一种目标检测中基于VIBE的粘连目标分割方法

摘要

本发明公开了一种目标检测中基于VIBE的粘连目标分割方法，包括基于VIBE的背景减法、HOG特征向量提取、SVM训练和多运动目标的检测和分割算法优化。本发明针对运动目标发生遮挡时出现的目标粘连现象，提出了一种先利用时空特征对视频中的运动目标进行粗略分割，然后提取目标的HOG特征并训练分类来进行精确分割的算法：首先通过VIBE算法进行目标检测，采用背景减法获取前景中的运动目标区域；其次在原图中对粗分割的运动目标的图像进行比例缩放，提取其梯度直方图特征，并采用支持向量机进行训练获得目标分割分类器；最后，对获得的运动目标位置进行筛选，剔除存在大面积交叠位置以及大小不相符的错误目标,从而完成对粘连目标的分割。

主权项

1.一种目标检测中基于VIBE的粘连目标分割方法，依次包括以下步骤：a）基于VIBE的背景减法：在静态场景下，通过VIBE算法检测获取前景区域中的运动目标区域，VIBE算法分别在时间上和空间上采用随机的策略对背景模型进行更新，该策略恰恰与背景更新是随机的情况相吻合，对前景目标突然转换成背景的运动场景具有良好的适应性，并假定在VIBE算法检测的前景区域中至少存在一个运动目标区域；b）HOG特征向量提取：由于图像中局部目标的表象和形状总能够用它的梯度方向或边缘的方向密度分布进行描述，HOG特征向量可以有效地表示目标的轮廓，进而实现目标的分类，提取目标的HOG特征向量过程如下：由于图像中局部存在阴影，需要对前景区域图像进行Gamma压缩以减轻其影响，为获取每个像素的梯度幅值和方向，需要对压缩后的图像进行微分，从而获得运动目标的轮廓：G_h(x,y)＝I(x+1,y)-I(x-1,y)，G_v(x,y)＝I(x,y+1)-I(x,y-1)，式中G_h(x,y)，G_v(x,y)，I(x,y)分别表示输入前景图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和方向分别为：$G(x,y)=\sqrt{G_h{(x,y)}^2+G_v{(x,y)}^2},\alpha (x,y)={\tan }^{-1}\left(\frac{G_v(x,y)}{G_h(x,y)}\right);$求得前景图像中每个像素点的梯度大小和方向后，把前景图像分成大小固定的网格单元，每个网格单元包含3×3个相邻像素，并统计网格单元的梯度方向，并将网格单元量化到0°～180°均匀划分的9个区间内，最终获得每个网格单元在每个方向区间内的的梯度分布情况；c）SVM训练：采用SVM算法对HOG特征向量进行分类训练，SVM的训练过程如下：首先对含有人的正样本和不包含人的负样本进行训练学习得到基本分类器；然后，用学习后获得的基本分类器再次对所有的负样本进行检测，把二次出错的负样本组合成困难负样本；最后，采用原始的正样本、原始的负样本以及困难负样本对基本分类器进行二次训练，调整三者的权重，得到最终的目标分割分类器，训练学习的过程如下：对于大小为N的训练样本集，S＝{(x_i,y_i),i＝1,2,…,l}，Y＝{-1,1}，训练样本集对应的期望输出为y_i∈{+1,-1}，期望输出中+1和-1分别代表两类的类别标识，SVM通过一个非线性函数将训练数据X映射到高维线性空间，在这个空间构造最优分类面：ωgx+b＝0，其约束条件为：考虑到存在一些样本不能被决策面正确分类，引入松弛变量ξ_i(≥0)，则该约束条件变为：要获得最优解，SVM算法归结为二次规划问题：系数C被称为惩罚因子，C越大表示对错误的惩罚越大，用拉格朗日函数求解得其对偶形式：$\max \omega \left(a_i\right)=\{\underset{i=1}{\overset{n}{\Sigma }}{a}_i-\frac{1}{2}\underset{i,j=1}{\overset{n}{\Sigma }}{a}_i{a}_j{y}_i{y}_{j}K(x_i,x_j)\},$其约束条件为：$0\le a_i\le C,\underset{i=1}{\overset{n}{\Sigma }}{a}_i{y}_i=0,$系数向量核函数为：最终得到分类函数为：$f\left(x\right)=\mathrm{sgn}[\underset{i=1}{\overset{n}{\Sigma }}{a}_i{y}_{i}k(x,x_i)+b];$d）多运动目标的检测和分割算法优化：对前景图像区域中多运动目标的分割中，为了解决VIBE算法对目标阴影和目标粘连分割不准确的问题，本方法依靠提取的前景区域信息，对各个子区域采用基于HOG特征向量的SVM分类器来辅助完成运动目标的精确分离，算法如下：Step1：前景区域二值图像的提取；1）VIBE背景模型的建立；2）背景与前景的分离；3）背景更新；4）前景区域二值图像的提取；Step2：运动目标信息的获取1）对前景二值图像进行形态学开运算处理；2）对形态学处理后的二值图像做连通域标记；3）获取存在运动目标的子区域并存储相应的区域信息；Step3：HOG特征向量的提取与分类1）在原始图像中截取出第二阶段获取的各子区域图像，对其进行缩放处理，放大比例为1.4，缩小比例为0.7；2）对子区域图像进行Gamma校正；3）计算像素梯度；4）计算3×3网格单元的方向梯度信息；5）Block块的归一化；6）生成HOG特征向量；7）基于SVM分类器的训练；8）分类器的输出，运用分类器得到前景图像中目标位置；Step4：运动目标的筛选与标注1）对Step3中得到的目标位置进行筛选，剔除存在大面积交叠位置以及大小不相符的错误目标，同时对约束条件进行验证；最后，存储筛选后的运动目标信息；2）根据筛选后获取的运动目标信息，用矩形框在原图形中对目标位置和大小进行标注。