融合视觉背景提取与改进朗斯基函数的运动目标检测方法与流程

1.本发明涉及智能交通和复杂环境目标检测研究领域，具体涉及一种融合视觉背景提取与改进朗斯基函数的运动目标检测方法。


背景技术：

2.数字图像作为记录人类视觉信息的载体，与人们日常生活息息相关。计算机视觉作为人工智能领域的重要研究方向，促使数字图像被广泛应用于日常生活和军事领域。但数字图像易受到传感器、拍摄场景以及成像环境等影响，在恶劣环境下(如雾、沙尘、雨、雪、水下、低光照等)拍摄的图像常存在低对比度、清晰度差和严重色偏等现象。质量退化的图像不能清晰、准确的记录和表达场景中的信息，直接影响人类视觉感受，更进一步影响后续计算机视觉任务处理效果，严重限制了各类图像的应用价值。随着人工智能技术的发展，恶劣环境下图像处理问题包括图像增强与复原和相关场景下的高层视觉任务在图像处理和计算机视觉领域的研究得到高度关注，逐渐成为近年的研究热点。同时，作为智能交通系统和智慧城市的重要部分，城市交通的智能化得到了更多的关注，目前，在城市的很多交通卡口都安装了视频传感器，每天都会产生长千上万的视频数据，而城市交通中交通密度大，交通拥堵严重，各道路使用者呈现多样性，从城市交通恶劣环境下中获取运动的车辆，对城市交通车辆后续的行为分析，风险识别，缓解拥堵等有着重要意义，然而复杂城市交通场景光照变化条件下的目标检测的准确性和实时性协同仍旧是一个挑战。
3.目前，运动目标检测是智能视频监控系统的核心组成部分，其准确性是目标跟踪、分类、行为理解等更高层次处理的基础。运动目标检测方法较多，其中基于背景模型提取运动目标的背景差分方法检测性能与效率均衡，因此背景建模方法在智能安防、智能交通等领域广泛应用。背景模型方法在简单场景中性能非常好，但在实际复杂应用环境中，往往容易受到噪声、光照变化等因素干扰，如何有效抑制光照变化及噪声并构建性能稳定的基于背景模型的运动目标检测方法成为计算机视觉领域极具挑战的研究课题。
4.视觉背景提取(visual background extractor，vibe)方法因背景建模逻辑简单、快速等优点受到计算机视觉领域大量学者的关注，但在真实的应用场景中仍旧面临鬼影、噪声干扰、光照变化等一系列问题。为了解决鬼影问题，提出了两帧或多帧初始化背景模型的方法，为背景引入可靠的背景样本，从而加快鬼影消除的速度。为了解决动态场景中噪声干扰导致的高误检率问题，提出了区域信息与纹理特征融合方法，融入像素点时空信息的背景模型增强了应对噪声和缓慢的光照变化场景的能力。解决光照变化常用的方法是：光照鲁棒性特征和子空间加权分解方法，但光照不变特征的获取或者子空间构建方法在一定程度上增加了算法的复杂度并影响其应用的实时性。朗斯基函数利用向量的相关性有效的处理光照变化且不需要构造光照不变特征。朗斯基函数与单高斯模型结合取得了较好的运动目标检测效果。朗斯基函数与混合高斯模型结合形成的新模型检测性能得到显著提升,随后融入朗斯基函数与码本背景模型的运动目标检测方法增强了目标检测的稳定性。但这些分分钟的朗斯基函数需要人为选择其行列式计算方式且不能处理运动目标与背景同时
为深色或浅色的场景。


