CN101751670A - 一种前景目标检测方法和装置 - Google Patents
一种前景目标检测方法和装置 Download PDFInfo
- Publication number
- CN101751670A CN101751670A CN200910243338A CN200910243338A CN101751670A CN 101751670 A CN101751670 A CN 101751670A CN 200910243338 A CN200910243338 A CN 200910243338A CN 200910243338 A CN200910243338 A CN 200910243338A CN 101751670 A CN101751670 A CN 101751670A
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- pixel
- gray
- image
- scale value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 239000004744 fabric Substances 0.000 claims description 81
- 230000001174 ascending effect Effects 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 13
- 238000011002 quantification Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 239000012467 final product Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种前景目标检测方法和装置,预先建立背景模型,当需要进行前景目标检测时,针对采集到的原始图像中的每一个像素点X1以及背景模型中与像素点X1处于同一位置的像素点X2,分别进行以下处理:按预定方式,为像素点X1选定邻域A1,为像素点X2选定邻域A2,邻域A1和邻域A2的大小相同;分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定像素点X1为背景点,否则,为前景点。应用本发明所述方案,能够提高前景目标检测的稳定性。
Description
技术领域
本发明涉及智能视频监控技术,特别涉及一种前景目标检测方法和装置。
背景技术
目前,智能视频监控技术已经在很多场合得到了应用,比如停车检测(检测有没有违规停车的车辆)、车辆抛撒物检测(检测某些特定的场合,如隧道里是否有往来车辆抛撒的杂物等)以及安全区域遗留物检测(检测某些安全禁区内是否有可疑物品)等,而要实现上述检测功能,则必须要首先实现前景目标和背景的分离,即检测出前景目标。
现有技术中,通常采用以下方式来实现前景目标的检测:将采集到的图像与预先获取的背景图像中相同位置的像素点的灰度值进行相减,判断相减后的结果是否大于预先设定的阈值,如果是,则认为该像素点为前景点,否则,认为其为背景点,各前景点组成前景目标。
但是,这种方式在实际应用中会存在一定的问题,因为:判断某个像素点是前景点还是背景点,只是基于两个像素点来进行的,没有任何的辅助信息,而且,是基于两个像素点的灰度值来进行判断的,而在实际应用中,采集到的图像中的各像素点的灰度值很可能会受到噪声以及光照等各种因素的影响,那么就会很容易出现误检或漏检等情况,从而导致检测结果不稳定。
发明内容
有鉴于此,本发明的主要目的在于提供一种前景目标检测方法,能够提高前景目标检测的稳定性。
本发明的另一目的在于提供一种前景目标检测装置,能够提高前景目标检测的稳定性。
为达到上述目的,本发明的技术方案是这样实现的:
一种前景目标检测方法,预先建立背景模型,当需要进行前景目标检测时,该方法包括:
针对采集到的原始图像中的每一个像素点X1以及所述背景模型中与所述像素点X1处于同一位置的像素点X2,分别进行以下处理:
按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;
分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;
将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
所述建立背景模型包括:分别获取慢背景图像以及快背景图像,将所述慢背景图像和快背景图像进行融合,得到所述背景模型;
其中,所述获取慢背景图像包括:连续采集A幅原始图像,将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述慢背景图像;所述A为大于1的正整数;
所述获取快背景图像包括:连续采集B幅原始图像,将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述快背景图像;所述B为大于1的正整数;
其中,所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔。
该方法进一步包括:对所述慢背景图像和快背景图像进行实时更新,并利用更新后的慢背景图像和快背景图像对所述背景模型进行更新;
其中,所述对慢背景图像进行更新包括:利用排序后处于同一位置的各像素点分别组成一幅图像,得到A幅重组图像,将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像;
