一種目標(biāo)檢測中基于vibe的粘連目標(biāo)分割方法
【專利摘要】本發(fā)明公開了一種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法，包括基于VIBE的背景減法、HOG特征向量提取、SVM訓(xùn)練和多運(yùn)動目標(biāo)的檢測和分割算法優(yōu)化。本發(fā)明針對運(yùn)動目標(biāo)發(fā)生遮擋時(shí)出現(xiàn)的目標(biāo)粘連現(xiàn)象，提出了一種先利用時(shí)空特征對視頻中的運(yùn)動目標(biāo)進(jìn)行粗略分割，然后提取目標(biāo)的HOG特征并訓(xùn)練分類來進(jìn)行精確分割的算法：首先通過VIBE算法進(jìn)行目標(biāo)檢測，采用背景減法獲取前景中的運(yùn)動目標(biāo)區(qū)域；其次在原圖中對粗分割的運(yùn)動目標(biāo)的圖像進(jìn)行比例縮放，提取其梯度直方圖特征，并采用支持向量機(jī)進(jìn)行訓(xùn)練獲得目標(biāo)分割分類器；最后，對獲得的運(yùn)動目標(biāo)位置進(jìn)行篩選，剔除存在大面積交疊位置以及大小不相符的錯(cuò)誤目標(biāo),從而完成對粘連目標(biāo)的分割。
【專利說明】—種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法
【【技術(shù)領(lǐng)域】】
[0001]本發(fā)明涉及目標(biāo)檢測中粘連目標(biāo)分割方法的【技術(shù)領(lǐng)域】，特別是目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法的【技術(shù)領(lǐng)域】。
【【背景技術(shù)】】
[0002]運(yùn)動目標(biāo)分割是指從視頻序列中檢測出運(yùn)動目標(biāo)并從背景中分離的過程。在視頻序列的運(yùn)動目標(biāo)分割中，根據(jù)所依靠的信息，可以分為三種:時(shí)域分割、空域分割和時(shí)空聯(lián)合的分割。時(shí)域分割主要是利用檢測相鄰幀差異來獲得運(yùn)動目標(biāo)的位置、大小，主要包括幀差法、背景減法和光流法等。背景減法原理簡單，運(yùn)算速度快，但對于背景劇烈變化時(shí)分割結(jié)果較差；幀差法對場景變化不太敏感，但提取的對象不太完整，存在空洞現(xiàn)象；光流法復(fù)雜度較高，實(shí)時(shí)性較差?？沼蚍指罘ㄖ饕鶕?jù)目標(biāo)紋理的一致性來區(qū)分，主要有閾值分割、聚類分割和形態(tài)學(xué)分割三種分割法。閾值法易受背景干擾，對灰度變化不明顯的目標(biāo)分割不準(zhǔn)確；聚類分割時(shí)間開銷大，實(shí)時(shí)性不高；基于形態(tài)學(xué)的分割充分利用了圖像的空間信息，應(yīng)用最多的是分水嶺算法，但由于噪聲的存在無法解決過分割現(xiàn)象。時(shí)空分割法主要利用時(shí)域分割獲得運(yùn)動對象的大致運(yùn)動區(qū)域，空域分割得到運(yùn)動對象的緣，但分割的效果依賴于時(shí)域和空域分割算法的選擇。
[0003]當(dāng)監(jiān)控場景中存在多個(gè)運(yùn)動目標(biāo)時(shí)，分割的難點(diǎn)主要包含三個(gè)方面:1)對陰影的處理，如陰影與目標(biāo)相連；2)對遮擋的處理，如運(yùn)動目標(biāo)的自遮擋、運(yùn)動目標(biāo)之間的遮擋、運(yùn)動目標(biāo)被背景遮擋 等；3)擾動的影響，如樹枝擾動、水面反射等。本發(fā)明針對運(yùn)動目標(biāo)發(fā)生運(yùn)動遮擋時(shí)出現(xiàn)的目標(biāo)粘連情況，提出了采用背景減法獲取前景圖像的區(qū)域，并在原圖中提取運(yùn)動目標(biāo)的HOG特征并用SVM進(jìn)行訓(xùn)練來實(shí)現(xiàn)粘連目標(biāo)的分割算法。
【
【發(fā)明內(nèi)容】
】
[0004]本發(fā)明的目的就是解決現(xiàn)有技術(shù)中的問題，提出一種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法，能夠有效的對粘連目標(biāo)進(jìn)行分割，且克服了小目標(biāo)的漏檢問題，具有良好的魯棒性。
[0005]為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法，依次包括以下步驟:
[0006]a)基于VIBE的背景減法:在靜態(tài)場景下，通過VIBE算法檢測獲取前景區(qū)域中的運(yùn)動目標(biāo)區(qū)域，VIBE算法分別在時(shí)間上和空間上采用隨機(jī)的策略對背景模型進(jìn)行更新，該策略恰恰與背景更新是隨機(jī)的情況相吻合，對前景目標(biāo)突然轉(zhuǎn)換成背景的運(yùn)動場景具有良好的適應(yīng)性，并假定在VIBE算法檢測的前景區(qū)域中至少存在一個(gè)運(yùn)動目標(biāo)區(qū)域；
[0007]b) HOG特征向量提取:由于圖像中局部目標(biāo)的表象和形狀總能夠用它的梯度方向或邊緣的方向密度分布進(jìn)行描述，HOG特征向量可以有效地表示目標(biāo)的輪廓，進(jìn)而實(shí)現(xiàn)目標(biāo)的分類，提取目標(biāo)的HOG特征向量過程如下:
[0008]由于圖像中局部存在陰影，需要對前景區(qū)域圖像進(jìn)行Ga_a壓縮以減輕其影響，為獲取每個(gè)像素的梯度幅值和方向，需要對壓縮后的圖像進(jìn)行微分，從而獲得運(yùn)動目標(biāo)的輪廓:Gh(x，y) = I (x+1, y) -1 (χ-l, y), Gv(x, y) = I (x, y+1)-1 (x, y-1),S*Gh(X，y)，Gv(X，y)，I(x, y)分別表示輸入前景圖像中像素點(diǎn)(x，y)處的水平方向梯度、垂直方向梯度和像素值，像素點(diǎn)(X，y)處的梯度幅值和方向分別為:
【權(quán)利要求】
1.一種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法，依次包括以下步驟: a)基于VIBE的背景減法:在靜態(tài)場景下，通過VIBE算法檢測獲取前景區(qū)域中的運(yùn)動目標(biāo)區(qū)域，VIBE算法分別在時(shí)間上和空間上采用隨機(jī)的策略對背景模型進(jìn)行更新，該策略恰恰與背景更新是隨機(jī)的情況相吻合，對前景目標(biāo)突然轉(zhuǎn)換成背景的運(yùn)動場景具有良好的適應(yīng)性，并假定在VIBE算法檢測的前景區(qū)域中至少存在一個(gè)運(yùn)動目標(biāo)區(qū)域； b)HOG特征向量提取:由于圖像中局部目標(biāo)的表象和形狀總能夠用它的梯度方向或邊緣的方向密度分布進(jìn)行描述，HOG特征向量可以有效地表示目標(biāo)的輪廓，進(jìn)而實(shí)現(xiàn)目標(biāo)的分類，提取目標(biāo)的HOG特征向量過程如下: 由于圖像中局部存在陰影，需要對前景區(qū)域圖像進(jìn)行Ga_a&縮以減輕其影響，為獲取每個(gè)像素的梯度幅值和方向，需要對壓縮后的圖像進(jìn)行微分，從而獲得運(yùn)動目標(biāo)的輪廓:Gh(x，y) = I (x+1, y) -1 (χ-l, y), Gv(x, y) = I (x, y+1)-1 (x, y_l),S*Gh(X，y)，Gv(X，y)，I(x, y)分別表示輸入前景圖像中像素點(diǎn)(x，y)處的水平方向梯度、垂直方向梯度和像素值，像素點(diǎn)(X，y)處的梯度幅值和方向分別為:
2.如權(quán)利要求1所述的一種目標(biāo)檢測中基于VIBE的粘連目標(biāo)分割方法，其特征在于:所述d)步驟中在原始圖像中截取出第二階段獲取的各子區(qū)域圖像，對其進(jìn)行縮放處理(放大比例為1.4，縮小比例為0.7);對目標(biāo)分割分類器分割的目標(biāo)進(jìn)行篩選，除存在大面積交疊位置以及大小不相符的錯(cuò)誤目標(biāo)，同時(shí)對約束條件進(jìn)行驗(yàn)證；存儲篩選后的運(yùn)動目標(biāo)信息，并用矩形框在原圖形中對目標(biāo)位置和大小進(jìn)行標(biāo)注。
【文檔編號】G06K9/62GK103839279SQ201410099497
【公開日】2014年6月4日 申請日期:2014年3月18日 優(yōu)先權(quán)日:2014年3月18日
【發(fā)明者】蔣云良, 劉紅海, 侯向華, 黃旭 申請人:湖州師范學(xué)院