一种结合自适应模型和多阴影属性的运动目标检测方法技术

本发明专利技术提供一种结合自适应模型和多阴影属性的运动目标检测方法，首先，利用加权双边滤波对图像进行预处理；结合三帧差法和自适应背景模型法对预处理之后的图像进行运动目标的检测；再判断运动目标区域是否存在阴影区域，通过HSV色彩空间、背景区域像素的梯度信息以及纹理信息有效地消除了运动目标的阴影，最后进行区域分割定位出运动目标。本发明专利技术方法解决了现有技术中检测到的运动目标区域的信息不全和空洞的问题，很好地适应了全景图像中复杂的背景动态变化以及天气的影响，通过判断是否存在阴影区域的方式提高了系统的效率，同时有效地消除了运动目标的阴影，克服了阴影造成的伪目标现象，正确地定位出了运动目标。

【技术实现步骤摘要】

本专利技术涉及计算机视觉领域，特指一种结合自适应模型和多阴影属性的运动目标检测方法。
技术介绍
运动目标检测是计算机视觉领域的研究重点，结合了数字图像处理、模式识别和人工智能等领域的知识。随着计算机技术、图像处理技术和高分频传感技术的迅速发展，它广泛应用于智能监控、虚拟现实和军事公安等诸多领域。常用的运动目标检测方法包括帧间差分法、背景减除法和光流法。其中，帧间差分法对动态环境有良好的适应性，但是不能完全提取目标的所有信息，提取的目标物体的内部容易出现空洞；普通的背景减除法能够提出完整的特征点，但是对于动态场景变化，如光线、天气等因素的干扰比较敏感；光流法计算量非常大，抗噪性差，需要硬件的支持。通常，全景图像的场景扰动因素复杂，如光照的变化、天气因素、树枝的摇摆、水面的波纹和波浪等等，这些因素都限制了运动目标的检测。由于外界环境的复杂性，检测出来的运动目标区域会伴随着阴影区域，导致目标形状的畸变和后期的目标跟踪。
技术实现思路
针对现有技术存在的缺陷，为了可靠地、有效地进行运动目标的检测，本专利技术提供一种结合自适应模型和多阴影属性的运动目标检测方法。具体地，本专利技术的技术方案是：一种结合自适应模型和多阴影属性的运动目标检测方法，包括以下步骤：S1利用加权双边滤波对图像进行预处理；S2结合三帧差法和自适应背景模型法对经S1预处理之后的图像进行运动目标的检测；S2.1利用三帧差法提取经S1预处理之后的图像的前景区域即运动目标区域的大致轮廓，利用可变阈值方法对帧差图像进行分割得到前景目标D1(x,y,t)；S2.2采用自适应背景模型法再次提取前景目标D2(x,y,t)；S2.3首次提取的前景目标D1(x,y,t)与二次提取的前景目标D2(x,y,t)进行与运算，得到前景区域D(x,y,t)；S2.4对于S2.3中得到的前景区域D(x,y,t)，利用中值滤波抑制孤立噪声点，再进行形态学处理，得到最终的前景区域即运动目标区域；S3多属性结合的运动目标阴影消除方法；S3.1判断S2.4中得到的最终的运动目标区域是否存在阴影区域；S3.2利用HSV色彩空间、梯度信息以及纹理信息检测和消除目标阴影；利用HSV色彩空间、梯度信息和纹理信息分别检测出运动目标的阴影区域，对三者的阴影区域进行与运算得到最终的阴影区域，再将S2.4得到的运动目标区域与该最终的阴影区域相减，从而检测出了最终的运动目标。本专利技术的优点是：本专利技术方法解决了现有技术中检测到的运动目标区域的信息不全和空洞的问题，很好地适应了全景图像中复杂的背景动态变化以及天气的影响，通过判断是否存在阴影区域的方式提高了系统的效率，同时有效地消除了运动目标的阴影，克服了阴影造成的伪目标现象，正确地定位出了运动目标。其中，步骤S1中滤波方法不仅达到了去噪的效果，同时保持了图像中边缘信息，不会产生过模糊和欠模糊的滤波现象；步骤S2中在检测前景区域的过程中，解决了三帧差法检测信息不全的缺点，背景模型的在线跟新，使得算法更加适应复杂环境的变化，检测方法具有较好的效果和实时性；步骤S3中判断是否存在阴影区域避免了在不必要进行消除阴影区域的情况下依然进行阴影检测算法，从而影响系统的效率，结合HSV色彩空间、背景区域像素的梯度信息以及纹理信息有效地消除了运动目标的阴影，去除了伪目标。