基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法
【專利摘要】本發(fā)明涉及一種基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法。該方法在監(jiān)控區(qū)域架設(shè)視頻采集設(shè)備，對采集到的視頻數(shù)據(jù)逐幀處理。首先依據(jù)傳統(tǒng)的基礎(chǔ)背景模型提取各幀運動區(qū)域置信圖，然后利用若干連續(xù)幀置信圖數(shù)據(jù)分別完成基于獨立像素點、區(qū)域均值像素點和區(qū)域極大值像素點的多屬性中智隸屬度、不確定性度和非隸屬度量測，并通過中智相似度加權(quán)求和得到運動區(qū)域中智置信圖，最后以此為基礎(chǔ)，利用最大類間方差法獲取最優(yōu)分割閾值，將中智置信圖中高于此閾值的判定為運動目標(biāo)區(qū)域，反之則為背景區(qū)域。本發(fā)明實現(xiàn)簡單，計算復(fù)雜度低，能夠有效克服視頻噪聲的影響，在雨雪天氣等惡劣條件下仍能有效完成運動目標(biāo)檢測。
【專利說明】
基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及計算機視覺技術(shù)領(lǐng)域中的目標(biāo)檢測方法，特別是設(shè)及一種基于中智集 相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法。
【背景技術(shù)】
[0002] 從20世紀(jì)60年代開始發(fā)展至今，計算機視覺已經(jīng)發(fā)展成為一個設(shè)及計算機科學(xué)、 信號處理、物理學(xué)、統(tǒng)計學(xué)、神經(jīng)生理學(xué)和認(rèn)知科學(xué)等眾多領(lǐng)域的綜合性學(xué)科，被認(rèn)為是科 學(xué)領(lǐng)域和工程領(lǐng)域的一個最富有挑戰(zhàn)性的研究熱點之一。運動目標(biāo)檢測一直是計算機視覺 領(lǐng)域的重要研究方向，也是視頻濃縮、目標(biāo)識別、交通檢測、防入侵檢測等視覺深度應(yīng)用的 基礎(chǔ)。然而，實際監(jiān)控場景中，監(jiān)控系統(tǒng)所處環(huán)境復(fù)雜多變，常伴隨雨雪等惡劣天氣、攝像機 抖動等因素，運動目標(biāo)檢測仍富有挑戰(zhàn)性。現(xiàn)存的運動目標(biāo)檢測算法還遠(yuǎn)不能滿足視頻監(jiān) 控智能分析的需求，完善此方面的工作尤為重要。
[0003] 常見的運動目標(biāo)檢測方法主要包括光流法、帖差法和背景差法。光流法利用圖像 中各像素帖間時域相關(guān)性確定每個像素的位移，并W此為基礎(chǔ)檢測運動目標(biāo)。在實際應(yīng)用 中，由于遮擋性、多光源、透明性和噪聲等原因，光流場基本方程的灰度守恒假設(shè)條件往往 無法滿足，光流場也就很難正確求解。此外，多數(shù)光流計算方法算法復(fù)雜度高，不適合在實 時性和魯棒性要求較高的場景下應(yīng)用;帖差法通常是利用相鄰兩帖或多帖圖像差分進(jìn)行前 景提取，算法簡單、高效，環(huán)境適應(yīng)能力高，但其易受目標(biāo)運動速度影響，通常會存在目標(biāo)拉 伸、空桐現(xiàn)象，且只能獲取運動目標(biāo)的大致區(qū)域和輪廓;背景差法是目前針對靜止攝像機監(jiān) 控系統(tǒng)運動目標(biāo)檢測中應(yīng)用最為廣泛的方法，它主要是通過建立背景模型，依據(jù)當(dāng)前圖像 帖和背景模型的差異獲取前景區(qū)域。相比前兩種方法，背景建模法能夠更準(zhǔn)確的提取動目 標(biāo)區(qū)域。然而，實際監(jiān)控系統(tǒng)可能面臨的惡劣天氣和攝像機抖動等問題仍未得到非常有效 的解決。
[0004] 中智學(xué)為哲學(xué)的一個分支，由Smarandache教授于1980年創(chuàng)立，研究中立性的起 源、本質(zhì)和范疇，W及和不同思想觀念的作用。中智集理論由Smarandache教授在1999年提 出，它是對現(xiàn)有模糊集、區(qū)間值模糊集、直覺模糊集、區(qū)間直覺模糊集的一般化。在中智集 中，隸屬度Ta(X),不確定性度Ia(X)和非隸屬度Fa(X)被用來描述決策信息，且=個分量完全 獨立。中智集具有更好的表達(dá)模糊信息的能力，并在現(xiàn)實世界中有廣泛應(yīng)用前景。近年來， 中智集已引起了學(xué)術(shù)界的廣泛關(guān)注，并在醫(yī)療診斷、自然語言分析等領(lǐng)域均成功運用，就計 算機視覺領(lǐng)域而言，相關(guān)理論已在圖像識別/分割、3D骨骼提取上有出色表現(xiàn)。
