一种针对复杂运动图像的检测处理方法及系统

技术领域

本发明涉及图像检测处理技术领域，尤其涉及一种针对复杂运动图像的检测处理方法及系统。

背景技术

复杂条件下的运动目标检测一直是视频监控图像处理和理解领域的难点，也日益成为视频监控图像处理系统实用性和可靠性的严重障碍。由于各种视频监控图像应用的场合不尽相同，运动目标所处的环境和背景千变万化，这对运动目标检测方法的适应性和稳健性提出了更高的要求。但是从目前的条件和技术水平来说，建立抗干扰性强、能适应各种场合各种条件的、稳健的运动目标检测方法非常困难。目前已出现了很多在特定条件下具有良好性能的运动目标检测和跟踪的方法。针对不同的应用场合的检测方法，其可靠性和稳定性较易实现，然而如何提高检测方法对于复杂条件的适应性和鲁棒性是一个充满挑战的课题。

在实现本发明技术方案的过程中，发现现有技术在目标检测过程中，由于受到噪声、多光源、阴影、透明性和遮挡性等多种原因的影响，只用单一的目标检测技术非常难以完成复杂场景中的目标检测任务。

因此，提出一种针对复杂运动图像的检测处理方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种针对复杂运动图像的检测处理方法及系统，在复杂条件下的适应性强、鲁棒性强，有效降低特征匹配的计算复杂度。

为了实现上述目的，本发明采用如下技术方案：

一种针对复杂运动图像的检测处理方法，包括以下步骤：

S1.获取图像：获取待检测的复杂运动图像；

S2.图像分块：将获取的复杂运动图像分为L*S块，L、S为正整数；

S3.求特征点：对每个图像分块，求取TOP M个特征点，其中

S4.特征点匹配：针对每个所求取的特征点对应的描述子，基于暴力算法，依次与其他待检测的图像中的其他特征点对应的描述子进行一一配对，得到互相匹配的特征点集合；

S5.检测结果：采用混合高斯模型对特征点集合进行前景检测，获得前景检测结果，通过光流计算得到检测结果。

上述的方法，可选的，S3中求取TOP M个特征点的具体内容为：基于特征点算法求取TOP M个特征点。

上述的方法，可选的，S4中描述子为二元鲁棒独立基本特征描述子。

上述的方法，可选的，S4中其他特征点为，其他待检测的图像中部分区域内的特征点；

所述部分区域在其他待检测的图像中的相对位置与所求取的特征点及其相邻的特征点在其对应的图像中的相对位置一致。

上述的方法，可选的，S5中混合高斯模型的计算公式为：

其中，k表示高斯核，t表示时间，X

一种针对复杂运动图像的检测处理系统，应用上述任一项的一种针对复杂运动图像的检测处理方法，包括：获取图像模块、图像分块模块、求特征点模块、特征点匹配模块、检测结果模块；

获取图像模块，与图像分块模块的输入端连接，用于获取待检测的复杂运动图像；

图像分块模块，与求特征点模块的输入端连接，用于将获取的复杂运动图像分为L*S块，L、S为正整数；

求特征点模块，与特征点匹配模块的输入端连接，用于对每个图像分块，求取TOPM个特征点；

特征点匹配模块，与检测结果模块输入端连接，用于针对每个所求取的特征点对应的描述子，基于暴力算法，依次与其他待检测的图像中的其他特征点对应的描述子进行一一配对，得到互相匹配的特征点集合；

检测结果模块，用于采用混合高斯模型对特征点集合进行前景检测，获得前景检测结果，通过光流计算得到检测结果。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种针对复杂运动图像的检测处理方法及系统，具有以下有益效果：

(1)在复杂条件下的适应性强、鲁棒性强；

(2)采用的混合高斯模型与光流计算相结合的方式，具有较为理想的检测结果；

(3)相对其他前景目标检测方案更合理，效果更佳；

(4)有效降低特征匹配的计算复杂度，处理速度快，支持实时处理拍摄图像。

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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种针对复杂运动图像的检测处理方法流程图；

图2为本发明提供的一种特征点和部分区域在图像分块中的位置示意图；

图3为本发明提供的一种针对复杂运动图像的检测处理系统框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1所示，本发明公开了一种针对复杂运动图像的检测处理方法，包括以下步骤：

