[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

说明书

本发明公开了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。运动目标检测的任务是从复杂场景中尽可能提取感兴趣的对象，并以二值图像呈现结果。本发明方法首先利用高斯混合模型进行背景建模，获取当前帧的背景图像。其次，对当前帧用SLIC(简单线性迭代聚类)算法进行超像素分割。最后，对分割好的图像和背景图像分别进行LTP(局部三值模式)的纹理特征提取，然后进行比较，从而获得运动目标。本发明的有益效果在于：能够实时的根据摄像头捕捉到的视频图像来检测运动目标；检测方法高效、准确。

技术领域

本发明属于智能视频监控领域，涉及一种视频运动目标检测算法，具体涉及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。

背景技术

最近十几年来，随着公共安全意识的逐渐提高，智能监控领域的技术有了长足的进步，并开始越来越多的应用在安防、交通和互联网等领域。运动目标检测融合了计算机视觉和模式识别技术，是智能视频监控系统中最基础、最核心的研究方向之一。

图像分割是指把图像分成若干个相对独立的区域。因为图像处理大多是在像素级别进行操作，若能将具有相同特性的像素分割出来，能够降低后续操作的复杂度。所以，图像分割在近几十年来有了长足的进步。

当前图像处理大都以像素为单位，仅用二维矩阵来表示一张图像，并未考虑像素之间的空间组织关系，使得算法效率过低。Ren等最早提出了超像素这一概念所谓超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相似程度将像素分组，可以获取图像的冗余信息，在很大程度上降低了后续图像处理任务的复杂度。LIU M Y等人提出了基于熵率的超像素分割算法，描述了基于图形拓扑的能量函数。WANG S等人提出了使用超象素来提取跟踪对象结构信息。TIGHE J等人在场景组成分析使用其它超像素，提出了一个简单而有效的非参数的图像分析方法。

目前常用的运动目标检测方法有三类：光流法、帧间差法和背景差分法。光流法是通过计算速度场来区分背景和运动目标。帧间差法和背景差分法的基本步骤：先将待检测帧与参考帧进行差分，然后人工设定阈值，若大于阈值，该像素点为前景，否则为，背景。帧间差法的参考帧为当前帧的相邻帧，由于相邻帧与当前帧间隔短，对环境光照变化不敏感，缺点是如果运动中的物体突然以很慢的速度运动，会在检测结果中出现空洞。背景差分的参考帧是在没有待检测目标下的图像。背景差分法分为参数化方法和非参数化方法。最常用的参数法为高斯混合模型(GMM)，用k(3-5)个高斯分布的加权混合来构建背景模型。优点是能够动态适应环境变化。缺点是当运动中的物体突然从静止转为运动，检测效果不佳。Li等在Foreground object detection from videos containing complex background提出的一种在复杂场景下的目标检测算法是一种非参数法，该算法对差分图像使用了全局阈值化方法检测出所有的运动，然后，对运动区域进行背景抑制。缺点是忽略了像素与像素之间的空间关联性，场景越复杂，效果越不理想。除了上述基本的方法，其他方法也被提了出来，如Migdal G.等由马尔可夫随机场理论构造出运动场分布模型，利用此模型来检测运动场间的断点，以此实现运动目标检测；McHugh J M等提出的基于小波变换的方法：Guan Y-P等提出的在多尺度上计算由光谱、方向和尺度参数构成的向量来进行目标检测。

发明内容

为了克服上述方法的不足，本发明的目的是提供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。该检测方法能够实时的根据摄像头捕捉到的视频图像来检测运动目标。本发明方法侧重于以下几个方面：

1)将待检测的当前帧的图像利用SLIC(简单线性迭代聚类算法)。SLIC在进行聚类时，仅在一个种子点作为2S(S是种子之间的距离)×2S区域的中心搜寻类似像素，而不是在整幅图中进行搜索，提高了算法的计算速度。