CN102129688B - 一种针对复杂背景的运动目标检测方法 - Google Patents

Abstract

一种针对复杂背景的运动目标检测方法，涉及一种针对复杂背景中动目标的检测，解决了现有的检测方法在复杂条件下的适应性差、鲁棒性差的问题。其方法：获取待测场景的视频的M帧场景图像，并作帧间差分，对于每个像素点的差分序列建立混合高斯模型；设置混合高斯模型的虚警率，计算每个像素点的检测门限；根据检测门限对每帧场景图像中的每一个像素点做二值化处理，获得运动目标的轮廓。本发明适用于复杂背景下的运动目标检测。

Description

一种针对复杂背景的运动目标检测方法

技术领域

本发明涉及一种针对复杂背景的目标检测方法。

背景技术

视频技术在科学研究和工程领域有着广阔的前景。在视频图像处理的各种研究和应用中，运动目标的检测技术是一项关键的技术。通常运动目标检测的目的是为了把运动目标从背景中分离出来，是运动目标与背景的二元决策问题。

视频图像处理的首要任务是从视频图像中检测出运动的目标，通过时间和空间上的冗余信息，将背景和运动目标分割出来，如何有效的对背景和目标进行分割是目前研究的重点。

复杂条件(或背景)下的运动目标检测一直是视频图像处理和理解领域的难点，也日益成为视频图像处理***实用性和可靠性的严重障碍。由于各种视频应用的场合不尽相同，运动目标所处的环境和背景***，这对运动目标检测方法的适应性和稳健性提出了更高的要求。但是从目前的条件和技术水平来说，建立抗干扰性强、能适应各种场合各种条件的、稳健的运动目标检测方法非常困难。目前已出现了很多在特定条件下具有良好性能的运动目标检测和跟踪的方法。针对不同的应用场合的检测方法，其可靠性和稳定性较易实现，然而如何提高检测方法对于复杂条件(或背景)的适应性和鲁棒性是一个充满挑战的课题。

发明内容

本发明是为了解决现有的检测方法在复杂条件下的适应性差、鲁棒性差的问题，从而提供一种针对复杂背景的运动目标检测方法。

一种针对复杂背景的运动目标检测方法，它由以下步骤实现：

步骤一、获取待测场景的视频，根据视频内容获得M帧场景图像。M为大于或等于2的整数；

步骤二、对步骤一获得的M帧场景图像作帧间差分，获得场景图像中的每一个像素点的差分序列；

步骤三、对步骤二获得的场景图像中的每一个像素点的差分序列建立混合高斯模型；

步骤四、设置要求的虚警率，并根据步骤三获得的混合高斯模型计算场景图像中的每一个像素点的检测门限；

步骤五、根据步骤四获得的检测门限对差分序列帧中的每一个像素点做二值化处理，从而获得运动目标的轮廓。

步骤一中所述待测场景的视频P_x，y(t)的表达式为：

P_x，y(t)＝T_x，y(t)+B_x，y(t)+L_x，y(t)

式中，x，y是像素的坐标，t为待测场景的视频的时间，T_x，y(t)表示运动目标，B_x，y(t)为背景，L_x，y(t)表示光照的强度。

步骤三中所述的混合高斯模型的具体含义为：一个以概率1-ε从

得到的随机变量，以及以概率ε从

得到的随机变量之和的概率密度函数，混合高斯模型的概率密度函数定义为：

$f_{x,y}\left(z\right)=(1-\mathrm{\ϵ})g_{x,y}\left(z\right)+\mathrm{\ϵ}{\tilde{g}}_{x,y}\left(z\right)$

其中，

和分别是两个零均值不等方差的高斯模型，ε∈[0，1]，是两个高斯分量的权重；

对于每组差分序列z[n]，n＝1，2…，N，N为正整数，将上述公式改写为：

$f_{x,y}\left(z\right[n];\mathrm{\ϵ})=\frac{(1-\mathrm{\ϵ})}{{\mathrm{\σ}}_1\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_1^2})+\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}_2\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_2^2}).$

步骤四中所述设置混合高斯模型的虚警率的方法为：如果以Th作为区分运动目标与背景的阈值，则大于Th的像素点为运动目标，小于或等于Th的像素点为背景；那么虚警率为： $P_{\mathrm{FA}}=\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}+\underset{-\∞}{\overset{-\mathrm{Th}}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}=2\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}.$

