一种基于改进Vibe+算法的运动目标背景分割方法技术

本发明专利技术公开了一种基于改进Vibe+算法的运动目标背景分割方法，涉及视频图像处理领域。本发明专利技术提供的方法，通过对目标监控视频采用传统Vibe+算法获取原始二值化图像，采用基于区域生长的连通域标记法对分割图像中各连通区域进行标记，依据边界面积块差异特征设定面积筛选阈值，将二值化图像中低于面积筛选阈值的连通区域进行删除；并对MeanShift聚类算法改进后，与碎片化卷积神经网络融合对分割后的二值化图像中拖影区块、非拖影区块和拖影边缘区块分类识别，标记拖影区块在二值化图像中位置坐标，基于拖影检测结果对二值化图像中各个拖影区域进行快速删除，获取最终的分割结果，达到提高对目标监控视频运动目标的分割准确度和分割效率的技术效果。

A background segmentation method of moving objects based on improved vibe + algorithm

【技术实现步骤摘要】
一种基于改进Vibe+算法的运动目标背景分割方法
本专利技术涉及视频图像处理
，特别涉及一种基于改进Vibe+算法的运动目标背景分割方法。
技术介绍
近年来，随着智慧平安城市建设进程不断加快，越来越多的城市道路配置有监控摄像头。交通管理部门、公安部门等机构工作人员可以根据各城市道路布控的监控摄像头获取的视频数据为基础，对城市道路中可能出现的异常情况进行实时的判别与预警，以更好地保障市民们的安全出行。由于现有城市道路分布较为复杂，各路段监控摄像头获取的视频数据数量较为庞大，再加上视频监控作业的实时性要求较高，工作人员仅凭肉眼很难对大量视频数据进行及时监控处理。为了辅助工作人员对视频数据进行高效实时监控，现有技术对视频数据中的图像进行背景分割处理，从而筛去视频数据中的各种干扰图像数据，进而提高工作人员对实时监控视频数据的监控处理效率。比如，中国专利CN201710168104.7公开了一种基于运动显著图和光流矢量分析的动态背景目标分割方法，首先基于运动显著图提取运动目标的大致区域，然后借助邻近帧之间的光流场获得运动目标和背景区域的运动边界，并利用运动边界对运动显著图进行分析，从而得到运动目标内部精确的像素点,最后通过过分割技术获取图像超像素，并通过引入置信度的概念和建立包含多种信息的表观模型实现最终像素一级的目标分割；中国专利CN201310426015.X公开了一种基于对称差分法和联合双边滤波相结合的背景静止的运动目标分割方法，该方法首先对连续三帧图像进行差分得到运动区域即对称差分图，然后采用不同滤波模板以当前帧为引导图对对称差分图进行联合双边滤波，并将滤波后的结果进行线性相加，得到运动目标图最后，利用此边缘对运动目标图细化即进行扫描搜索赋值，从而分割出完整并精确的运动目标；中国专利CN201310032167.1公开了一种基于分水岭分割的静态背景下运动目标检测方法，包括对采集到的视频数据进行预处理，然后使用极小值点的分水岭算法对视频图像进行分割，通过对相邻帧之间的特征点映射关系得到连续帧内的特征点运动轨迹，最后利用综合评价模型，综合考虑特征点轨迹信息的七个主要影响因素，计算出每个特征点的综合评价分数，将低于设定阈值的特征点判定为运动目标，从而将视频数据中的运动目标图像数据进行提取。在实现本专利技术的过程中，专利技术人发现相关技术至少存在以下问题：相关技术提供的动态背景目标分割方法，虽然针对给定的视频数据集可以取得一定的效果，但是当遇到较为复杂的运动场景时，例如监控视频中会出现运动的行人、机动车辆、非机动车辆等，静止目标有建筑物、大树、交通路口红绿灯、河流、高山等，当采用以上传统算法进行前景提取时，很容易因为树叶随风摆动或者河流流动的运动梯度模式与目标运动模式一致而导致前景目标提取失败；此外，在自然场景下，天气有晴天、阴天、雨天、雪天，不同的天气条件会导致分割异常，例如，当太阳光直射在目标表面产生高光区时，常常会因为高光区域的图像信息失真问题导致目标提取不完全，从而导致分割失败，而且阳光下运动目标的拖影较明显，拖影会随着目标运动而运动，会使得拖影部分附着在前景目标中一起被分割出来，从而导致对运动目标的分割失败。