技术实现要素：

5.发明所要解决的技术问题是提供一种融合视觉背景提取与改进朗斯基函数的运动目标检测方法，以克服上述现有技术中的不足。
6.发明解决上述技术问题的技术方案如下：一种融合视觉背景提取与改进朗斯基函数的运动目标检测方法，包括如下步骤：
7.s100、基于时空样本一致性原则构建像素空间背景模型；
8.s200、以短时间间隔的多帧初始化背景模型；
9.s300、构建改进朗斯基矩阵行列式；
10.s400、导入目标图像，基于改进朗斯基矩阵行列式判断目标图像像素构建的向量与背景模型中样本向量的线性相关性，统计线性相关性的次数，若线性相关性次数小于预先设定的线性相关性次数阈值，则目标图像中的像素点为运动目标，即前景，反之则为背景。
11.在上述技术方案的基础上，发明还可以做如下改进。
12.进一步，s100具体为：
13.s110、实时采集夜晚光照变化交通场景视频；
14.s120、获取视频内每一张图像中像素点的多邻域像素点，并以像素点及其邻域像素点构成一个向量，作为样本向量；
15.s130、按照样本一致性原则，获取n个样本向量，并以此构建像素空间背景模型。
16.进一步，多邻域为8邻域。
17.进一步，像素空间背景模型的公式为：
18.b(x，y)＝{v1(x,y)，v2(x,y)，...，vm(x,y)，vn(x,y)}；
[0019]vm
(x，y)，m∈[1,n]为样本向量中第m个向量。
[0020]
进一步，初始背景模型的公式为：
[0021]
b(x，y)＝{i1(x,y)，...，i
1 (n-2)
×k(x,y)，i
1 (n-1)
×k(x,y)}
[0022]
i1(x,y)为第1帧的向量特征，i
1 (n-1)
×k(x,y)为第1 (n-1)
×
k帧的向量特征，k为短时间间隔。
[0023]
进一步，初始化背景模型采用原始背景模型的间隔帧。
[0024]
进一步，改进朗斯基矩阵行列式为：
[0025][0026]
或，
[0027][0028]
进一步，s400具体为：
[0029]
s410、导入真实交通场景目标图像，目标图像记为i(x,y)，目标图像向量记为vi(x,y)；
[0030]
s420、分别获取目标图像像素点支持区域和对应背景模型样本向量的支持区域所形成的矩阵，并分别计算相应矩阵的特征值之和v
ise
与
[0031]
s430、若则改进朗斯基矩阵行列式选择：
[0032][0033]
反之则改进朗斯基矩阵行列式选择：
[0034][0035]
s440、根据所选w(vi(x,y),vm(x,y))计算目标图像向量vi(x,y)与背景模型中样本向量vm(x,y)是否具有线性相关性p(x,y)；
[0036][0037]
t是距离阈值；
[0038]
s450、统计线性相关性的次数t(x,y)，
[0039]
s460、前景或背景的最终判断结果d(x,y)：
[0040][0041]
th是预先设定的线性相关性次数阈值；
[0042]
若d(x,y)＝1，则目标图像中的像素点为运动目标，即前景，反之则为背景。
[0043]
进一步，根据前景或背景判断结果基于联合保守更新和随机采样的方法更新背景模型中的样本向量。
[0044]
进一步，目标图像像素点检测为背景时，其对应的向量有1/θ的概率去替换掉背景模型中的样本向量，θ为采样因子；
[0045]
目标图像像素对应向量以1/θ的概率去替换其f
×
f邻域中一个像素点背景模型中的随机选中的一个样本向量。
[0046]
本发明的有益效果是：
[0047]
结合视觉背景提取和改进朗斯基函数的优点提出融合背景模型，该方法首先通过时空样本一致性原则构建像素空间背景模型，并利用短时间间隔的多帧初始化背景模型；随后运用改进朗斯基矩阵行列式判断当前像素构建的向量与背景样本向量的线性相关性，基于当前像素与背景模型中样本线性相关的次数判断当前像素为前景或者背景；最后基于判断结果更新背景模型，提出的模型能够有效地处理夜晚光照变化场景下的多种干扰因素，有效实现光照缓慢或突变场景下的运动目标提取。
附图说明
[0048]
图1为像素点8邻域向量构造过程；
[0049]
图2为像素点背景模型样本初始化过程；
[0050]
图3为融合视觉背景提取与改进朗斯基函数的运动目标检测方法的流程图；
[0051]
图4真实夜晚光照变化交通场景运动目标检测结果。
具体实施方式
[0052]
以下结合附图对发明的原理和特征进行描述，所举实例只用于解释发明，并非用于限定发明的范围。
[0053]
实施例1
[0054]
如图3所示，一种融合视觉背景提取与改进朗斯基函数的运动目标检测方法，包括如下步骤：
[0055]
s100、基于时空样本一致性原则构建像素空间背景模型；
[0056]
s200、以短时间间隔的多帧初始化背景模型；
[0057]
s300、构建改进朗斯基矩阵行列式；
[0058]
s400、导入目标图像，基于改进朗斯基矩阵行列式判断目标图像像素构建的向量与背景模型中样本向量的线性相关性，并统计线性相关性的次数，若线性相关性次数小于预先设定的线性相关性次数阈值，则目标图像中的像素点为运动目标，即前景，反之则为背景。
[0059]
实施例2
[0060]
本实施例为在实施例1的基础上所进行的进一步优化，其具体如下：
[0061]
s100具体为：
[0062]
s110、实时采集夜晚光照变化交通场景视频；
[0063]
