CN104392468B - 基于改进视觉背景提取的运动目标检测方法 - Google Patents
基于改进视觉背景提取的运动目标检测方法 Download PDFInfo
- Publication number
- CN104392468B CN104392468B CN201410677578.0A CN201410677578A CN104392468B CN 104392468 B CN104392468 B CN 104392468B CN 201410677578 A CN201410677578 A CN 201410677578A CN 104392468 B CN104392468 B CN 104392468B
- Authority
- CN
- China
- Prior art keywords
- pixel
- background
- prospect
- frame
- background model
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进视觉背景提取的运动目标检测方法,先对视频图像的每个像素点建立一个背景模型,计算当前像素点与背景模型的相似度,如果相似,则分类为背景,否则为前景,根据被连续判定为前景的次数选择是否更新背景模型及显示运动目标。本发明能够将背景误检为运动前景从而产生的Ghost去除。
Description
技术领域
本发明属于图像处理技术领域,特别是一种基于改进视觉背景提取的运动目标检测方法。
背景技术
智能分析***需要准确地完成运动目标的检测,从而将运动目标与背景图像分离,以供后继处理。因此运动目标检测是运动目标跟踪等很多后续处理的基础,运动目标检测算法制约着整个智能视频监控***的稳定性、可靠性。
目前,比较成熟的运动目标检测算法可以分为以下三类:光流法、帧差法以及背景建模法。
(1)光流法是将二维图像平面坐标点上灰度的瞬时变化率定义为光流矢量,通过估计光流矢量梯度平方和或拉普拉斯平方和的最小化确定目标运动。单纯从图像灰度强度来检测运动目标的光流法在运动目标与背景图像的对比度很小,或图像存在噪声时,其效果较差,而且光流法运算量较大,对硬件设备要求较高,在实时监控***中很难得到应用。
(2)帧差法是在视频图像序列中的相邻两帧间对图像灰度值做差分运算,从而提取图像中的运动区域。帧差法在动态环境中具有较强的自适应性,对光照的变化干扰不敏感,运算量小,其缺点是很难完整地提取出与运动目标相关的全部像素区域,只能提取出边界点,容易在运动实体内部产生空洞。此外,在运动目标速度缓慢时,很可能会检测不到,而运动目标速度过快时,将会把部分背景也检测为运动目标,检测出的物体在运动方向上被拉伸,造成检测效果不精确。
(3)背景差分法是对视频帧序列进行分析后通过建立相应的合适的背景提取模型提取到背景图像帧,再通过多视频帧序列进行实时采集获得当前帧视频图像,二者相减得到差分值。通过对差分结果的辨析,判断某一像素点是感兴趣的(或者说有用的)运动目标还是背景像素点。根据背景差法的原理,只要能够建立正确的背景图像,用当前帧图像减去背景图像即可提取出运动目标。所以,运动目标检测的关键是如何建立合适的自适应背景模型,有效的去除光照、噪声等引起的干扰。自适应背景模型能够根据背景的变化建立背景模型,并不断更新模型参数,最后根据运动目标像素的模型分布参数与背景模型的分布参数是否符合来判断运动目标像素点,从而检测出运动目标。
视觉背景提取(VIBE)算法属于背景差分法的一种,是由Olivier Barnich和MarcVanDroogenbroeck于2009年《IEEE》在上发表的《VIBE:A POWERFUL RANDOM TECHNIQUETO ESTIMATE THE BACKGROUND IN VIDEO SEQUENCES》中提出的一种基于时空随机选择思想的背景提取算法。与一些主流的背景建模方法(核函数估计、混合高斯背景建模等)采用估计像素概率密度函数来建立像素模型的方法不同,VIBE算法不再估计概率密度函数而是采用一系列的像素集合作为每个位置像素点的背景模型。首次将随机选择机制引入到背景建模中,通过随机选择样本估计背景模型的方式描述实际场景的随机波动性。VIBE背景建模有思想简单、易于实现、运算效率高等优点,但当背景模型的初始帧存在着运动目标或目标从运动状态转变为长时间甚至永久静止时,由于此时依然将其判定为运动前景而不对其背景模型更新,会在之后的检测中出现虚假目标,即鬼影Ghost。
