本發(fā)明涉及計算機視覺領(lǐng)域中的運動目標檢測與方向分析，尤其對彌散性運動物體方向檢測具有良好的效果。
背景技術(shù)：
：圖像運動目標的檢測及處理是計算機視覺中的一個重要的研究內(nèi)容，蘊含著運動物體的整個運動過程的信息所產(chǎn)生的圖像序列能為運動目標的檢測提供許多豐富的資料，使運動目標的檢測成為可能。對于整個計算機視覺學科來說這是一個非常重要且應用范圍很廣的研究對象。整個運動目標檢測的實現(xiàn)過程是：從攝像頭獲取圖像序列，將其進行平滑去噪、顏色空間轉(zhuǎn)換、圖像形態(tài)學處理等一系列圖像處理，利用圖像系列幀所蘊含的信息，運用混合高斯背景建模的方法建立一個背景模型，將圖像序列中的每一幀圖像都與這個背景圖做差分，從而得到差分圖像，最后對差分圖像進行二值化處理，得到蘊含運動目標信息的二值圖像，最終完成運動目標的檢測。而運動目標的檢測又是運動目標跟蹤，分類識別，方向判斷等一系列后續(xù)處理的基礎(chǔ)，運動目標的漏檢或誤檢將造成這些后續(xù)處理的準確性。針對運動目標的檢測，國內(nèi)外的很多學者對此提出了多種方法，目前流行的主要有一下三種：光流法、幀差法和背景減除法。在有些場合由于需要檢測目標的運動方向,判斷是進入檢測區(qū)域或是離開檢測區(qū)域,因此需要設(shè)定警戒線.運動方向的判斷一般通過檢測目標的運動方向來判斷.也就是運用運動估計的思想.根據(jù)傳統(tǒng)估算方法,需要對圖像中的每一個象素進行計算,算出圖像每一點的運動場,然后得到整幅圖像的運動場,這樣算法,計算量相當大,無法實時完成。技術(shù)實現(xiàn)要素：本發(fā)明提出一種計算簡單可以快速檢測彌散性物體運動方向的方法。本發(fā)明的技術(shù)方案如下：一種基于視頻圖像的彌散性運動物體的方向檢測方法，包括下列的步驟：1)首先進行視頻圖像的灰度化處理，將彩色圖像轉(zhuǎn)化為灰度圖像。2)采用背景建模的方法提取視頻圖像的前景圖像。3)對前景圖像進行二值化處理以及形態(tài)學濾波，再通過對濾波后的二值圖像進行輪廓的查找，然后將此輪廓存儲在一個序列中，根據(jù)序列中元素間的距離對輪廓進行拆分從而將輪廓分成幾類，最后將相同類型的輪廓類型用外接矩形框出。4)對于步驟3)中得到每個零散的外接矩形，進行距離的判斷，當兩外接矩形的距離小于一定值時，則將兩外接矩形合并成一個矩形，若合并后的矩形面積小于一定閾值時，即排除該矩形，得到合并后的外接矩形區(qū)域。5)對前后兩幀中合并后的外接矩形區(qū)域的特征點進行跟蹤，計算稠密光流，得到疑似運動目標的外接矩形區(qū)域中每個像素點光流場。6)由步驟5)得到疑似運動目標的外接矩形區(qū)域中每個像素點光流場，對比前后兩幀中同一像素點的運動偏移量，剔除運動偏移量小于2的像素點之后，對比保留下來的像素點數(shù)占原有像素點的比例，若比例大于60％，則判斷矩形區(qū)域符合疑似運動區(qū)域，若小于60％，則排除該矩形區(qū)域。7)對保留下的像素點，計算其平均運動偏移量，即得到該疑似運動區(qū)域中的物體前后兩幀移動的平均距離，當移動的平均距離小于4個像素點時則排除此疑似運動區(qū)域，否則此疑似運動區(qū)域，延長其平均移動矢量與矩形交點，即可得到物體的運動方向。附圖說明附圖為使用本發(fā)明算法得到的檢測結(jié)果：圖1為運動區(qū)域的提??；圖2為對運動區(qū)域進行光流法，并使用平均偏移量和Mean-Shift算法處理后得到的光流場。圖3為運動方向檢測的結(jié)果圖。