所述对快背景图像进行更新包括:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像。
该方法进一步包括:对采集到每幅原始图像进行预处理。
所述分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差之前,进一步包括:
对所述邻域A1以及所述邻域A2中的每个像素点的灰度值进行量化处理,量化到指定等级。
所述计算所述邻域A1的交互方差包括:统计所述邻域A1中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占所述邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A1中的每个灰度值的链码对应的像素点位置在所述邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A1的交互方差;
所述计算所述邻域A2的交互方差包括:统计所述邻域A2中的每个灰度值的链码;并统计每个灰度值对应的像素点个数占所述邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A2中的每个灰度值的链码对应的像素点位置在所述邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A2的交互方差。
所述邻域A1和邻域A2的大小为21*11。
一种前景目标检测装置,包括:
建立单元,用于建立背景模型;
处理单元,用于针对采集到的原始图像中的每一个像素点X1以及所述背景模型中与所述像素点X1处于同一位置的像素点X2,分别进行以下处理:按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
所述建立单元包括:
第一获取子单元,用于连续采集A幅原始图像,将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述慢背景图像,所述A为大于1的正整数;
第二获取子单元,用于连续采集B幅原始图像,将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述快背景图像;所述B为大于1的正整数;其中,所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔;
融合子单元,用于将所述慢背景图像和快背景图像进行融合,得到所述背景模型。
所述第一获取子单元进一步用于,对所述慢背景图像进行更新,包括:利用排序后处于同一位置的各像素点分别组成一幅图像,得到A幅重组图像,将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像;
所述第二获取子单元进一步用于,对所述快背景图像进行更新,包括:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像;
所述融合子单元在确定出所述第一获取子单元或所述第二获取子单元发生更新时,利用更新结果对所述背景模型进行更新。
所述处理单元包括:
确定子单元,用于按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;
计算子单元,用于分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;
其中,所述计算所述邻域A1的交互方差包括:统计所述邻域A1中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占所述邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A1中的每个灰度值的链码对应的像素点位置在所述邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A1的交互方差;
所述计算所述邻域A2的交互方差包括:统计所述邻域A2中的每个灰度值的链码;并统计每个灰度值对应的像素点个数占所述邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A2中的每个灰度值的链码对应的像素点位置在所述邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A2的交互方差;
比较子单元,用于将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
所述计算子单元进一步用于,在分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差之前,对所述邻域A1以及所述邻域A2中的每个像素点的灰度值进行量化处理,量化到指定等级。
所述邻域A1和邻域A2的大小为21*11。
可见,采用本发明的技术方案,为每个像素点选定一个邻域,结合选定的邻域并基于该邻域的交互方差和邻域方差来确定该像素点是否为前景点,与现有技术相比,本发明所述方案引入了邻域这一辅助信息,即不再只通过两个像素点,而是多个像素点来进行判断,并引入了方差的概念,使得本发明所述方案的实现与各像素点的灰度值没有直接关系,而是与灰度值的分布情况有关,从而使得本发明所述方案受光照等因素的影响较小,因此使得前景目标的检测更为稳定;而且,本发明所述方案还可对背景模型进行实时更新,从而进一步提高了前景目标检测的稳定性。
附图说明
图1为本发明方法实施例的流程图。
图2为本发明方法实施例中形成的镜像区域示意图。
图3为本发明装置实施例的组成结构示意图。
具体实施方式
