运动目标的检测方法、装置、设备及可读存储介质与流程

本发明实施例涉及视觉图像处理技术领域，尤其涉及一种运动目标的检测方法、装置、设备及可读存储介质。

背景技术：

随着科技的进步，以计算机为核心的视觉图像处理技术也得到了快速发展。运动目标检测作为视觉图像处理的一个核心内容，在智能监控、医学和军事等多个领域得到了广泛地应用。

现有的运动目标检测的算法类型众多。大致分为光流法、帧差法、和背景减除法。光流法由于其算法的复杂性，对硬件要求较高等原因，较少使用。现在主流的运动目标检测的算法是帧差法和背景减除法。

现有的以五帧差分算法为代表的帧差法虽然提取的运动目标相比其他几种帧间差分算法有一定的改进，但仍存在拖影，轮廓不完整等问题。

技术实现要素：

本发明实施例提供一种运动目标的检测方法、装置、设备及可读存储介质，解决了现有技术中的运动目标的检测方法中存在空洞，轮廓不完整，易受环境噪声和光照图片的影像，容易出现鬼影问题的问题。

第一方面，本发明实施例提供一种运动目标的检测方法，包括：获取视频序列帧图像；采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像；采用改进的五帧差分算法根据所述当前帧背景图像和所述当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图；对所述第一运动目标二值图和所述第二运动目标二值图进行或运算，以获得总运动目标二值图；对所述总运动目标二值图进行形态学处理，以获得运动目标。

第二方面，本发明实施例提供一种运动目标的检测装置，包括：图像获取单元，用于获取视频序列帧图像；高斯混合模型检测单元，用于采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像；改进五帧差分算法检测单元，用于采用改进的五帧差分算法根据所述当前帧背景图像和所述当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图；或运算单元，用于对所述第一运动目标二值图和所述第二运动目标二值图进行或运算，以获得总运动目标二值图；形态学处理单元，用于对所述总运动目标二值图进行形态学处理，以获得运动目标。

第三方面，本发明实施例提供一种电子设备，包括：存储器，处理器以及计算机程序；其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如第一方面中任一项所述的方法。

第四方面，本发明实施例提供一种可读存储介质，包括：其上存储有计算机程序，所述计算机程序被处理器执行以实现如第一方面中任一项所述的方法。

本发明实施例提供一种运动目标的检测方法、装置、设备及可读存储介质，通过获取视频序列帧图像；采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像；采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图；对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图；对总运动目标二值图进行形态学处理，以获得运动目标。由于使用高斯混合模型的当前帧背景图像作为改进的五帧差分算法的背景帧，对运动目标进行识别，所以提高了改进的五帧差分算法的运动目标检测的准确性，基本上消除存在的拖影问题，并且将高斯混合模型检测出的运动目标和改进的五帧差分算法检测出的运动目标进行或运算，得到两种算法检测到的所有运动目标，能够使检测出的运动目标更加丰富，具有较完整的轮廓。

应当理解，上述发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的运动目标的检测方法的流程图；

图2为本发明实施例二提供的运动目标的检测方法的流程图；

图3为本发明实施例二提供的运动目标的检测方法步骤202的流程图；

图4为本发明实施例二提供的运动目标的检测方法步骤202d的流程图；

图5为本发明实施例二提供的运动目标的检测方法步骤203的第一流程图；

图6为本发明实施例二提供的运动目标的检测方法步骤203的第二流程图；

图7为本发明实施例二提供的运动目标的检测方法步骤203b的流程图；

图8为本发明实施例三提供的运动目标的检测装置的结构示意图；

图9为本发明实施例四提供的运动目标的检测装置的结构示意图；

图10为本发明实施例五提供的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了清楚理解本申请的技术方案，下面对本申请中涉及的算法和术语进行解释：

