[发明专利]针对抖动视频序列中运动目标检测算法

说明书

本发明涉及一种针对抖动视频序列运动中目标检测算法，先将图像帧四周各去除部分边缘，再对图像帧进行分块后，依据分块灰度投影算法进行视频序列的校正，进而结合背景差分与帧间差分法融合策略增强运动目标区域，最后使用自适应阈值分割法检测出前景目标。使用分块灰度处理方式进行运动矢量估计，通过离散化的决策机制有效剔除灰度变化低与存在局部运动区域，提高全局偏移量估计精度；对于校正后序列通过使用背景差分与连续帧间差分法融合策略，减弱差分过程中受环境与光照变化影响、更全面提取运动目标；本算法在视频序列抖动场景综合检测性能评价较高，运算量较小对硬件需求低有实际应用价值。

技术领域

本发明涉及一种机器视觉、图像处理技术，特别涉及一种针对抖动视频序列运动中目标检测算法。

背景技术

运动目标检测一直是机器视觉的研究基础，是智能视频监控、人体检测、手势识别、运动目标跟踪等应用的基本处理步骤。运动目标检测方法可分为背景差分法、帧间差分法与背景参考模型利用当前帧与背景帧进行差分获取目标。然而在自然环境中由于摄像机受地面震动、自然风等影响，所采集的视频信号会出现抖动现象，视频序列发生全局运动，大量背景区域易被误检为前景目标，使得检测准确度降低无法获取正确目标。

为解决该问题有研究尝试模拟动态场景，例如混合高斯模型(MOG)，使用高斯概率密度函数混合，根据图像帧中各像素点颜色强度不同对动态背景元素构建模型，该方法对于荡漾的水波或移动树木有良好效果，但易受亮度变化或重复运动影响、且计算复杂制约其应用范围；视觉背景提取(ViBe)算法是另一主要建模方式，算法为各像素点建立样本集，通过将新像素点值与样本集中的值进行匹配判断是否属于背景点，计算速度快占用资源少、有较好检测效果，但在背景变化频繁、阴影较多的恶劣环境中仍存在不足；基于像素自适应分割(PBAS)算法结合样本一致性背景建模算法与ViBe算法的优势，引入控制论思想与背景复杂程度度量方法，使前景判断阈值和背景模型的更新率跟随背景复杂程度进行自适应变化，该算法性能较优，但是计算量大处理速度慢；也有一些方法通过将机器学习引入运动目标检测，使用分类器训练后可准确捕获运动目标，但该方式仍属于研究阶段且硬件要求高，尚无成熟应用。

发明内容

本发明是针对运动目标检测在背景复杂情况下准确度低的问题，提出了一种针对抖动视频序列运动中目标检测算法，该算法可以准确检测出摄像机抖动场景中运动目标，保证较好检测效果的同时检测速度较快。

本发明的技术方案为：一种针对抖动视频序列中运动目标检测算法，先将图像帧四周各去除部分边缘，再对图像帧进行分块后，依据分块灰度投影算法进行视频序列的校正，进而结合背景差分与帧间差分法融合策略增强运动目标区域，最后使用自适应阈值分割法检测出前景目标。

所述针对抖动视频序列中运动目标检测算法，具体包括如下步骤：

1)在待检测的图像帧中选取无运动目标且清晰的图像帧作为背景帧；

2)分块灰度投影计算：输入待检测的图像帧，先将图像帧四周各去除部分边缘，避免抖动所引入边缘信息对投影计算产生的干扰，再将图像帧分成100*100像素大小的数个区域块；然后将当前帧块区域与背景帧相应区域作差，根据所得矩阵计算均方差σ判断离散程度，公式如下：

X_k(i，j)＝G_k(i，j)-B_k(i，j)，