针对现有技术中存在的问题,本发明中提出一种全新的前景目标检测方案即预先建立背景模型,当需要进行前景目标检测时,针对采集到的原始图像中的每一个像素点X1以及背景模型中与像素点X1处于同一位置的像素点X2,分别进行以下处理:首先,按预定方式,为像素点X1选定邻域A1,为像素点X2选定邻域A2,邻域A1和邻域A2的大小相同;然后,分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;最后,将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定像素点X1为背景点,否则,为前景点。
由于本发明所述方案引入了邻域这一辅助信息,不再只通过两个像素点的相减来判断某一像素点是否为前景点,并引入了方差的概念,使得本发明所述方案的实现与各像素点的灰度值没有直接关系,而是与灰度值的分布情况有关,从而使得本发明所述方案受光照等因素的影响较小,因此使得前景目标的检测更为稳定。
另外,本发明所述方案中还提出了一种利用慢背景图像和快背景图像进行融合的方式来建立背景模型的方法,并根据慢背景图像和快背景图像的不同特点,采用不同的更新方法,进而对背景模型进行更新,以便进一步提高前景目标检测的稳定性。
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本发明作进一步地详细说明。
图1为本发明方法实施例的流程图。如图1所示,包括以下步骤:
步骤11:建立背景模型。
本步骤,分别获取慢背景图像和快背景图像,然后,将慢背景图像与快背景图像进行融合,得到背景模型,如何进行融合为本领域公知,不再赘述。
其中,慢背景图像的获取方式可以是:连续采集A幅原始图像,A为大于1的正整数,比如10~20幅,将这A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为慢背景图像。在采集到每幅原始图像时,还可先对其进行一些预处理,比如平滑等,以减少噪声。
举例说明,假设共采集了11幅原始图像,每幅原始图像的大小分别为10×5(实际图像的大小远大于10×5,此处仅为了表述方便),将这11幅原始图像中的(1,1)位置上的11个像素点按灰度值由小到大的顺序进行排序,同样,对(1,2)、(1,3)、(1,4)、(1,5)、(2,1),......,(10,5)等位置上的像素点也按照上述方式进行排序;之后,利用每次排序后处于中间位置,即第6位的各像素点组成一幅图像,将所组成的图像作为慢背景图像。
另外,有可能采集到的原始图像数为偶数,比如10幅,那么可将排序后的第5或第6位作为中间位置,或者,将两个位置上的灰度值进行平均,将平均值赋给慢背景图像,总之,具体实现方式不限,可根据实际需要灵活设置。
同样,获取快背景图像的方式可以是:连续采集B幅原始图像,将这B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为快背景图像,B为大于1的正整数。
可以看出,快背景图像的获取方式与慢背景图像的获取方式是一样的,但通常,慢背景图像获取过程中所用到的原始图像的采集时间间隔大于快背景图像获取过程中所用到的原始图像的采集时间间隔,这是因为慢背景的变化比较慢,所以可间隔较长时间采集一次新图像。A和B的取值可以相同,也可以不同,不作限制。
后续,还可实时对上述慢背景图像以及快背景图像进行更新,并且,如果慢背景图像和快背景图像中有一个进行了更新,则相应地更新背景模型。慢背景图像和快背景图像可采用不同的更新方式。
其中,慢背景图像的更新方式可以为:利用排序后处于同一位置的各像素点分别组成一幅图像,即利用排序后处于第一位的各像素点组成一幅图像,利用排序后处于第二位的各像素点组成一幅图像,依次类推,从而得到A幅重组图像;将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像。由于所述A-1幅重组图像中的各位置上的像素点的灰度值的顺序都是已经排好的,所以再次排序时,只需将新采集的第A+1幅原始图像中每个像素点上的灰度值按大小***到对应的位置即可。
快背景图像的更新方式可以是:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像。由于快背景变化较快,所以直接将最先采集的一幅原始图像丢弃即可。
步骤12:针对采集到的原始图像中的每一个像素点X1以及背景模型中与像素点X1处于同一位置的像素点X2,分别进行以下处理:按预定方式,为像素点X1和X2分别选定邻域A1和A2,并分别计算两个邻域的交互方差和邻域方差,利用邻域方差对交互方差进行归一化;将两个归一化结果进行求和,并将该和与预先设定的阈值进行比较,如果小于阈值,则确定像素点X1为背景点,否则,为前景点。
本步骤中,针对像素点X1和X2,首先为其选定邻域,邻域大小可根据实际需要而定,比如为21*11,即以像素点X1为中心,将长宽分别为21和11个像素点的区域作为像素点X1的邻域A1,邻域A2的选定方式相同。
需要说明的是,对于位于原始图像边缘区域的像素点,比如位置为(1,1)的像素点,可通过形成原始图像的镜像区域的方式来形成这类像素点的邻域。镜像区域的形成方式为本领域公知,比如,可如图2所示,其中的斜线区域即为镜像区域,所述镜像区域的具体形成方式可以为:对于类似于区域3的镜像区域,以直线1为对称轴,将区域2和区域3进行对叠重合,然后将区域2中的各像素点的灰度值对应赋值给与其重合的区域3中的各像素点即可;对于类似于区域4的镜像区域,基于区域4和区域6的对称轴5,将区域6和区域4进行对叠重合,然后将区域6中的各像素点的灰度值对应赋值给与其重合的区域4中的各像素点即可。镜像区域的大小根据为每个像素点选定的邻域的大小而定。
