一種自適應(yīng)運動目標檢測系統(tǒng)及檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種運動目標的檢測系統(tǒng)及檢測方法，尤其是涉及一種在線的含有紋 理特征的自適應(yīng)運動目標的檢測系統(tǒng)和檢測方法。
【背景技術(shù)】
[0002] 由于彩色圖像所包含的信息比灰度圖像豐富，很多傳統(tǒng)的基于灰度圖像的應(yīng)用在 逐步的被彩色圖像代替，目前，在視頻檢索和人臉識別以及目標快速跟蹤定位等方面已經(jīng) 有很普遍的應(yīng)用。
[0003] 其中，運動目標分割是視頻監(jiān)控中的一個研究熱點。減背景是檢測運動目標的一 種被廣泛使用的方法。在視頻監(jiān)控等機器視覺領(lǐng)域內(nèi)，由于減背景方法被用來完成機器視 覺的低級任務(wù)，因此需要考慮使用這種方法對結(jié)果的精度、運算速度、使用內(nèi)存的影響。在 精度方面，由于減背景方法的輸出結(jié)果作為目標跟蹤、目標識別、入侵檢測等機器視覺高級 任務(wù)的輸入源，因此其精度對后續(xù)處理有顯著影響。
[0004] 特征提取是背景建模與運動目標檢測的基礎(chǔ)。減背景方法的特征提取一般使用 RGB色彩特征、YUV色彩特征、DCT特征；也有使用組合特征，如使用位置信息XY與RGB色彩 特征。這些在像素級或區(qū)域級提取的特征，使得背景建模與目標分割變得更加通用、準確和 易于實現(xiàn)。由于背景容易受到陰影、光照、動態(tài)變化、攝像機不穩(wěn)定等條件影響，因此選擇能 減弱這些條件的影響的特征對背景識別準確率十分重要。
[0005]目前所使用的減背景方法并不能較好的進行運動目標的分割和陰影去除，使對目 標形狀也不能較好的保留。此外在計算速度與內(nèi)存占用方面，作為完成機器視覺功能的第 一步，減背景方法需要占用盡量少的資源(包括計算時間和內(nèi)存)，為后續(xù)處理留下盡可能 多的運算資源?，F(xiàn)有的運動目標的檢測方法很難眷顧上述問題。

【發(fā)明內(nèi)容】

[0006] 為了克服上述技術(shù)問題，本發(fā)明提供一種自適應(yīng)運動目標檢測系統(tǒng)，包括：圖像預 處理模塊，能夠?qū)斎雸D像的顏色空間進行轉(zhuǎn)換處理，并對轉(zhuǎn)換顏色空間后的圖像進行區(qū) 域劃分；特征矢量生成模塊，能夠基于所述圖像預處理模塊所劃分的區(qū)域獲取所劃分的區(qū) 域中的像素特征值，并基于所述像素特征值獲取區(qū)域特征矢量；背景模型更新模塊，能夠基 于所述區(qū)域特征矢量更新背景模型及其相關(guān)參數(shù)；前景目標分割模塊，能夠基于更新后的 背景模型及其相關(guān)參數(shù)，獲取需要檢測的前景目標圖像。
[0007] 優(yōu)選地，所述像素特征值包括所劃分的區(qū)域中的顏色特征值、像素位置特征值和 紋理特征值，所述區(qū)域特征矢量包含所述顏色特征值、所述像素位置特征值和所述紋理特 征值。
[0008] 優(yōu)選地，所述圖像預處理模塊能夠?qū)D像中RGB顏色空間轉(zhuǎn)換為多顏色空間；所 述的多顏色空間為LUV顏色空間、HSV顏色空間、HUV顏色空間、CMY顏色空間中的一種或幾 種的組合。
[0009] 優(yōu)選地，所述紋理特征為采用Haar型局部二值模式的紋理特征值，或者為多尺度 塊狀LBP特征值，或者為兩者的組合。
[0010] 優(yōu)選地，所述背景模型為混合高斯模型；所述背景模型更新模塊將所述區(qū)域特征 矢量與所述混合高斯模型中的高斯函數(shù)進行匹配，當所述區(qū)域特征矢量與所述混合高斯模 型中的高斯函數(shù)都不匹配時，將混合高斯模型中權(quán)值最小的高斯函數(shù)的方差增大、權(quán)值減 小；當所述特征矢量與所述混合高斯模型中的一個高斯函數(shù)匹配時，對所述混合高斯模型 的方差和權(quán)值做更新處理。
[0011] 優(yōu)選地，所述背景模型更新模塊將更新后的混合高斯模型的高斯函數(shù)的權(quán)值進行 歸一化處理，并將權(quán)值歸一化后的混合高斯模型中的高斯函數(shù)按照高斯函數(shù)的權(quán)值由大到 小進行調(diào)整。
