一種基于復(fù)雜環(huán)境的目標智能跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻監(jiān)控領(lǐng)域,特別是涉及一種基于復(fù)雜環(huán)境的目標智能跟蹤方法。
【背景技術(shù)】
[0002]隨著計算機、網(wǎng)絡(luò)、通信、流媒體等技術(shù)的日趨成熟與完善,視頻在社會生產(chǎn)生活中的應(yīng)用日益廣泛。在智能視頻監(jiān)控、導(dǎo)航、遙感、車牌識別等計算機視覺系統(tǒng)中,視頻是最主要的信息來源。然而這些系統(tǒng)功能一般都是基于正常的天氣條件考慮設(shè)計的,盡管戶外視頻監(jiān)控系統(tǒng)的應(yīng)用領(lǐng)域非常廣泛,但是在雨、雪等惡劣天氣中不能很好地發(fā)揮其應(yīng)有的作用。為了保證戶外監(jiān)控系統(tǒng)能夠適應(yīng)各種天氣情況,在雨雪等惡劣條件下也能正常地工作,所以非常有必要對大氣中的雨雪進行去除研究,對獲取的圖像進行修復(fù),消除天氣因素的干擾,提高系統(tǒng)的穩(wěn)定性。
【發(fā)明內(nèi)容】
[0003]本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足,提供一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,基于通過混合高斯模型自適應(yīng)分析算法,有效過濾復(fù)雜環(huán)境中畫面的各種運動干擾,如刮風造成的樹葉搖動等,結(jié)合小波變換和傅里葉變換可有效濾除畫面中的雨雪噪聲。
[0004]本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的:一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,包括以下步驟:
51、采集當前時刻的視頻流數(shù)據(jù),依次對視頻流數(shù)據(jù)中的每一幀視頻圖像進行分析,判斷是否有異常幀圖像,若存在則進行異常類型檢測;
52、啟動混合高斯模型,對視頻流數(shù)據(jù)中的每幀視頻圖像的每個像素點建立X個高斯模型;
53、根據(jù)高斯模型的權(quán)重對該X個高斯模型進行排序,并對權(quán)重進行累計求和,若前N個高斯模型的權(quán)重和大于預(yù)設(shè)閾值,則將該前N個高斯模型設(shè)為背景像素點,建立背景高斯模型,將后X-N個高斯模型設(shè)為前景像素點,建立前景高斯模型;
54、根據(jù)當前時刻像素點以及該像素點的歷史像素點的均值和方差為每個像素點匹配相應(yīng)的高斯模型,計算當前時刻像素點與其歷史像素點的均值之差的絕對值,若該絕對值與該像素點的歷史像素點的方差的比值小于預(yù)設(shè)匹配閾值,則將該當前時刻像素點與背景像素點的高斯模型進行匹配,若該比值不小于預(yù)設(shè)匹配閾值,則將當前時刻像素點與前景像素點的高斯模型進行匹配;
55、根據(jù)視頻流數(shù)據(jù)中的背景變化和S4中的比較結(jié)果,混合高斯模型自適應(yīng)更新模型參數(shù),更新X個高斯模型的權(quán)值,得出匹配度最高的背景高斯模型參數(shù),完成復(fù)雜背景建模;
56、將前景高斯模型的所匹配的前景圖像進行小波正變換處理,若前景圖像為彩色圖像,則通過R、G、B三通道分別對其進行小波分析處理,得到前景圖像的近似圖LL、水平方向細節(jié)圖HL、垂直方向細節(jié)圖LH和對角線方向細節(jié)圖HH,提取垂直方向細節(jié)圖,對垂直方向細節(jié)圖進行傅里葉正變換,并刪除其預(yù)設(shè)頻段的高頻部分完成高頻過濾; S7、高頻過濾處理后通過傅里葉反變換還原得到新的垂直方向細節(jié)圖,再通過小波反變換重構(gòu)前景圖像,若原前景圖像為彩色圖像,則再通過R、G、B三通道合并得到過濾后的前景圖像。
[0005]S8、通過形態(tài)學處理,提取出獨立的運動目標區(qū)域,鎖定目標,開始執(zhí)行跟蹤操作,在目標跟蹤的過程中,重復(fù)執(zhí)行步驟S1-S7。
[0006]進一步的,所述的小波正變換為提升小波變換。