之后,为减少计算量并减少噪声干扰,可对邻域A1以及邻域A2中的每个像素点进行量化处理,即将256级量化到指定等级,比如16、32或64等。然后,分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差;之后,利用邻域方差对交互方差进行归一化,即用邻域A1的交互方差除以邻域A1的邻域方差,用邻域A2的交互方差除以邻域A2的邻域方差;最后,将两个归一化结果进行求和,并将该和与预先设定的阈值进行比较,如果小于阈值,则说明邻域A1和邻域A2非常相似,所以确定像素点X1为背景点,否则,为前景点。
其中,邻域A1的交互方差的计算方式为:统计邻域A1中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定邻域A1中的每个灰度值的链码对应的像素点位置在邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到邻域A1的交互方差。
邻域A2的交互方差的计算方式为:统计邻域A2中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占所述邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定邻域A2中的每个灰度值的链码对应的像素点位置在所述邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到邻域A2的交互方差。
举例说明,假设邻域A1中共涉及到了10个灰度值,其中一个灰度值230对应的像素点(即邻域A1中取值为250的像素点)的位置为(30,31)、(30,35)、(35,33),此位置信息即为灰度值230的链码,如果邻域A1中共包括30个像素点,那么灰度值230对应的权值即为1/10,而邻域A2中的(30,31)、(30,35)、(35,33)这三个位置上的像素点的灰度值的方差即为灰度值230对应的方差;按照同样的方式计算出其它9个灰度值的方差,将10个方差分别乘以其权值,并将10个相乘结果相加,得到的结果即为邻域A1的交互方差。邻域A1的邻域方差是指邻域A1中的各像素点的灰度值的方差。
至此,即完成了本发明方法实施例所示流程。
基于上述方法,图3为本发明装置实施例的组成结构示意图。如图3所示,包括:
建立单元31,用于建立背景模型;
处理单元32,用于针对采集到的原始图像中的每一个像素点X1以及背景模型中与像素点X1处于同一位置的像素点X2,分别进行以下处理:按预定方式,为像素点X1选定邻域A1,为像素点X2选定邻域A2,邻域A1和邻域A2的大小相同;分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定像素点X1为背景点,否则,为前景点。
其中,建立单元31中可具体包括:
第一获取子单元311,用于连续采集A幅原始图像,将A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为慢背景图像,A为大于1的正整数;
第二获取子单元312,用于连续采集B幅原始图像,将B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为快背景图像;B为大于1的正整数;其中,A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于B幅原始图像中的每两幅相邻原始图像的采集时间间隔;
融合子单元313,用于将慢背景图像和快背景图像进行融合,得到背景模型。
第一获取子单元311还可进一步用于,对慢背景图像进行更新,包括:利用排序后处于同一位置的各像素点分别组成一幅图像,得到A幅重组图像,将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像;
第二获取子单元312还可进一步用于,对快背景图像进行更新,包括:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像;
融合子单元在确定出第一获取子单元311或第二获取子单元312发生更新时,利用更新结果对背景模型进行更新。
另外,处理单元32中可具体包括:
确定子单元321,用于按预定方式,为像素点X1选定邻域A1,为像素点X2选定邻域A2,邻域A1和邻域A2的大小相同;
计算子单元322,用于分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;
其中,计算邻域A1的交互方差包括:统计邻域A1中的每个灰度值的链码,链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定邻域A1中的每个灰度值的链码对应的像素点位置在邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到邻域A1的交互方差;计算邻域A2的交互方差包括:统计邻域A2中的每个灰度值的链码;并统计每个灰度值对应的像素点个数占邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定邻域A2中的每个灰度值的链码对应的像素点位置在邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到邻域A2的交互方差;
比较子单元323,用于将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定像素点X1为背景点,否则,为前景点。
