一种基于增量式背景建模与多目标跟踪的高空抛物检测方法技术

本发明专利技术涉及一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，用于从高空视频中检测抛物物体。本方法基于增量式背景建模技术，对场景中的静态背景进行建模，动态更新背景模型，实现对光照变化、天气变化等外界因素的自适应适应。同时，本方法结合多目标跟踪技术，通过卡尔曼滤波算法对目标的状态信息进行估计和预测，进一步提高了检测精度和稳定性。本方法的创新点在于采用增量式背景建模技术和多目标跟踪技术相结合的方式，充分利用了两种技术的优点，提高了抛物物体的检测精度和稳定性，具有实际应用价值。具有实际应用价值。具有实际应用价值。

【技术实现步骤摘要】
一种基于增量式背景建模与多目标跟踪的高空抛物检测方法


[0001]本专利技术涉及基于增量式背景建模方法，尤其涉及一种基于增量式背景建模与多目标跟踪的高空抛物检测方法。

技术介绍

[0002][0003][0004]背景建模是计算机视觉领域中的一项基础任务，其主要目的是从视频序列中提取静态背景，并将动态部分(前景)从背景中分离出来，以便于后续目标检测、跟踪、分割等任务的实现。现有的背景建模方法主要有以下几种：
[0005]1.帧差法：将相邻帧之间的像素值差异作为背景和前景的判别依据。当像
[0006]素的差异大于阈值时，该像素被标记为前景。
[0007]2.自适应背景建模法：根据像素值的变化程度自适应地调整像素的背景模
[0008]型，以应对光照变化、摄像机移动等场景下的背景建模。
[0009]3.基于稀疏编码的背景建模法：通过将每个像素表示为一个稀疏线性组合的方式，实现对背景和前景的分离。
[0010]4.基于主成分分析的背景建模法：通过对视频序列中的像素数据进行主成
[0011]分分析，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于，该方法包括以下步骤：S1，初始化背景模型；S2，利用S1得到的背景模型，基于自适应学习率作用新帧，从而对背景模型进行更新，并基于自适应阈值以区分前景像素与背景像素；S3，利用S2得到的前景像素，采用特征聚类的方法进行目标检测，提取前景像素的特征并进行聚类操作，对于每个聚类，计算其形状特征和纹理特征，并将其结果输出为目标检测结果；S4，利用S3得到的检测结果，采用卡尔曼滤波方法进行目标匹配，并根据当前帧中检测到的目标位置信息和匹配结果，更新目标的状态信息；S5，根据目标物体在多个连续帧中的状态信息，判断目标物体是否需要合并或分裂，并在合并或分裂操作后输出新的目标物体的状态信息；S6，对步骤S5得到的目标物体的状态信息，保存其运动视频，依据检测生成的运动轨迹，预估计算出该目标的加速度，确认高空抛物目标，剔除非高空抛物目标。2.如权利要求1所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：步骤S2中，首先每隔K1秒进行历史帧的清除或历史帧的数目超过K2帧即进行历史帧前K3帧的清除，再进行背景模型的更新。3.如权利要求1所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：步骤S2的具体实现方式如下：S201，在读取新帧前，先基于定期清除历史帧的方法清理历史帧，而后读取并插入新的视频帧I
t
，并将其转换为灰度图像G
t
：Igray＝0.299
·
Ir+0.587
·
Ig+0.114
·
Ib其中I
gray
代表灰度转换后灰度图像G
t
像素的灰度值，I
r
，I
g
，I
b
分别代表原图像像素的红，绿，蓝三个通道的值；S202，对于每个像素(i,j)，计算其与背景模型B
i,
的差异：D
i,j
(t)＝|G
i,j
(t)
‑
B
i,j
(t
‑
k)|其中B
i,j
(t)表示在t时刻之前的若干帧中的像素值的统计结果，B
i,j
(t)表示在t
‑
k(s)时刻之前的若干帧中的像素值的统计结果，G
i,j
(t)表示灰度图像G
t
中像素(i,j)的值；S203，根据步骤S202中计算出的差异值D
i,
(t)和自适应阈值T，决定该像素是否为前景像素F
i,
(t)，如果D
i,
(t)>T，则认为该像素为前景像素；S204，根据前景像素F
i,
(t)和背景模型B
i,
(t
‑
1)的更新策略，更新背景模型B
i,
(t)，假设在前N帧中，像素(i,j)在n帧中被识别为前景像素，则前景像素比例为定义自适应学习率α和β，使得当前景像素比例p与α的值、背景模型更新速度成反比；使得当前景像素比例p与β的值、背景模型更新速度成正比。4.如权利要求3所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：自适应阈值公式为：
其中，T0是初始阈值，k是系数，μ(x,y)是像素(x,y)的背景模型标准差，μ0是平均标准差，W(x,y)表示像素(x,y)在系统运行时间内，该像素被分类成前景的次数。5.如权利要求3所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：定义自适应学习率α和β的计算公式如下；其特征在于：定义自适应学习率α和β的计算公式如下；更新背景模型B
i,
(t)为：其中，α
min
和a
max
是t时刻的学习率α
t
的上下限，β
min
和β
max
是t时刻的学习率β
t
的上下限，p是前景像素比例，p
min
和p
max
是p的上下限。6.如权利要求1所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：所述步骤S3的具体子步骤如下；S301:使用SIFT特征提取算法提取每个前景像素的像素值，位置，纹理特征；S302:将各前景像素的特征输入到聚类算法中，执行K
‑
Means算法，进行聚类；S303:使用肘部法则确定聚类数量的最佳值，并确定每个聚类的中心，用中心点的位置表示聚类所对应的目标物体的位置；S304:将前景像素分配到距离其最近的聚类，分配结束后过滤无效聚类，以排除非目标物体的噪声；S305:输出目标检测结果。7.如权利要求1所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其特征在于：所述步骤S4的具体实现方式如下；S401:对于每个目标，都初始化一个卡尔曼滤波器，设置状态向量，状态转移矩阵，观测矩阵，过程噪声和观测噪声；S402:对于步骤S3中输出的当前帧检测结果，构造对应的观测向量，输入到卡尔曼滤波器中进行更新，并估计当前目标的状态向量；S403:对于步骤S402的输出结果，获得目标的状态信息与运动模型；S404:根据当前帧目标的状态信息与运动模型，预测目标的位置，并于下一帧中的检测结果进行匹配，以确定目标接下来的状态。S405:根据步骤S404的输出结果，若此时的处理结果经M帧结果综合而成，则进入步骤
S5，否则再次进入步骤S401，接收新的一帧。8.如权利要求1所述的一种基于增量式背景建模与多目标跟踪的高空抛物检测方法，其...

【专利技术属性】
技术研发人员：程子洋，周琦斌，傅彦凯，
申请(专利权)人：武汉大学，
类型：发明
国别省市：