[发明专利]一种动态图像运动目标检测方法

说明书

技术领域

本发明涉及计算机视觉和图像处理领域，尤其是对动态图像中运动目标进行检测的技术。

背景技术

运动目标检测是随着视频技术的发展而产生的具有应用价值的研究课题，在目标跟踪、视频监控和精确制导等领域有着重要应用。动态图像运动目标检测是指从视频流中去除静止的背景，检测出运动目标及其携带的运动信息，运动目标的有效分割对目标分类和跟踪等后期处理非常关键。

在静止摄像机的条件下，运动目标检测的关键就是背景图像的描述模型即背景模型，背景建模是计算机视觉中的一个基本问题，国内外的许多学者也建立了许多数学模型来描述背景，最常用的描述背景点颜色分布的概率模型是高斯分布。

运动目标检测的方法很多，例如背景差分法，也是目前运动目标分割中最为常见的方法，背景差分法易于分割出运动目标，但对环境变化比较敏感。传统的运动目标检测算法存在阈值确定困难、对噪声较敏感等缺点。参数主动轮廓方法是解决静止与运动图像分割和目标检测问题的一种有效方法，其主要缺点在于拓扑适应性较弱，即在演化过程中不能自适应地分裂或合并。传统的几何主动轮廓方法是利用梯度迫使演化曲线停在具有大梯度的目标边界上，因为涉及到差分计算，所以受噪声影响大，且易越过模糊的边缘。

Mumford-Shah模型是近年来研究较为广泛的图像分割和轮廓提取技术，该模型的泛函包含了对图像区域和边界的描述，通过泛函的优化，可以一次获得图像的特征边界及全局区域的划分。但由于Mumford-Shah模型是现代数学中的一种自由不连续问题，模型对图像中边缘等跳跃部分通过几何测度项(长度项)来控制，使数值逼近或数值解成为十分棘手的问题，为应用带来一定困难。

针对上述问题，提出Chan-Vese算法，假设图像中每个同质区域的灰度为常数，即对于区域有I(R_i)＝c_i，c_i是常数，则最小化能量函数F^MS就是要寻找最优分割C₀，使得分割图像和原图像u之间的差异最小。但是，具有空洞区域的目标的壁比较厚时，Chan-Vese算法往往不能得到正确的结果。

发明内容

为了保证在高噪声和边缘模糊的情况下曲线演化的正确性，可以将改进Chan-Vese算法，引入到运动目标分割中，结合主动轮廓模型，并采用改进区域生长算法进行准确性验证，从而设计一种新的运动目标检测方法。

1.高斯滤波与图像差分

在连续的图像序列中两个相邻帧之间，采用基于像素的时间差分并且阈值化来提取图像中的运动区域。图像中含有运动物体意味着图像强度在发生变化，这是运动检测算法的依据。定义灰度差分图像D＝{d(x，y)}为：

d(x，y)＝g(|I(x，y，t+1)-I(x，y，t)|)    (1)

其中，I(x，y，t+1)和I(x，y，t)为图像序列中两个相邻帧图像，函数g(x)定义为：

g(x)=255e-γx2---(2)]]>

函数g(x)的作用是调整图像的对比度和均衡化图像，γ为调整系数，可以根据情况进行适当调节。对分辨率较低场景中存在多个运动目标，且其运动速度和方向不相同的条件下，采用简单的阈值法分割效果较差。使用差分法后，目标运动区域即成为目标检测的主要研究区域，图像中静止的背景被排除在检测的搜索范围之外。

在实际中，由于噪声的影响，在没有发生像素移动的区域也会出现图像间差分不为零的情况，导致所得到的运动目标区域比真实区域偏大。考虑到视频镜头产生的噪声符合高斯分布，且图像序列中的随机噪声、亮度变化、背景纹理的慢变化等统计量噪声一般也符合高斯分布，可以在差分图像前先对图像进行高斯滤波处理。

2.基于改进Chan-Vese算法的运动区域检测