智能移动终端抗噪声干扰运动目标提取方法

摘要

本发明涉及智能移动终端抗噪声干扰运动目标提取方法，经设定图像空间转换的优化转换参数，原始图像转换处理得到灰度图像后，选择高斯滤波对预处理图像滤波，并选取三幅相同帧间隔的连续预处理图像做差分处理，以克服单独使用三帧差分法提取运动目标质量的不足，二值化处理所得差分图像后，对二值化图像做逻辑“或”以及逻辑“与”处理，以得到潜在运动目标区域的二值化图像，利用逻辑“与”自动摒弃新暴露出来的像素点，消除“鬼影”现象，然后建立背景模型并实时更新，同时基于高斯模型检测潜在运动目标区域内的运动目标，避免了基于帧间差分方法容易引入的“空洞”问题，最后根据95％置信区间理论，对运动前景提取得到运动目标。

主权项

智能移动终端抗噪声干扰运动目标提取方法，其特征在于，包括以下步骤：(1)对智能移动终端获取的原始图像S(i,j)进行灰度化处理，实现颜色空间转换，得到灰度图像Y(i,j)；其中，原始图像S(i,j)转换为灰度图像Y(i,j)采用如下转换公式：Y(i,j)＝0.257×r(i,j)+0.504×g(i,j)+0.239×b(i,j)；其中，r(i,j)、g(i,j)、b(i,j)分别对应原始图像S(i,j)的颜色空间三维坐标中的红、绿、蓝颜色分量，Y(i,j)是该像素点对应的灰度值；(2)对灰度图像Y进行预处理，得到预处理图像I，并采用高斯滤波对预处理图像I进行处理，高斯函数为均值是零的二维高斯函数g(i,j)，其中，$g(i,j)=\exp (-\frac{i^2+j^2}{2{\sigma }^2}),$其使用的图像模板算子为$\frac{1}{273}\times \left[\begin{array}{ccccc}1& 4& 7& 4& 1\\ 4& 16& 26& 16& 4\\ 7& 26& 41& 26& 7\\ 4& 16& 26& 16& 4\\ 1& 4& 7& 4& 1\end{array}\right];$(3)对连续间隔m帧的三帧预处理图像I_k‑m(i,j)、I_k(i,j)和I_k+m(i,j)做差分，得到两个差分图像D_(k,k‑m)(i,j)和D_(k+m,k)(i,j)；其中，D_(k,k‑m)(i,j)＝|I_k(i,j)‑I_k‑m(i,j)|，D_(k+m,k)(i,j)＝|I_k+m(i,j)‑I_k(i,j)|；其中，I_k‑m(i,j)、I_k(i,j)和I_k+m(i,j)分别表示预处理序列图像I(i,j)中的某三帧预处理图像，m表示预处理序列图像I(i,j)之间相邻间隔的帧数，m∈Z，且m∈[1,5]；(4)对所得两个差分图像D_(k,k‑m)(i,j)和D_(k+m,k)(i,j)分别做二值化处理，得到对应的二值化图像R_(k,k‑m)(i,j)和R_(k+m,k)(i,j)；其中，二值化处理准则如下：$R_{(k,k-m)}(i,j)=\left\{\begin{array}{cc}255& D_{(k,k-m)}(i,j)>T\\ 0& else\end{array}\right.,R_{(k+m,k)}(i,j)=\left\{\begin{array}{cc}255& D_{(k+m,k)}(i,j)>T\\ 0& else\end{array}\right.;$其中，T表示阈值，m表示各序列图像I(i,j)之间相邻间隔的帧数；(5)对所得到的两幅相邻的二值化图像R_(k,k‑m)(i,j)和R_(k+m,k)(i,j)做逻辑“或”操作和逻辑“与”操作，分别得到对应运算后的联合二值化“或”图像Bor_k(i,j)和联合二值化“与”图像Band_k(i,j)，并将联合二值化“或”图像Bor_k(i,j)和联合二值化“与”图像Band_k(i,j)进行逻辑“与”运算，得到潜在运动目标区域的二值化图像B_k(i,j)；其中，联合二值化“或”图像为${\mathrm{Bor}}_k(i,j)=\left\{\begin{array}{cc}255& R_{(k,k-m)}(i,j)\cup R_{(k+m,k)}(i,j)\ne 0\\ 0& R_{(k,k-m)}(i,j)\cup R_{(k+m,k)}(i,j)=0\end{array}\right.,$联合二值化“与”图像为${\mathrm{Band}}_k(i,j)=\left\{\begin{array}{cc}255& R_{(k,k-m)}(i,j)\cap R_{(k+m,k)}(i,j)\ne 0\\ 0& R_{(k,k-m)}(i,j)\cap R_{(k+m,k)}(i,j)=0\end{array}\right.,$潜在运动目标区域的二值化图像$B_k(i,j)=\left\{\begin{array}{cc}255& {\mathrm{Bor}}_k(i,j)\cap {\mathrm{Band}}_k(i,j)\ne 0\\ 0& {\mathrm{Bor}}_k(i,j)\cap {\mathrm{Band}}_k(i,j)=0\end{array}\right.;$(6)对潜在运动目标区域内进行基于高斯模型的运动目标检测，对高斯分布的参数均值以及方差赋初值，建立背景模型；其中，${\mu }_{ij}^0=1/N·\underset{k=0}{\overset{N-1}{\Sigma }}{x}_{ij}^k,{\left({\sigma }_{ij}^0\right)}^2=1/N·\underset{k=0}{\overset{N-1}{\Sigma }}{[x_{ij}^k-{\mu }_{ij}^0]}^2;$N表示被用来进行模型初始化的图像的数量，表示第k帧图像中(i,j)位置上的像素观察值；(7)对建立的背景模型以设定的更新方式进行实时更新；其中，设定的更新方式为：${\mu }_{ij}^{k+1}=(1-\alpha ){\mu }_{ij}^{k+1}+{\mathrm{\alpha x}}_{ij}^k,{\left({\sigma }_{ij}^{k+1}\right)}^2=(1-\alpha ){\left({\sigma }_{ij}^k\right)}^2+\alpha {({\mu }_{ij}^{k+1}-x_{ij}^{k+1})}^2;$其中，α表示当前帧图像中的像素对所对应位置上的背景模型的更新所做出的贡献程度，α＝0.0025；(8)计算像素位置上高斯分布的95％置信区间的上限和下限其中，上限$x_h^{k+1}={\mu }_{ij}^k+1.96\times {\sigma }_{ij}^k,$下限$x_l^{k+1}={\mu }_{ij}^k-1.96\times {\sigma }_{ij}^k;$(9)根据95％置信区间的理论，对运动前景提取得到运动目标$x_{ij}^{k+1}=\left\{\begin{array}{cc}0& x_l^{k+1}\ge x_{ij}^{k+1}\ge x_h^{k+1}\\ 255& else\end{array}\right..$