本發(fā)明屬于運動目標檢測，特別涉及一種基于背景建模的運動目標檢測方法及相關裝置。

背景技術：

1、在計算機視覺領域目標識別是非常重要的基礎任務，背景建模和運動目標檢測是實現(xiàn)目標識別的方法之一，能夠自動識別靜止場景圖像中的運動目標。背景建模和運動目標檢測可以廣泛應用于安防監(jiān)控和智慧交通等領域，例如安防系統(tǒng)可以通過背景建模和運動目標檢測技術實現(xiàn)對入侵者的監(jiān)測和報警。

2、背景建模是指通過分析圖像序列中的像素值，提取出背景信息并建立背景模型，從而實現(xiàn)對背景和前景的區(qū)分。它是許多計算機視覺任務的基礎，如運動目標檢測、行人跟蹤和視頻分析等。背景建模的關鍵問題是如何在不同光照條件下準確地估計背景模型，以便更好地檢測運動目標。

3、傳統(tǒng)的背景建模方法主要基于統(tǒng)計學模型，如高斯混合模型(gmm)和自適應背景平均(abm)。高斯混合模型假設每個像素的像素值是由一個或多個高斯分布組合而成，而自適應背景平均方法則通過對每個像素的像素值進行平均來建模。然而，這些方法對于復雜場景的處理效果有限，比如光照變化和動態(tài)場景等。近年來，基于深度學習的背景建模方法逐漸成為研究的熱點，深度學習模型能夠自動提取圖像的特征，并具有較強的非線性建模能力，可以更好的適應不同場景的復雜性。

4、傳統(tǒng)的基于高斯混合模型的背景建模方法對光影變化、復雜背景和長時間運動的適應性較差；基于深度學習的背景建模方法雖然對復雜背景對適應能力更強一些，但其計算量較大，不便于在計算資源有限對硬件平臺部署。背景建模和運動目標檢測技術仍然面臨著一些挑戰(zhàn)，光影變化和復雜背景可能會導致背景模型的不準確性，進而對運動目標產(chǎn)生誤報。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于背景建模的運動目標檢測方法及相關裝置，以解決傳統(tǒng)方式計算量大、背景模型不準確的問題。

2、為實現(xiàn)上述目的，本發(fā)明采用以下技術方案：

3、第一方面，本發(fā)明提供一種基于背景建模的運動目標檢測方法，包括：

4、構(gòu)建包括工作背景和候選背景的背景模型，對待檢測圖像的每個像素建立背景模型數(shù)據(jù)；

5、背景模型匹配函數(shù)調(diào)用碼字匹配函數(shù)，將像素順序與工作背景每一個碼字進行匹配，如果與其中一個匹配上，則將其輸出為匹配碼字，得到前景像素圖像；

6、通過背景模型匹配獲得前景像素圖像后，將像素聚合為區(qū)域得到前景區(qū)域圖像；

7、對前景區(qū)域圖像進行干擾區(qū)域抑制，輸出的運動區(qū)域集合。

8、可選的，構(gòu)建包括工作背景和候選背景的背景模型，對待檢測圖像的每個像素建立背景模型數(shù)據(jù)，包括：

9、工作背景由最多四個背景碼字值組成，如果當前像素值與這四個背景碼字值中的任何一個相匹配，則此像素點為背景，否則為前景；候選背景由一個背景碼字組成，在當前像素與工作背景不匹配時，使用其建立候選背景；初始狀態(tài)時工作背景和候選背景碼字為空。

10、可選的，背景模型匹配函數(shù)調(diào)用碼字匹配函數(shù)，將像素順序與工作背景每一個碼字進行匹配，如果與其中一個匹配上，則將其輸出為匹配碼字，得到前景像素圖像：