另外,计算子单元322还可进一步用于,在分别计算邻域A1的交互方差和邻域方差,以及邻域A2的交互方差和邻域方差之前,对邻域A1以及邻域A2中的每个像素点的灰度值进行量化处理,量化到指定等级。
上述邻域A1和邻域A2的大小通常为21*11。
图3所示装置实施例的具体工作流程请参照图1所示方法实施例中的相应说明,此处不再赘述。
总之,采用本发明的技术方案,可较好地提高前景目标检测的稳定性。
综上所述,以上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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种前景目标检测方法,其特征在于,预先建立背景模型,当需要进行前景目标检测时,该方法包括:
针对采集到的原始图像中的每一个像素点X1以及所述背景模型中与所述像素点X1处于同一位置的像素点X2,分别进行以下处理:
按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;
分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;
将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
2.根据权利要求1所述的方法,其特征在于,所述建立背景模型包括:分别获取慢背景图像以及快背景图像,将所述慢背景图像和快背景图像进行融合,得到所述背景模型;
其中,所述获取慢背景图像包括:连续采集A幅原始图像,将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述慢背景图像;所述A为大于1的正整数;
所述获取快背景图像包括:连续采集B幅原始图像,将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述快背景图像;所述B为大于1的正整数;
其中,所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔。
3.根据权利要求2所述的方法,其特征在于,该方法进一步包括:对所述慢背景图像和快背景图像进行实时更新,并利用更新后的慢背景图像和快背景图像对所述背景模型进行更新;
其中,所述对慢背景图像进行更新包括:利用排序后处于同一位置的各像素点分别组成一幅图像,得到A幅重组图像,将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像;
所述对快背景图像进行更新包括:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像。
4.根据权利要求1、2或3所述的方法,其特征在于,该方法进一步包括:对采集到每幅原始图像进行预处理。
5.根据权利要求1、2或3所述的方法,其特征在于,所述分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差之前,进一步包括:
对所述邻域A1以及所述邻域A2中的每个像素点的灰度值进行量化处理,量化到指定等级。
6.根据权利要求1、2或3所述的方法,其特征在于,
所述计算所述邻域A1的交互方差包括:统计所述邻域A1中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占所述邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A1中的每个灰度值的链码对应的像素点位置在所述邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A1的交互方差;
所述计算所述邻域A2的交互方差包括:统计所述邻域A2中的每个灰度值的链码;并统计每个灰度值对应的像素点个数占所述邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A2中的每个灰度值的链码对应的像素点位置在所述邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A2的交互方差。
7.根据权利要求1、2或3所述的方法,其特征在于,所述邻域A1和邻域A2的大小为21*11。
8.一种前景目标检测装置,其特征在于,包括:
建立单元,用于建立背景模型;
处理单元,用于针对采集到的原始图像中的每一个像素点X1以及所述背景模型中与所述像素点X1处于同一位置的像素点X2,分别进行以下处理:按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
9.根据权利要求8所述的装置,其特征在于,所述建立单元包括:
第一获取子单元,用于连续采集A幅原始图像,将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述慢背景图像,所述A为大于1的正整数;
第二获取子单元,用于连续采集B幅原始图像,将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,该图像即为所述快背景图像;所述B为大于1的正整数;其中,所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔;
融合子单元,用于将所述慢背景图像和快背景图像进行融合,得到所述背景模型。
10.根据权利要求9所述的装置,其特征在于,
