无人机的监控系统的前景检测方法以及装置制造方法及图纸

本发明专利技术公开一种无人机的监控系统的前景检测方法，包括：获取监控系统的初始的若干帧图像，根据所述若干帧图像建立混合高斯模型，并根据所述混合高斯模型提取初始的背景图像的信息；获取所述监控系统的当前帧图像，将所述当前帧图像分割为N*N个区域；判断所述当前帧图像的N*N个区域为变化区域或不变化区域；根据所述当前帧图像的所有所述变化区域的所有像素的信息，更新所述混合高斯模型；根据当前更新的所述混合高斯模型，提取当前的背景图像的信息。基于区域算法的应用可以提高整体算法的运行速度，且能够适应复杂快速的背景变化，有效实时地监测前景，极大地提升了无人机的监控系统的鲁棒性而且减小了动态背景对监测效果的影响。

【技术实现步骤摘要】
无人机的监控系统的前景检测方法以及装置
本专利技术涉及视频监控
，尤其涉及一种无人机的监控系统的前景检测方法以及装置。
技术介绍
近年来，随着无人机技术的发展，其应用面越来越广，尤其在视频监控领域得到了广泛应用。现有的无人机视频监控设备通过无人机端摄像头进行视频采集，然后将视频图像输送到后台服务器进行分析检测，这种检测方法无法实现实时监控，且现有的无人机视频监控设备需要通过复杂的运算来分析整帧图像，如在背景建模算法中需要更新每帧图像的所有像素，这种算法占用大量的运算资源，降低整套算法的运行速度，且该无人机视频监控设备需要性能高的硬件支持才能进行运算分析整帧图像，增大了成本。
技术实现思路
本专利技术的目的在于提供一种无人机的监控系统的前景检测方法、装置以及计算机可读存储介质，能够节省运算资源，提高整套算法的运行速度，减少成本。为实现上述目的，本专利技术提供一种无人机的监控系统的前景检测方法，包括：获取监控系统的初始的若干帧图像，根据所述若干帧图像建立混合高斯模型，并根据所述混合高斯模型提取初始的背景图像的信息；获取所述监控系统的当前帧图像，将所述当前帧图像分割为N*N个区域；判断所述当前帧图像的N*N个区域为变化区域或不变化区域；根据所述当前帧图像的所有所述变化区域的所有像素的信息，更新所述混合高斯模型；根据当前更新的所述混合高斯模型，提取当前的背景图像的信息。与现有技术相比，本专利技术的无人机的监控系统的前景检测方法通过将当前帧图像分割为N*N个区域并判断N*N个区域为变化区域还是不变化区域，进而只需要根据所有变化区域的所有像素对应更新混合高斯模型，并根据更新后的混合高斯模型提取当前的背景图像的信息和前景图像的信息；本专利技术的无人机的监控系统的前景检测方法可以有选择的在每一帧图像中更新区域信息，有效的在保持高前景目标识别率的同时降低了算法计算复杂程度，并且该算法可以通过多线程运算有效利用多处理器的计算能力。整套检测方法对噪音、动态背景变化等有较强的鲁棒性。较佳地，所述变化区域包括判断为前景区域的变化区域；判断所述当前帧图像的N*N个区域为前景区域还是背景区域，包括：计算出所述当前帧图像的每一区域在低分辨率估值下的像素值Xb以及所述当前帧图像的对应的背景图像的每一区域在低分辨率估值下的像素值μb与平均标准方差σb；若符合|Xb-μb|＞2.5×σb，则像素值Xb所代表的区域为前景区域；若不符合|Xb-μb|＞2.5×σb，则像素值Xb所代表的区域为背景区域。较佳地，所述像素值Xb是将所述当前帧图像的每一区域的像素均值作为高斯函数的输入量计算得到。较佳地，所述当前帧图像对应的背景图像的每一区域在低分辨率估值下的像素值μb是将包含所述当前帧图像在内的连续若干帧图像的对应区域的像素时间平均值作为高斯函数的输入量计算得到。较佳地，所述像素时间平均值通过包含所述当前帧图像在内的所述连续若干帧图像的对应区域的若干像素均值取平均得到。较佳地，计算所述平均标准方差σb的步骤为：先将所述像素时间平均值作为高斯函数的输入量计算得到对应的每一区域在低分辨率估值下的协方差∑b，然后根据所述协方差∑b计算得到所述平均标准方差σb。