[发明专利]一种运动目标检测过程中的视频信号预处理方法

说明书

技术领域

本发明涉及一种视频信号的处理方法，尤其是涉及一种运动目标检测过程中的视频信号预处理方法。

背景技术

随着安防领域的不断拓展，人们对视频监控的要求也越来越高，从一开始的普通视频监控到现在的智能视频监控，一些更新更智能的视频监控产品不断的被开发出来。而在智能视频监控的解决方案中，如何从视频信号流中准确完整的分离出关注的运动目标至关重要，然而运动目标的分离则离不开对一系列视频图像进行背景建模和背景更新。

在背景建模中，最为传统的背景建模是直接采用视频信号流中的第一帧图像作为背景，这种固定的背景建模不仅简单，而且适用于在背景场景几乎不发生变化的环境场合，比如室内环境。但实际情况下，随着时间的变化，背景也将会发生或多或少的改变，在这种情况下，采用这种固定的背景模型就无法做到在当前不断更新的视频信号流中准确的区分出运动目标。因此，在变化的背景场景中，目前一般采用自适应背景模型，自适应背景模型在背景建模前通常对视频信号先进行预处理，解决一些由外界因素如树叶晃动引起的干扰，以保证较准确的分离出运动目标。

自适应背景模型通常可以分成两大类，一类是基于统计的自适应背景模型，另一类则是基于预测的自适应背景模型。

基于统计的自适应背景模型，主要根据当前帧图像之前的一系列帧图像，获取每个像素点在时间序列上的所有像素值的平均值作为视频的背景图片。这种基于统计的自适应背景模型主要是基于背景元素在最近的一段时间内变化不大，通过连续一段时间出现来判定是否为背景元素。这种背景建模方法能够适应背景缓慢变化条件下的运动目标检测，但在背景变化明显的环境下无法很好的适应。

基于预测的自适应背景模型，根据其具体实现方法的不同，又可以分成很多种模型。其中最常用和最有效的是自适应混合高斯模型和码本模型，这两种模型在背景建模前对视频信号进行了预处理，预处理中提出了解决因树叶晃动导致背景图像偏移的问题，这两种模型还解决了运动目标在经过一段时间的静止后被融入背景中，再重新运动而导致的鬼影现象，鬼影现象即虚假的运动目标、不存在的运动目标如人走后留下的影子。但自适应混合高斯模型和码本模型的计算比较复杂，处理的速度较基于统计的自适应背景模型慢，且这两种模型对于相机晃动导致背景图像偏移的问题未能够较好的解决。

发明内容

本发明所要解决的技术问题是提供一种能够较好的解决因视频捕获设备抖动导致背景图像偏移的问题，且计算复杂度较低、计算精度较高的运动目标检测过程中的视频信号预处理方法。

本发明解决上述技术问题所采用的技术方案为：一种运动目标检测过程中的视频信号预处理方法，定义由视频捕获设备获取的视频中的第1帧图像为背景图像，定义由视频捕获设备获取的视频中的第2帧图像为当前图像；首先利用两个不同的梯度算子分别计算当前图像中的每个像素点仅在X坐标方向和Y坐标方向的梯度值，根据每个像素点仅在X坐标方向和Y坐标方向的梯度值计算每个像素点同时在X坐标方向和Y坐标方向的梯度值，对求取的每个像素点的三个梯度值的平方值进行高斯平滑处理，利用三个平滑处理后的梯度值的平方值定义每个像素点的角点评价值；然后将当前图像中的各个像素点的角点评价值与设定的角点阈值进行比较，获取所有疑似角点；根据各疑似角点的坐标位置之间的距离对所有疑似角点进行聚类运算，然后采用邻域角点评价值最大选择策略对聚类运算后的所有疑似角点进行操作，获取所有最佳角点；再设定一个从背景图像中的每个像素点的坐标位置影射到当前图像中的每个像素点的坐标位置的偏移量集，在偏移量集中的每个偏移量下，根据各个最佳角点的坐标位置和偏移量计算新的坐标位置，根据新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值，计算各个最佳角点的像素值与各新的坐标位置在背景图像上取该新的坐标位置相应的像素的像素值的差分值，通过将各个差分值与差分阈值进行比较，确定各个最佳角点是否匹配成功，根据所有匹配成功的最佳角点定义支持度，通过将支持度与设定的支持度阈值进行比较，确定是否计算角点匹配效果值并保存角点匹配效果值；在获得所有角点匹配效果值后从所有已保存的角点匹配效果值中获取值最小的角点匹配效果值，然后将该角点匹配效果值是与设定的角点匹配阈值进行比较，确定该角点匹配效果值对应的偏移量是否为最佳偏移量，当该角点匹配效果值对应的偏移量为最佳偏移量时，利用该最佳偏移量对背景图像进行整体平移操作，获取用作背景建模的输入图像的最佳背景图像，当该角点匹配效果值对应的偏移量为非最佳偏移量时，将视频中的下一帧图像作为当前图像，并重复上述过程。

包括以下具体步骤：