CN104408739A - 一种运动目标的检测方法及其监控*** - Google Patents
一种运动目标的检测方法及其监控*** Download PDFInfo
- Publication number
- CN104408739A CN104408739A CN201410132229.0A CN201410132229A CN104408739A CN 104408739 A CN104408739 A CN 104408739A CN 201410132229 A CN201410132229 A CN 201410132229A CN 104408739 A CN104408739 A CN 104408739A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- pixel
- background
- movement destination
- 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.)
- Pending
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
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
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
本发明公开了一种运动目标的检测方法及其监控***。本发明的运动目标监测***能够自动检测光照突变。如果光照突变发生,则采用对光照突变适应能力强的三帧差分法得到目标检测图像。否则,则采用高斯背景模型、卡尔曼滤波法和背景减除法得到的目标检测图像。因此,本发明的运动目标监测***减小了光照突变的影响,降低了噪声,提高了运动目标检测的准确性。
Description
技术领域
本发明涉及的是一种视频监控***,具体涉及的是一种运动目标的检测方法及其监控***。
背景技术
运动目标检测是指从视频序列中将目标运动区域从背景中分割出来,提取出人们关注的运动目标以及其带有的特征信息。在视频监控***中,运动目标检测的准确性对后续的目标跟踪、行为分析以及进一步目标分析有着决定性作用。
现有技术中的运动目标检测方法包括帧间差分法、背景减除法以及光流法。帧间差分法是通过对前后帧灰度图像相减的方法来提取运动目标。其缺点在于,帧间差分法提取的目标只能得到一个轮廓且不完整,因此,这种方法检测出的目标图像中会出现大量空洞。背景减除法是将前景图像与背景灰度图像相减来提取目标,但是易受天气和光照的影响,难以得到较好的检测效果。光流法能够在未知环境下检测出运动目标,但此方法计算步骤复杂,计算量大,难以应用于对实时性要求较高的场所。
发明内容
本发明所要解决的技术问题是提供一种运动目标的检测方法及其监控***,以在光照和天气变化的情况下提取出能够表达目标信息的目标图像,达到准确检测目标的目的。
本发明解决其技术问题采用以下的技术方案:
本发明提供了一种检测运动目标的方法,其特征在于,所述方法包括以下步骤:
接收图像信号,所述图像信号包括多个帧的图像,所述多个帧中的每个帧包括表示所述运动目标的像素点和表示图像背景的像素点;
对所述多个帧中的当前帧图像进行高斯背景建模,以提取所述当前帧图像的高斯背景数据;
将所述高斯背景数据存入表示卡尔曼滤波器的观测值的第一寄存器;
判断所述当前帧是否是所述多帧图像中的第一帧;
如果所述当前帧为所述多帧图像中的第一帧,则将表示所述第一帧图像的数 据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器;
如果所述当前帧不是所述多帧图像中的第一帧,则将表示所述当前帧的上一帧图像的最优背景数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器,其中,所述当前帧的上一帧图像的最优背景数据是所述卡尔曼滤波器对所述上一帧图像的高斯背景数据进行卡尔曼滤波处理后得到的数据;
对所述第一寄存器和所述第二寄存器的数据进行卡尔曼滤波处理,以产生表示所述当前帧图像最优估计背景的最优背景数据;
将所述多个帧中的当前帧图像和所述最优背景数据表示的最优背景作逻辑像素减法运算,以得到与所述当前帧图像对应的第一运动目标图像,所述第一运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
比较所述第一运动目标图像中像素值为1的像素点个数和预设阈值的大小;