[0005] 背景差法中傳統(tǒng)的基礎(chǔ)背景模型簡單、高效。用于區(qū)分運動區(qū)域和背景區(qū)域的最 優(yōu)分割闊值通常僅針對當(dāng)前帖時刻的運動區(qū)域置信圖計算，易引入噪聲。通過引入中智集 理論，利用連續(xù)多帖運動區(qū)域置信圖信息分別建立多屬性條件下的隸屬度Ta(X),不確定性 度Ia(X)和非隸屬度Fa(X)量測，并基于此建立中智運動區(qū)域置信圖，運樣可W在較大程度上 克服噪聲干擾，在獲取更優(yōu)分割闊值的基礎(chǔ)上較好的完成運動目標(biāo)檢測任務(wù)。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術(shù)問題是提供一種實現(xiàn)簡單、計算復(fù)雜度低、抗噪性能好，能 夠較好完成惡劣天氣和攝像機抖動等極具挑戰(zhàn)情況下運動目標(biāo)檢測任務(wù)的基于中智集相 似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，本發(fā)明適用于高分辨率的實時視頻監(jiān)控系統(tǒng)， 如入侵檢測、智能交通分析等。
[0007] 本發(fā)明所采用的技術(shù)方案是:提供一種基于中智集相似度量測的靜態(tài)背景下運動 目標(biāo)檢測方法，包括W下步驟：
[0008] (1)計算運動區(qū)域置信圖；
[0009] (2)基于獨立像素點的中智隸屬度、不確定性度和非隸屬度量測；
[0010] (3)基于區(qū)域均值像素點的中智隸屬度、不確定性度和非隸屬度量測；
[0011] (4)基于區(qū)域極大值像素點的中智隸屬度、不確定性度和非隸屬度量測；
[0012] (5)計算運動區(qū)域中智置信圖；
[0013] (6)利用最大類間方差法獲取最優(yōu)分割闊值，提取運動目標(biāo)區(qū)域。
[0014] 進(jìn)一步，所述步驟（1)中：首先利用中值濾波器對視頻源圖像進(jìn)行去噪處理，濾波 窗口設(shè)定為3x3,然后利用基礎(chǔ)背景模型Bt=(l-a)Bt+aIt計算監(jiān)控區(qū)域背景圖像，a為學(xué)習(xí) 速率，可依據(jù)實際需求設(shè)定，a越大，背景模型更新速率越高，It為t時刻對應(yīng)的視頻圖像;運 動區(qū)域置信圖St= I It-Btl，St中對應(yīng)像素點的值越大，表明該像素點屬于運動區(qū)域的概率 越大。
[0015] 進(jìn)一步，所述步驟(2)中：針對獨立像素點，其中智隸屬度
，不 確定性虔
，非隸屬度
'其中避i。為t時刻運動區(qū)域置 信圖中的最小置信值，SLy為對應(yīng)的最大值，SD(X)是前N帖目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X 處的置信標(biāo)準(zhǔn)差，SD(x)=stddev(St-N+i(x) ,St-N+2(x), . . . ,St(x))。
[0016] 進(jìn)一步，所述步驟(3)中:針對區(qū)域均值像素點，其中智隸屬虔
不確定性
，非隸屬度巧,樹=1-巧,樹，5111*^)為^^為中屯、的均 值濾波結(jié)果，I
其中W為濾波窗口寬度，&?^、和&也。 分別為t時刻經(jīng)均值濾波后的目標(biāo)區(qū)域置信圖中的最大和最小置信值，SDm(X)為前N帖目標(biāo) 區(qū)域置信圖中圖像坐標(biāo)為X處的經(jīng)均值濾波處理后的置信標(biāo)準(zhǔn)差。
[0017] 進(jìn)一步，所述步驟(4)中:針對區(qū)域極大值像裏點，其中智隸屬度
不確定性度
，非隸屬度
是運動區(qū)域 置信圖中Wx為中屯、，Ww為窗口寬度的區(qū)域極大值，Smat(x)=max{St(x+m,y+n) |m,nE (-w/ 2，w/2)} ,Sm姑。和分別為t時刻經(jīng)區(qū)域極大值濾波后的目標(biāo)區(qū)域置信圖中的最大和 最小置信值，SDma(X)為前N帖目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的經(jīng)區(qū)域極大值濾波處理后 的置信標(biāo)準(zhǔn)差。