发明内容
本发明的目的在于提供一种基于改进视觉背景提取的运动目标检测方法,能够将背景误检为运动前景从而产生的Ghost去除。
实现本发明目的的技术解决方案为:一种基于改进视觉背景提取的运动目标检测方法,包括以下步骤:
步骤(1),利用红外探测器或者可见光摄像头采集图像,该图像含有运动目标;
步骤(2),如果步骤(1)采集到的是RGB图像,对其进行灰度化;
步骤(3),初始化背景模型:提取红外探测器采集的灰度化图像或步骤(2)得到的灰度化图像中前K帧图像奇数帧的像素点灰度值,另外建立针对一帧图像里每一个像素点的初始化背景模型M(x);
步骤(4),背景判断:从灰度化图像的K+1帧开始判断每个像素点是否为背景,计算K+1帧开始后的每一帧的每个像素点与背景模型的相似度,如果相似,则分类为背景,转到步骤(5);否则为前景,记录判断为前景的次数Tom(x,y),其中(x,y)代表像素点在一帧图像中的横纵坐标,然后转到步骤(6);
步骤(5),更新背景模型M(x);
步骤(6),前景进一步判断:根据每个像素点的前景判断次数Tom(x,y)及当前帧的像素点与当前帧之前的L帧相同位置像素点的相似度来判定该像素点是误判为前景的背景点,如果是,则更新背景模型M(x);否则判定该像素点是前景点,转到步骤(7);
步骤(7),若步骤(6)的像素点为前景,则判断为运动目标,显示该运动目标,令其在显示器显示的灰度值为255。
本发明与现有技术相比,其显著优点:(1)传统VIBE算法主要是利用单帧视频序列初始化背景模型,对于一个像素点,结合相邻像素点拥有相近灰度值的空间分布特性,随机的选择它的邻域点的灰度值作为它的模型样本值。在初始场景中存在运动目标的情况时,该方法建立的背景模型中的样本可能含有大量运动目标所对应的灰度值,在后续的前景检测中易产生Ghost。本发明提出的方法对初始场景的前K帧图像,取奇数帧每个像素点的灰度值建立背景模型,相比传统VIBE算法,可以增大所建立背景模型的准确性。(2)当像素点被判定为背景需要更新其背景模型时,传统VIBE算法采用无记忆更新策略,即每次以该像素点当前帧的灰度值随机更新对应模型中的某个样本。本发明提出的方法则在前景判断过程中记录欧氏距离最大的样本位置,在模型更新时以当前帧像素点的灰度值更新该样本,相比传统VIBE算法,能在更短的时间更新出可靠的背景模型。(3)当目标从运动状态转变为长时间甚至永久静止时,由于传统VIBE算法依然将其判定为运动前景而不对其背景模型更新,会在之后的检测中出现虚假目标,即鬼影Ghost。本发明提出的方法在更新过程中加入TOM(Time of map)机制,可以对把鬼影Ghost有效消除。实验结果表明,本发明基于改进视觉背景提取的运动目标检测方法检测效果较好,目标信息丰富,误检率低,可以有效消除Ghost,可以单独应用在安防监控,夜视侦查等民事和军事领域。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于改进视觉背景提取的运动目标检测方法的流程图。
图2(a)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在夜间树林对行人的检测效果对比图:1)原始图像;2)OTSU帧差法的检测结果;3)混合高斯模型算法检测结果;4)VIBE算法检测结果;5)本发明方法检测结果。
图2(b)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在夜间公园对行人的检测效果对比图:1)原始图像;2)OTSU帧差法的检测结果;3)混合高斯模型算法检测结果;4)VIBE算法检测结果;5)本发明方法检测结果。
图2(c)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在室外对行人的检测效果对比图:1)原始图像;2)OTSU帧差法的检测结果;3)混合高斯模型算法检测结果;4)VIBE算法检测结果;5)本发明方法检测结果。
图2(d)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在停车场对车辆的检测效果对比图:1)原始图像;2)OTSU帧差法的检测结果;3)混合高斯模型算法检测结果;4)VIBE算法检测结果;5)本发明方法检测结果。