附图说明图1是本专利技术的流程图图2是实施例中S2运动目标检测流程图图3是实施例中S3消除运动目标的阴影区域流程图图4是实施例中运动目标的检测结果。具体实施方式图1为本专利技术的流程图，参照图1，本专利技术一种结合自适应模型和多阴影属性的运动目标检测方法，包括以下步骤：一种结合自适应模型和多阴影属性的运动目标检测方法，包括以下步骤：S1利用加权双边滤波对图像进行预处理；假设滤波前图像I的像素点p的灰度值为Ip，像素点p的坐标为(m,n)，图像I滤波后得到的图像BI在该像素点的灰度值为BIp，则双边滤波的公式如(1)和(2)所示：BIp=1WpΣq∈SGσs(||p-q||)Gsr(|Ip-Iq|)Iq---(1)]]>Wp=Σq∈SGσs(||p-q||)Gsr(|Ip-Iq|)Iq---(2)]]>其中，q是以像素点p为中心像素点的邻域像素点，像素点q的坐标为(u,v)，领域像素点集合记为S，Wp称为归一化因子，是空间滤波核函数，是灰度核滤波函数，和的表达式如下示：Gσs(||p-q||)=e-[(m-u)2+(n-v)2]/2σs2---(3)]]>Gσs(|Ip-Iq|)=e-[Ip-Iq]2/2σs2]]>利用双边滤波不仅能达到去噪的效果，同时也保持了图像的边缘信息，削弱了滤波对后续步骤的消极影响。S2结合三帧差法和自适应背景模型法对经S1预处理之后的图像进行运动目标的检测；S2.1利用三帧差法提取经S1预处理之后的图像的前景区域即运动目标区域的大致轮廓，利用可变阈值方法对帧差图像进行分割得到前景目标D1(x,y,t)。假设在t时刻，当前帧图像(x,y)处的像素的灰度值为I(x,y,t)，其前后相邻的两帧图像的此处像素的灰度值分别为I(x,y,t-1)和I(x,y,t+1)，则t时刻，两帧灰度值的二值化结果为：St,t-1(x,y,t)=1,if|I(x,y,t)-I(x,y,t-1)|>h10,if|I(x,y,t)-I(x,y,t-1)|≤h1---(4)]]>St,t+1(x,y,t)=1,if|I(x,y,t)-I(x,y,t+1)|>h10,if|I(x,y,t)-I(x,y,t+1)|≤h2---(5)]]>其中，h1是灰度阈值，St,t-1(x,y,t)为当前帧I(x,y,t)和前一帧I(x,y,t-1)进行差分后的运动目标二值化区域，St,t+1(x,y,t)为当前帧I(x,y,t)和后一帧I(x,y,t+1)进行差分后的运动目标二值化区域；再将St,t-1(x,y,t)和St,t+1(x,y,t)相融合可得到前景区域S(x,y,t)：S(x,y,t)=St,t-1(x,y,t)⊗St,t+1(x,y,t)---(6)]]>再利用可变阈值方法对前景区域进行分割，从而得到前景目标D1(x,y,t)。可变阈值方法是本领域公知的技术手段，其方法是：由于全景图像的背景比较复杂，可以将图像分成若干个矩形区域，在这些矩形区域分别进行Otsu阈值分割，从而得到全景目标D1(x,y,t)。S2.2采用自适应背景模型法再次提取前景目标D2(x,y,t)。S2.2.1初始化背景模型和前景区域的提取；连续采集n帧图像，通过这n帧背景图像建立初始的背景的统计模型，如公式(7)和(8)所示：Mi=1NΣn=1NMin---(7)]]>δi2=1NΣn=1N(Min-Mi)2---(8)]]>其中，i表示像素点，Mi表示像素点i的颜色值的期望，表示颜色值分布的方差，Min表示像素点i在第n帧图像中的颜色值，从而点构成了初始背景模型。在建立初始背景模型之后，利用二值化方本文档来自技高网...

