[發(fā)明專利]一種基于視頻的運(yùn)動目標(biāo)檢測與跟蹤方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010989696.0
• 申請日: 2020-09-18
• 公開（公告）號: CN112184759A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 羅珊
• 申請（專利權(quán)）人: 深圳市國鑫恒運(yùn)信息安全有限公司
• 主分類號: G06T7/215
• 分類號: G06T7/215;G06T7/194;G06T7/13;G06T7/136;G06T7/66;G06T7/90;G06T5/30
• 代理公司: 深圳市科吉華烽知識產(chǎn)權(quán)事務(wù)所(普通合伙) 44248
• 代理人: 覃迎峰

本發(fā)明提供了一種基于視頻的運(yùn)動目標(biāo)檢測與跟蹤方法及系統(tǒng)，其中方法包括輸出視頻；用改進(jìn)的混合高斯模型對其每一幀圖像進(jìn)行前景和背景的分離；然后對檢測后得到的前景圖像進(jìn)行中值濾波處理，去除噪聲；再進(jìn)行形態(tài)學(xué)膨脹操作，去除圖像中產(chǎn)生的空洞；采用meanshift算法對目標(biāo)進(jìn)行跟蹤。采用本發(fā)明的技術(shù)方案，提升了環(huán)境的魯棒性，提高陰影檢測效果，擴(kuò)大了前景像素區(qū)域的邊界，增大了前景像素區(qū)域的尺寸增大，減小了空洞。

技術(shù)領(lǐng)域

本發(fā)明屬于運(yùn)動目標(biāo)檢測技術(shù)領(lǐng)域，尤其涉及一種基于視頻的運(yùn)動目標(biāo)檢測與跟蹤方法及系統(tǒng)。

背景技術(shù)

近年來，隨著圖像處理技術(shù)的發(fā)展，基于機(jī)器視覺的目標(biāo)檢測與跟蹤系統(tǒng)得到了廣泛應(yīng)用。迄今為止，已經(jīng)開發(fā)了許多運(yùn)動和變化的檢測算法，這些算法在某些類型的視頻中表現(xiàn)良好，但其中大多數(shù)對突然照明變化、環(huán)境條件、背景/相機(jī)運(yùn)動、陰影等都很敏感。當(dāng)前沒有哪種算法能夠同時(shí)很好地解決基于視頻的多目標(biāo)檢測的所有問題。由于動態(tài)場景變化、光照變化、陰影的存在等各種挑戰(zhàn)，檢測出運(yùn)動物體的實(shí)際形狀變得困難。幀差法、光流法、背景減除法是目前常用的運(yùn)動目標(biāo)檢測方法。幀差法的基本原理是在視頻序列相鄰幾幀采用時(shí)間差分來提取出圖像中的運(yùn)動物體。光流法的關(guān)鍵在于計(jì)算光流場，根據(jù)視頻序列的時(shí)空梯度估算運(yùn)動場，通過分析運(yùn)動場的變化對運(yùn)動目標(biāo)進(jìn)行檢測與分割。背景減除法的關(guān)鍵是對背景模型的創(chuàng)建和更新，將當(dāng)前幀與背景圖像進(jìn)行比較實(shí)現(xiàn)前景檢測，其中相差較大的像素區(qū)域被認(rèn)為是前景，而相差較小的像素區(qū)域被認(rèn)為是背景。

但是幀差法存在如下缺點(diǎn)為：在目標(biāo)內(nèi)部產(chǎn)生空洞，不能有效的提取運(yùn)動目標(biāo)，對環(huán)境噪聲較為敏感。光流法的缺點(diǎn)為：光流場分布的計(jì)算過程非常復(fù)雜，很難進(jìn)行實(shí)時(shí)處理。背景減除法的缺點(diǎn)為：易受光照等外界條件變化的影響，將背景誤判成前景。但在處理攝像機(jī)靜止的情況下，能較完整地從視頻中分割出運(yùn)動目標(biāo)，簡單有效。背景減除法對背景建模主要有以下難點(diǎn)：照明變化、動態(tài)背景、間歇物體運(yùn)動、陰影、視頻噪音。其中，最常用的方法有混合高斯背景建模法，混合高斯模型(GMM)對背景建模存在如下缺點(diǎn)：(1)每幀圖像所有的高斯模型都保持相同固定不變的高斯模型個數(shù)，處理時(shí)會消耗大量的系統(tǒng)資源。(2)不能很好地辨別移動物體所產(chǎn)生的陰影。

發(fā)明內(nèi)容

針對以上技術(shù)問題，本發(fā)明公開了一種基于視頻的運(yùn)動目標(biāo)檢測與跟蹤方法及系統(tǒng)，大大提升了對環(huán)境的魯棒性，同時(shí)也提高了陰影檢測效果。

對此，本發(fā)明采用的技術(shù)方案為：

一種基于視頻的運(yùn)動目標(biāo)檢測與跟蹤方法，其包括：

步驟S1，輸出視頻；

步驟S2，用改進(jìn)的混合高斯模型對其每一幀圖像進(jìn)行前景和背景的分離；所述改進(jìn)的混合高斯模型對其每一幀圖像進(jìn)行前景和背景的分離時(shí)，用K個不同的高斯函數(shù)來表示視頻序列中每一個像素點(diǎn)的值，然后對這K個高斯函數(shù)按優(yōu)先級進(jìn)行排序，選取前B個高斯函數(shù)代表實(shí)際的背景模型，進(jìn)而通過匹配的高斯函數(shù)的序號與B相比來判斷該像素點(diǎn)是前景還是背景；

步驟S3，然后對檢測后得到的前景圖像進(jìn)行中值濾波處理，去除噪聲；

步驟S4，再進(jìn)行形態(tài)學(xué)膨脹操作，去除圖像中產(chǎn)生的空洞；

步驟S5，結(jié)合meanshift算法對目標(biāo)進(jìn)行跟蹤。

其中，K和B為正整數(shù)。中值濾波是消除圖像中較大噪聲的最有力工具之一，該方法在消除脈沖噪聲、椒鹽噪聲的同時(shí)，對圖像細(xì)節(jié)的影響也較小。圖像形態(tài)學(xué)是最基本的圖像去噪方法。膨脹的作用是逐漸擴(kuò)大前景像素區(qū)域的邊界，效果顯示為前景像素區(qū)域的尺寸增大，而這些區(qū)域內(nèi)的空洞變小。Meanshift算法是一種基于密度函數(shù)梯度估計(jì)的方法，先對目標(biāo)進(jìn)行建模，用目標(biāo)的顏色分布來描述目標(biāo)，再計(jì)算目標(biāo)在下一幀圖像上的概率分布，使目標(biāo)的搜索一直沿著概率梯度上升的方向，迭代收斂到概率密度分布的局部峰值上。

作為本發(fā)明的進(jìn)一步改進(jìn)，步驟S2包括：