所述第一获取子单元进一步用于,对所述慢背景图像进行更新,包括:利用排序后处于同一位置的各像素点分别组成一幅图像,得到A幅重组图像,将由排序后处于第一位的各像素点组成的重组图像丢弃,并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的慢背景图像;
所述第二获取子单元进一步用于,对所述快背景图像进行更新,包括:按采集时间先后顺序,将最先采集到的一幅原始图像丢弃,并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序,利用排序后处于中间位置的各像素点组成一幅图像,将该图像作为更新后的快背景图像;
所述融合子单元在确定出所述第一获取子单元或所述第二获取子单元发生更新时,利用更新结果对所述背景模型进行更新。
11.根据权利要求8、9或10所述的装置,其特征在于,所述处理单元包括:
确定子单元,用于按预定方式,为所述像素点X1选定邻域A1,为所述像素点X2选定邻域A2,所述邻域A1和邻域A2的大小相同;
计算子单元,用于分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差,并利用每个邻域的邻域方差对交互方差进行归一化;其中,所述计算所述邻域A1的交互方差包括:统计所述邻域A1中的每个灰度值的链码,所述链码是指每个灰度值对应的像素点位置;并统计每个灰度值对应的像素点个数占所述邻域A1内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A1中的每个灰度值的链码对应的像素点位置在所述邻域A2中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A1的交互方差;所述计算所述邻域A2的交互方差包括:统计所述邻域A2中的每个灰度值的链码;并统计每个灰度值对应的像素点个数占所述邻域A2内的总像素点个数的比例,将统计出的比例作为每个灰度值对应的权值;确定所述邻域A2中的每个灰度值的链码对应的像素点位置在所述邻域A1中的取值,并计算对应的取值的方差;将每个灰度值对应的方差与对应的权值进行相乘,并将相乘结果进行相加,得到所述邻域A2的交互方差;
比较子单元,用于将两个归一化结果进行求和,并将得到的和与预先设定的阈值进行比较,如果小于阈值,则确定所述像素点X1为背景点,否则,为前景点。
12.根据权利要求11所述的装置,其特征在于,所述计算子单元进一步用于,在分别计算所述邻域A1的交互方差和邻域方差,以及所述邻域A2的交互方差和邻域方差之前,对所述邻域A1以及所述邻域A2中的每个像素点的灰度值进行量化处理,量化到指定等级。
13.根据权利要求8、9或10所述的装置,其特征在于,所述邻域A1和邻域A2的大小为21*11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910243338.9A CN101751670B (zh) | 2009-12-17 | 2009-12-17 | 一种前景目标检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910243338.9A CN101751670B (zh) | 2009-12-17 | 2009-12-17 | 一种前景目标检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101751670A true CN101751670A (zh) | 2010-06-23 |
CN101751670B CN101751670B (zh) | 2014-09-10 |
Family
ID=42478614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910243338.9A Expired - Fee Related CN101751670B (zh) | 2009-12-17 | 2009-12-17 | 一种前景目标检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101751670B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369591A (zh) * | 2020-03-05 | 2020-07-03 | 杭州晨鹰军泰科技有限公司 | 一种运动物体的跟踪方法、装置及设备 |
CN111832470A (zh) * | 2020-07-15 | 2020-10-27 | 中兴飞流信息科技有限公司 | 一种融合多种模型的遗留物检测方法 |
CN111859001A (zh) * | 2020-07-06 | 2020-10-30 | Oppo(重庆)智能科技有限公司 | 图像相似度检测方法、装置、存储介质与电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1228984C (zh) * | 2003-09-29 | 2005-11-23 | 上海交通大学 | 基于运动检测的视频对象分割方法 |
CN100495438C (zh) * | 2007-02-09 | 2009-06-03 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
CN101221663A (zh) * | 2008-01-18 | 2008-07-16 | 电子科技大学中山学院 | 一种基于运动目标检测的智能监控报警方法 |
CN101266689B (zh) * | 2008-04-23 | 2010-09-29 | 北京中星微电子有限公司 | 一种运动目标检测方法及装置 |
