[发明专利]一种基于帧差法和运动点聚类的运动目标检测方法

说明书

本发明涉及一种视频处理领域的运动目标检测方法，执行S4:由帧差分得到运动点集合，运动点是不连续的，灰色和白色部分由断裂，不联通；执行S5:帧内运动点聚类，将灰色和白色运动点集合联通起来，构成完整的人的轮廓；执行步骤S7:通过帧间运动点聚类，将人的运动轮廓增强。本方法采用帧差法获取运动点并基于帧内和帧间聚类算法对运动点进行了抗干扰的分析和合并处理，该方法适应能力优于高斯背景建模以及ViBe背景建模算法，能适应视频的方块效应，闪屏，灯光突变等问题，此外，通过运动点合并处理，该方法优于帧差法，灵敏度高，能够检测到物体的轻微的运动，得到物体的连续运动区域。

技术领域

本发明涉及一种视频处理领域的运动目标检测方法，通过该方法分析连续的视频帧序列，检测出视频中运动的物体。

背景技术

目前，帧差法，高斯背景建模以及VIBE背景建模方法是运动目标检测领域最常用的方法。但是，帧差法检测到的物体会出现空洞现象，只能检测到的运动物体的轮廓，并且会出现断裂不连续的现象。高斯背景建模以及VIBE背景建模方法可以检测到运动物体的实体不会出现空洞现场，但这两种方法不能适应环境的突变，对视频中的方块效应，跳变，低对比度等情况适应性差。

现有商场互联网安防中运动目标检测所遇到的各种问题，具体问题包括：1)视频采集端，设备廉价，图像效果差且视频经过网络传输后，会有低对比度，躁点多，闪屏，视频方块效应等问题；2)应用场景复杂摄像头安装位置不定，且近焦应用，背景中的颜色多样性，纹理，边缘细节都干扰前景分析；3)此外面向商店的行人运动模式复杂，一方面是运动缓慢，并且有滞留现象(浏览商品，排队交费等情形)。

针对现有技术的以上不足，以及现实应用场景视频数据的特点，本发明提出一种基于帧差法和运动点聚类的运动目标检测方法。

发明内容

为了解决以上技术问题，本发明提出一种新的目标检测方法，该方法具有实时性好，适应性强，灵敏度高的特点。

本发明的具体技术方案是：

一种基于帧差法和运动点聚类的运动目标检测方法，其方法如下：

S1:初始化，初始化全局运动点列表mvList{}；

S2:视频数据输入，读入视频帧序列，如果读入失败或视频结束则退出算法，否则执行步骤S3；

S3:更新运动点列表mvList{},删除无效的，过时的运动点；

S4:帧差法，获取当前帧的运动点集合C；

S5:帧内运动点聚类，通过运动点的8联通信息以及边缘联通信息对当前帧的运动点

集C进行聚类处理，聚类得到运动集合列表{L1,L2,...,Ln},集合Li代表一个运动目标,如果当前帧是第一帧，则执行步骤S6否则执行步骤S7；

S6:映射到全局运动点列表,将当前帧的运动点列表{L1,L2,...Ln}映射到全局运动点列表mvList{}中，得到全局运动点集合列表{G1,G2,....,Gn}，执行步骤S8；

S7:帧间运动点聚类，将当前帧的运动点聚类到前一帧的运动点列表中,1)首先对当前帧的运动集合列表{L1,L2,...,Ln}中的每个运动点m进行聚类，通过搜索运动点m邻域内的前一帧的运动点信息，将其映射到前一帧的运动点列表中，得到一个全局标签Gj(1<j<n),如果搜索不到前一帧的信息，则映射标签为-1；2)然后统计当前帧运动列表Li中所有运动点的全局标签Gj(1<j<n),通过投票法，得到Li所属的聚类标签Gk,并将Li的运动点合并到全局运动点列表Gk中，如果映射标签为0，则新增全局运动点列表G(n+i),将Li的运动点添加到G(n+i)中，如果得到的聚类标签为-1，则将Li所有运动点的聚类标签设为0，且暂时不记录到全局运动点列表中；执行步骤S8；