[发明专利]基于HSV的MC-SILTP运动目标检测方法

摘要

本发明公开了一种基于HSV的MC‑SILTP运动目标检测方法，主要解决现有技术在纹理少或无纹理区域检测准确度低的问题。其实现步骤是：1)在MC‑SILTP纹理特征的基础上将HSV颜色空间的H和S通道颜色信息与MC‑SILTP纹理信息相融合，得到HS‑MC‑SILTP特征，使得在时间域上拥有与HSV颜色特征一致的时间序列分布；2)使用HS‑MC‑SILTP特征建立码本背景模型；3)改进码本模型的更新策略，使其更加准确地拟合背景，从而检测出运动目标。本发明提高了对纹理“平坦”区域的区分能力，漏检率低，检测结果更加完整，可用于智能监控、智能交通、人机交互、视觉导航、虚拟现实、医学诊断和可视化手术。

主权项

1.基于HSV的MC‑SILTP运动目标检测方法，包括：(1)设每个像素点(x,y)的背景模型对应一个码本模型CB(x,y)，每个码本模型中最多包含L＝20个码字cw(x,y)，每个码字包含像素的特征值f(x,y)及特征值对应的权值ω(x,y)；(2)将每个像素点(x,y)的码本模型初始化为空，即码字个数为0，码字为空；(3)将前T帧Ia作为训练帧，训练每个像素点(x,y)的码本模型CBa(x,y)，其中a为训练帧号，1≤a≤T，T＝50为训练帧总数；(3a)计算码本模型中每个码字的特征值:(3a1)对I_a帧中每个像素点(x,y)，计算其在4‑邻域上R，G，B三个颜色通道中两两交叉的SILTP特征，得到三组不同的二进制值，并将其拼接为一个完整的MC‑SILTP特征值(3a2)将Ia帧转化到HSV颜色空间，得到图像Xa，选取Xa的色调分量Xa,h和饱和度分量Xa,s，将Xa,h和Xa,s中的值均量化到0－127范围，并对量化后的色调分量X'a,h和量化后的饱和度分量X'a,s求和后在n×n邻域内进行加权平均，得到颜色信息Va,HS(x,y)，其中，n取值为3；(3a3)将颜色信息V_a,HS(x,y)与特征值相融合，得到基于HSV颜色空间的MC‑SILTP特征值(3b)将与前一帧码本模型CB_a‑1(x,y)中的码字cw_a‑1,l(x,y)的特征值f_a‑1,l(x,y)进行匹配，若有一个码字与特征值匹配成功，则更新码字的权值，否则用和权值ω₀＝1/T新建一个码字，其中，1≤l≤K_a‑1(x,y)，K_a‑1(x,y)为前一帧码字的个数；(3c)判断码本模型是否训练结束，若帧数a未达到训练帧总数T，则a增加1，并重复执行步骤3a)‑3b)，否则，执行步骤(4)；(4)从视频的T+1帧开始检测前景：(4a)找出前一帧I_t‑1的每个像素点(x,y)的码本模型中所有属于背景的码字cw_t‑1,i(x,y)，其中i＝1,…,B(x,y)，表示背景的码字个数，T_b＝0.7表示背景分割阈值，阈值越大，属于背景的码字就越多，ω_t‑1,i(x,y)为第t‑1帧第i个码字的特征值对应的权值，cw_t‑1,i(x,y)为第t帧中第i个码字，t＝T+1,T+2,…；(4b)对I_t帧中每个像素点(x,y)，计算当前特征值与它的所有背景码字cw_t‑1,i(x,y)的特征值f_t‑1,i(x,y)之间的最小距离d_min(x,y)，其中，f_t‑1,i(x,y)为第t‑1帧第i个码字对应的特征值；(4c)在像素点(x,y)处，将最小距离dmin(x,y)与前景分割阈值Tfg＝5进行比较：若dmin(x,y)＞Tfg，则像素(x,y)为前景即运动目标，表示为fgt(x,y)＝1；若dmin(x,y)≤Tfg，则为背景，表示为fgt(x,y)＝0，并执行(5)；(5)对码本模型进行更新:计算当前像素的纹理特征与所有背景码字cw_t‑1,i(x,y)纹理特征之间的最小距离：d_t,RGB,l(x,y)＝min{d_t,RGB,i(x,y)}，并判断其值的大小：若dt,RGB,l(x,y)＝0，则更新权值ω(x,y)，若dt,RGB,l(x,y)＞0，则新建一个码字，其中，d_t,RGB,i(x,y)表示当前像素的纹理特征与第i个背景码字cw_t‑1_,i(x,y)的纹理特征之间的距离，l＝argmin{d_t,RGB,i(x,y)}表示距离当前特征值最近的背景码字cw_t‑1,l(x,y)的下标，其中i＝1,…,B(x,y)；(6)重复执行步骤4)‑5)，直到视频结束。