步骤四所述根据所述虚警率计算每帧场景图像中的每一个像素点的检测门限采用Q函数法。

有益效果：本发明的检测方法在复杂条件下的适应性强、鲁棒性强，尤其适合亮度变化、阴影、树叶摆动、恶劣的气象环境条件下的运动目标检测。

附图说明

图1是本发明的流程示意图；图2是两个零均值不等方差的高斯模型示意图；图3是混合高斯模型示意图；图4是虚警率的示意图。

具体实施方式

具体实施方式一、结合图1说明本具体实施方式，一种针对复杂背景的运动目标检测方法，它由以下步骤实现：

步骤一、获取待测场景的视频，根据视频内容获得M帧场景图像，M为大于或等于2的整数；

步骤二、对步骤一获得的M帧场景图像作差分，获得每帧场景图像中的每一个像素点的差分序列；

步骤三、根据步骤二获得的每帧场景图像中的每一个像素点的差分序列建立混合高斯模型；

步骤四、设置步骤三获得的混合高斯模型的虚警率，并根据所述虚警率计算每帧场景图像中的每一个像素点的检测门限；

步骤五、根据步骤四获得的检测门限对步骤一获得每帧场景图像中的每一个像素点做二值化处理，从而获得运动目标的轮廓。

步骤一中所述待测场景的视频P_x，y(t)的表达式为：

P_x，y(t)＝T_x，y(t)+B_x，y(t)+L_x，y(t)

式中，x，y是像素的坐标，t为待测场景的视频的时间，T_x，y(t)表示运动目标，B_x，y(t)为背景，L_x，y(t)表示光照的强度。

步骤三中所述的混合高斯模型的具体含义为：一个以概率1-ε从

得到的随机变量，以及以概率ε从

得到的随机变量之和的概率密度函数，混合高斯模型的概率密度函数定义为：

$f_{x,y}\left(z\right)=(1-\mathrm{\ϵ})g_{x,y}\left(z\right)+\mathrm{\ϵ}{\tilde{g}}_{x,y}\left(z\right)$

其中，

和

分别是两个零均值不等方差的高斯模型，ε∈[0，1]，是两个高斯分量的权重；

对于每组差分序列z[n]，n＝1，2…，N，N为正整数，将上述公式改写为：

$f_{x,y}\left(z\right[n];\mathrm{\ϵ})=\frac{(1-\mathrm{\ϵ})}{{\mathrm{\σ}}_1\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_1^2})+\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}_2\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_2^2}).$

步骤四中所述设置混合高斯模型的虚警率的方法为：如果以Th作为区分运动目标与背景的阈值，则大于Th的像素点为运动目标，小于或等于Th的像素点为背景；那么虚警率为： $P_{\mathrm{FA}}=\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}+\underset{-\∞}{\overset{-\mathrm{Th}}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}=2\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}.$

步骤四所述根据所述虚警率计算每帧场景图像中的每一个像素点的检测门限采用Q函数法。

原理：1、建模对象获取

令所观测到的视频为：

P_x，y(t)＝T_x，y(t)+B_x，y(t)+L_x，y(t)            (1)

其中，x，y是像素的坐标，t为视频序列的时间，T_x，y(t)表示运动的目标，B_x，y(t)为背景，L_x，y(t)代表光照的强度。由于照度的变化相对真实视频信号的变化而言是一个慢变的过程，也即若|Δt|→0，则光照的变化ΔL_x，y(t)→0。当背景变化不大时，同样背景的变化ΔB_x，y(t)→0，则有：

ΔP_x，y(t)＝ΔT_x，y(t)            (2)

这表明对观测序列取差分后得到的差分序列实际上代表了运动目标的运动信息。对于复杂背景，当|Δt|→0时，背景的变化ΔB_x，y(t)并不趋于0。因此必须采用适当的方法去除背景的影响。

对于一段视频序列，应用帧间差分后，任一位置的像素点都会产生一组差值序列ΔP_x，y(t)，x，y其中是像素的坐标，t为视频序列的时间。

建模方法：

如果将背景和运动目标视频信号均视为随机过程，那么假设同一位置像素点的差值序列ΔP_x，y(t)的统计分布为f_x，y(z)，对于帧间差分不难得出无论对于背景还是目标，帧间差分的统计均值为0。对于运动的目标，帧间差分的离差肯定要大于背景的帧间差分的离差。

而实际的情况是：ΔP_x，y(t)是一组随机的数据，具有非高斯型。所以应用混合高斯模型能够更加准确地表征ΔP_x，y(t)的分布。

混合高斯模型可以视为一个以概率1-ε从

得到的随机变量，以及以概率ε从得到的随机变量之和的概率密度函数(PDF)。混合高斯模型的PDF定义为：

$f_{x,y}\left(z\right)=(1-\mathrm{\ϵ})g_{x,y}\left(z\right)+\mathrm{\ϵ}{\tilde{g}}_{x,y}\left(z\right)---\left(3\right)$