较佳地，所述变化区域包括梯度不相似区域；判断所述当前帧图像的N*N个区域为梯度不相似区域还是梯度相似区域，包括：计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性；若所述当前帧图像的某个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的对应区域的梯度不相似，则所述当前帧图像的某个区域为梯度不相似区域。较佳地，所述计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性，具体为：计算所述当前帧图像的N*N个区域的梯度矢量gC(x)；计算根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度矢量gB(x)；通过公式计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性；若符合Sg＜0.7，则所述当前帧图像的对应区域为梯度不相似区域。较佳地，在根据当前更新的所述混合高斯模型，提取当前的背景图像的信息之后，还包括：检测根据当前更新的所述混合高斯模型得到的所述当前的背景图像的N*N个区域是否为纹理区域；如果根据当前更新的所述混合高斯模型得到的所述当前的背景图像存在纹理区域，则对所述纹理区域进行颤动效果去除；根据去除颤动效果后的所述当前的背景图像的所述纹理区域的信息，再更新所述混合高斯模型；根据再更新的所述混合高斯模型，提取校正后的所述当前的背景图像的信息和前景图像的信息。较佳地，所述检测根据当前更新的所述混合高斯模型得到的所述当前的背景图像的N*N个区域是否为纹理区域，具体为：计算根据当前更新的所述混合高斯模型得到的当前的背景图像的N*N个区域的梯度矢量gB(x)；根据所述当前的背景图像的N*N个区域的梯度矢量gB(x)的幅度均值,计算所述当前的背景图像的N*N个区域的梯度幅值的标准方差σB；通过Otsu自动阈值法分析所述标准方差σB的直方图；当所述当前的背景图像的N*N个区域中的某一区域的标准方差σB的值大于阈值时,则该区域为纹理区域。较佳地，计算得到所述当前的背景图像的N*N个区域的梯度幅值的标准方差σB具体为:将所述当前的背景图像的每个区域均分为M*M个小区域并计算每个所述小区域的梯度矢量gB(xi)；通过公式计算得到标准方差σB。较佳地，所述更新所述混合高斯模型包括更新所述混合高斯模型的参数，具体通过下式进行更新：wi,t＝wi,t-1+α(Mi,t-wi,t-1)-αβμi,t＝μi,t-1+ρ(xt-μi,t-1)(Mi,t)ρ＝αη(xi,t|μi,t-1,∑i,t-1)其中，wi,t代表所述混合高斯模型中在t时刻第i个高斯分布的权重；α、β是自适应率，取值范围为0.01到0.001；μi,t代表所述混合高斯模型中在t时刻第i个高斯分布的均值；xt代表在t时刻像素点的像素值；Mi,t是匹配量化值，若所述当前帧图像的像素值落在第i个高斯分布，则Mi,t＝1，其他高斯分布的Mi,t＝0；代表所述混合高斯模型中在t时刻第i个高斯分布的方差；ρ是更新率；∑i,t代表所述混合高斯模型中在t时刻第i个高斯分布的协方差；η(xt,μi,t,∑i,t)代表所述混合高斯模型中在t时刻第i个高斯分布；D代表的是xt的维数。较佳地，所述更新所述混合高斯模型还包括合并所述混合高斯模型的无效高斯分量，具体通过下式进行合并：wc,t＝wa,t+wb,t其中，wc,t代表合并后的所述混合高斯模型中第c个高斯分布的权重，μc,t代表合并后所述混合高斯模型中第c个高斯分布的均值，代表合并后的所述混合高斯模型中第c个高斯分布的方差。较佳地，所述无人机的监控系统的前景检测方法还包括对提取出的所述当前的前景图像的信息进行处理，具体为：通过下面公式计算所述当前的前景图像的信息中的每个像素的亮度失真Bd：其中，IR(x)、IG(x)、IB(x)是所述当前的前景图像的像素值；μR(x)、μG(x)、μB(x)是所述当前的前景图像对应的背景图像的像素均值；本文档来自技高网...