图3(a)为传统VIBE算法与本发明方法在室外行人的检测中第41帧的结果对比图。
图3(b)为传统VIBE算法与本发明方法在室外行人的检测中第47帧的结果对比图。
图3(c)为传统VIBE算法与本发明方法在室外行人的检测中第49帧的结果对比图。
图3(d)为传统VIBE算法与本发明方法在室外行人的检测中第55帧的结果对比图。
图3(e)为传统VIBE算法与本发明方法在室外行人的检测中第60帧的结果对比图。
具体实施方式
步骤(1),利用红外探测器或者可见光摄像头采集图像,该图像含有运动目标。
步骤(2),如果步骤(1)采集到的是RGB(红绿蓝三基色)图像,对其进行灰度化。
步骤(3),初始化背景模型:提取红外探测器采集的灰度化图像或步骤(2)得到的灰度化图像中前K帧图像奇数帧的像素点灰度值,另外建立针对一帧图像里每一个像素点的初始化背景模型M(x)。
其中提取灰度化图像中前K帧图像奇数帧的像素点,另外建立初始化背景模型M(x)步骤如下:
对于当前帧中的任一像素点,采用该像素点在视频初始时的前K帧图像奇数帧的像素点灰度值集合,来建立初始化背景模型
M(x)={p1,p2,...pN}
式中,p1,p2,...pN为背景模型的样本,对应于前K帧图像奇数帧的像素点灰度值,N=K/2。以K取40为例,即N=20,背景模型M(x)中共有20个样本。
步骤(4),背景判断:从灰度化图像的K+1帧开始判断每个像素点是否为背景,计算K+1帧开始后(包括K+1帧)的每一帧的每个像素点与背景模型的相似度,如果相似,则分类为背景,转到步骤(5);否则为前景,记录判断为前景的次数Tom(x,y),其中(x,y)代表像素点在一帧图像中的横纵坐标,然后转到步骤(6);
上述从K+1帧开始,判断像素点是否为背景步骤如下:
a)从K+1帧开始,对于当前帧的某一像素点x,其灰度值为P(x),在欧式颜色空间中定义一个以P(x)为中心,R为半径的圆SR(P(x)),R为模型匹配阈值,SR(P(x))表示所有与P(x)距离小于R的灰度值的集合,用M(x)落在圆SR(P(x))内的样本个数#{SR(P(x))∩{P1,P2...PN}}来描述P(x)与背景模型M(x)的相似度。以R取20为例。
b)设定最小匹配个数#min,根据下式,如果#{SR(P(x))∩{P1,P2...PN}}<#min,则像素点x与背景模型M(x)不匹配,判断该点为前景,每当像素点x被判定为前景一次,Tom(x,y)加1;否则像素点x与背景模型M(x)匹配,判断该点为背景,Tom(x,y)置0。以#min取4为例。
步骤(5),更新背景模型M(x)。
背景模型的更新是运动目标检测算法的关键,主要使得背景模型能够适应背景的不断变化,比如光照的变化,背景物体的变更等。它的更新方法主要有:
a)保守的更新方法:前景点永远不会被用来填充背景模型,会引起死锁,比如初始化的时候如果一块静止的区域被错误的检测为运动的,那么在这种策略下它永远会被当做运动的物体来对待。
b)Blind方法:对死锁不敏感,前景背景都可以来更新背景模型,缺点是缓慢移动的物体会融入背景中无法被检测出来。
c)随机的子采样:在每一个新的视频帧中都去更新背景模型中的每一个像素点的样本值是没有必要的,对于判断为背景的像素点x,有1/φ概率去更新自身的背景模型。与此同时有1/φ的概率去更新它的F*F邻域某一像素点对应模型的随机一个样本。
传统VIBE算法采用保守的更新策略与随机子采样结合的方法更新背景模型。在理想情况下,背景模型中的样本应全部是背景灰度值。但有时候第一帧图像会包含运动目标或者噪声较多导致可能有非背景灰度值被放入样本中,这种情况下传统VIBE算法会对背景产生错误判断。
本发明提出的方法通过步骤(3)的多帧取样建立背景模型可以减少第一帧图像包含运动目标以及存在噪声导致可能有非背景灰度值被放入样本的情况。同时由于这些错误的样本值在通常情况下与背景的欧式距离较大,因此在选择要替换的背景模型样本值时候,我们选择步骤(3)中欧氏距离最大值对应的样本位置进行更新,这样可以进一步消除背景模型中的非背景样本,提高背景模型的准确度。具体步骤如下:
若像素点x被判定为背景,更新背景模型的步骤如下:
a)记录所述像素点x判定背景过程中欧氏距离(即当前像素值与背景模型的样本灰度差值)最大的样本位置;
