面向偏僻地段的小动物目标检测方法技术

本发明专利技术涉及一种面向偏僻地段的小动物目标检测方法。是基于多背景差和多特征融合的小动物目标检测方法，首先采用多背景差法检测视频中的小运动目标，降低偏僻地段草木运动对目标检测的影响；然后提取目标区域的Hu不变矩特征，初步筛选出疑似小动物目标；最后提取疑似小动物目标区域空间灰度的Haar-like特征，依据Adaboost方法进行训练和分类，检测小动物目标。本发明专利技术采用多背景差法提高运动检测的环境适应能力，融合目标区域特征和空间灰度特征降低小动物目标检测虚警率，可广泛应用于智能监控系统。

【技术实现步骤摘要】

本专利技术涉及一种，属于目标检测

技术介绍
随着电子技术的迅猛发展，基于视频的监控技术越来越普及，成为安全监控的主 流。然而，目前视频监控需要人工辅助监视，智能化水平较低，耗费人力资源多，且易受人的 主观因素影响，经常会遗漏许多可疑目标，导致重大损失。为提高视频监控的安全等级和降 低人的劳动强度，越来越多的智能化方法被应用于视频监控领域。专利"周界智能防范系统 (201420490640, 2014)"采用雷达和红外传感器辅助视频监控，雷达传感器可以检测运动目 标，红外传感器可以检测具有特定温度范围的目标，这两种传感器的检测信号采用"与"的 方式进行融合，可以有效检测运动人体目标，并减少风吹草动等许多非人体运动引起的虚 警现象。专利"一种面向周界防护的可疑目标监测方法（201110318587. 7,2013)"采用区域 HOG特征和SVM方法实现人体与车辆目标的智能检测，可以有效降低可疑人体与车辆目标 对监视场所的威胁。文献"Rapid object detection using a boosted cascade of simple features (CVPR，2001 )'，、''Histograms of oriented gradients for human detection (CVPR，2005)"等提出了基于图像灰度信息检测人体目标的方法，可以区分图像中的人体和 背景。然而在偏僻地段，人体和车辆目标很少，视频监控需要关注的往往是一些小动物目 标。尽管采用雷达与红外传感器也可以检测小动物目标，但虚警率较高。目前还未见有采 用视频分析手段智能检测小动物目标的方法。
技术实现思路
为解决上述问题，本专利技术特提出一种，是一 种基于多背景差和多特征融合的小动物目标检测方法，首先采用基于多背景差法的小运动 目标检测方法，检测复杂环境下的运动目标；然后采用基于多特征融合的小动物目标分类 方法，确认运动目标是否为小动物；最后将检测结果上传给视频监控系统，为监控系统的安 全预警提供依据。 为实现上述的专利技术目的，本专利技术采用下述的技术方案，流程图如图1所示： 1基于多背景差法的小运动目标快速检测方法 对于监控场景，需要防范的目标首先是运动的。因此，需要先提取运动目标，再辨别目 标属性。常用的运动检测方法有背景差法、帧差法和光流法。其中光流法速度太慢，难以满 足监控系统的实时性要求，在实用系统中很少考虑；帧差法检测的运动目标常存在孔洞或 断裂现象，对辨别目标属性非常不利。故本专利技术采用背景差法检测运动目标。然而，背景差 法受环境变化影响较大。在偏僻地段，一般草木茂盛，当有风时场景中运动非常复杂，导致 真实运动目标与草木的运动很难区分，尤其是小运动目标很难提取。为提高算法对环境的 适应能力，本专利技术提出一种多背景差法，采用随机运算对背景进行更新，通过融合多背景差 分结果过滤环境干扰，实现复杂环境下的小运动目标检测。具体步骤为： Sie/d背景初始化 对于初始帧图像A，随机生成_幅背景图像，记为_，i= :其中，表示第i:幅背景图像像素点处的灰度。（办》为随机偏移量，表示 为其中，函数rand为随机数，为变量，表示取值范围为变量a和b构成的闭区 间pj|上的随机数，为一整数。 本专利技术中，取M =20。 5^6^2距离计算 对当前帧图像沒，计算像素点与背景图像序列的距离：5^成像素点属性判断 当像素点?Χ力与背景图像序列的W个距离中如果存在:个小于阈值那么判定像 素点?υ)为背景，记为〇,否则为目标，记为1。 其中，BW (x，y)为二值图像BW在（x，y)处的取值； Num &)表示满足条件的数量。本专利技术中，取虹=5，文=1〇。 5Ye/>4背景更新 采用随机更新策略，对背景图像进行更新，具体地其中，参数錢是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里 取值为0.02。 汾印5采用数学形态学的"顶帽变换"方法对二值图像进行滤波，然后采用 8-邻接连通方法搜索和标记目标。 2、基于多特征融合的小动物目标检测方法 小动物主要指猫、狗、狼等爬行动物，这些动物有一些共同的特征，譬如四肢爬行、有尾 巴等，可以采用形状特征进行区分。常用的形状特征有三类：区域特征(如长宽比、面积、Hu 不变矩)、轮廓特征(如傅里叶描述子、链码)、空间灰度特征(如Haar-like、HoG)。区域特征 比较简单，求解速度快，但区分能力弱；轮廓特征受目标分割效果影响很大，实用价值不大； 空间灰度特征区分能力强，但求解速度非常慢。结合上述特征的优缺点，本专利技术提出一种基 于多特征融合的小动物目标检测方法，首先对于运动目标提取区域的Hu不变矩特征，初步 筛选出疑似小动物目标；然后提取Haar-Iike特征，结合Adaboost方法，辨别疑似目标是否 为小动物。通过融合区域特征和空间灰度特征，可以快速可靠检测小动物目标。详细介绍 如下。 (1)区域特征提取与分类 对于运动目标的二值图像BW，提取七个Hu不变矩特征：其中，辦卩历>别为运动目标的宽度和高度，BW(i，j)表示二值图像BW上像素点（i，j) 的灰度值。中P、q为标记符号，如.輪中P=2、q=0。 然后，按照最小欧式距离准则，计算运动目标块的Hu不变矩与训练得到的小动物 目标的Hu不变矩的距离：其中，甚表示运动目标块的第外Hu不变矩，表示训练样本中小动物目标的第々 个Hu矩（k=l，2,…，7)，获取方法为：通过人工裁剪的方式，获取监控视频中的小动物目标， 并二值化，得到小动物目标的二值图像，然后求取Hu不变矩，不同训练样本中的小动物目 标的Hu不变矩特征通过均值滤波方法，得到ΦΛ。 最后，采用固定阈值法筛选疑似小动物目标，具体地，如果?/〈Τ2,则认为当前运动 目标为疑似小动物目标，进一步进行空间灰度特征的提取与分类；否则，继续检测下一目 标。本专利技术取Τ 2=8.0。 (2)空间灰度特征提取与分类 对于疑似小动物目标的灰度图像I，提取空间灰度的Haar-Iike特征，采用Adaboost方 法进行训练和分类，辨别目标属性，主要步骤包括： Stepl :特征提取 Haar-Iike特征有四种类型，如图2所示。 Haar-Iike特征值为：用黑色矩形内所有象素的灰度和减去白色矩形内所有象素 的灰度和。为了便于计算和表示，可以采用下式计算Haar-Iike特征值： Value=graySum(black) x. weight(black)-graySum(all) 其中，graySum(black)为黑色矩形特征内所有象素的灰度和，weight (black)为黑色 矩形的权重，其值为整个大矩形的面积除以黑色矩形的面积，graySum(all)为整个大的矩 形的灰度和。 由于图像中目标尺寸不同，Haar-Iike特征值需要进行归一化处理，具体实现方法 是用上式得到的特征值除以整个矩形的面积。 具体实现时，可以采用积分图方法快速求取Haar-Iike特征值。对于输入图像I， 像素点处的积分图定义如下：其中，为图像在点pU>p处的像素值。如图3所示，积分图MiiV)等于图中灰 色部分的所有像素值的和。 为了得到输入图像I的积本文档来自技高网...

