本發明涉及目標檢測技術領域，特別涉及一種面向視頻感知節點的目標檢測方法。

背景技術：
無線視頻傳感器網絡由大量具有通信和計算能力的視頻節點按特定的方式或者隨機地布置在監控區域內構成的“智能”自治測控無線網絡系統。視頻傳感器節點間具有很強的協同能力，通過局部的圖像數據采集、處理以及節點間的數據交互完成全局任務。與傳統監控模式相比，采用無線視頻傳感器網絡構建分布式智能監控系統具有無人值守、覆蓋率廣、性能穩定、靈活性高、監控場景可以實現任意組合的優點，特別適合在交通路口、機場和地鐵站等關鍵區域或惡劣環境下的目標跟蹤和事件監測。在計算機視覺和無線視頻傳感器網絡相關應用領域，對獲取的視頻圖像中目標的檢測是首要的步驟。目標檢測算法的好壞影響到對后續跟蹤與行為識別等進一步的視覺處理。由于實際場景的復雜多變導致現有的目標檢測算法普遍比較復雜，計算量大，內存容量要求高，不適合資源有限的視頻感知節點。因此，針對于視頻感知節點的目標檢測算法必須首先考慮算法效能的問題，要盡可能減少計算量和存儲容量。壓縮感知理論突破了傳統拉奎斯特理論下對樣本數的要求。只要信號是可壓縮的或是稀疏的，就可以通過滿足一定條件的觀測矩陣將變換后的高維信號進行采樣，得到一個采樣后的低維信號。然后求解一個優化問題就可以從少量的采樣值中完美的重構出原始信號。將壓縮感知理論應用到基于背景減除法的目標檢測算法中，在保留原始圖像信息的同時，可大幅減少參與背景建模的像素數量，從而提高算法效率。因此，在研究現如今幾種常用的背景建模方法基礎上，提出一種基于結構化壓縮感知的自適應混合高斯(StructuredCompressiveSensingAdaptiveGaussianMixtureModel，SCS-AGMM)背景建模算法，構建結構化隨機測量矩陣來減少參與背景建模的數據量，并從多個方面優化了算法的效能。背景減除方法是一種在目標檢測領域技術比較成熟的方法，應用十分廣泛。該方法通過對視頻圖像當前幀和背景模型對應位置像素值相減，當差的絕對值值大于某個閾值時，判定該像素為目標像素，否則為背景像素。并通過后期圖像處理，得到完整的目標圖像。對于比較復雜并且呈現動態變化的背景，比如場景中存在波動水面、搖動的樹木、攝像頭的顫抖等，像素值的概率密度分布圖往往呈現雙峰或多峰狀態。這是就需要采用多個高斯分布的線性組合才能對背景準確建模，該方法稱為混合高斯模型(GMM)。利用GMM對圖像中的每個像素建立背景模型能適應視頻圖像中光照變化、運動背景的干擾等情況。近年來出現大量基于混合高斯背景建模改進算法，這些方法的優點在于檢測效果較好，可以去掉復雜背景情況下的運動干擾；不足在于計算量和存儲量較大，運行速度較慢，不適于資源有限的視頻感知節點。

技術實現要素：
本發明針對現有技術存在的上述不足，提供了一種面向視頻感知節點的目標檢測方法。本發明通過以下技術方案實現：一種面向視頻感知節點的目標檢測方法，包括步驟：圖像重構步驟：根據采集到的圖像尺寸大小對圖像進行分塊，將采得到的圖像塊轉換為N×1的向量；壓縮感知步驟：構建結構化隨機測量矩陣對轉化后的向量進行采樣壓縮；背景建模步驟：利用自適應混合高斯模型對每一個測量后的矩陣塊進行高斯建模，采用最少像素法則進行目標塊和背景塊檢測；通過混合高斯模型對各候選節點的各像素建立至少一個背景模型，用第一幀圖像數據對背景模型進行初始化，對每個背景模型設定統一的背景閾值，像素點權值大于該背景閾值的背景模型描述的為背景分布，像素點權值小于等于該背景閾值的背景模型描述的為前景分布，用圖像中判斷為背景的像素重新初始化權值小于初始化閾值的背景模型；背景