[发明专利]水下鱼类动态视觉序列运动目标检测方法

说明书

本发明提供一种水下鱼类动态视觉序列运动目标检测方法，包括步骤：S1：获取水下鱼类视频数据集；S2：对水下鱼类视频数据集进行预处理，获得预处理视频帧图像集；S3：利用GMG背景去除算法提取预处理视频帧图像集中各预处理视频帧图像的前景；S4：利用LBP算法提取获得前景图像集的纹理特征集，并对前景图像集进行灰度值特征提取获得灰度特征集；S5：分别利用纹理特征集和灰度特征集对PLS分类器进行训练；S6：利用最优PLS分类器对水下鱼视频序列进行目标检测。本发明的一种水下鱼类动态视觉序列运动目标检测方法，可实现对水下鱼类目标的快速检测，并可减少传统方法人工检测以及深度学习中的大量人工标记。

技术领域

本发明涉及视频目标检测领域，尤其涉及一种水下鱼类动态视觉序列运动目标检测方法。

背景技术

相对于静止图像，运动的视频能够传递给人们更完整和丰富的信息。基于视频的运动目标跟踪和识别技术是数字视频处理领域中一个极其重要的方面，在人们的生活及人工智能体系中发挥着巨大的作用，因此受到国内外学者的普遍关注和重视。

目前，运动目标的检测算法已经比较成熟，经典的检测算法主要分为三种，分别是帧间差分法(Frame Difference)，背景差分法(Background Subtraction)和光流法(Optical Flow)。其中帧间差分法提取的是目标的边界信息，对场景内的光线变化不敏感，算法复杂度低，易于实时处理，但是对目标运动方式比较敏感，并且容易产生空洞和“双影”的检测结果。背景差分法相比帧间差分法而言，算法的复杂度适中，实时性好，并且具有更高的抗干扰性，检测的准确度更高，但它对长时间光线变化敏感。光流法是通过计算光流并对光流图像进行分割来检测运动目标的，它可以得到运动目标的三维形状以及深度信息，但是它的算法复杂度大、实时性不高，而且需要特定的硬件支持。由于这三种算法都有各自的优缺点和使用范围，国内外的众多学者在经典算法的基础上提出了改进，使目标检测的准确性更高。Huang等人提出了一种融合区域纹理与背景消除的运动目标检测算法，该算法可以抵御阴影以及光线变化对检测结果产生的影响，快速的在视频图像中分割出运动目标。Li等人将改进的背景差分法与帧间差分法相结合，采用双动态阈值检测运动目标，增加了检测系统的鲁棒性和抗干扰性能。

①帧间差分法：

摄像机采集的视频序列具有连续性的特点。如果场景内没有运动目标，则连续帧的变化很微弱，如果存在运动目标，则连续的帧和帧之间会有明显地变化。

帧间差分法(Temporal Difference)就是借鉴了上述思想。由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。

②背景差分法：

对于一个稳定的监控场景而言，在没有运动目标，光照没有变化的情况下，视频图像中各个像素点的灰度值是符合随机概率分布的。由于摄像机在采集图像的过程中，会不可避免地引入噪声，这些灰度值以某一个均值为基准线，在附近做一定范围内的随机振荡，这种场景就是所谓的“背景”。

背景差分(Background subtraction)是当前运动目标检测技术中应用较为广泛的一类方法，它的基本思想和帧间差分法相类似，都是利用不同图像的差分运算提取目标区域。不过与帧间差分法不同的是，背景减法不是将当前帧图像与相邻帧图像相减，而是将当前帧图像与一个不断更新的背景模型相减，在差分图像中提取运动目标。

背景减法计算较为简单，由于背景图像中没有运动目标，当前图像中有运动目标，将两幅图像相减，显然可以提取出完整的运动目标，解决了帧间差分法提取的目标内部含有“空洞”的问题。