[发明专利]基于编码图像散粒特性的运动区域搜索方法

说明书

技术领域

本发明涉及一种基于编码图像散点特性的运动区域搜索方法。

背景技术

运动目标检测中常用的方法主要为光流法、帧间差分法和背景减除法。基于光流的运动目标检测算法是利用光流方程计算出每个像素点的运动状态矢量,从而发现运动的像素点,并且能够对这些像素点进行跟踪。在摄像机运动、背景变化时,光流法也能检测出运动目标,且能同时完成运动目标检测和跟踪,但是该方法的计算复杂度高,在没有专用硬件支持的情况下很难做到实时检测。帧间差分法是检测相邻两帧图像之间变化的最简单方法，其主要思想就是利用视频图像序列中连续两帧或三帧的差异来检测发生运动的区域，一些用于实时视频流中运动目标检测的算法就是帧间差分的方法。帧间差分法的特点是动态性强,能够适应动态背景下的运动目标检测。这种方法的缺点是一般不能完全提取所有相关的特征像素点，在运动实体内部容易产生空洞现象。背景减除法通过统计前若干帧的变化情况,从而学习背景扰动的规律。此类算法的缺点是由于通常需要缓冲若干帧来学习背景,因此往往需要消耗大量的内存,这使其使用范围受到了限制。此外,对于大范围的背景扰动,此类算法的检测效果也不理想。Stauffer和Grimson提出的高斯混合模型是使用最为广泛的背景建模方法。高斯混合模型通过多个高斯分布对背景建模,每个分布对应一种背景像素的模态,从而能够适应像素层面上的背景扰动问题,并能通过对背景的不断更新,使系统能对背景的变化自适应。

尽管上述三类方法都能较好的对运动目标进行检测，但其共同问题是都需要多帧图像，在实际应用中，有时由于特定条件，使得无法获得多帧图像，比如对空间目标或地面目标的观测时，由于覆盖范围大，图像时间分辨率低，有时无法重复观测获取视频图像。基于压缩感知理论的单幅图像视频重建方法，通过对各像素的曝光时间进行编码调制获得观测图像，再利用重建算法重建出视频图像，从而提高时间分辨率。按照传统的运动目标探测方法，需要从重建后的多帧图像中进行检测，时间复杂度高、实时性差。利用编码观 测图像的散粒特点，直接从单张观测图像中提取运动目标区域，可大大提高搜索效率。

发明内容

本发明公开了一种基于编码图像散粒特性的运动区域搜索方法，该方法针对像素曝光时间相同的编码成像方式，利用其观测图像中运动物体呈现出的散粒特性，通过高通滤波、像素相似性分析、图像8邻域梯度、区域灰度加权和区域分割等一系列过程，仅从单张观测图像中就能实现运动区域搜索与分割，可用于单张观测图像的运动目标搜索以及局部重建。

本发明的技术方案为：

步骤1.观测图像获取与高通滤波，具体是：

1-1通过在曝光时间内按照所有像素曝光时间相等的原则对各像素进行编码调制获得观测图像I(x,y)；

1-2对观测图像I(x,y)进行中值滤波，得到滤波后图像K(x,y)。

1-3将观测图像I(x,y)减去滤波后图像K(x,y)，得到高通滤波后图像H(x,y)。

步骤2.像素相似性分析，具体是：

2-1设置灰度阈值t。

2-2对于步骤1-3得到的滤波图像H(x,y)，计算各像素8邻域中与自身灰度差值大于阈值t的个数N。

2-3将数值N作为相似性分析图J(x,y)中对应位置的像素值。

步骤3.计算8邻域梯度，具体是：对于步骤2-3得到的相似性分析图J(x,y)，计算各像素的8邻域梯度，从而得到8邻域梯度图G(x,y)。

步骤4.区域灰度加权，具体是：

4-1选取大小为m×m的搜索框。

4-2使用搜索框对步骤3得到的8邻域梯度图G(x,y)进行遍历搜索，构建区域加权图像W(x,y)，其各像素的值为以该像素为中心的搜索框在梯度图G(x,y)上所涵盖区域的像素值加权。

步骤5.区域分割，具体是：

5-1将步骤4-2获得的区域加权图像W(x,y)归一化，设定阈值并对图像W(x,y)二值化。

5-2对步骤5-1获得的二值化图像B(x,y)进行开操作，去除边缘毛刺。

5-3去除步骤5-2经过开操作后的图像中面积小于面积阈值的区域。

5-4合并邻近区域，扩大包含各区域的最小矩形框，若矩形框间相交或包含，则合并矩形框直至相互独立，矩形框包含区域即为搜索到的运动区域。