当所述像素值为1的像素点个数大于所述预设阈值时,则对所述当前帧、所述上一帧和所述当前帧的前两帧图像做三帧差分运算,以得到第二运动目标图像,所述第二运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
当所述像素值为1的像素点个数大于所述预设阈值时,则将所述第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第二运动目标图像;以及
当所述像素值为1的像素点个数小于或等于所述预设阈值时,则将所述第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第一运动目标图像。
本发明还提供了一种运动目标的监测***,所述监测***包括:
视频采集模块,用于接收图像信号,所述图像信号包括多个帧的图像,所述多个帧中的每个帧包括表示所述运动目标的像素点和表示图像背景的像素点;
与所述视频采集模块相连的图像处理模块,用于对所述多个帧的图像进行图像处理,并产生表示所述运动目标的图像数据;以及
与所述图像处理模块相连的显示模块,用于根据表示所述运动目标的图像数据显示所述运动目标,
其特征在于,所述图像处理模块包括:
高斯模块,用于对所述多个帧中的当前帧图像进行高斯背景建模,以提取所 述当前帧图像的高斯背景数据,所述高斯模块将所述高斯背景数据存入表示卡尔曼滤波器的观测值的第一寄存器;所述高斯模块判断所述当前帧是否是所述多帧图像中的第一帧;如果所述当前帧为所述多帧图像中的第一帧,则将表示所述第一帧图像的数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器;如果所述当前帧不是所述多帧图像中的第一帧,则将表示所述当前帧的上一帧图像的最优背景数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器,其中,所述当前帧的上一帧图像的最优背景数据是所述卡尔曼滤波器对所述上一帧图像的高斯背景数据进行卡尔曼滤波处理后得到的数据;
卡尔曼滤波模块,用于对所述第一寄存器和所述第二寄存器的数据进行卡尔曼滤波处理,以产生表示所述当前帧图像最优估计背景的最优背景数据;
逻辑减法模块,用于将所述多个帧中的当前帧图像和所述最优背景数据表示的最优背景作逻辑像素减法运算,以得到与所述当前帧图像对应的第一运动目标图像,所述第一运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
比较模块,比较所述第一运动目标图像中像素值为1的像素点个数和预设阈值的大小;
差分模块,当所述像素值为1的像素点个数大于所述预设阈值时,则对所述多个帧中的所述当前帧、所述上一帧和所述当前帧的前两帧图像做三帧差分运算,以得到第二运动目标图像,所述第二运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;以及
形态学处理模块,当所述像素值为1的像素点个数大于所述预设阈值时,则将所述第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第二运动目标图像;当所述像素值为1的像素点个数小于或等于所述预设阈值时,则将所述第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第一运动目标图像。
与现有技术相比,本发明的运动目标监测***能够自动检测光照突变。如果光照突变发生,则采用对光照突变适应能力强的三帧差分法得到目标检测图像。否则,则采用高斯背景模型和卡尔曼滤波法得到的目标检测图像。因此,运动目标监测***减小了光照突变的影响,降低了噪声,提高了运动目标检测的准确性。
附图说明
图1所示为根据本发明的实施例的运动目标监测***。
图2所示为根据本发明的实施例的运动目标监测***的工作流程图。
图3示出了不同时刻帧图像采用高斯混合建模后的背景图。
图4示出了不同时刻帧图像经过卡尔曼滤波优化后的背景图。
图5所示为采用传统高斯混合模型方法提取出的运动目标图像。
图6所示为根据本发明的实施例提取出的运动目标图像。
图7所示为根据本发明的实施例的图像处理模块104的结构示意图。
具体实施方式
以下将对本发明的实施例给出详细的说明。尽管本发明将结合一些具体实施方式进行阐述和说明,但需要注意的是本发明并不仅仅只局限于这些实施方式。相反,对本发明进行的修改或者等同替换,均应涵盖在本发明的权利要求范围当中。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员将理解,没有这些具体细节,本发明同样可以实施。在另外一些实例中,对于大家熟知的方法、流程、元件和电路未作详细描述,以便于凸显本发明的主旨。
