[发明专利]一种广电传输机房低照度条件下运动目标检测方法

说明书

本发明公开了一种广电传输机房低照度条件下运动目标检测方法，包括：S1，基于深度神经网络的图像光照预测；S2，基于光照模型预测的图像去噪；S3，基于双尺度背景模型的运动目标检测。该方法通过深度神经网络学习低照明图像的光照模型提取和画质增强，最后基于双尺度近似中值滤波进行背景建模和运动目标检测。

技术领域

本发明属于视频监控技术领域，具体涉及一种广电传输机房低照度条件下运动目标检测方法。

背景技术

在视频监控中，低照度条件下(如夜晚或光照条件较差的情况)视频运动目标检测是一个非常重要和具有挑战性的重要的问题，因为在许多犯罪行为都发生在夜晚，如非法侵入，盗窃等。过去，红外射线灯经常用于增强夜晚照明不佳情况下的图像质量，但是红外灯的光线角度窄且能量有限，只能覆盖有限范围内光照不均匀的场景。此外，来自局部光源的光照存在很大的波动性。因此，在低照度条件下很难获取场景的所有细节，如颜色、纹理等，尤其是对于远距离拍摄的场景，目标通常较小且与背景的对比度较低。总之，对于夜晚等光照条件较差的场景，监控摄像头获取的图像和视频通常具有低亮度、低对比度、低信噪比、几乎无颜色信息等特征，因此很难在这样的场景中进行运动目标检测。现有的监控设备，如海康、大华等，在场景光照正常情况下，能够直接提供较好的运动目标检测结果，但是难以处理低照度场景下的特殊情况。

近年来，低照度条件下的运动目标检测受到了广泛的关注。Huang等人2008提出了一种基于夜间监控视频局部对比的运动目标实时检测方法。该方法首先将视频图像帧分割成多个没有重叠的图像块，并为每个图像块的像素均值和局部标准差定义其局部对比度。然后，通过阈值分割得到局部对比重要性图，从而了解子图像块中是否存在可视内容，并根据局部对比重要性图的变化得到初步的运动目标检测结果，最后通过运动预测和空间最近邻数据关联进一步过滤错误的结果。肖华欣等人2014年研究了低照度下运动目标检测的系列问题，包括：(1)基于稀疏理论的背景模型；(2)用于运动检测的字典更新方法；(3)鲁棒、准确的运动目标提取方法，通过研究当前帧图像在过完备字典上的稀疏投影，并根据投影的分布与大小判断运动目标所在区域。刘磊磊等人于2014年提出了一种基于运动检测的低照度视频监控图像降噪算法，通过一种阈值运动检测算法将图像帧分成8*8的运动像素宏块和静止像素宏块，对运动像素宏块采用改进的维纳滤波算法进行降噪，对静止像素宏块采用数学形态学和中值滤波相结合的方法进行降噪。

以上用于低照度场景中视频监控的运动目标检测的方法在一定程度上取得了较好的结果，但是稳定性和实时性不够，但是难以直接应用于广电传输机房的监控，因为广电机房的安全性要求较高，需要处理断电、灯光故障等异常情况下的监控。近年来，很多目标检测方法采用基于深度神经网络的方法提取光照不变的深度特征，很少有研究工作专注于通过提升照度场景的视频图像质量来提升运动目标检测的效果。本发明针对广电传输机房的具体特点，提出了基于深度学习的低照度视频图像增强，通过新的背景建模方法得到正确稳定的运动目标检测结果。

发明内容

本发明要解决的技术问题是提供一种广电传输机房低照度条件下运动目标检测方法，该方法通过深度神经网络学习低照明图像的光照模型提取和画质增强，最后基于双尺度近似中值滤波进行背景建模和运动目标检测。

为解决上述技术问题，本发明采用如下技术方案：

一种广电传输机房低照度条件下运动目标检测方法，所述方法包括以下步骤：

S1，提出基于深度神经网络的图像光照预测方法，以典型的室内机房场景建立不同光照条件下的机房照片数据集；然后基于U-Net训练光照预测模型；

S2，根据光照预测模型得到初步的光照矩阵，然后应用导向滤波器对光照图像进行处理，减少由于强光带来的光照变化和局部饱和，并采用对比度拉伸的方法来减轻过分估计问题，最后，通过Retinex模型得到增强后的图像；