基于混合高斯与边缘检测的运动目标检测方法

摘要

本发明公开了一种基于混合高斯与边缘检测的运动目标检测方法，包括以下步骤：从摄像头拍摄的视频中读取当前图像帧；利用混合高斯模型，初始化背景，并不断更新背景，同时分离出运动目标并二值化；利用canny边缘检测方法提取运功目标；将得到的运动目标进行或运算并填补空洞；阴影消除；进行必要的后处理，得到最后结果；循环处理直至所有图像帧处理结束。本发明利用混合高斯模型提取的运动目标与canny算子提取的运动目标的或运算，解决了常规方法在运动目标与背景颜色相似情况下提取的运动目标严重缺失的问题。同时利用基于HSL和基于YCrCb结合的阴影消除法，在有效去除阴影的同时，又尽可能的减少阴影误判区。

说明书

技术领域

本发明涉及运动目标检测的技术领域，特别涉及一种基于混合高斯与边缘 检测的运动目标检测方法。

背景技术

运动目标的检测处理是计算机视觉处理的一个重要组成部分，也是数字视 频技术中的一个重要基础。随着人类科学技术的发展，运动目标的检测这一重 要技术不断地得到充分利用，人们把它运用到各种场景中，实现各种预期目标， 如战场警戒、安全检测、交通管制、视频监控等都方面。由于运动目标所处环 境的复杂性和多态性，如何实现各种环境下有效的目标检测一直是个困扰我们 的难点问题。现有的运动目标检测方法，通常只考虑能否检测出运动目标，忽 略了运动目标检测的完整性，其存在的问题是：在运动目标与背景颜色相似情 况下，由于运动目标在色度上与背景极其相似，容易被判为背景，从而降低了 运动目标检测的准确率和完整性，大大限制了运动目标检测的有效性。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种保证在运动目标 与背景相似情况下能有效检测出运功目标，并确保其完整性的，基于混合高斯 与边缘检测的运动目标检测方法。

本发明的目的通过下述技术方案实现：

一种基于混合高斯与边缘检测的运动目标检测方法，包括以下步骤：

步骤1：从摄像头拍摄的视频中读取当前图像帧；

步骤2：利用混合高斯模型，初始化背景，并不断更新背景，同时分离出运

动目标并二值化；

步骤3：利用canny边缘检测方法提取运功目标；

步骤4：将步骤2和3得到的运动目标进行或运算并填补空洞；

步骤5：阴影消除；

步骤6：进行必要的后处理，得到最后结果；

步骤7：循环处理步骤1-6直至所有图像帧处理结束。

优选的，步骤2中还包括背景选取的步骤，背景选取的方法为：

按ω_i,t/σ_i，t的大小将每个像素点的K个高斯分布进行排序，越在前面的分布 越能表示稳定的背景，取前B个高斯分布作为背景，阈值H用来确定作为背景 模型的B的取值，公式为：

$B=\arg {\min }_b\left({\Sigma }_{i=1}^b{\omega }_{i,t}\right)>H.$

优选的，步骤2中，背景更新采用如下方法进行：

利用当前帧的像素点的值X_t+1,与该点的K个高斯分布进行比较，如果满足 |X_t+1-μ_n,t|＜2.5σ_n,t，则认为X_t+1与该高斯分布η_k相匹配，如果不满足，则为不 匹配；如果X_t+1与混合高斯模型存在匹配，则对于第一个相匹配的参数进行如下 更新：

ω_n，t+1=(1-α)·ω_n，t+α

μ_n，t+1=(1-ρ)·μ_n，t+ρ·X_t+1

${\sigma }_{n,t+1}^2=(1-\rho )·{\sigma }_{n,t}^2+\rho ·{(X_{t+1}-{\mu }_{n,t+1})}^T{(X_{t+1}-{\mu }_{n,t+1})}^T$

ρ=α/ω_n，t+1

其余不匹配的分布其参数进行如下更新：

ω_n,t+1=（1-α）·ω_n,t

其中α是用户自定义的更新率，且0≤α≤1，如果X_t+1与该点所有高斯分布都 不匹配，则用一个新的高斯分布代替权重最小的分布，新的高斯分布以当前像 素值X_t+1为均值，并初始化一个较大的方差和一个较低的权重；

最后利用背景减除法，将输入图像与背景图像做差运算，获得运动目标， 并将其二值化。

优选的，所述步骤3中，所述利用canny边缘检测方法提取运动目标包括以 下步骤：

（3.1）利用canny边缘检测方法，对混合高斯提取的背景和当前输入图像 分别进行边缘检测；

（3.2）由于检测的边缘不连续，存在间断点，无法形成封闭轮廓直接进行 填充，所以，对于检测到的边缘，先查找其外轮廓，并以区域内的任一点为种 子点，以外轮廓为边界区域进行区域生长，以此填充区域；这样经过一次区域 填充后，其边缘已基本连续，可形成封闭区域；