s120、获取视频内每一张图像中像素点的多邻域像素点，然后以像素点及其邻域像素点构成一个向量，并作为样本向量；
[0064]
s130、按照样本一致性原则，获取n张被观测图像中像素点及其邻域像素点所对应的样本向量，并以此构建像素空间背景模型。
[0065]
采集夜晚光照变化交通场景视频的设备可以为视频传感器，但是也并不排除采用其他设备。
[0066]
通常，s120中所描述的多邻域为8邻域，当然，实际运用过程中，并不排除采用其他形式。
[0067]
像素点对应的向量形成过程如图1所示。
[0068]
真实的夜晚交通场景数据集中进行运动前景目标的检测，检测的结果如图4所示，图中第一行为具有代表性的5帧光照变化图像，主交通灯场景分别为：绿灯、黄灯、红灯、绿灯、黄灯，第二列为对应目标的准确结果，第三列为本发明所述检测方法的结果。
[0069]
实施例3
[0070]
本实施例为在实施例1或2的基础上所进行的进一步优化，其具体如下：
[0071]
像素空间背景模型的公式为：
[0072]
b(x，y)＝{v1(x,y)，v2(x,y)，...，vm(x,y)，vn(x,y)}；
[0073]vm
(x，y)，m∈[1,n]为样本向量中第m个向量。
[0074]
实施例4
[0075]
本实施例为在实施例3的基础上所进行的进一步优化，其具体如下：
[0076]
初始背景模型的公式为：
[0077]
b(x，y)＝{i1(x,y)，...，i
1
(n-2)
×k(x,y)，i
1
(n-1)
×k(x,y)}
[0078]
i1(x,y)为第1帧的向量特征，i
1 (n-1)
×k(x,y)为第1 (n-1)
×
k帧的向量特征，k为短时间间隔，k通常取值为25即可能处理大多的动态场景。
[0079]
初始化背景模型过程如图2所示；为了避免产生不正确的初始化背景模型，基于公式b(x，y)＝{v1(x,y)，v2(x,y)，...，vm(x,y)，vn(x,y)}的间隔帧初始化背景模型，这将减少缓慢移动或者临时停车的车辆融入到背景模型中的可能性。
[0080]
实施例5
[0081]
本实施例为在实施例1～4任一实施例的基础上所进行的进一步优化，其具体如下：
[0082]
改进朗斯基矩阵行列式为：
[0083][0084]
或，
[0085][0086]
实施例6
[0087]
本实施例为在实施例5的基础上所进行的进一步优化，其具体如下：
[0088]
s410、导入真实交通场景目标图像，目标图像记为i(x,y)，目标图像向量记为vi(x,y)；
[0089]
s420、分别获取目标图像像素点支持区域和对应背景模型样本向量的支持区域所形成的矩阵，并分别计算相应矩阵的特征值之和v
ise
与
[0090]
s430、若则改进朗斯基矩阵行列式选择：
[0091][0092]
反之则改进朗斯基矩阵行列式选择：
[0093][0094]
s440、根据所选w(vi(x,y),vm(x,y))计算目标图像向量vi(x,y)与背景模型中样本
向量vm(x,y)是否具有线性相关性p(x,y)；
[0095][0096]
t是距离阈值；
[0097]
s450、统计线性相关性的次数t(x,y)，
[0098]
s460、前景或背景的最终判断结果d(x,y)：
[0099][0100]
th是预先设定的线性相关性次数阈值，通常情况下，阀值大于等于2；
[0101]
若d(x,y)＝1，则目标图像中的像素点为运动目标，即前景，反之则为背景。
[0102]
w(vi(x,y),vm(x,y))是改进的朗斯基行列式，原始朗斯基模型需要根据视频场景中运动目标与背景颜色的深色或浅色关系状态选择使用朗斯基行列式；
[0103]
在实际场景中需要人为选择朗斯基行列式计算方式且不能处理运动目标与背景同为深色或浅色的场景。
[0104]
因此改进朗斯基函数引入区域特征值的和v
ise
与从而自动选择朗斯基行列式计算方式；如果w(vi(x,y),vm(x,y))＜t意味着i(x,y)属于背景的机会增加。
[0105]
实施例7
[0106]
本实施例为在实施例1～6任一实施例的基础上所进行的进一步优化，其具体如下：
[0107]
根据判断结果基于联合保守更新和随机采样的方法更新背景模型中的样本向量。
[0108]
背景模型更新是为了使模型样本能够适应场景的频繁变化，比如背景物体的变更，树枝的摇摆等。融合算法采用随保守更新和随机子抽样更新相结合的策略，该策略在真实的光照变化场景中好于当前较流行的先进先出(fifo)更新策略。
[0109]
实施例8
[0110]
本实施例为在实施例7的基础上所进行的进一步优化，其具体如下：
[0111]
背景模型的更新包含两个步骤：
[0112]
首先，目标图像像素点检测为背景时，其对应的向量有1/θ的概率去替换掉背景模型中的样本向量，θ为采样因子，通常情况下采样因子的值为16；
[0113]
随后，目标图像像素对应向量以1/θ的概率去替换其f
×
f邻域中一个像素点背景模型中的随机选中的一个样本向量，通常情况下，f
×
f邻域可以为3
×
3。
[0114]
尽管上面已经示出和描述了发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对发明的限制，本领域的普通技术人员在发明的范围内可以对上述实施例进行变化、修改、替换和变型。