[发明专利]一种基于改进混合高斯和图像剪切的运动目标检测方法

摘要

一种基于改进混合高斯和图像剪切的运动目标检测方法，属于智能视频监控技术领域，其目的在于克服现有方法存在的问题，提高运动目标检测的准确度与处理速度。本发明实现步骤包括：⑴确定运动区域，本发明提出一种基于灰度差异性的三帧差分及曲线拟合的方法初步确定目标的运动区域，⑵期望最大化（EM）算法初始化，利用基于网格和密度估计的方法确定EM算法的初始值，以减小EM算法对于初始值的依赖，⑶运动目标检测，利用已初始化的EM算法估计混合高斯模型参数，并且仅在剪切出的运动区域上采用混合高斯模型的方法检测运动目标，极大的降低了计算复杂度。本发明可在保证目标检测准确度的同时，使算法满足实际应用的性能要求。

主权项

1.一种基于改进混合高斯和图像剪切的运动目标检测方法，其特征在于，该方法包括以下步骤：（1）图像输入步骤，输入原始视频图像序列；（2）图像预处理步骤，将原始视频图像序列转换成灰度图像序列；（3）图像差分运算步骤：（3.1）取大小为M×N的滑动窗口W，W_i(x，y)表示灰度图像序列的第i帧图像中滑动窗口的灰度矩阵，计算灰度图像序列中相邻两帧对应窗口的灰度差异性系数R(W_i(x，y)，W_i+1(x，y))，计算方法如下：R(Wi(x,y),Wi+1(x,y))=1M×NΣx=1MΣy=1N(Wi(x,y)-Wi+1(x,y))2]]>其中，x和y分别为灰度矩阵中每个元素的横坐标和纵坐标，M和N分别为滑动窗口的长和宽，且0＜R(W_i(x，y)，W_i+1(x，y))＜1；（3.2）若灰度差异性系数大于阈值T，则将灰度图像序列的第i帧图像中滑动窗口对应位置的灰度值均设定为1，反之设定为0，T的取值范围为0.25至0.35，移动滑动窗口直至遍历灰度图像序列的第i帧和第i+1帧图像，重复以上操作直到灰度图像序列全部完成灰度差异性运算，得到二值图像序列I_B(x，y)；（3.3）对二值图像序列I_B(x，y)中相邻两帧做‘与’运算，二值图像序列I_B(x，y)中所有图像完成‘与’运算后得到目标图像序列I_M(x，y)，I_M(x，y)中灰度值为1的区域是初步确定的运动目标；（4）运动区域确定步骤：（4.1）根据目标图像序列I_M(x，y)中目标位置，确定目标的运动方向，具体包括，目标图像序列I_M(x，y)共包含num帧图像，若num为偶数，从目标图像序列I_M(x，y)中抽取第1帧、第num/2帧图像和第num帧图像，若num为奇数，则从目标图像序列I_M(x，y)中抽取第1帧、第(num+1)/2帧图像和第num帧图像，并将3帧图像中目标位置的最高点进行直线拟合，若拟合直线与水平方向夹角小于45°则判定目标沿水平方向运动，若拟合直线与水平方向夹角大于45°则判定目标沿垂直方向运动；若目标图像序列I_M(x，y)第num帧图像中的目标位置出现在第(num+1)/2帧或第num/2帧中目标位置的左侧，第(num+1)/2帧或第num/2帧中目标位置出现在第1帧中目标位置的左侧，则判定目标是从右向左运动；若第num帧图像中的目标位置出现在第(num+1)/2帧或第num/2帧中目标位置的右侧，第(num+1)/2帧或第num/2帧中目标位置出现在第1帧中目标位置的右侧，则判定目标是从左向右运动；第num帧图像中的目标位置出现在第(num+1)/2帧或第num/2帧中目标位置的上方，第(num+1)/2帧或第num/2帧中目标位置出现在第1帧中目标位置的上方，则判定目标是从下向上运动；若第num帧图像中的目标位置出现在第(num+1)/2帧或第num/2帧中目标位置的下方，第(num+1)/2帧或第num/2帧中目标位置出现在第1帧中目标位置的下方，，则判定目标是从上向下运动；（4.2）根据目标的运动方向，确定目标边界点位置，并利用最小二乘曲线拟合的方法确定目标的运动区域；（4.3）将灰度图像序列每一帧中对应于运动区域的部分剪切出来，构成运动区域图像序列I_q(x，y)；（5）期望最大化EM算法初始化步骤：（5.1）运动区域图像序列I_q(x，y)的第一帧图像作为期望最大化EM算法初始化步骤的输入数据，运动区域图像序列I_q(x，y)的第一帧图像是一个L×H的数据空间，其中L为运动区域图像序列I_q(x，y)的第一帧图像在x轴方向上所占的像素个数，H为运动区域图像序列I_q(x，y)的第一帧图像在y轴方向上所占的像素个数；从EM算法初始化步骤的输入数据中读取1个数据点A，坐标为（x，y），并建立以A为中心的矩形网格，矩形网格建立方法如下：矩形网格是以A为中心，长为E_ps1，宽为E_ps2的区域，即：[x-Eps12,x+Eps12]×[y-Eps22,y+Eps22]]]>其中，Eps1=Lk,]]>Eps2=Hk]]>k为混合高斯模型分量数；（5.2）从EM算法初始化步骤的输入数据中依次读入数据点，如果该点不能落入任何一个已有的网格中，则按照步骤（5.1）的方法新建一个网格，网格的密度为1，如果新输入的数据点属于已有的网格，相应的网格密度增加1，直到输入数据中数据点全部处理完为止；若网格密度大于阈值den则将该网格标记为高密网格，den的取值是输入数据个数的20%；（5.3）当两个高密网格具有公共区域，或者两个高密网格都跟另一高密网格连通，即认为这两个高密网格是相互连通的；将连通的高密网格单元组合为高密网格族，并将每个高密网格族的重心作为初始聚类中心；（5.4）利用k均值（k-means）算法把EM算法初始化步骤的输入数据聚为C个类，C的大小等于步骤（5.3）中初始聚类中心的个数，处理聚类结果作为EM算法的参数初始值∑和μ，其中，权值等于每个类中的数据点个数与EM算法初始化步骤的输入数据的总数据点个数的比值，方差∑等于各个类中数据点的协方差，均值μ等于各个类的中心；（6）利用已初始化的EM算法估计混合高斯模型GMM参数，然后利用混合高斯模型检测出运动目标，其中混合高斯模型的输入数据为运动区域图像序列I_q(x，y)。