[0007]進一步的,所述的預(yù)設(shè)頻段根據(jù)雨雪大小自適應(yīng)調(diào)整。
[0008]本發(fā)明的有益效果是:本發(fā)明基于通過混合高斯模型自適應(yīng)分析算法,有效過濾復(fù)雜環(huán)境中畫面的各種運動干擾,如刮風造成的樹葉搖動等,結(jié)合小波變換和傅里葉變換可有效濾除畫面中的雨雪噪聲及其他噪聲,并通過形態(tài)學處理,提取出獨立的運動目標區(qū)域,鎖定目標,開始執(zhí)行跟蹤操作。
【附圖說明】
[0009]圖1為本發(fā)明流程示意圖。
【具體實施方式】
[0010]下面結(jié)合附圖進一步詳細描述本發(fā)明的技術(shù)方案,但本發(fā)明的保護范圍不局限于以下所述。
[0011]如圖1所示,該實施例描述了一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,它包括以下多個步驟。
[0012]S1、采集當前時刻的視頻流數(shù)據(jù),依次對視頻流數(shù)據(jù)中的每一幀視頻圖像進行分析,判斷是否有異常幀圖像,若存在則進行異常類型檢測。
[0013]S2、啟動混合高斯模型,對視頻流數(shù)據(jù)中的每幀視頻圖像的每個像素點建立X個高斯模型。
[0014]S3、根據(jù)高斯模型的權(quán)重對該X個高斯模型進行排序,并對權(quán)重進行累計求和,若前N個高斯模型的權(quán)重和大于預(yù)設(shè)閾值,則將該前N個高斯模型設(shè)為背景像素點,建立背景高斯模型,將后X-N個高斯模型設(shè)為前景像素點,建立前景高斯模型。
[0015]S4、根據(jù)當前時刻像素點以及該像素點的歷史像素點的均值和方差為每個像素點匹配相應(yīng)的高斯模型,計算當前時刻像素點與其歷史像素點的均值之差的絕對值,若該絕對值與該像素點的歷史像素點的方差的比值小于預(yù)設(shè)匹配閾值,則將該當前時刻像素點與背景像素點的高斯模型進行匹配,若該比值不小于預(yù)設(shè)匹配閾值,則將當前時刻像素點與前景像素點的高斯模型進行匹配。
[0016]S5、根據(jù)視頻流數(shù)據(jù)中的背景變化和S4中的比較結(jié)果,混合高斯模型自適應(yīng)更新模型參數(shù),更新X個高斯模型的權(quán)值,得出匹配度最高的背景高斯模型參數(shù),完成復(fù)雜背景建模,可有效過濾復(fù)雜環(huán)境中畫面的各種運動干擾,如刮風造成的樹葉搖動等。
[0017]進一步的,由于雨雪天氣的視頻畫面中,雨雪一般表現(xiàn)為豎條紋形式,因此,本發(fā)明通過結(jié)合小波變換和傅里葉變換處理,可有效濾除畫面中的雨雪噪聲及其他噪聲。
[0018]S6、將前景高斯模型的所匹配的前景圖像進行小波正變換處理,若前景圖像為彩色圖像,則通過R、G、B三通道分別對其進行小波分析處理,得到前景圖像的近似圖LL、水平方向細節(jié)圖HL、垂直方向細節(jié)圖LH和對角線方向細節(jié)圖HH,提取垂直方向細節(jié)圖,對垂直方向細節(jié)圖進行傅里葉正變換,并刪除其預(yù)設(shè)頻段的高頻部分完成高頻過濾。
[0019]S7、高頻過濾處理后通過傅里葉反變換還原得到新的垂直方向細節(jié)圖,再通過小波反變換重構(gòu)前景圖像,若原前景圖像為彩色圖像,則再通過R、G、B三通道合并得到過濾后的前景圖像,去除復(fù)雜環(huán)境中畫面的雨雪條紋噪聲及其他條紋噪聲。
[0020]S8、通過形態(tài)學處理,提取出獨立的運動目標區(qū)域,鎖定目標,開始執(zhí)行跟蹤操作,在目標跟蹤的過程中,重復(fù)執(zhí)行步驟S1-S7,實現(xiàn)在去除運動干擾和雨雪噪聲后的畫面中繼續(xù)跟蹤目標。
[0021 ]本發(fā)明中,所述的小波正變換可采用提升小波變換。
[0022]本發(fā)明中,所述的預(yù)設(shè)頻段根據(jù)雨雪大小自適應(yīng)調(diào)整,以濾除不同雨勢情況下的雨雪噪聲。
[0023]如上參照附圖以示例的方式描述了根據(jù)本發(fā)明的一種基于復(fù)雜環(huán)境的目標智能跟蹤方法。但是,本領(lǐng)域技術(shù)人員應(yīng)當理解,對于上述本發(fā)明所提出的一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,還可以在不脫離本
