基于时空相关特征的运动目标免信标视觉测量技术

摘要

本发明为基于时空相关特征的运动目标免信标视觉测量技术，属于视觉测量技术领域。本发明目的在于克服现有技术中的不足和缺陷，提出一种基于视觉图像的运动目标识别与检测技术。该技术是一种免信标的视觉测量技术，即无需事先在目标运动体上设置信号标志物。技术实现时同时考虑了运动像素的时间和空间相关性，将背景图像差分法和帧间图像差分法结合起来进行运动目标识别，有效地克服了二者的缺点，自适应能力强、速度快，经实验证明抗噪声效果好，能较好地从视频图像中检测出运动目标。

说明书

技术领域

本发明属于视觉测量技术领域，涉及一种利用时空相关特征的免信标运动目标识别技术。

背景技术

常见的运动目标视觉测量技术有三种基本方法：背景图像差分法，帧间差分法和光流法。背景图像差分法检测出的运动目标位置精确，且速度快，但在实际应用中由于进行比较的两幅图像摄自不同的时刻，因此易受到光照变化、风等自然因素和其它人为因素的影响。而且在某些情况下，研究对象在图像上所占区域中的部分像素灰度值可能会与参考图像中对应区域上的背景像素灰度值相同。目前开展了背景重构的研究，以期减少动态场景对于准确分割的影响，但这些方法还不是很完善；帧间差分法只检测相对运动的物体，因两幅图像之间的时间间隔较短，差分图像受光线变化影响小，检测有效而稳定。但这类方法有两个缺陷：(1)两帧间物体重叠部分没有检测出来，即只检测出物体的一部分，在物体中间形成空洞；(2)检测出的物体的位置不精确，其外接矩形在运动方向上被拉伸，检测出的目标比真实的物体大；光流法的优点是能够检测独立运动的对象，而不需要预先知道场景的任何信息，缺点是运算公式复杂、计算量大，在没有特殊硬件支持的条件下很难达到实时要求。

在运动目标的视觉测量中，对运动体的检测与识别通常采用目标点特征识别的方法。即事先在目标运动体上安装特定的信号物，或事先在目标体上选取特定的标志点，通过对信标(信号标志物)的图像识别来实现对目标运动体的识别与定位。这种采用信标识别的方法不但对硬件环境要求高，而且信标往往存在失效、遮掩、脱落等问题，最终对运动目标的识别带来很大影响。

发明内容

针对上述问题，本发明提出一种基于时空相关特征的运动目标免信标视觉测量技术。本发明所提出的视觉测量技术是基于时空相关特征的，即充分考虑了运动像素的时间和空间相关性。在技术方案中对时间上顺序相关的图像序列进行了分析；与此同时，对于不同时间点上的运动目标，也充分考虑了其在图像二维空间上的关联性。这种方法对于视觉测量的效果起到了很好的作用。不同于通常利用信标进行运动目标检测的方法，该技术是一种免信标的视觉测量技术。本发明中提出的免信标是指：无需事先在运动目标上安装任何信号物，也无需事先在运动目标上选取特定的标志点。因此，利用本发明可在不设置任何信标的情况下，对运动目标进行视觉检测。

技术方案具体表述如下：本发明将帧图像分为两个图像区域，利用背景图像差分法，在图像区域一进行运动目标粗检测。利用目标运动的时间相关性，当运动目标完全进入图像区域二时，在图像区域二这个局部区域内进行相邻近帧间差分运算，分割出运动目标。

具体采取的步骤如下：

1.首先获得一幅只含有固定背景的图像U(x，y)；

2.从序列图像中获取当前帧图像F_k(x，y)；

3.将U(x，y)和F_k(x，y)分别按列分成两个图像区域U¹(x，y)、U²(x，y)、

4.U¹(x，y)与差分得到图像Δ¹(x，y)：

${\Delta }^1(x,y)=|F_k^1(x,y)-U^1(x,y)|$

5.利用判别准则参数P_a对Δ¹(x，y)进行进一步计算：

6.计算图像G¹(x，y)的均值和标准差，均值和标准差的计算公式如下：

$\mu =\frac{1}{m\times n}\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{n}{\Sigma }}f(x,y)$