高斯混合模型：高斯混合模型就是用高斯概率密度函数，即正态分布曲线精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。对图像背景建立高斯混合模型的原理及过程：图像灰度直方图反映的是图像中某个灰度值出现的频次，也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大，且背景区域和目标区域在灰度上有一定的差异，那么该图像的灰度直方图呈现双峰-谷形状，其中一个峰对应于目标，另一个峰对应于背景的中心灰度。对于复杂的图像，尤其是医学图像，一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加，可以解决图像的分割问题。在智能监控系统中，对于运动目标的检测是中心内容，而在运动目标检测提取中，背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节。

帧间差分算法：帧间差分算法是一种通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓的方法，它可以很好地适用于存在多个运动目标和摄像机移动的情况。当监控场景中出现异常物体运动时，帧与帧之间会出现较为明显的差别，两帧相减，得到两帧图像亮度差的绝对值，判断它是否大于阈值来分析视频或图像序列的运动特性，确定图像序列中有无物体运动。

鬼影：监控视频中运动目标留下的久久不能消除的运动目标像素点。

拖影：运动目标周围的背景像素点被检测为运动目标像素点而使得运动目标肥大的现象。

下面对本申请实施例提供的运动目标的检测方法的应用场景进行介绍。本申请实施例提供的运动目标的检测方法可应用在智能视频监控中，以便运动目标检测进行追踪。还可应用在医学领域，如对心脏的检测上，还可应用在运动分析领域中，还可应用在无人车，无人机领域中。本实施例中对运动目标的检测方法的应用场景不作限定。

以下将参照附图来具体描述本申请的实施例。

实施例一

图1为本发明实施例一提供的运动目标的检测方法的流程图，如图1所示，本实施例提供的运动目标的检测方法的执行主体为运动目标的检测装置，该运动目标的检测装置可以集成在电子设备上，电子设备可以为计算机，移动终端，服务器等具有独立计算和处理能力的设备，则本实施例提供的运动目标的检测方法包括以下几个步骤。

步骤101，获取视频序列帧图像。

具体地，本实施例中，可由视频采集装置采集视频序列帧图像，从视频采集装置中获取视频序列帧图像。或者在视频采集装置采集到视频序列帧图像后存储到预设区域，从预设区域处获取视频序列帧图像，本实施例中对此不作限定。

其中，视频序列帧图像中包括多帧图像。在多帧图像中至少包括五帧图像，以后续采用改进的五帧差分算法对当前帧图像进行运动目标的检测。

步骤102，采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像。

其中，高斯混合模型是背景减除法的一种，其是对图像背景建立的高斯模型，其用k个高斯模型表示视频序列图像中某一像素点的特征。高斯混合模型的建立需要对高斯混合模型的参数进行初始化，并为了保证背景环境变化的鲁棒性，适时对高斯混合模型的参数和各分布权重值以及排布顺序进行更新。

本实施例中，将当前帧图像输入到高斯混合模型中，高斯混合模型对当前帧图像的每个像素点的类型进行判断，若符合高斯混合模型，则确定为背景像素点，若不符合高斯混合模型，则确定为运动目标像素点，根据每个像素点的类型确定第一运动目标二值图和当前帧背景图像。

其中，第一运动目标二值图为采用高斯混合模型对当前帧图像进行运动目标检测后得到的运动目标的二值图。

步骤103，采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图。

现有的五帧差分算法采用连续的五帧图像，将当前帧图像分别与前两帧图像和后两帧图像进行差分运算，对差分运算的结果进行二值化处理，得到对应的差分二值图像，四个差分二值图像中分别将两个差分二值图像进行与运算，并将与运算的结果进行或运算，最后进行形态学处理，获得运动目标。

而本实施例提供的改进的五帧差分算法中，引入了高斯混合模型输出的当前帧背景图像，将当前帧背景图像与当前帧图像进行差分运算，得到一个差分结果，并将该差分结果与现有技术中的五帧差分算法得到的差分结果进行逻辑运算，并经过形态学处理后得到改进的五帧差分算法检测到的运动目标。