b)有1/φ概率去更新当前帧像素点x自身的背景模型,即从K+1帧开始,在更新当前帧像素点x自身的背景模型时,用当前帧像素点x的灰度值P(x)更新步骤(4)找出的欧氏距离中最大值所对应的样本。以φ取16为例。
c)有1/φ的概率用当前帧像素点x的灰度值P(x)去更新它的F*F邻域某一像素点对应背景模型的随机一个样本(F一般取值3、5、7)。本发明以F取3为例进行说明。
步骤(6),前景进一步判断:根据每个像素点的前景判断次数Tom(x,y)及当前帧(指前景对应的计算K+1帧开始后每一帧)的像素点与当前帧之前的L帧相同位置像素点的相似度来判定该像素点是误判为前景的背景点,如果是,则更新背景模型M(x);否则判定该像素点是前景点,转到步骤(7);
对于从K+1帧开始的背景模型的更新,由于传统VIBE算法采用的保守更新策略的缺陷,在初始场景中存在运动目标的情况时,目标区域会被误当作背景并长时间存在于背景模型中。此时传统的VIBE算法仅更新判定为背景的像素点模型,单纯依靠邻域更新难以在短时间内消除Ghost。因此本发明提出的方法在更新过程中加入TOM(Time of map)机制对前景作进一步判断的步骤如下:
1)如果步骤(4)中Tom(x,y)≥N,即至少连续N次被判定为前景,以N取5为例,执行以下操作:
a)在欧式颜色空间中定义一个以P(x)为中心,Q为半径的圆SQ(P(x)),Q为灰度匹配阈值,SQ(P(x))表示所有与P(x)距离小于Q的灰度值的集合,用前面L帧的相同位置像素点灰度值P1,P2...PL落在圆SQ(P(x))内的个数#{SQ(P(x))∩{P1,P2...PL}}来描述当前帧该像素点与前面L帧的相同位置像素点的相似度。以L取8,Q取5为例。
b)设定最小基数Z,如果#{SQ(P(x))∩{P1,P2...PL}}≥Z,则认为该像素点被误判为前景,更正为背景,用当前帧像素点x的灰度值P(x)更新步骤(4)欧氏距离中最大值所对应的样本,同时设置该像素点在显示器显示的灰度值为0;
c)如果#{SQ(P(x))∩{P1,P2...PL}}<Z,则认为该像素点确实为前景,转到步骤(7);
2)若步骤(4)中Tom(x,y)<N,即连续判定为前景次数小于N,将该像素点判断为前景,转到步骤(7)。
步骤(7),若步骤(6)的像素点为前景,则判断为运动目标,显示该运动目标,令其在显示器显示的灰度值为255。
下面结合本发明的仿真实施例对本发明做进一步的说明。
首先利用红外焦平面及其控制模块或者可见光CCD采集红外和可见光视频,将视频输入到计算机中得到红外视频;为了检测本发明提出的基于改进视觉背景提取的运动目标检测方法效果,现通过MATLAB R2014a构建算法仿真模型将本发明提出的算法与OTSU帧差法、混合高斯模型算法、传统VIBE算法处理效果进行比较。分别选取大小为160*120,帧速率为25帧/秒的夜间树林红外视频1,大小为176*144,帧速率为25帧/秒的的夜间公园红外视频2,大小为176*144,帧速率为25帧/秒的的室外行人视频3,大小为176*144,帧速率为25帧/秒的停车场视频4。
如图1所示,针对原始视频源的每帧图像首先灰度化,针对前K帧图像的每一个像素点建立初始化背景模型,其次进行背景判断,然后更新背景模型,进一步判断是否为前景,最后将运动目标进行显示。
图2(a)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在夜间树林对行人的检测效果对比图;图2(b)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在夜间公园对行人的检测效果对比图;图2(c)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在室外对行人的检测效果对比图;图2(d)为OTSU帧差法、混合高斯模型算法、传统VIBE算法与本发明提出的改进的视觉背景提取方法在停车场对车辆的检测效果对比图。其中1)列为原始图像;2)列为OTSU帧差法的检测结果;3)列为混合高斯模型算法检测结果;4)列为传统VIBE算法检测结果;5)列本发明提出的改进的视觉背景提取方法检测结果。
由图2可以发现,相比OTSU帧差法和混合高斯模型算法,传统VIBE算法及本发明提出的改进的视觉背景提取算法均可以提取运动目标的完整性好。