【技术保护点】
1.一种无人机的监控系统的前景检测方法，其特征在于，包括：获取监控系统的初始的若干帧图像，根据所述若干帧图像建立混合高斯模型，并根据所述混合高斯模型提取初始的背景图像的信息；获取所述监控系统的当前帧图像，将所述当前帧图像分割为N*N个区域；判断所述当前帧图像的N*N个区域为变化区域或不变化区域；根据所述当前帧图像的所有所述变化区域的所有像素的信息，更新所述混合高斯模型；根据当前更新的所述混合高斯模型，提取当前的背景图像的信息。

【技术特征摘要】
1.一种无人机的监控系统的前景检测方法，其特征在于，包括：获取监控系统的初始的若干帧图像，根据所述若干帧图像建立混合高斯模型，并根据所述混合高斯模型提取初始的背景图像的信息；获取所述监控系统的当前帧图像，将所述当前帧图像分割为N*N个区域；判断所述当前帧图像的N*N个区域为变化区域或不变化区域；根据所述当前帧图像的所有所述变化区域的所有像素的信息，更新所述混合高斯模型；根据当前更新的所述混合高斯模型，提取当前的背景图像的信息。2.如权利要求1所述的无人机的监控系统的前景检测方法，其特征在于，所述变化区域包括判断为前景区域的变化区域；判断所述当前帧图像的N*N个区域为前景区域还是背景区域，包括：计算出所述当前帧图像的每一区域在低分辨率估值下的像素值Xb以及所述当前帧图像的对应的背景图像的每一区域在低分辨率估值下的像素值μb与平均标准方差σb；若符合|Xb-μb|＞2.5×σb，则像素值Xb所代表的区域为前景区域；若不符合|Xb-μb|＞2.5×σb，则像素值Xb所代表的区域为背景区域。3.如权利要求2所述的无人机的监控系统的前景检测方法，其特征在于，所述像素值Xb是将所述当前帧图像的每一区域的像素均值作为高斯函数的输入量计算得到。4.如权利要求2所述的无人机的监控系统的前景检测方法，其特征在于，所述当前帧图像对应的背景图像的每一区域在低分辨率估值下的像素值μb是将包含所述当前帧图像在内的连续若干帧图像的对应区域的像素时间平均值作为高斯函数的输入量计算得到。5.如权利要求4所述的无人机的监控系统的前景检测方法，其特征在于，所述像素时间平均值通过包含所述当前帧图像在内的所述连续若干帧图像的对应区域的若干像素均值取平均得到。6.如权利要求4所述的无人机的监控系统的前景检测方法，其特征在于，计算所述平均标准方差σb的步骤为：先将所述像素时间平均值作为高斯函数的输入量计算得到对应的每一区域在低分辨率估值下的协方差∑b，然后根据所述协方差∑b计算得到所述平均标准方差σb。7.如权利要求1所述的无人机的监控系统的前景检测方法，其特征在于，所述变化区域包括梯度不相似区域；判断所述当前帧图像的N*N个区域为梯度不相似区域还是梯度相似区域，包括：计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性；若所述当前帧图像的某个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的对应区域的梯度不相似，则所述当前帧图像的某个区域为梯度不相似区域。8.如权利要求7所述的无人机的监控系统的前景检测方法，其特征在于，所述计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性，具体为：计算所述当前帧图像的N*N个区域的梯度矢量gC(x)；计算根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度矢量gB(x)；通过公式计算所述当前帧图像的N*N个区域与根据前一帧图像更新的所述混合高斯模型得到的背景图像的N*N个区域的梯度相似性；若符合Sg＜0.7，则所述当前帧图像的对应区域为梯度不相似区域。9.如权利要求1所述的无人机的监控系统的前景检测方法，其特征在于，在根据当前更新的所述混合高斯模型，提取当前的背景图像的信息之后，还包括：检测根据当前更新的所述混合高斯模型得到的所述当前的背景图像的N*N个区域是否为纹理区域；如果根据当前更新的所述混合高斯模型得到的所述当前的背景图像存在纹理区域，则对所述纹理区域进行颤动效果去除；根据去除颤动效果后的所述当前的背景图像的所述纹理区域的信息，再更新所述混合高斯模型；根据再更新的所述混合高斯模型，提取校正后的所述当前的背景图像的信息和前景图像的信息。10.如权利要求9所述的无人机的监控系统的前景检测方法，其特征在于，所述检测根据当前更新的所述混合高斯模型得到的所述当前的背景图像的N*N个区域是否为纹理区域，具体为：计算根据当前更新的所述混合高斯模型得到的当前的背景图像的N*N个区域的梯度矢量gB(x)；根据所述当前的背景图像的N*N个区域的梯度矢量gB(x)的幅度均值,计算所述当前的背景图像的N*N个区域的梯度幅值的标准方差σB；通过Otsu自动阈值法分析所述标准方差σB的直方图；当所述当前的背景图像的N*N个区域中的某一区域的标准方差σB的值大于阈值时,则该区域为纹理区域。11.如权利要求10所述的无人机的监控系统的前景检测方法，其特征在于，计算得到所述当前的背景图像的N*N个区域的梯度幅值的标准方差σB具体为:将所述当前的背景图像的每个区域均分为M*M个小区域并计算每个所述小区域的梯度矢量gB(xi)；...

【专利技术属性】
技术研发人员：杨润丰，王曦，陈晓宁，杨恺，
申请(专利权)人：东莞职业技术学院，
类型：发明
国别省市：广东,44