（3.3）对步骤（3.2）的结果再进行一次轮廓查找与填充操作；

（3.4）将经过两次轮廓查找与填充后的当前输入图像与背景图像进行与差 操作，得到运动目标。

优选的，所述步骤4的空洞填补方法包括以下步骤：

（4.1）用一个矩形模板遍历图像，如果在该模板内的有效区域达到阈值， 则找到该有效区域的质心；否则，继续下一次遍历；

（4.2）根据质心将该有效区域划分为八个有效区域，在每个区域中寻找离 质心最远的点，然后顺次连接每个区域内找到的点，形成一个封闭的轮廓，最 后将轮廓内的像素点置为有效点。

优选的，步骤（4.1）中，所述矩阵模板为10*8的矩形模板，有效区域的像 素值为1，阈值为35%。

优选的，所述步骤5的阴影消除方法包括以下步骤：

（5.1）利用基于HSL彩色空间的阴影消除方法检测出阴影区，其阴影判别 函数为：

（5.2）利用基于YCrCb空间的阴影消除方法检测出阴影区，其阴影判别函 数为：

（5.3）将上述步骤（5.1）和（5.2）检测出的阴影区进行与运算，所得结 果为最终阴影区；

其中B(x,y)表示提取的背景，I(x,y)表示输入图像，B(x,y)_h，B(x,y)_s， B(x,y)_l和I(x,y)_h，I(x,y)_s，I(x,y)_l分别表示背景图像和当前图像在H，S，l三 个分量的值，其中T_s，T_h分别表示色彩饱和度与色度的阈值；通常0＜α＜β＜1， 因为阴影点的I值总是小于非阴影的I值。

优选的，步骤6的具体方法为：

使用步骤4提出的空洞填补方法，进行空洞填补，同时利用面积阈值法， 去除狭小噪点，得到干净、完整的运动目标。

本发明相对于现有技术具有如下的优点及效果：

1、本发明的运动目标检测方法采用混合高斯与canny边缘算法综合提取 运动目标，能够最大限度的保留运动目标与背景相似时运动目标的轮廓，大大 增强了目标检测的有效性。

2、本运动目标检测方法采用HSL和YCbCr相结合的方法消除阴影，在正 确的消除阴影的同时又降低了阴影的误判率。

附图说明

图1是本发明的流程图；

图2是本发明过程中利用canny算子提取运动目标的流程图

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方 式不限于此。

实施例

一种基于混合高斯与边缘检测的运动目标检测方法，是通过结合普通混合 高斯模型与Canny边缘检测方法，有效检测出与背景颜色极其相似的运动目标 的轮廓，并且采用HSL和YCbCr相结合的方法消除阴影，在正确的消除阴影的 同时又降低了阴影的误判率。

如图1所示，本发明的运动目标检测方法具体包括如下技术内容：

1、从摄像头读取当前图像帧。

本发明的第一步从视频系统中获取视频，然后读取视频当前帧。

2、利用混合高斯模型初始化背景，并不断更新背景，同时分离出运动目标 并二值化。

运动目标和背景的提取初步采用混合高斯背景模型获得。混合高斯模型可以 用一个或多个高斯分布来近似表示背景像素在时间轴上的统计规律，该模型用K （3～5）个高斯分布统计图像中相同像素点的值，一个像素点的值为X_t的概率密 度函数为：

$P\left(X_t\right)=\left({\Sigma }_{i=1}^K{\omega }_{i,t}\right)\times \eta (X_t,{\mu }_{i,t},{\Sigma }_{i,t})---\left(1\right)$

本算法中背景的选取是采用如下方法确定：

按ω_i,t/σ_i,t的大小将每个像素点的K个高斯分布进行排序，越在前面的分布 越能表示稳定的背景，取前B个高斯分布作为背景，阈值H用来确定作为背景 模型的B的取值，公式为：

$B=\arg {\min }_b\left({\Sigma }_{i=1}^b{\omega }_{i,t}\right)>H.--\left(2\right)$

参数的更新采用如下方法进行：

利用当前帧的像素点的值X_t+1,与该点的K个高斯分布进行比较，如果满足 |X_t+1-μ_n,t|＜2.5σ_n,t，则认为X_t+1与该高斯分布η_k相匹配，如果不满足，则为不 匹配。如果X_t+1与混合高斯模型存在匹配，则对于第一个相匹配的参数进行如下 更新：

ω_n，t+1=(1-α)·ω_n，t+α   (3)

μ_n，t+1=(1-ρ)·μ_n，t+ρ·X_t+1   (4)

${\sigma }_{n,t+1}^2=(1-\rho )·{\sigma }_{n,t}^2+\rho ·{(X_{t+1}-{\mu }_{n,t+1})}^T{(X_{t+1}-{\mu }_{n,t+1})}^T---\left(5\right)$

ρ=α/ω_n，t+1   (6)

其余不匹配的分布其参数进行如下更新：

ω_n，t+l=(1-α)·ω_n，t   (7)