图1所示为根据本发明的实施例的运动目标监测***100。在图1的实施例中,运动目标监测***100包括视频采集模块102、图像处理模块104和显示模块106。视频采集模块102可以是摄像头,用于采集图像信号。在一个实施例中,图像信号包括多个帧的图像。这些图像中包括一个或多个运动物体。其中,每个帧图像包括表示运动目标的像素点和表示图像背景的像素点。图像处理模块104与视频采集模块102相连。图像处理模块104对该多个帧的图像进行图像处理,并产生表示运动目标的图像数据。显示模块106与图像处理模块104相连。显示模块106可以是显示器,用于根据表示运动目标的图像数据显示运动目标。也就是说,运动目标监测***100可以提取出多帧图像中的目标运动物体。图像处理模块104的具体工作流程和结构将分别在图2和图7中进行描述。
图2所示为根据本发明的实施例的运动目标监测***100的工作流程图200。图2描述了图像处理模块104是如何产生表示运动目标的图像数据的方法流程。
在步骤202中,视频采集模块102接收图像信号,这些图像信号包括多个帧的图像,其每个帧均包括表示运动目标的像素点和图像背景的像素点。
在步骤204中,对多个帧中的当前帧图像进行高斯背景建模,以提取当前帧图像的高斯背景数据。
更具体地讲,高斯背景建模是用高斯概率密度函数(正态分布曲线)量化图像事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。如果图像所包含的目标区域和背景区域相差比较大,且背景区域和目标区域在灰度上有一定的差异,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另一个峰对应于背景的中心灰度。通过将直方图的多峰特性看作是多个高斯分布的叠加,可以将图像中的背景区域分割出来。值得说明的是,高斯混合建模需要一个学习的阶段,因此,在初始阶段,高斯背景数据仍然可能包括运动目标的像素点。然而,随着初始学习阶段的结束,高斯背景数据仅仅包括图像背景的像素点,也就是去除了当前帧中表示运动目标的像素点。
以下将对此做具体推导。
把包含背景和运动目标的图像中每一个像素分别用K个高斯分布构成的混合高斯模型来描述。在t时刻,像素p(x,y)的值Xt出现的概率为:
其中,K是高斯分布的个数,K取值越大,越能描述复杂背景。ωi,t表示第i个高斯分布在t时刻的权值,μi,t表示第i个高斯分布在t时刻的均值,η是高斯分布概率密度函数,其定义如下:
考虑到计算量的因素,设定协方差矩阵为:
∑i,t=σ2 iI (2)
其中,I为单位矩阵。
对新获取的像素值Xt,通过判决条件|Xt-μi,t-1|≤2.5σi,判断该点是否与已存在的K个高斯混合模型相匹配,若满足条件,则认为该像素值与高斯分布相匹配,如果当前像素值与K个模型都不匹配,则用一个新高斯分布取代概率最小的那个分布,新分布的均值即为当前像素像素值,同时给这个新的高斯分布分配一个较大的协方差和一个较小的权值,其余高斯分布保持原来的均值和方差,同时 减小权值。
对于匹配的像素点,则对所有高斯分布的权值进行调整:
ωi,t=(1-α)ωi,t-1+αMi,t (3)
其中,α为用户自定义的学习率,α∈[0,1]。Mi,t表示是否匹配,匹配则Mi,t的值为1,不匹配则值为0。
对于匹配像素点的高斯分布的方差和均值,按照下式进行更新,不匹配的高斯分布的参数保持不变。
μt=(1-ρ)μt-1+ρXt (4)
其中,ρ为参数学习率,ρ=α/ω。
按照ω/σ的大小对所存的高斯分布进行排列,最可能代表背景的高斯分布排列在序列的前面,故可通过选取合适的阈值来得到背景模型:
利用满足上述条件的高斯分布,则生成背景模型数据。
图3示出了不同时刻帧图像采用高斯混合建模后的背景图。图3中左图表示此时刻为高斯混合建模初期阶段,模型还处于学习状态,模型中还包含运动目标(人体)的图像;其右图表示学习阶段之后得到的高斯背景模型,在图中可以看出有模型中存在一定量的噪声。
回到图2,流程图进入步骤206。在步骤206至210中,图像处理模块104对高斯背景图像进行卡尔曼滤波。
