CN108537819A - 超像素运动目标检测方法 - Google Patents

Abstract

本发明公开了一种超像素运动目标检测方法，包括以下步骤：S1：超像素时间变化检测：利用简单线性迭代聚类算法将当前帧分割为超像素集合，根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块；S2：基于前景超像素的目标分割：根据运动目标的一致性原则建立前一帧目标模型，结合目标空间线索进一步确定包含运动目标的检测窗口，将目标检测问题转化为目标分割问题，利用密集角点检测将目标从窗口中分割出来。

Description

超像素运动目标检测方法

技术领域

本发明具体涉及一种超像素运动目标检测方法。

背景技术

在计算机视觉领域，运动目标检测是指在视频序列上发现并捕捉到完整运动前景的行为，是目标跟踪、分类和行为理解等更高层次处理的关键底层技术，其检测效果将直接影响***后续处理的各项性能。当前，越来越多的运动目标检测算法被开发以满足不同的应用需求(比如，智能机器人、自动监控***和人机交互等)。但是，在实际复杂应用环境中，由于光照变化、噪声、复杂背景纹理和动态背景等干扰因素，使得构建性能稳健的运动目标检测方法成为一项极具挑战性的研究课题。

帧间差分法、光流法和背景减除法是应用最为广泛的运动目标检测方法，其中，帧间差分法简单易操作，但检测效果较差；光流法能够捕捉到细微的运动信息，但极易受到光照变化影响；而以背景减除法为核心的运动目标检测框架则是当前被研究和发表相关文献最多的检测方法，其基本思想是将整个视频序列视为不变应用背景和变化运动目标的合集，利用参数或非参数的方法构建背景模型，通过对比背景模型和当前帧图像来检测变化的前景运动目标。

背景减除类运动目标检测算法的优劣取决于背景模型的有效程度，上述算法均致力于提高背景模型的可靠性，并通过模型更新策略和反馈机制来适应背景变化。但实际应用环境中由于光照变化、摄像机抖动和目标间歇运动等问题，使得构建可靠背景模型十分困难；且该类检测算法存在理论缺陷：（1）无法在初始帧建立有效的背景模型，通常直接以初始帧为背景再逐渐调整；（2）背景模型无法及时响应后续帧中的背景突变；（3）背景的定义为长时间不变的像素，不适用于动态背景。更重要的是，背景减除类算法（包括帧间差分法和光流法）的本质属于基于像素点的时间变化检测，完全忽略了前景目标的整体特性，即无法判别检测得到的前景变化区域是否属于目标，直接将其等同为运动目标；而且目标运动是相对于邻域背景的，简单的对应像素点差分不能真实反映目标运动。

发明内容

本发明要解决的技术问题是提供一种超像素运动目标检测方法。

超像素运动目标检测方法，包括以下步骤：

S1：超像素时间变化检测：利用简单线性迭代聚类算法将当前帧分割为超像素集合，根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块；

S2：基于前景超像素的目标分割：根据运动目标的一致性原则建立前一帧目标模型，结合目标空间线索进一步确定包含运动目标的检测窗口，将目标检测问题转化为目标分割问题，利用密集角点检测将目标从窗口中分割出来。

进一步的，超像素时间变化检测的具体方法如下：

1）利用简单线性迭代聚类算法将当前帧分割为超像素集合,并利用时间变化信息确定发生变化的前景超像素子块；

2）由输入帧的纹理复杂度自适应调整，由下式的高斯差分算子对输入帧进行锐化处理,

,

并根据非极大值抑制二值化高斯差分图像的边缘信息，结合帧分辨率计算所需的SLIC分块数目：

；

3）利用SLIC算法对当前视频帧图像进行分割，计算得到包含时变信息的超像素子块并将其他静态差像素是为背景，将包含时变信息的前景超像素子块分割出来，作为前景运动区域进行空间目标状态分析，

。

进一步的，基于前景超像素的目标分割的具体步骤如下：

1）用贝叶斯目标状态检测框架度量可能包含目标的窗口，保留得分较高的窗口并进行排序，选择超像素跨度（SS）作为空间线索，SS值越大越可能包含你运动目标；

；

2）为上一帧对应位置的已检测目标建立模型，并用同样的方法对得分较高的窗口区域建立当前帧候选模型，利用Bhattacharyya系数度量目标模型与每个候选模型之间的相似度；

；

其中，是归一化系数；是核函数，是核函数的带宽，由t-1时刻的目标尺度决定；表示第i个窗口的中心点位置；是量化函数将像素点的特征值映射到相应的bin值；是Kronecker delta函数；