具體實施方式本發(fā)明的基于視頻圖像的彌散性運動物體的方向檢測方法，技術(shù)方案如下：1)首先進行圖像的灰度化處理，將彩色圖像轉(zhuǎn)化為灰度圖像。彩色圖像的每個像素點擁有R、G、B三個分量，每個分量的取值范圍為0到255，因此每個分量擁有1600萬(256*256*256)情況。相比之下，灰度圖像的R、G、B三個分量的值相同，因而只有256種情況。灰度圖形具有圖像數(shù)據(jù)小，處理效率高，降低算法時間的復雜度等特點。2)利用運動目標檢測的方法提取彌散性運動物體的前景圖像，本發(fā)明采用背景建模的方法提取前景圖像。3)對前景圖像進行二值化處理以及形態(tài)學濾波，再通過對濾波后的二值圖像進行輪廓(該輪廓包圍二值化圖像)的查找，然后將此輪廓存儲在一個序列中，根據(jù)序列中元素間的距離對輪廓進行拆分從而將輪廓分成幾類，最后將相同類型的輪廓類型用外接矩形框出，即得每個輪廓的外接矩形。此時得到的外接矩形較為離散，由于彌散性運動物體運動較慢，并且運動具有飄動性，通常將一個運動物體分割成多個小矩形。4)步驟3)中得到每個零散的外接矩形，對每外接矩形進行距離的判斷，當兩外接矩形的距離小于一定值時，則將兩外接矩形合并成一個矩形。對合并后的矩形有一定的面積要求，當矩形面積小于一定閾值時，即排除該矩形。例如，通常所得到的視頻包含時間，顯示時間字體的跳動也會被檢測出來，通過一定的面積設(shè)定，則可以排除字體跳動等帶來的影響。5)利用運動目標檢測的算法可以得到運動的矩形區(qū)域，并對前后兩幀中同一矩形區(qū)域的特征點進行跟蹤，得其運動偏移量，即在所得到的矩形中用calcOpticalFlowFarneback的算法計算稠密光流(即圖像上所有像素點的光流都計算出來)，由此得到矩形區(qū)域中每個像素點的光流場。6)有步驟5)得到矩形區(qū)域中每個像素點光流場，對比前后兩幀中同一像素點的運動偏移量，當該像素點的運動偏移小于2個像素時，則剔除該像素點，若大于2像素點的距離則保留。對比保留下來的像素點數(shù)占原有像素點的比例，若比例大于60％，則矩形區(qū)域符合疑似運動區(qū)域，若小于60％，則排除該矩形區(qū)域。7)對保留下的像素點，計算其平均偏移量，即可得到該矩形區(qū)域中的物體前后兩幀移動的平均距離。當移動的平均距離小于4個像素點時則排除該矩形區(qū)域。延長該平均移動矢量與矩形交點，即可得到該矩形區(qū)域中物體的運動方向。以下結(jié)合實施例說明檢測彌漫性運動物體方向的具體實施步驟：1.圖像的灰度化將彩色圖像轉(zhuǎn)化成灰度圖像的方法有：a)取RGB分量的平均值GRAY=R+G+B3]]>b)取RGB分量中數(shù)值最大的值作為灰度值。GRAY＝Max(R,G,B)C)對RGB分量取加權(quán)平均，得到灰度值。GRAY＝ωrR+ωgG+ωbB2.運動前景的提取方法中運動前景的提取采用背景均值減除法。假設(shè)fk(i，j)代表視頻序列第k幀的灰度值，Bk(i，j)代表視頻序列第k幀的灰度值，Dk(i，j)代表差值：Dk(i，j)＝|fk(i，j)-Bk(i，j)|其中，(i,j)代表圖像中的坐標位置，對于前景和背景的差值，選定一個合適的閾值T來判斷該點是前景還是背景，若該差值大于閾值T，則判斷該點為前景像素，否者判定為背景像素點。用Rk(i，j)表示運動區(qū)域的像素點，則：Rk(i,j)=1Dk(i,j)≥T0Dk(i,j)<T]]>背景均值減除法的原理是：比較fk(i，j)的灰度值和Bk(i，j)的大小，若fk(i，j)的值大于Bk(i，j)，則更新下一幀的背景模型在該點出的灰度值，即將該像素點的灰度值加1；若fk(i，j)的值小于Bk(i，j)，則更新下一幀的背景模型在該點出的灰度值，即將該像素點的灰度值減1；若fk(i，j)的值等于Bk(i，j)，則更新下一幀的背景模型在該點出的灰度值不變。