在步骤206中,图像处理模块104将高斯背景数据存入表示卡尔曼(Kalman)滤波器的观测值的第一寄存器。在步骤208中,图像处理模块104判断当前帧是否为多帧图像的第一帧,并根据判断结果将上一时刻背景模型最优值数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器。其中,如果当前帧为第一帧,则将表示所述第一帧图像的数据存入第二寄存器;如果当前处理帧不是第一帧,则将表示所述上一帧图像最优背景数据存入第二寄存器。其中,上一帧图像的最优背景数据是卡尔曼滤波器对上一帧图像的高斯背景数据进行卡尔曼滤波处理后得到的数据。在步骤210中,图像处理模块104对第一寄存器和第二寄存器的数据进行卡尔曼滤波处理,以产生表示当前帧图像最优估计背景的 最优背景数据;
更具体地讲,Kalman滤波器可以对变化图像的过去时刻、当前时刻和未来时刻的值做出接近真值的估计,并且,可利用目标的动态信息,去掉噪声的影响。利用Kalman滤波器的这一特性,结合当前时刻的观测值(即第一寄存器中的值)与上一时刻的最优值(即第二寄存器中的值),对当前时刻的状态进行估计,得到当前状态的相对最优值,即为最优估计背景模型。以下将对卡尔曼滤波器的工作原理做具体推导。
k时刻的***状态可以用下式描述:
X(k)=AX(k-1)+BU(k)+W(k) (7)
***的测量值为:
Z(k)=HX(k)+V(k) (8)
在上式中,X(k)是k时刻的***状态,U(k)是k时刻对***的控制量,A和B是***的参数。Z(k)是k时刻的***测量值,H是测量***的参数,W(k)和V(k)分别是过程中的噪声,方差分别为Q,R。
首先利用***的过程模型,来对下一时刻的状态进行估计。设当前***状态为k,根据***模型,根据***上一时刻状态预测当前状态:
X(k|k-1)=AX(k-1|k-1)+BU(k) (9)
式(9)中,X(k|k-1)是利用上一状态预测的结果,X(k-1|k-1)是上一状态最优的结果,U(k)为现在状态的控制量,若没有,则为0。
对***的方差进行更新:
P(k|k-1)=AP(k-1|k-1)AT+Q (10)
式(10)中,P(k|k-1)是X(k|k-1)对应的方差,P(k-1|k-1)是X(k-1|k-1)对应的方差,Q为***过程中的方差。
有了现在状态的预测结果,然后结合现在状态的测量值,可以得到对现在状态K的最优估计值X(k|k)。
X(k|k)=X(k|k-1)+Kg(k)(Z(k)-HX(k|k-1)) (11)
式(11)中Kg为卡尔曼增益:
Kg(k)=P(k|k-1)HT/(HP(k|k-1)HT+R) (12)
最后,更新k状态下X(k|k)的方差:
P(k|k)=(I-Kg(k)H)P(k|k-1) (13)
式(13)中I为1的矩阵。当***进入K+1状态时,P(k|k)就是式10中的P(k-1|k-1),这样,Kalman滤波器就进入到自回归运算,可以得到每一次高斯背景建模的最佳的校正背景。
图4示出了不同时刻帧图像经过卡尔曼滤波优化后的背景图。
结合图3与图4可以看出,利用Kalman滤波器(如图4),去掉了环境中噪声的影响,得到一个比仅仅采用高斯背景模型(如图3)更接近真实环境的背景图像。因此,提高了背景建模的准确性。
回到图2,流程图200进入步骤212。在步骤212中,将多个帧中的当前帧图像和最优背景数据表示的最优背景作逻辑像素减法运算,以得到与当前帧图像对应的第一运动目标图像,第一运动目标图像包括表示运动目标的像素点且去除了表示图像背景的像素点。
步骤212中的背景减除法可以下公式描述。设当前的帧的图像为I(x,y),得到的校正的背景图像为B(x,y),用当前帧的图像减去校正后的背景图像,就可以得到一个运动目标的图像D(x,y)。提取出运动目标之后,对背景图像进行更新。
D(x,y)=I(x,y)-B(x,y) (14)
在步骤214中,比较运动目标图像中像素值为1的像素点个数和预设阈值的大小。步骤214是用于判断是否有光照突变。在光照突变的环境中,场景中的大部分像素的像素值都会发生改变。为了更好适应光照突变环境,达到在光照突变环境下检测出运动目标的目的,本发明利用统计法来判断是否有光照突变的发生。统计利用步骤212提取出的第一运动目标图像中像素值为1的像素点个数,判断其值是否大于设定的阈值。在一个实施例中,如果第一运动目标图像中像素值为1的像素点个数大于阈值,则证明发生了光照突变;否则,则认为没有发生光照突变。
在步骤216中,当第一运动目标图像像素值为1的像素点个数大于所述预 设阈值时(即发生了光照突变),则对当前帧、当前帧的前一帧和当前帧的前两帧图像做三帧差分运算,以得到第二运动目标图像,所述第二运动目标图像包括表示运动目标的像素点且去除了表示图像背景的像素点。步骤216的目的是应用了三帧差分运算对光照突变有很强的适应性。
