[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

说明书

技术领域

本发明涉及智能视频监控算法领域，具体是一种统计矩阵模型和自适应阈值相结合的目标检测算法。

背景技术

智能视频监控系统通过对场景中发生的行为、事件进行分析，判断是否有可疑目标或者危险事件发生并及时报警，起到预防事故发生，减少财产损失的作用。在智能视频监控系统中，一般先通过目标检测及跟踪获得目标在整个运动过程中的位置、大小、方向、速度等状态信息，再基于这些状态信息进行目标识别、行为分析、事件检测及报警，所以运动目标的准确检测是实现智能视频监控的前提。

目标检测的主要目的就是提取运动目标在视频图像中的轮廓，大小，形状和位置信息。监控场景中除了感兴趣的人和车等目标外，往往存在光照变化、阴影、风吹草动、落叶、雨雪等干扰，另外还可能存在目标密集、遮挡等情况。这些复杂性给运动目标的检测带来了极大的挑战。

目前目标检测的主流方法有三种：光流场法、帧差法和背景减法。光流场法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。算法可以反映出图像上每一点的灰度的变化趋势，获得各像素点的瞬时运动速度矢量信息，但由于其拥有复杂的计算和过低的检测效率已逐渐被后两种方法取代。帧差法，就是利用相邻视频帧的差值来获得运动目标。算法简单，实时性好，但是仅适用于摄像头静止、背景变化小等简单情况，且提取的目标不完整，特别是当目标静止时，会丢失目标。背景减法，就是将当前帧与背景图像相减得到目标，背景图像可以利用以前的若干视频帧学习得到。该方法提取的目标区域比较完整，算法的复杂度低，得到了广泛应用。

常用的背景减法有高斯混合模型和VIBE目标检测算法。高斯混合模型算法可应用于光照缓慢变化以及存在重复运动目标的复杂场景中背景的准确建模，尤其适用于有光线缓慢变化和天气变化小而目标运动速度较快的目标检测，但其计算复杂度高，目标检测速度低；VIBE目标检测算法，由于引入了随机的思想，它对于不同的视频序列都有一定的适应性，但也因此在检测的结果中产生噪声导致检测结果不准确，而且算法无法解决由光照突变带来的误检情况，另外算法的检测速度也较慢，无法满足实时性的要求。为了得到准确的目标区域，背景减法要解决的根本问题是如何更新得到正确的背景图像，高斯混合模型和VIBE目标检测算法由于不能快速得到正确的背景，导致检测结果不是很理想。考虑到视频中前景与背景相同位置处的像素值有所差异，而且如果图像中某点的像素值在一段时间内的变化幅度一直很小，则应该将其更新至背景中的思想，本发明算法首先基于背景减法初步提取前景区域，然后不断统计视频的相邻两帧中同一位置差值较小的前景像素点出现的次数，超过一定数值则将该点更新至背景，通过调整数值的大小就能实现快速准确更新背景。对于前景与背景同一位置的像素值差异小的情况，通过减小前景判定阈值的方式二值化分割前景就能使检测的目标更加完整。

发明内容

本发明的目的是提供一种统计矩阵模型和自适应阈值相结合的目标检测算法，以解决现有技术背景减法中存在的背景更新慢、目标检测结果不准确的问题。

为了达到上述目的，本发明所采用的技术方案为：

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：