相比传统VIBE算法,本发明可以很好地消除动态背景引起的错误检测,例如夜间红外视频1和室外行人视频源3,其初始状态就存在运动目标的情况,传统VIBE算法在后续的运动目标检测过程中存在较大的Ghost,而本发明提出的改进的视觉背景提取算法则提升了对动态背景的适应性,消除了Ghost。针对于夜间公园的红外视频2,传统VIBE算法在检测过程中将过多背景误判为前景,而本文提出的改进的视觉背景提取算法可以很好地检测出正确的运动目标。
为了将传统VIBE算法和本发明提出的改进的视觉背景提取算法检测效果进行详细对比,我们将两种算法分别对Ghost鬼影进行了处理,如图3所示,传统VIBE算法与本发明提出的改进的视觉背景提取算法在室外行人视频源下的检测对比图:
图3(a)为传统VIBE算法与本发明提出的改进的视觉背景提取算法在第41帧的检测结果对比。由于视频源的第一帧就包含运动目标,因此传统VIBE算法在后续帧的目标检测中产生了Ghost,而本发明提出的改进的视觉背景提取算法取前40帧的奇数帧建立背景模型,提高了初始背景模型中样本的准确度,在初始帧含有运动目标情况下减小了背景模型中样本错误的个数,使得在后续目标检测过程中产生的Ghost较小。但由于传统VIBE算法在第2帧到第40帧的运动目标检测过程中不断更新背景模型,使得在第41帧时已经能较完整地检测出后续运动目标,而本发明在第41帧时刚进入背景模型的更新中,因此在检测目标的完整性上不如传统VIBE算法。
图3(b)为传统VIBE算法与本发明提出的改进的视觉背景提取算法在第47帧的检测结果对比。由于传统VIBE算法仅在像素点判定为背景时才对其背景模型进行更新,对于错误判定为前景的Ghost将一直保留下去。而本发明在更新判定为背景像素点的背景模型的同时,也采用TOM机制对前景像素点进一步判定。因此在第47帧时本发明的检测结果仅存在两处较小的Ghost(手臂和脚后),同时相比本发明在第41帧的检测结果在运动目标的完整性上有了很大提高。
图3(c)为传统VIBE算法与本发明提出的改进的视觉背景提取算法在第49帧的检测结果对比。在第49帧的检测结果中,传统VIBE算法未对之前存在的Ghost进行处理,而本发明已经消除掉之前存在的手臂处的Ghost。
图3(d)为传统VIBE算法与本发明提出的改进的视觉背景提取算法在第55帧的检测结果对比。同之前的检测结果一样,VIBE算法依然未处理之前存在的Ghost,而本发明此时基本消除了脚后处的Ghost。
图3(e)为传统VIBE算法与本发明提出的改进的视觉背景提取算法在第60帧的检测结果对比。同之前的检测结果一样,VIBE算法依然未处理之前存在的Ghost,而本发明已经消除了所有的Ghost。
Claims (4)
1.一种基于改进视觉背景提取的运动目标检测方法,其特征在于包括以下步骤:
步骤(1),利用红外探测器或者可见光摄像头采集图像,该图像含有运动目标;
步骤(2),如果步骤(1)采集到的是RGB图像,对其进行灰度化;
步骤(3),初始化背景模型:提取红外探测器采集的灰度化图像或步骤(2)得到的灰度化图像中前K帧图像奇数帧的像素点灰度值,另外建立针对一帧图像里每一个像素点的初始化背景模型M(x);
步骤(4),背景判断:从灰度化图像的K+1帧开始判断每个像素点是否为背景,计算K+1帧开始后的每一帧的每个像素点与背景模型的相似度,如果相似,则分类为背景,转到步骤(5);否则为前景,记录判断为前景的次数Tom(x,y),其中(x,y)代表像素点在一帧图像中的横纵坐标,然后转到步骤(6);
步骤(5),更新背景模型M(x);
步骤(6),前景进一步判断:根据每个像素点的前景判断次数Tom(x,y)及当前帧的像素点与当前帧之前的L帧相同位置像素点的相似度来判定该像素点是否是误判为前景的背景点,如果是,则更新背景模型M(x);否则判定该像素点是前景点,转到步骤(7);
步骤(7),若步骤(6)的像素点为前景,则判断为运动目标,显示该运动目标,令其在显示器显示的灰度值为255;
在步骤(5)中,若像素点为背景,更新背景模型的步骤如下:
(a)记录像素点x在判定背景过程中欧氏距离最大的样本位置;
(b)有1/φ概率去更新当前帧像素点x自身的背景模型,即从K+1帧开始,在更新当前帧像素点x自身的背景模型时,用当前帧像素点x的灰度值P(x)更新步骤(a)欧氏距离中最大值所对应的样本;
(c)有1/φ的概率用当前帧像素点x的灰度值P(x)去更新它的F*F邻域某一像素点对应背景模型的随机一个样本。
