基于時空條件信息的運動目標檢測方法技術

本發明專利技術公開了基于時空條件信息的運動目標檢測方法。該方法考慮人類視覺時空域顯著性構建目標檢測時空域模型，計算檢測圖像屬于時空域參考背景的條件概率，以負對數核對條件概率進行非線性變換提取時空條件信息，考慮圖像特征局部一致性對鄰域內圖像條件信息加權求和，作為特征利用線性分類器進行目標檢測。采用顏色直方圖快速計算條件概率，以圖像塊代替單個像素進行建模和檢測，降低算法復雜度、存儲空間需求，結合圖像塊差分預檢測機制提高目標檢測速度。本發明專利技術算法復雜度低、存儲空間需求小、算法實時性高，能夠有效抑制背景擾動干擾和孤立噪聲影響，并在現有計算機上實現運動目標實時檢測，且適于嵌入式智能攝像機平臺應用。

【技術實現步驟摘要】
本專利技術涉及計算機視覺中的視頻運動目標分割，特指視頻監控系統中的運動目標檢測。
技術介紹
視頻運動目標檢測是計算機視覺應用的基礎問題之一，它是運動目標跟蹤、運動目標識別、人機接口、動作識別、行為理解等高級應用的基礎支撐，已經在視頻監控、視頻檢索等具體應用中發揮重要作用，將在軍事、交通、安防、文化娛樂等諸多領域發揮更大作用。智能視頻監控系統能夠將人從繁重的視頻監視任務中解放出來，減少人工干預，減輕監視人員工作負擔，自動發現監視環境中的運動目標，自動跟蹤與識別運動目標，自動 發現監視場景中可疑事件和提取感興趣信息。前述智能視頻監控系統中的智能分析功能都依賴于視頻運動目標檢測算法，視頻運動目標檢測是將視頻中運動目標與背景進行分離，以提取運動目標，它是智能視頻監控系統的基礎算法，是后續目標跟蹤、識別、可疑事件檢測的算法基礎。目前主流的運動目標檢測方法有減背景法和光流法。光流法復雜的計算使其難以得以實際應用；減背景法是目前最常用也是最有效的運動目標檢測方法，其核心思想是使用合適的模型進行場景描述，并以此判定場景的變化檢測運動目標。常用的減背景方法包括混合高斯模型(Gaussians Mixture Model, GMM)、非參數模型(Kernel DensityEstimation, KDE)、碼本模型(Code Book)等，它們通過在時域上對像素亮度進行建模以檢測運動目標。運動目標檢測的挑戰來自于如何克服自然環境變化(光照變化、樹葉的搖晃、雨雪、水面波動等)和成像器材(電子噪聲、攝像機的晃動等)的影響。常用的基于時域建模的減背景方法，通過圖像特征(顏色、梯度、紋理、邊緣等)在時域上的變化檢測并定位運動目標。但圖像中各個像素位置處的圖像特征并非是孤立的，它們之間存在著聯系，因此利用時域變化難以處理場景中背景擾動，即使采用多模態模型，比如混合高斯模型(GMM)，也難以抑制環境噪聲影響。雖然基于圖像分割(基于隨機場的運動目標分割)的方法能夠抑制孤立噪聲，但是基于分割的方法依賴于初始的檢測結果，在初始檢測結果錯誤嚴重時也難以獲得準確分割結果，且算法實時性差。基于時空域模型的方法充分考慮了圖像顏色分布的時空一致性，在時空域聯合建模進行運動目標檢測，在處理動態場景中背景擾動時表現出良好性能。基于時空域的算法，由于需要處理大量的時空域數據，計算復雜度高，內存需求大，算法實時性差，由于孤立噪聲干擾影響，最終的檢測結果還需要進行形態學濾波或圖像分割等后處理才能得到較好的檢測結果。隨著視頻監控系統由模擬時代向網絡時代發展，攝像機也向著智能化方向發展，越來越多的智能視頻處理算法包括運動目標檢測算法，需要向智能攝像機移植，在智能攝像機上進行嵌入式實現。但是，現有的能夠處理動態場景中環境噪聲的視頻運動目標檢測算法，不僅計算復雜度高，而且內存需求非常大，而難以在嵌入式智能攝像機平臺上應用。為此，我們面向智能視頻監控系統的實際應用，針對動態場景中的運動目標檢測易受環境噪聲干擾問題，提出一種基于時空條件信息的動態場景運動目標檢測方法，該方法能夠有效抑制動態場景中環境噪聲干擾，有效檢測運動目標，并采用圖像分塊策略進行目標檢測加速，降低算法復雜度，增加實時性，減少內存需求，使基于時空條件信息的運動目標檢測方法，不但能夠在現有PC平臺上實現動態場景運動目標實時檢測，還適于嵌入式智能攝像機平臺應用。運動目標檢測本質是一個二分類問題，即以背景序列為參考條件，把當前觀察圖像中的像素分類為前景(本專利技術中也稱為目標)和背景。基于算法復雜度的考慮，現有運動目標檢測算法多采用線性分類器，對圖像像素分類，分割出當前圖像中的前景，但是，在動態場景(比如水面波動、樹葉擺動的場景)下，擾動的背景(波動的水面、擺動的樹葉)與前景常表現為線性不可分的。以水面波動場景中漂浮物檢測(圖I中b)為例，可以發現背景差分、混合高斯模型、非參數模型都在一定程度上存在背景與前景線性不可分的問題。背景差分運動目標檢測將輸入圖像與參考背景圖像相減得到差分圖像，以此作為分類特征，采用二值化操作(最簡單的二分類器)檢測運動目標。如圖I所示，將當前輸 入圖像(圖I中b)與參考背景(圖I中a)做差分得到背景差分圖像(圖I中C)，然后分別統計該差分圖像中背景區域顏色直方圖和前景區域顏色直方圖，這兩個直方圖之間的可分離程度便體現了背景與前景的線性可分性。統計背景與前景區域直方圖，具體實現方式是預先手工標記出每一幀圖像中的目標區域得到運動目標掩碼模板(圖I中d)，然后，以屬于目標掩碼區域內的圖像統計前景區域差分直方圖，以非掩碼區域內的圖像統計背景區域差分直方圖(圖2中b0)，按照同樣的方式，得到整個視頻目標區域與背景區域的差分圖像直方圖如圖2中e0所示。將圖2中b0、e0下半部分局部放大(圖2中c0、f0)可以看出，目標區域與背景區域的差分圖像直方圖存在大范圍重疊區域，亦即背景與前景的可分離程度低，因此，采用背景差分圖像作為運動目標檢測特征，難以通過線性分類器進行線性分類，因此，背景差分圖像特征在處理動態場景中的運動目標檢測時，目標與背景是線性不可分的。混合高斯模型、非參數模型是兩種典型的以圖像顏色概率分布進行建模的視頻運動目標檢測算法，它們都以待檢測圖像像素屬于背景的條件概率作為分類特征，然后采用線性分類器進行檢測。由于非參數模型能夠表示任意概率分布，因此，我們以非參數模型為例，考察基于顏色概率分布建模的背景減方法中前景與背景的線性可分性。如圖2所示，采用非參數模型估計當前輸入圖像(圖I中b)屬于背景b條件概率特征圖像為圖2中al，按照前述方法得到該特征圖像上目標與背景區域內的直方圖如圖2中bl所示，以及整個視頻的目標區域與背景區域的直方圖如圖2中el所示。對圖2中bl、el下半部分局部放大(圖2中cl、fl)可以看出，與圖2中c0、f0相比，目標與背景區域的直方圖重疊范圍減少了，線性可分性增加了，但是目標與背景的線性分界面卻較窄，分割閾值的選擇容易受到噪聲干擾，影響算法魯棒性。對非參數模型中的條件概率P (X |b)進行非線性變換，可以得到如圖2中a2所示的特征圖像，按照同樣的方法得到對應的目標與背景區域的直方圖(圖2中b2、e2)。從對應的下半部分局部放大圖(圖2中c2、f2)可以發現目標與背景的線性分界面增寬了。也就是說，該非線性變換增強了前景與背景的線性可分性。圖像特征分布具有局部一致性，即圖像像素不是孤立的，它與鄰域內像素之間存在著聯系。當前像素X的圖像特征會受到鄰域內像素圖像特征的影響，因此，將非線性變換后的圖像特征在其鄰域內進行加權和，可以進一步抑制孤立噪聲，增大目標與背景線性分界面(圖2中b3、c3、e3、f3)，增加分類魯棒性，降低分類錯誤。如圖2所示，圖2中do為背景差分算法檢測結果，圖2中dl為非參數模型檢測結果，圖2中d2為條件概率非線性變換檢測結果，圖2中d3為條件概率非線性變換后特征圖像鄰域內加權求和檢測結果。從檢測結果可以看出，對條件概率進行非線性變換，并將其在鄰域內進行加權求和能夠有效抑制動態場景中背景擾動干擾，減少孤立噪聲污染，得到良好的目標檢測結果。因此，本專利技術擬采用對圖像顏色概率分布進行非線性變換的方式，增強動態場景中前景與背景的線性可分性，以提高動態本文檔來自技高網...

