[发明专利]一种用于海量视频流中的移动物体检测与跟踪方法

权利要求书

1.一种基于MOSS-MV的海量视频流中的移动物体检测与跟踪方法，其包括以下步骤：

A、获取对应视频并对该视频进行解码处理，通过高斯混合背景模块判断该视频场景中的像素是背景还是前景，通过运动矢量提取模块从该视频中提取运动矢量，然后建立高斯混合背景模型；

B、再通过运动阴影检测模块判断被高斯混合背景模型检测为运动前景的像素是否属于疑似阴影；若判断为是疑似阴影，则其参与高斯混合阴影模型的建立与参数更新，并对其进行阴影的最终判定；

C、最后通过高斯混合阴影模块对判定为疑似阴影的像素运进行建模，并进行阴影的最终判定。

2.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤A具体的还包括：高斯混合背景模块首先提取运动目标，然后用疑似阴影模型进行阴影预判，将判断为疑似阴影的像素用于高斯混合阴影模型的参数学习和更新，最后对这些像素是否属于阴影进行最终判别。

3.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤A具体的还包括：运动矢量提取模块通过判断疑似阴影和运动物体的运动矢量变化以辅助高斯混合阴影检测模块对阴影的检测；

$v_o=\arg \left(\underset{k=1}{\Σ}{v}_i^o\right)$

$v_s=\arg \left(\underset{k=1}{\mathrm{\Σ}}{v}_i^s\right)---\left(1\right)$

其中，v_o为物体运动矢量的平均值，为物体区域的运动矢量。v_s为疑似阴影运动矢量的平均值，为疑似阴影区域的运动矢量。

4.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤B具体的还包括：运动阴影检测模块对像素进行疑似阴影判定，只有判定为疑似阴影的像素才会参与混合高斯阴影模型的模型建立和参数更新及最终的阴影判定。

5.根据权利要求1所述的移动物体检测与跟踪方法，其特征在于，上述步骤B中高斯混合阴影模型建模的具体步骤还包括：

B1、初始化运动阴影模型：

用一个新的高斯混合模型对断定为前景且疑似为阴影的像素值进行建模；运动阴影的分布用K^S个高斯函数表示：

$P^S\left(x_t\right)=\underset{i=1}{\overset{K^S}{\Σ}}{\mathrm{\ω}}_{i,t}^S*{\mathrm{\η}}^S(x_t;{\mathrm{\μ}}_{i,t}^S,{\mathrm{\Σ}}_{i,t}^S)---\left(2\right)$

其中，η^S为高斯概率密度函数；

用从K^S个高斯分布中选出前S个高斯分布作为代表阴影的分布，判别公式为：

$B=\arg {\min }_S(\underset{k=1}{\overset{S}{\mathrm{\Σ}}}{\mathrm{\ω}}_{i,t}^S\>T_S)---\left(3\right)$

式中，T_S为权重阈值；

B2、进行运动阴影判定：

首先通过式(4)对物体和疑似阴影的平均运动矢量进行判断，如果二者的差大于某一个阈值，则可判定疑似阴影为阴影，否则用式(5)进行后续判断；

$T_1\<\frac{|v_o-v_s|}{\left|v_o\right|}\<T_2---\left(4\right)$

判断疑似阴影的像素值是否满足高斯混合背景模型中的某一分布，如果满足则是运动阴影，否则为运动目标；

$|x_t-{\mathrm{\μ}}_{i,t-1}^S|\<D^S\·{\mathrm{\σ}}_{i,t-1}^S,i=1,2,...,K^S---\left(5\right)$

B3、参数更新：

若疑似阴影像素I_t与高斯分布之间有匹配，则将该自依照下式进行参数更新；

${\mathrm{\ω}}_{i,t}^S=(1-{\mathrm{\α}}^S){\mathrm{\ω}}_{i,t-1}^S+{\mathrm{\α}}^S$

${\mathrm{\μ}}_{i,t}^S=(1-{\mathrm{\ρ}}^S){\mathrm{\μ}}_{i,t-1}^S+{\mathrm{\ρ}}^S{x}_t$

${\left({\mathrm{\σ}}_{i,t}^S\right)}^2=(1-{\mathrm{\ρ}}^S){\left({\mathrm{\σ}}_{i,t-1}^S\right)}^2+{\mathrm{\ρ}}^S{(x_t-{\mathrm{\σ}}_{i,t}^S)}^2---\left(6\right)$

其中，ω、ρ、α分别代表权值、学习率和更新率；

若模型中没有任何高斯分布与疑似阴影像素x_t相匹配，则用高斯分布代替权值最小的分布，新分布的均值则为当前像素值x_t，并初始化一个较大的标准差和一个较小的权值而其他的高斯分布的均值和方差则保持不变，权值则按下式(7)衰减；

${\mathrm{\ω}}_{i,t}^S=(1-{\mathrm{\α}}^S){\mathrm{\ω}}_{i,t-1}^S---\left(7\right)$

B4、权值归一化：

参数经过更新以后高斯分布的权值之和可能不等于1，必须对权值按下式(8)进行归一化；

${\mathrm{\ω}}_{i,t+1}^S=\frac{{\mathrm{\ω}}_{i,t+1}^S}{\underset{i=1}{\overset{K^S}{\Σ}}{\mathrm{\ω}}_{i,t+1}^S}---\left(8\right).$