11、輸入圖像imgin，frm_cnt＝frm_cnt+1；

12、對于每一個坐標為像素坐標為xy的像素pix＝imgin(xy)，計算其與工作背景的匹配函數(shù){mat_succur,mat_cwcur}＝mat_pix_to_bgm(pix,bgmcur)，如果匹配成功，則置imgfg-m(xy)＝0，并調(diào)用函數(shù)碼字更新函數(shù)upate_cw_from_pix(cw,pix)對匹配成功的碼字mat_cw進行更新，否則imgfg-m(xy)＝1，其中imgfg-m定義為背景模型匹配獲取的前景；

13、碼字匹配函數(shù)mat_suc＝mat_pix_to_cw(pix,cw)定義如下：

14、i＝(r+g+b)/3

15、δi＝abs(it-im)

16、||pix||2＝(r2+g2+b2)

17、<pixt,pixm>＝(rtrm+gtgm+btbm)

18、

19、如果δi<2σi并且δc<2σc，則匹配成功；

20、碼字更新函數(shù)upate_cw_from_pix(cw,pix)定義如下：

21、pixm＝(1-ρ)×pixm+ρ×pixt,其中ρ為學習速率

22、σi＝(1-ρ)×σi+ρ×δi,

23、σc＝(1-ρ)×σc+ρ×δc,

24、f＝f+1

25、λ＝max(λ,frm_cnt-tl)

26、tf＝tf

27、tl＝frm_cnt

28、另外，如果某個碼字當前沒有匹配上，則λ＝λ+1。

29、可選的，如果與工作背景匹配失敗，則將像素pix＝imgin(xy)與候選背景匹配，同樣調(diào)用匹配函數(shù){mat_succac,mat_cwcac}＝mat_pix_to_bgm(pix,bgmcac)，如果匹配成功，則調(diào)用函數(shù)碼字更新函數(shù)upate_cw_from_pix(cw,pix)對匹配成功的碼字mat_cw進行更新，否則調(diào)用碼字初始化函數(shù)cw＝init_cw_from_pix(pix)新建候選背景碼字；碼字初始化函數(shù)cw＝init_cw_from_pix(pix)定義如下：

30、cw＝{pixt,σi0,σc0,1,0,frm_cnt,frm_cnt}。

31、可選的，如果工作背景中的某個碼字沒有新的像素值與其匹配，則將其從工作背景中剔除；如果候選背景中的某個碼字滿足狀態(tài)轉(zhuǎn)換的條件，則將其轉(zhuǎn)移到工作背景中，或者剔除；在候選背景轉(zhuǎn)入工作背景時，在工作背景中選擇空閑的空間或者刪除最近持續(xù)未訪問時間最長的背景像素值來騰出空間以容納新的背景碼字；

32、背景碼字狀態(tài)轉(zhuǎn)換的條件：

33、碼字從工作背景中剔除的條件函數(shù)：is_del_cw_from_cur_bgm(cw,bgmcur)

34、當碼字cw滿足條件(frm_cnt-tl)>tdel時則從工作背景中剔除，即bgmcur＝bgmcur-{cw}；

35、碼字從候選背景中剔除的條件函數(shù)：

36、is_del_cw_from_cache_bgm(cw,bgmcac)

37、當碼字cw滿足條件((frm_cnt-tf)>nib和λ>(frm_cnt-tf)/ncr)時則從候選背景中剔除，即bgmcac＝bgmcac-{cw}，其中nib是建立新的工作背景碼字所需要的最短時間長度，ncr是碼字最長未匹配成功時間間隔比率閾值；

38、碼字從候選背景中轉(zhuǎn)移到工作背景的條件函數(shù)：

39、is_move_cw_in_cache_bgm(cw,bgmcac)

40、當碼字cw滿足條件((frm_cnt-tf)>nib和λ≤(frm_cnt-tf)/ncr)時則從將其從候選背景中轉(zhuǎn)移到工作背景，即bgmcac＝bgmcac-{cw}和bgmcur＝bgmcur+{cw}。

