[发明专利]融合颜色和纹理信息进行块背景建模的运动目标检测方法

说明书

技术领域

本发明属于计算机视觉技术领域，主要涉及特征的提取、模型的建立和更新以及根据模型的分类，具体是一种快速的融合颜色和纹理信息进行分块背景建模的运动目标检测方法。

背景技术

运动目标检测在许多视频处理的应用比如目标跟踪、分类和识别中扮演了非常重要的角色，因为它是许多上层视频处理的输入，能够直接影响上层视频处理的性能。最好的结果是每一个运动目标能够被完整单独的检测出来。

背景建模对于运动目标检测通常是不可缺少的步骤，在这个领域已经有了很多的研究成果。早期的工作一般是针对每一个像素建立一个背景模型。最早的是对每个像素建立一个单高斯模型，这能解决静态背景的建模问题。但是对于动态背景，单高斯模型就无法解决了。于是又出现了比较经典的混合高斯模型，针对每个像素建立多个高斯模型，它解决了动态背景的建模问题。接下来又出现了很多改进的基于混合高斯模型方法，但是这些基于高斯模型的方法都有一个假设，就是像素值服从高斯分布。但实际上不一定是这样，于是又有人提出了一种非参数模型，每个像素直接用一个概率密度函数来建模。

基于单个像素值进行背景建模的方法无法在特征层面解决光照变化的问题，因为单个像素值对光照变化没有鲁棒性，而纹理特征却在很多时候具有对光照的鲁棒性，所以又提出了一系列基于纹理特征的背景建模方法。但是纹理特征无法区分光滑的前景和背景。

于是又有些人提出了将纹理特征和颜色特征结合的方法，不过他们都仅仅是给纹理特征和颜色特征赋予不同的权重进行加权，这在有些情况下还不是很有效。

也有些基于块进行背景建模的方法提出来。基于块的方法速度更快，因为不需要对每个像素建模，只需要给每一个块建一个模型，缺点是前景检测结果的边界会比较模糊，有可能将不同的目标黏连起来。

背景建模中会遇到许多困难，常见的有光照变化、动态背景、密集人流、光滑前景和光滑背景、处理速度等。

光照变化是比较常见的，例如室内的开关灯，室外阳光被云层遮挡，运动阴影等等。

动态背景比如摇动的树叶、摇动的窗帘、喷泉、扶手电梯、等等。

对于密集人流，背景模型建好后前景检测的时候很可能将不同的人连在一块，而且在密集人流的情况下，由于各种光线遮挡的存在，会导致光照条件变化比较频繁。

光滑前景和光滑背景的存在则会对纹理特征提出挑战。

处理速度的影响是由于背景建模只是上层处理的输入，需要尽量耗费少的时间。

发明内容

(一)要解决的技术问题

本发明的目的在于尽可能克服上述现有技术的不足，包括光照、动态背景、光滑前景或光滑背景、密集人流和处理速度的影响，提出一种新的颜色和纹理特征结合的框架，结合它们的优点同时克服它们的缺点。

(二)技术方案

为解决上述技术问题，本发明提出一种运动目标检测方法，用于检测视频中的运动目标，包括如下步骤：

S1、计算当前视频帧的纹理模式特征(例如但不限于局部二元模式特征、局部三元模式特征、尺度不变局部三元模式特征、等等)；

S2、将当前视频帧划分成小块，相邻的两行两列的四个小块合成一个大块，计算每个大块中纹理模式的直方图分布，并更新大块内基于纹理模式的背景模型；大块之间是部分重叠的，重叠的长度为小块的边长；

S3、根据每个大块内的纹理模式背景模型和当前视频帧各个大块的纹理模式直方图分布得到每个大块在纹理特征下属于背景的概率，进而在重叠小块内求平均得到每个小块在纹理特征下属于背景的概率；

S4、根据当前视频帧的颜色信息更新当前主背景图像；

S5、根据当前主背景图像和当前视频帧颜色信息得到当前视频帧和主背景图像的每个小块的颜色差异值；

S6、根据当前帧在纹理特征下每个小块属于背景的概率以及每个小块和主背景图像的颜色差异判断每个小块是否属于背景；

S7、根据步骤S6对于前景和背景的判断结果，分割出属于运动目标的前景块，输出运动目标检测结果。

根据本发明的具体实施方式，所述步骤S1包括：

步骤S1.1、计算当前视频帧的每个像素的二进制的纹理模式特征编码；

步骤S1.2、将每个像素的二进制的纹理模式特征编码转换为十进制的纹理模式特征值。

根据本发明的具体实施方式，在所述步骤S2中，根据下式更新大块的纹理模式特征背景模型：