【發(fā)明內(nèi)容】
的基礎(chǔ)上做出各種改進,或者對其中部分技術(shù)特征進行等同替換,凡在本發(fā)明的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。因此,本發(fā)明的保護范圍應(yīng)當由所附的權(quán)利要求書的內(nèi)容確定。
【主權(quán)項】
1.一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,其特征在于,包括以下步驟: 51、采集當前時刻的視頻流數(shù)據(jù),依次對視頻流數(shù)據(jù)中的每一幀視頻圖像進行分析,判斷是否有異常幀圖像,若存在則進行異常類型檢測; 52、啟動混合高斯模型,對視頻流數(shù)據(jù)中的每幀視頻圖像的每個像素點建立X個高斯模型; 53、根據(jù)高斯模型的權(quán)重對該X個高斯模型進行排序,并對權(quán)重進行累計求和,若前N個高斯模型的權(quán)重和大于預(yù)設(shè)閾值,則將該前N個高斯模型設(shè)為背景像素點,建立背景高斯模型,將后X-N個高斯模型設(shè)為前景像素點,建立前景高斯模型; S 4、根據(jù)當前時刻像素點以及該像素點的歷史像素點的均值和方差為每個像素點匹配相應(yīng)的高斯模型,計算當前時刻像素點與其歷史像素點的均值之差的絕對值,若該絕對值與該像素點的歷史像素點的方差的比值小于預(yù)設(shè)匹配閾值,則將該當前時刻像素點與背景像素點的高斯模型進行匹配,若該比值不小于預(yù)設(shè)匹配閾值,則將當前時刻像素點與前景像素點的高斯模型進行匹配; 55、根據(jù)視頻流數(shù)據(jù)中的背景變化和S4中的比較結(jié)果,混合高斯模型自適應(yīng)更新模型參數(shù),更新X個高斯模型的權(quán)值,得出匹配度最高的背景高斯模型參數(shù),完成復(fù)雜背景建模; 56、將前景高斯模型的所匹配的前景圖像進行小波正變換處理,若前景圖像為彩色圖像,則通過R、G、B三通道分別對其進行小波分析處理,得到前景圖像的近似圖LL、水平方向細節(jié)圖HL、垂直方向細節(jié)圖LH和對角線方向細節(jié)圖HH,提取垂直方向細節(jié)圖,對垂直方向細節(jié)圖進行傅里葉正變換,并刪除其預(yù)設(shè)頻段的高頻部分完成高頻過濾; 57、高頻過濾處理后通過傅里葉反變換還原得到新的垂直方向細節(jié)圖,再通過小波反變換重構(gòu)前景圖像,若原前景圖像為彩色圖像,則再通過R、G、B三通道合并得到過濾后的前景圖像; 58、通過形態(tài)學處理,提取出獨立的運動目標區(qū)域,鎖定目標,開始執(zhí)行跟蹤操作,在目標跟蹤的過程中,重復(fù)執(zhí)行步驟S1-S7。2.根據(jù)權(quán)利要求1所述的一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,其特征在于:所述的小波正變換為提升小波變換。3.根據(jù)權(quán)利要求1所述的一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,其特征在于:所述的預(yù)設(shè)頻段根據(jù)雨雪大小自適應(yīng)調(diào)整。
【專利摘要】本發(fā)明公開了一種基于復(fù)雜環(huán)境的目標智能跟蹤方法,采集當前時刻的視頻流數(shù)據(jù),依次對視頻流數(shù)據(jù)中的每一幀視頻圖像進行分析,啟動混合高斯模型,建立背景高斯模型和前景高斯模型,過濾視頻中的動作干擾,通過小波變換和傅里葉變換去除雨雪條紋噪聲,鎖定目標,開始執(zhí)行跟蹤操作,在跟蹤的過程中,持續(xù)進行噪聲去除處理。本發(fā)明基于通過混合高斯模型自適應(yīng)分析算法,有效過濾復(fù)雜環(huán)境中畫面的各種運動干擾,如刮風造成的樹葉搖動等,結(jié)合小波變換和傅里葉變換可有效濾除畫面中的雨雪噪聲。
【IPC分類】G06T5/00, G06T7/00
【公開號】CN105469394
【申請?zhí)枴緾N201510805380
【發(fā)明人】李正
【申請人】成都因納偉盛科技股份有限公司
【公開日】2016年4月6日
【申請日】2015年11月20日