列圖像I(i，j)之間相鄰間隔的幀數(shù)，meZ，且me[1，5];
[0046] 假設(shè)預(yù)處理序列圖像iUJi，j)，I2(i，j)，I3(i，j)，I4(i，j)，I5(i，j)，I6(i，j)， I7(i，j)}，幀間隔數(shù)為2幀，則在預(yù)處理序列圖像I中選取的三幅連續(xù)預(yù)處理圖像為 Mi，j)、I3(i，j)和I5(i，j)，亦或者選取的三幅連續(xù)預(yù)處理圖像為I2(i，j)、I4(i，j)和 I6(i，j);對三幅連續(xù)預(yù)處理圖像IJi，j)、I3(i，j)和I5(i，j)做差分后，可以得到兩個差分 圖像〇(3，1}α，j) = |i3(i，jO-Mi，j) |，D(5,3)a，j) = |i5(i，j)-i3a，j) | ;其中，為了使相鄰 幀圖像之間的時間間隔變短，在保證預(yù)處理圖像像素不會發(fā)生缺失的條件下，以有效地消 除動態(tài)背景所引入的干擾，作為優(yōu)選，三幅連續(xù)預(yù)處理圖像的幀間隔m幀的數(shù)值為3 ;
[0047] 步驟4,對所得兩個差分圖像Dfek (i，j)和Dbw(i，j)分別做二值化處理，得到 對應(yīng)的二值化圖像Rfck (i，j)和(i，j);其中，二值化處理準則如下：
[0049] 其中，T表示閾值，m表示各序列圖像I(i，j)之間相鄰間隔的幀數(shù)；具體地，是通過 設(shè)定閾值T，過濾掉差分圖像Dfck ^ (i，j)和Dbw(i，j)中灰度差值小于閾值T的像素，同 時將灰度差值大于閾值T的像素值轉(zhuǎn)化為255 ;二值化圖像Rfekμ(i，j)和(i，j)中 所有的非零像素點組成前景區(qū)域，而那些零像素點則是屬于背景圖像的部分；
[0050] 步驟5,對所得到的兩幅相鄰的二值化圖像Rfck ^ (i，j)和Rbw(i，j)做邏輯"或" 操作和邏輯"與"操作，分別得到對應(yīng)運算后的聯(lián)合二值化"或"圖像Bork(i，j)和聯(lián)合二 值化"與"圖像Bandk(i，j)，并將聯(lián)合二值化"或"圖像Bork(i，j)和聯(lián)合二值化"與"圖像 Bandk(i，j)進行邏輯"與"運算，得到潛在運動目標區(qū)域的二值化圖像Bk (i，j);邏輯"與" 操作可以自動摒棄新暴露出來的像素點，有效的消除"鬼影"現(xiàn)象，其中，
[0054]步驟6,對潛在運動目標區(qū)域內(nèi)進行基于高斯模型的運動目標檢測，對高斯分布的 參數(shù)均值以及方差(σ$)21賦初值，建立背景模型；其中，
[0056]Ν表示被用來進行模型初始化的圖像的數(shù)量，$表示第k幀圖像中（i，j)位置上 的像素觀察值；例如，在本實施例中，進行模型初始化的圖像數(shù)量N選取為50,，即參數(shù)均值
[0057] 步驟7,對建立的背景模型以設(shè)定的更新方式進行實時更新，以適應(yīng)實際場景中背 景圖像并隨著時間動態(tài)地發(fā)生變化；其中，本實施例中設(shè)定的更新方式為：
[0059] 其中，α表示當前幀圖像中的像素對所對應(yīng)位置上的背景模型的更新所做出的貢 獻程度；在本實施例中，設(shè)定貢獻程度α= 0.0025,以滿足當前更新后的背景模型真實的 反映實際場景中的真實背景圖像，而當貢獻程度α設(shè)定為其他數(shù)值時，則更新后的背景模 型與實際場景中的真實背景圖像發(fā)生偏移，從而導(dǎo)致不能建立最佳的背景模型，這樣將不 利于后續(xù)從背景圖像中精確的提取運動目標；
[0060] 步驟8,計算像素位置上高斯分布的95%置信區(qū)間的上限λ〖+1和下限xf1;其中，上 限if1 = < +1.96Xσ),下限4+1 =g- 1..MX< ;通過在本實施例中采用95 %置信區(qū)間，可 以進一步提高對運動前景，即中運動目標的正確提取概率；
[0061] 步驟9,根據(jù)95%置信區(qū)間的理論，對運動前景提取得到運動目標.<+1 :
[0063] 其中，在潛在運動目標區(qū)域范圍內(nèi)，像素灰度值落到95%置信區(qū)間內(nèi)的像素點被 提取出來成為前景點，置信區(qū)間以外的像素點則被認為是背景點而被忽略，從而完成對運 動前景中運動目標的精確提取。
[0064] 為了解本發(fā)明中所提供的智能移動終端抗噪聲干擾運動目標提取方法的性能，本 實施例中利用智能移動終端進行了仿真，以偽正類率和真正類率作為運動目標提取方法性 能的評價參數(shù)：其中，本發(fā)明中的抗噪聲干擾運動目標提取方法簡記為PM方法，傳統(tǒng)的自 適應(yīng)混合高斯模型運功目標檢測方法簡記為GMM方法，PM方法與GMM方法的仿真結(jié)果參加 圖2所示。
