基于运动矢量划分的前景检测方法技术

本发明专利技术提供了一种基于运动矢量划分的前景检测方法，使用离散运动矢量划分运动趋势以进行前景检测，其在区分前景与背景的运动趋势时，使用稠密光流为分辨的基础，对计算所得的光流场进行量化处理获得离散的运动矢量矩阵，再对该矩阵进行方向的划分，最终寻找连通域，以找出与背景运动方向或速度不同的前景物体，完成前景目标的搜索过程。本发明专利技术中的连续矢量量化方法和划分的方法能够较好的对光流矢量场进行分析处理。通过连通域的面积比较得出前景目标也是在前景物体不确定的情况下迅速捕捉前景位置的方法。

【技术实现步骤摘要】

本专利技术设及的是一种前景检测方法，具体是一种基于稠密光流和方向划分的图像 内容检索方法。
技术介绍
随着视频监控系统的覆盖和手机等手持移动摄像设备的普及，视频数据正在W- 个惊人的速度增长，而如何从数量庞大的视频文件中提取有价值信息也成为一个亟待解决 问题。 背景建模和目标追踪是视频分析的基础。背景建模基于背景与前景是否在运动、 运动方向和颜色等方面的差异进行前景和背景的区分和识别，而目标追踪根据目标的特征 及其运动产生的视频前后帖的差异，实现目标的实时跟踪。 光流是一种简单实用的图像运动的表达方式，通常定义为一个图像序列中的图像 亮度模式的表观运动，即空间物体表面上的点的运动速度在视觉传感器的成像平面上的表 达。 马里兰大学的IsmailHaritaoglu博±等人在2000年时提出的W4算法用于人类 行为识别与监控，该算法因其简单高效的特点而成为最早被实际运用的算法。 比利时列日大学的Oliver631111油博±等人致力于视频监控技术的应用，特别是 背景建模和步态识别，他们的ViBe算法快速高效，有别于传统算法，可嵌入到相机中，鲁椿 性强。 西北工业大学的王永忠、梁彦等人从事目标跟踪方面的研究，主要成果；针对传 统的混合高斯背景建模方法对非平稳场景较为敏感的缺点，提出了一种新型的混合高斯模 型。[000引上述技术方案均限定在背景静止的条件下，本专利技术与上述技术方案最大的不同在 于，本专利技术的检测方法是基于对稠密光流场的处理，因而可W在摄像机进行简单运动的情 景下进行前景识别。对光流场的计算与分析可W确定背景的运动模式；之后可W将区别于 背景运动模式的物体认定为前景；目前在运动背景的前景识别范畴内。 专利文献"一种基于光流场聚类的运动目标分割方法"（专利申请号 201310174529. 0)中应用了对光流产生的矢量场进行C-均值聚类算法。本专利技术与该方法不 同的是聚类的划分方式不同。本专利技术的方法没有迭代求取类内误差平方和最小化，而是新 定义量化标准与划分方法，拥有更快的处理速度，同时增加对检测结果的平滑处理和有效 性检测。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种基于运动矢量划分的前景检测 方法。 根据本专利技术提供的一种，使用离散运动矢量划 分运动趋势w进行前景检测，包括对视频图像中的至少一帖图像执行如下步骤： 步骤1 ;对帖图像进行稠密光流计算，得到连续运动矢量； 步骤2 ;在该帖图像中，对全部像素分别进行所述连续运动矢量的量化处理，得到 由多种离散运动矢量构成的量化矢量集； 步骤3 ;按照离散运动矢量所含的像素数，对该帖图像中存在的每种离散运动矢 量进行排序，根据排序结果按照运动趋势由主至次划归出多类运动趋势；其中，首次划归出 的运动趋势记为第一类运动趋势； 步骤4;除了所述第一类运动趋势之外，计算在该帖图像中各类运动趋势所构成 的连通图面积，并将连通图面积进行排序；将序号靠前的多个连通图面积所对应的连通域 作为前景目标； 步骤5 ;对前景目标的跟踪进行平滑处理和有效性检验。 优选地，所述稠密光流计算采用的光流算法为： OpenCV开源库函数中的函数calcOpticalFlowFarneback。 优选地，所述量化矢量集为65种离散运动矢量，其中，64种离散运动矢量由4种非 零模长和16个方向排列组合得到，1种离散运动矢量为无方向的0模长矢量，具体为： 4种非零模长为：最大模长、四分之一最大模长、二分之一最大模长、四分之立最 大模长；其中，所述最大模长是指所有离散运动矢量中的最大模长； 16个方向为；W水平向右为起始方向逆时针方向将圆周角16等分得到的方向。 [002引优选地，所述步骤3,包括如下步骤： 步骤3. 1 ;对该帖图像中存在的每种离散运动矢量按照所含的像素数由多到少进 行排序； 步骤3. 