3）融合步骤1）和步骤2）的窗口权值，找出最有可能包含运动目标的窗口，

；

利用Canny算子检测窗口内的边缘信息，然后对边缘信息进行角点检测以近似确定目标真实轮廓，根据目标的轮廓信息分割前景目标。

本发明的有益效果是：

本方法在序列初始阶段就具有较高的检测精度，有助于迅速发现并捕捉到较为完整的感兴趣目标，且算法能够有效处理目标的间歇性运动问题。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

超像素运动目标检测方法，包括以下步骤：

S1：超像素时间变化检测：利用简单线性迭代聚类算法将当前帧分割为超像素集合，根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块；

S2：基于前景超像素的目标分割：根据运动目标的一致性原则建立前一帧目标模型，结合目标空间线索进一步确定包含运动目标的检测窗口，将目标检测问题转化为目标分割问题，利用密集角点检测将目标从窗口中分割出来。

超像素时间变化检测的具体方法如下：

1）利用简单线性迭代聚类算法将当前帧分割为超像素集合,并利用时间变化信息确定发生变化的前景超像素子块；

2）由输入帧的纹理复杂度自适应调整，由下式的高斯差分算子对输入帧进行锐化处理,

,

并根据非极大值抑制二值化高斯差分图像的边缘信息，结合帧分辨率计算所需的SLIC分块数目：

；

3）利用SLIC算法对当前视频帧图像进行分割，计算得到包含时变信息的超像素子块并将其他静态差像素是为背景，将包含时变信息的前景超像素子块分割出来，作为前景运动区域进行空间目标状态分析，

。

基于前景超像素的目标分割的具体步骤如下：

1）用贝叶斯目标状态检测框架度量可能包含目标的窗口，保留得分较高的窗口并进行排序，选择超像素跨度（SS）作为空间线索，SS值越大越可能包含你运动目标；

；

2）为上一帧对应位置的已检测目标建立模型，并用同样的方法对得分较高的窗口区域建立当前帧候选模型，利用Bhattacharyya系数度量目标模型与每个候选模型之间的相似度；

；

其中，是归一化系数；是核函数，是核函数的带宽，由t-1时刻的目标尺度决定；表示第i个窗口的中心点位置；是量化函数将像素点的特征值映射到相应的bin值；是Kronecker delta函数；

3）融合步骤1）和步骤2）的窗口权值，找出最有可能包含运动目标的窗口，

；

利用Canny算子检测窗口内的边缘信息，然后对边缘信息进行角点检测以近似确定目标真实轮廓，根据目标的轮廓信息分割前景目标。

Claims (3)

1.超像素运动目标检测方法，其特征在于，包括以下步骤：

S1：超像素时间变化检测：利用简单线性迭代聚类算法将当前帧分割为超像素集合，根据帧间的像素级时变线索找到当前帧中包含运动信息的前景超像素子块；

S2：基于前景超像素的目标分割：根据运动目标的一致性原则建立前一帧目标模型，结合目标空间线索进一步确定包含运动目标的检测窗口，将目标检测问题转化为目标分割问题，利用密集角点检测将目标从窗口中分割出来。

2.根据权利要求1所述的超像素运动目标检测方法，其特征在于，超像素时间变化检测的具体方法如下：

1）利用简单线性迭代聚类算法将当前帧分割为超像素集合,并利用时间变化信息确定发生变化的前景超像素子块；

2）由输入帧的纹理复杂度自适应调整，由下式的高斯差分算子对输入帧进行锐化处理,

,

并根据非极大值抑制二值化高斯差分图像的边缘信息，结合帧分辨率计算所需的SLIC分块数目：

；

3）利用SLIC算法对当前视频帧图像进行分割，计算得到包含时变信息的超像素子块并将其他静态差像素是为背景，将包含时变信息的前景超像素子块分割出来，作为前景运动区域进行空间目标状态分析，

。

3.根据权利要求1所述的超像素运动目标检测方法，其特征在于，基于前景超像素的目标分割的具体步骤如下：

1）用贝叶斯目标状态检测框架度量可能包含目标的窗口，保留得分较高的窗口并进行排序，选择超像素跨度（SS）作为空间线索，SS值越大越可能包含你运动目标；

；

2）为上一帧对应位置的已检测目标建立模型，并用同样的方法对得分较高的窗口区域建立当前帧候选模型，利用Bhattacharyya系数度量目标模型与每个候选模型之间的相似度；

；

其中，是归一化系数；是核函数，是核函数的带宽，由t-1时刻的目标尺度决定；表示第i个窗口的中心点位置；是量化函数将像素点的特征值映射到相应的bin值；是Kronecker delta函数；

3）融合步骤1）和步骤2）的窗口权值，找出最有可能包含运动目标的窗口，

；

利用Canny算子检测窗口内的边缘信息，然后对边缘信息进行角点检测以近似确定目标真实轮廓，根据目标的轮廓信息分割前景目标。