本發(fā)明具體涉及一種交通視頻運動目標(biāo)檢測方法。

背景技術(shù)：

視頻圖像序列中的運動目標(biāo)檢測在機器視覺研究領(lǐng)域中是一個重要的研究課題，是進(jìn)行目標(biāo)跟蹤和行為理解的基礎(chǔ)，在視頻智能監(jiān)控、醫(yī)學(xué)圖像處理和機器人導(dǎo)航等許多領(lǐng)域內(nèi)有著廣泛的應(yīng)用。

傳統(tǒng)視頻中運動目標(biāo)檢測方法主要有光流場法、幀間差分法和背景減法。光流場法需要進(jìn)行多次迭代運算，運算復(fù)雜，計算量非常大，在實際應(yīng)用中，除非具備特殊的硬件設(shè)備支持，否則很難保證對監(jiān)控場景的實時檢測，而且此算法的抗噪聲等干擾能力也比較差，需要做進(jìn)一步的改進(jìn)。幀間差分法是通過對視頻序列中2個或3個相鄰幀進(jìn)行時間差分閾值化來提取目標(biāo)，其算法雖然簡單并對動態(tài)環(huán)境具有較強的自適應(yīng)性，但提取的目標(biāo)容易出現(xiàn)空洞現(xiàn)象，檢測出的運動物體的位置不精確，一般不能完全提取出所有相關(guān)的特征像素點。當(dāng)視頻監(jiān)控的場景中運動目標(biāo)沒有明顯的位置移動時，運動目標(biāo)就不能被檢測到。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種交通視頻運動目標(biāo)檢測方法。

一種交通視頻運動目標(biāo)檢測方法，包括以下步驟：

s1：采集交通視頻圖像，對視頻圖像中每一個像素點的灰度值或色彩值進(jìn)行混合高斯模型的背景建模；

s2：對當(dāng)前時刻采集到的視頻圖像像素值與初始的k個高斯分布進(jìn)行比較（(k個高斯分布將按其值的高低來排列），得到最佳匹配，設(shè)定匹配條件為：

，

其中，，為第i個高斯分布的權(quán)重值和均值；

s3：按照匹配結(jié)果更新混合高斯模型的參數(shù)：

，

其中，是學(xué)習(xí)率；對于匹配的分布，，其余分布；

；

其中，是第二個學(xué)習(xí)率，；

s4：把所有的高斯分布將按照值從大到小進(jìn)行排序，選取前b個，b滿足：

，

其中，t為像素被選取為背景的閾值，將選取前b個高斯分布作為背景元素；

s5：將前一幀視頻圖像與所建立的當(dāng)前背景圖像進(jìn)行相減，得到車輛在當(dāng)前時刻的運動圖像。

進(jìn)一步的，混合高斯模型的背景建模方法如下：

1）任意像素點(x，y)的歷史像素值可以表示為：

；

式中，代表像素x在時刻i的灰度值或色彩值；

2）視頻圖像中像素點x在t時刻屬于背景像素的概率為：

；

其中，表示在t時刻，像素為x的統(tǒng)計概率；k為背景模型中高斯分布的個數(shù)；是t時刻第i個高斯分布的權(quán)重值，是在t時刻第i個均值為，方差為的高斯概率密度函數(shù)。

本發(fā)明的有益效果是：

本發(fā)明采用混合高斯分布對視頻背景進(jìn)行建模，將前一幀視頻圖像與所建立的當(dāng)前背景圖像進(jìn)行相減，得到車輛在當(dāng)前時刻的運動圖像；該方法能夠準(zhǔn)確地檢測出前景運動車輛目標(biāo)。

具體實施方式

以下具體實施例對本發(fā)明作進(jìn)一步闡述，但不作為對本發(fā)明的限定。

一種交通視頻運動目標(biāo)檢測方法，包括以下步驟：

s1：采集交通視頻圖像，對視頻圖像中每一個像素點的灰度值或色彩值進(jìn)行混合高斯模型的背景建模；

s2：對當(dāng)前時刻采集到的視頻圖像像素值與初始的k個高斯分布進(jìn)行比較（(k個高斯分布將按其值的高低來排列），得到最佳匹配，設(shè)定匹配條件為：

，

其中，，為第i個高斯分布的權(quán)重值和均值；

s3：按照匹配結(jié)果更新混合高斯模型的參數(shù)：

，

其中，是學(xué)習(xí)率；對于匹配的分布，，其余分布；

；

其中，是第二個學(xué)習(xí)率，；

s4：把所有的高斯分布將按照值從大到小進(jìn)行排序，選取前b個，b滿足：

，

其中，t為像素被選取為背景的閾值，將選取前b個高斯分布作為背景元素；

s5：將前一幀視頻圖像與所建立的當(dāng)前背景圖像進(jìn)行相減，得到車輛在當(dāng)前時刻的運動圖像。

混合高斯模型的背景建模方法如下：

1）任意像素點(x，y)的歷史像素值可以表示為：

；

式中，代表像素x在時刻i的灰度值或色彩值；

2）視頻圖像中像素點x在t時刻屬于背景像素的概率為：

；

其中，表示在t時刻，像素為x的統(tǒng)計概率；k為背景模型中高斯分布的個數(shù)；是t時刻第i個高斯分布的權(quán)重值，是在t時刻第i個均值為，方差為的高斯概率密度函數(shù)。