三帧差分运算可详细表述为:如果用第k帧表示当前帧,则对视频中k-2、k-1、k帧的图像对应像素点的灰度值相减,得到图像Dk-1,Dk,然后将Dk-1,Dk作与运算,最后得到前景目标D。具体计算过程如下:
式(15)中,fk-2(x,y),fk-1(x,y),fk(x,y)表示连续的三帧,Dk(x,y),Dk-1(x,y)表示帧间差分后图像,D为最后的前景目标图像。在D中像素值为1的点即为检测的目标区域,像素值为0的点即为背景点。
因此,根据光照突变的情况,可以从第一运动目标图像和第二运动目标图像中选择一个目标图像进行后续处理,并传送到显示器做显示。
在步骤218中,当像素值为1的像素点个数大于预设阈值(即有光照突变)时,则将第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示第二运动目标图像。其中,形态学处理包括:腐蚀、膨胀、开运算和闭运算等。
在步骤220中,当所述像素值为1的像素点个数小于或等于所述预设阈值(即没有发生光照突变)时,则将第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示第一运动目标图像。
其中,预设阈值的选取方法如下:对图像的行、列进行扫描,得到整幅图像的像素点个数值。当光照发生时,视频场景中的大部分像素点的像素值都会发生改变,通过对不同场景中光照发生时像素值变化的像素点个数进行统计,通过多次测试,采取像素点变化个数的平均值,作为此场景的像素变化个数阈值。
以下对三帧差分法适应光照突变的特性做进一步推导。三帧差分法对连续 的三帧图像两两差分,然后将差分后的图像作与运算,由于是连续三帧做差分运算,能够将光照突变环境的影响降低到最低,故三帧差分法有着对光照环境适应能力强的优势。由此,三帧差分法克服了传统的高斯混合建模方法在光照发生时难以检测出场景中存在的运动目标的问题。
以下将结合图5和图6说明三帧差分法对光照突变的适应性。图5和图6对比了不同阶段采用传统的高斯混合模型和采用本发明方法所得到的目标图形。)
图5所示为采用传统高斯混合模型方法提取出的运动目标图像,其中图5(a)为视频初始阶段图像,图5(b)为光照发生时图像,图5(c)为光照发生后t1时间段内图像,图5(d)光照发生t2时间段内图像;其中,t1小于t2。。
图6所示为根据本发明的实施例提取出的运动目标图像。其中图6(a)为视频初始阶段图像,图6(b)为光照发生时图像,图6(c)为光照发生后t1时间段内图像,图6(d)光照发生t2时间段内图像。由图5(b)可以看出,在出现了光照时,传统的高斯背景建模方法提取的运动目标图像因为光照出现了很大的失真。在光照发生后(如图5(c)),需要一段时间才能将光照变化对目标检测的影响消除,影响了目标检测的准确性。然而,使用本发明的结合高斯背景建模,卡尔曼滤波以及光照判断下有选择性地使用三帧差分处理的方法避免了传统高斯背景建模方法的这个问题。如图6(a)至(d)所示,无论有没有光照,本发明的运动目标监测***100都能够提取出运动目标,不受光照的干扰,从而提高了目标检测的准确性。
图7所示为根据本发明的实施例的图像处理模块104的结构示意图。在图7的实施例中,图像处理模块104包括高斯模块702、卡尔曼滤波模块704、逻辑减法模块706、比较模块708、差分模块710和形态学处理模块712。高斯模块702对多个帧中的当前帧图像进行高斯背景建模,以提取当前帧图像的高斯背景数据。此外,高斯模块702将高斯背景数据存入表示卡尔曼滤波器的观测值的第一寄存器。高斯模块702判断当前帧是否为多帧视频的第一帧。如果当前帧为第一帧,则将表示所述第一帧图像的数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器;如果当前帧不是第一帧,则将表示当前帧的上一帧图像对应的最优背景数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器。卡尔曼滤波模块704对第一寄存器和第二寄存器的数据进行卡尔曼滤波处理,以产生表示当前帧图像最优估计背景的最优背景数据。逻辑减法 模块706将多个帧中的当前帧图像和最优背景数据表示的最优背景作逻辑像素减法运算,以得到与当前帧图像对应的第一运动目标图像。其中,第一运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点。