[0065] 從圖2中可以看出，運動目標提取方法的偽正類率隨著真正類率的增加也不斷變 大，實際上是閾值T的不斷放寬使得真正類率的上升所必然帶來的負面影響，即偽正類率 的快速攀升；在達到相同的真正類率情況下，本發(fā)明中提供的抗噪聲干擾運動目標提取方 法PM的偽正類率一直低于GMM方法，表現(xiàn)為檢測結(jié)果中的偽前景點較少，這說明利用抗噪 聲干擾運動目標提取方法正確檢測運動目標的概率更高，PM方法具有更好的正檢性能。
【主權(quán)項】
1.智能移動終端抗噪聲干擾運動目標提取方法，其特征在于，包括W下步驟： (1) 對智能移動終端獲取的原始圖像s(i，j)進行灰度化處理，實現(xiàn)顏色空間轉(zhuǎn)換，得 到灰度圖像Y(i，j);其中，原始圖像s(i，j)轉(zhuǎn)換為灰度圖像Y(i，j)采用如下轉(zhuǎn)換公式： Y(i,j) = 0. 257Xr(i,j)+0. 504Xg(i,j)+0. 239Xb(i,j)； 其中，r(i,j)、g(i,j)、b(i,j)分別對應(yīng)原始圖像S(i,j)的顏色空間Ξ維坐標中的紅、 綠、藍顏色分量，Y(i，j)是該像素點對應(yīng)的灰度值； (2) 對灰度圖像Y進行預(yù)處理，得到預(yù)處理圖像I，并采用高斯濾波對預(yù)處理圖像I進 行處理，高斯函數(shù)為均值是零的二維高斯函數(shù)g(i，j)，其中，其使用的圖像模板算子為做對連續(xù)間隔m帖的S帖預(yù)處理圖像Ikm(iJ)、Ik(iJ)和Ibm(iJ)做差分，得到兩 個差分圖像DA,km>(iJ)和 ；其中， D(k'km)(i，j) = |lk(i，j)-Ikm(i，j)l，D(k+m'k)(i，j) = |lk+m(i，j)-Ik(i，j)l; 其中，Ikm(iJ)、Ik(iJ)和分別表示預(yù)處理序列圖像I(iJ)中的某Ξ帖預(yù) 處理圖像，m表示預(yù)處理序列圖像I(i，j)之間相鄰間隔的帖數(shù)，meΖ，且me[1，引； (4)對所得兩個差分圖像DA,km>(iJ)和DA+m,w(iJ)分別做二值化處理，得到對應(yīng)的 二值化圖像R(k,km)α，j)和R(k+m,k)α，j);其中，二值化處理準則如下：其中，T表示闊值，m表示各序列圖像I(i，j)之間相鄰間隔的帖數(shù)； 妨對所得到的兩幅相鄰的二值化圖像R&,k"0(i，如和R〇<+m,w(i，如做邏輯"或"操作和 邏輯"與"操作，分別得到對應(yīng)運算后的聯(lián)合二值化"或"圖像Bor, (i，j)和聯(lián)合二值化"與" 圖像Bandk(i，j)，并將聯(lián)合二值化"或"圖像Bor, (i，j)和聯(lián)合二值化"與"圖像Bandk(i，j) 進行邏輯"與"運算，得到潛在運動目標區(qū)域的二值化圖像Bk(i，j);其中，(6)對潛在運動目標區(qū)域內(nèi)進行基于高斯模型的運動目標檢測，對高斯分布的參數(shù)均 值及方差(<7,賦初值，建立背景模型；其中，N表示被用來進行模型初始化的圖像的數(shù)量，4表示第k帖圖像中（i，j)位置上的像 素觀察值； (7)對建立的背景模型W設(shè)定的更新方式進行實時更新；其中，設(shè)定的更新方式為：其中，α表示當前帖圖像中的像素對所對應(yīng)位置上的背景模型的更新所做出的貢獻程 度，α= 0. 0025 ; 做計算像素位置上高斯分布的9 5 %置信區(qū)間的上限4"和下限xf+S其中，上限(9)根據(jù)95%置信區(qū)間的理論，對運動前景提取得到運動目標.;2. 根據(jù)權(quán)利要求1所述的智能移動終端抗噪聲干擾運動目標提取方法，其特征在于， 所述步驟（3)中間隔m帖的數(shù)值為3。3. 根據(jù)權(quán)利要求1所述的智能移動終端抗噪聲干擾運動目標提取方法，其特征在于， 所述步驟化）中初始化高斯背景模型的圖像的數(shù)量N為50。
【專利摘要】本發(fā)明涉及智能移動終端抗噪聲干擾運動目標提取方法，經(jīng)設(shè)定圖像空間轉(zhuǎn)換的優(yōu)化轉(zhuǎn)換參數(shù)，原始圖像轉(zhuǎn)換處理得到灰度圖像后，選擇高斯濾波對預(yù)處理圖像濾波，并選取三幅相同幀間隔的連續(xù)預(yù)處理圖像做差分處理，以克服單獨使用三幀差分法提取運動目標質(zhì)量的不足，二值化處理所得差分圖像后，對二值化圖像做邏輯“或”以及邏輯“與”處理，以得到潛在運動目標區(qū)域的二值化圖像，利用邏輯“與”自動摒棄新暴露出來的像素點，消除“鬼影”現(xiàn)象，然后建立背景模型并實時更新，同時基于高斯模型檢測潛在運動目標區(qū)域內(nèi)的運動目標，避免了基于幀間差分方法容易引入的“空洞”問題，最后根據(jù)95％置信區(qū)間理論，對運動前景提取得到運動目標。
【IPC分類】G06T7/20, G06T7/40, G06T5/10
【公開號】CN105405153
【申請?zhí)枴緾N201510717145
【發(fā)明人】鄭紫微, 熊歐
【申請人】寧波大學(xué)
【公開日】2016年3月16日
【申請日】2015年10月29日