CN101299799B (zh) * | 2008-06-13 | 2011-11-09 | 北京中星微电子有限公司 | 图像检测、修复方法和图像检测、修复装置 |
CN101561932B (zh) * | 2009-05-12 | 2012-01-11 | 北京交通大学 | 一种动态复杂背景下的实时运动目标检测方法和装置 |
-
2009
- 2009-12-17 CN CN200910243338.9A patent/CN101751670B/zh not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369591A (zh) * | 2020-03-05 | 2020-07-03 | 杭州晨鹰军泰科技有限公司 | 一种运动物体的跟踪方法、装置及设备 |
CN111859001A (zh) * | 2020-07-06 | 2020-10-30 | Oppo(重庆)智能科技有限公司 | 图像相似度检测方法、装置、存储介质与电子设备 |
CN111859001B (zh) * | 2020-07-06 | 2022-05-31 | Oppo(重庆)智能科技有限公司 | 图像相似度检测方法、装置、存储介质与电子设备 |
CN111832470A (zh) * | 2020-07-15 | 2020-10-27 | 中兴飞流信息科技有限公司 | 一种融合多种模型的遗留物检测方法 |
CN111832470B (zh) * | 2020-07-15 | 2024-05-07 | 中兴飞流信息科技有限公司 | 一种融合多种模型的遗留物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101751670B (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170262713A1 (en) | Method and Device of Lane Departure Warning and Automobile Driving Assistance System | |
WO2009088035A1 (ja) | 車線認識装置、車線認識方法および車線認識プログラム | |
US20090226092A1 (en) | Object detection device, and object detection device for elevator | |
CN109740533A (zh) | 遮挡比例确定方法、装置和电子*** | |
CN107592449B (zh) | 三维模型建立方法、装置和移动终端 | |
CN102175700A (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
JP2008286725A (ja) | 人物検出装置および方法 | |
CN101751669B (zh) | 一种静止物体检测方法和装置 | |
JP2013182551A (ja) | 自車位置検出装置、自車位置検出システム及び自車位置検出方法 | |
CN107748882B (zh) | 一种车道线检测方法及装置 | |
EP3889589A1 (en) | Surface defect detecting method, surface defect detecting device, method for manufacturing steel material, steel material quality control method, steel material manufacturing equipment, method for creating surface defect determination model, and surface defect determination model | |
CN110443783A (zh) | 一种图像质量评估方法及装置 | |
CN108009522A (zh) | 一种道路检测方法、装置及终端 | |
CN101751670A (zh) | 一种前景目标检测方法和装置 | |
JP5983729B2 (ja) | 白線検出装置、白線検出フィルタ装置及び白線検出方法 | |
CN104270553A (zh) | 一种视频场景切换检测方法及装置 | |
CN111753716B (zh) | 一种停车压线检测方法及服务器 | |
CN113052754B (zh) | 一种图片背景虚化的方法及装置 | |
CN103913121A (zh) | 一种车辆轮廓尺寸自动测量装置及方法 | |
CN102610104A (zh) | 一种车载的前方车辆检测方法 | |
JP6205712B2 (ja) | 横断歩道検出装置および横断歩道検出方法 | |
CN104408727A (zh) | 一种图像边缘污点检测方法及*** | |
CN104243967A (zh) | 一种图像检测方法及装置 | |
CN110276226A (zh) | 一种点阵码检测方法及*** | |
JP4537794B2 (ja) | 画像処理装置及び画像処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140910 Termination date: 20191217 |
|
CF01 | Termination of patent right due to non-payment of annual fee |