面向偏僻地段的小動(dòng)物目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種面向偏僻地段的小動(dòng)物目標(biāo)檢測(cè)方法，屬于目標(biāo)檢測(cè)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著電子技術(shù)的迅猛發(fā)展，基于視頻的監(jiān)控技術(shù)越來(lái)越普及，成為安全監(jiān)控的主 流。然而，目前視頻監(jiān)控需要人工輔助監(jiān)視，智能化水平較低，耗費(fèi)人力資源多，且易受人的 主觀因素影響，經(jīng)常會(huì)遺漏許多可疑目標(biāo)，導(dǎo)致重大損失。為提高視頻監(jiān)控的安全等級(jí)和降 低人的勞動(dòng)強(qiáng)度，越來(lái)越多的智能化方法被應(yīng)用于視頻監(jiān)控領(lǐng)域。專利"周界智能防范系統(tǒng) (201420490640, 2014)"采用雷達(dá)和紅外傳感器輔助視頻監(jiān)控，雷達(dá)傳感器可以檢測(cè)運(yùn)動(dòng)目 標(biāo)，紅外傳感器可以檢測(cè)具有特定溫度范圍的目標(biāo)，這兩種傳感器的檢測(cè)信號(hào)采用"與"的 方式進(jìn)行融合，可以有效檢測(cè)運(yùn)動(dòng)人體目標(biāo)，并減少風(fēng)吹草動(dòng)等許多非人體運(yùn)動(dòng)引起的虛 警現(xiàn)象。專利"一種面向周界防護(hù)的可疑目標(biāo)監(jiān)測(cè)方法（201110318587. 7,2013)"采用區(qū)域 HOG特征和SVM方法實(shí)現(xiàn)人體與車輛目標(biāo)的智能檢測(cè)，可以有效降低可疑人體與車輛目標(biāo) 對(duì)監(jiān)視場(chǎng)所的威脅。文獻(xiàn)"Rapid object detection using a boosted cascade of simple features (CVPR，2001 )'，、''Histograms of oriented gradients for human detection (CVPR，2005)"等提出了基于圖像灰度信息檢測(cè)人體目標(biāo)的方法，可以區(qū)分圖像中的人體和 背景。然而在偏僻地段，人體和車輛目標(biāo)很少，視頻監(jiān)控需要關(guān)注的往往是一些小動(dòng)物目 標(biāo)。盡管采用雷達(dá)與紅外傳感器也可以檢測(cè)小動(dòng)物目標(biāo)，但虛警率較高。目前還未見(jiàn)有采 用視頻分析手段智能檢測(cè)小動(dòng)物目標(biāo)的方法。

【發(fā)明內(nèi)容】

[0003] 為解決上述問(wèn)題，本發(fā)明特提出一種面向偏僻地段的小動(dòng)物目標(biāo)檢測(cè)方法，是一 種基于多背景差和多特征融合的小動(dòng)物目標(biāo)檢測(cè)方法，首先采用基于多背景差法的小運(yùn)動(dòng) 目標(biāo)檢測(cè)方法，檢測(cè)復(fù)雜環(huán)境下的運(yùn)動(dòng)目標(biāo)；然后采用基于多特征融合的小動(dòng)物目標(biāo)分類 方法，確認(rèn)運(yùn)動(dòng)目標(biāo)是否為小動(dòng)物；最后將檢測(cè)結(jié)果上傳給視頻監(jiān)控系統(tǒng)，為監(jiān)控系統(tǒng)的安 全預(yù)警提供依據(jù)。