其中，第二运动目标二值图为改进的无帧差分算法对当前帧图像进行运动目标检测后得到的运动目标的二值图。

步骤104，对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图。

本实施例中，对采用高斯模型检测出的运动目标的二值图和采用改进的五帧差分算法检测出的运动目标的二值图进行或运算，得到第一运动目标二值图和第二运动目标二值图中的所有运动目标。

步骤105，对总运动目标二值图进行形态学处理，以获得运动目标。

具体地，本实施例中，形态学处理是通过形态学代数运算子组成的，基本的运算有4个，分别为：膨胀，腐蚀，开运算和闭运算。

本实施例中，采用基本的算子对总运动目标二值图进行形态学处理，获得最终的运动目标，得到对运动目标检测的结果。

本实施例提供的运动目标的检测方法，通过获取视频序列帧图像；采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像；采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图；对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图；对总运动目标二值图进行形态学处理，以获得运动目标。由于使用高斯混合模型的当前帧背景图像作为改进的五帧差分算法的背景帧，对运动目标进行识别，所以提高了改进的五帧差分算法的运动目标检测的准确性，基本上消除存在的拖影问题，并且将高斯混合模型检测出的运动目标和改进的五帧差分算法检测出的运动目标进行或运算，得到两种算法检测到的所有运动目标，能够使检测出的运动目标更加丰富，具有较完整的轮廓。

实施例二

图2为本发明实施例二提供的运动目标的检测方法的流程图，如图2所示，本实施例提供的运动目标的检测方法，是在本发明实施例一提供的运动目标的检测方法的基础上，对步骤102-步骤103的进一步细化，并且还包括了对第一运动目标二值图和第二运动目标二值图进行差分运算；根据差分运算后的二值图对高斯混合模型进行更新的步骤，则本实施例提供的运动目标的检测方法包括以下步骤。

步骤201，获取视频序列帧图像。

步骤202，采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像。

进一步地，图3为本发明实施例二提供的运动目标的检测方法步骤202的流程图，如图3所示，步骤202包括以下步骤。

步骤202a，判断当前帧图像中的每个像素点是否符合高斯混合模型。

步骤202b，若某像素点符合高斯混合模型，则确定为背景像素点。

步骤202c，若某像素点不符合高斯混合模型，则确定为运动目标像素点。

结合步骤202a-步骤202c进行说明。进一步地，本实施例中，高斯混合模型为对图像背景进行模拟的模型，所以若当前帧图像中的某像素点输入到高斯混合模型后，符合高斯混合模型，则确定该像素点为背景像素点，若某像素点输入到高斯混合模型后，不符合高斯混合模型，则确定该像素点为运动目标像素点。

步骤202d，根据背景像素点和运动目标像素点确定第一运动目标二值图和当前帧背景图像。

进一步地，图4为本发明实施例二提供的运动目标的检测方法步骤202d的流程图，如图4所示，步骤202d包括以下步骤。

步骤202d1，将背景像素点转换为零像素点，将运动目标像素点转换为非零像素点，将零像素点和非零像素点构成的二值图确定为第一运动目标二值图。

具体地，将背景像素点转换为零像素点，即背景像素点对应的像素值设定为0。将运动目标像素点转换为非零像素点，即运动目标像素点对应的像素值设定为255。将零像素点和非零像素点构成的二值图确定为第一运动目标二值图，在第一运动目标二值图中，像素值为0的像素点为背景对应的像素点，像素值为255的像素点为运动目标对应的像素点。

步骤202d2，将运动目标像素点替换为初始背景像素点，将背景像素点和初始背景像素点构成的图像确定为当前帧背景图像。

其中，初始背景像素点为在运动目标进入到当前帧图像拍摄的场景前运动目标的像素点的位置对应的背景像素点。初始背景像素点可在当前帧图像前的图像中获取到。

进一步地，本实施例中，将运动目标像素点的位置采用初始背景像素点替代后，将背景像素点和初始背景像素点构成的图像确定为当前帧背景图像。

步骤203，采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图。

进一步地，图5为本发明实施例二提供的运动目标的检测方法步骤203的第一流程图，图6为本发明实施例二提供的运动目标的检测方法步骤203的第二流程图，如图5和图6所示，步骤203包括以下几个步骤。

