[发明专利]基于混合高斯模型与超像素分割的运动目标检测方法

权利要求书

1.一种基于混合高斯模型与超像素分割的运动目标检测方法，其特征在于：具体步骤如下：

(1)构建背景模型，构建的背景模型为没有运动目标存在时的背景图；

首先读取视频的前n帧，用高斯混合模型建立背景模型，建立背景模型后，对新的每一帧，不断实时更新背景模型；

(2)每读取新的一帧，用简单线性迭代聚类SLIC算法对当前帧图像进行超像素分割，调整算法参数，使得分割后的图像能够将背景区与图像区分开，得到分割后的当前帧图像，并转化为灰度图像；

(3)利用步骤(2)得到的分割后的背景区，将当前帧背景图像进行相应区域的超像素分割，并将分割后的图像转为灰度图像；

(4)针对当前帧图像和当前帧背景图像的灰度图象的每一个区域，提取局部三值模式LTP的纹理特征，并形成相应的灰度直方图；

(5)对于每一个区域，将当前帧图像提取的灰度直方图与当前帧背景图像提取的灰度直方图进行比较；若相似，则为背景；否则，为运动目标。

2.根据权利要求1所述的运动目标检测方法，其特征在于，步骤(1)中，使用高斯混合模型来构建背景模型，具体方法如下：

在视频图像序列中，每一帧图像包含R、G、B的色彩信息；背景模型X_i，t就是描述像素点i在时间t的特征；

X_i,t＝[R_i,t,G_i,t,B_i,t]

其中，i,t为自然数；

如果运动物体不存在，要被检测的图像相对静止；每个像素的变化满足一定的数学模型，用M个高斯分布的混合模型标识每个像素，第k阶高斯概率密度函数

其中，μ_k为均值矢量，Σ_k为协方差矩阵，T为经验阈值，取值范围为0.7-0.75；

像素点i当前特征与过去时刻的特征有关，其概率为：

其中，ω表示某个高斯分布权重；

根据

|X_i,t-μ_k|<2.5Σ_i,t,k

来确定当前像素与哪个高斯模型匹配。

3.根据权利要求1所述的运动目标检测方法，其特征在于：步骤(2)、步骤(3)中，用简单线性迭代聚类SLIC算法对当前帧图像进行超像素分割时，当前帧图像转化为5维的特征向量CIELAB颜色空间和XY坐标，然后将5维的特征矢量构造度量标准，过程为部分图像的像素聚类；具体步骤如下：

1)初始化种子点：假设有N个图像像素，预分割为K个相同尺寸的超像素，那么每个超像素大小为N/K，每个种子点之间的距离是

N表示为图像像素的个数；

为了避免在图像的边缘，并且所造成的聚类过程随后干扰种子点的位置，我们在其内的种子点作为3×3窗口的中心，将移动到最小梯度值的位置，以及每个种子分配一个单独的标签；

2)相似性量度：对于每个像素，分配给像素的标签是相似程度最高的种子点；通过这个过程，直到收敛的连续迭代中，相似性度量标准如下：

其中，l表示明度，a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围，x为横坐标，y为纵坐标，d_lab代表像素之间的色差，d_xy代表像素之间的空间距离，D_i为像素之间的相似性；S是种子之间的距离，m是平衡参数。

4.根据权利要求1所述的运动目标检测方法，其特征在于：步骤(4)中，对当前帧图像和当前帧背景图像的灰度图象提取局部三值模式LTP的纹理特征，灰度级在一个i_c量化为零，i_c周围宽度为±t的区域，大于这个值的量化为+1，小于这个值的量化为-1.

这里，u为邻域的像素值，i_c为中心点的像素值，t是用户指定的阈值；

LTP算子的表达式如下：

其中，P是邻域像素的数量，R是相邻像素距中心像素的半径，i_p和u的物理意义相同，指邻 域的像素值。

5.根据权利要求1所述的运动目标检测方法，其特征在于，步骤(5)中，对于每一个区域，将当前帧图像提取的灰度直方图与当前背景图像提取的灰度直方图进行比较的方法如下：

首先对图像的每个区域提取LTP特征，并计算直方图，利用灰度直方图计算相似度；

灰度范围是[0,L-1]的图像I(x,y)的直方图定义为

其中：i表示第i个灰度级；H(i)是具有第i级灰度的像素数目，并且

根据LTP_P,R的直方图定义两幅图像H₁和H₂的相似度为：

其中:N是直方图的Bin数，H_k(i)、H_k(j)分别表示第k幅图H_i、第k幅图H_j。