技术实现思路
为了解决现有运动目标分割方法在复杂运动场景下存在的目标误分割问题，本专利技术公开了一种基于改进Vibe+算法的运动目标背景分割方法，该方法可确保在复杂场景下，可实现较高的目标分割精度，同时降低目标识别时间，在一定程度上给现有背景分割的理论算法予以补充和完善。本专利技术方法综合应用了人工智能、图像处理、计算机软件技术、视频跟踪理论等交叉学科在运动场景下对物体进行前提提取与背景分割，结果精确且处理速度快，达到提高对目标监控视频运动目标的分割准确度和分割效率的技术效果，且具有较高的实时性。根据本专利技术实施例的一个方面，提供一种基于改进Vibe+算法的运动目标背景分割方法，其特征在于，所述方法包括：（1）获取目标监控视频；（2）对于所述目标监控视频中的每帧视频图像，采用Vibe+运动目标分割算法对所述视频图像进行图像分割得到所述视频图像的二值化图像，再采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，根据各个连通区域的面积数值大小确定面积筛选阈值，对于所述二值化图像中经区域标记处理的每个连通区域，将所述二值化图像中像素值为1的区块面积低于所述面积筛选阈值的连通区域进行删除，得到去噪点分割处理后的二值化图像；（3）对于所述目标监控视频中的每帧视频图像，根据改进MeanShift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，并获取各个拖影区块在所述视频图像所对应去噪点分割处理后二值化图像的拖影位置坐标，将所述二值化图像中各个拖影位置坐标所对应像素点的像素值确定为0，得到去拖影分割后的二值化图像；（4）对于去拖影分割后的每个二值化图像，计算所述二值化图像上下左右四个极值点坐标，在所述二值化图像所对应视频图像中根据所述四个极值点坐标确定运动目标图像，实现对所述目标监控视频中运动目标背景的分割。在一个优选的实施例中，步骤（2）中所述采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，包括：对于所述二值化图像中的每个像素点，遍历所述像素点周围八邻域内的面积子区块；当检测到存在相邻像素点周围八邻域内的面积子区块与所述像素点周围八邻域内的面积子区块相连通时，将所述像素点周围八邻域内的面积子区块与各个相邻像素点周围八邻域内的面积子区块共同确定为连通区域；按照连通区域的确定先后顺序，对各个连通区域依次进行区域标记。在一个优选的实施例中，步骤（2）中所述根据各个连通区域的面积数值大小确定面积筛选阈值，包括：计算各个连通区域的面积数值；将各个连通区域的面积数值存入向量Vec1中；将向量Vec1中的各个面积数值按照从大到小的顺序依次排列，依次计算各相邻面积数值之间的面积差值，并将各个面积差值存入向量Vec2中；确定向量Vec2中最大的面积差值所对应的二个面积数值，将所述二个面积数值的平均值确定为面积筛选阈值。在一个优选的实施例中，所述改进MeanShift聚类算法包括：在MeanShift聚类算法中引入线性核函数、多项式核函数、高斯核函数、多元二次核函数和Sigmoid核函数的均值组合模式共同对视频图像进行聚类计算，得到所述视频图像对应的各个区域块图像。在一个优选的实施例中，所述对于所述目标监控视频中的每帧视频图像，根据改进MeanShift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，包括：对于所述目标监控视频中的每帧视频图像，采用改进Meanshift聚类算法对所述视频图像进行聚类，得到各个区域块图像；提取所述视频图像所对应各个区域块图像在L*a*b颜色空间的颜色直方图，以及纹理特征Texton特征直方本文档来自技高网...

