[发明专利]视频运动检测

说明书

技术领域

本发明涉及视频分析，更具体地，涉及检测视频中的运动的方法、计算机程序和照相机。 

背景技术

视频分析延伸至对台式计算机系统的视频的编码和解码以外。视频分析是用于分析静止和视频图像中的内容的技术，并且不止用于确定适当的帧频(frame rate)、分辨率等。在视频分析中，分析图像和视频的内容，例如图像中物品的运动。通常，放弃不感兴趣的部分，而详细分析其它部分以提取相关信息(例如运动)。 

具体地，运动检测涉及识别在图像空间中运动的视频序列中图像的空间区域。这可以包括例如摇动的树和运动的影子，而不包括照明变化或图像噪声。在所有先前帧中都固定的视频区域从一帧到下一帧突然运动的情形下，运动检测的问题变得更复杂。相反的情况，即，许多帧的运动区域突然停止，也可能存在问题。 

目前许多可用的运动检测方法和系统检测的是变化而不是运动。这些方法只是搜索各帧之间图像区域的差别，或者当前帧和一系列先前帧之间图像区域的差别。例如，在背景减除方法中，使用例如无限脉冲响应(IIR)滤波器根据视频中一组先前帧来构造背景或参考图像。然后，通过将阈值应用到当前图像与背景或参考图像之间的差的绝对值中(absolute difference)来执行检测。该阈值可以是简单的二值化函数，其中，如果差超过阈值，则结果是“1”，否则结果就为“0”。 

其它方法尝试使用例如具有平均值和方差值的高斯分布对背景进行建模。在高斯混合建模(Gaussian Mixture Model)中，每个像素用若干个高斯分布来表示，并且每个高斯分布根据其变化和其被观察的次数来加权。在背景模型内不合适的像素被视为可能包含运动信息的前景像素(foreground pixel)，除非其权重被降低到确定的阈值之下。 

如被本发明的发明者所认识到的，检测变化的方法和尝试对背景图像进行建模的方法都对于照明变化非常敏感。当处理各个像素(individual pixels)时，这些方法完全不能区分“真的”图像变化和照明效果之间的区别。 

此外，同样如本发明的发明者所认识到的，通常基于比较仅两个连续图像，例如光流，来确定图像区域的运动速度的运动估计方法是非常有计算要求的、不准确的或者既有计算要求又不准确。当分析多于两个的连续图像时，计算要求被视为对于实际应用来说太高。 

大多数当前可用的空-时滤波器单独地分析图像，并且它们使用高层模型(high-level model)来处理时间方面，并且同时在空间上和时间上处理视频的少数空-时算法对于实时嵌入处理是很有计算要求的。 

发明内容

根据以上内容，本发明的目的在于提供用于视频运动检测的方法、计算机程序和照相机，其能够正确识别照明变化大的环境中的运动，并且能够有效地进行识别。 

示例性的运动检测方法将视频中的多个图像组合成图像体(image volume)。多个图像中的每个包括多个像素，并且图像体具有与宽度对应的维度X、与高度对应的维度Y和与深度对应的维度t。在形成图像体之后，沿着(X，t)平面将图像体分片(slice)，并且可选地对每个像素进行对数变换，以将反射成分与照明成分分开。 

然后对分片后的图像体应用空-时滤波器，从而产生滤波结果。在滤波之后，使滤波结果的绝对值带入阈值函数，从而产生包括明确限定的空-时边缘的二值图像。最后，针对至少一个连接起来的像素串搜索二值图像。不与任何轴平行的、连接起来的像素串指示运动。 

附图说明

由于通过参照下面结合附图的详细描述，本发明及其附带的许多优点变得更好理解，容易获得对本发明及其附带的许多优点的更完全的理解，其中： 

图1是根据本发明实施例的网络照相机的框图； 

图2是根据本发明示例性实施例的监视中心计算机或客户端计算机的框图； 

图3是根据本发明实施例的监控系统的框图； 

图4是示例性的来自视频序列的图像集合； 

图5是根据本公开示例性实施例的被分片的图像体； 

图6是根据本公开示例性实施例的由空-时滤波器滤波后的分片图像体； 

图7是根据本公开示例性实施例的在滤波之后应用了阈值的分片图像体； 

图8是根据本公开示例性实施例的栅格化的系列搜索线； 

图9是根据本公开示例性实施例的视频运动检测方法的流程图；