[发明专利]一种结合样本一致性和局部二值模式的运动目标检测方法

说明书

本发明提出了一种结合样本一致性和局部二值模式的运动目标检测算法，对视频图像序列的每个像素点在每一帧图像中建立一个背景模型，对可见光视频序列第N帧图像以后的当前图像与前一帧图像作差分运算，并对差分运算后的图像进行灰度化和二值化，确定稳定背景点，提取目标前景。本发明通过漫水填充算法和连通域检测，有效填补大量空洞以及去除离散噪声，并提出稳定背景点概念，结合LBP(Local Binary Pattern，局部二值模式)对光照变化的鲁棒性特点，在光照发生突变的情况下准确判断出前景目标。

技术领域

本发明涉及图像处理技术领域，特别是结合样本一致性和局部二值模式的运动目标检测方法。

背景技术

运动目标检测是计算机视觉领域的一个重要研究课题，在智能视频监控、人机交互、视觉导航等许多领域有着广泛的应用；它处于整个视频处理系统的最底层，是各种后续高级处理，如目标跟踪、目标分类、行为识别以及场景理解等的基础。

目前比较常用的运动目标检测方法主要由以下三种：光流法、帧间差分法以及背景建模法。

(1)光流法是将二维图像平面坐标点上灰度的瞬时变化率定义为光流矢量，通过估计光流矢量梯度平方和或拉普拉斯平方和的最小化确定目标运动。光流法计算量大，且对噪声比较敏感，对硬件要求较高，实时性和实用性也较差，不能处理光照变化的情况，尤其是当场景中有光照突变时效果很差。

(2)帧间差分法是在视频图像序列中的相邻两帧间对图像灰度值做差分运算，从而提取图像中的运动区域。帧间差分法在动态环境中具有较强的自适应性，对光照的变化干扰不敏感，运算量小，其缺点是很难完整地提取出与运动目标相关的全部像素区域，只能提取出边界点，容易在运动实体内部产生空洞。此外，在运动目标速度缓慢时，很可能会检测不到，而运动目标速度过快时，将会把部分背景也检测为运动目标，检测出的物体在运动方向上被拉伸，形成“拖影”，造成检测效果不精确。

(3)背景差分法是对视频帧序列进行分析后通过建立相应的合适的背景提取模型提取到背景图像帧，再通过多视频帧序列进行实时采集获得当前帧视频图像，二者相减得到差分值。通过对差分结果的辨析，判断某一像素点是感兴趣的(或者说有用的)运动目标还是背景像素点。根据背景差法的原理，只要能够建立正确的背景图像，用当前帧图像减去背景图像即可提取出运动目标。所以，背景差分法的关键是如何建立合适的自适应背景模型，有效的去除光照、噪声等引起的干扰。自适应背景模型能够根据背景的变化建立背景模型，并不断更新模型参数，最后根据运动目标像素的模型分布参数与背景模型的分布参数是否符合来判断运动目标像素点，从而检测出运动目标。背景差分法由于在鲁棒性、实时性等方面的优异表现，近年来得到了广泛的应用。

基于样本一致性的背景建模算法(SAmple CONsensus，SACON)属于背景差分法的一种，是由Hanzi Wang和David Suter等人于2006年在《IEEE》上发表的《BackgroundSubtraction Based on a Robust Consensus Method》中提出的一种样本集的背景提取算法。该算法直接保存一段时间内的图像序列作为样本，为每个像素点建立一个样本模型，通过计算当前帧每个像素与样本集的差异大小来提取出前景。SACON算法运算速度快，抗噪能力强、背景自适应能力也较强；但是由于它是通过邻域帧差来提取出可能的运动前景，即使后期进行了部分空洞填充，但是在提取出的运动目标内部还是会存在一些空洞；另外SACON算法是采用视频序列的前N帧作为样本集，当后续视频中出现光照缓慢变化或者突变时，样本集来不及更新，此时会造成将光照变化区域判断为前景区域，从而导致运动目标的误判。

发明内容

本发明提出了一种结合样本一致性和局部二值模式的运动目标检测方法，能够填补运动目标内部空洞、去除噪声以及较好地适应光照变化。

实现本发明的技术解决方案为：一种结合样本一致性和局部二值模式的运动目标检测方法，具体步骤为：

步骤1、读取可见光视频序列；