基于自适应向量样本一致性的红外视频目标检测方法与流程

1.本发明涉及红外视频监控和红外目标检测研究领域，具体涉及一种基于自适应向量样本一致性的红外视频目标检测方法。


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。但普通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)拍摄的图像具有低对比度、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，而红外监控传感器能很好应对恶劣环境下的目标检测，扩展各类图像处理的应用价值。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，然而复杂场景下红外视频图像的信噪比低，目标偏小等困难使得红外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国防、海平面监控等领域广泛应用。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，往往容易受到噪声等因素干扰，如何有效抑制红外图像中的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。视觉背景提取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、噪声干扰等一系列问题。


技术实现要素：

4.发明所要解决的技术问题是提供一种基于自适应向量样本一致性的红外视频目标检测方法，以克服上述现有技术中的不足。
5.发明解决上述技术问题的技术方案如下：一种基于自适应向量样本一致性的红外视频目标检测方法，包括如下步骤：
6.s100、基于时空样本一致性原则构建像素空间背景模型；
7.s200、以短时间间隔的多帧初始化背景模型；
8.s300、导入目标图像，基于向量的余弦夹角公式计算目标图像像素点所对应特征向量与背景模型中样本向量的夹角θ，并判断夹角θ是否小于指定阈值，若小于，则记录为共线，反之则为否；
9.统计共线次数，若共线次数小于预先设定的线性共线次数阈值，则目标图像中的
像素点为运动目标，即前景，反之则为背景。
10.进一步，s100具体为：
11.s110、实时采集监控场景的红外视频；
12.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；
13.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。
14.进一步，多邻域为8邻域。
15.进一步，像素空间背景模型的公式为：
16.b(x，y)＝{v1(x,y)，v2(x,y)，...，vm(x,y)，vn(x,y)}；
[0017]vm
(x，y)，m∈[1,n]为样本向量中第m个向量。
[0018]
进一步，初始背景模型的公式为：
[0019]
b(x，y)＝{bv1(x,y)，...，bv
1 (m-2)
×k(x,y)，bv
1 (m-1)
×k(x,y)}
[0020]
bv1(x，y)为第1帧的向量特征，bv
1 (m-1)
×k(x，y)为第1 (n-1)
×
k帧的向量特征，k为短时间间隔。
[0021]
进一步，k取值为25。
[0022]
进一步，初始化背景模型采用原始背景模型的间隔帧。
[0023]
进一步，夹角θ计算公式为：
[0024][0025]
为向量的点乘，为向量的模长，为背景样本点向量的模长，v(x，y)为目标图像像素点支持区域对应的向量，样本向量bvj(x，y)，j＝1,2，...，m。
[0026]
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。
[0027]
进一步，目标图像像素点检测为背景时，其对应的向量有1/δ的概率去替换掉背景模型中的样本向量，δ为采样因子；
[0028]
目标图像像素对应向量以1/δ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。
[0029]
本发明的有益效果是：
[0030]
结合视觉背景提取和向量共线对噪声的灵敏性优点提出自适应样本一致性的红外目标检测模型，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；
[0031]
随后基于向量的余弦夹角公式计算目标图像像素点所对应特征向量与背景模型中样本向量的夹角θ，统计当前向量与样本向量夹角小于指定阈值的次数，并判断当前向量是否与背景模型共线，依据共线的次数判断目标图像中的像素点为背景或前景；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红外场景下的低信噪比和小目标等多种干扰因素，有效实现复杂红外视频监控场景的运动目标提取。
附图说明
[0032]
图1为基于自适应向量样本一致性的红外视频目标检测方法的流程图；
[0033]
图2为目标检测结果图；
[0034]
图3为像素点8邻域向量构造过程。
具体实施方式
[0035]
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。
[0036]
实施例1
[0037]
