本發(fā)明涉及模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域，尤其涉及一種基于頻-時(shí)顯著性結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。

背景技術(shù)：

視頻序列圖像中的運(yùn)動(dòng)目標(biāo)檢測(cè)作為視頻監(jiān)控的主要研究?jī)?nèi)容，是當(dāng)前計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，其對(duì)計(jì)算機(jī)視覺的其他研究領(lǐng)域有著重要的推動(dòng)作用。運(yùn)動(dòng)目標(biāo)檢測(cè)是實(shí)現(xiàn)目標(biāo)跟蹤、智能監(jiān)控、行為分析等任務(wù)的基礎(chǔ)。因此，在視頻圖像中檢測(cè)運(yùn)動(dòng)目標(biāo)有重要的研究意義和應(yīng)用前景。

運(yùn)動(dòng)目標(biāo)檢測(cè)是指在視頻圖像序列中把感興趣的運(yùn)動(dòng)目標(biāo)與背景或其它不感興趣的運(yùn)動(dòng)目標(biāo)進(jìn)行區(qū)分。傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有：光流法、幀間差分法和背景差分法等。其中，光流法是通過對(duì)圖像中各像素點(diǎn)的速度矢量特征進(jìn)行動(dòng)態(tài)分析，得到運(yùn)動(dòng)目標(biāo)，它可以在移動(dòng)的攝像頭下進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，然而其計(jì)算量大，且需要特殊硬件支持，很難保證實(shí)時(shí)檢測(cè)率；幀間差分法是通過相鄰幀圖像之間的差值與一種動(dòng)態(tài)計(jì)算閾值進(jìn)行比較得到檢測(cè)目標(biāo)，該算法對(duì)環(huán)境適應(yīng)性較好，也具有較強(qiáng)穩(wěn)定性，然而它提取信息時(shí)，易受光照強(qiáng)度變化影響，導(dǎo)致檢測(cè)到圖像模糊；背景差分法是通過當(dāng)前幀圖像與背景圖像進(jìn)行差分，得到運(yùn)動(dòng)目標(biāo)，由于背景差分算法定位精確，算法簡(jiǎn)單，在實(shí)際應(yīng)用中也得到了廣泛應(yīng)用。如何構(gòu)建背景模型在該算法中起著重要作用，背景模型的建立方法主要有：混合高斯模型、碼本及滑動(dòng)平均濾波法，其中實(shí)際應(yīng)用較為成功的是混合高斯模型。混合高斯模型就是把每個(gè)像素點(diǎn)的分布看作是多個(gè)高斯分布的加權(quán)。它可除去大部分光線、噪聲等環(huán)境影響，解決復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)問題。但是現(xiàn)有基于混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法仍存在對(duì)光線突變?cè)斐傻墓碛艾F(xiàn)象，且在復(fù)雜環(huán)境下計(jì)算量大等問題不能很好地解決。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種計(jì)算量更小、檢測(cè)速率更快的基于頻-時(shí)顯著性結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。本方法通過融合頻率調(diào)諧和混合高斯模型算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，良好抑制由光線突變?cè)斐傻墓碛艾F(xiàn)象。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一種基于頻-時(shí)顯著性結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，包括如下步驟：

步驟一：獲取包含多幀圖像的視頻序列，提取第一幀原圖像；

步驟二：對(duì)原圖像進(jìn)行高斯平滑處理，然后將經(jīng)過高斯平滑處理的圖像轉(zhuǎn)換至lab顏色空間，得到lab顏色空間的圖像；

所述的高斯平滑處理包括先對(duì)圖像鄰域內(nèi)像素灰度進(jìn)行平均，然后對(duì)各個(gè)位置像素進(jìn)行加權(quán)處理；

步驟三：通過頻率調(diào)諧算法處理lab顏色空間的圖像，進(jìn)行顯著性運(yùn)動(dòng)目標(biāo)信息提?。蝗籼崛〕鲲@著性運(yùn)動(dòng)目標(biāo)信息，則進(jìn)行動(dòng)態(tài)顯著圖計(jì)算；若未能提取出顯著性運(yùn)動(dòng)目標(biāo)信息，則轉(zhuǎn)至步驟二，處理下一幀圖像；