[0018] 進(jìn)一步，所述步驟(5)中：通過中智相似度加權(quán)求和獲取運動區(qū)域中智置信圖，
[0019]
[0020] A*為不同屬性條件下的理想中智描述，獨立像素點、區(qū)域均值和區(qū)域極大值像素 點S種屬性下的理想中智描述均滿足T=l，I = 0，F(xiàn) = 0，S&(P(x)，A*)、&"(P(x)，A*WPSc" (PU) ,A^分別表示立種屬性條件下對應(yīng)中智量測和理想條件的相似度，Wg、Wm和Wma為權(quán)值 系數(shù)，要求=者之和為1，W(P(X) ,A^為運動區(qū)域中智置信圖中坐標(biāo)X處的置信值。
[0021] 進(jìn)一步，所述步驟(6)中W運動區(qū)域中智置信圖為處理對象，利用化SU方法獲取最 優(yōu)分割闊值T，大于T值的區(qū)域判定為運動目標(biāo)區(qū)域，反之則為背景區(qū)域。
[0022] 有益效果：
[0023] 由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有W下的優(yōu)點和積極效 果：
[0024] 第一，本發(fā)明采用極高效的基礎(chǔ)背景模型建立運動區(qū)域置信圖，且相應(yīng)中智置信 圖建立過程中相關(guān)計算量小，且均可采用并行計算模式，復(fù)雜度低、效率高，滿足高分辨率 實時視頻監(jiān)控需求。
[0025] 第二，本發(fā)明利用中智集理論，將運動目標(biāo)檢測問題轉(zhuǎn)換為模糊信息處理問題，利 用=種屬性的中智測度進(jìn)行問題建模。綜合考慮了單像素點及其鄰域像素點的特征信息， 并將連續(xù)多帖內(nèi)像素點屬性的穩(wěn)定性作為運動區(qū)域的判定依據(jù)，有效提升了運動目標(biāo)檢測 的抗噪聲性能。
[0026] 第S，本發(fā)明利用加權(quán)中智多屬性相似度量建立運動區(qū)域中智置信圖，同時利用 最大類間方差法動態(tài)獲取各時刻最優(yōu)分割闊值提取運動目標(biāo)，抗噪性能高，能較好適應(yīng)惡 劣天氣和攝像機抖動等挑戰(zhàn)。
【附圖說明】
[0027] 圖1是本發(fā)明流程圖。
【具體實施方式】
[0028] 下面結(jié)合具體實施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，運些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人 員可W對本發(fā)明作各種改動或修改，運些等價形式同樣落于本申請所附權(quán)利要求書所限定 的范圍。
[0029] 本發(fā)明設(shè)及一種基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，如圖1 所示，主要包括W下步驟:讀取視頻數(shù)據(jù);然后利用傳統(tǒng)的基礎(chǔ)背景差分模型計算運動區(qū)域 置信圖，并W連續(xù)多帖的區(qū)域置信圖為輸入，分別計算獨立像素點、區(qū)域均值和區(qū)域極大值 像素點=種屬性條件下的中智隸屬度、不確定性度和非隸屬度量測；最終利用加權(quán)中智多 屬性相似度量建立運動區(qū)域中智置信圖，并W此為基礎(chǔ)采用最大類間方差法獲取最優(yōu)分割 闊值，進(jìn)而提取運動目標(biāo)區(qū)域。W下通過具體的實施例來進(jìn)一步說明本發(fā)明。
[0030] 步驟一:在監(jiān)控區(qū)域架設(shè)一臺網(wǎng)絡(luò)攝像機，并將其采集的視頻數(shù)據(jù)實時傳輸至計 算機終端。
[0031] 步驟二:計算機終端WRGB格式讀取攝像機實時傳來的圖像數(shù)據(jù)。
[0032] 步驟計算運動區(qū)域置信圖。在計算機終端首先利用中值濾波器對視頻源圖像 進(jìn)行去噪處理，然后利用基礎(chǔ)背景模型Bt=(l-a)Bt+aIt計算監(jiān)控區(qū)域背景圖像，a為學(xué)習(xí)速 率，可依據(jù)實際需求設(shè)定，a越大，背景模型更新速率越高，It為t時刻對應(yīng)的視頻圖像。運動 區(qū)域置信圖St= Ilt-Btl，St中對應(yīng)像素點的值越大，表明該像素點越可能屬于運動區(qū)域。本 實施例中濾波窗口設(shè)定為3x3，a設(shè)定為0.03。