模型的分布參數按優先級從大到小與對應的當前像素值逐一匹配檢測，判定背景模型均與當前像素值不匹配的像素點為目標區域內的點，對匹配成功的背景模型更新分布參數，對各背景模型更新權重；更新步驟：采用不同的策略對目標塊和背景塊進行更新，并根據檢測的結果對結構化隨機測量矩陣進行參數調節；后處理步驟：對檢測到的目標圖像進行后期處理得到最終的目標圖像；其中，不同的策略包括根據興趣區域設置不同的采樣值M，在前一幀的目標塊1.2倍區域提高采樣率，而在背景區域降低采樣率；以及，當背景亮度變化較小，降低建模的高斯分布個數，以降低學習速率；當亮度變化較大，提高高斯分布個數，以提高學習速率。較佳的，分布參數按優先級與當前像素值進行逐一匹配檢測，即判別是否滿足|μi，t-xt|＜max(Wσi，t，τ)，式中i＝1，2，…，K，K為各像素高斯分布的個數，μi，t和σi，t分別為在t時刻第i個高斯分布的均值和標準方差，xt為前像素值，W和τ均為閾值常量。較佳的，將上一幀檢測出的目標區域經過擴展后作為當前幀的目標區域進行匹配檢測，在目標區域外的像素點采用緊的匹配準則，即τ與W均取較大值；在目標區域內的像素點采用松的匹配準則，即τ與W均取較小值，其中，0.5＜＝W＜＝3.5，3＜＝τ＜＝20。較佳的，將上一幀目標區域擴展10％作為當前幀的目標區域，在目標區域外的像素點取W＝2.5，τ＝15，在目標區域內的像素點取W＝1.5，τ＝6。較佳的，初始化至少一個背景模型時，通過第一幀各點像素值用來初始化高斯分布均值μK，0，第一幀各點像素值的標準方差σK，0取15＜＝σK，0＜＝25，權重為1/Kmax，Kmax為每個像素點的最大高斯分布個數。本發明采取的方法構建結構化隨機測量矩陣通過對圖像進行采樣壓縮，減少了高斯統計建模的計算數據量，并對算法進行兩個方面的效能優化。一是根據背景亮度的變化來自適應調整高斯模型個數以及學習速率，減少平均計算時間；二是根據分割提取目標的興趣區域采用不同測量值，整體減少參與建模的像素個數，有效地減少了背景建模的時間。通過算法仿真和節點實測的實驗結果證明，該方法可獲得較好的目標檢測結果并且具有較強的抗干擾性，相對于傳統的混合高斯算法，內存容量減少約四分之三，處理時間可減少50％以上。附圖說明圖1所示的是本發明的流程圖；圖2所示的是本發明與不同建模方法的每幀平均處理時間比較示意圖；圖3所示的是本發明與不同建模方法的誤檢率比較示意圖；圖4所示的是本發明與不同建模方法的漏檢率比較示意圖；圖5所示的是本發明與不同建模方法的性能及平均每幀處理時間比較示意圖；圖6所示的是本發明與不同建模方法的處理時間和內存容量比較示意圖。具體實施方式以下將結合本發明的附圖，對本發明實施例中的技術方案進行清楚、完整的描述和討論，顯然，這里所描述的僅僅是本發明的一部分實例，并不是全部的實例，基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動的前提下所獲得的所有其他實施例，都屬于本發明的保護范圍。為了便于對本發明實施例的理解，下面將結合附圖以具體實施例為例作進一步的解釋說明，且各個實施例不構成對本發明實施例的限定。對于復雜的動態背景，可采用多個高斯分布的線性組合來實現對背景的準確建模。混合高斯模型將圖像中各個像素點的概率分布特性表示為K個(一般取值3～5)高斯模型。各高斯分布具有不同的權值ωi，t(∑ωi，t＝1，i＝1，2，……，K)和優先級(ω/σ)，并按照優先級從高到低進行排序。在確定背景分布時，對單個分布取某個閾值T(T＜1)，當該分布的權值大于或等于該閾值的時候，認為這個高斯模型是背景分布，否則認為這個高斯模型是前景分布。