[发明专利]一种统计矩阵模型和自适应阈值相结合的目标检测算法

权利要求书

1.一种统计矩阵模型和自适应阈值相结合的目标检测算法，基于统计矩阵模型的背景建模和局部自适应阈值二值化目标分割，其特征在于：首先利用视频前几帧初始化背景图像，利用背景减法初步提取前景，然后利用帧差法不断累计该前景区域中像素值变化幅度小的像素点出现的次数，并用一统计矩阵来存储对应像素点累计变化的次数，当次数超过一定值时，则更新当前前景点为背景点，从而获得准确的背景图像用于后续的背景减法，最后利用自适应阈值二值化分割得到目标区域；其中，各像素点的二值化阈值由该点所在窗口内的所有当前像素值与背景像素值的差值自适应确定，具体步骤如下：

(1)、采用统计矩阵模型进行背景建模，包括以下步骤：

1)、利用初始视频初始化背景图像B、前景标记矩阵O和统计矩阵S；

2)、读入下一帧图像，若某像素点当前像素值与对应背景像素值绝对差值大于前景判定阈值，则确定其为前景像素点并更新前景标记矩阵O：

O_i,j(k)＝1； |D_i,j(k)|＞Tf   (1)，

若该点还同时满足相邻帧像素值变化幅度小，则增加统计矩阵S中对应点的值：

S_i,j(k)＝S_i,j(k-1)+1； |F_i,j(k)|＜Tb &&|D_i,j(k)|＞Tf   (2)，

若确定当前帧中的某点为前景像素点，同时该点与前一帧像素值相差较大或者统计矩阵S中当前位置值大于累计上限值，则将矩阵S中当前位置的值清零：

S_i,j(k)＝0； |D_i,j(k)|＞Tf &&(|F_i,j(k)|＞Tb||S_i,j(k)＞θ)   (3)，

其中，D_i,j(k)为第k帧I_i,j(k)与背景帧B_i,j(k)在(i,j)位置处的差值，F_i,j(k)为相邻两帧帧差结果，Tf为前景判定阈值，阈值Tb用来判断相邻帧像素值变化幅度的大小，θ为统计矩阵的累计上限值；

3)、检测出前景像素点之后，判断其在统计矩阵S中对应位置处的值是否达到累计上限值θ，若是，则更新背景B：

B_i,j(k)＝I_i,j(k)*α+B_i,j(k)*(1-α) |D_i,j(k)|＞Tf &&S_i,j(k)＝θ,0＜α≤1   (4)

其中α是更新系数，用来调节背景更新的速度；

(2)、自适应阈值二值化目标分割，包括以下步骤：

1)、定义二值化分割阈值矩阵T，T中所有元素的初值设为25；

2)、将当前帧和背景帧图像相减得到差值图像；

3)、以w*w的窗口对背景和当前帧图像进行扫描，w一般为5，计算差值图像在这一窗口内的像素平均值e，若e在18和25之间，则将T矩阵中对应该窗口内的所有w*w个元素值都修正为e+1，否则T矩阵中的对应窗口内的元素值不变仍为25；

4)、利用矩阵T对差值图像进行二值化分割，得到前景，再对前景进行阴影消除、形态学滤波、连通域扫描得到运动目标所在的区域，实现目标检测。