一種針對雨雪天氣的運動目標檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及機器視覺與視頻圖像處理技術(shù)領(lǐng)域，特別涉及一種針對雨雪天氣的視 頻運動目標檢測方法。
【背景技術(shù)】
[0002] 隨著數(shù)字視頻壓縮技術(shù)、網(wǎng)絡(luò)傳輸技術(shù)、電子技術(shù)的高速發(fā)展，視頻監(jiān)控已逐漸滲 透至人們的日常生活。視頻目標檢測是智能視頻監(jiān)控系統(tǒng)中關(guān)鍵的第一步。目標檢測的準 確性嚴重影響后續(xù)的目標跟蹤、目標識別的可靠性。雨雪天氣下視頻圖像受到雨滴和雪花 等動態(tài)背景的嚴重干擾，使得準確的視頻目標檢測十分困難。
[0003] 為了把背景中的動態(tài)因素融入背景模型之中，防止因動態(tài)背景導致的前景誤 檢，可以用數(shù)學模型統(tǒng)計每個像素或區(qū)域歷史數(shù)值變化規(guī)律來構(gòu)建合適的背景模型，比 如經(jīng)典的混合高斯模型（Mixture of Gaussian，M0G)、非參數(shù)核密度估計模型（Kernel Density Estimation, KDE)、碼本模型（Codebook)，以及采用隨機像素子集的ViBe (Visual Background Extractor)和ViBe+算法。以上背景建模方法能夠減少水波紋、抖動邊緣和搖 晃樹葉等動態(tài)背景的誤檢，但是在處理隨機出現(xiàn)的雨滴和雪花時往往力不從心。
[0004] 由于雨天視頻圖像背景復雜多變，單純依靠背景模型往往不能有效判定前/背 景，本發(fā)明提出在已有運動檢測算法分類的基礎(chǔ)之上再提取運動特征，進行二次分類來優(yōu) 化檢測結(jié)果。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的問題是：現(xiàn)有技術(shù)對雨雪天氣視頻圖像的檢測準確度不高，雨雪 天氣下視頻圖像受到動態(tài)背景的嚴重干擾，使得視頻目標檢測十分困難。
[0006] 本發(fā)明的技術(shù)方案為：一種針對雨雪天氣的運動目標檢測方法，對采集的天氣視 頻圖像，首先采用背景差法來進行初始運動檢測，對每個像素點進行前背景分類，獲得候選 前景像素第一次分類的二值序列，然后對所述二值序列統(tǒng)計碼元跳變次數(shù)和高電平時間作 為運動特征向量，最后，將像素劃分為真實運動目標、雨雪粒子和抖動邊緣三個類，并預先 通過K均值算法預先學習獲得類中心，計算所述運動特征向量與各個類中心的距離來進行 二次分類。
[0007] 本發(fā)明具體步驟如下：
[0008] 1)初始運動檢測：對采集的天氣視頻圖像采用背景差法進行初始運動檢測，獲得 每個像素點的初始運動檢測結(jié)果O i (X，y)，Oi (X，y) = 1表示第i幀像素點（X，y)是前景點， O1Uy) =〇表示該點為背景點，選擇固定長度w的滑動窗口，獲得第i幀像素（x，y)的第 一次分類時序結(jié)果Si (X，y)，Si (X，y)為二值序列；
[0009] 2)運動特征提?。禾崛1Uy)中的碼元跳變次數(shù)J1Uy)和高電平時間R 1Uy) 作為運動特征向量，運動特征向量FiU, y) = IJi(Xj), RiU, y)};
[0010] 3)像素二次分類：設(shè)三類像素：真實運動目標、雨雪粒子和抖動邊緣，三類像素的 特征向量的類中心分別為C1, C2, C3，類中心C1, C2, C3通過K均值算法預先學習獲得，則對第 i幀的位置（X，y)處的候選前景像素的分類方法為，計算F1(Xj)與各個類中心的距離，選 擇距離最小的類中心的標簽作為該像素的類別。
[0011] 進一步的，步驟1)中所述Si(x, y)是長度為w的二值序列：
[0012] Si (x, y) = (Oi W+1 (x, y),......, Oi 2 (x, y), Oi ! (x, y), Oi (x, y)} (I)
[0013] 步驟2)中對S1 (x，y)中碼元跳變次數(shù)的統(tǒng)計過程為：