設xt為t時刻的某一像素值，可用K個高斯分布的線性組合來描述其概率密度函數：其中ωi，t、μi，t和∑i，t分別為在t時刻第i個高斯分布的權值、均值以及協方差距陣。假定各像素顏色分量相互獨立，其協方差矩陣可表示為：K個高斯分布按ω/σ降序排列，取權值大于某一閾值的高斯分布表示背景分布，即：fi(x|μ，σ2)∈Bg，如果ωi＞TH(3)其中，TH為背景閾值。1、背景初始化方法一般情況下由視頻節點采集到的圖像序列，在一段時間內，背景的變化是不大的，因此可認為每一像素點灰度值服從均值μ和標準方差σ的高斯分布，且每一個象素點的高斯分布是獨立的。首先初始化背景，為降低計算復雜度和存儲容量，采用3個高斯模型對每個像素點進行建模(K＝3)。高斯分布期望μ用第一幀圖像中各點的像素值進行初始化，標準方差σ取較大的值(σ＝20)，權值初始設置為1/(2i+1)(i＝0，1，2)。2、背景模型的學習與更新方法在進行目標檢測時候按照優先級次序ω/σ從大到小將xt與各高斯分布逐一匹配。如果沒有檢測到表示背景分布的高斯分布與xt匹配，則認為該點為目標否則為背景。背景模型算法的具體執行步驟如下：(1)匹配準則將K個高斯分布按優先級與當前像素值xt進行比較看是否滿足條件|μi，t-xt|＜max(W*σ，λ)，(i＝1，2，……，K)，式中W和λ是系數。對目標區域和非目標區域的像素采用不同條件來進行目標和背景的判定。具體操作是將上一幀圖像中檢測到的目標框的大小放大1.1倍作為當前幀的目標框。對屬于目標區域像素點采用以下條件進行判斷：|x-μi|＜max(1.5*σ，6)(4)非目標區域像素點的判斷條件為：|x-μi|＜max(2.5*σ，15)(5)另外根據像素點的位置采用不同的取值策略：對于目標區域外的像素，取W＝2.5，λ＝15；對于目標區域內的像素，取W＝1.5，λ＝6。這樣，在目標區域的像素更容易被檢測為目標，增加了目標檢測的形狀完整性。(2)背景學習與更新用獲得的像素值與已知的第i個高斯模型匹配，如果匹配成功，則按式(6)更新匹配的第i個高斯模型分布參數：等式(2.16)中其中β用來控制背景和前景更新的速度(根據模型是否描述背景而取不同的值)。大多數情況下前景更新比背景要慢些。K個高斯分布的權值按下式更新：ωi，t+1＝(1-αi)ωi，t+αiMi，t(7)等式(7)中α的大小確定其在背景中的優先級并決定各高斯成分權值的更新速度，α越小背景圖像越穩定；β大小決定背景的更新速度，β越大背景圖像收斂速度越快。自適應高斯混合模型(AGMM)算法步驟如下：1)用第一幀圖像進行高斯分布初始化(權值、期望、方差)，k＝0；2)對于t時刻的新像素根據式(4)(5)判斷是否匹配；是則執行步驟3)、否則執行步驟4)；3)對匹配的高斯模型，利用式(6)(7)進行更新；4)如果不匹配，用當前值初始化新的高斯模型(小權值，大方差)；5)計算權值方差比ω/σ，降序排列，替換最小值；6)根據|Xt+1，i-Bi，t|＜T判斷像素是前景還是背景，輸出結果；轉到步驟2)；7)結束，下一幀圖像。3、后處理方法按照上面所述方法可得到目標的二值圖像模板Morg。對二值模板Morg進行3×3形態學開運算，得到結果為Ms，再經過3×3腐蝕運算去除孤立的點后得到結果為M。該過程導致了部分目標像素的丟失，采取如下基于形態學目標重構的處理方法可以盡可能保留更多的目標圖像：等式(8)中F是經過前景提取、噪聲濾除后的最終結果。等式中的結構元素SE的尺寸大小取決于檢測的目標尺寸。