[发明专利]一种基于图像处理的移动目标检测与轨迹预测方法

权利要求书

1.一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：该方法包括如下步骤：

S1：获取由固定摄像机拍摄的包含移动目标的视频图像数据集，进行移动目标检测与轨迹预测；

S2：在目标检测提取阶段，对输入的视频图像数据集进行预处理，利用目标检测方法获取图像目标特征及其量化值，以对移动目标进行准确检测和定位；

S2.1：通过对移动目标进行检测和特征提取，从而定位到移动目标；所述目标检测分为主体检测部分和细节检测部分；

所述主体检测部分是指建立高斯混合模型，通过输入目标图像与背景图像，进行运算和分割，从而初步检测到移动目标，获得前景图像；并通过中值滤波和高斯滤波结合的滤波降噪操作消除前景图像中的脉冲噪声和高斯噪声；

所述细节检测部分是根据主体检测得到的前景图像进行图像处理，包括边缘检测、滤波降噪、形态学处理和目标区域标记；

S2.2：根据步骤S2.1提取出的移动目标特征进行量化处理，即目标特征量化，所述量化的目标特征包括目标的几何特征和运动特征；

S3：在Kalman优化阶段，利用粒子群优化算法对Kalman滤波算法中的噪声点进行改进，并将优化后的噪声点作为新的噪声点，将视频图像数据集中移动目标的位置数据作为Kalman滤波算法的输入参数，运行优化后的Kalman滤波算法，得到算法输出的预测位置坐标；

S4：在Elman优化阶段，利用粒子群优化算法对Elman神经网络中的权值、阈值进行改进，并将优化后的权值、阈值作为网络新的权值、阈值，将步骤S2得到的量化值融合步骤S3得到的Kalman预测位置坐标作为Elman神经网络的输入参数，对应的真实位置坐标作为网络的输出值，训练神经网络，得到优化后的Elman神经网络；

S5：将移动目标最新的图像数据经过步骤S2所述量化处理，得到目标特征及其量化值；将图像数据中移动目标的位置数据作为步骤S3所述优化后的Kalman滤波算法的输入参数，运行该算法，得到算法输出的预测位置坐标；将所述量化值融合Kalman预测位置坐标作为优化后的Elman神经网络输入参数，运行该神经网络，得到网络输出的预测位置坐标；

S6：根据步骤S5预测的位置坐标在一段时间内的集合构成了预测的轨迹，即实现了移动目标的轨迹预测。

2.根据权利要求1所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2.1中，在确定输入高斯混合模型的背景图像时，取连续n帧的背景图像进行平均化处理，并将平均化处理后的背景图像作为输入高斯混合模型的背景图像，平均化处理公式如下：

式中，B_n表示第n帧的背景图像。

3.根据权利要求1所述的一种基于图像处理的移动目标检测与轨迹预测方法，其特征在于：步骤S2.1中，所述细节检测方法如下：

首先利用Canny算子检测背景边缘和当前帧f的图像边缘，产生的二值边缘图像分别记为A_f和B_f；然后添加空白图像C_f，大小与A_f和B_f均相同，若A_f中的像素坐标(j,d)对应于B_f中有：A_f(j,d)＝B_f(j,d)，那么C_f(j,d)＝0；否则C_f(j,d)＝1，以此计算所有像素点，直到最后产生完整的、更新的二值图像C_f；其次将前景图像F_f与更新后的二值图像C_f中的每一个像素进行加法运算，得到新图像D_f；再将前景图像F_f与图像D_f中的每一个像素进行加法运算，得到新前景图像G_f；最后对新前景图像G_f进行滤波降噪和形态学处理，得到最终前景图像H_f；对最终前景图像H_f进行目标区域标记，获取包围该目标区域的最小矩形，定位到该移动目标，获取到当前帧图像中的目标特征信息。