2.根据权利要求1所述的基于改进视觉背景提取的运动目标检测方法,其特征在于在步骤(3)中,提取灰度化图像中前K帧图像奇数帧的像素点,另外建立初始化背景模型M(x)步骤如下:
对于当前帧中的任一像素点,采用该像素点在视频初始时的前K帧图像奇数帧的像素点灰度值集合,来建立初始化背景模型
M(x)={p1,p2,...pN}
式中,p1,p2,...pN为背景模型的样本,对应于前K帧图像奇数帧的像素点灰度值,N=K/2。
3.根据权利要求1所述的基于改进视觉背景提取的运动目标检测方法,其特征在于在步骤(4)中,从K+1帧开始,判断像素点是否为背景步骤如下:
(a)从K+1帧开始,对于当前帧的某一像素点x,其灰度值为P(x),在欧式颜色空间中定义一个以P(x)为中心,R为半径的圆SR(P(x)),R为模型匹配阈值,SR(P(x))表示所有与P(x)距离小于R的灰度值的集合,用M(x)落在圆SR(P(x))内的样本个数#{SR(P(x))∩{P1,P2...PN}}来描述P(x)与背景模型M(x)的相似度;
(b)设定最小匹配个数#min,根据下式,如果#{SR(P(x))∩{P1,P2...PN}}<#min,则像素点x与背景模型M(x)不匹配,判断该点为前景,每当像素点x被判定为前景一次,判断为前景的次数Tom(x,y)加1;否则像素点x与背景模型M(x)匹配,判断该点为背景,Tom(x,y)置0;
4.根据权利要求1所述的基于改进视觉背景提取的运动目标检测方法,其特征在于在步骤(6)中,前景进一步判断的步骤如下:
1)如果步骤(4)中Tom(x,y)≥N,即至少连续N次被判定为前景,执行以下操作:
a)在欧式颜色空间中定义一个以P(x)为中心,Q为半径的圆SQ(P(x)),Q为灰度匹配阈值,SQ(P(x))表示所有与P(x)距离小于Q的灰度值的集合,用前面L帧的相同位置像素点灰度值P1,P2...PL落在圆SQ(P(x))内的个数#{SQ(P(x))∩{P1,P2...PL}}来描述当前帧该像素点与前面L帧的相同位置像素点的相似度;
b)设定最小基数Z,如果#{SQ(P(x))∩{P1,P2...PL}}≥Z,则认为该像素点被误判为前景,更正为背景,用当前帧像素点x的灰度值P(x)更新步骤(4)欧氏距离中最大值所对应的样本,同时设置该像素点在显示器显示的灰度值为0;
c)如果#{SQ(P(x))∩{P1,P2...PL}}<Z,则认为该像素点确实为前景,转到步骤(7);
2)若步骤(4)中Tom(x,y)<N,即连续判定为前景次数小于N,将该像素点判断为前景,转到步骤(7)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410677578.0A CN104392468B (zh) | 2014-11-21 | 2014-11-21 | 基于改进视觉背景提取的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410677578.0A CN104392468B (zh) | 2014-11-21 | 2014-11-21 | 基于改进视觉背景提取的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392468A CN104392468A (zh) | 2015-03-04 |
CN104392468B true CN104392468B (zh) | 2017-08-04 |
Family
ID=52610366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410677578.0A Expired - Fee Related CN104392468B (zh) | 2014-11-21 | 2014-11-21 | 基于改进视觉背景提取的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392468B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104853060A (zh) * | 2015-04-14 | 2015-08-19 | 武汉基数星通信科技有限公司 | 高清视频前置处理方法和*** |
CN105184817B (zh) * | 2015-08-31 | 2017-10-27 | 清华大学深圳研究生院 | 一种克服静止前景运动目标检测的方法 |