【技術保護點】
基于時空條件信息的運動目標檢測方法，其特征在于：對檢測圖像中的像素點（3）屬于參考背景的條件概率p(x｜b)進行非線性變換,作為運動目標檢測分類特征，以線性分類器進行動態場景中前景與背景分類。

【技術特征摘要】
1.基于時空條件信息的運動目標檢測方法，其特征在于對檢測圖像中的像素點(3)屬于參考背景的條件概率P(X I b)進行非線性變換，作為運動目標檢測分類特征，以線性分類器進行動態場景中前景與背景分類。2.根據權利要求I所述的基于時空條件信息的運動目標檢測方法，其特征在于，采用非負對數對條件概率P(x I b)進行非線性變換，得到像素點(3)在參考背景條件下的條件信息I(X|b)，作為圖像分類特征。3.根據權利要求2所述的基于時空條件信息的運動目標檢測方法，其特征在于，加權像素點(3)鄰域內像素點的條件信息I (X I b)，作為檢測像素點(3)的最終分類特征。4.根據權利要求I或3所述的基于時空條件信息的運動目標檢測方法，其特征在于，采用中心四周時空域模型計算條件概率P(x I b)，并以此計算像素點(3)的加權條件信息。該時空域模型，以當前檢測像素點(3)為中心，構建中心區域(I)，并以該中心區域(I)對應的四周區域(2)確定參考背景以四周區域(2)外邊界范圍內的所有N-I幀背景序列圖像BckSeq (4)，并連同當前檢測圖像Cur...

【專利技術屬性】
技術研發人員：包衛東，熊志輝，王斌，譚樹人，劉煜，王煒，徐瑋，陳立棟，張茂軍，
申請(專利權)人：中國人民解放軍國防科學技術大學，
類型：發明
國別省市：