$\delta ={\left[\frac{1}{m\times n}\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{n}{\Sigma }}{\left(f(x,y-\mu )\right)}^2\right]}^{\frac{1}{2}}$

其中m、n分别为图像的行数和列数，f(x，y)为(x，y)点处的灰度值。

7.对均值和标准差加权运算并求出评价指标Ω，计算公式如下所示：

Ω＝k₁μ+k₂δ

锁存另外一帧图像M_k(x，y)，把M_k(x，y)也分成两个图像区域

8.用与差分得到图像G²(x，y)

本发明把背景图像差分法和帧间图像差分法结合起来进行运动目标识别，有效地克服了二者的缺点，自适应能力、速度快，经实验证明抗噪声性能较好，能较好地从视频图像中检测出运动目标。

本发明有以下一些技术特征：

(1)背景图像以及当前帧图像要分别按列分成两个图像区域；

(2)差分得到的图像要利用判别准则参数，进一步计算图像的均值和标准差；

(3)通过均值和标准差加权运算求出评价指标；

(4)引入判别准则参数以确定运动目标的出现；

(5)延迟时间的选取要保证运动目标能够完全进入图像区域中。

附图说明

图1：检测算法流程图

图2：高速运动机构中的物体

图3：T₁时刻采集图像及识别结果

图4：T₂时刻采集图像及识别结果

具体实施方式

下面结合附图和具体实例对本发明作进一步详细描述。将本发明应用于检测并识别高速运动机构中的一个物体，如图2所示。当目标运动时，实时采集图像，并通过此方法识别运动目标。

第一步，当运动机构静止时，采集物体的背景图像U(x，y)。

U(x，y)需要定时更新。设定一个定时器，当时间到并且没有发现运动目标时，就用当前帧图像更新背景图像U(x，y)。

第二步，运动机构开始高速运动，机构上的物体跟随运动。根据采样参数采集当前帧图像F_k(x，y)，并存入暂存器中。

第三步，将取得的图像U(x，y)和F_k(x，y)分别按列分成两个图像区域U¹(x，y)、U²(x，y)、$F_k^1(x,y),F_k^2(x,y).$

第四步，根据背景图像选取阈值TH_max及TH_min，将图像U¹(x，y)与二值化，二值化之后的图像采用3×3的模板滤波去噪声，然后两幅图像逐个像素做差分运算得出差分图像Δ¹(x，y)：

${\Delta }^1(x,y)=|F_k^1(x,y)-U^1(x,y)|$

第五步，利用判别准则参数P_a对Δ¹(x，y)进行进一步计算：

判别准则参数P_a的选取依据采样率、图像分辨率等参数而定。一般地，在一次视觉测量中，检测系统的采样率、图像分辨率等参数是固定不变的。

第六步，计算图像G¹(x，y)的均值和标准差，均值和标准差的计算公式如下：

$\mu =\frac{1}{m\times n}\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{n}{\Sigma }}f(x,y)$

$\delta ={\left[\frac{1}{m\times n}\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{n}{\Sigma }}{\left(f(x,y-\mu )\right)}^2\right]}^{\frac{1}{2}}$

其中m、n分别为图像的行数和列数，f(x，y)为(x，y)点处的灰度值。

第七步，对均值和标准差加权运算并求出评价指标Ω，计算公式如下所示：

Ω＝k₁μ+k₂δ

当Ω大于P_b时，确定有运动目标出现。如果发现运动目标出现，延迟一段时间T后，锁存另外一帧图像M_k(x，y)，把M_k(x，y)也分成两个图像区域T的选择要保证运动目标在Ts后完全进入图像区域中。

第八步，用与差分得到图像G²(x，y)，G²(x，y)表征了图像中运动目标的变化，对G²(x，y)进一步处理可以得到运动目标的位置和轮廓。

本发明将背景图像差分法和帧间图像差分法有机结合，首先在图像区域一中用背景图像差分法对运动目标进行粗检，当目标出现并完全进入图像区域二后，用相邻近帧间图像差分法分割出运动目标。图像区域的划分根据运动目标的速度而定，要保证运动目标刚出现时不会进入图像区域二。本方法中用到的固定背景U(x，y)需要定时更新。设定一个定时器，当时间到并且没有发现运动目标时，就用当前帧图像更新背景图像。