【技术保护点】
一种结合自适应模型和多阴影属性的运动目标检测方法，其特征在于，包括以下步骤：S1利用加权双边滤波对图像进行预处理；S2结合三帧差法和自适应背景模型法对经S1预处理之后的图像进行运动目标的检测；S2.1利用三帧差法提取经S1预处理之后的图像的前景区域即运动目标区域的大致轮廓，利用可变阈值方法对帧差图像进行分割得到前景目标D1(x,y,t)；S2.2采用自适应背景模型法再次提取前景目标D2(x,y,t)；S2.3首次提取的前景目标D1(x,y,t)与二次提取的前景目标D2(x,y,t)进行与运算，得到前景区域D(x,y,t)；S2.4对于S2.3中得到的前景区域D(x,y,t)，利用中值滤波抑制孤立噪声点，再进行形态学处理，得到最终的前景区域即运动目标区域；S3多属性结合的运动目标阴影消除方法；S3.1判断S2中得到的运动目标区域是否存在阴影区域；S3.2利用HSV色彩空间、梯度信息以及纹理信息检测和消除目标阴影；利用HSV色彩空间、梯度信息和纹理信息分别检测出运动目标的阴影区域，对三者的阴影区域进行与运算得到最终的阴影区域，再将S2得到的运动目标区域与该最终的阴影区域相减，从而检测出了最终的运动目标。...

【技术特征摘要】
1.一种结合自适应模型和多阴影属性的运动目标检测方法，其特征在于，包括以下步骤：S1利用加权双边滤波对图像进行预处理；S2结合三帧差法和自适应背景模型法对经S1预处理之后的图像进行运动目标的检测；S2.1利用三帧差法提取经S1预处理之后的图像的前景区域即运动目标区域的大致轮廓，利用可变阈值方法对帧差图像进行分割得到前景目标D1(x,y,t)；S2.2采用自适应背景模型法再次提取前景目标D2(x,y,t)；S2.3首次提取的前景目标D1(x,y,t)与二次提取的前景目标D2(x,y,t)进行与运算，得到前景区域D(x,y,t)；S2.4对于S2.3中得到的前景区域D(x,y,t)，利用中值滤波抑制孤立噪声点，再进行形态学处理，得到最终的前景区域即运动目标区域；S3多属性结合的运动目标阴影消除方法；S3.1判断S2中得到的运动目标区域是否存在阴影区域；S3.2利用HSV色彩空间、梯度信息以及纹理信息检测和消除目标阴影；利用HSV色彩空间、梯度信息和纹理信息分别检测出运动目标的阴影区域，对三者的阴影区域进行与运算得到最终的阴影区域，再将S2得到的运动目标区域与该最终的阴影区域相减，从而检测出了最终的运动目标。2.根据权利要求1所述的结合自适应模型和多阴影属性的运动目标检测方法，其特征在于，S1的方法为：假设滤波前图像I的像素点p的灰度值为Ip，像素点p的坐标为(m,n)，图像I滤波后得到的图像BI在该像素点的灰度值为BIp，则双边滤波的公式如(1)和(2)所示：其中，q是以像素点p为中心像素点的邻域像素点，像素点q的坐标为(u,v)，领域像素点集合记为S，Wp称为归一化因子，是空间滤波核函数，是灰度核滤波函数，和的表达式如下示：。3.根据权利要求2所述的结合自适应模型和多阴影属性的运动目标检测方法，其特征在于，S2.1的方法为：假设在t时刻，当前帧图像(x,y)处的像素的灰度值为I(x,y,t)，其前后相邻的两帧图像的此处像素的灰度值分别为I(x,y,t-1)和I(x,y,t+1)，则t时刻，两帧灰度值的二值化结果为：其中，h1是灰度阈值，St,t-1(x,y,t)为当前帧I(x,y,t)和前一帧I(x,y,t-1)进行差分后的运动目标二值化区域，St,t+1(x,y,t)为当前帧I(x,y,t)和后一帧I(x,y,t+1)进行差分后的运动目标二值化区域；再将St,t-1(x,y,t)和St,t+1(x,y,t)相融合可得到前景区域S(x,y,t)：再利用可变阈值方法对前景区域进行分割，从而得到前景目标D1(x,y,t)。4.根据权利要求3所述的结合自适应模型和多阴影属性的运动目标检测方法，其特征在于，S2.2包括以下步骤：S2.2.1初始化背景模型和前景区域的提取；连续采集n帧背景图像，通过这n帧背景图像建立初始的背景的统计模型，如公式(7)和(8)所示：其中，i表示像素点，Mi表示像素点i的颜色值的期望，表示颜色值分布的方差，Min表示像素点i在第n帧图像中的颜色值，从而点构成了初始背景模型；在建立初始背景模型之后，利用二值化方法对采集到的当前t时刻的图像进行前景区域即运动目标区域的提取，此时的前景区域记为D2(x...

【专利技术属性】
技术研发人员：陈蓉，付东奇，
申请(专利权)人：湖南源信光电科技有限公司，
类型：发明
国别省市：湖南;43