實驗發現采用3×3的結構元素可以達到較好的目標檢測結果。利用結構元素結合同化填充對分割出的前景目標F進行空洞填充能使目標更加完整。最后通過目標大小統計的結果去除小于40個像素的小塊，以達到消除噪聲的目的。混合高斯模型參數不斷進行更新以適應背景的逐漸變化。另外，該算法由于對圖像中每一個像素點進行3到5個混合高斯建模，整體計算量和存儲容量較大。4、結構化壓縮感知算法目前，常用的建模方法是采用混合高斯背景模型描述動態背景。由于對每個像素建立3到5個高斯模型，混合高斯模型的方法消耗攝像頭節點大量的計算和存儲資源，影響算法的實時應用。為了提高算法的效率，引入了壓縮感知算法對圖像數據進行隨機采樣，從而減少背景建模算法的計算量和存儲量。然而隨機采樣矩陣的完全隨機特性導致硬件電路實現起來比較復雜并且目標檢測結果存在不確定性。針對這種情況，本發明將結構化壓縮感知算法引入到混合高斯建模當中，在此基礎上研究一種采用結構化隨機測量矩陣，對圖像進行采樣的自適應混合高斯背景建模方法，并對算法進行全局效能優化，提高整體運行效率。壓縮感知是以M行N列(M＜＜N)大小的測量矩陣Φ對信號x(N維)進行測量，可得到壓縮后的測量值y(M維)，該過程可由等式(9)實現。y＝φx＝φΨα＝Θα(9)如果信號x在某個變化域具有稀疏性，如等式(10)所示：α＝ΨTx(10)并且測量矩陣Φ滿足約束等距性條件，即指對于任意的K稀疏信號f以及常數δk∈(0，1)滿足：那么就可以通過等式(11)來完美恢復該信號：該過程稱之為重構，其中的0范數指的就是0元素的個數。目前提出的滿足約束等距性條件的測量矩陣主要分三類。第一類包括矩陣元素獨立地服從某一分布的高斯隨機測量矩陣、貝努利隨機矩陣等。第二類包括部分正交矩陣、部分哈達瑪矩陣和非相關測量矩陣。這類矩陣僅與在時域或頻域稀疏的信號不相關。第三類包括托普利茲(Toeplitz)矩陣、結構化隨機測量矩陣、Chirps測量矩陣、循環矩陣、隨機卷積形成的感知矩陣。1)隨機高斯矩陣：如式(12)所示，測量矩陣每個元素獨立地服從均值為0，方差為1/M的高斯分布，等概率取值為1或0。高斯測量矩陣的優點在于所需的測量行數較小而且它幾乎與任意稀疏信號都不相關。2)隨機貝努利矩陣；如式(13)所示，測量矩陣的每個元素獨立地服從對稱的貝努利分布，等概率取值為1或-1。該矩陣隨機性很強，具有與高斯矩陣類似的性質。3)部分正交矩陣；構建該矩陣的步驟是首先生成N×N的正交矩陣U，然后在矩陣U中隨機地選取M行向量并對M×N矩陣的列向量進行單位化，即可得到部分正交矩陣。4)Toeplitz矩陣；構建該矩陣的步驟是首先生成測量矩陣Φ，在矩陣Φ的每一個行向量中，按照等式(14)元素的概率分布隨機地選取位置，然后在所對應的位置賦值0、1、-1，其中5)部分哈達瑪矩陣；構建該矩陣的步驟是首先生成大小為N×N的哈達瑪矩陣，然后在生成矩陣中隨機地選取M行向量即可構成一個M×N的哈達瑪測量矩陣。6)結構化隨機測量矩陣；隨機高斯和隨機貝努利矩陣雖然對許多稀疏信號具有非相關性，但由于其完全隨機的特性導致計算比較復雜，內存容量要求高。因此許多研究提出了結構化隨機測量矩陣的概念。這類矩陣的構建采用隨機高斯、伯努利矩陣和部分傅里葉變換矩陣的混合模型，從N×N的混合矩陣中隨機抽取M行，再對每一列進行歸一化處理。結構化隨機測量矩陣幾乎與所有其他正交矩陣不相關，并保持了各種矩陣的優點。7)確定性矩陣；完全隨機矩陣具有不確定因素和硬件電路難以實現等缺點，為克服其在壓縮感知應用中的不足，許多研究提出了確定性測量矩陣，包括多項式確定性矩陣和輪換測量矩陣等。