视频中运动物体的检测方法
【专利摘要】本发明涉及视频中运动物体的检测方法，该方法首先建立初始图像，初始图像有多个像素点，每个像素点对应一个单词本，每个单词本中含有多个单词；每个单词包括五个像素特征；然后获取视频，用视频第一帧图像中像素点的像素特征替换初始图像一个单词本中随机选取的一个单词的像素特征，该单词本中其他单词的像素特征赋特定值；然后从视频第2帧图像开始，将每帧图像中的对应的像素点对应地与初始图像中的像素点进行比较，求出相似度，当相似度满足要求则将该幅图像拷贝并将对应的像素点涂白，否则涂黑，每帧图像处理后都将初始图像更新，当视频所有帧图像都处理后，最后输出黑白色图像，其中白色部分即为视频中的运动物体。该方法运算速度快，检测结果的鲁棒性更高。
【专利说明】视频中运动物体的检测方法
【技术领域】
[0001]本发明属于图像处理和识别【技术领域】，具体涉及视频中运动物体的检测方法。
【背景技术】
[0002]运动检测通常作为计算机视觉处理的第一个，其准确和实时性很受重视。近年来很多运动检测的方法被提出，比较经典的有如下几种。I)高斯混合模型检测算法，最初始的高斯模型利用一个高斯函数去描述背景，适用于室内简单的场景，但是室外的复杂场景往往是不符合高斯分布的，因此单高斯模型对于室外场景检测效果很差。混合高斯模型在单高斯模型的基础上，使用多个高斯函数而不是一个高斯函数去描述背景，让室外的运动的检测得到改观。2)核密度估计方法，利用一个核密度函数描述重复运动的背景。该算法最大的优点是不需要设置参数，对于一些重复运动的物体，例如电梯的检测效果很好。算法使用核密度函数去描述背景，并不停的修正核函数，最后使得算法效果越来越好。3) Vibe检测方法，使用采样的方法对每一个像素建立一个样本集合，并使用该样本集合去描述背景。Vibe检测方法是目前一种非常流行的算法，以其运算量小和对内存占用低被广泛使用在各个领域。算法核心 思想是使用随机更新的方法去确保背景的平滑更新，但是原始的Vibe检测方法是针对灰度图和RGB图像的，因此对阴影的处理效果不好。4) CodeBook检测方法(单词本检测法)，利用主成分分析的思想，使用单词本曲描述背景。Vibe检测方法的思想来源于LZW压缩算法(LZW是指作者Lempel-Ziv-Welch Encoding提出的一种检测算法)，利用“单词本”去记录背景中出现的各种可能的“单词”，优点是对于有规律的动态背景效果很好，缺点是对光线的变化很敏感，而且需要很多帧的图像去训练，检测速度慢，而且鲁棒性差。
【发明内容】
[0003]针对现有技术存在的上述问题，本发明的目的是提供一种视频中运动物体的检测方法，该方法，将视频中的运动物体和非运动物体分别涂成白色和黑色，然后输出一副黑白图像。
[0004]为实现上述目的，本发明采用如下技术方案:视频中运动物体的检测方法，具体包括如下步骤:
[0005]步骤a:
[0006]al:建立初始图像，设初始图像共有Z个像素点，像素点Ej, I ^ j ^ Z对应一个单词本Cj,单词本Cj中有L个单词，Cj = (Cj1, Cj2,..., cJX,..., CjJ , I≤λ≤L,单词Cp由
维数相等的表示像素特征向量的Λ》,λ、表示方差向量的和表示计数器向量的构成，
cJA = 'I' ^jA }；
[0007]所述矹2，^ green^ /λ，^ hhtt\ (λ , ^textmw I，其中 Vgray, j λ，^red, j λ，VgreelljjAi VbluejjA和vtexturyA为像素特征向量的Λ?#的向量元，分别表示初始图像中像素点Ej经RGB转灰度图的方法后，像素点对应的单词本单词Cp的灰度值，红色分量的特征值，绿色分量的特征值，蓝色分量的特征值和纹理特征值；
