基于改进ViBe算法的运动目标提取方法

技术领域

本发明涉及一种基于改进ViBe算法的动态目标提取方法，属于目标检测技术领域。

背景技术

运动前景检测，即基于视频的运动目标提取，通过图像分割的方法，将运动目标提取出来，以进行后续进一步的处理。前景检测方法主要有帧差法、背景差法和光流法。帧差法是对相邻帧的图像进行差分，然后对其进行二值化处理来得到运动前景区域；背景差法是把当前帧的图像和背景图像相减，再二值化提取运动区域；光流法是利用图像序列的光流信息，合并相似的运动矢量完成运动目标的检测。帧差法实现起来比较容易，算法的时间和空间复杂度都低，而且对动态环境的自适应性强，对光照的变化不敏感。但是，如果运动区域的内部灰度值相似，会产生“空洞”问题。其次，如果做差后的图像中目标的边缘轮廓较粗，会发生“双影”现象，则提取的运动区域不完整。背景差法实现起来也很容易，抑制了光线的干扰。但是，背景差法要求视频的背景是静止的。光流法能够适用于摄像头不静止的场景。然而，这个方法计算过程复杂，实时性不好。除此之外，光流法容易受到光线变化的影响，以至于运动前景提取效果降低。

O.Barnich等人提出的ViBe算法能够克服上述的部分缺点，但是还存在一些缺陷，比如漏检、残影和鬼影等问题。在阳光的照射下，动态目标会产生运动的阴影。通过ViBe算法直接提取运动前景，会将运动的阴影也会提取出来，给后续的处理添加麻。除此之外，通过ViBe算法得到的烟雾区域不能准确描述烟雾的轮廓，且烟雾区域内部存在缺失。

发明内容

为解决上述问题，本发明提供一种基于改进ViBe算法的动态目标提取方法，该方法检测性能较高，并且能克服动态阴影、提取的动态区域不完整等缺陷，具有一定的鲁棒性。

为了达到上述目的，本发明提供如下技术方案：

一种基于改进ViBe算法的动态目标提取方法，包括以下步骤：

步骤1：对采集的视频图像进行预处理；

步骤2：采用ViBe算法对运动目标进行预提取；

步骤3：采用基于图像颜色特征与图像区域匹配方法去除动态前景中的阴影；

步骤4：采用基于改进Canny算子和形态学方法提取动态前景中的运动目标。

进一步的，所述步骤1包括如下过程：图像增强、图像修复和图像滤波。

进一步的，所述步骤2具体包括以下步骤：

步骤2.1：初始化单帧图像中每个像素点的背景模型，随机抽样某个像素点的邻域的N个像素点，组成t＝0时的像素模型

步骤2.2：对后面的每一帧进行前景分割操作，当t＝k时，将此帧图像的像素点的模型P

步骤2.3：采用时间取样更新策略更新背景模型。

进一步的，所述步骤2.3中，假设像素点p(x,y)为步骤2.2确定的背景点，则该点以及该点的k领域内的像素点在下一帧图像中将有

进一步的，所述步骤3具体包括以下步骤：

步骤3.1：基于经典的mean shift算法对图像进行分割，每个区域标记为S

步骤3.2：将原始的图像从RGB颜色空间转换到YUV颜色空间上，当某个像素点在YUV空间的Y通道上的值小于整张图片的Y通道的平均值的60％时，直接确定这个像素点在阴影之中；当某个区域S

其中，

步骤3.3：对图像每个区域的梯度值计算直方图，同时计算两个区域直方图的曼哈顿距离d

D(S

假设S

进一步的，所述步骤4具体包括以下步骤：

步骤4.1：融合最大类间方差法，对原始的Canny算子的高、低阈值进行自适应的调整，使得Canny算子能够根据图像本身的特征来选择最优的阈值；

步骤4.2：通过形态学处理方法对动态前景进行进一步的处理，先进行腐蚀操作，然后进行膨胀操作，去除干扰噪声，同时弥补动态前景的空洞区域。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明对采集的视频图像进行预处理，消除了许多噪声，修复了坏点，且提高了图像的清晰度，从而提高了运动目标提取的准确度；采用基于图像颜色特征与图像区域匹配方法抑制动态阴影干扰；采用基于改进Canny算子和形态学方法改善动态目标提取不完整问题。

2.本发明能够用于解决ViBe算法动态目标提取中存在的动态阴影干扰和目标提取不完整的问题，提高了动态目标提取的准确度，有利于对运动目标进行识别与跟踪。

附图说明

图1是本发明提供的基于改进ViBe算法的运动目标提取方法的整体流程图；

图2是一帧含有运动目标的视频图像；

图3是原始的ViBe算法提取的动态前景区域；

图4是经过阴影去除后的动态前景区域；

图5是动态目标提取不完整的示意图；

图6是基于改进Canny算子和形态学方法后的动态前景区域。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明提供的基于改进ViBe算法的动态目标提取方法，其整体流程如图1所示，具体包括如下步骤：

步骤1：图2为一帧含有运动目标的图像，本步骤对图2进行预处理，包括图像增强、图像修复、图像滤波，具体步骤如下：

步骤1.1：图像增强，提高原始视频图像的分辨率；

步骤1.2：图像修复，采用传统的Telea法进行修复，去除图像的部分瑕疵，修复视频图像的坏点划痕；

步骤1.3：图像滤波，对视频图像进行去噪处理，使用中值滤波方法去除视频图像中的椒盐噪声；

步骤2：采用ViBe算法对运动目标进行预提取，具体步骤如下：

步骤2.1：初始化单帧图像中每个像素点的背景模型。随机抽样某个像素点的邻域的N个像素点，组成t＝0时的像素模型

步骤2.2：对后面的每一帧进行前景分割操作。当t＝k时，将此帧图像的像素点的模型P

步骤2.3：背景模型更新采用时间取样更新策略，假设像素点p(x,y)为步骤2.2确定的背景点，那该点以及该点的k领域内的像素点在下一帧图像中将有

本步骤提取出的动态前景区域如图3所示。

步骤3：采用基于图像颜色特征与图像区域匹配方法抑制动态阴影干扰，包括以下步骤：

步骤3.1：基于经典的mean shift算法对图像进行分割，每个区域标记为S

步骤3.2：将原始的图像从RGB颜色空间转换到YUV颜色空间上。当某个像素点在YUV空间的Y通道上的值小于整张图片的Y通道的平均值的60％时，可以直接确定这个像素点在阴影之中。当某个区域S

其中，

步骤3.3：对图像每个区域的梯度值计算直方图，同时计算两个区域直方图的曼哈顿距离d

D(S

假设S

经本步骤去除阴影后的动态前景区域如图4所示。

步骤4：采用基于改进Canny算子和形态学方法提取动态前景中的运动目标，改善动态目标提取不完整问题，具体包括以下步骤：

步骤4.1：融合最大类间方差法，对原始的Canny算子的高、低阈值进行自适应的调整，使得Canny算子能够根据图像本身的特征来选择最优的阈值，更准确地得到运动目标的边缘，算法的自适应性也变得更好。

步骤4.2：通过形态学处理方法对动态前景进行进一步的处理，先进行腐蚀操作，然后进行膨胀操作，对干扰噪声进行去除，同时弥补动态前景的空洞区域。

动态目标提取不完整的示意图如图5所示，经本步骤4改善后的动态前景区域如图6所示。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。