【技术保护点】
1.一种基于改进Vibe+算法的运动目标背景分割方法，其特征在于，所述方法包括：/n（1）获取目标监控视频；/n（2）对于所述目标监控视频中的每帧视频图像，采用Vibe+运动目标分割算法对所述视频图像进行图像分割得到所述视频图像的二值化图像，再采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，根据各个连通区域的面积数值大小确定面积筛选阈值，对于所述二值化图像中经区域标记处理的每个连通区域，将所述二值化图像中像素值为1的区块面积低于所述面积筛选阈值的连通区域进行删除，得到去噪点分割处理后的二值化图像；/n（3）对于所述目标监控视频中的每帧视频图像，根据改进MeanShift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，并获取各个拖影区块在所述视频图像所对应去噪点分割处理后二值化图像的拖影位置坐标，将所述二值化图像中各个拖影位置坐标所对应像素点的像素值确定为0，得到去拖影分割后的二值化图像；/n（4）对于去拖影分割后的每个二值化图像，计算所述二值化图像上下左右四个极值点坐标，在所述二值化图像所对应视频图像中根据所述四个极值点坐标确定运动目标图像，实现对所述目标监控视频中运动目标背景的分割。/n...

【技术特征摘要】
1.一种基于改进Vibe+算法的运动目标背景分割方法，其特征在于，所述方法包括：
（1）获取目标监控视频；
（2）对于所述目标监控视频中的每帧视频图像，采用Vibe+运动目标分割算法对所述视频图像进行图像分割得到所述视频图像的二值化图像，再采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，根据各个连通区域的面积数值大小确定面积筛选阈值，对于所述二值化图像中经区域标记处理的每个连通区域，将所述二值化图像中像素值为1的区块面积低于所述面积筛选阈值的连通区域进行删除，得到去噪点分割处理后的二值化图像；
（3）对于所述目标监控视频中的每帧视频图像，根据改进MeanShift聚类算法与碎片化卷积神经网络的融合算法，对所述视频图像中的拖影区块、非拖影区块和拖影边缘区块进行分类识别，并获取各个拖影区块在所述视频图像所对应去噪点分割处理后二值化图像的拖影位置坐标，将所述二值化图像中各个拖影位置坐标所对应像素点的像素值确定为0，得到去拖影分割后的二值化图像；
（4）对于去拖影分割后的每个二值化图像，计算所述二值化图像上下左右四个极值点坐标，在所述二值化图像所对应视频图像中根据所述四个极值点坐标确定运动目标图像，实现对所述目标监控视频中运动目标背景的分割。


2.根据权利要求1所述的方法，其特征在于，步骤（2）中所述采用基于区域生长的连通域标记法对所述二值化图像中各个连通区域依次进行区域标记，包括：
对于所述二值化图像中的每个像素点，遍历所述像素点周围八邻域内的面积子区块；
当检测到存在相邻像素点周围八邻域内的面积子区块与所述像素点周围八邻域内的面积子区块相连通时，将所述像素点周围八邻域内的面积子区块与各个相邻像素点周围八邻域内的面积子区块共同确定为连通区域；
按照连通区域的确定先后顺序，对各个连通区域依次进行区域标记。


3.根据权利要求1所述的方法，其特征在于，步骤（2）中所述根据各个连通区域的面积数值大小确定面积筛选阈值，包括：
计算各个连通区域的面积数值；
将各个连通区域的面积数值存入向量Vec1中；
将向量Vec1中的各个面积数值按照从大到小的顺序依次排列，依次计算各相邻面积数值之间的面积差值，并将各个面积差值存入向量Vec2中；
确定向量Vec2中最大的面积差值所对应的二个面积数值，将所述二个面积数值的平均值确定为面积筛选阈值。


4.根据权利要...

【专利技术属性】
技术研发人员：刘子豪，李攀攀，贾小军，谢正霞，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江;33