基于时空条件信息的运动目标检测方法技术

本发明专利技术公开了基于时空条件信息的运动目标检测方法。该方法考虑人类视觉时空域显著性构建目标检测时空域模型，计算检测图像属于时空域参考背景的条件概率，以负对数核对条件概率进行非线性变换提取时空条件信息，考虑图像特征局部一致性对邻域内图像条件信息加权求和，作为特征利用线性分类器进行目标检测。采用颜色直方图快速计算条件概率，以图像块代替单个像素进行建模和检测，降低算法复杂度、存储空间需求，结合图像块差分预检测机制提高目标检测速度。本发明专利技术算法复杂度低、存储空间需求小、算法实时性高，能够有效抑制背景扰动干扰和孤立噪声影响，并在现有计算机上实现运动目标实时检测，且适于嵌入式智能摄像机平台应用。

【技术实现步骤摘要】
本专利技术涉及计算机视觉中的视频运动目标分割，特指视频监控系统中的运动目标检测。
技术介绍
视频运动目标检测是计算机视觉应用的基础问题之一，它是运动目标跟踪、运动目标识别、人机接口、动作识别、行为理解等高级应用的基础支撑，已经在视频监控、视频检索等具体应用中发挥重要作用，将在军事、交通、安防、文化娱乐等诸多领域发挥更大作用。智能视频监控系统能够将人从繁重的视频监视任务中解放出来，减少人工干预，减轻监视人员工作负担，自动发现监视环境中的运动目标，自动跟踪与识别运动目标，自动 发现监视场景中可疑事件和提取感兴趣信息。前述智能视频监控系统中的智能分析功能都依赖于视频运动目标检测算法，视频运动目标检测是将视频中运动目标与背景进行分离，以提取运动目标，它是智能视频监控系统的基础算法，是后续目标跟踪、识别、可疑事件检测的算法基础。目前主流的运动目标检测方法有减背景法和光流法。光流法复杂的计算使其难以得以实际应用；减背景法是目前最常用也是最有效的运动目标检测方法，其核心思想是使用合适的模型进行场景描述，并以此判定场景的变化检测运动目标。常用的减背景方法包括混合高斯模型(Gaussians Mixture Model, GMM)、非参数模型(Kernel DensityEstimation, KDE)、码本模型(Code Book)等，它们通过在时域上对像素亮度进行建模以检测运动目标。运动目标检测的挑战来自于如何克服自然环境变化(光照变化、树叶的摇晃、雨雪、水面波动等)和成像器材(电子噪声、摄像机的晃动等)的影响。常用的基于时域建模的减背景方法，通过图像特征(颜色、梯度、纹理、边缘等)在时域上的变化检测并定位运动目标。但图像中各个像素位置处的图像特征并非是孤立的，它们之间存在着联系，因此利用时域变化难以处理场景中背景扰动，即使采用多模态模型，比如混合高斯模型(GMM)，也难以抑制环境噪声影响。虽然基于图像分割(基于随机场的运动目标分割)的方法能够抑制孤立噪声，但是基于分割的方法依赖于初始的检测结果，在初始检测结果错误严重时也难以获得准确分割结果，且算法实时性差。基于时空域模型的方法充分考虑了图像颜色分布的时空一致性，在时空域联合建模进行运动目标检测，在处理动态场景中背景扰动时表现出良好性能。基于时空域的算法，由于需要处理大量的时空域数据，计算复杂度高，内存需求大，算法实时性差，由于孤立噪声干扰影响，最终的检测结果还需要进行形态学滤波或图像分割等后处理才能得到较好的检测结果。随着视频监控系统由模拟时代向网络时代发展，摄像机也向着智能化方向发展，越来越多的智能视频处理算法包括运动目标检测算法，需要向智能摄像机移植，在智能摄像机上进行嵌入式实现。但是，现有的能够处理动态场景中环境噪声的视频运动目标检测算法，不仅计算复杂度高，而且内存需求非常大，而难以在嵌入式智能摄像机平台上应用。为此，我们面向智能视频监控系统的实际应用，针对动态场景中的运动目标检测易受环境噪声干扰问题，提出一种基于时空条件信息的动态场景运动目标检测方法，该方法能够有效抑制动态场景中环境噪声干扰，有效检测运动目标，并采用图像分块策略进行目标检测加速，降低算法复杂度，增加实时性，减少内存需求，使基于时空条件信息的运动目标检测方法，不但能够在现有PC平台上实现动态场景运动目标实时检测，还适于嵌入式智能摄像机平台应用。运动目标检测本质是一个二分类问题，即以背景序列为参考条件，把当前观察图像中的像素分类为前景(本专利技术中也称为目标)和背景。基于算法复杂度的考虑，现有运动目标检测算法多采用线性分类器，对图像像素分类，分割出当前图像中的前景，但是，在动态场景(比如水面波动、树叶摆动的场景)下，扰动的背景(波动的水面、摆动的树叶)与前景常表现为线性不可分的。以水面波动场景中漂浮物检测(图I中b)为例，可以发现背景差分、混合高斯模型、非参数模型都在一定程度上存在背景与前景线性不可分的问题。背景差分运动目标检测将输入图像与参考背景图像相减得到差分图像，以此作为分类特征，采用二值化操作(最简单的二分类器)检测运动目标。如图I所示，将当前输 入图像(图I中b)与参考背景(图I中a)做差分得到背景差分图像(图I中C)，然后分别统计该差分图像中背景区域颜色直方图和前景区域颜色直方图，这两个直方图之间的可分离程度便体现了背景与前景的线性可分性。统计背景与前景区域直方图，具体实现方式是预先手工标记出每一帧图像中的目标区域得到运动目标掩码模板(图I中d)，然后，以属于目标掩码区域内的图像统计前景区域差分直方图，以非掩码区域内的图像统计背景区域差分直方图(图2中b0)，按照同样的方式，得到整个视频目标区域与背景区域的差分图像直方图如图2中e0所示。将图2中b0、e0下半部分局部放大(图2中c0、f0)可以看出，目标区域与背景区域的差分图像直方图存在大范围重叠区域，亦即背景与前景的可分离程度低，因此，采用背景差分图像作为运动目标检测特征，难以通过线性分类器进行线性分类，因此，背景差分图像特征在处理动态场景中的运动目标检测时，目标与背景是线性不可分的。混合高斯模型、非参数模型是两种典型的以图像颜色概率分布进行建模的视频运动目标检测算法，它们都以待检测图像像素属于背景的条件概率作为分类特征，然后采用线性分类器进行检测。由于非参数模型能够表示任意概率分布，因此，我们以非参数模型为例，考察基于颜色概率分布建模的背景减方法中前景与背景的线性可分性。如图2所示，采用非参数模型估计当前输入图像(图I中b)属于背景b条件概率特征图像为图2中al，按照前述方法得到该特征图像上目标与背景区域内的直方图如图2中bl所示，以及整个视频的目标区域与背景区域的直方图如图2中el所示。对图2中bl、el下半部分局部放大(图2中cl、fl)可以看出，与图2中c0、f0相比，目标与背景区域的直方图重叠范围减少了，线性可分性增加了，但是目标与背景的线性分界面却较窄，分割阈值的选择容易受到噪声干扰，影响算法鲁棒性。对非参数模型中的条件概率P (X |b)进行非线性变换，可以得到如图2中a2所示的特征图像，按照同样的方法得到对应的目标与背景区域的直方图(图2中b2、e2)。从对应的下半部分局部放大图(图2中c2、f2)可以发现目标与背景的线性分界面增宽了。也就是说，该非线性变换增强了前景与背景的线性可分性。图像特征分布具有局部一致性，即图像像素不是孤立的，它与邻域内像素之间存在着联系。当前像素X的图像特征会受到邻域内像素图像特征的影响，因此，将非线性变换后的图像特征在其邻域内进行加权和，可以进一步抑制孤立噪声，增大目标与背景线性分界面(图2中b3、c3、e3、f3)，增加分类鲁棒性，降低分类错误。如图2所示，图2中do为背景差分算法检测结果，图2中dl为非参数模型检测结果，图2中d2为条件概率非线性变换检测结果，图2中d3为条件概率非线性变换后特征图像邻域内加权求和检测结果。从检测结果可以看出，对条件概率进行非线性变换，并将其在邻域内进行加权求和能够有效抑制动态场景中背景扰动干扰，减少孤立噪声污染，得到良好的目标检测结果。因此，本专利技术拟采用对图像颜色概率分布进行非线性变换的方式，增强动态场景中前景与背景的线性可分性，以提高动态本文档来自技高网...

