一種用于海量視頻流中的移動物體檢測與跟蹤方法技術

本發明專利技術公開了一種基于MOSS?MV的海量視頻流中的移動物體檢測與跟蹤方法，其包括以下步驟：獲取對應視頻并對該視頻進行解碼處理，通過高斯混合背景模塊判斷該視頻場景中的像素是背景還是前景，通過運動矢量提取模塊從該視頻中提取運動矢量，然后建立高斯混合背景模型；再通過運動陰影檢測模塊判斷被高斯混合背景模型檢測為運動前景的像素是否屬于疑似陰影；最后通過高斯混合陰影模塊對判定為疑似陰影的像素運進行建模，并進行陰影的最終判定。可以去掉視頻場景中背景的很多干擾和噪聲，且后續需要檢測的像素量大大降低，運算量也對應降低，可以提高移動物體檢測與跟蹤方法的實時性。

Moving object detection and tracking method for mass video stream

The invention discloses a method of detecting and tracking moving objects MOSS massive video stream based on MV, which comprises the following steps: acquiring the corresponding video and decoding of the video by Gauss, mixed pixels of the background module to determine the video scene is the background or foreground extraction module, motion vector from the video the motion vector extraction, and then established the Gauss mixture background model; and then through the shadow detection module to judge Gauss background model for detecting mixed pixels of the foreground is suspected shadow; finally through the Gauss mixture to determine the pixel shadow module the suspected shadow modeling, the final judgment and shadow. A lot of interference and noise can be removed in the video scene, and the amount of pixels to be detected is greatly reduced, and the amount of computation is reduced correspondingly. It can improve the real-time performance of moving object detection and tracking method.