【技术保护点】
面向偏僻地段的小动物目标检测方法，是基于多背景差和多特征融合的小动物目标检测方法，其特征在于，首先采用基于多背景差法的小运动目标检测方法，检测复杂环境下的运动目标；然后采用基于多特征融合的小动物目标分类方法，确认运动目标是否为小动物；最后将检测结果上传给视频监控系统，为监控系统的安全预警提供依据，具体步骤如下：步骤1、基于多背景差法的小运动目标快速检测方法采用一种多背景差法检测运动目标，采用随机运算对背景进行更新，通过融合多背景差分结果过滤环境干扰，实现复杂环境下的小运动目标检测，步骤2、基于多特征融合的小动物目标检测方法首先对于运动目标提取区域的Hu不变矩特征，初步筛选出疑似小动物目标；然后提取Haar‑like特征，结合Adaboost方法，辨别疑似目标是否为小动物，通过融合区域特征和空间灰度特征，检测小动物目标，步骤3、如果检测到小动物目标，将检测结果上传给视频监控系统，为监控系统的安全预警提供依据。

【技术特征摘要】

【专利技术属性】
技术研发人员：谢剑斌，刘通，闫玮，李沛秦，
申请(专利权)人：中国人民解放军国防科学技术大学，
类型：发明
国别省市：湖南;43