一種基于背景差分和hog特征的運動目標檢測方法
【技術(shù)領域】
[0001] 本發(fā)明設及一種基于背景差分和HOG特征的運動目標檢測方法,屬于圖像處理技 術(shù)領域。
【背景技術(shù)】
[0002] 運動目標檢測技術(shù)是智能視頻分析系統(tǒng)的關鍵技術(shù)之一。常規(guī)的運動目標檢測技 術(shù)包括光流法,背景差法和帖差法。單個的光流法算法速度較慢,且對硬件的要求比較高, 將會使得系統(tǒng)的成本提高;單個的帖差法在特殊的場景下魯椿性不強,比如有陰影,有鏡面 反射的條件下,性能較差;單個的背景差法雖然具有較快的計算速度,但是它的精確度一 般,且還有很多的提升空間。
[000引 HOG化istogram of Oriented Gradient)行人檢測是由Dalai等人提出的一種基 于機器學習的靜態(tài)圖像行人檢測算法。其主要思想是利用小塊上的梯度方向直方圖來描述 圖像。通過調(diào)整特征提取時的參數(shù),HOG特征可W有效地描述人體的形狀信息,同時對局部 區(qū)域較小的平移和旋轉(zhuǎn)運動具有一定的不變性。Dalai等人提出了 HOG特征結(jié)合SVM分類 器進行行人檢測,達到了很好的檢測效果。然而,由于HOG特征提取計算復雜,使得該方法 速度很慢,很難滿足實際應用系統(tǒng)的需求。
[0004] 如公開號為CN102750532A的中國專利公開了一種"基于部件的目標檢測方法", 該方法將目標分成幾個部件來進行檢測,該樣的方法雖然在準確度上有所提高,但是在運 行速度上還是有所欠缺的。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種基于背景差分和HOG特征的目標檢測算 法,通過先進行計算量小的背景差分算法,盡量縮減HOG檢測區(qū)域,然后再對背景差法提取 到的目標前景圖像進行HOG特征檢測,從而能夠有效的并且快速的對運動目標進行檢測, 同時克服了陰影光照等外界環(huán)境引起的誤檢、漏檢或者多檢問題,具有良好的魯椿性。
[0006] 本發(fā)明為解決上述技術(shù)問題采用W下技術(shù)方案:
[0007] 本發(fā)明提供一種基于背景差分和HOG特征的運動目標檢測方法,包括W下步驟: [000引步驟1,獲取視頻,采用背景差分方法,對視頻進行背景建模,提取出目標前景圖 像;
[0009] 步驟2,對步驟1中提取出的目標前景圖像進行校正,具體為確定提取出的目標前 景圖像中每個待校正區(qū)域的位置,并計算每個待校正區(qū)域的外接矩形的大小,對每個待校 正區(qū)域進行W下處理:
[0010] 201,若某個待校正區(qū)域被另一個待校正區(qū)域的外接矩形完全包含,則將該區(qū)域加 入到另一個區(qū)域中;
[0011] 202,若某個待校正區(qū)域的外接矩形與另一個待校正區(qū)域的外接矩形相交或兩者 之間的距離小于闊值,則將兩個區(qū)域合并;
[0012] 203,將剩余的待校正區(qū)域中外接矩形面積小于設定值的區(qū)域直接過濾掉;
[0013] 204,將經(jīng)過步驟201-203后剩下的外接矩形作為運動區(qū)域;
[0014] 步驟3,在校正后的目標前景圖像中,用HOG特征描述子進行運動區(qū)域內(nèi)的目標檢 測。
[0015] 作為本發(fā)明的進一步優(yōu)化方案,步驟1中背景建模是采用自適應背景模型。
[0016] 作為本發(fā)明的進一步優(yōu)化方案,步驟3中用HOG特征描述子進行運動區(qū)域內(nèi)的目 標檢測,具體步驟如下;
[0017] 301,采用Gamma校正法對步驟2中校正后的目標前景圖像進行顏色空間的標準 化;
[001引 302,對步驟301中標準化之后的圖像進行分塊,再將每個塊進行單元劃分;
[0019] 303,計算步驟2中校正后的目標前景圖像的梯度;
[0020] 304,將步驟303中計算得到的梯度投影到單元的梯度方向,并且構(gòu)建直方圖;
[0021] 305,將所有單元在塊上進行歸一化;
[0022] 306,提取運動區(qū)域內(nèi)所有塊的HOG特征;
[0023] 307,將步驟306中提取的HOG特征輸入到SVM分類器中,尋找一個最優(yōu)超平面作 為決策函數(shù),從而完成目標檢測。
[0024] 作為本發(fā)明的進一步優(yōu)化方案,步驟202中所述闊值通過0TST動態(tài)闊值算法得 出。
[0025] 作為本發(fā)明的進一步優(yōu)化方案,通過形態(tài)學濾波對步驟1提取出的目標前景圖像 進行噪聲消除。
[0026] 本發(fā)明采用W上技術(shù)方案與現(xiàn)有技術(shù)相比,本發(fā)明檢測精確度高,漏檢率、誤檢率 大大減?。槐景l(fā)明中算法的計算量大大減小,因而檢測速度大大提高;本發(fā)明克服了陰影 光照等外界環(huán)境引起的誤檢、漏檢或者多檢問題,具有良好的魯椿性。
【附圖說明】
[0027] 圖1是本發(fā)明的方法流程圖。
【具體實施方式】
[002引下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進一步的詳細說明:
[0029] 本發(fā)明設計一種基于背景差分和HOG特征的運動目標檢測方法,如圖1所示,包括 W下步驟:
