[發(fā)明專利]基于分塊表征和可變鄰域聚類的弱小運(yùn)動目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 201911094502.4
• 申請日: 2019-11-11
• 公開（公告）號: CN110910421B
• 公開（公告）日: 2022-11-11
• 發(fā)明（設(shè)計）人: 王靖宇;張國俊;王霰禹;趙越;蘇雨;張科;王震;譚明虎
• 申請（專利權(quán)）人: 西北工業(yè)大學(xué)
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/762;G06V10/77;G06V10/44;G06V10/56
• 代理公司: 西安凱多思知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61290
• 代理人: 王鮮凱

1.一種基于分塊表征和可變鄰域聚類的弱小運(yùn)動目標(biāo)檢測方法，其特征在于包括以下步驟：

步驟一、對圖像序列進(jìn)行分塊化處理；設(shè)序列圖像為F，幀長度為n，其中第i幀以f_i表示，其中i＝1,2,…,n；設(shè)置分塊塊間步長為step_x和step_y，即x,y方向上各分塊間隔的像素點(diǎn)；以圖片左上角為原點(diǎn)，x方向為水平方向，y方向為豎直方向，第一個分塊B₁左上角坐標(biāo)為(1,1)，依步長將整幅圖像第i幀f_i劃分為m個大小為W×H的圖像塊B_j，j＝1,2,...,m；其中，分塊大小W與H相等，分塊步長step_x與step_y相等；

步驟二、對每個分塊提取降維類Haar特征；對第i幀f_i中每個分塊提取降維類Haar特征；利用T維降維類Haar特征向量V描述圖像塊B_j，其中T取值為10；

在預(yù)先設(shè)定的常整數(shù)L與R之間取N個隨機(jī)整數(shù)P_r,r＝1,...,N，其中L、R取值范圍為10以內(nèi)的整數(shù)；特征向量V的第t維特征值v_t由P_r個矩形塊的灰度值加權(quán)總和計算得到；

在圖像塊B_j中，隨機(jī)取P_r個矩形塊R_k(x_k,y_k,w_k,h_k,we_k),k＝1,2,...,P_r構(gòu)成描述v_t的特征模板，其中x_k，y_k分別表示B_j中R_k左上角的橫縱坐標(biāo)，w_k為R_k的寬度，h_k為R_k的高度；

x_k,y_k,w_k,h_k滿足：

we_k為R_k在v_t中所占權(quán)重，定義式為：

c_k取值為{1，-1}中的隨機(jī)值；

根據(jù)R_k位置服從分布不同分為兩類：

R_k＝[R'_k,R'_k']

式中，R'_k為非邊緣圖像分塊，為保證圖像全局特征的提取的敏感性，采用均勻分布對R'_k的位置參數(shù)進(jìn)行設(shè)定，增強(qiáng)R'_k生成位置的隨機(jī)性；

R_k″為圖像中位置處于上、下、左、右四個邊緣位置圖像塊對應(yīng)的Haar特征矩形塊，為保證對進(jìn)入圖像邊緣運(yùn)動目標(biāo)檢測的靈敏性，采用高斯分布對R_k″的位置參數(shù)進(jìn)行設(shè)定，使R_k″生成位置集中在圖像的邊緣，將圖像邊緣信息作為各圖像塊的主要特征；對位于圖像左邊緣的圖像塊B_j，其中Haar特征矩形塊R_k左″，設(shè)定其位置參數(shù)中x_k左″服從高斯分布N(0,1)，y_k左″服從均勻分布，矩形塊集中于圖像塊左側(cè)邊緣，由此提取出的降維Haar特征著重描述圖像塊左側(cè)邊緣的信息，對左側(cè)邊緣變化更敏感；

由此類推R_k上″的x_k上″服從均勻分布，y_k上″服從高斯分布N(0,1)；R_k下″的x_k下″服從均勻分布，y_k下″服從高斯分布N(H,1)；R_k右″的x_k右″服從高斯分布N(W,1)，y_k右″服從均勻分布；