[0033] 步驟四：基于獨立像素點的中智隸屬度、不確定性度和非隸屬度量測。W整個運動 區(qū)域置信圖為處理對象，針對獨立像素點，分別計算中智隸屬度
，不確 定性B
，非隸屬度
為t時刻運動區(qū)域置信圖 中的最小置信值，S胃為對應(yīng)的最大值，SD(X)是前N帖目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的 置信標(biāo)準(zhǔn)差，SD(x)=stddev(St-N+i(x)，St-N+2(x)，. . .，St(x))。
[0034] 步驟五:基于區(qū)域均值像素點的中智隸屬度、不確定性度和非隸屬度量測。W整個 運動區(qū)域置信圖為處理對象，針對區(qū)域均值像素點，分別計算中智隸屬度
不確定性度
I非隸屬度
Smt(X)為Wx為中屯、的均值濾波結(jié)果，
其中W為濾 波窗口寬度。和&也1。分別為t時刻經(jīng)均值濾波后的目標(biāo)區(qū)域置信圖中的最大和最小置 信值，SDm(X)為前N帖目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的經(jīng)均值濾波處理后的置信標(biāo)準(zhǔn) 差。本實施例濾波窗口 W設(shè)定為3。
[0035] 步驟六:基于區(qū)域極大值像素點的中智隸屬度、不確定性度和非隸屬度量測。W整 個運動區(qū)域置信圖為處理對象，針對區(qū)域極大值像素點，分別計算中智隸屬度
，非隸屬運
Smat(X)是運動區(qū)域置信圖中Wx為中屯、，Ww為窗口寬度的區(qū)域極大值，Smat(X) =max{St(x +111，7+11)|111，11￡(-巧/2，巧/2)}。5'"!<，。<和漸《4。分別為*時刻經(jīng)區(qū)域極大值濾波后的目標(biāo)區(qū) 域置信圖中的最大和最小置信值，SDma(X)為前N帖目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的經(jīng)區(qū) 域極大值濾波處理后的置信標(biāo)準(zhǔn)差。本實施例濾波窗口 W設(shè)定為3。
[0036] 步驟屯:計算運動區(qū)域中智置信圖。通過中智相似度加權(quán)求和獲取運動區(qū)域中智 置信圖，
[0037] V 山她.、' 仁ma 、心'
L'巧。、'
[0038] A*為不同屬性條件下的理想中智描述，獨立像素點、區(qū)域均值和區(qū)域極大值像素 點S種屬性下的理想中智描述均滿足T = I, I = 0，F(xiàn) = 0。因此，的計算可W進(jìn)一步簡化為
[0039]
[0040] 屯,。^)，4^、馬"。^)，4^和馬。?；痎)，4^分別表示^種屬性條件下對應(yīng)中智量 巧師理想條件的相似度。Wg、Wm和Wma為權(quán)值系數(shù)，要求立者之和為1，W(P(X)，A^為運動區(qū)域 中智置信圖中坐標(biāo)X處的置信值。本實施例中的Wg、Wm和Wma分別被設(shè)定為0.5，0.3和0.2。
[0041] 步驟八:利用最大類間方差法獲取最優(yōu)分割闊值，提取運動目標(biāo)區(qū)域。W運動區(qū)域 中智置信圖為處理對象，利用化SU方法(最大類間方差法)獲取最優(yōu)分割闊值T。大于T值的 區(qū)域判定為運動目標(biāo)區(qū)域，反之則為背景區(qū)域。
[0042] 上述僅為本發(fā)明的具體實施例，但本發(fā)明的設(shè)計構(gòu)思并不局限于此，凡利用此構(gòu) 思對本發(fā)明進(jìn)行非實質(zhì)性的改動，均應(yīng)屬于侵犯本發(fā)明保護(hù)范圍的行為。
【主權(quán)項】
