[发明专利]相机抖动场景下基于背景差和运动信息的前景检测方法

说明书

技术领域

本发明属于图像处理与计算机视觉技术领域，具体地说，涉及一种相机抖动场景下基于背景差和运动信息的前景检测方法，更具体地说，涉及一种通过分析相机抖动造成背景运动与真实物体运动的差异性以获得精确运动目标的检测方法。

背景技术

运动目标检测是智能视频系统中各种智能分析处理的基础和关键所在，它的目的是在序列图像中检测出变化的区域并将运动的目标从背景图像中提取出来，为后续的运动目标识别、跟踪以及行为分析提供了支持。

目前，常用的运动目标检测算法主要有帧间差分法、光流法和背景差分法。其中，帧间差分法计算简单实时性强，但其提取的目标前景内部容易出现空洞。光流法在动态场景中能有着好的检测结果，但是其计算复杂。背景差法是通过提取场景图像中的特征数据来对该场景的背景进行背景参考图像的构建，将当前帧与构建的背景参考图像相减，再对差值结果进行阈值判决，从而分割出运动前景，其在计算速度和检测精度上有着好的效果而被人们广泛研究。但是背景差法的检测精度取决于参考背景图像构建的精度，即构建的背景参考图像是否能够真实反映当前场景，且参数的实时更新能否适应背景的变化，这些背景变化有：光照变化（包括缓慢的光照变化和光照的突变），背景中随风摆动的树叶、波浪、云、烟、雨、雾等运动的物体，摄像机的抖动和阴影问题等。由于构建背景参考图像需要考虑这些困难因素，使得目前构建一个好的背景建模以及自适应背景图像更新的算法成为一项比较困难的工作。

针对上述的问题，Stauffer等人于1999年在《IEEE Computer Society Conference on Computer Vision and Pattern Recognition》上发表了《Adaptive background mixture models for real-time tracking》提出的自适应混合高斯方法，采用多个高斯分布描述像素过程，该方法能够适应场景的缓慢变化，但这类方法需要事先假定背景分布模型及进行模型参数估计和优化，且不能适应光照或背景的突变问题；Elgammal等人于2000年在《IEEE Computer Society Conference on Computer Vision》上发表了《Non-parametric background model for background subtraction》提出的一种非参数核密度估计算法，对样本数据用核函数进行估计，选出概率密度最大的样本数据作为背景，该方法能够适应不同的场景，不过由于采样样本中包含噪声且对图像非典型运动像素也进行了核密度估计，由此不可避免地造成计算大，产生估计错误噪声等问题。采用单个全局阈值；Kim等人于2005年在《Real-Time Imaging》上发表了《Real-timeforeground-background segmentation using code-book model》提出的一种结构化的Codebook的运动检测方法，利用现存码元和新像素值进行比较，区别出背景和前景像素，具有很好的实时性，但存在参数设置复杂和理论支持不足的缺点；但以上这些运动检测算法都是基于场景的像素或色彩分布构建背景图像，其在相机抖动场景中检测效果仍存在缺陷。

发明内容

1、要解决的问题

针对现有运动检测方法对场景中相机抖动适应性不高的问题，本发明提出了一种相机抖动场景下基于背景差和运动信息的前景检测方法，其通过分析相机抖动场景下像素点的运动信息，采用概率阈值判断去除相机抖动造成的误检前景点，提高运动检测的准确性，在背景差法运动检测中，相机抖动场景下，相机抖动造成边缘处像素点在前一帧被检测为前景点，当前帧却被检测为背景点，下一帧又可能被检测为前景点，运动目标运动是由前一帧的运动像素点移动过来，在序列图像中形成连续的运动，且连续运动持续的时间与运动物体的尺寸有关。基于这种运动信息的差异性，获取相机抖动造成的运动信息的概率分布，实现相机抖动场景下误检前景的剔除。

2、技术方案

本发明的目的通过以下技术方案实现：

一种相机抖动场景下基于背景差和运动信息的前景检测方法，其步骤为：

（1）采用平均值背景法构建初始背景图像

连续采集视频序列中前N帧图像，将该N帧图像对应像素灰度值的平均值作为初始背景图像的像素灰度值，计算公式如下：