一种复杂背景场景中运动目标检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108550163A(43)申请公布日2018.09.18(21)申请号201810356801.X(22)申请日2018.04.19(71)申请人湖南理工学院地址414006湖南省岳阳市学院路439号(72)发明人欧先锋张国云彭鑫胡文静郭龙源吴健辉(51)Int.Cl.G06T7/254(2017.01)G06T7/215(2017.01)权利要求书3页说明书8页附图2页(54)发明名称一种复杂背景场景中运动目标检测方法(57)摘要在对图像进行运动目标检测时，背景越复杂，检测难度越高，获得的检测结果准确性越低，本发明提出一种复杂背景场景中运动目标检测方法，该方法使用自适应高斯混合模型对视频帧图像进行检测，获得包含前景目标和大量噪声的检测图像；再通过训练BP神经网络，采用训练好的BP神经网络对检测图像的各个部分进行判别，排除非前景目标区域；最后采用中值滤波方法对保留的前景目标区域中的孤立噪声点进行进一步修正，获得最后的检测图像。本发明提出的方法可以获得获准确度高、噪声小、边缘明确的前景目标，同时具有鲁棒性高、训练速度快等特点。CN108550163ACN108550163A权利要求书1/3页1.一种复杂背景场景中运动目标检测方法，其特征在于，所述方法包括以下步骤：步骤一，使用自适应高斯混合模型对视频帧图像进行检测，获得包含前景目标和大量噪声的检测图像；步骤二，训练BP神经网络，采用训练好的BP神经网络对步骤一获得的检测图像的各个部分进行判别，排除非前景目标区域；步骤三，采用中值滤波方法对步骤二保留的前景目标区域中的孤立噪声点进行进一步修正，获得最终的检测图像。2.如权利要求1所述的一种复杂背景场景中运动目标检测方法，其特征在于，所述步骤一具体包括以下子步骤：步骤1，定义像素模型并进行模型初始化：图像中每一个像素P(p)都使用多个单高斯模型描述：其中K表示单高斯模型的个数；使用权重ωi(x，y，t)、均值ui(x，y，t)、方差共同确定一个单高斯模型，其中权重ωi(x，y，t)满足：模型初始化即分别对每一个单高斯模型进行初始化，初始化的方式为：其中，I(x，y，0)表示视频序列第一帧图片在(x，y)处的像素值，set_init为常数；步骤2，参数更新及前景目标检测：step1：读入视频序列中第t+1帧图像后，若该图像中(x，y)处的像素值满足即若新图像中(x，y)处的像素值与对应模型中的像素均值的距离小于标准差的λ倍，则该点像素存在与之匹配的单高斯模型，该点为背景，进入step2；如果不存在与之匹配的的单高斯模型，则认为该点为前景，进入step3；step2：更新与该像素匹配的单高斯模型的权值、均值以及方差，之后进入step4；更新后的权值为：更新后的均值与方差为：其中，dω表示权值的增量，为常数；step3：将重要性最小的单模型去除，增加一个新的单高斯模型，将新模型的权值设置为较小的数，将均值设置为该像素点的像素值，方差设置为较大的数；step4：权值归一化，归一化后的权值为：步骤3，单高斯模型的排序及重要性判断：首先，计算每一个单高斯模型的重要性值imp_numi：2CN108550163A权利要求书2/3页其中，为单高斯模型的标准差；将各个单高斯模型分别按重要性值大小排序，重要性值大的优先；若前N个单高斯模型的权重满足则仅将前N个单高斯模型作为背景模型，将其他模型删除，阈值T＝0.7。步骤4，使用自适应高斯混合模型进行前景目标提取：对图像帧的每个像素进行检测，当输入像素与背景模型匹配时，判定该像素点为背景，否则属于前景；对图像中所有像素都进行检测，得到前景目标。3.如权利要求1所述的一种复杂背景场景中运动目标检测方法，其特征在于，所述步骤二具体包括以下子步骤：步骤1，训练BP神经网络，具体包括：S1，初始化网络参数，用小的随机数给各权值和阈值赋初值；S2，读取网络参数和运动目标的训练样本集a，并进行归一化处理；S3，对训练样本集中每一样本ai(i＝1，2，…，n)进行训练，获得训练好的BP神经网络：步骤s31，选择一个样本进行训练：先进行正向传播，计算该样本实际网络输出lt与期望输出之间的误差：输入层向隐含层的函数关系可表示为：ai(i＝1，2，…，n)是输入信号，wij是输入层的第i个节点和隐含层的第j个节点之间的权值，θj是隐含层的第j个节点的阈值；隐含层和输出层的传输函数F1和F2均采用Sigmoid函数，其表达式为：经过传递函数后，隐含层输出bj(j＝1，2，…，m)可表示为：隐含层向输出层的函数关系可表示为：输出层的输出结果lt(t＝1，2，…，v)为：其中，vjt是隐含层的第j个节点和输出层的第t个节点之间的权值；γt是输出层的第t个