[发明专利]一种基于视频的运动目标检测与跟踪方法及系统

说明书

本发明提供了一种基于视频的运动目标检测与跟踪方法及系统，其中方法包括输出视频；用改进的混合高斯模型对其每一帧图像进行前景和背景的分离；然后对检测后得到的前景图像进行中值滤波处理，去除噪声；再进行形态学膨胀操作，去除图像中产生的空洞；采用meanshift算法对目标进行跟踪。采用本发明的技术方案，提升了环境的鲁棒性，提高阴影检测效果，扩大了前景像素区域的边界，增大了前景像素区域的尺寸增大，减小了空洞。

技术领域

本发明属于运动目标检测技术领域，尤其涉及一种基于视频的运动目标检测与跟踪方法及系统。

背景技术

近年来，随着图像处理技术的发展，基于机器视觉的目标检测与跟踪系统得到了广泛应用。迄今为止，已经开发了许多运动和变化的检测算法，这些算法在某些类型的视频中表现良好，但其中大多数对突然照明变化、环境条件、背景/相机运动、阴影等都很敏感。当前没有哪种算法能够同时很好地解决基于视频的多目标检测的所有问题。由于动态场景变化、光照变化、阴影的存在等各种挑战，检测出运动物体的实际形状变得困难。帧差法、光流法、背景减除法是目前常用的运动目标检测方法。帧差法的基本原理是在视频序列相邻几帧采用时间差分来提取出图像中的运动物体。光流法的关键在于计算光流场，根据视频序列的时空梯度估算运动场，通过分析运动场的变化对运动目标进行检测与分割。背景减除法的关键是对背景模型的创建和更新，将当前帧与背景图像进行比较实现前景检测，其中相差较大的像素区域被认为是前景，而相差较小的像素区域被认为是背景。

但是帧差法存在如下缺点为：在目标内部产生空洞，不能有效的提取运动目标，对环境噪声较为敏感。光流法的缺点为：光流场分布的计算过程非常复杂，很难进行实时处理。背景减除法的缺点为：易受光照等外界条件变化的影响，将背景误判成前景。但在处理摄像机静止的情况下，能较完整地从视频中分割出运动目标，简单有效。背景减除法对背景建模主要有以下难点：照明变化、动态背景、间歇物体运动、阴影、视频噪音。其中，最常用的方法有混合高斯背景建模法，混合高斯模型(GMM)对背景建模存在如下缺点：(1)每帧图像所有的高斯模型都保持相同固定不变的高斯模型个数，处理时会消耗大量的系统资源。(2)不能很好地辨别移动物体所产生的阴影。

发明内容

针对以上技术问题，本发明公开了一种基于视频的运动目标检测与跟踪方法及系统，大大提升了对环境的鲁棒性，同时也提高了阴影检测效果。

对此，本发明采用的技术方案为：

一种基于视频的运动目标检测与跟踪方法，其包括：

步骤S1，输出视频；

步骤S2，用改进的混合高斯模型对其每一帧图像进行前景和背景的分离；所述改进的混合高斯模型对其每一帧图像进行前景和背景的分离时，用K个不同的高斯函数来表示视频序列中每一个像素点的值，然后对这K个高斯函数按优先级进行排序，选取前B个高斯函数代表实际的背景模型，进而通过匹配的高斯函数的序号与B相比来判断该像素点是前景还是背景；

步骤S3，然后对检测后得到的前景图像进行中值滤波处理，去除噪声；

步骤S4，再进行形态学膨胀操作，去除图像中产生的空洞；

步骤S5，结合meanshift算法对目标进行跟踪。

其中，K和B为正整数。中值滤波是消除图像中较大噪声的最有力工具之一，该方法在消除脉冲噪声、椒盐噪声的同时，对图像细节的影响也较小。图像形态学是最基本的图像去噪方法。膨胀的作用是逐渐扩大前景像素区域的边界，效果显示为前景像素区域的尺寸增大，而这些区域内的空洞变小。Meanshift算法是一种基于密度函数梯度估计的方法，先对目标进行建模，用目标的颜色分布来描述目标，再计算目标在下一帧图像上的概率分布，使目标的搜索一直沿着概率梯度上升的方向，迭代收敛到概率密度分布的局部峰值上。

作为本发明的进一步改进，步骤S2包括：