【技术保护点】
基于时空条件信息的运动目标检测方法，其特征在于：对检测图像中的像素点（3）属于参考背景的条件概率p(x｜b)进行非线性变换,作为运动目标检测分类特征，以线性分类器进行动态场景中前景与背景分类。

【技术特征摘要】
1.基于时空条件信息的运动目标检测方法，其特征在于对检测图像中的像素点(3)属于参考背景的条件概率P(X I b)进行非线性变换，作为运动目标检测分类特征，以线性分类器进行动态场景中前景与背景分类。2.根据权利要求I所述的基于时空条件信息的运动目标检测方法，其特征在于，采用非负对数对条件概率P(x I b)进行非线性变换，得到像素点(3)在参考背景条件下的条件信息I(X|b)，作为图像分类特征。3.根据权利要求2所述的基于时空条件信息的运动目标检测方法，其特征在于，加权像素点(3)邻域内像素点的条件信息I (X I b)，作为检测像素点(3)的最终分类特征。4.根据权利要求I或3所述的基于时空条件信息的运动目标检测方法，其特征在于，采用中心四周时空域模型计算条件概率P(x I b)，并以此计算像素点(3)的加权条件信息。该时空域模型，以当前检测像素点(3)为中心，构建中心区域(I)，并以该中心区域(I)对应的四周区域(2)确定参考背景以四周区域(2)外边界范围内的所有N-I帧背景序列图像BckSeq (4)，并连同当前检测图像Cur...

【专利技术属性】
技术研发人员：包卫东，熊志辉，王斌，谭树人，刘煜，王炜，徐玮，陈立栋，张茂军，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：