:(2)
[0015] 對S1Uy)中高電平時間的統(tǒng)計過程為：
(3)
[0017] 步驟3)中計算F1 (X，y)與各類中心距離的方法為：
(4)
[0019] 步驟3)中通過K均值算法學習獲得類中心C1, C2，(：3時，首先對用于學習的視頻序 列，按照步驟1)、2)所述的初始運動檢測和運動特征提取方法獲得所有M個候選前景像素 的特征向量F ni= IJni, RJ，m = 1，2,…M，然后利用K均值算法對Fni學習以獲得各個類中心。
[0020] 本發(fā)明的創(chuàng)新之處在于：以往研究僅在意動態(tài)背景誤檢帶來的不利，而忽視了它 的用途，本發(fā)明通過大量觀測檢測結(jié)果二值圖像發(fā)現(xiàn)，動態(tài)背景的時序檢測結(jié)果和真實運 動目標的時序檢測結(jié)果具有不同的變化規(guī)律，對于被雨雪粒子覆蓋的背景，在一定的時間 窗內(nèi)，只有很短暫的被誤檢為前景的幾幀；對位于抖動邊緣處的像素，同一像素點反復在前 景點" 1"、背景點"〇"間切換；而對于被真實運動目標覆蓋的像素，其分類結(jié)果則形成較長 的連續(xù)前景標簽" 1"，基于這些規(guī)律，本發(fā)明創(chuàng)新的利用基本背景差法提取運動前景時的誤 檢信息，構(gòu)建能夠區(qū)分真實運動目標、雨雪粒子、抖動邊緣三類像素的運動特征向量，通過K 均值聚類算法獲得各個類別中心，通過特征向量距離計算實現(xiàn)候選前景的二次分類，提取 真實運動目標，能夠有效解決當前運動檢測算法在雨雪天氣下誤檢較多的問題。
[0021] 本發(fā)明的運動目標檢測方法，利用現(xiàn)有技術(shù)的背景差法的不足，從其誤檢中分析 總結(jié)出規(guī)律，再通過二次分類來優(yōu)化檢測結(jié)果，易于實現(xiàn)，不需要復雜的算法處理，提高雨 雪天氣視頻圖像的檢測準確度，克服雨雪天氣下視頻圖像受到的動態(tài)背景的干擾。
【附圖說明】
[0022] 圖1為本發(fā)明方法的流程框圖。
[0023] 圖2為本發(fā)明中三種像素類型的第一次分類的時序結(jié)果S1U, y)示意圖。
[0024] 圖3為本發(fā)明實施效果。
【具體實施方式】
[0025] 本發(fā)明克服現(xiàn)有技術(shù)之不足，提出一種針對雨雪天氣的運動目標檢測方法，包括 初始運動檢測、運動特征提取、像素二次分類三個步驟，如圖1所示，具體如下：
[0026] 1、初始運動檢測：
[0027] 采用現(xiàn)有技術(shù)最基本的背景差法來進行初始運動檢測。首先利用當前視頻圖像的 前N幀作為訓練圖像，計算其均值作為初始背景Bjx，y):
(X)
[0029] 式中，IiU, y)表示第i幀中點（X，y)處的像素值，BQ(x, y)表示為點（X，y)建立 的初始背景值。正式檢測從i = 〇幀開始，將待檢測圖像I1 (X，y)減去背景B1 (X，y)，并進 行自適應(yīng)閾值分割，得到候選前景：
(2)
[0031] 其中，Oi (X，y) = 1表示第i幀像素點（X，y)是候選前景像素，若Oi (X，y) = 0則 該點為候選背景像素，THb表示判決閾值。為了適應(yīng)場景的實時變化，B1(Xj)根據(jù)當前的 檢測結(jié)果進行實時更新：
溝.
[0033] 上式表示，如果當前像素點是背景則參與背景模型的更新，否則不更新，其中，α 為控制更新速度的權(quán)重因子。通過以上步驟可以獲得初始運動檢測結(jié)果O1 (X，y)，O1 (X，y)， 也可視為對當前圖像中像素的第一次分類，可見存在〇和1兩種分類狀態(tài)。O1(^y)是采用 現(xiàn)有的背景差法進行的第一次分類檢測結(jié)果，在有抖動和雨雪情況下，它會包含很多誤檢。 但是這些誤檢也有一些規(guī)律，因此可以挖掘其中隱藏的信息為我們所用。
[0034] 選擇固定長度w的滑動窗口，根據(jù)初始運動檢測可以獲得第i幀像素（x，y)的第 一次分類時序結(jié)果S i (X，y)，Si (X，y)為長度為w的二值序列：
[0035] Si