其中：

和

分别是两个零均值不等方差的高斯模型，ε∈[0，1]为两个高斯分量的比率，对于样本z[n]，n＝1，2…，N，改写(3)式为：

$f_{x,y}\left(z\right[n];\mathrm{\ϵ})=\frac{(1-\mathrm{\ϵ})}{{\mathrm{\σ}}_1\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_1^2})+\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}_2\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_2^2})---\left(4\right)$

附图2和附图3列出了混合高斯模型的示意图，图2中标记21为的高斯模型，标记22为

的高斯模型。

模型参数的求取：矩估计法

假设混合高斯模型的三个参数(ε，σ₁，σ₂)是未知的，需要根据一定数量的样本z[n]估计出来。由于PDF是关于0的对称函数，也即偶函数，则所有的奇数阶矩均为0。由偶数阶矩可以列出三个独立的方程：

$E\left\{z^2\right[n\left]\right\}=(1-\mathrm{\ϵ}){\mathrm{\σ}}_1^2+{\mathrm{\ϵ\σ}}_2^2---\left(5a\right)$

$E\left\{z^4\right[n\left]\right\}=3(1-\mathrm{\ϵ}){\mathrm{\σ}}_1^4+{3\mathrm{\ϵ\σ}}_2^4---\left(5b\right)$

$E\left\{z^6\right[n\left]\right\}=15(1-\mathrm{\ϵ}){\mathrm{\σ}}_1^6+{15\mathrm{\ϵ\σ}}_2^6---\left(5c\right)$

这三个方程是非线性的，令m₂＝E{z²[n]}、m₄＝E{z⁴[n]}和m₆＝E{z⁶[n]}表示样本的2阶、4阶和6阶矩，并且令：

$u={\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2---\left(6a\right)$

$v={\mathrm{\σ}}_1^2{\mathrm{\σ}}_2^2---\left(6b\right)$

那么，直接代入公式(5)可以解得：

$u=\frac{m_6-{5m}_4{m}_2}{{5m}_4-{15m}_2^2}---\left(7a\right)$

$v={\mathrm{um}}_2-\frac{m_4}{3}---\left(7b\right)$

因此，利用样本的2阶、4阶和6阶矩不难解出u，相应的v可以利用2阶、4阶矩和u估计得到。u和v一旦确定，则

和

可以通过求解(7)式得到

${\mathrm{\σ}}_1^2=\frac{u+\sqrt{u^2-4v}}{2}---\left(8a\right)$

${\mathrm{\σ}}_2^2=\frac{v}{{\mathrm{\σ}}_1^2}---\left(8b\right)$

混合比率为

$\mathrm{\ϵ}=\frac{m_2-{\mathrm{\σ}}_1^2}{{\mathrm{\σ}}_2^2-{\mathrm{\σ}}_1^2}---\left(9\right)$

目标的统计检测

门限检测的原理：虚警率

无论对于背景还是目标，帧间差分的统计均值为0。运动目标帧间差分的离差肯定要大于背景的帧间差分的离差。应用经典的统计与检测理论，以Th作为区分动目标信号与背景的阈值，那么大于Th的样本，则为目标的可能性大；而小于Th的样本则为背景的可能性大。由于动目标和背景的统计分布都为0均值的对称分布，只是离散程度不同，那么检测必然会出现错误。存在两类错误：背景被错误地判定为目标的概率称为虚警率；而目标被错误地判定为背景的概率称为漏警率。虚警表现在目标之外的离散的点状噪声；漏警表现在目标检测的内部出现空洞。因此该方法实际检测的是目标的轮廓。对于动目标检测而言，虚警率尤为重要，虚警率不能太高，否则目标外干扰的点太多，难以准确获取目标的外轮廓。若背景差分的统计分布为f_x，y(z)，则虚警率为

若动目标差分的统计分布为h_x，y(z)，则漏警率为

附图4为虚警率的示意图，其中曲线41为动目标的差分分布h_x，y(z)；曲线42为背景的差分分布f_x，y(z)。

将统计与检测理论中虚警率的概念应用于运动目标检测中，无论背景还是运动目标，其帧间差分统计均值为0。对于运动的目标，帧间差分的离差肯定要大于背景的帧间差分的离差。偏离0点大的像素点对应的是运动目标的外轮廓以及内部的结构边缘，这些信息点恰恰对应所需要的关键特征点。

如果将虚警率记为P_FA，则

附图4为示意图。

门限值Th的求取：Q函数法

高斯混合模型的累积概率密度函数的计算可以通过单高斯模型的CDF来实现。一个零均值单高斯PDF满足

$g_{x,y}\left(z\right[n\left]\right)=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{2{\mathrm{\σ}}^2})---\left(10\right)$