S1.获取图像：获取待检测的复杂运动图像；

S2.图像分块：将获取的复杂运动图像分为L*S块，L、S为正整数；

S3.求特征点：对每个图像分块，求取TOP M个特征点，其中

S4.特征点匹配：针对每个所求取的特征点对应的描述子，基于暴力算法，依次与其他待检测的图像中的其他特征点对应的描述子进行一一配对，得到互相匹配的特征点集合；

S5.检测结果：采用混合高斯模型对特征点集合进行前景检测，获得前景检测结果，通过光流计算得到检测结果。

进一步的，S3中求取TOP M个特征点的具体内容为：基于特征点算法求取TOP M个特征点。

具体的，对于特征检测的效果而言，特征点的分布及其重要。过于集中的特征点分布，容易带来后续单应矩阵求解的病态解，使匹配有较大误差。虽然加速分段测试提取特征(Features from Accelerated SegmentTest，FAST)算法中有局部非最大值抑制(Non-Maximum Suppression)来去除连续的特征点，但是仍然不能解决特征点在图像中某一区域分布过于集中的问题。针对上述问题，可以针对每个图像分块，均提取固定数量的特征点，使得特征点在整幅图像中均匀分布，从而避免特征点过于集中导致的后续单应矩阵求解的病态解带来的匹配误差。可以基于特征点算法提取Top M个特征点。特征点算法可以为哈里斯(Harris)算法、尺度不变特征转换(Scale-invariant feature transform，SIFT)算法、加速鲁棒特征(Speeded Up Robust Features，SURF)算法和FAST算法中的任意一种。

进一步的，S4中描述子为二元鲁棒独立基本特征描述子。

进一步的，S4中其他特征点为，其他待检测的图像中部分区域内的特征点；

所述部分区域在其他待检测的图像中的相对位置与所求取的特征点及其相邻的特征点在其对应的图像中的相对位置一致。

具体的，描述子是对特征点周围区域的一种描述，可以选择二元鲁棒独立基本特征(Binary Robust Independent Elementary Features，BRIEF)快速描述子。由于相邻图像之间的相对位移较小，为了降低计算复杂度，针对每个所求取的特征点对应的描述子，可以仅选择与其他待检测的图像中部分区域内的其他特征点对应的描述子进行一一配对，而不需要与其他待检测的图像中的所有其他特征点对应的描述子进行一一配对。

具体的，部分区域在其他待检测的图像中的相对位置与所求取的特征点及其相邻的特征点在其对应的图像中的相对位置一致，提供了一种特征点和部分区域在图像分块中的位置示意图，如图2所示。

参见图2，所求取的特征点为211，对应图像分块21，部分区域为221，对应图像分块22，图像分块21和图像分块22属于不同的相邻图像。部分区域221在图像分块22中的相对位置与特征点211及其相邻3×3区域内的特征点在图像分块21中的相对位置一致。

进一步的，S5中混合高斯模型的计算公式为：

其中，k表示高斯核，t表示时间，X

具体的，(一)用混合高斯模型进行前景检测

(1)首先，对输入图像的每个像素按照公式(1)进行判断

其中，k表示高斯核，t表示时间，X

(d

式中，λ为高斯核宽度阈值，判断当前像素是否在一定高斯核宽度内。

如果公式(2)成立，则表示该像素与高斯核匹配，如果该高斯核为前景高斯核则该像素为前景，如果该高斯核为背景高斯核则该像素为背景。

(2)其次，对高斯核进行在线更新

ω

式中，公式(2)匹配表示当前像素在设定的高斯核宽度范围内，即当前像素满足(2)式中的不等式。公式(3)中，ω

(3)对所有高斯核按照规则

公式(4)中，T是预先设定的一个阈值，取值范围为0～1。上式表示从排序好的高斯核中，前B个都属于背景核，后面的都属于前景核。

(二)光流计算得到运动目标

采用典型的LK(Lucas-Kanade)算法：

(1)首先定义光流方程误差

(2)计算误差的偏微分，并让其等于0

(3)求解上面的方程组得到的运动矢量表示为：

根据公式(7)，当运动矢量超过一定阈值，就认为其为运动目标。

与图1所述的方法相对应，本发明实施例还提供了一种针对复杂运动图像的检测处理系统，用于对图1中方法的具体实现，其结构示意图如图3所示，具体包括：获取图像模块、图像分块模块、求特征点模块、特征点匹配模块、检测结果模块；

获取图像模块，与图像分块模块的输入端连接，用于获取待检测的复杂运动图像；

图像分块模块，与求特征点模块的输入端连接，用于将获取的复杂运动图像分为L*S块，L、S为正整数；

求特征点模块，与特征点匹配模块的输入端连接，用于对每个图像分块，求取TOPM个特征点；

特征点匹配模块，与检测结果模块输入端连接，用于针对每个所求取的特征点对应的描述子，基于暴力算法，依次与其他待检测的图像中的其他特征点对应的描述子进行一一配对，得到互相匹配的特征点集合；

检测结果模块，用于采用混合高斯模型对特征点集合进行前景检测，获得前景检测结果，通过光流计算得到检测结果。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。