[0008]所述
【权利要求】
1.视频中运动物体的检测方法，其特征在于具体包括如下步骤: 步骤a:al:建立初始图像，设初始图像共有Z个像素点，像素点Ep I ^ j ^ Z对应一个单词本C」，单词本Cj中有L个单词，Cj = (Cji, Cj2,...，Cjλ,...，CjJ , I≤λ≤L,单词cjA由维数相等的表示像素特征向量的^^、表示方差向量的5^和表示计数器向量的#P构成，所述 j/ — gray,JA 5 ^teJ JA i ^greenJA * ^hlue.jA "* ^lexntreJA I ’ 其中 Vgray，j λ，vred, j λ，v green, j λ，Vbiuej JA和VtraitureUA为像素特征向量的的向量元,分别表示初始图像中像素点Ej经RGB转灰度图的方法后，像素点Ej对应的单词本单词Cp的灰度值，红色分量的特征值，绿色分量的特征值，蓝色分量的特征值和纹理特征值；所述 Sja = {mgiWtM?Mmdji，Mgfmtjx，Mbhmjl，Wltextumjl} ? 其中 mgray, Jλ，mred, JA,mgreen,jA,mblue；JA)mtexture；JX为方差向量的I#的向量元,分别表示像素点Ej对应的单词本单词Cja的像素特征向量中向量元vgMy，jX对应的方差值，向量元VratuA对应的方差值，向量元对应的方差值，向量元Vblue，jA对应的方差值和向量元对应的方差值；所述 Wpr — {^grey ,/2，^mdJA，^gmmJA，嘗MmJl,，texture,,其中 wgray，j λ，Wred, j λ , Wgreen,jA, Wblue；J λ, Wtexture； JA为计数器向量的向量元，分别表示像素点Ej对应的单词本单词Cja的像素特征向量Μ#中向量元Vgray，jA对应的计数值，向量元VraUA对应的计数值，量元Vgreen；Jx对应的计数值，向量元Vblm，jA对应的计数值和向量元对应的计数值；a2:对初始图像中所有像素点对应的单词本中的单词的向量元设置初始值:a21:获取视频，所述视频共有Q帧图像，每帧图像中像素点的数量相同都为H，HSZ，视频的第一帧图像中的像素点1，ξ ^H,像素点Βξ由维数相等的表示像素特征向量的、表示方差向量的焉和表示计数器向量的K构成，Bt；所述 M々—{，VlvJ s| 5 ^greeti^，~ΜνΜ,ξ "> ^Μχηα'?,ξ I" r 其中 Vgray, ξ，Vred, ξ，Vgreen, ξ，Vblue, ξ和VtextuieJ为像素特征向量的啲向量元，分别表示第一帧图像中的像素点Βξ经RGB转灰度图的方法后，像素点Βξ的灰度值，红色分量的特征值，绿色分量的特征值，蓝色分量的特征值和纹理特征值； 所述 ^ = {rn^-4, 4, mrn^4, ,> ,其中屺“…fflgreen^.niblue, ξ和mtexture，ξ为方差向量的If的向量元，分别表示第一帧图像中的像素点B ξ的像素特征向量化中向量元Vgray，ξ对应的方差值，向量元V1^ ξ对应的方差值，向量元Vg_，ξ对应的方差值，向量元Vb一 ξ对应的方差值和向量元Vt6xtur6，ξ对应的方差值；所沐
【文档编号】G06T7/20GK103971385SQ201410228074
【公开日】2014年8月6日 申请日期:2014年5月27日 优先权日:2014年5月27日
【发明者】张小洪, 赵晨丘, 李飞, 蒲薇榄, 洪明坚, 徐玲, 杨梦宁, 葛永新 申请人:重庆大学