本發明包括步驟：圖像重構步驟：根據采集到的圖像尺寸大小對圖像進行分塊，將采得到的圖像塊轉換為N×1的向量；壓縮感知步驟：構建結構化隨機測量矩陣對轉化后的向量進行采樣壓縮；背景建模步驟：利用自適應混合高斯模型對每一個測量后的矩陣塊進行高斯建模，采用最少像素法則進行目標塊和背景塊檢測；通過混合高斯模型對各候選節點的各像素建立至少一個背景模型，用第一幀圖像數據對背景模型進行初始化，對每個背景模型設定統一的背景閾值，像素點權值大于該背景閾值的背景模型描述的為背景分布，像素點權值小于等于該背景閾值的背景模型描述的為前景分布，用圖像中判斷為背景的像素重新初始化權值小于初始化閾值的背景模型；背景模型的分布參數按優先級從大到小與對應的當前像素值逐一匹配檢測，判定背景模型均與當前像素值不匹配的像素點為目標區域內的點，對匹配成功的背景模型更新分布參數，對各背景模型更新權重；更新步驟：采用不同的策略對目標塊和背景塊進行更新，并根據檢測的結果對結構化隨機測量矩陣進行參數調節；后處理步驟：對檢測到的目標圖像進行后期處理得到最終的目標圖像；其中，不同的策略包括根據興趣區域設置不同的采樣值M，在前一幀的目標塊1.2倍區域提高采樣率，而在背景區域降低采樣率；以及，當背景亮度變化較小，降低建模的高斯分布個數，以降低學習速率；當亮度變化較大，提高高斯分布個數，以提高學習速率。分布參數按優先級與當前像素值進行逐一匹配檢測，即判別是否滿足|μi，t-xt|＜max(Wσi，t，τ)，式中i＝1，2，…，K，K為各像素高斯分布的個數，μi，t和σi，t分別為在t時刻第i個高斯分布的均值和標準方差，xt為前像素值，W和τ均為閾值常量。將上一幀檢測出的目標區域經過擴展后作為當前幀的目標區域進行匹配檢測，在目標區域外的像素點采用緊的匹配準則，即τ與W均取較大值；在目標區域內的像素點采用松的匹配準則，即τ與W均取較小值，其中，0.5＜＝W＜＝3.5，3＜＝τ＜＝20。將上一幀目標區域擴展10％作為當前幀的目標區域，在目標區域外的像素點取W＝2.5，τ＝15，在目標區域內的像素點取W＝1.5，τ＝6。初始化至少一個背景模型時，通過第一幀各點像素值用來初始化高斯分布均值μK，0，第一幀各點像素值的標準方差σK，0取15＜＝σK，0＜＝25，權重為1/Kmax，Kmax為每個像素點的最大高斯分布個數。本發明的目標檢測算法首先對視頻節點采集到的圖像xt進行4×4或8×8分塊，然后構建結構化隨機測量矩陣Φ在空間域直接對圖像采樣后的得到壓縮圖像yt。由壓縮感知理論可知yt包含了原始圖像絕大部分信息，通過自適應混合高斯模型(AGMM)構建背景模型，通過背景減法獲得前景圖像，然后對前景圖像進行形態學處理。本申請先選擇激活節點進行目標檢測，目標跟蹤，再通過效能函數f(i)來選擇當前的最優節點進行目標跟蹤，如圖1中所示的過程，目標檢測采用自適應高斯混合背景建模，實現運動目標的檢測與分割；通過分布式Meanshift與目標關聯實現節點的目標跟蹤與狀態估計，結合傳感器節點的檢測效果、通信能耗等因素確定傳感器網絡效能評估函數，選擇最優傳感器節點進行目標跟蹤。綜合考慮計算復雜度、數據的傳輸、存儲需求，實現了對大范圍內復雜場景下運動目標的準確跟蹤。如圖2至圖6所示，根據與現有其他算法的比較，本發明可獲得較好的目標檢測結果并且具有較強的抗干擾性.相對于傳統的混合高斯算法，內存容量減少約四分之三，處理時間可減少50％以上。以上所述，僅為本發明較佳的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該以權利要求的保護范圍為準。