步骤203a，将当前帧图像与当前帧背景图像，除当前帧图像的其他四帧图像分别进行差分运算并进行二值化处理，以获得对应的差分二值图。

具体地，如图6所示，本实施例中，当前帧图像是五帧图像中的第三帧图像，表示为f3，第一帧图像表示为f1，第二帧图像表示为f2，第四帧图像表示为f4，第五帧图像表示为f5。当前帧背景图像表示为fb。将当前帧图像f3与fb进行差分运算，并进行二值化处理，得到当前帧背景图像对应的差分二值图；将当前帧图像f3与f1进行差分运算并进行二值化处理，得到第一帧图像对应的差分二值图；将当前帧图像f3与f2进行差分运算并进行二值化处理，得到第二帧图像对应的差分二值图；将当前帧图像f3与f4进行差分运算并进行二值化处理，得到第四帧图像对应的差分二值图；将当前帧图像f3与f5进行差分运算并进行二值化处理，得到第五帧图像对应的差分二值图。

步骤203b，将除当前帧图像的其他四帧图像对应的差分二值图与当前帧背景图像的差分二值图进行逻辑运算，以获得逻辑运算二值图。

进一步地，图7为本发明实施例二提供的运动目标的检测方法步骤203b的流程图，如图7所示，本实施例中，步骤203b包括以下几个步骤。

步骤203b1，对除当前帧图像的其他四帧图像对应的差分二值图两两之间进行或运算，以获得第一或运算二值图和第二或运算二值图。

进一步地，对除当前帧图像的其他四帧图像对应的差分二值图两两之间进行或运算，以获得第一或运算二值图和第二或运算二值图，具体为：

将第一帧图像和第五帧图像对应的差分二值图进行或运算，以获得第一或运算二值图，并将第二帧图像和第四帧图像对应的差分二值图进行或运算，以获得第二或运算二值图。

具体地，本实施例中，将第一帧图像和第五帧图像对应的差分二值图进行或运算，获得的第一或运算二值图中包括第一帧图像对应的差分二值图中和第二帧图像对应的差分二值图中的所有非零像素点。将第二帧图像和第四帧图像对应的差分二值图进行或运算，获得的第二或运算二值图中包括第二帧图像对应的差分二值图中和第四帧图像对应的差分二值图中的所有非零像素点。

步骤203b2，将当前帧背景图像对应的差分二值图分别与第一或运算二值图，第二或运算二值图进行与运算，以获得第一与运算二值图和第二与运算二值图。

进一步地，本实施例中，将当前帧背景图像对应的差分二值图与第一或运算二值图进行与运算，得到第一与运算二值图，将当前帧背景图像对应的差分二值图与第二或运算二值图进行与运算，得到第二与运算二值图。

