本發(fā)明屬于計(jì)算機(jī)視覺、視頻分析和人工智能結(jié)合的技術(shù)領(lǐng)域，具體涉及一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)視覺檢測(cè)方法。

背景技術(shù)：

傳統(tǒng)的運(yùn)動(dòng)目標(biāo)視覺檢測(cè)方法包括：光流法、幀差法以及背景差分法。其中，光流法檢測(cè)準(zhǔn)確性高，但其計(jì)算復(fù)雜且抗干擾能力差，若沒有特定的硬件支持則難以滿足對(duì)實(shí)時(shí)處理的要求。幀差法是這三種類型算法中最簡(jiǎn)單高效的一種算法，其能有效適應(yīng)環(huán)境的動(dòng)態(tài)變化，但是難以獲得完整的運(yùn)動(dòng)目標(biāo)，檢測(cè)時(shí)容易出現(xiàn)空洞現(xiàn)象，檢測(cè)效果不理想。

而背景差分法不僅能適應(yīng)動(dòng)態(tài)的環(huán)境，而且能夠檢測(cè)出完整的目標(biāo)形狀，被廣泛應(yīng)用于運(yùn)動(dòng)目標(biāo)檢測(cè)鄰域中。背景差分法的關(guān)鍵點(diǎn)是要訓(xùn)練出一個(gè)精準(zhǔn)的背景模型，因此不同的研究人員提出不同的訓(xùn)練方法，得到不同的背景差分算法。典型的有混合高斯模型算法、kde算法、codebook算法、vibe算法、subsense算法、adadgs算法等。

上述的各個(gè)算法雖然能較好地適應(yīng)某種場(chǎng)景，且在特定的數(shù)據(jù)集上表現(xiàn)良好，但由于運(yùn)動(dòng)目標(biāo)和外部環(huán)境的多樣性，某一個(gè)特定的算法難以保證在這些不同的條件下都具有良好的檢測(cè)表現(xiàn)。盡管還有其他的運(yùn)動(dòng)目標(biāo)檢測(cè)算法相繼被提出，依然沒有一種算法能同時(shí)適應(yīng)不同的環(huán)境，并獲得良好的檢測(cè)效果。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)提供了一種自適應(yīng)運(yùn)動(dòng)目標(biāo)檢視覺測(cè)算法，實(shí)現(xiàn)不同環(huán)境下運(yùn)動(dòng)目標(biāo)的魯棒檢測(cè)。

本發(fā)明所采用的技術(shù)方案是：一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)視覺檢測(cè)方法，其特征在于，包括以下步驟：

步驟1：輸入第一幀圖像；

步驟2：初始化n種不同的運(yùn)動(dòng)目標(biāo)檢測(cè)算法在各像素點(diǎn)x處的權(quán)重ωi(x)，其中i∈[1,n]，x∈[1,m]，m為圖像像素點(diǎn)的個(gè)數(shù)；

步驟3：針對(duì)n種不同的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，對(duì)輸入的圖像序列進(jìn)行檢測(cè)，獲得不同的前景圖像觀測(cè)值{f1,f2,…,fn}；

