[發(fā)明專利]用于車輛的運(yùn)動(dòng)目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110663381.1
• 申請(qǐng)日: 2021-06-16
• 公開（公告）號(hào): CN113362375A
• 公開（公告）日: 2021-09-07
• 發(fā)明（設(shè)計(jì)）人: 聶倫;黃少堂;王愛春;劉峰學(xué);彭文和;謝云龍;潘樟建
• 申請(qǐng)（專利權(quán)）人: 江鈴汽車股份有限公司
• 主分類號(hào): G06T7/246
• 分類號(hào): G06T7/246;G06T7/13;G06T5/00;G06T5/30
• 代理公司: 南昌青遠(yuǎn)專利代理事務(wù)所(普通合伙) 36123
• 代理人: 劉愛芳

1.一種用于車輛的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于，

步驟1：獲取十字路口交通監(jiān)控視頻數(shù)據(jù)Q；

步驟2：讀取視頻中連續(xù)的三幀圖像，利用三幀差分法獲取運(yùn)動(dòng)目標(biāo)A，再經(jīng)過Canny算法邊緣檢測(cè)，連通域填充，形態(tài)學(xué)處理獲取運(yùn)動(dòng)目標(biāo)二值圖像D2_k；

步驟3：與步驟2同步進(jìn)行，讀取交通監(jiān)控視頻圖像，進(jìn)行混合高斯背景建模得到運(yùn)動(dòng)目標(biāo)B，再利用高斯濾波和中值濾波去除干擾，獲取運(yùn)動(dòng)目標(biāo)二值圖像D1_k；

步驟4：將步驟2得到的運(yùn)動(dòng)目標(biāo)D2_k與步驟3得到的運(yùn)動(dòng)目標(biāo)D1_k進(jìn)行邏輯“與”運(yùn)算得到Dk，Dk經(jīng)過形態(tài)學(xué)處理，最終獲取檢測(cè)的運(yùn)動(dòng)目標(biāo)。

2.根據(jù)權(quán)利要求1所述用于車輛的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于：所述步驟2中按照以下步驟進(jìn)行三幀差分法：

第一步讀取視頻序列中連續(xù)的三幀圖像I_k-1，I_k，I_k+1，將其處理成灰度圖像，分別計(jì)算連續(xù)兩幀圖像的差值圖像d_1(i,i-1)和d_2(i+1,i)，以下是差分的公式，如下所示：

第二步對(duì)差分運(yùn)算的圖像進(jìn)行二值化處理，如下所示：

式中，設(shè)定 T為二值化的閾值，b(x,y)為二值化之后的圖像；

第三步將計(jì)算后的二值化圖像做邏輯“與”運(yùn)算，得到I_i(x,y)的二值圖像，如下面的公式所示：

。

3.根據(jù)權(quán)利要求2所述用于車輛的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于：

將得到的二值圖像進(jìn)行Canny算子邊緣檢測(cè)與連通域填充得到填充后的二值圖像，具體步驟如下：

對(duì)輸入圖像進(jìn)行高斯平滑，降低錯(cuò)誤率；

計(jì)算梯度幅度和方向來估計(jì)每一點(diǎn)處的邊緣強(qiáng)度與方向；

根據(jù)梯度方向，對(duì)梯度幅值進(jìn)行非極大值抑制；

用雙閾值處理和連接邊緣；

將得到的二值圖像進(jìn)行形態(tài)學(xué)處理，最終獲取視頻中的運(yùn)動(dòng)目標(biāo)A，具體步驟如下：

首先將得到的二值圖像進(jìn)行形態(tài)學(xué)處理，先進(jìn)行腐蝕處理，然后再進(jìn)行膨脹運(yùn)算；使用結(jié)構(gòu)元素B對(duì)A進(jìn)行開運(yùn)算，記作A o B，可表示為：

。

4.根據(jù)權(quán)利要求1所述用于車輛的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其特征在于：步驟3中按照以下步驟進(jìn)行三幀差分混合高背景建模：

混合高斯背景建模方法用K個(gè)高斯分布的混合來模擬每個(gè)像素的強(qiáng)度；

某個(gè)像素在時(shí)間t具有X_t值的概率可以表示為:

其中，k代表分布的數(shù)量，W_k,t是時(shí)間t混合模型中第K個(gè)權(quán)重，而η(X_t,u_k,t,∑_k,t)是概率密度函數(shù)；

其中u_k,t是第K個(gè)分布在時(shí)間t上的平均值，∑_k,t是第K個(gè)分布的在時(shí)間t上的協(xié)方差；協(xié)方差矩陣具有以下形式：

K個(gè)高斯表示模型按照w/σ的值進(jìn)行排序，然后用第一個(gè)B分布來作為背景模型，如下式所示：

每個(gè)新的像素值X_t依次與現(xiàn)有的K高斯分布進(jìn)行匹配對(duì)照，按照匹配原則進(jìn)行尋找，直到找到相匹配的為止；

匹配原則被定義為分布的2.5個(gè)以內(nèi)的像素值；

而未被匹配的高斯分布只進(jìn)行權(quán)重w的更新，這樣就實(shí)現(xiàn)了在線K均值的近似更新；

參數(shù)更新按照如下所示的公式進(jìn)行：

上式中yes表示找到可匹配的高斯模型，no表示沒有尋找到可匹配的模型；

如果未找到相匹配的，則最后的分布設(shè)定為新的高斯分布，其中當(dāng)前值為其均值，初始為高方差和低權(quán)重參數(shù)。