本发明主要涉及图像识别的，具体涉及一种基于改进光流算法的移动目标检测方法。
背景技术：
1、移动目标检测是在动态视频中检测是否有物体相对于地面发生移动的图像处理技术。其目标是分离图像中的前景和背景信息，被广泛应用于智能交通、安全监控、医学和机器人视觉导航等领域。传统移动目标检测方法包括帧差法、光流法和背景减法等，其中帧差法通过计算相邻帧或背景图与当前帧之间的差别来检测移动目标，但只适用于背景为静态的数据；光流法通过求解并投射目标运动过程来跟踪目标变化，但计算复杂且对噪声敏感；背景减法将当前帧与背景图像进行差分，得到运动目标区域，但需要构建一幅不含运动目标的背景底图，无法适应和更新场景变化。
2、传统图像领域学者通过人工提取等图像局部不变特征进行目标检测，但仅适用于小样本检测。同时，传统移动检测只完成了图像坐标系统的位置检测，当数据源更换时，相应的图像坐标系也会发生改变，难以衡量检测效果的好坏。因此，传统检测策略难以适应海量累积的多源传感器数据和动态变化的城市街景环境。
技术实现思路
1、本发明主要提供了一种基于改进光流算法的移动目标检测方法用以解决上述背景技术中提出的技术问题。
2、本发明解决上述技术问题采用的技术方案为：
3、一种基于改进光流算法的移动目标检测方法，包括以下步骤：
4、步骤一，在最初lucase-kanade理论中采用一个最小二乘法来解决模板匹配问题，寻找一个最优速度v使移动模块与最初提取的模块相匹配；
5、步骤二，利用最小二乘法迭代进行式计算，当阈值小于特定值时，则判定该点为跟踪点在这一帧确切位置，之后开始进行搜索下一帧跟踪点，如此反复直到图像序列搜索完成；
6、步骤三，通过步骤一和步骤二获取两帧连续图像，对图像进行灰度化处理，得到其灰度图像；
7、步骤四，对两帧灰度图像运行lucas－kanade光流算法得到光流场，从光流场中可以看出，光流连续的区域为背景区域，光流不连续的区域为前景区域，即运动目标所在区域；
8、步骤五，通过otsu算法运算得到最佳阈值，对其进行二值化处理，得到二值图像；
9、步骤六，进行形态学处理，使得到的运动目标更加完整。
10、进一步的，所述最初lucase-kanade理论采用的公式为：
11、l(i(x)丨t)＝∑x∈t[ii(w(x；v)-t(x)2)] (1)；
12、其中，ii表示为在i帧图像的灰度值，t为初始帧,i0提取的包含目标特征的一个子区域，w(x；v)为图像参数化的函数，为包括了图像x方向和y方向坐标的一个矩阵，v为目标区域的在图像上的像素速度。
13、进一步的，所述寻找一个最优速度v使移动模块与最初提取的模块相匹配所采用的公式为：
14、l(i(x)丨t)＝∑x∈t[ii(w(x；v+δv)-t(x)2)] (2)。
15、进一步的，所述步骤一中，对式(1)和式(2)反复进行，直到v收敛，观察△v是否小于某阈值，将式(2)进行一阶泰勒开得到解；
16、得到的解为：
17、
18、其中，▽ii是像素点对x和y方向的梯度；
19、把式(4)代入式(2)中，得：
20、
21、对式(5)进行编导；
22、
23、
24、其中h-1为n*n的hessian矩阵。
25、进一步的，所述利用最小二乘法迭代进行式计算，当阈值小于特定值时，则判定该点为跟踪点在这一帧确切位置，之后开始进行搜索下一帧跟踪点，如此反复直到图像序列搜索完成的具体步骤为：
26、s21，对步骤一所采用的公式进行改进；
27、s22，对s21中所得到的公式进行一阶泰勒展开，得到最小二乘法的解；
28、所述步骤s21中，得到的改进公式为：
29、l(i(x)丨t)＝∑x∈t[t(w(x；δv))-ii(w(x；v))]2；
30、所述步骤s22中，展开后得到的公式为：
31、
32、所述步骤s22中，得到的解为：
33、
34、进一步的，原始的lucase-kanade算法中，由于跟踪的目标不同，考虑了物体的线性变化的平移、旋转、剪切和缩放；当识别断路器弹簧高速图像序列时，目标物体可视为缓慢有限的平面运动，忽略外观变形、尺度变化可大大提高匹配速度；对此将函数w(x；v)改为由两个独立的速度变量组成；
35、
36、矩阵可变换为：
37、
38、hessen矩阵变化为：
39、
40、w(x；v)仅有两个参数，此时hessen矩阵的大小为2×2，与原始lkof相比减少了算法的计算量，提高了运行速度；弹簧运动在x轴y轴速度不同，计算y轴速度时存在震荡现象，在x轴时存在迭代速度缓慢的情况；对此引入一个自适应步长来加速迭代速度，进一步加快算法运行速度；为了防止自适应步长加速过快最终导致算法不收敛，在此添加衰减系数控制历史信息的获取；