步骤203b3，将第一与运算二值图与第二与运算二值图进行或运算，以获得第三或运算二值图。

具体地，本实施例中，将第一与运算二值图与第二与运算二值图进行或运算，得到的第三或运算二值图中包含第一与运算二值图和第二与运算二值图中所有的非零像素值。

其中，第三或运算二值图为逻辑运算二值图。

步骤203c，对逻辑运算二值图进行形态学处理，以获得第二运动目标二值图。

进一步地，本实施例中，采用形态学的基本的算子对第三或运算二值图进行形态学处理，获得第二运动目标二值图。

本实施例提供的运动目标的检测方法，采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图时，将当前帧图像与当前帧背景图像，除当前帧图像的其他四帧图像分别进行差分运算并进行二值化处理，以获得对应的差分二值图，对除当前帧图像的其他四帧图像对应的差分二值图两两之间进行或运算，以获得第一或运算二值图和第二或运算二值图，将当前帧背景图像对应的差分二值图分别与第一或运算二值图，第二或运算二值图进行与运算，以获得第一与运算二值图和第二与运算二值图，将第一与运算二值图与第二与运算二值图进行或运算，以获得第三或运算二值图，对第三或运算二值图进行形态学处理，以获得第二运动目标二值图，由于当前帧背景图像得到的运动目标比较准确，因此使用其与第一或运算二值图、第二或运算二值图进行与运算，滤除了第一或运算二值图和第二或运算二值图中的拖影问题，同时去除现有五帧差分算法自身存在的鬼影和光照敏感部分像素，最后对与运算的结果作或运算和形态学处理得到第二运动目标二值图，使改进的无帧差分算法检测到的运动目标更加准确。

步骤204，对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图。

步骤205，对总运动目标二值图进行形态学处理，以获得运动目标。

本实施例中，步骤204-步骤205的实现方式与本发明实施例一中的步骤104-步骤105的实现方式相同，在此不再一一赘述。

需要说明的是，在步骤203之后，可执行步骤206-步骤207，步骤206-步骤207与步骤204-步骤205之间无严格的执行顺序的限制。

步骤206，对第一运动目标二值图和第二运动目标二值图进行差分运算。

进一步地，本实施例中，对第一运动目标二值图和第二运动目标二值图进行差分运算，得到差分运算后的二值图，在差分运算后的二值图中，得到的差分结果有两种，一种是像素值为零的像素点和另一种是像素值为255的非零像素点。为零的像素点表示运动目标和两者相同的背景部分，非零像素点表示高斯混合模型和改进的五帧差分算法得到的运动目标二值图中像素值不同的部分，这里可以将其认为是鬼影像素部分和发生光照突变的像素部分。

步骤207，根据差分运算后的二值图对高斯混合模型进行更新。

进一步地，本实施例中，根据差分运算后的二值图对高斯混合模型进行更新，具体为：

根据差分运算后的二值图中的非零像素点对高斯混合模型进行更新。

具体地，本实施例中，将差分运算后的二值图中的非零像素点，即鬼影像素部分和发生光照突变的像素部分的像素点输入到高斯混合模型中，采用这些鬼影像素点和光照突变的像素点对高斯混合模型中的参数进行更新，能够加速高斯混合模型的学习率，能够使更新后的高斯混合模型更快的去除鬼影像素点和光照突变的像素点。使更新后的高斯混合模型对运动目标进行检测时的准确率更高。

需要说明的是，对高斯模型进行更新后，继续获取当前帧图像，按照步骤201-步骤207执行本实施例中的运动目标的检测方法。

进一步地，本实施例中，对高斯混合模型进行更新后，采用更新的高斯混合模型对当前帧图像进行运动目标检测，能够比前一帧检测出的运动目标准确率更高，并且由于更新后的高斯混合模型确定出的背景图像更准确，所以采用改进的五帧差分算法对运动目标进行检测时，检测到的运动目标比前一帧检测的运动目标更加准确。最终提高了采用两种算法检测出的运动目标的准确性。

实施例三

图8为本发明实施例三提供的运动目标的检测装置的结构示意图，如图8所示，本实施例提供的运动目标的检测装置包括：图像获取单元81，高斯混合模型检测单元82，改进五帧差分算法检测单元83，或运算单元84及形态学处理单元85。

其中，图像获取单元81，用于获取视频序列帧图像。高斯混合模型检测单元82，用于采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像。改进五帧差分算法检测单元83，用于采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图。或运算单元84，用于对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图。形态学处理单元85，用于对总运动目标二值图进行形态学处理，以获得运动目标。