[0004] 為實(shí)現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術(shù)方案，流程圖如圖1所示： 1基于多背景差法的小運(yùn)動(dòng)目標(biāo)快速檢測(cè)方法 對(duì)于監(jiān)控場(chǎng)景，需要防范的目標(biāo)首先是運(yùn)動(dòng)的。因此，需要先提取運(yùn)動(dòng)目標(biāo)，再辨別目 標(biāo)屬性。常用的運(yùn)動(dòng)檢測(cè)方法有背景差法、幀差法和光流法。其中光流法速度太慢，難以滿 足監(jiān)控系統(tǒng)的實(shí)時(shí)性要求，在實(shí)用系統(tǒng)中很少考慮；幀差法檢測(cè)的運(yùn)動(dòng)目標(biāo)常存在孔洞或 斷裂現(xiàn)象，對(duì)辨別目標(biāo)屬性非常不利。故本發(fā)明采用背景差法檢測(cè)運(yùn)動(dòng)目標(biāo)。然而，背景差 法受環(huán)境變化影響較大。在偏僻地段，一般草木茂盛，當(dāng)有風(fēng)時(shí)場(chǎng)景中運(yùn)動(dòng)非常復(fù)雜，導(dǎo)致 真實(shí)運(yùn)動(dòng)目標(biāo)與草木的運(yùn)動(dòng)很難區(qū)分，尤其是小運(yùn)動(dòng)目標(biāo)很難提取。為提高算法對(duì)環(huán)境的 適應(yīng)能力，本發(fā)明提出一種多背景差法，采用隨機(jī)運(yùn)算對(duì)背景進(jìn)行更新，通過(guò)融合多背景差 分結(jié)果過(guò)濾環(huán)境干擾，實(shí)現(xiàn)復(fù)雜環(huán)境下的小運(yùn)動(dòng)目標(biāo)檢測(cè)。具體步驟為： Sie/d背景初始化 對(duì)于初始幀圖像A，隨機(jī)生成_幅背景圖像，記為_(kāi)，i= :
其中，表示第i:幅背景圖像像素點(diǎn)處的灰度。（辦》為隨機(jī)偏移量，表示 為
其中，函數(shù)rand為隨機(jī)數(shù)，為變量，表示取值范圍為變量a和b構(gòu)成的閉區(qū) 間pj|上的隨機(jī)數(shù)，為一整數(shù)。
[0005] 本發(fā)明中，取M =20。
[0006] 5^6^2距離計(jì)算 對(duì)當(dāng)前幀圖像沒(méi)，計(jì)算像素點(diǎn)與背景圖像序列的距離：
5^成像素點(diǎn)屬性判斷 當(dāng)像素點(diǎn)?Χ力與背景圖像序列的W個(gè)距離中如果存在:個(gè)小于閾值那么判定像 素點(diǎn)?υ)為背景，記為〇,否則為目標(biāo)，記為1。
[0007] 其中，BW (x，y)為二值圖像BW在（x，y)處的取值； Num &)表示滿足條件的數(shù)量。本發(fā)明中，取虹=5，文=1〇。
[0008] 5Ye/>4背景更新 采用隨機(jī)更新策略，對(duì)背景圖像進(jìn)行更新，具體地
其中，參數(shù)錢是一個(gè)經(jīng)驗(yàn)值，用于控制背景更新的快慢，取值越大背景更新越快，這里 取值為0.02。
[0009] 汾印5采用數(shù)學(xué)形態(tài)學(xué)的"頂帽變換"方法對(duì)二值圖像進(jìn)行濾波，然后采用 8-鄰接連通方法搜索和標(biāo)記目標(biāo)。
[0010] 2、基于多特征融合的小動(dòng)物目標(biāo)檢測(cè)方法 小動(dòng)物主要指貓、狗、狼等爬行動(dòng)物，這些動(dòng)物有一些共同的特征，譬如四肢爬行、有尾 巴等，可以采用形狀特征進(jìn)行區(qū)分。常用的形狀特征有三類：區(qū)域特征(如長(zhǎng)寬比、面積、Hu 不變矩)、輪廓特征(如傅里葉描述子、鏈碼)、空間灰度特征(如Haar-like、HoG)。區(qū)域特征 比較簡(jiǎn)單，求解速度快，但區(qū)分能力弱；輪廓特征受目標(biāo)分割效果影響很大，實(shí)用價(jià)值不大； 空間灰度特征區(qū)分能力強(qiáng)，但求解速度非常慢。結(jié)合上述特征的優(yōu)缺點(diǎn)，本發(fā)明提出一種基 于多特征融合的小動(dòng)物目標(biāo)檢測(cè)方法，首先對(duì)于運(yùn)動(dòng)目標(biāo)提取區(qū)域的Hu不變矩特征，初步 篩選出疑似小動(dòng)物目標(biāo)；然后提取Haar-Iike特征，結(jié)合Adaboost方法，辨別疑似目標(biāo)是否 為小動(dòng)物。通過(guò)融合區(qū)域特征和空間灰度特征，可以快速可靠檢測(cè)小動(dòng)物目標(biāo)。詳細(xì)介紹 如下。