用公式表示為：Bk+1(i,j)=Bk(i,j)+1iffk(i,j)>Bk(i,j)Bk(i,j)-1iffk(i,j)<Bk(i,j)Bk(i,j)iffk(i,j)=Bk(i,j)]]>上式中，Bk+1(i，j)代表下一幀的背景模型在該像素點出的灰度值，Bk(i,j)=1nΣt=0t=n-1fk-t-1(i,j)]]>3.對運動像素進行連通域提取通過對得到的運動前景進行形態(tài)學濾波，去除一些小的干擾。再使用膨脹算法，使緊鄰的區(qū)域融合在一起。最后利用freeman鏈碼的方式描述檢測出的各個前景區(qū)域的輪廓。4.運動區(qū)域的分類與合并由于各種因素的影響，一個運動物體往往被分成幾塊，這就需要對這些區(qū)域進行合并。對前景圖像進行二值化，再通過對濾波后的二值圖像進行輪廓(該輪廓包圍二值化圖像)的查找，然后將此輪廓存儲在一個序列中，根據(jù)序列中元素間的距離對輪廓進行拆分從而將輪廓分成幾類，最后將相同類型的輪廓類型用外接矩形框出，即得到運動區(qū)域。本方法處理的是CIF格式的視頻(352*288)，所以當兩矩形的距離小于40時，則將兩矩形合并成一個矩形。5.運動方向檢測第一步：對上面得到的矩形區(qū)域，對前后兩幀在所得到的矩形區(qū)域中用calcOpticalFlowFarneback的算法計算稠密光流，得到矩形區(qū)域中關(guān)于每個像素點光流場，即位移矢量。用GunnarFarneback的算法計算稠密光流(即圖像上所有像素點的光流都計算出來)，它的相關(guān)論文是："Two-FrameMotionEstimationBasedonPolynomialExpansion"第二步：由于光流法對光照等因素比較敏感，以及其他因素對所得到的光流場將會產(chǎn)生影響，這就需要對所得到的光流場進行處理。本發(fā)明方法中采用平均偏移量：利用運動分割算法獲取可疑運動目標，并對前后兩幀運動目標的特征點進行跟蹤，得其運動偏移量。假定某一區(qū)域內(nèi)有n個特征點，第i個特征點前后兩幀的坐標分別為(xi，yi)、(x′i，y′i)。偏移量為Li，則判斷Li的大小，當Li小于2個像素點距離時則剔除該像素點；當Li大于2個像素點距離時則保留該像素點。第三步：對第二步所保留下的像素點點采用Mean-Shift算法，Mean-Shift是一種非參數(shù)化的多模型分割方法，它的基本計算模塊采用的是傳統(tǒng)的模式識別程序，即通過分析圖像的特征空間和聚類的方法來達到分割的目的。它是通過直接估計特征空間概率密度函數(shù)的局部極大值來獲得未知類別的密度模式，并確定這個模式的位置，然后使之聚類到和這個模式有關(guān)的類別當中。使用Mean-Shift算法對第二步所保留下的每個像素點光流場進行處理，可以得到收斂到概率密度最大的地方，保留離概率密度最大的地方近的點，從而進一步剔除比較邊緣的點。第四步：設(shè)矩形區(qū)域中滿足平均偏移量和Mean-Shift算法的像素點有k個，設(shè)前后兩幀中k個點坐標的均值為x‾i=1kΣi=0kxi,y‾=1kΣi=0kyi]]>x‾i′=1kΣi=0kxi′,y‾i′=1kΣi=0kyi′]]>由可計算出延長兩點可得到與矩形的交點A和B分別代表運動方向的終點和起點，從而得到運動方向。當前第1頁1 2 3