由此可以得到：

式中，S_k′和S_k″為矩形塊R_k′和R_k″中各像素灰度值的總和；

步驟三、根據(jù)步驟一和步驟二得到的f_i幀圖像各分塊類Haar特征表示，對比與當(dāng)前幀f_i間隔K幀的f_i-K中相同位置各分塊類Haar特征距離，判斷當(dāng)前各分塊移動方向；對于間隔K幀的兩幅圖像f_i-K和f_i，提取兩幀中相同位置的圖像分塊對(B_{a_i-K},B_{a_i})，計算兩個圖像塊類Haar特征向量(V_{a_i-K},V_{a_i})的特征距離，其中B的下標(biāo)表示在兩幅圖像f_i-K和f_i中的第a個圖像塊，V下標(biāo)表示在兩幅圖像f_i-K和f_i中的第a個圖像塊的特征向量：

如果dist(V_{a_i-K},V_{a_i})小于最大容錯誤差ε，則認(rèn)為f_i-K中B_{a_i-K}分塊未發(fā)生移動，反之，則發(fā)生移動，需判斷分塊的移動方向；設(shè)置當(dāng)前分塊B_{a_i-K}的鄰域為其中B_bj下標(biāo)bj表示B_{a_i-K}鄰域內(nèi)的第j個分塊；

步驟四、設(shè)置移動方向向量MDV，移動方向向量維度為m維，即總長度為分塊數(shù)m，其中MDV第a個分量的值，即第a個分塊的移動方向由下式判斷，其中當(dāng)鄰域內(nèi)搜索得到的特征距離均大于最大容錯誤差ε，則表示當(dāng)前鄰域中，已無法找到移動方向，故規(guī)定該分塊未發(fā)生移動；

濾除多數(shù)分塊的移動方向，標(biāo)記剩余移動方向的分塊，將其作為潛在目標(biāo)區(qū)域；將m×1維MDV向量中的各方向進(jìn)行次數(shù)統(tǒng)計，直接濾除出現(xiàn)次數(shù)最多的方向，認(rèn)定該方向為背景移動方向，所對應(yīng)的分塊不參與之后的步驟；

步驟五、取各分塊中心區(qū)域像素作為聚類中心，設(shè)定聚類中心的可變鄰域；濾除背景運(yùn)動分塊后，假設(shè)存在Z個W×H分塊B_z，z＝1,2,...,Z，其方向與背景移動方向不同；分別取各分塊中心的三通道顏色均值[R_mean,G_mean,B_mean]^T由下式計算；搜索鄰域可限制在3W×3H；

X＝R,G,B三個顏色通道,|B_{z_center}|表示屬于B_{z_center}中心像素的個數(shù)，(x_pi,y_pj)為像素點(diǎn)坐標(biāo)；

搜索鄰域內(nèi)某像素點(diǎn)(x_pi,y_pj)與分塊中心的距離由顏色特征距離與歐式距離構(gòu)成，其中系數(shù)的取值為：α＝1/4，β＝1/(25×W×H)，其中各距離由下式計算，其中的R，G，B為三個顏色通道，mean為均值,center為中心：

運(yùn)用隨機(jī)抽樣一致算法，提取出鄰域距離矩陣distmap的平面主成分，同時計算平面所在高度；其中distmap的主體為平面，與中心距離相近，且在顏色特征距離上與中心相近的像素點(diǎn)數(shù)值低于平面；將低于平面所在高度的像素點(diǎn)一并聚類至分塊中心；設(shè)各分塊中心所聚像素集合分別為Cluster_z,z＝1,2,...,Z；

步驟六、對該鄰域內(nèi)像素按顏色特征進(jìn)行聚類，精確檢測出運(yùn)動目標(biāo)；計算當(dāng)前幀f_i所得Cluster_z區(qū)域與間隔K幀的f_i-K相同區(qū)域進(jìn)行顏色特征對比；將Cluster_z所在的位置一對一投影至f_i-K幀，令投影聚類區(qū)域為按上述步驟中顏色均值計算方法獲得原聚類區(qū)域與投影聚類區(qū)域的三通道顏色均值，則兩區(qū)域顏色差異為當(dāng)該差異超過人為設(shè)置的顏色閾值ColThreshold，則確定當(dāng)前幀f_i中Cluster_z為實(shí)際運(yùn)動目標(biāo)。