[发明专利]基于HSV的MC-SILTP运动目标检测方法

说明书

本发明公开了一种基于HSV的MC‑SILTP运动目标检测方法，主要解决现有技术在纹理少或无纹理区域检测准确度低的问题。其实现步骤是：1)在MC‑SILTP纹理特征的基础上将HSV颜色空间的H和S通道颜色信息与MC‑SILTP纹理信息相融合，得到HS‑MC‑SILTP特征，使得在时间域上拥有与HSV颜色特征一致的时间序列分布；2)使用HS‑MC‑SILTP特征建立码本背景模型；3)改进码本模型的更新策略，使其更加准确地拟合背景，从而检测出运动目标。本发明提高了对纹理“平坦”区域的区分能力，漏检率低，检测结果更加完整，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。

技术领域

本发明属于计算机视觉领域，特别涉及一种运动目标检测方法，可广泛应用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断与可视化手术对视频图像的检测。

背景技术

随着近年来众多学者对视频目标检测领域的研究，出现了大量相关研究成果，尤其是基于背景建模的目标检测领域，出现了大量优秀的算法。根据使用的背景模型不同，可以分为基于统计特性的混合高斯MOG和支持向量机SVM模型、基于聚类的硬聚类K-means和码本Codebook模型、基于神经网络的卷积神经网络CNN和自组织神经网络SONN模型，基于样本的前景检测Vibe模型等。但是，在实际应用场景中目标检测往往面临着复杂又多元的挑战，如动态背景、光照变化、相机抖动、阴影等等。简单的背景建模方法通常在复杂场景下得不到完整准确的检测结果。因此，研究人员提出了一系列的改进方法。

一般来说，他们对背景建模的改进主要在两个方向上。一个方向是提出更加复杂的背景模型，使得建立的背景模型可以更加完美地拟合真实背景，从而得到更好的检测结果。另一个方向是使用更加有效的工具来提取图像特征，使得图像特征可以更加鲁棒的描述背景图像。使用复杂的背景模型通常情况下可以提高模型鲁棒性，适应更多的复杂情景，但不可避免的会增加算法复杂度，使得模型的建立与更新更加困难，以至于无法满足实时性需要。

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。因此可以更加精确地描述复杂纹理场景，并且对于光照变化以及局部阴影场景都有一定的抑制能力，因而其成为运动目标检测领域最常用的特征之一。最简单的纹理描述算子是由Heikkila等人在2004年提出的局部二值模式LBP。通过提取LBP特征，建立直方图对背景进行建模使得模型具有一定程度的抗光照变化能力，但LBP是一种硬化分，对噪声十分敏感，当周围像素点的值存在微小波动时，可能造成LBP特征值的变化，并且无法处理无纹理或少纹理区域。Tan和Triggs提出了局部三值模式LTP，其在LBP特征的基础上引入了一个容忍区间，由于在区间范围内的微小变化都不会引起特征值变化，因而能够有效解决局部噪声问题，但对于全局光照变化等剧烈变化情况仍无能为力。Liao等人在2010年CVPR国际会议上提出了一种灰度尺度不变局部三值模式SILTP特征，该特征通过自适应阈值策略大大提高了算子对于局部以及全局灰度变化的鲁棒性。

上述无论是LBP，LTP或者SILTP算子都仅利用图像的灰度值来计算特征值，对颜色纹理平坦区域的区分度低，从而导致目标检测漏检率较高，针对这个问题，F.Ma等人在2013年提出一种改进的SILTP纹理算子，即多通道SILTP纹理算子MC-SILTP。该算子是在SILTP算子的基础上，改变单纯利用灰度空间计算的方式，采用RGB颜色空间中对SILTP特征进行多通道计算，即对R，G，B三个颜色通道分别进行两两交叉计算SILTP算子，从而得到三组不同的SILTP二进制特征值，最后将三种特征值拼接为一个完整的MC-SILTP特征值。但是对于RGB颜色空间中的纹理较少以及无纹理区域，将会得到相同的MC-SILTP纹理特征值，使得视觉上明显不同的区域却拥有相同的纹理特征值，从而导致误检。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于HSV的MC-SILTP运动目标检测方法，以提高检测结果的完整性，并有效降低检测的误检率和漏检率。