41、可選的，通過背景模型匹配獲得前景像素圖像后，將像素聚合為區(qū)域得到前景區(qū)域圖像：

42、首先使用數(shù)學形態(tài)學的開運算和閉運算方法過濾前景像素的噪點；

43、然后使用連通分量標記算法將八連通的像素聚合成前景區(qū)域，從而得到運動區(qū)域集合：rgsfg＝{mrg1,mrg2,…,mrglrf}，其中運動區(qū)域mrg＝{pos,rgimg}，pos是運動區(qū)域左上角頂點在原圖像中的坐標，rgimg是運動區(qū)域的二值圖像。

44、可選的，對前景區(qū)域圖像進行干擾區(qū)域抑制，輸出的運動區(qū)域集合：

45、計算前后兩幀圖像之間的差分圖像frm_diff_img，并取閾值th_diff對差分圖像二值化，得到幀間差分前景圖像frm_diff_fg，閾值th_diff取值6～12；

46、對運動前景區(qū)域mrg提取邊界輪廓mrg_outline，并統(tǒng)計輪廓像素數(shù)目為nmo；

47、將區(qū)域輪廓mrg_outline與幀間差分前景圖像相與frm_diff_fg，統(tǒng)計得到屬于差分前景的邊界像素數(shù)目nmd；

48、如果像素數(shù)目之比nmd/nmo大于閾值th_mdo，則判定此區(qū)域為光影變化區(qū)域，th_mdo取值0.6～0.8；

49、對運動前景區(qū)域集合rgsfg的每個區(qū)域應用上述步驟，過濾掉光影變化區(qū)域，得到最后輸出的運動區(qū)域集合rgsout＝{mrg1,mrg2,…,mrglro}。

50、第二方面，本發(fā)明提供一種基于背景建模的運動目標檢測系統(tǒng)，包括：

51、模型構(gòu)建模塊，用于構(gòu)建包括工作背景和候選背景的背景模型，對待檢測圖像的每個像素建立背景模型數(shù)據(jù)；

52、前景像素圖像獲取模塊，用于背景模型匹配函數(shù)調(diào)用碼字匹配函數(shù)，將像素順序與工作背景每一個碼字進行匹配，如果與其中一個匹配上，則將其輸出為匹配碼字，得到前景像素圖像；

53、前景區(qū)域圖像獲取模塊，用于通過背景模型匹配獲得前景像素圖像后，將像素聚合為區(qū)域得到前景區(qū)域圖像；

54、檢測輸出模塊，用于對前景區(qū)域圖像進行干擾區(qū)域抑制，輸出的運動區(qū)域集合。

55、第三方面，本發(fā)明提供一種計算機設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)一種基于背景建模的運動目標檢測方法的步驟。

56、第四方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)一種基于背景建模的運動目標檢測方法的步驟。

57、與現(xiàn)有技術相比，本發(fā)明有以下技術效果：

58、本發(fā)明使用碼本方法對多模態(tài)背景進行建模，圖像像素的背景模型由工作背景和候選背景組成，對于動態(tài)變化的場景，工作背景的多個碼字可以模擬像素值的動態(tài)變化，候選背景的碼字可以學習新的像素值，從而可以適應樹枝晃動和水波蕩漾等復雜場景。

59、本發(fā)明的碼本模型數(shù)據(jù)結(jié)構(gòu)設計簡單，每個像素的的背景模型占用40個字節(jié)(單個碼字10個字節(jié)，工作背景和候選背景共4個碼字)，消耗的內(nèi)存較少；不像混合高斯模型需要迭代優(yōu)化計算，碼字的匹配和更新操作僅使用一些簡單的乘加和比較運算，計算效率較高。

60、本發(fā)明結(jié)合時空變化光影區(qū)域抑制方法，統(tǒng)計前景區(qū)域輪廓在空間域(背景匹配)和時間域(幀間差分)的變化特征。然后使用時空變化特征辨識光影變化區(qū)域。