一种运动物体检测方法技术

本发明专利技术提出一种运动物体检测方法，该方法基于一种改进的单高斯背景模型，该背景模型融合了运动补偿方法，并在像素领域内更新模型参数，而不是逐像素的更新，这样不仅能够进一步消除运动补偿误差，还能够减少计算量，提高算法效率，并且提高动态背景中运动物体检测的精度。

Moving object detection method

The present invention provides a motion object detection method, this method is based on a single Gauss background model, the background model combined with motion compensation method, and update the model parameters in the pixel domain, instead of pixel updates, which not only can further eliminate the motion compensation error, but also can reduce the amount of calculation and improve the efficiency of the algorithm, and improve the dynamic background in object detection accuracy.

【技术实现步骤摘要】
一种运动物体检测方法
本专利技术涉及图像处理领域，具体涉及一种运动物体检测方法。
技术介绍
移动物体检测(MOD)是高级驾驶辅助系统(ADAS)中的重要组成部分，特别在汽车起步与倒车时，对于盲区移动物体的准确检测与报警能够保证日常行车安全，避免人身财产损失。但目前ADAS中的移动物体检测技术基本只能应用在汽车静止状态，通过车载摄像机拍摄的连续帧，采用差分法可以很好的解决静态背景中的移动物体检测。然而在汽车起步与倒车等低速环境中仍然需要检测盲区的移动物体，此时车载摄像机拍摄的连续帧中即存在外界物体的运动，也存在由于汽车自身运动造成的背景变化，即动态背景，简单的差分法将无法满足动态背景中移动物体检测的要求。在动态背景中检测移动物体需要对摄像机的运动进行补偿，一种方法是可以通过车载传感器检测汽车自身的运动状态，从而对摄像机的运动进行补偿，但这样的运动补偿方法受到传感器精度的影响，补偿后的背景图像仍和真实情况存在较大的误差；另一种方法是采用图像处理的算法，通过前后帧图像中特征点的对应关系进行图像变换，从而达到自身运动补偿的效果。但无论采用何种运动补偿方法，补偿误差是不可避免的。
技术实现思路
针对当前在动态背景中检测运动物体技术的不足，本专利技术提出一种运动物体检测方法，该方法基于一种改进的单高斯背景模型，该背景模型融合了运动补偿方法，并在像素领域内更新模型参数，而不是逐像素的更新，这样不仅能够进一步消除运动补偿误差，还能够减少计算量，提高算法效率，并且提高动态背景中运动物体检测的精度。具体方案如下：一种运动物体检测方法，包括：S1，采集包含待检测物体的初始帧图像，并计算该帧图像的Harris角点，获取Harris角点集P；S2，采集包含待检测物体的另一帧图像，获取该帧图像中与初始帧图像的Harris角点集P对应的点集P'；S3，计算点集P与点集P'之间的单应性矩阵H；S4，建立基于网格领域的单高斯背景模型：将图像划分成若干个N×N的网格，记在时间t，第i个网格内的像素点的集合为Pi，网格内像素点的数目为N(Pi)，均值为，方差为，像素点j在时间t时的像素值为，背景模型的学习率为α，更新单高斯模型的参数，参数包括均值以及方差：其中，S5，融合运动补偿更新单高斯背景模型：假设在t时刻，背景模型参数还停留在t-1时刻，假设运动检测前第i个网格的中心坐标为xi，经过运动补偿后，xi移动到xi'，以单应性矩阵H计算xi'，以xi'为中心的网格区域与周围的网格产生交叠，设有交叠的网格为Ok，网格Ok内所有像素的均值μk，方差为σk，以xi'为中心的网格内所有像素的均值为μi，方差为σi，更新网格i内的参数：其中wk为各个交叠面积与原网格面积的比值；S6，判断像素Ij是否为运动物体，若满足：其中θ为阈值参数，则像素Ij为运动物体，否则不是运动物体。进一步的，所述的步骤S1中计算Harris角点的方法为非极大值抑制法。进一步的，所述的步骤S2中获取该帧图像中与初始帧图像的Harris角点集P对应的点集P'的方法为金字塔LK光流法。进一步的，所述的步骤S3具体包括：由点集P'组成的齐次坐标矩阵A，和点集P组成的齐次坐标矩阵B，则可以得到：AH＝B单应性矩阵H具体计算步骤如下：①设置最大迭代次数K，误差阈值E，一致性数据点数阈值Tn，Nmax＝0。②从矩阵A和矩阵B中随机抽取对应的4组点，利用最小二乘法计算单应性矩阵H，将这4组点加入一致性数据集，计算公式如下：H＝(ATA)-1ATB；③利用H将A中的点变换到B，并利用欧氏距离计算误差e，如果e＜E，则将该点加入到一致性数据集，如果e≥E，则将该点从一致性数据集中剔除，记录此时一致性数据集中的点数Nk和此时的单应性矩阵Hk；④若Nk≥Tn，则H＝Hk，跳出循环，若Nk＜Tn，Nmax＝Nk＞Nmax？Nk:Nmax，H＝Nk＞Nmax？Hk:H，k++，跳转至②，若k＞K，跳出循环。进一步的，所述的步骤S4中的网格包括分布在图像中多个区域的区域网格，不同区域的区域网格的大小不同，相同区域内的区域网格的大小相同。进一步的：所述的区域网格包括中心区域网格、边缘区域网格和位于二者之间的次边缘区域网格，其中次边缘区域网格大于中心区域网格，边缘区域网格大于中心区域网格。本专利技术有益效果：本专利技术的方法基于网格领域的单高斯背景模型，该背景模型综合考虑像素领域，针对车载视频的透视特点采用不等大网格划分背景，并融合了带有运动补偿的背景更新方法，使得普通单高斯模型可以运用到动态背景环境中，并且有效消除运动补偿误差，还能够减少计算量，提高动态背景中运动物体检测的精度。附图说明图1为本专利技术一实施例方法流程图；图2为本专利技术一实施例不等分网格图。具体实施方式为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。现结合附图和具体实施方式对本专利技术进一步说明。图1为本专利技术一实施的方法流程图，其具体流程如下：1.1从车载摄像机采集一帧图像，记为It-1，在It-1中计算Harris角点，一般在Harris角点检测中对角点响应值R使用阈值，当R＞TR时，留下满足要求的点。但在本专利技术的算法中，由于计算Harris角点是为了后续计算单应性矩阵H所需，而且取得的Harris角点应尽可能多的落在图像背景中，因此这里并不使用阈值去筛选角点，而是在图像空间中采用非极大值抑制的方法，在每个小范围内保留|R|最大的点。1.2再从车载摄像机采集一帧图像，记为It。根据It-1中得到的Harris角点位置与当前帧It，采用金字塔LK光流法计算It-1中每个Harris角点pi在It中的对应点pi'。1.3设由It-1得到的Harris点集{P|pi∈P,i＝0,1,2...N}，由点集P在It中计算对应的光流得到点集{P'|pi'∈P',i＝0,1,2...N}，点集P与点集P'中的点一一对应，由于使用光流法计算出的对应点对可能存在误差，因此去除大于阈值T的点对，以免对后续计算单应性矩阵造成较大影响。由点集P'组成的齐次坐标矩阵A，和点集P组成的齐次坐标矩阵B，则可以得到：AH＝B(1)这里采用RANSAC方法计算单应性矩阵H，具体步骤如下：①设置最大迭代次数K，误差阈值E，一致性数据点数阈值Tn，Nmax＝0。②从矩阵A和矩阵B中随机抽取对应的4组点，利用最小二乘法计算单应性矩阵H，将这4组点加入一致性数据集，计算公式如下：H＝(ATA)-1ATB(2)。③利用H将A中的点变换到B，并利用欧氏距离计算误差e，如果e＜E，则将该点加入到一致性数据集；如果e≥E，则将该点从一致性数据集中剔除，记录此时一致性数据集中的点数Nk和此时的单应性矩阵Hk。④若Nk≥Tn，则H＝Hk，跳出循环，若Nk＜Tn，Nmax＝Nk＞Nmax？Nk:Nmax，H＝Nk＞Nmax？Hk:H，k++，跳转②。若k＞K，跳出循环。1.4建立基于网格领域的单高斯背景模型。普通的单高斯背景模型在每个像素点上都有一个均值μ和方差σ，但由于运动补偿始终存在误差，因此就不能将每个像素点的观测值直接用来更本文档来自技高网...

