一种基于光流场聚类的运动目标检测方法

摘要

本发明公开了一种基于光流场聚类的运动目标检测方法。本发明首先采用DeepFlow算法对视频的每帧图像生成稠密的光流场。其次对光流场利用DENCLUE算法进行聚类，将运动矢量类似的像素聚成blob。然后将运动矢量类似的blob进行合并。最后在时间上，对相邻多帧的blob进行合并，形成运动目标跟踪轨迹。本发明对光照变化，阴影，噪声，随机摆动等干扰有较好的鲁棒性。对运动矢量不一致的目标，能自然的进行分割，对后期分类，跟踪，检索等应用有较大价值。检测率高，只要是视频中人眼可辨的运动目标，都能较好的检测出来。

权利要求

1.一种基于光流场聚类的运动目标检测方法，其特征在于该方法包括以下步骤：

步骤1、采用DeepFlow算法对视频的每帧图像生成稠密的光流场，具体是利用DeepFlow算法得到每一帧的光流场，每帧的光流场分别由x方向和y方向两张图组成；

步骤2、对光流场利用DENCLUE算法进行聚类，将运动矢量类似的像素聚成blob；具体是：对于每一帧的光流场，利用DENCLU算法在二维光流矢量上进行聚类，得到聚类blob，每个blob中所包含像素的光流均值，记为该blob的光流矢量；

步骤3、将运动矢量类似的blob进行合并，具体是：对每个blob，遍历与其相邻接的blob，若发现有光流矢量的欧式距离小于1，则进行合并，合并后blob光流矢量按合并前blob的面积加权平均计算，重复遍历每个blob，直到再也无法发生合并；

步骤4、在时间上，对相邻多帧的blob进行合并，形成运动目标跟踪轨迹，具体是：对每一帧的每个blob，在相邻的5帧内搜索是否有空间位置有重叠，如有重叠且光流矢量欧式距离小于1，则进行空间上的合并，空间上合并后的blob即可作为跟踪结果，输出为运动目标。

说明书

一种基于光流场聚类的运动目标检测方法

技术领域

[0001] 本发明属于智能视频监控技术领域，涉及一种基于光流场聚类的运动目标检测方法。

背景技术

[0002] 目前基于视频的运动目标检测方法大致可以分为以下几类：

[0003] 基于背景建模的方法。例如专利[200910077433.6]，这种方法的缺点主要是对于局部光照，深影子误检等难点无法克服，而且对于距离较近的目标，容易出现粘连，这对后续的跟踪，分类等会造成较大的干扰。

[0004] 基于机器学习的目标检测器方法。例如专利[201510323680.5]，这种方法的缺点，主要是检测器效果完全依赖于训练样本，而由于实际场景的目标千变万化，训练样本无法做到完全覆盖，所以在实际使用时，往往会对相机有诸多限制，而且容易出现漏检。

[0005] 基于光流场的方法。现有的方法大多将光流场作为背景建模或目标检测器的一个补充，例如专利[200910236053.2]，并没有充分利用光流的有效信息，其主要原因，一方面是已有的光流算法精度不高，另一方面是计算耗时限制了对光流场的进一步建模。

[0006] 但事实上，光流场先天带有目标每个像素的运动信息，如果能自底向上形成目标结构，可以非常自然的将检测与跟踪融为一体，而且对于光照等有很强的鲁棒性，同时，由于是利用运行信息自底向上来组成目标，对于运动方向或运动速度不同的目标，将非常容易进行分割，这对后续的目标分类等工作有非常大的益处。

发明内容

[0007] 本发明针对现有技术的不足，提供了一种基于光流场聚类的运动目标检测方法。

[0008] 本发明方法包括以下步骤：

[0009] 步骤1、采用DeepFlow算法对视频的每帧图像生成稠密的光流场。

[0010] 步骤2、对光流场利用DENCLUE算法进行聚类，将运动矢量类似的像素聚成blob。

[0011] 步骤3、将运动矢量类似的blob进行合并。

[0012] 步骤4、在时间上，对相邻多帧的blob进行合并，形成运动目标跟踪轨迹。

[0013] 本发明的有益效果：

[0014] 1、对光照变化，阴影，噪声，随机摆动等干扰有较好的鲁棒性。

[0015] 2、对运动矢量不一致的目标，能自然的进行分割，对后期分类，跟踪，检索等应用有较大价值。

[0016] 3、检测率高，只要是视频中人眼可辨的运动目标，都能较好的检测出来。

附图说明

[0017] 图1为本发明方法流程图。

具体实施方式

[0018] 以下结合实施例和附图1对本发明作进一步说明：

[0019] 对于一段100帧的视频，利用DeepFlow算法得到每一帧的光流场，每帧的光流场分别由x方向和y方向两张图组成。

[0020] 对于每一帧的光流场，利用DENCLU算法在二维光流矢量上进行聚类，得到聚类blob，每个blob中所包含像素的光流均值，记为该blob的光流矢量。

[0021] 对每个blob，遍历与其相邻接的blob，若发现有光流矢量的欧式距离小于1的，则进行合并，合并后blob光流矢量按合并前blob的面积加权平均计算。

[0022] 重复遍历每个blob，直到再也无法发生合并。

[0023] 对每一帧的每个blob，在相邻的5帧内搜索是否有空间位置有重叠，且光流矢量欧式距离小于1的blob,若有则进行空间上的合并，空间上合并后的blob即可作为跟踪结果，输出为运动目标。

[0024] 综上，本发明利用了高精度光流算法产生稠密的光流场，然后对其进行自底向上的聚类，在时空上直接形成跟踪好的运动目标，并对运动速度，方向不同的目标进行自然分割，从而实现高准确率的运动目标检测效果，并对光照，阴影，随机摆动等问题有很强的鲁棒性。

[0025] 以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应带理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。