1. 基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其特征在于，包括以下步 驟： (1) 計算運動區(qū)域置信圖； (2) 基于獨立像素點的中智隸屬度、不確定性度和非隸屬度量測； (3) 基于區(qū)域均值像素點的中智隸屬度、不確定性度和非隸屬度量測； (4) 基于區(qū)域極大值像素點的中智隸屬度、不確定性度和非隸屬度量測； (5) 計算運動區(qū)域中智置信圖； (6) 利用最大類間方差法獲取最優(yōu)分割閾值，提取運動目標(biāo)區(qū)域。2. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(1)中運動區(qū)域置信圖的計算進(jìn)一步限定為:首先利用中值濾波器對視 頻源圖像進(jìn)行去噪處理，濾波窗口設(shè)定為3x3,然后利用基礎(chǔ)背景模型B t=(l-a)Bt+aIt計算 監(jiān)控區(qū)域背景圖像，α為學(xué)習(xí)速率，可依據(jù)實際需求設(shè)定，α越大，背景模型更新速率越高，It 為t時刻對應(yīng)的視頻圖像;運動區(qū)域置信圖S t= Ilt-Btl，St中對應(yīng)像素點的值越大，表明該 像素點屬于運動區(qū)域的概率越大。3. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(2)中基于獨立像素點的中智隸屬度、不確定性度和非隸屬度的計算方 法進(jìn)一步限定為：G(X)、G(X)和(X)分別為圖像x坐標(biāo)處相應(yīng)的中智真、假和不確定性量測值，文;11為 t時刻運動區(qū)域置信圖中的最小置信值，尤"為對應(yīng)的最大值，SD(X)是前N幀目標(biāo)區(qū)域置信 圖中圖像坐標(biāo)為x處的置信標(biāo)準(zhǔn)差，其計算方法為： SD(x) = stddev(St-n+i(x)，St-N+2(x)，...，St(x))4. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(3)中基于區(qū)域均值像素點的中智隸屬度、不確定性度和非隸屬度的計 負(fù) ·古、比進(jìn)一決膃由士 .濾波窗口寬度，·1^和分別為t時刻經(jīng)均值濾波后的目標(biāo)區(qū)域置信圖中的最大和最小 置信值，SDm(X)為前N幀目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的經(jīng)均值濾波處理后的置信標(biāo)準(zhǔn) 差。5. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(4)中基于區(qū)域極大值像素點的中智隸屬度、不確定性度和非隸屬度的 計算方法進(jìn)一步限定為：Smat(x)是運動區(qū)域置信圖中以X為中心，以w為窗口寬度的區(qū)域極大值，Smat(x) =max {St(x+m，y+n) |m，ne (-w/2，w/2)}分別為t時刻經(jīng)區(qū)域極大值濾波后的目 標(biāo)區(qū)域置信圖中的最大和最小置信值，SD ma(X)為前N幀目標(biāo)區(qū)域置信圖中圖像坐標(biāo)為X處的 經(jīng)區(qū)域極大值濾波處理后的置信標(biāo)準(zhǔn)差。6. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(5)中運動區(qū)域中智置信圖的計算進(jìn)一步限定為:通過中智相似度加權(quán) 求和獲取運動K域中智置信圖：A*為不同屬性條件下的理想中智描述，獨立像素點、區(qū)域均值和區(qū)域極大值像素點三種 屬性下的理想中智描述均滿足T = I，I = O，F(xiàn) = O ; /)和 \ (P(x).，〇分別表示三種屬性條件下對應(yīng)中智量測和理想條件的相似度;Wg、wjp Wma為權(quán) 值系數(shù)，要求三者之和為l，W(P(x)，A*)為運動區(qū)域中智置信圖中坐標(biāo)X處的置信值。7. 根據(jù)權(quán)利要求1所述的基于中智集相似度量測的靜態(tài)背景下運動目標(biāo)檢測方法，其 特征在于，所述步驟(6)中提取運動目標(biāo)區(qū)域的計算進(jìn)一步限定為：以運動區(qū)域中智置信圖 為處理對象，利用最大類間方差法獲取最優(yōu)分割閾值T，大于T值的區(qū)域判定為運動目標(biāo)區(qū) 域，反之則為背景區(qū)域。
【文檔編號】G06T7/20GK106023245SQ201610273746
【公開日】2016年10月12日
【申請日】2016年4月28日
【發(fā)明人】胡珂立, 葉軍, 沈士根, 范恩, 黃龍軍
【申請人】紹興文理學(xué)院