步驟4：根據(jù)ωi(x)和前景圖像觀測(cè)值{f1,f2,…,fn}估計(jì)真實(shí)的前景圖像估計(jì)值

步驟5：將前景圖像估計(jì)值與{f1,f2,…,fn}進(jìn)行比較，更新各算法在各像素點(diǎn)的權(quán)重ωi(x)；

步驟6：若當(dāng)前圖像為最后一幀，則結(jié)束算法，否則輸入下一幀圖像，重復(fù)步驟3-步驟5。

本發(fā)明的有益效果是：本發(fā)明采用多種算法同時(shí)對(duì)同一圖像序列進(jìn)行檢測(cè)，并利用加權(quán)組合的方式對(duì)各算法模塊檢測(cè)的結(jié)果進(jìn)行有效融合，估計(jì)真實(shí)的前景圖像。通過對(duì)各算法模塊整體表現(xiàn)的預(yù)估以及對(duì)權(quán)重參數(shù)的自適應(yīng)實(shí)現(xiàn)了復(fù)雜環(huán)境下運(yùn)動(dòng)目標(biāo)的魯棒檢測(cè)。在實(shí)際應(yīng)用中，相比其他運(yùn)動(dòng)目標(biāo)檢測(cè)算法，本發(fā)明提出的自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)算法能獲得更加完整且噪聲干擾更少的運(yùn)動(dòng)目標(biāo)。

附圖說明

圖1是本發(fā)明實(shí)施例自適應(yīng)運(yùn)動(dòng)目標(biāo)檢測(cè)算法的整體框架圖；

圖2是本發(fā)明實(shí)施例指標(biāo)fm計(jì)算過程中各參數(shù)物理含義示意圖；

圖3是本發(fā)明實(shí)施例中采集的源圖像；

圖4是本發(fā)明實(shí)施例中源圖像運(yùn)動(dòng)目標(biāo)的真實(shí)標(biāo)記；

圖5是本發(fā)明實(shí)施例中l(wèi)badasom算法的檢測(cè)結(jié)果圖像；

圖6是本發(fā)明實(shí)施例中l(wèi)obster算法的檢測(cè)結(jié)果圖像；

圖7是本發(fā)明實(shí)施例中subsense算法的檢測(cè)結(jié)果圖像；

圖8是本發(fā)明實(shí)施例中dpzivgmm算法的檢測(cè)結(jié)果圖像；

圖9是本發(fā)明實(shí)施例中vibe算法的檢測(cè)結(jié)果圖像；

圖10是本發(fā)明實(shí)施例算法的檢測(cè)結(jié)果圖像。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

請(qǐng)見圖1，本發(fā)明提供的一種自適應(yīng)的運(yùn)動(dòng)目標(biāo)視覺檢測(cè)方法，包括以下步驟：

步驟1：輸入第一幀圖像；

步驟2：初始化n種不同的運(yùn)動(dòng)目標(biāo)檢測(cè)算法在各像素點(diǎn)x處的權(quán)重ωi(x)，其中i∈[1,n]，x∈[1,m]，m為圖像像素點(diǎn)的個(gè)數(shù)；

ωi(x)＝1/n；

本實(shí)施例采用多線程以及分布式并行處理，n種不同的運(yùn)動(dòng)目標(biāo)檢測(cè)算法包括dpzivgmm算法、lbadasom算法、codebook算法、pawcs算法、fuzzycho算法、fuzzysug算法、multicue算法、lobster算法、vibe算法以及subsense算法。

步驟3：針對(duì)n種不同的運(yùn)動(dòng)目標(biāo)檢測(cè)算法，對(duì)輸入的圖像序列進(jìn)行檢測(cè)，獲得不同的前景圖像觀測(cè)值{f1,f2,…,fn}；

步驟4：根據(jù)ωi(x)和前景圖像觀測(cè)值{f1,f2,…,fn}估計(jì)真實(shí)的前景圖像估計(jì)值

步驟4.1：計(jì)算第一次前景圖像估計(jì)值

其中fi(x)表示第i種算法在像素點(diǎn)x處的觀測(cè)值，fi(x)∈{0,1}，t1為第一次

前景估計(jì)的預(yù)定義閾值，且t1∈[0,1]；

步驟4.2：將n個(gè)前景圖像觀測(cè)值{f1,f2,…,fn}與第一次前景圖像估計(jì)值進(jìn)行比較，計(jì)算各算法的整體表現(xiàn)fmi；

