The invention discloses a method of detecting and tracking moving objects MOSS massive video stream based on MV, which comprises the following steps: acquiring the corresponding video and decoding of the video by Gauss, mixed pixels of the background module to determine the video scene is the background or foreground extraction module, motion vector from the video the motion vector extraction, and then established the Gauss mixture background model; and then through the shadow detection module to judge Gauss background model for detecting mixed pixels of the foreground is suspected shadow; finally through the Gauss mixture to determine the pixel shadow module the suspected shadow modeling, the final judgment and shadow. A lot of interference and noise can be removed in the video scene, and the amount of pixels to be detected is greatly reduced, and the amount of computation is reduced correspondingly. It can improve the real-time performance of moving object detection and tracking method.
【技术实现步骤摘要】
一种用于海量视频流中的移动物体检测与跟踪方法
本专利技术涉及视频处理领域,尤其涉及一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法。
技术介绍
智能视频监视就是实时地观测被监视场景的运动目标,如人或车辆等,并且分析描述他们的行为;这项技术研究内容主要涉及到运动目标检测与提取,运动目标跟踪,运动目标识别,运动分析与运动理解,视频认证等方面的内容,该项技术主要涉及到计算机视觉,模式识别,以及人工智能等领域,因而研究智能视频监视技术有着重要的理论意义。目前,针对背景图像静止不动的情况,所提出的检测运动目标的算法主要基于以下三个思想:第一是基于帧间差异的算法;另外一类是基于背景估计图像与当前帧图像差异的算法;第三类是基于背景统计模型的算法,该类算法在处理场景中存在不断晃动的物体时有一定优势。目前虽然存在着各种各样的算法,但每个算法多是针对某一特定的场合提出的,并且许多算法仍有许多值得改进的地方,如有的算法在精确地检测和提取运动目标的轮廓方面,有的算法在计算量等方面仍值得改进。现有技术中图像的分类方法很多,如同统计模式分类方法,结构法,分类树方法,神经网络方法等,这些方法由于针对分类对象,应用场合不同而提取不同的图像特征,采用不同的模式分类方法。传统的统计模式分类法及线性判别函数往往只能提供线性的分割平面,采用这种分类方法关键在于提取易于分类的模式特征。神经网络的方法,如BP网,具有非线性分割的能力,但传统的神经网络方法由于对数据的过拟合,而导致其推广能力的下降。最近,一些应用表明,支撑矢量机方法显示出较传统方法包括神经网络方法更好的适应和推广能力。一般 ...
【技术保护点】
一种基于MOSS‑MV的海量视频流中的移动物体检测与跟踪方法,其包括以下步骤:A、获取对应视频并对该视频进行解码处理,通过高斯混合背景模块判断该视频场景中的像素是背景还是前景,通过运动矢量提取模块从该视频中提取运动矢量,然后建立高斯混合背景模型;B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影;若判断为是疑似阴影,则其参与高斯混合阴影模型的建立与参数更新,并对其进行阴影的最终判定;C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模,并进行阴影的最终判定。
【技术特征摘要】
1.一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法,其包括以下步骤:A、获取对应视频并对该视频进行解码处理,通过高斯混合背景模块判断该视频场景中的像素是背景还是前景,通过运动矢量提取模块从该视频中提取运动矢量,然后建立高斯混合背景模型;B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影;若判断为是疑似阴影,则其参与高斯混合阴影模型的建立与参数更新,并对其进行阴影的最终判定;C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模,并进行阴影的最终判定。2.根据权利要求1所述的移动物体检测与跟踪方法,其特征在于,上述步骤A具体的还包括:高斯混合背景模块首先提取运动目标,然后用疑似阴影模型进行阴影预判,将判断为疑似阴影的像素用于高斯混合阴影模型的参数学习和更新,最后对这些像素是否属于阴影进行最终判别。3.根据权利要求1所述的移动物体检测与跟踪方法,其特征在于,上述步骤A具体的还包括:运动矢量提取模块通过判断疑似阴影和运动物体的运动矢量变化以辅助高斯混合阴影检测模块对阴影的检测;其中,vo为物体运动矢量的平均值,为物体区域的运动矢量。vs为疑似阴影运动矢量的平均值,为疑似阴影区域的运动矢量。4.根据权利要求1所述的移动物体检测与跟踪方法,其特征在于,上述步骤B具体的还包括:运动阴影检测模块对像素进行疑似阴影判定,只有判定为疑似阴影的像素才会参与混合高斯阴影模型的模型建立和参数更新及最终的阴影判定。5.根据权利要求1所述的移动物体检测与跟踪方法,其特征在于,上述步骤B中高斯混合阴影模型建模的具体步骤还包括:B1、初始化运动阴影模型:用一个新的高斯混合模型对断定为前景且疑似为阴影的像素值进行建模;运动阴影的分布用KS个高斯函数表示:其中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。