其中α是用户自定义的更新率，且0≤α≤1。如果X_t+1与该点所有高斯分布都 不匹配，则用一个新的高斯分布代替权重最小的分布，新的高斯分布以当前像 素值X_t+1为均值，并初始化一个较大的方差和一个较低的权重。

最后利用背景减除法，将输入图像与背景图像做差运算，获得运动目标，并 将其二值化。

3、利用canny算法提取运功目标，如图2所示，其具体内容为：

由于canny算子在边缘检测中满足信噪比准则、定位精度准则和单边响应准 则，能够准确检测出边缘，因此我们选择Canny算子进行边缘检测，以期得到 运动目标较完整的轮廓。Canny算子求边缘点具体算法步骤为：用高斯滤波器平 滑图像；用一阶偏导有限差分计算梯度幅值和方向；对梯度幅值进行非极大值 抑制；用双阈值算法检测和连接边缘。

利用canny算子对当前输入图像和高斯模型提取的背景图像进行运算，得到 输入图像和背景图像的边缘图像，分别记为f₁(x,y)、f₂(x,y)。

但由于canny算子算法的缺陷，检测出的边缘不连续，存在间断点，无法形成 封闭轮廓直接进行区域填充。所以，对于检测到的边缘，先查找其外轮廓，并 以区域内的任一点为种子点，以外轮廓为边界区域进行区域生长，以此填充区 域。经过一次区域填充后，其边缘已基本连续，可以形成封闭区域，如此再查 找一次外轮廓，对其进行上述同样的操作，这样，便能将经canny运算得到的 边缘图像进行区域填充。将经过两次轮廓查找与填充的f₁(x,y)、f₂(x,y)标记为 f₃(x,y)、f₄(x,y)。则canny算子提取的运动目标可表示为：

$f_5(x,y)=f_3(x,y)-f_3(x,y)\cap f_4(x,y)$

4、将步骤2和3得到的运动目标进行或运算并填补空洞。

此步骤中的填补空洞采取的方法是：

用一个矩形模板（本实验采用10*8的矩形模板）遍历图像，如果在该模板 内的有效区域（像素值为1）达到阈值（本实验取35%），则找到该有效区域的 质心(X_m，Y_m)；否则，继续下一次遍历，其中质心的计算由下式计算得到：

$\left(\begin{array}{c}{X}_m=\Sigma m_i{x}_i/\Sigma m_i\\ Y_m=\Sigma m_i{Y}_i/\Sigma m_i\end{array}\right)$（其中m_i=1）      (8)

根据质心将该有效区域划分为八个有效区域，在每个区域中寻找离质心最远 的点，然后顺次连接每个区域内找到的点，形成一个封闭的轮廓，最后将轮廓 内的像素点置为有效点。

5、阴影消除。

阴影消除的方法很多，比如基于HSL彩色空间的阴影消除方法，基于YCbCr 彩色空间模型的阴影消除法。基于HSL彩色空间的阴影消除方法是根据阴影 特性来进行分割的，阴影区域与其他区域在色度和饱和度方面差别较小，而亮 度值却明显小于其他区域，利用阴影的这一特性，我们即可进行阴影分割，其 判别函数为公式（9）所示：

其中B(x,y)表示提取的背景，I(x,y)表示输入图像，B(x,y)_h，B(x,y)_s，B(x,y)_l和I(x,y)_h，I(x,y)_s，I(x,y)_l分别表示背景图像和当前图像在H，S，l三个分量 的值，其中T_s，T_h分别表示色彩饱和度与色度的阈值。通常0＜α＜β＜1，因 为阴影点的I值总是小于非阴影的I值。

YCbCr也是基于阴影特性的阴影消除方法。它是基于阴影区像素的亮度低于 背景像素和车辆区域像素的亮度以及阴影区像素的色度和背景像素色度几乎 相等这两个特性，得到其阴影判别函数，如式子（10）所示：

其中I(x,y)_Y，I(x,y)_Cb，I(x,y)_Cr和B(x,y)_Y，B(x,y)_Cb，B(x,y)_Cr分别表示当 前输入图像与背景图像在亮度Y，色度(Cb,Cr)上的分量。

这两种方法都能消除真正的阴影，也会将非阴影区误判为阴影，但二者 的误判区各不相同，利用这一特点，本文分别利用HSL和YCbCr阴影检测法的 阴影判别函数对运动目标进行阴影检测，然后将两者检测出的阴影区进行与运 算，从而确定最终的阴影区，降低阴影误判率。

6、进行必要的后处理，得到最后结果；

由于经过阴影消除处理后，会有部分空洞形成，所以在此处使用步骤4提出 的空洞填补方法，进行空洞填补，同时利用面积阈值法，去除狭小噪点，得到 干净、完整的运动目标。

7、循环处理1～6直至所有视频图像处理结束。

通过上述步骤即可实现基于混合高斯与边缘检测的运动目标检测方法。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实 施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、 替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。