【技術實現步驟摘要】
一種用于海量視頻流中的移動物體檢測與跟蹤方法
本專利技術涉及視頻處理領域，尤其涉及一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法。
技術介紹
智能視頻監視就是實時地觀測被監視場景的運動目標，如人或車輛等，并且分析描述他們的行為；這項技術研究內容主要涉及到運動目標檢測與提取，運動目標跟蹤，運動目標識別，運動分析與運動理解，視頻認證等方面的內容，該項技術主要涉及到計算機視覺，模式識別，以及人工智能等領域，因而研究智能視頻監視技術有著重要的理論意義。目前，針對背景圖像靜止不動的情況，所提出的檢測運動目標的算法主要基于以下三個思想：第一是基于幀間差異的算法；另外一類是基于背景估計圖像與當前幀圖像差異的算法；第三類是基于背景統計模型的算法，該類算法在處理場景中存在不斷晃動的物體時有一定優勢。目前雖然存在著各種各樣的算法，但每個算法多是針對某一特定的場合提出的，并且許多算法仍有許多值得改進的地方，如有的算法在精確地檢測和提取運動目標的輪廓方面，有的算法在計算量等方面仍值得改進。現有技術中圖像的分類方法很多，如同統計模式分類方法，結構法，分類樹方法，神經網絡方法等，這些方法由于針對分類對象，應用場合不同而提取不同的圖像特征，采用不同的模式分類方法。傳統的統計模式分類法及線性判別函數往往只能提供線性的分割平面，采用這種分類方法關鍵在于提取易于分類的模式特征。神經網絡的方法，如BP網，具有非線性分割的能力，但傳統的神經網絡方法由于對數據的過擬合，而導致其推廣能力的下降。最近，一些應用表明，支撐矢量機方法顯示出較傳統方法包括神經網絡方法更好的適應和推廣能力。一般而言，圖像識別技術主要涉及到兩方面的研究內容，一是特征提取方法，二是模式分類方法。在運動物體檢測中，陰影問題是影響所有算法的主要因素之一。由于檢測結果的陰影部分與目標物體具有相似的特征量，使得陰影也被識別為運動目標檢測出來，從而導致目標合并、形狀改變、甚至是目標丟失等問題。常用的幾種運動目標檢測算法都沒有對運動陰影做出檢測、抑制處理，導致檢測結果中包含有運動目標和運動陰影兩部分，陰影的出現會給后期視頻圖像的分析處理一一運動目標分類、目標跟蹤、場景理解等帶來困難和干擾。在有陰影的視頻中，由于光照在短時間內可以認為是固定的，而運動的物體在運動時其陰影在視頻畫面的變化和物體本身的變化會產生差異，這種差異體現在陰影的角度、形狀和運動速度上。在視頻編碼算法中運動矢量信息就是反映像素點運動變化的信息，因此可以將視頻編碼算法中的運動矢量信息用于陰影檢測，通過對運動方向和運動相對速度來判斷是物體還是陰影。在陰影抑制過程中準確的背景建模是一項重要的前期工作，C.Stauffer等在單高斯背景模型的基礎上，提出了混合高斯背景模型，取得了較好的背景建模效果。但是，混合高斯背景模型不能對運動物體的陰影進行抑制。薛瑞華等借鑒高斯混合背景模型算法中背景建模的思路，建立了高斯混合陰影模型，并針對模型參數學習問題對模型進行了改進，提出了融合彩色圖像分割的高斯混合陰影模型。但由于算法對彩色圖像信息的依賴，導致在灰度或弱色彩視頻的陰影檢測中效果不佳，因此其適應場合受到了限制。因此，現有技術有待于更進一步的改進和發展。
技術實現思路
鑒于上述現有技術的不足，本專利技術的目的在于提供一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法，以提高移動物體檢測與跟蹤的實時性。為解決上述技術問題，本專利技術方案包括：一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法，其包括以下步驟：A、獲取對應視頻并對該視頻進行解碼處理，通過高斯混合背景模塊判斷該視頻場景中的像素是背景還是前景，通過運動矢量提取模塊從該視頻中提取運動矢量，然后建立高斯混合背景模型；B、再通過運動陰影檢測模塊判斷被高斯混合背景模型檢測為運動前景的像素是否屬于疑似陰影；若判斷為是疑似陰影，則其參與高斯混合陰影模型的建立與參數更新，并對其進行陰影的最終判定；C、最后通過高斯混合陰影模塊對判定為疑似陰影的像素運進行建模，并進行陰影的最終判定。所述的移動物體檢測與跟蹤方法，其中，上述步驟A具體的還包括：高斯混合背景模塊首先提取運動目標，然后用疑似陰影模型進行陰影預判，將判斷為疑似陰影的像素用于高斯混合陰影模型的參數學習和更新，最后對這些像素是否屬于陰影進行最終判別。所述的移動物體檢測與跟蹤方法，其特征在于，上述步驟A具體的還包括：運動矢量提取模塊通過判斷疑似陰影和運動物體的運動矢量變化以輔助高斯混合陰影檢測模塊對陰影的檢測；其中，vo為物體運動矢量的平均值，為物體區域的運動矢量。vs為疑似陰影運動矢量的平均值，為疑似陰影區域的運動矢量。所述的移動物體檢測與跟蹤方法，其中，上述步驟B具體的還包括：運動陰影檢測模塊對像素進行疑似陰影判定，只有判定為疑似陰影的像素才會參與混合高斯陰影模型的模型建立和參數更新及最終的陰影判定。所述的移動物體檢測與跟蹤方法，其中，上述步驟B中高斯混合陰影模型建模的具體步驟還包括：B1、初始化運動陰影模型：用一個新的高斯混合模型對斷定為前景且疑似為陰影的像素值進行建模；運動陰影的分布用KS個高斯函數表示：其中，ηS為高斯概率密度函數；用從KS個高斯分布中選出前S個高斯分布作為代表陰影的分布，判別公式為：式中，TS為權重閾值；B2、進行運動陰影判定：首先通過式(4)對物體和疑似陰影的平均運動矢量進行判斷，如果二者的差大于某一個閾值，則可判定疑似陰影為陰影，否則用式(5)進行后續判斷；判斷疑似陰影的像素值是否滿足高斯混合背景模型中的某一分布，如果滿足則是運動陰影，否則為運動目標；B3、參數更新：若疑似陰影像素It與高斯分布之間有匹配，則將該自依照下式進行參數更新；其中，ω、ρ、α分別代表權值、學習率和更新率；若模型中沒有任何高斯分布與疑似陰影像素xt相匹配，則用高斯分布代替權值最小的分布，新分布的均值則為當前像素值xt，并初始化一個較大的標準差和一個較小的權值而其他的高斯分布的均值和方差則保持不變，權值則按下式(7)衰減；B4、權值歸一化：參數經過更新以后高斯分布的權值之和可能不等于1，必須對權值按下式(8)進行歸一化；本專利技術提供的一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法，在對視頻監視序列背景圖像運動模型分析的基礎上，提出了基于背景圖像匹配的運動目標檢測算法，將視頻編碼信息中的運動矢量作為判別運動物體和陰影的依據，為提高在繁忙的場景下，大而慢的運動目標的檢測效果，引入權值均值的概念，建立背景圖像并實時更新，然后結合權值、權值均值和背景圖像對像素點進行前景和背景的分類；檢測出運動目標的基礎上，再進行運動陰影的抑制，用這種處理順序，可以去掉視頻場景中背景的很多干擾和噪聲，且后續需要檢測的像素量大大降低，運算量也對應降低，可以提高算法的實時性。附圖說明圖1為本專利技術中移動物體檢測與跟蹤方法的流程示意圖；圖2為本專利技術中MOSS-MV分層模型的示意圖。具體實施方式本專利技術提供了一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法，為使本專利技術的目的、技術方案及效果更加清楚、明確，以下對本專利技術進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本專利技術，并不用于限定本專利技術。本專利技術提供了一種基本文檔來自技高網...