[0012] 優(yōu)選地，當所述高斯函數(shù)的權(quán)值的和小于閾值時，所述背景模型更新模塊選取權(quán) 值和小于閾值的個數(shù)最少的高斯函數(shù)作為背景模型。
[0013] 優(yōu)選地，所述前景目標分割模塊計算第一時刻的區(qū)域特征矢量和第二時刻的區(qū)域 特征矢量的馬氏距離，并根據(jù)所述第一時刻的圖像的背景模型將所述第二時刻的圖像中的 前景目標圖像檢測出來。
[0014] 優(yōu)選地，圖像獲取模塊，能夠?qū)崟r地獲取包含運動目標的所述輸入圖像。
[0015] 本發(fā)明的另一方面提供一種自適應(yīng)目標的檢測方法，包括：圖像預處理步驟，能夠 對輸入圖像的顏色空間進行轉(zhuǎn)換處理，并對轉(zhuǎn)換顏色空間后的圖像進行區(qū)域劃分；特征矢 量生成步驟，能夠基于在所述圖像預處理步驟中所劃分的區(qū)域獲取所劃分的區(qū)域中的像素 特征值，并基于所述像素特征值獲取區(qū)域特征矢量；背景模型更新步驟，能夠基于所述區(qū)域 特征矢量更新背景模型及其相關(guān)參數(shù)；前景目標分割步驟，能夠基于更新后的背景模型及 其相關(guān)參數(shù)，獲取需要檢測的前景目標圖像。
[0016] 優(yōu)選地，所述像素特征值包括所劃分的區(qū)域中的顏色特征值、像素位置特征值和 紋理特征值，所述區(qū)域特征矢量包含所述顏色特征值、所述像素位置特征值和所述紋理特 征值。
[0017] 優(yōu)選地，在所述圖像預處理中，將圖像中RGB顏色空間轉(zhuǎn)換為多顏色空間；所述的 多顏色空間為LUV顏色空間、HSV顏色空間、HUV顏色空間、CMY顏色空間。
[0018] 優(yōu)選地，所述的紋理特征值為采用Haar型局部二值模式的紋理特征值，或者為多 尺度塊狀LBP特征值，或者為兩者的組合。
[0019] 優(yōu)選地，所述背景模型為混合高斯模型；在背景模型更新步驟中，將所述區(qū)域特征 矢量與所述混合高斯模型中的高斯函數(shù)進行匹配，當所述區(qū)域特征矢量與所述混合高斯模 型中的高斯函數(shù)都不匹配時，將所述混合高斯模型中權(quán)值最小的高斯函數(shù)的方差增大、權(quán) 值減??；當所述區(qū)域特征矢量與所述混合高斯模型中的一個高斯函數(shù)匹配時，對所述混合 高斯模型的方差和權(quán)值做更新處理。
[0020] 優(yōu)選地，在背景模型更新步驟中，將更新后的混合高斯模型的高斯函數(shù)的權(quán)值進 行歸一化處理，并將權(quán)值歸一化后的混合高斯模型中的高斯函數(shù)按照高斯函數(shù)的權(quán)值由大 到小進行調(diào)整。
[0021] 優(yōu)選地，在背景模型更新步驟中，當所述高斯函數(shù)的權(quán)值的和小于閾值時，選取權(quán) 值和小于閾值的個數(shù)最少的高斯函數(shù)作為背景模型。
[0022] 優(yōu)選地，在所述前景目標分割步驟中，計算第一時刻的區(qū)域特征矢量和第二時刻 的區(qū)域特征矢量的馬氏距離，根據(jù)所述第一時刻的圖像的背景模型將所述第二時刻的圖像 中的前景目標圖像檢測出來。
[0023] 優(yōu)選地，還包括：圖像獲取步驟，能夠?qū)崟r地獲取包含運動目標的所述輸入圖像。
[0024] 本發(fā)明選擇紋理特征、多顏色空間（1^、!^、￥群、01^)特征與乂￥位置特征作為區(qū) 域級的特征矢量作為視頻運動目標分割的基礎(chǔ)，對背景進行建模，減少陰影、光照、背景變 化、相機抖動等原因引起的減背景的錯誤。使用概率密度函數(shù)對背景模型進行建模后，減少 了減背景算法占用的計算時間與內(nèi)存資源，前景和背景像素模塊可以被概率密度函數(shù)量化 描述，并在對陰影、光照及前/背景部分特征值接近的視頻進行統(tǒng)計分析后，對前景、背景、 陰影及相似區(qū)域進行模型校準，使前景/背景能自適應(yīng)分類。
【附圖說明】
[0025] 圖1為本發(fā)明所涉及的自適應(yīng)運動目標檢測系統(tǒng)的結(jié)構(gòu)框圖； 圖2為本發(fā)明所涉及的自適應(yīng)運動目標檢測系統(tǒng)的檢測目標方法流程圖； 圖3為本發(fā)明所涉及的Haar-LB