【技术保护点】
一种运动物体检测方法，其特征在于，包括：S1，采集包含待检测物体的初始帧图像，并计算该帧图像的Harris角点，获取Harris角点集P；S2，采集包含待检测物体的另一帧图像，获取该帧图像中与初始帧图像的Harris角点集P对应的点集P'；S3，计算点集P与点集P'之间的单应性矩阵H；S4，建立基于网格领域的单高斯背景模型：将图像划分成若干个N×N的网格，记在时间t，第i个网格内的像素点的集合为P

【技术特征摘要】
1.一种运动物体检测方法，其特征在于，包括：S1，采集包含待检测物体的初始帧图像，并计算该帧图像的Harris角点，获取Harris角点集P；S2，采集包含待检测物体的另一帧图像，获取该帧图像中与初始帧图像的Harris角点集P对应的点集P'；S3，计算点集P与点集P'之间的单应性矩阵H；S4，建立基于网格领域的单高斯背景模型：将图像划分成若干个N×N的网格，记在时间t，第i个网格内的像素点的集合为Pi，网格内像素点的数目为N(Pi)，均值为方差为像素点j在时间t时的像素值为背景模型的学习率为α，更新单高斯模型的参数，参数包括均值以及方差其中，S5，融合运动补偿更新单高斯背景模型：假设在t时刻，背景模型参数还停留在t-1时刻，假设运动检测前第i个网格的中心坐标为xi，经过运动补偿后，xi移动到xi'，以单应性矩阵H计算xi'，以xi'为中心的网格区域与周围的网格产生交叠，设有交叠的网格为Ok，网格Ok内所有像素的均值为μk，方差为σk，以xi'为中心的网格内所有像素的均值为μi，方差为σi，更新网格i内的参数：其中wk为各个交叠面积与原网格面积的比值；S6，判断像素Ij是否为运动物体，若满足：其中θ为阈值参数，则像素I...

【专利技术属性】
技术研发人员：谢超，陈从华，陈海沯，任赋，叶德焰，林雅，
申请(专利权)人：明见厦门技术有限公司，
类型：发明
国别省市：福建,35