CN105205832B (zh) * | 2015-08-31 | 2017-08-25 | 清华大学深圳研究生院 | 一种运动目标检测的方法 |
CN105184820B (zh) * | 2015-09-15 | 2018-03-13 | 杭州中威电子股份有限公司 | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 |
CN105335717B (zh) * | 2015-10-29 | 2019-03-05 | 宁波大学 | 基于智能移动终端视频抖动分析的人脸识别*** |
CN105374051B (zh) * | 2015-10-29 | 2018-04-24 | 宁波大学 | 智能移动终端防镜头抖动视频运动目标检测方法 |
CN106780544B (zh) * | 2015-11-18 | 2019-11-22 | 深圳力维智联技术有限公司 | 图像前景提取的方法和装置 |
CN105574891B (zh) * | 2015-12-11 | 2019-04-09 | 上海兴芯微电子科技有限公司 | 检测图像中的运动目标的方法及*** |
CN106157332A (zh) * | 2016-07-07 | 2016-11-23 | 合肥工业大学 | 一种基于ViBe算法的运动检测优化方法 |
JP6835215B2 (ja) * | 2016-10-14 | 2021-02-24 | 富士通株式会社 | 画像処理方法及び装置 |
CN106548488B (zh) * | 2016-10-25 | 2019-02-15 | 电子科技大学 | 一种基于背景模型及帧间差分的前景检测方法 |
WO2018133101A1 (zh) * | 2017-01-23 | 2018-07-26 | 富士通株式会社 | 图像前景检测装置及方法、电子设备 |
CN107085836B (zh) * | 2017-05-16 | 2020-03-03 | 合肥工业大学 | 一种在运动物体检测中通用的鬼影消除方法 |
CN107221058A (zh) * | 2017-05-25 | 2017-09-29 | 刘萍 | 智能化通道阻挡*** |
CN107578424B (zh) * | 2017-08-04 | 2020-09-29 | 中山大学 | 一种基于时空分类的动态背景差分检测方法、***及装置 |
CN107395982A (zh) * | 2017-08-22 | 2017-11-24 | 北京小米移动软件有限公司 | 拍照方法和装置 |
CN107833242A (zh) * | 2017-10-30 | 2018-03-23 | 南京理工大学 | 一种基于边缘信息和改进vibe运动目标检测方法 |
CN108038866A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和视差图背景差法的运动目标检测方法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
CN108764325B (zh) * | 2018-05-23 | 2022-07-08 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN109215047B (zh) * | 2018-08-16 | 2021-02-12 | 中国科学院深海科学与工程研究所 | 基于深海视频的运动目标检测方法和装置 |
CN110111361B (zh) * | 2019-04-22 | 2021-05-18 | 湖北工业大学 | 一种基于多阈值自优化背景建模的运动目标检测方法 |
CN110060278B (zh) * | 2019-04-22 | 2023-05-12 | 新疆大学 | 基于背景减法的运动目标的检测方法及装置 |
CN110428394B (zh) * | 2019-06-14 | 2022-04-26 | 北京迈格威科技有限公司 | 用于目标移动侦测的方法、装置及计算机存储介质 |
CN110765964B (zh) * | 2019-10-30 | 2022-07-15 | 常熟理工学院 | 基于计算机视觉的电梯轿厢内异常行为的检测方法 |