本实施例提供的运动目标的检测装置可以执行实施例一所示方法实施例的技术方案，其实现原理类似，此处不再赘述。

本实施例提供的运动目标的检测装置，图像获取单元获取视频序列帧图像；高斯混合模型检测单元采用高斯混合模型对当前帧图像进行运动目标检测，以获取第一运动目标二值图和当前帧背景图像；改进五帧差分算法检测单元采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图；或运算单元对第一运动目标二值图和第二运动目标二值图进行或运算，以获得总运动目标二值图；形态学处理单元对总运动目标二值图进行形态学处理，以获得运动目标。由于使用高斯混合模型的当前帧背景图像作为改进的五帧差分算法的背景帧，对运动目标进行识别，所以提高了改进的五帧差分算法的运动目标检测的准确性，基本上消除存在的拖影问题，并且将高斯混合模型检测出的运动目标和改进的五帧差分算法检测出的运动目标进行或运算，得到两种算法检测到的所有运动目标，能够检测使检测出的运动目标更加丰富，具有较完整的轮廓。

实施例四

图9为本发明实施例四提供的运动目标的检测装置的结构示意图，如图9所示，本实施例提供的运动目标的检测装置在本发明三提供的运动目标的检测装置的基础上，进一步地，还包括：差分运算单元91，高斯混合模型更新单元92。

其中，差分运算单元91，用于对第一运动目标二值图和第二运动目标二值图进行差分运算。高斯混合模型更新单元92，用于根据差分运算后的二值图对高斯混合模型进行更新。

本实施例提供的运动目标的检测装置，差分运算单元对第一运动目标二值图和第二运动目标二值图进行差分运算。高斯混合模型更新单元根据差分运算后的二值图对高斯混合模型进行更新，将差分运算后的二值图中的非零像素点，即鬼影像素部分和发生光照突变的像素部分的像素点输入到高斯混合模型中，采用这些鬼影像素点和光照突变的像素点对高斯混合模型中的参数进行更新，能够加速高斯混合模型的学习率，能够使更新后的高斯混合模型更快的去除鬼影像素点和光照突变的像素点。使更新后的高斯混合模型对运动目标进行检测时的准确率更高。

进一步地，高斯混合模型更新单元92，具体用于：根据差分运算后的二值图中的非零像素点对高斯混合模型进行更新。

进一步地，高斯混合模型检测单元82，具体包括：像素点判断模块82a，背景像素点确定模块82b，运动目标像素点确定模块82c，图像确定模块82d。

其中，像素点判断模块82a，用于判断当前帧图像中的每个像素点是否符合高斯混合模型。背景像素点确定模块82b，用于若某像素点符合高斯混合模型，则确定为背景像素点。运动目标像素点确定模块82c，用于若某像素点不符合高斯混合模型，则确定为运动目标像素点。图像确定模块82d，用于根据背景像素点和运动目标像素点确定第一运动目标二值图和当前帧背景图像。

进一步地，图像确定模块82d，具体用于：将背景像素点转换为零像素点，将运动目标像素点转换为非零像素点，将零像素点和非零像素点构成的二值图确定为第一运动目标二值图；将运动目标像素点替换为初始背景像素点，将背景像素点和初始背景像素点构成的图像确定为当前帧背景图像。

进一步地，改进五帧差分算法检测单元83，具体包括：差分运算模块83a，逻辑运算模块83b，形态学处理模块83c。

其中，差分运算模块83a，用于将当前帧图像与当前帧背景图像，除当前帧图像的其他四帧图像分别进行差分运算并进行二值化处理，以获得对应的差分二值图。逻辑运算模块83b，用于将除当前帧图像的其他四帧图像对应的差分二值图与当前帧背景图像的差分二值图进行逻辑运算，以获得逻辑运算二值图。形态学处理模块83c，用于对逻辑运算二值图进行形态学处理，以获得第二运动目标二值图。