所述的動(dòng)態(tài)顯著圖sm表達(dá)式為：

sm＝(l-lm)²+(a-am)²+(b-bm)²

式中，lm、am、bm分別為圖像在l、a、b三通道上的特征均值，其表達(dá)式為

式中，h、w分別為原圖像的高、寬，l為亮度特征，a、b為顏色特征，(i,j)表示像素坐標(biāo)；

步驟四：利用混合高斯模型方法進(jìn)行前、背景分離，檢測(cè)運(yùn)動(dòng)目標(biāo)。

所述的混合高斯模型方法包括以下子步驟：

①對(duì)動(dòng)態(tài)顯著圖si中每個(gè)像素點(diǎn)建立k個(gè)高斯分布，計(jì)算概率密度函數(shù)；

②對(duì)t時(shí)刻si中的像素點(diǎn)xt與第j個(gè)高斯分布進(jìn)行匹配判斷，其中，j為整數(shù)且1≤j≤k；若匹配判斷表達(dá)式成立，則進(jìn)行參數(shù)更新；若匹配判斷表達(dá)式不成立，則降低權(quán)值；所述的匹配判斷表達(dá)式為

|xt-μj,t-1|≤2.5σj,t-1

式中，μj,t-1為第t-1時(shí)刻第j個(gè)高斯分布的均值；σj,t-1為第t-1時(shí)刻第j個(gè)高斯分布的標(biāo)準(zhǔn)差；

所述的參數(shù)更新表達(dá)式為

ωj,t＝(1-α)×ωj,t-1+α

μj,t＝(1-ρ)×μt-1+ρ×xt

所述的降低權(quán)值表達(dá)式為

ωj,t＝(1-α)×ωj,t-1

其中，α為學(xué)習(xí)率，ρ為權(quán)值更新率，ωj,t-1表示第t-1時(shí)刻第j個(gè)高斯分布的權(quán)值，上標(biāo)t為背景閾值；

③通過背景點(diǎn)選取，檢測(cè)運(yùn)動(dòng)目標(biāo)。

本發(fā)明方法具有如下有益效果：

(1)本發(fā)明方法采用頻域的頻率調(diào)諧算法提取分割出運(yùn)動(dòng)目標(biāo)信息，從而得到動(dòng)態(tài)顯著圖，然后將其作為輔助信息與時(shí)域上的混合高斯法融合進(jìn)行前、背景分離，運(yùn)動(dòng)目標(biāo)檢測(cè)精度高；且該方法保留了大部分的頻域信息，能夠有效抑制運(yùn)動(dòng)目標(biāo)檢測(cè)中的鬼影問題，運(yùn)動(dòng)目標(biāo)的完整性得到了保證，并能檢測(cè)靜止目標(biāo)；

(2)通過融合頻率調(diào)諧和混合高斯模型，充分考慮混合高斯模型運(yùn)算復(fù)雜度問題，較大程度地分擔(dān)了混合高斯模型算法對(duì)背景像素點(diǎn)的檢測(cè)及參數(shù)更新任務(wù)，即利用頻率調(diào)諧算法分擔(dān)了混合高斯模型的一部分計(jì)算工作，減少了運(yùn)動(dòng)目標(biāo)檢測(cè)的計(jì)算量，提升了運(yùn)動(dòng)目標(biāo)檢測(cè)的檢測(cè)效率。

附圖說明

圖1為本發(fā)明方法的運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖。

圖2為紅綠燈路口處監(jiān)控視頻第346幀原圖像。

圖3為利用普通混合高斯模型方法處理紅綠燈路口處監(jiān)控視頻第346幀原圖像得到的車輛檢測(cè)效果圖。

圖4為利用“剩余譜+混合高斯模型方法”處理紅綠燈路口處監(jiān)控視頻第346幀原圖像得到的車輛檢測(cè)效果圖。

圖5為利用本發(fā)明方法處理紅綠燈路口處監(jiān)控視頻第346幀原圖像得到的車輛檢測(cè)效果圖。

圖6為紅綠燈路口處監(jiān)控視頻第938幀原圖像。

圖7為利用普通混合高斯模型方法處理紅綠燈路口處監(jiān)控視頻第938幀原圖像得到的車輛檢測(cè)效果圖。

圖8為利用“剩余譜+混合高斯模型方法”處理紅綠燈路口處監(jiān)控視頻第938幀原圖像得到的車輛檢測(cè)效果圖。

圖9為利用本發(fā)明方法處理紅綠燈路口處監(jiān)控視頻第938幀原圖像得到的車輛檢測(cè)效果圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做更詳細(xì)地描述：

本發(fā)明提出一種基于頻時(shí)顯著性結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其流程如圖1所述，具體包括以下步驟：

步驟一：獲取包含多幀圖像的視頻序列，提取第一幀圖像；

步驟二：對(duì)圖像進(jìn)行高斯平滑處理，然后將經(jīng)過高斯平滑處理的圖像轉(zhuǎn)換至lab顏色空間，得到lab顏色空間的圖像；

所述的高斯平滑處理包括先對(duì)圖像鄰域內(nèi)像素灰度進(jìn)行平均，然后對(duì)各個(gè)位置像素進(jìn)行加權(quán)處理；

步驟三：通過頻率調(diào)諧算法處理lab顏色空間的圖像，進(jìn)行顯著性運(yùn)動(dòng)目標(biāo)信息提??；若提取出顯著性運(yùn)動(dòng)目標(biāo)信息，則進(jìn)行動(dòng)態(tài)顯著圖計(jì)算；若未能提取出顯著性運(yùn)動(dòng)目標(biāo)信息，則轉(zhuǎn)至步驟二，處理下一幀圖像；

所述的動(dòng)態(tài)顯著圖sm表達(dá)式為：

sm＝(l-lm)²+(a-am)²+(b-bm)²

式中，lm、am、bm分別為圖像在l、a、b三通道上的特征均值，其表達(dá)式為

式中，h、w分別為原始圖像的高、寬，l為亮度特征，a、b為顏色特征，(i,j)表示像素坐標(biāo)；

步驟四：利用混合高斯模型方法進(jìn)行前、背景分離，檢測(cè)運(yùn)動(dòng)目標(biāo)。

所述的混合高斯模型方法包括以下子步驟：

①對(duì)動(dòng)態(tài)顯著圖si中每個(gè)像素點(diǎn)建立k個(gè)高斯分布，計(jì)算概率密度函數(shù)；

②對(duì)t時(shí)刻si中的像素點(diǎn)xt與第j個(gè)高斯分布進(jìn)行匹配判斷，其中，j為整數(shù)且1≤j≤k；若匹配判斷表達(dá)式成立，則進(jìn)行參數(shù)更新；若匹配判斷表達(dá)式不成立，則降低權(quán)值；

所述的匹配判斷表達(dá)式為

|xt-μj,t-1|≤2.5σj,t-1

式中，μj,t-1為第t-1時(shí)刻第j個(gè)高斯分布的均值；σj,t-1為第t-1時(shí)刻第j個(gè)高斯分布的標(biāo)準(zhǔn)差；

所述的參數(shù)更新表達(dá)式為

ωj,t＝(1-α)×ωj,t-1+α

μj,t＝(1-ρ)×μt-1+ρ×xt

所述的降低權(quán)值表達(dá)式為

ωj,t＝(1-α)×ωj,t-1

其中，α為學(xué)習(xí)率，ρ為權(quán)值更新率，ωk表示第k個(gè)高斯模型的權(quán)值，上標(biāo)t為背景閾值；

③通過背景點(diǎn)選取，檢測(cè)運(yùn)動(dòng)目標(biāo)。

為驗(yàn)證本發(fā)明方法的效果，對(duì)一段rgb24分辨率為320×240的紅綠燈路口處監(jiān)控視頻中的行駛車輛進(jìn)行檢測(cè)。此視頻總幀數(shù)為3921幀。優(yōu)選參數(shù)：學(xué)習(xí)率α優(yōu)選為0.5，背景閾值t優(yōu)選為0.7。第346幀原圖像如圖2所示。第346幀原圖像的檢測(cè)結(jié)果如圖3～圖5所示。第938幀原圖像如圖6所示。第938幀原圖像的檢測(cè)結(jié)果如圖7～圖9所示。

以基本混合高斯模型方法、“剩余譜+混合高斯模型方法”作為對(duì)比，用于驗(yàn)證本發(fā)明方法的優(yōu)點(diǎn)。

圖3與圖7為基于混合高斯模型方法的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，可以看出該方法檢測(cè)第346幀和第938幀都出現(xiàn)了明顯的鬼影；第三列圖像是“剩余譜+混合高斯模型方法”的運(yùn)動(dòng)目標(biāo)檢測(cè)對(duì)應(yīng)時(shí)刻的效果圖，明顯檢測(cè)效果非常不好，已無法完全檢測(cè)出運(yùn)動(dòng)車輛輪廓；第四列圖像表示本發(fā)明方法對(duì)視頻的第346幀和第938幀的運(yùn)動(dòng)車輛的檢測(cè)效果圖，本發(fā)明不僅對(duì)鬼影起到了明顯的抑制作用，檢測(cè)到的車輛也比較完整。綜上分析可以證明本發(fā)明對(duì)鬼影起到了良好的抑制作用。

同時(shí)對(duì)三種算法處理該段視頻每幀所需平均時(shí)間進(jìn)行了測(cè)試：基本混合高斯模型方法、“剩余譜+混合高斯模型方法”和本發(fā)明方法處理該段視頻每幀所需平均時(shí)間分別為：47.3125、15.4285和34.5072。檢測(cè)速度最快的是“剩余譜+混合高斯模型方法”算法，然而由圖4和圖8可以看出，此融合算法雖然檢測(cè)速率較其他兩種算法有明顯的優(yōu)勢(shì)，但是大大犧牲了運(yùn)動(dòng)目標(biāo)檢測(cè)效果，甚至出現(xiàn)了漏檢現(xiàn)象。本文算法不僅在速率上相對(duì)傳統(tǒng)的混合高斯模型提高了，且能夠保證比較完整地檢測(cè)運(yùn)動(dòng)目標(biāo)。