2 ;在未划归入运动趋势的离散运动矢量中，选取排序序号靠前的N种离散 运动矢量构成一类矢量集合，在该类矢量集合中选取序号最前的离散运动矢量作为运动趋 势中屯、矢量；若该帖图像中未划归入运动趋势的离散运动矢量的种类不足N种，则选取该 帖图像中全部未划归入运动趋势的离散运动矢量作为该类矢量集合； 步骤3.3 ;在该类矢量集合中，计算该运动趋势中屯、矢量分别与其余离散运动矢 量的距离； 步骤3. 4 ;将距离小于阔值的离散运动矢量划归入该运动趋势中屯、矢量所代表的 运动趋势中； 步骤3. 5 ;判断一帖图像中存在的离散运动矢量是否均已划归入运动趋势中：若 是，则认为完成运动趋势的划归；否则，则进入步骤3. 2继续执行；[002引其中，对一帖图像，将首次划归出的运动趋势作为所述第一类运动趋势。 优选地，在所述步骤4中，将序号靠前且面积大于面积阔值的多个连通图面积所 对应的连通图区域作为前景目标。 优选地，所述有效性检验的判定标准为；对于当前帖，当前帖图像及其前连续两帖 图像均满足如下条件：[003UAp<5 其中，p表示目标描述参数，目标描述参数p由目标中屯、的横坐标X、目标中屯、的纵 坐标y、目标的高度K目标的宽度W构成；AP表示目标描述参数在连续两帖图像之间的变 化量，5为连续两帖图像之间目标描述参数变化的有效上限；[003引若Ap小于5则判定追踪有效；否则，则判定追踪无效，放弃当前帖图像的检测。 优选地，所述平滑处理的方法为取当前帖图像与其前连续两帖图像的加权平均： 其中，Si为第i帖图像平滑处理后的目标描述参数，Pi为第i帖图像的目标描述参 数，Ph为第i-1帖图像的目标描述参数，PW为第i-2帖图像的目标描述参数；其中，i> 3。 优选地，在步骤3. 3中的所述距离distance,具体为： distance] =(01_〇2) 2+ 相-!!!]) 2 其中，distance表示两个离散运动矢量之间的空间距离，〇i、mi分别为其中一个离 散运动矢量的方向序号、量化模长，〇2、m2分别为其中另一个离散运动矢量的方向序号、量化 模长。 优选地，还包括如下步骤： 步骤0 ;使用高斯模糊及减采样，处理视频图像。 优选地，所述视频图像的特征为： 特征A;画面中存在与背景有相对运动的前景物体； 特征B;采集视频图像的摄像机允许运动，即背景为运动或者静止； 特征C;高斯金字塔处理根据视频分辨率大小进行。 与现有技术相比，本专利技术具有如下的有益效果； 本专利技术通过稠密光流的计算，获取视频帖中每一像素的运动方向矢量。再将连续 的运动矢量量化，W便于根据运动趋势的运动矢量划分，得到表征运动趋势的矩阵。寻找该 矩阵中的最大连通域，可区分出前景与背景，并定位前景目标。最后添加对前景目标的判 另IJ，W消除部分抖动与误检的情况。实验证明，本专利技术在简单场景中能较好地检测出前景目 标的位置、大小，并有较快的运行速率。【附图说明】 通过阅读参照W下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、 目的和优点将会变得更明显： 图1是本专利技术的处理流程图；图2是本专利技术的矢量划分流程图。【具体实施方式】 下面结合具体实施例对本专利技术进行详细说明。W下实施例将有助于本领域的技术 人员进一步理解本专利技术，但不W任何形式限制本专利技术。应当指出的是，对本领域的普通技术 人员来说，在不脱离本发本文档来自技高网...

【技术保护点】
一种基于运动矢量划分的前景检测方法，其特征在于，使用离散运动矢量划分运动趋势以进行前景检测，包括对视频图像中的至少一帧图像执行如下步骤：步骤1：对帧图像进行稠密光流计算，得到连续运动矢量；步骤2：在该帧图像中，对全部像素分别进行所述连续运动矢量的量化处理，得到由多种离散运动矢量构成的量化矢量集；步骤3：按照离散运动矢量所含的像素数，对该帧图像中存在的每种离散运动矢量进行排序，根据排序结果按照运动趋势由主至次划归出多类运动趋势；其中，首次划归出的运动趋势记为第一类运动趋势；步骤4：除了所述第一类运动趋势之外，计算在该帧图像中各类运动趋势所构成的连通图面积，并将连通图面积进行排序；将序号靠前的多个连通图面积所对应的连通域作为前景目标；步骤5：对前景目标的跟踪进行平滑处理和有效性检验。

【技术特征摘要】

【专利技术属性】
技术研发人员：蒋兴浩，孙锬锋，林佳晨，欧昕钺，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31