进一步地，逻辑运算模块83b，具体包括：第一或运算子模块83b1，与运算子模块83b2，第二或运算子模块83b3。

其中，第一或运算子模块83b1，用于对除当前帧图像的其他四帧图像对应的差分二值图两两之间进行或运算，以获得第一或运算二值图和第二或运算二值图。与运算子模块83b2，用于将当前帧背景图像对应的差分二值图分别与第一或运算二值图，第二或运算二值图进行与运算，以获得第一与运算二值图和第二与运算二值图。第二或运算子模块83b3，用于将第一与运算二值图与第二与运算二值图进行或运算，以获得第三或运算二值图。其中，第三或运算二值图为逻辑运算二值图。

进一步地，第一或运算子模块83b1，具体用于将第一帧图像和第五帧图像对应的差分二值图进行或运算，以获得第一或运算二值图，并将第二帧图像和第四帧图像对应的差分二值图进行或运算，以获得第二或运算二值图。

本实施例提供的运动目标的检测装置，改进五帧差分算法检测单元采用改进的五帧差分算法根据当前帧背景图像和当前帧图像对应的五帧图像进行运动目标检测，以获得第二运动目标二值图时，差分运算模块将当前帧图像与当前帧背景图像，除当前帧图像的其他四帧图像分别进行差分运算并进行二值化处理，以获得对应的差分二值图，第一或运算子模块对除当前帧图像的其他四帧图像对应的差分二值图两两之间进行或运算，以获得第一或运算二值图和第二或运算二值图，与运算子模块将当前帧背景图像对应的差分二值图分别与第一或运算二值图，第二或运算二值图进行与运算，以获得第一与运算二值图和第二与运算二值图，第二或运算子模块将第一与运算二值图与第二与运算二值图进行或运算，以获得第三或运算二值图，形态学处理模块对第三或运算二值图进行形态学处理，以获得第二运动目标二值图，由于当前帧背景图像得到的运动目标比较准确，因此使用其与第一或运算二值图、第二或运算二值图进行与运算，滤除了第一或运算二值图和第二或运算二值图中的拖影问题，同时去除现有五帧差分算法自身存在的鬼影和光照敏感部分像素，最后对与运算的结果作或运算和形态学处理得到第二运动目标二值图，使改进的无帧差分算法检测到的运动目标更加准确。

本实施例提供的运动目标的检测装置可以执行实施例二所示方法实施例的技术方案，其实现原理类似，此处不再赘述。

实施例五

图10为本发明实施例五提供的电子设备的结构示意图，如图10所示，本实施例提供的电子装置包括：存储器1001，处理器1002以及计算机程序。

其中，计算机程序存储在存储器1001中，并被配置为由处理器1002执行以实现本发明实施例一提供的运动目标的检测方法或本发明实施例二提供的运动目标的检测方法。

相关说明可以对应参见实施例一至实施例二所对应的相关描述。

本实施例提供的电子设备，包括存储器，处理器以及计算机程序；其中，计算机程序存储在存储器中，并被配置为由处理器执行以实现如实施例一提供的运动目标的检测方法或本发明实施例二提供的运动目标的检测方法。由于使用高斯混合模型的当前帧背景图像作为改进的五帧差分算法的背景帧，对运动目标进行识别，所以提高了改进的五帧差分算法的运动目标检测的准确性，基本上消除存在的拖影问题，并且将高斯混合模型检测出的运动目标和改进的五帧差分算法检测出的运动目标进行或运算，得到两种算法检测到的所有运动目标，能够使检测出的运动目标更加丰富，具有较完整的轮廓。

实施例六

本发明实施例六提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明实施例一提供的运动目标的检测方法或本发明实施例二提供的运动目标的检测方法。

本实施例提供的计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明实施例一提供的运动目标的检测方法或本发明实施例二提供的运动目标的检测方法，由于使用高斯混合模型的当前帧背景图像作为改进的五帧差分算法的背景帧，对运动目标进行识别，所以提高了改进的五帧差分算法的运动目标检测的准确性，基本上消除存在的拖影问题，并且将高斯混合模型检测出的运动目标和改进的五帧差分算法检测出的运动目标进行或运算，得到两种算法检测到的所有运动目标，能够使检测出的运动目标更加丰富，具有较完整的轮廓。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。