請(qǐng)見圖2，其中pr表示準(zhǔn)確率、re表示召回率、tp(turepositive)表示被正確檢測(cè)為前景的像素點(diǎn)個(gè)數(shù)、fn(falsenegative)表示被錯(cuò)誤檢測(cè)為背景的像素點(diǎn)個(gè)數(shù)、fp(falsenegative)表示被錯(cuò)誤檢測(cè)為前景的像素點(diǎn)個(gè)數(shù)、tn(truenegative)表示被正確檢測(cè)為背景的像素點(diǎn)個(gè)數(shù)。

步驟4.3：計(jì)算結(jié)合算法整體得分fmi的各像素點(diǎn)權(quán)重γi(x)；

步驟4.4：根據(jù)γi(x)第二次估計(jì)前景圖像估計(jì)值中前景像素點(diǎn)x滿足：

其中t2為第二次前景估計(jì)的預(yù)定義閾值，且t2∈[0,1]；

步驟5：將前景圖像估計(jì)值與{f1,f2,…,fn}進(jìn)行比較，更新各算法在各像素點(diǎn)的權(quán)重ωi(x)；

1)ωi(x)的更新計(jì)算公式如下：

ωi,t(x)＝(1-α)ωi,t-1(x)+αmi,t；

其中ωi,t(x)為t時(shí)刻第i個(gè)算法模塊在像素點(diǎn)x處的權(quán)重，α為模型的學(xué)習(xí)率，α∈[0,1]，mi,t為匹配因子，若fi(x)與匹配，mi,t＝1；否則，mi,t＝0。

步驟6：若當(dāng)前圖像為最后一幀，則結(jié)束算法，否則輸入下一幀圖像，重復(fù)步驟3-步驟5。

本實(shí)施例基于microsoftvisualstudio2013平臺(tái)，利用opencv計(jì)算機(jī)視覺庫(kù)進(jìn)行開發(fā)。用于自適應(yīng)的算法有10種，分別是dpzivgmm算法、lbadasom算法、codebook算法、pawcs算法、fuzzycho算法、fuzzysug算法、multicue算法、lobster算法、vibe算法以及subsense算法，自適應(yīng)過程中閾值t1和t2均設(shè)置為0.4。

圖3是本發(fā)明實(shí)施例中采集的源圖像，圖4是本發(fā)明實(shí)施例中源圖像運(yùn)動(dòng)目標(biāo)的真實(shí)標(biāo)記，圖5是本發(fā)明實(shí)施例中l(wèi)badasom算法的檢測(cè)結(jié)果圖像，圖6是本發(fā)明實(shí)施例中l(wèi)obster算法的檢測(cè)結(jié)果圖像，圖7是本發(fā)明實(shí)施例中subsense算法的檢測(cè)結(jié)果圖像，圖8是本發(fā)明實(shí)施例中dpzivgmm算法的檢測(cè)結(jié)果圖像，圖9是本發(fā)明實(shí)施例中vibe算法的檢測(cè)結(jié)果圖像，圖10是本發(fā)明實(shí)施例算法的檢測(cè)結(jié)果圖像。

其中l(wèi)badasom和dpzivgmm算法在檢測(cè)圖像序列1和3時(shí)，噪聲嚴(yán)重。lobster在檢測(cè)序列2和3時(shí)丟失了運(yùn)動(dòng)目標(biāo)，漏檢嚴(yán)重。subsense算法在檢測(cè)序列3時(shí)同樣丟失了運(yùn)動(dòng)目標(biāo)，且在檢測(cè)序列1時(shí)誤檢嚴(yán)重。vibe算法則在檢測(cè)序列1和2時(shí)仍然存在一定的漏檢問題。而實(shí)施例算法對(duì)3個(gè)圖像序列的檢測(cè)結(jié)果較為理想，在獲得完整的運(yùn)動(dòng)目標(biāo)的同時(shí)也能有效抑制噪聲干擾。

應(yīng)當(dāng)理解的是，本說明書未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。

應(yīng)當(dāng)理解的是，上述針對(duì)較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對(duì)本發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的請(qǐng)求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。