[0030] 步驟1,獲取視頻,采用背景差分方法,對視頻進行背景建模,提取出目標前景圖 像;
[0031] 步驟2,對步驟1中提取出的目標前景圖像進行校正,具體為確定提取出的目標前 景圖像中每個待校正區(qū)域的位置,并計算每個待校正區(qū)域的外接矩形的大小,對每個待校 正區(qū)域進行W下處理:
[0032] 201,若某個待校正區(qū)域被另一個待校正區(qū)域的外接矩形完全包含,則將該區(qū)域加 入到另一個區(qū)域中;
[0033] 202,若某個待校正區(qū)域的外接矩形與另一個待校正區(qū)域的外接矩形相交或兩者 之間的距離小于闊值,則將兩個區(qū)域合并;
[0034] 203,將剩余的待校正區(qū)域中外接矩形面積小于設定值的區(qū)域直接過濾掉;
[0035] 204,將經(jīng)過步驟201-203后剩下的外接矩形作為運動區(qū)域;
[0036] 步驟3,在校正后的目標前景圖像中,用HOG特征描述子進行運動區(qū)域內(nèi)的目標檢 巧。,具體為:
[0037] 301,采用Gamma校正法對步驟2中校正后的目標前景圖像進行顏色空間的標準 化;
[003引 302,對步驟301中標準化之后的圖像進行分塊,再將每個塊進行單元劃分;
[0039] 303,計算步驟2中校正后的目標前景圖像的梯度;
[0040] 304,將步驟303中計算得到的梯度投影到單元的梯度方向,并且構(gòu)建直方圖;
[0041] 305,將所有單元在塊上進行歸一化;
[0042] 306,提取運動區(qū)域內(nèi)所有塊的HOG特征;
[0043] 307,將步驟306中提取的HOG特征輸入到SVM分類器中,尋找一個最優(yōu)超平面作 為決策函數(shù),從而完成目標檢測。
[0044] 下面通過具體實施例對本發(fā)明的技術(shù)方案作進一步闡述:
[0045] 假設I和B分別表示視頻帖和背景圖像,It (X,y)和Bt (X,y)分別表示t時刻時當 前視頻帖和背景圖像中位置(x,y)處的像素亮度,則滿足W下公式的像素點被認為是前景 占. y ?、、 ?
[0046]
【主權(quán)項】
1. 一種基于背景差分和HOG特征的運動目標檢測方法,其特征在于,包括W下步驟: 步驟1,獲取視頻,采用背景差分方法,對視頻進行背景建模,提取出目標前景圖像; 步驟2,對步驟1中提取出的目標前景圖像進行校正,具體為確定提取出的目標前景圖 像中每個待校正區(qū)域的位置,并計算每個待校正區(qū)域的外接矩形的大小,對每個待校正區(qū) 域進行W下處理: 201,若某個待校正區(qū)域被另一個待校正區(qū)域的外接矩形完全包含,則將該區(qū)域加入到 另一個區(qū)域中; 202, 若某個待校正區(qū)域的外接矩形與另一個待校正區(qū)域的外接矩形相交或兩者之間 的距離小于闊值,則將兩個區(qū)域合并; 203, 將剩余的待校正區(qū)域中外接矩形面積小于設定值的區(qū)域直接過濾掉; 204, 將經(jīng)過步驟201-203后剩下的外接矩形作為運動區(qū)域; 步驟3,在校正后的目標前景圖像中,用HOG特征描述子進行運動區(qū)域內(nèi)的目標檢測。
2. 根據(jù)權(quán)利要求1所述的一種基于背景差分和HOG特征的運動目標檢測方法,其特征 在于,步驟1中背景建模是采用自適應背景模型。
3. 根據(jù)權(quán)利要求1所述的一種基于背景差分和HOG特征的運動目標檢測方法,其特征 在于,步驟3中用HOG特征描述子進行運動區(qū)域內(nèi)的目標檢測,具體步驟如下: 301,采用Gamma校正法對步驟2中校正后的目標前景圖像進行顏色空間的標準化; 302, 對步驟301中標準化之后的圖像進行分塊,再將每個塊進行單元劃分; 303, 計算步驟2中校正后的目標前景圖像的梯度; 304, 將步驟303中計算得到的梯度投影到單元的梯度方向,并且構(gòu)建直方圖; 305, 將所有單元在塊上進行歸一化; 306, 提取運動區(qū)域內(nèi)所有塊的HOG特征; 307, 將步驟306中提取的HOG特征輸入到SVM分類器中,尋找一個最優(yōu)超平面作為決 策函數(shù),從而完成目標檢測。
4. 根據(jù)權(quán)利要求3所述的一種基于背景差分和HOG特征的運動目標檢測方法,其特征 在于,步驟202中所述闊值通過0TST動態(tài)闊值算法得出。
5. 根據(jù)權(quán)利要求4所述的一種基于背景差分和HOG特征的運動目標檢測方法,其特征 在于,通過形態(tài)學濾波對步驟1提取出的目標前景圖像進行噪聲消除。
【專利摘要】本發(fā)明公開了一種基于背景差分和HOG特征的運動目標檢測方法。該方法通過先進行計算量小的背景差分算法,盡量縮減HOG檢測區(qū)域,然后再對背景差法提取到的目標前景圖像進行HOG特征檢測,從而能夠有效的并且快速的對運動目標進行檢測,同時克服了陰影光照等外界環(huán)境引起的誤檢、漏檢或者多檢問題,具有良好的魯棒性。
【IPC分類】G06T7-20
【公開號】CN104537688
【申請?zhí)枴緾N201410818244
【發(fā)明人】韓光, 顧靜, 李曉飛, 吳鵬飛
【申請人】南京郵電大學
【公開日】2015年4月22日
【申請日】2014年12月24日