CN112084880A (zh) * | 2020-08-14 | 2020-12-15 | 江铃汽车股份有限公司 | 一种图像处理方法、装置、存储介质及设备 |
CN113223047A (zh) * | 2021-03-05 | 2021-08-06 | 兰州大学 | 一种基于fpga的模板匹配目标追踪方法及追踪*** |
CN113963431A (zh) * | 2021-09-07 | 2022-01-21 | 湖北经济学院 | 融合视觉背景提取与改进朗斯基函数的运动目标检测方法 |
DE102021129573A1 (de) * | 2021-11-12 | 2023-05-17 | Sumolight Gmbh | Verfahren und System zur Verarbeitung von Videodaten |
CN113807328B (zh) * | 2021-11-18 | 2022-03-18 | 济南和普威视光电技术有限公司 | 一种基于算法融合的目标检测方法、设备及介质 |
CN115503641B (zh) * | 2022-10-27 | 2023-09-19 | 深圳曦华科技有限公司 | 智能座舱域控制器的儿童安全座椅设置方法及相关产品 |
-
2014
- 2014-11-21 CN CN201410677578.0A patent/CN104392468B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104392468A (zh) | 2015-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
WO2021208275A1 (zh) | 一种交通视频背景建模方法及*** | |
CN106874894B (zh) | 一种基于区域全卷积神经网络的人体目标检测方法 | |
CN107025652B (zh) | 一种基于运动特性和颜色时空信息的火焰检测方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
Santosh et al. | Tracking multiple moving objects using gaussian mixture model | |
CN107452015B (zh) | 一种具有重检测机制的目标跟踪*** | |
CN110119728A (zh) | 基于多尺度融合语义分割网络的遥感图像云检测方法 | |
CN106846359A (zh) | 基于视频序列的运动目标快速检测方法 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
CN103942812B (zh) | 基于混合高斯与边缘检测的运动目标检测方法 | |
CN104318266B (zh) | 一种图像智能分析处理预警方法 | |
CN108648211A (zh) | 一种基于深度学习的小目标检测方法、装置、设备和介质 | |
CN110298297A (zh) | 火焰识别方法和装置 | |
CN108010047A (zh) | 一种结合样本一致性和局部二值模式的运动目标检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
Li et al. | Photo-realistic simulation of road scene for data-driven methods in bad weather | |
CN104537688A (zh) | 一种基于背景差分和hog特征的运动目标检测方法 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
TW201032180A (en) | Method and device for keeping image background by multiple gauss models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170804 Termination date: 20181121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |