一种基于轨迹搜索的夜间小动物出没检测方法

技术领域

本发明涉及一种基于轨迹搜索的夜间小动物出没检测方法。

背景技术

餐饮行业的卫生状况一直受到人们关注，并且从暴露出的许多后厨老鼠出没的例子来看，实际的卫生状况让消费者很难满意。照成这一现象的很大一部分原因是因为餐饮后厨的小动物出没大部分发生在夜间无人时，而该时间段的监控范围比较长并且夜间可见度非常低，如果使用人工筛选需要耗费大量的精力，可以说是很难实现。

随着计算机视觉技术和机器学习的发展与进步，通过监控自动识别事件变得越来越有可能，例如行人检测，人脸识别等。这些检测技术可分为两类：

1传统的移动目标检测技术，代表性的有帧差法，背景差分法，光流法。特点是计算简单，实时性强，但无法应对太复杂场景。

2基于深度学习的目标检测技术，代表性的有Faster-RCNN,YOLO,SSD等，特点是复杂场景适应能力强，但是要求待检测的目标要与背景有明显可区分特征。

目前的目标检测技术很难使用在夜视场景下的老鼠检测，难点有二：

1夜间场景下待检测目标是模糊的，可区分特征很不明显，特别是老鼠的边界轮廓很容易与背景融为一体，这使得基于深度学习的目标检测技术检出率非常低，可实行性不高。

2夜间场景会出现各种干扰，如飞蛾，光线变化，风等，这使得传统的移动目标检测技术会照成非常多的误检。

发明内容

本发明目的在于本发明基于高斯混合背景建模技术，提出一种基于KL散度距离来度量目标移动模式与预设的移动模式的匹配度，并最后再次使用分类模型来检测老鼠轨迹的技术。该技术对夜间红外下的模糊目标有非常高的检出率，并且可以明显降低各种干扰所引起的误检。

本发明的目的在于克服现有技术的不足，提供一种基于混合高斯背景建模和分类器的特征不明显的目标检测技术。

本发明的具体技术方案如下：

一种基于轨迹搜索的夜间小动物出没检测方法，包含以下步骤：

步骤一 背景建模：使用混合高斯模型方法做背景建模。对一段视频，首先使用第一帧图片T

步骤二 前景计算：对T

步骤三 合并提取管道:对于第i帧图片的前景F

步骤四 创建速度匹配模型:对任一管道T

步骤五 速度模式匹配:利用KL散度计算Qs与P

步骤六 移动方向模式匹配:对任一管道T

步骤七 再分类：若速度模式和移动方向模式都能匹配成功，则判断为检测到小动物移动。对于无法由移动模式匹配判定的管道T

对夜间的老鼠等小目标的检测，存在一个关键问题，即老鼠目标小，在夜间特征不明显，并且存在很多干扰。这使得无论是基于深度学习的目标检测还是单纯背景建模都无法很好的适用。本发明提出一种结合背景建模技术和模式匹配，并最后再结合深度学习分类器筛选的夜间小动物检测技术。该方法不会仅依赖目标的外观特征，可以极大的提升检出率，并且使用模式匹配和深度学习分类器相结合，可以很大的降低光照等引起的误检。除此之外该方法还具有运行速度快实时性好等优点，检测一段15秒的视频，仅需500毫秒，准确率达到95％以上，检出率达到95％以上。从运行速度和准确率综合评估，准确率和运行效率远远超出了使用深度学习比如yolo，ssd，faster-rcnn等框架。

附图说明

图1是本发明一种基于轨迹搜索的夜间小动物出没检测方法示意图。

图2是本发明步骤七分类模型示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

一种基于轨迹搜索的后厨夜间老鼠出没检测方法，如图1所示，其步骤如下：

步骤一 背景建模：使用混合高斯模型做背景建模，原理为背景图像的每一个像素分别用由K个高斯分布构成的混合高斯模型来建模,即:

x

参数初始化：在第一帧图像时每个像素对应的第一个高斯分布进行初始化，均值赋为当前像素的值，权值赋为1，除第一个以外的高斯分布函数的均值、权值都初始化为零。

参数更新：在时刻t对图像帧的每个像素x

匹配规则为：如果像素值x

如果检验出该像素混合高斯模型中至少有一个高斯分布与像素值x

1)对于不匹配的高斯分布，它们的均值μ和协方差矩阵∑保持不变；

2)匹配的高斯分布G

μ

∑

α为参数估计的学习速率。

如果该像素对应的混合高斯模型中没有高斯分布与像素值x

步骤二 前景计算：对新传入的t时刻的第i帧图像，计算每一个像素值x

然后再使用膨胀腐蚀再膨胀三步方法去除噪点。膨胀腐蚀的内核大小范围在2-10之间。

步骤三 合并提取管道:对于第i帧图片的前景F

连通区域的定义一般有两种：4邻接和8邻接。连通域分析的基本方法有两种：1)Two-Pass两遍扫描，通过扫描两遍图像，将图像中存在的所有连通域找出并标记。2)Seed-Filling种子填充法，基于区域生长方法，就是递归遍历。在本实施例，我们分别实验了4邻接和8邻接，以及2种连通域分析方法，结果表明对检测的准确性和速度影响可以忽略，即任一种连通域分析查找方法均可实现本方法。

步骤四 创建速度匹配模型:对任一管道T

步骤五 速度模式匹配:利用KL散度计算Qs与P

步骤六 移动方向模式匹配:对任一管道T

步骤七 再分类：若速度模式和移动方向模式都能匹配成功，则判断为检测到小动物移动。对于无法由移动模式匹配判定的管道T

本发明中的分类器可以有各种形式，只要是多层卷积或者多层全连接+2分类，均可实现本方法效果。