当σ²＝1时，即为标准正态PDF，其累积概率密度函数CDF满足：

${\mathrm{\Φ}}_{x,y}\left(z\right)=\underset{-\∞}{\overset{z}{\∫}}\frac{1}{\sqrt{2\mathrm{\π}}}\exp (-\frac{t^2}{2{\mathrm{\σ}}^2})\mathrm{dt}---\left(11\right)$

采用描述右尾概率的Q函数表示：

$Q_{x,y}\left(z\right)=1-{\mathrm{\Φ}}_{x,y}\left(z\right)=\underset{z}{\overset{-\∞}{\∫}}\frac{1}{\sqrt{2\mathrm{\π}}}\exp (-\frac{t^2}{2{\mathrm{\σ}}^2})\mathrm{dt}---\left(12\right)$

该式代表超过某个给定值的概率。Q函数的一个近似为：

$Q_{x,y}\left(z\right)\≈\frac{1}{z\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2}{{2\mathrm{\σ}}^2})---\left(13\right)$

因此，混合高斯的CDF可以表示为：

F_x，y(z；ε)＝(1-ε)Q_x，y(z/σ₁)+εQ_x，y(z/σ₂)        (14)

该式同样具有显式的解析表达，因此便于根据统计检测理论，由给定的虚警率求出对应的检测门限。

前景分割：

应用获得的阈值对每一个像素点做二值化处理。

在动目标的门限检测中，控制虚警率，较低的虚警率使得背景中的虚警点呈现出类似于噪声的离散点状形态。因此采取适当的滤波等后处理技术，不难确定出运动目标的外轮廓，进而实现动目标的前景分割。

得到运动目标之后，进一步结合适当的背景更新技术，也就是对模型的参数实时更新，就能够实现模型实时跟踪背景的变化。

Claims (5)

1.一种针对复杂背景的运动目标检测方法，其特征是：它由以下步骤实现：

步骤一、获取待测场景的视频，根据视频内容获得M帧场景图像，M为大于或等于2的整数；

步骤二、对步骤一获得的M帧场景图像作帧间差分，获得场景图像中的每一个像素点的差分序列；

步骤三、对步骤二获得的场景图像中的每一个像素点的差分序列建立混合高斯模型；

步骤四、设置要求的虚警率，并根据步骤三获得的混合高斯模型计算场景图像中的每一个像素点的检测门限；

步骤五、根据步骤四获得的检测门限对差分序列帧中的每一个像素点做二值化处理，从而获得运动目标的轮廓。

2.根据权利要求1所述的一种针对复杂背景的运动目标检测方法，其特征在于步骤一中所述待测场景的视频P_x，y(t)的表达式为：

P_x，y(t)＝T_x，y(t)+B_x，y(t)+L_x，y(t)

式中，x，y是像素的坐标，t为待测场景的视频的时间，T_x，y(t)表示运动目标，B_x，y(t)为背景，L_x，y(t)表示光照的强度。

3.根据权利要求1所述的一种针对复杂背景的运动目标检测方法，其特征在于步骤三中所述的混合高斯模型的具体含义为：一个以概率1-ε从

得到的随机变量，以及以概率ε从

得到的随机变量之和的概率密度函数，混合高斯模型的概率密度函数定义为：

$f_{x,y}\left(z\right)=(1-\mathrm{\ϵ})g_{x,y}\left(z\right)+\mathrm{\ϵ}{\tilde{g}}_{x,y}\left(z\right)$

其中，

和

分别是两个零均值不等方差的高斯模型，ε∈[0，1]，是两个高斯分量的权重；

对于(x，y)像素差分序列z[n]，n＝1，2，…，N，N为正整数，将上述公式改写为：

$f_{x,y}\left(z\right[n];\mathrm{\ϵ})=\frac{(1-\mathrm{\ϵ})}{{\mathrm{\σ}}_1\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_1^2})+\frac{\mathrm{\ϵ}}{{\mathrm{\σ}}_2\sqrt{2\mathrm{\π}}}\exp (-\frac{z^2\left[n\right]}{{2\mathrm{\σ}}_2^2}).$

4.根据权利要求1所述的一种针对复杂背景的运动目标检测方法，其特征在于步骤四中所述设定的虚警率和检测门限的关系为：

如果以Th作为区分运动目标与背景的阈值，则大于Th的像素点为运动目标，小于或等于Th的像素点为背景；那么虚警率为： $P_{\mathrm{FA}}=\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}+\underset{-\∞}{\overset{-\mathrm{Th}}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}=2\underset{\mathrm{Th}}{\overset{+\∞}{\∫}}{f}_{x,y}\left(z\right)\mathrm{dz}.$

5.根据权利要求1所述的一种针对复杂背景的运动目标检测方法，其特征在于步骤四所述根据设定的虚警率计算每帧场景中的每一个像素点的检测门限采用Q函数法。

Images