[0011] (1)區(qū)域特征提取與分類 對(duì)于運(yùn)動(dòng)目標(biāo)的二值圖像BW，提取七個(gè)Hu不變矩特征：
其中，辦卩歷>別為運(yùn)動(dòng)目標(biāo)的寬度和高度，BW(i，j)表示二值圖像BW上像素點(diǎn)（i，j) 的灰度值。中P、q為標(biāo)記符號(hào)，如.輪中P=2、q=0。
[0012] 然后，按照最小歐式距離準(zhǔn)則，計(jì)算運(yùn)動(dòng)目標(biāo)塊的Hu不變矩與訓(xùn)練得到的小動(dòng)物 目標(biāo)的Hu不變矩的距離：
其中，甚表示運(yùn)動(dòng)目標(biāo)塊的第外Hu不變矩，表示訓(xùn)練樣本中小動(dòng)物目標(biāo)的第々 個(gè)Hu矩（k=l，2,…，7)，獲取方法為：通過(guò)人工裁剪的方式，獲取監(jiān)控視頻中的小動(dòng)物目標(biāo)， 并二值化，得到小動(dòng)物目標(biāo)的二值圖像，然后求取Hu不變矩，不同訓(xùn)練樣本中的小動(dòng)物目 標(biāo)的Hu不變矩特征通過(guò)均值濾波方法，得到ΦΛ。
[0013] 最后，采用固定閾值法篩選疑似小動(dòng)物目標(biāo)，具體地，如果?/〈Τ2,則認(rèn)為當(dāng)前運(yùn)動(dòng) 目標(biāo)為疑似小動(dòng)物目標(biāo)，進(jìn)一步進(jìn)行空間灰度特征的提取與分類；否則，繼續(xù)檢測(cè)下一目 標(biāo)。本發(fā)明取Τ 2=8.0。
[0014] (2)空間灰度特征提取與分類 對(duì)于疑似小動(dòng)物目標(biāo)的灰度圖像I，提取空間灰度的Haar-Iike特征，采用Adaboost方 法進(jìn)行訓(xùn)練和分類，辨別目標(biāo)屬性，主要步驟包括： Stepl :特征提取 Haar-Iike特征有四種類型，如圖2所示。
[0015] Haar-Iike特征值為：用黑色矩形內(nèi)所有象素的灰度和減去白色矩形內(nèi)所有象素 的灰度和。為了便于計(jì)算和表示，可以采用下式計(jì)算Haar-Iike特征值： Value=graySum(black) x. weight(black)-graySum(all) 其中，graySum(black)為黑色矩形特征內(nèi)所有象素的灰度和，weight (black)為黑色 矩形的權(quán)重，其值為整個(gè)大矩形的面積除以黑色矩形的面積，graySum(all)為整個(gè)大的矩 形的灰度和。
[0016] 由于圖像中目標(biāo)尺寸不同，Haar-Iike特征值需要進(jìn)行歸一化處理，具體實(shí)現(xiàn)方法 是用上式得到的特征值除以整個(gè)矩形的面積。
[0017] 具體實(shí)現(xiàn)時(shí)，可以采用積分圖方法快速求取Haar-Iike特征值。對(duì)于輸入圖像I， 像素點(diǎn)處的積分圖定義如下：
其中，為圖像在點(diǎn)pU>p處的像素值。如圖3所示，積分圖MiiV)等于圖中灰 色部分的所有像素值的和。
[0018] 為了得到輸入圖像I的積分圖像，需要逐點(diǎn)掃描圖像一次。設(shè)為輸入圖像 各點(diǎn)的像素灰度值
為輸入圖像中像素點(diǎn)在縱坐標(biāo)不超過(guò)該點(diǎn) 的所有像素灰度值之和，則圖像I的積分圖可按如下遞推公式計(jì)算：
其中，X和y從0開(kāi)始，定義1)二?，
[0019] Step2特征訓(xùn)練與分類 在訓(xùn)練階段，將小動(dòng)物目標(biāo)作為正樣本、其他目標(biāo)作為負(fù)樣本，提取目標(biāo)圖像的 Haar-Iike特征，構(gòu)建如下弱分類器：
其中，⑴:表示第j個(gè)特征的特征值彳㈨表示弱分類器的值，1表示為小動(dòng)物目標(biāo)， 〇表示其他目標(biāo)表示弱分類器的閾值；表示