根據(jù)輸入新視頻圖像后背景模型中各像素點對應(yīng)的采樣像素點的歷史均值和歷史方差的波動情況，判斷所述像素點是否為前景點或背景點； 若所述像素點為前景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第一數(shù)值； 若所述像素點為背景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第二數(shù)值，并且更新背景模型中所述像素點所對應(yīng)的隨機NXNX (1-W) X α個采樣像素點的歷史均值和歷史方差，以及隨機更新所述像素點預設(shè)N鄰域內(nèi)NXNX (1-W) X α /2個像素點所對應(yīng)的NXNX (1-W) X α /2個采樣像素點的歷史均值和歷史方差，其中誤差波動系數(shù)α為O至2之間的常數(shù)； 根據(jù)所述二值前景圖計算積分圖，所述積分圖中任一像素點的元素值為所述像素點左上角所有像素點的前景數(shù)值的和。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述利用積分矩形提取所述積分圖中的運動區(qū)域，包括: 統(tǒng)計所述積分矩形中取值為第一數(shù)值的像素點的比例Ts，若比例Ts超過預設(shè)閥值IV，則判定所述積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述運動區(qū)域進行聚類包括:采用kmeans算法對所述運動區(qū)域進行聚類。
7.一種移動偵測裝置，其特征在于，所述裝置包括: 模型初始化模塊，用于采用隨機濾波算法建立視頻圖像的背景模型； 模型更新模塊，用于根據(jù)輸入的視頻圖像，對背景模型進行更新，并獲取對應(yīng)的二值前景圖，以及所述二值前景圖對應(yīng)的積分圖； 運動區(qū)域提取模塊，用于利用積分矩形提取所述積分圖中的運動區(qū)域； 聚類模塊，用于對所述運動區(qū)域進行聚類，得到偵測的運動目標。
8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述裝置還包括設(shè)置模塊，用于設(shè)置視頻圖像中的待檢測區(qū)域以及所檢測的運動目標類型及其檢測靈敏度； 所述運動區(qū)域提取模塊，還用于根據(jù)所述檢測的運動目標類型及其檢測靈敏度，確定所述積分矩形的大小及形狀，再由所述確定的積分矩形提取所述積分圖中的運動區(qū)域； 所述聚類模塊，還用于判斷所述運動區(qū)域是否在所述待檢測區(qū)域中，若是，則確定所述運動區(qū)域為待聚類運動區(qū)域，進行聚類，若否，則舍棄所述運動區(qū)域。
9.根據(jù)權(quán)利要求7或8所述的裝置，其特征在于，所述模型初始化模塊，用于基于隨機高斯濾波，初始化背景模型中任一像素點的模型元素為所述像素點預設(shè)N鄰域內(nèi)NXNXW個采樣像素點的像素值的歷史均值和歷史方差，其中N為不小于3的奇數(shù)，穩(wěn)定度參數(shù)W為O至I之間 的常數(shù)，所述采樣像素點的歷史均值和歷史方差以預設(shè)幀數(shù)的視頻圖像進行統(tǒng)計； 所述模型更新模塊，用于根據(jù)輸入新視頻圖像后背景模型中各像素點對應(yīng)的采樣像素點的歷史均值和歷史方差的波動情況，判斷所述像素點是否為前景點或背景點；若所述像素點為前景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第一數(shù)值；若所述像素點為背景點，則在所述二值前景圖中，將所述像素點的前景數(shù)值取值為第二數(shù)值，并且更新背景模型中所述像素點所對應(yīng)的隨機NXNX (1-W) X α個采樣像素點的歷史均值和歷史方差，以及隨機更新所述像素點預設(shè)N鄰域內(nèi)NXNX (1-W) X α /2個像素點所對應(yīng)的NXNX (1-W) X α/2個采樣像素點的歷史均值和歷史方差，其中誤差波動系數(shù)α為O至2之間的常數(shù)；所述模型更新模塊，還用于根據(jù)所述二值前景圖計算積分圖，所述積分圖中任一像素點的元素值為所述像素點左上角所有像素點的前景數(shù)值的和。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述運動區(qū)域提取模塊，用于統(tǒng)計所述積分矩形中取值為第一數(shù)值的像素點的比例Ts，若比例Ts超過預設(shè)閥值IV，則判定所述積分矩形所在的像素區(qū)域為運動區(qū)域，否則為非運動區(qū)域； 所述聚類模塊，用于采用kmeans算法對所述運動區(qū)域進行聚類。
【文檔編號】G06T7/20GK103700087SQ201310627959
【公開日】2014年4月2日 申請日期:2013年11月28日 優(yōu)先權(quán)日:2013年11月28日
【發(fā)明者】楊闖 申請人:深圳市智美達科技有限公司