[發(fā)明專利]智能移動(dòng)終端抗噪聲干擾運(yùn)動(dòng)目標(biāo)提取方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510717145.8
• 申請(qǐng)日: 2015-10-29
• 公開（公告）號(hào): CN105405153B
• 公開（公告）日: 2018-05-18
• 發(fā)明（設(shè)計(jì)）人: 鄭紫微;程劼;熊歐
• 申請(qǐng)（專利權(quán)）人: 寧波大學(xué)
• 主分類號(hào): G06T7/20
• 分類號(hào): G06T7/20;G06T7/40;G06T5/10
• 代理公司: 寧波誠源專利事務(wù)所有限公司 33102
• 代理人: 劉鳳欽

1.智能移動(dòng)終端抗噪聲干擾運(yùn)動(dòng)目標(biāo)提取方法，其特征在于，包括以下步驟：

(1)對(duì)智能移動(dòng)終端獲取的原始圖像S(i,j)進(jìn)行灰度化處理，實(shí)現(xiàn)顏色空間轉(zhuǎn)換，得到灰度圖像Y(i,j)；其中，原始圖像S(i,j)轉(zhuǎn)換為灰度圖像Y(i,j)采用如下轉(zhuǎn)換公式：

Y(i,j)＝0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j)；

其中，r(i,j)、g(i,j)、b(i,j)分別對(duì)應(yīng)原始圖像S(i,j)的顏色空間三維坐標(biāo)中的紅、綠、藍(lán)顏色分量，Y(i,j)是該像素點(diǎn)對(duì)應(yīng)的灰度值；

(2)對(duì)灰度圖像Y進(jìn)行預(yù)處理，得到預(yù)處理圖像I，并采用高斯濾波對(duì)預(yù)處理圖像I進(jìn)行處理，高斯函數(shù)為均值是零的二維高斯函數(shù)g(i,j)，其中，

g ( i , j ) = exp ( - i 2 + j 2 2 σ 2 ) , ]]>其使用的圖像模板算子為 1 273 × 1 4 7 4 1 4 16 26 16 4 7 26 41 26 7 4 16 26 16 4 1 4 7 4 1 ; ]]>

(3)對(duì)連續(xù)間隔m幀的三幀預(yù)處理圖像Ik-m(i,j)、Ik(i,j)和Ik+m(i,j)做差分，得到兩個(gè)差分圖像D(k,k-m)(i,j)和D(k+m,k)(i,j)；其中，

D(k,k-m)(i,j)＝|Ik(i,j)-Ik-m(i,j)|，D(k+m,k)(i,j)＝|Ik+m(i,j)-Ik(i,j)|；

其中，Ik-m(i,j)、Ik(i,j)和Ik+m(i,j)分別表示預(yù)處理序列圖像I(i,j)中的某三幀預(yù)處理圖像，m表示預(yù)處理序列圖像I(i,j)之間相鄰間隔的幀數(shù)，m∈Z，且m∈[1,5]；

(4)對(duì)所得兩個(gè)差分圖像D(k,k-m)(i,j)和D(k+m,k)(i,j)分別做二值化處理，得到對(duì)應(yīng)的二值化圖像R(k,k-m)(i,j)和R(k+m,k)(i,j)；其中，二值化處理準(zhǔn)則如下：

R ( k , k - m ) ( i , j ) = 255 D ( k , k - m ) ( i , j ) > T 0 e l s e , R ( k + m , k ) ( i , j ) = 255 D ( k + m , k ) ( i , j ) > T 0 e l s e ; ]]>

其中，T表示閾值，m表示各序列圖像I(i,j)之間相鄰間隔的幀數(shù)；

(5)對(duì)所得到的兩幅相鄰的二值化圖像R(k,k-m)(i,j)和R(k+m,k)(i,j)做邏輯“或”操作和邏輯“與”操作，分別得到對(duì)應(yīng)運(yùn)算后的聯(lián)合二值化“或”圖像Bork(i,j)和聯(lián)合二值化“與”圖像Bandk(i,j)，并將聯(lián)合二值化“或”圖像Bork(i,j)和聯(lián)合二值化“與”圖像Bandk(i,j)進(jìn)行邏輯“與”運(yùn)算，得到潛在運(yùn)動(dòng)目標(biāo)區(qū)域的二值化圖像Bk(i,j)；其中，

聯(lián)合二值化“或”圖像為 Bor k ( i , j ) = 255 R ( k , k - m ) ( i , j ) ∪ R ( k + m , k ) ( i , j ) ≠ 0 0 R ( k , k - m ) ( i , j ) ∪ R ( k + m , k ) ( i , j ) = 0 , ]]>

聯(lián)合二值化“與”圖像為 Band k ( i , j ) = 255 R ( k , k - m ) ( i , j ) ∩ R ( k + m , k ) ( i , j ) ≠ 0 0 R ( k , k - m ) ( i , j ) ∩ R ( k + m , k ) ( i , j ) = 0 , ]]>

潛在運(yùn)動(dòng)目標(biāo)區(qū)域的二值化圖像 B k ( i , j ) = 255 Bor k ( i , j ) ∩ Band k ( i , j ) ≠ 0 0 Bor k ( i , j ) ∩ Band k ( i , j ) = 0 ; ]]>

(6)對(duì)潛在運(yùn)動(dòng)目標(biāo)區(qū)域內(nèi)進(jìn)行基于高斯模型的運(yùn)動(dòng)目標(biāo)檢測，對(duì)高斯分布的參數(shù)均值以及方差賦初值，建立背景模型；其中，

μ i j 0 = 1 / N · Σ k = 0 N - 1 x i j k , ( σ i j 0 ) 2 = 1 / N · Σ k = 0 N - 1 [ x i j k - μ i j 0 ] 2 ; ]]>

N表示被用來進(jìn)行模型初始化的圖像的數(shù)量，表示第k幀圖像中(i,j)位置上的像素觀察值；

(7)對(duì)建立的背景模型以設(shè)定的更新方式進(jìn)行實(shí)時(shí)更新；其中，設(shè)定的更新方式為：

μ i j k + 1 = ( 1 - α ) μ i j k + 1 + αx i j k , ( σ i j k + 1 ) 2 = ( 1 - α ) ( σ i j k ) 2 + α ( μ i j k + 1 - x i j k + 1 ) 2 ; ]]>

其中，α表示當(dāng)前幀圖像中的像素對(duì)所對(duì)應(yīng)位置上的背景模型的更新所做出的貢獻(xiàn)程度，α＝0.0025；

(8)計(jì)算像素位置上高斯分布的95％置信區(qū)間的上限和下限其中，上限 x h k + 1 = μ i j k + 1.96 × σ i j k , ]]>下限 x l k + 1 = μ i j k - 1.96 × σ i j k ; ]]>

(9)根據(jù)95％置信區(qū)間的理論，對(duì)運(yùn)動(dòng)前景提取得到運(yùn)動(dòng)目標(biāo)

x i j k + 1 = 0 x l k + 1 ≥ x i j k + 1 ≥ x h k + 1 255 e l s e . ]]>