【技術保護點】
一種基于MOSS?MV的海量視頻流中的移動物體檢測與跟蹤方法，其包括以下步驟：A、獲取對應視頻并對該視頻進行解碼處理，通過高斯混合背景模塊判斷該視頻場景中的像素是背景還是前景，通過運動矢量提取模塊從該視頻中提取運動矢量，然后建立高斯混合背景模型；B、再通過運動陰影檢測模塊判斷被高斯混合背景模型檢測為運動前景的像素是否屬于疑似陰影；若判斷為是疑似陰影，則其參與高斯混合陰影模型的建立與參數更新，并對其進行陰影的最終判定；C、最后通過高斯混合陰影模塊對判定為疑似陰影的像素運進行建模，并進行陰影的最終判定。

【技術特征摘要】
1.一種基于MOSS-MV的海量視頻流中的移動物體檢測與跟蹤方法，其包括以下步驟：A、獲取對應視頻并對該視頻進行解碼處理，通過高斯混合背景模塊判斷該視頻場景中的像素是背景還是前景，通過運動矢量提取模塊從該視頻中提取運動矢量，然后建立高斯混合背景模型；B、再通過運動陰影檢測模塊判斷被高斯混合背景模型檢測為運動前景的像素是否屬于疑似陰影；若判斷為是疑似陰影，則其參與高斯混合陰影模型的建立與參數更新，并對其進行陰影的最終判定；C、最后通過高斯混合陰影模塊對判定為疑似陰影的像素運進行建模，并進行陰影的最終判定。2.根據權利要求1所述的移動物體檢測與跟蹤方法，其特征在于，上述步驟A具體的還包括：高斯混合背景模塊首先提取運動目標，然后用疑似陰影模型進行陰影預判，將判斷為疑似陰影的像素用于高斯混合陰影模型的參數學習和更新，最后對這些像素是否屬于陰影進行最終判別。3.根據權利要求1所述的移動物體檢測與跟蹤方法，其特征在于，上述步驟A具體的還包括：運動矢量提取模塊通過判斷疑似陰影和運動物體的運動矢量變化以輔助高斯混合陰影檢測模塊對陰影的檢測；其中，vo為物體運動矢量的平均值，為物體區域的運動矢量。vs為疑似陰影運動矢量的平均值，為疑似陰影區域的運動矢量。4.根據權利要求1所述的移動物體檢測與跟蹤方法，其特征在于，上述步驟B具體的還包括：運動陰影檢測模塊對像素進行疑似陰影判定，只有判定為疑似陰影的像素才會參與混合高斯陰影模型的模型建立和參數更新及最終的陰影判定。5.根據權利要求1所述的移動物體檢測與跟蹤方法，其特征在于，上述步驟B中高斯混合陰影模型建模的具體步驟還包括：B1、初始化運動陰影模型：用一個新的高斯混合模型對斷定為前景且疑似為陰影的像素值進行建模；運動陰影的分布用KS個高斯函數表示：其中...

【專利技術屬性】
技術研發人員：翟朗，胡奇，宮婷，
申請(專利權)人：吉林工商學院，
類型：發明
國別省市：吉林,22