一种纹理区分优化HOG算子的ATM滞留物检测方法

摘要

本发明公开了一种纹理区分优化HOG算子的ATM滞留物检测方法，该方法首先对ATM监控视频的单帧图像进行纹理特征的描述，得到纹理特征描述值，然后加入修正因子得到修正值；并根据纹理特征构建背景模型，再计算每一个图像序列的方差，得到其权重；再将当前像素与背景模型的背景直方图逐个比较，并按对应权重在相似度级别上融合以消除背景；统计背景消除后图像的梯度的强度和方向，得到其梯度直方图；最后将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞留物图像。本发明通过区分检测图像的纹理特征对背景进行消除，以突出检测目标的局部纹理特征，并采用方差法提高背景消除的精度。

主权项

一种纹理区分优化HOG算子的ATM滞留物检测方法，其特征在于，该方法包括以下步骤：(1)提取ATM监控视频的单帧图像作为输入图像；(2)采用每个像素联合在其半径为D的邻域上的S个像素的分布来对纹理特征进行描述：$L_{S,D}(x_i,y_i)=\underset{s=0}{\overset{D-1}{\Sigma }}\xi (p_s-p_i)·2^s---\left(1\right)$其中，L_S,D(x_i,y_i)表示(x_i,y_i)处的像素的半径为D的邻域上的S个像素的纹理特征描述，p_i表示(x_i,y_i)处的像素灰度值，p_s表示半径为D的环形邻域中各像素灰度平均值，ξ为系数，其取值为：$\xi \left(x\right)=\left\{\begin{array}{c}1,x\ge 0\\ 0,x<0\end{array}\right.---\left(2\right)$(3)加入修正因子σ，减小领域像素变化小的时候计算结果的差异：$L_{S,D}^{\prime }(x_i,y_i)=\underset{s=0}{\overset{D-1}{\Sigma }}\xi (p_s-p_i)·2^s+\sigma ---\left(3\right)$其中，L′_S,D(x_i,y_i)表示修正后S个像素在其半径为D的邻域上的纹理特征描述。(4)根据式(3)计算所得的纹理特征，构建背景模型：$B=\left\{{\overrightarrow{u}}_1,{\overrightarrow{u}}_2,...,{\overrightarrow{u}}_n\right\}---\left(4\right)$其中，表示背景模型中的第i个纹理直方图。(5)设当前像素的直方图为将其与背景模型B的n个背景直方图逐个比较，若两者间相似度小于设定阈值T_s，则为前景，否则为背景。$n=\underset{i}{\mathrm{argmin}}\left(\underset{i=0}{\overset{n-1}{\Sigma }}{L}_{S,D}^{\prime }\right(x_i,y_i)>T_s)---\left(5\right)$其中，设有两个直方图和两者间的相似度比较方法为：$\cap (\overrightarrow{x},\overrightarrow{y})=min\underset{n=0}{\overset{n-1}{\Sigma }}(x_n,x_n)---\left(6\right)$(6)为了提高精确性，对每一个图像序列，计算其方差：${\mathrm{var}}^j=\frac{1}{Q}·{\left[\underset{i=1}{\overset{Q}{\Sigma }}l(R_i^j,R^j)\right]}^2---\left(7\right)$其中，var^j表示第j个图像序列的方差，Q表示训练样本总数，R表示所有训练样本的平均值子图像：$R=\frac{1}{Q}·\underset{i=1}{\overset{Q}{\Sigma }}{R}_i---\left(8\right)$R^j表示所有样本的平均值图像R的第j个子图像，表示第i个样本的第j个子图像，l表示相似度量距离。以此方差作为每一个子图像的局部纹理特征的权重，然后按对应权重在相似度级别上融合，最后再以方差的度量方式进行背景消除。(7)统计背景消除后图像G(x,y)的梯度的强度和方向：$\left\{\begin{array}{c}{F}_x(x,y)=G(x+1,y)-G(x-1,y)\\ F_y(x,y)=G(x,y+1)-G(x,y-1)\end{array}\right.---\left(9\right)$其中，F_x(x,y)、F_y(x,y)分别表示统计背景消除后图像中在像素点(x,y)处的水平方向的梯度的幅值和垂直方向梯度的幅值；G(x+1,y)、G(x‑1,y)、G(x,y+1)、G(x,y‑1)分别表示点(x+1,y)、(x‑1,y)、(x,y+1)、(x,y‑1)处的像素值。所以其强度为：$F(x,y)=\sqrt{F_x{(x,y)}^2+F_y{(x,y)}^2}---\left(10\right)$方向为：$\eta (x,y)=arctan\left(\frac{F_y(x,y)}{F_x(x,y)}\right)---\left(11\right)$(8)采用L2‑norm范数对梯度直方图进行归一化处理：$o^{*}=\frac{o}{\sqrt{\left|\right|o|{|}_k^2+{\lambda }^2}}---\left(12\right)$其中，o^*代表归一化之后的特征向量，o代表归一化之前的特征向量，||o||_k代表它的k阶范数k＝1,2，λ为常数。(9)将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞留物图像。