41、得到如下公式：
42、
43、式中k为累计平方加速度，ρ为历史信息保存度取值为(0，1)；
44、又可得到如下公式：
45、
46、更新速度为：
47、v＝v+aδv；
48、式中：a为加速步长，ε为总步长，σ为超参数；
49、判断δv是否小于阈值，如果小于阈值，第i帧采集结束，否则从新通过v计算第i帧可能光流点位置i(x)。
50、进一步的，获取两帧连续图像，对图像进行灰度化处理，得到其灰度图像；假设图像的灰度级为l，大小为m×n，图像中灰度级为i的像素总个数为ni，则计算灰度级i的概率为；
51、
52、对两帧灰度图像运行lucas－kanade光流算法得到光流场，从光流场中可以看出，光流连续的区域为背景区域，光流不连续的区域为前景区域，即运动目标所在区域。
53、进一步的，otsu算法原理是对图像i(x，y)，前景和背景的分割阈值记为t，属于前景的像素点数占整幅图像的比例记为pa，平均灰度为wa；背景像素点数占整幅图像的比例为pb，平均灰度为wb；整幅图像的平均灰度记为w0通过otsu算法运算得到最佳阈值，对其进行二值化处理，得到二值图像。最佳阈值求解公式为：
54、
55、其中:
56、
57、
58、
59、
60、
61、进一步的，所述步骤六中，进行形态学处理，使得到的运动目标更加完整的具体步骤为：
62、s61，提取几何结构特征；
63、s62，根据结构模式选择相应的结构元素；
64、s63，用选定的结构元对图像实行击中与否变换，便得到比原始图像更显著突出物体特征信息的图像；
65、s64，经过形态学变换后的图像突出所需信息，从而提取目标信息。
66、与现有技术相比，本发明的有益效果为：
67、本发明速度方面与准确率方面有了很大的提升,在时间复杂度上和稳定性上较原始的lk光流法有了较大的提升，很好的满足动作捕捉系统对实时性的要求。
68、以下将结合附图与具体的实施例对本发明进行详细的解释说明。
1.一种基于改进光流算法的移动目标检测方法，包括以下步骤：
2.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，所述最初lucase-kanade理论采用的公式为：
3.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，所述寻找一个最优速度v使移动模块与最初提取的模块相匹配所采用的公式为：
4.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，所述步骤一中，对式(1)和式(2)反复进行，直到v收敛，观察△v是否小于某阈值，将式(2)进行一阶泰勒开得到解；
5.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，所述利用最小二乘法迭代进行式计算，当阈值小于特定值时，则判定该点为跟踪点在这一帧确切位置，之后开始进行搜索下一帧跟踪点，如此反复直到图像序列搜索完成的具体步骤为：
6.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，原始的lucase-kanade算法中，由于跟踪的目标不同，考虑了物体的线性变化的平移、旋转、剪切和缩放；当识别断路器弹簧高速图像序列时，目标物体可视为缓慢有限的平面运动，忽略外观变形、尺度变化可大大提高匹配速度；对此将函数w(x；v)改为由两个独立的速度变量组成；
7.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，获取两帧连续图像，对图像进行灰度化处理，得到其灰度图像；假设图像的灰度级为l，大小为m×n，图像中灰度级为i的像素总个数为ni，则计算灰度级i的概率为；
8.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，otsu算法原理是对图像i(x，y)，前景和背景的分割阈值记为t，属于前景的像素点数占整幅图像的比例记为pa，平均灰度为wa；背景像素点数占整幅图像的比例为pb，平均灰度为wb；整幅图像的平均灰度记为w0通过otsu算法运算得到最佳阈值，对其进行二值化处理，得到二值图像。最佳阈值求解公式为：
9.根据权利要求1所述的一种基于改进光流算法的移动目标检测方法，其特征在于，所述步骤六中，进行形态学处理，使得到的运动目标更加完整的具体步骤为：
