[发明专利]一种基于帧差绝对误差和SAD的运动和亮度检测方法

说明书

本申请公开了一种基于帧差绝对误差和SAD的运动和亮度检测方法，该方法包括：根据当前帧中的当前块和前一帧中的同位块内像素点的亮度值，计算当前块的SAD；根据当前块的SAD确定当前块为当前帧中的运动块或背景块；根据当前帧总所有背景块的SAD和前M帧中所有背景块的SAD，对当前帧进行亮度检测，确定当前帧的亮度变化等级。这样能解决现有方案中存在的无法适用于动静变化较大或亮度不充足的运动场景、运动区域识别准确性较低及无法满足视频编码使用时的实施性和实用性等问题。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种基于帧差绝对误差和SAD的运动和亮度检测方法。

背景技术

在视频监控领域中，人们往往对运动的物体更加关注，比如监控视频内运动的人、车及动物等；而对相对不变的背景区域，比如树、马路等关注程度较低。为此，在视频压缩编码前，提前区分出高关注度的运动区域和低敏感度的背景区域，分别采取不同的编码压缩策略，以有效地缓解主观效果上的编码损失。目前，主流的前后景区域分割是利用当前图像和背景图像的区别来检测运动区域，它一般能提供完整的运动物体特征，但对视频中的光照和噪声等无关信息的干扰特别敏感。因而大部分的研究都是基于此基础上开发不同的背景模型，例如背景帧差法、混合高斯模型(GMM)和光流法等，以减少动态场景的变化对于运动检测的影响。其中：

背景帧差法是一种非常简单的背景模型，具体地指定视频中的某一帧为背景图像，用当前图像与背景图像比较，再根据具体需要过滤较小的差异得到的结果部分就是前景区域。帧差计算是直接对两幅图像进行减法运算，然后在用指定阈值过滤，虽然这种方法比较简单易实施，但对于视频中的无关信息和噪声等特别敏感，比较适用于动静变化较小且亮度充足的场景，比如无人仓库的运行监控。但无法适用于动静变化较大或亮度不充足的运动场景，例如行车场景等。

在混合高斯模型中，输入图像的像素点会与背景模型中的像素点进行比较，与背景模型相似度较高的像素点被划分为背景区域，相似度较低的像素点划分为前景区域。在进行新一帧图像区分时，混合高斯模型一般由N个单高斯模型加权组合而成，如果当前图像中某个像素点与该像素点N个单高斯模型中的某个匹配程度很高，则这个像素点是背景像素，同时它的像素值将作为一个新模型用于更新已存在的N个单高斯模型。如果当前像素与模型匹配的程度比较低，则将当前像素划分为前景像素，即运动区域。方差和均值被用于训练整个混合高斯模型，如果对它们采取不同的学习机制将会直接影响最终整个混合高斯模型的正确性、稳定性和收敛性。换句话说，这种方法会受限于混合高斯模型的准确性，进而影响前景区域(即运动区域)识别的准确性。

通过观察视频中运动物体所对应像素点的位置，可以获得运动的像素点在时间域上的变化以其在相邻帧之间的相关性。根据上一帧与当前帧之间存在的对应关系，可以相对简单地计算出运动物体的瞬时速度、运动方向等信息。光流法就是通过研究图像中的像素数据在时间域中的变化和相关性来确定其位置的运动的一种算法。光流法中得出的运动像素即为人们所关心的前景区域。实际实施时，通过光流法会提前赋予图像中每个像素点的一个初速度矢量，从而形成一个运动的矢量场。在某个特定时刻，通过投影计算图像中像素点与三维物体中的点一一对应的关系，根据该像素点的速度矢量特征再对图像进行动态分析。如果图像中没有运动目标，则光流矢量在图像中不会连续变化。当图像中有运动目标，即目标和背景之间存在相对运动，则运动物体所形成的速度矢量必然和背景中的速度矢量有所不同，因而可计算得到运动物体的位置。但是，光流法涉及的计算量很大，运动区域识别的效率较低，无法保证其在视频编码使用时的实施性和实用性。

因此，需提出一种更好地运动和亮度检测方法。

发明内容

为克服上述现有技术存在的不足，本申请之目的在于提供一种基于帧差绝对误差和SAD的运动和亮度检测方法，能解决现有方案中存在的无法适用于动静变化较大或亮度不充足的运动场景、运动区域识别准确性较低及无法满足视频编码使用时的实施性和实用性等问题。

为达上述及其它目的，本申请提出一种基于帧差绝对误差和SAD的运动和亮度检测方法，包括如下步骤：