[发明专利]基于过采样策略的运动目标检测方法

说明书

技术领域

本发明属于模式识别与计算机视觉领域，尤其涉及基于过采样策略的运动目标 检测方法。

背景技术

视频序列中通常包含许多信息，人们所关心的往往是其中的一小部分信息，比如运动 的人、车辆等等。运动目标检测是一个二分类问题，其目的是将视频内容分为两类：前景 和背景，从视频序列中准确检测出运动目标而将不关注的背景完全去除，将得到的前景目 标用于后续目标跟踪和跟踪。因此，运动目标检测在视频监控系统中是极为关键的预处理 步骤，其在计算视觉领域和实际生活中都具有很大的价值。

运动目标检测中运用最多的是背景减除算法，其基本思想是根据当前图像与背景图像 之间的差异与预先设定的一个阈值进行比较来划分前景和背景。常见的背景减除算法有高 斯混合建模方法，或者是核密度估计的方法等等。现实的视频序列中，前景样本数和背景 样本数相差很大。但是传统的建模方法往往忽略了这一点，因此传统建模方法倾向于将前 景错分为背景，使得检测的精度往往达不到后续处理的要求。

类不均衡问题，即训练样本中不同类样本数量是不相等的。在二分类问题中，类不均 衡问题是指两类样本点的概率分布不均衡。视频序列中，前景样本属于少数类，其数量远 少于背景样本数量。但是，在背景减除法中类不均衡问题并未受到重视。本发明在数据挖 掘中类不均衡理论的基础上，引入数据层面上的过采样策略来解决背景减除法中类不均衡 的问题。过采样策略首先复制选取的少数类样本即前景样本，然后将合成的样本集合添加 到少数类中，得到新的前景样本集合，最终使得前景样本(少数类样本)与背景样本(多 数类样本)达到相同也即均衡的数据集。过采样策略引入背景减除法优势在于将均衡数据 集用于分类，较大的提升了分类的精确度。

发明内容

本发明的目的在于解决现有技术的不足，提供一种基于过采样策略的运动目标检测算 法，本发明在充分利用对少数类样本的过采样技术，使得前景和背景数据集达到均衡，从 而实现运动目标的完整分割。

基于过采样策略的运动目标检测方法，具体步骤如下：

S1、对于每一个前景帧F^t-s计算重采样时刻r(n)，具体步骤如下：

S11、取前景最后τ_f帧作为参考,则所有合成样本帧将在区间(t-2,t+2]产生，将该区间均等地分解为8个子区间，将得到的8个子区间均等的分配给参考帧{F^t-s|s＝1,...,4}，并且初始化合成样本帧数N；

S12、假设N个合成样本帧是以F^t-s为参考的，为了防止过拟合现象，规定合成样本帧均匀的插在过采样区间，计算r(n)，其中，r(n)是合成样本帧F^r(n)的时刻；

S2、计算从F^t-s到F^t的稀疏点轨迹；

S3、将F^t-s划分为两个子集F₁和F₂，F₁包含KLT跟踪算法获取的好的像素点，F₂则包 含剩余的像素点，其中，所述好的像素点为经验获取；

S4、计算时刻t-s到时刻r(n)移动矢量，具体步骤如下：

S41、计算S3所述F₁中每一个像素点从t-s时刻到时刻.移动矢量，具体为：

S411、对S3所述F₁中每个前景像素点，由S2所述稀疏点轨迹得到时刻t-s到最接近 r(n)的整数时刻的移动矢量；

S412、将S411所述移动矢量进行线性延伸至r(n)，得到时刻t-s到r(n)的移动矢量；

S42、计算S3所述F₂中每一个像素点时刻t-s到时刻r(n)移动矢量，具体步骤如下：

S421、对于S3所述F₂中的像素点z_i，设在S3素数F₁中与z_i在x方向最近邻的像素点 为z_k，保持t-s时刻到r(n)时刻z_i和z_k的相对位置不变，即z_i和z_k具有平行的移动矢量；