如图1所示，一种基于自适应向量样本一致性的红外视频目标检测方法，包括如下步骤：
[0038]
s100、基于时空样本一致性原则构建像素空间背景模型；
[0039]
s200、以短时间间隔的多帧初始化背景模型；
[0040]
s300、导入目标图像，基于向量的余弦夹角公式计算目标图像像素点所对应特征向量与背景模型中样本向量的夹角θ，并判断夹角θ是否小于指定阈值，通常情况下，阀值为0.002，若小于，则记录为共线，反之则为否；
[0041]
统计共线次数，若共线次数小于预先设定的线性共线次数阈值，通常情况下，阀值大于等于2，则目标图像中的像素点为运动目标，即前景，反之则为背景。
[0042]
应用结果如图2所示，图中第一行为具有代表性的140帧光照变化图像，此时目标进入监控场景，第二列为对应目标的真实目标，第三列为本发明的检测结果，第二行为目标运动中间阶段，最后一行为目标离开场景的阶段。
[0043]
实施例2
[0044]
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：
[0045]
s100具体为：
[0046]
s110、实时采集监控场景的红外视频；
[0047]
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；
[0048]
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。
[0049]
在本实施例中，采集监控场景红外视频的设备可为红外视频传感器，，但是也并不排除采用其他设备。
[0050]
实施例3
[0051]
本实施例为在实施例2的基础上所进行的进一步优化，其具体如下：
[0052]
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。
[0053]
像素点对应的向量形成过程如图3所示。
[0054]
实施例4
[0055]
本实施例为在实施例1～3任一实施例的基础上所进行的进一步优化，其具体如下：
[0056]
像素空间背景模型的公式为：
[0057]
b(x，y)＝{v1(x,y)，v2(x,y)，...，vm(x,y)，vn(x,y)}；
[0058]
其中，vm(x，y)，m∈[1,n]为样本向量中第m个向量。
[0059]
实施例5
[0060]
本实施例为在实施例4的基础上所进行的进一步优化，其具体如下：
[0061]
初始背景模型的公式为：
[0062]
b(x，y)＝{bv1(x,y)，...，bv
1 (m-2)
×k(x,y)，bv
1 (m-1)
×k(x,y)}
[0063]
其中，bv1(x，y)为第1帧的向量特征，bv
1 (-1)
×k(x，y)为第1 (n-1)
×
k帧的向量特征，k为短时间间隔，而通常情况下，k取值为25即可处理大多的动态场景。
[0064]
实施例6
[0065]
本实施例为在实施例1～5任一实施例的基础上所进行的进一步优化，其具体如下：
[0066]
为了避免产生不正确的初始背景模型，使用基于像素空间背景模型的间隔帧初始化背景模型，这将减少缓慢移动或者临时停止运动目标融入到背景模型的可能性。
[0067]
实施例7
[0068]
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：
[0069]
s300具体为：
[0070]
s310、导入目标图像，分别获取目标图像帧像素点p(x，y)支持区域对应的向量v(x，y)和对应背景样本向量bvj(x，y)，j＝1,2，...，m，并计算当前向量与背景模型中样本向量的夹角θ；
[0071]
计算公式为：
[0072][0073]
为向量的点乘，为向量的模长，为背景样本点向量的模长；
[0074]
s320、判断当前向量与背景模型中样本向量的夹角θ是否小于指定阈值ε，若小于，则记录为共线，共线标记为1，反之则为否，标记为0；
[0075]
公式表示如下：
[0076][0077]
或，ldj(x，y)＝0otherwise；
[0078]
s330、统计当前特征向量与背景模型中样本向量共线的次数s(x,y)，若共线次数小于预先设定的线性共线次数阈值th，通常情况下，阀值大于等于2，则目标图像中的像素点为运动目标，即前景，反之则为背景；
[0079]
其中，次数s(x,y)的表达式为：
[0080]
实施例8
[0081]
本实施例为在实施例1～7任一实施例的基础上所进行的进一步优化，其具体如
下：
[0082]
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。
[0083]
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，海水的波浪等。
[0084]
实施例9
[0085]
本实施例为在实施例8的基础上所进行的进一步优化，其具体如下：
[0086]
目标图像像素点检测为背景时，其对应的向量有1/δ的概率去替换掉背景模型中的样本向量，δ为采样因子，通常情况下，采样因子的值为16；
[0087]
目标图像像素对应向量以1/δ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邻域。
[0088]
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。