[发明专利]用于视频监控的实时运动检测方法

摘要

本发明公开了一种用于视频监控的实时运动检测算法，其对于实时视频数据进行运动检测和分析，检测出视频中的运动区域：程序为视频帧中的每个像素位置建立若干个高斯模型，为视频帧中的每个像素位置建立若干个随时间变化的高斯模型，根据当前帧中该像素位置接受当前像素值的高斯模型的权重之和来区分该像素(前景和背景)，实时更新高斯模型和调整高斯模型的个数，并将前景区域用指定颜色进行标记，标记会随着运动区域的移动而移动。本发明的优点在于：本发明直接对实时视频进行运动检测和分析，不需要人工交互，不需要离线处理，完全达到实时检测；检测出来的运动区域准确，能使用监控场景的动态变化，在视频监控领域具有重要的实用价值。

主权项

1.一种用于视频监控的实时运动检测方法，其特征在于包括如下步骤：(1)视频图像分块及分类：将每帧视频图像分成N×N像素的小方块，按照x方向从左到右，y方向从上到下的顺序逐个对当前图像中的每个小方块进行分类，从小方块中随机选取一个像素，判断其是前景还是背景，如果该像素是背景，则结束处理这个小方块，进行下个方块的处理，如果该像素是前景，则按顺序逐个判断当前小方块中的每个像素，如果是前景，则用指定的颜色对该像素进行着色；凡是处理过的像素，都要更新其对应的高斯模型队列；(2)判断一个像素是前景还是背景：为每个像素建立一系列高斯模型，这些高斯模型反映了当前像素位置出现的分布情况，其中高斯模型的权重，在0.0～1.0之间表示这个模型在背景中所占的比重。当前像素属于前景还是背景，用它被当前位置的高斯模型接收的概率和，即接受当前像素值的高斯模型的权重和来表示：$P\left(x_t\right)=\underset{i=1}{\overset{K}{\Sigma }}{\omega }_{i,t}\eta (x_t-{\mu }_{i,t},{\Sigma }_{i,t})---1$ 其中，K是当前像素位置上的高斯模型个数，xt是当前像素的颜色值，μi，t，∑i，t 是第i个高斯模型的均值和方差，η(xt-μi，t，∑i，t)表示xt是否被第i个高斯模型接受，ωi，t是第i个高斯模型的权重；P(xt)是该接受当前像素的高斯模型的权重之和，表示了该像素成为背景的可能性；如果这个权重和满足：P(xt)≥TBG 2则该像素为背景点，否则为前景点。(3)判断当前像素值xt是否被第i个高斯模型η(xt-μi，t，∑i，t)接受：对于当前像素的颜色值xt，如果其满足：|xt-μi，t|＜Tσ 3其中Tσ是高斯模型属于背景的权重阈值，经过大量实验和统计所得。(4)高斯模型队列的更新a＞如果当前像素被第i个高斯模型接受，则更新第i个高斯模型如下：$\left\{\begin{array}{c}{\mu }_{i,t+1}=(1-\alpha ){\mu }_{i,t}+\alpha x_t\\ {\omega }_{i,t+1}=(1-\alpha ){\omega }_{i,t}+\alpha \end{array}\right.---4$ 其中，μi，t，ωi，t分别是当前的第i个高斯模型的均值和权重，μi，t+1、ωi，t+1分别是更新的第i个高斯模型的均值和权重，α是更新速度，在本方法中取0.01；b＞如果当前像素不能被该像素对应的高斯队列中任何一个高斯模型接受，则按照均值为当前像素值xt，权重为α建立一个新的高斯模型如下：$\left\{\begin{array}{c}{\mu }_{K+1}=x_t\\ {\omega }_{K+1}=\alpha \end{array}\right.---5$ c＞前像素的高斯队列中第j个高斯模型满足：ωj＜Tω 6其中Tω是高斯模型存在的权重阈值；则把该高斯模型从高斯队列中删除；4)如果当前像素的高斯队列中有两个高斯模型a和b的均值相差很小，满足：|μa-μb|＜Tdist 7其中，Tdist是高斯模型发生合并的均值距离的阈值；则将模型a和b进行合并如下：$\left\{\begin{array}{c}{\omega }_{c,t}={\omega }_{a,t}+{\omega }_{b,t}\\ {\mu }_{c,t}=\frac{{\omega }_{a,t}*{\mu }_{a,t}+{\omega }_{b,t}*{\mu }_{b,t}}{{\omega }_{a,t}+{\omega }_{b,t}}\end{array}\right..$