比较模块708比较第一运动目标图像中像素值为1的像素点个数和预设阈值的大小。当所述像素值为1的像素点个数大于所述预设阈值时,差分模块710则对多个帧中的当前帧、当前帧的前一帧和当前帧的前两帧)图像做三帧差分运算,以得到第二运动目标图像。其中,第二运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点。
当所述像素值为1的像素点个数大于所述预设阈值时,形态学处理模块712将第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示第二运动目标图像。当像素值为1的像素点个数小于或等于预设阈值时,则将第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示第一运动目标图像。
优点在于,本发明的运动目标监测***100能够自动检测光照突变。如果光照突变发生,则采用对光照突变适应能力强的三帧差分法得到目标检测图像。否则,则采用高斯背景模型和卡尔曼滤波法得到的目标检测图像。因此,运动目标监测***100减小了光照突变的影响,降低了噪声,提高了运动目标检测的准确性。
上文具体实施方式和附图仅为本发明之常用实施例。显然,在不脱离权利要求书所界定的本发明精神和发明范围的前提下可以有各种增补、修改和替换。本领域技术人员应该理解,本发明在实际应用中可根据具体的环境和工作要求在不背离发明准则的前提下在形式、结构、布局、比例、材料、元素、组件及其它方面有所变化。因此,在此披露之实施例仅用于说明而非限制,本发明之范围由后附权利要求及其合法等同物界定,而不限于此前之描述。
Claims (2)
1.一种检测运动目标的方法,其特征在于,所述方法包括以下步骤:
接收图像信号,所述图像信号包括多个帧的图像,所述多个帧中的每个帧包括表示所述运动目标的像素点和表示图像背景的像素点;
对所述多个帧中的当前帧图像进行高斯背景建模,以提取所述当前帧图像的高斯背景数据;
将所述高斯背景数据存入表示卡尔曼滤波器的观测值的第一寄存器;
判断所述当前帧是否是所述多帧图像中的第一帧;
如果所述当前帧为所述多帧图像中的第一帧,则将表示所述第一帧图像的数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器;
如果所述当前帧不是所述多帧图像中的第一帧,则将表示所述当前帧的上一帧图像的最优背景数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器,其中,所述当前帧的上一帧图像的最优背景数据是所述卡尔曼滤波器对所述上一帧图像的高斯背景数据进行卡尔曼滤波处理后得到的数据;
对所述第一寄存器和所述第二寄存器的数据进行卡尔曼滤波处理,以产生表示所述当前帧图像最优估计背景的最优背景数据;
将所述多个帧中的当前帧图像和所述最优背景数据表示的最优背景作逻辑像素减法运算,以得到与所述当前帧图像对应的第一运动目标图像,所述第一运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
比较所述第一运动目标图像中像素值为1的像素点个数和预设阈值的大小;
当所述像素值为1的像素点个数大于所述预设阈值时,则对所述当前帧、所述上一帧和所述当前帧的前两帧图像做三帧差分运算,以得到第二运动目标图像,所述第二运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
当所述像素值为1的像素点个数大于所述预设阈值时,则将所述第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第二运动目标图像;以及
当所述像素值为1的像素点个数小于或等于所述预设阈值时,则将所述第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第一运动目标图像。
2.一种运动目标的监测***,所述监测***包括:
视频采集模块,用于接收图像信号,所述图像信号包括多个帧的图像,所述多个帧中的每个帧包括表示所述运动目标的像素点和表示图像背景的像素点;
与所述视频采集模块相连的图像处理模块,用于对所述多个帧的图像进行图像处理,并产生表示所述运动目标的图像数据;以及
与所述图像处理模块相连的显示模块,用于根据表示所述运动目标的图像数据显示所述运动目标,
其特征在于,所述图像处理模块包括:
高斯模块,用于对所述多个帧中的当前帧图像进行高斯背景建模,以提取所述当前帧图像的高斯背景数据,所述高斯模块将所述高斯背景数据存入表示卡尔曼滤波器的观测值的第一寄存器;所述高斯模块判断所述当前帧是否是所述多帧图像中的第一帧;如果所述当前帧为所述多帧图像中的第一帧,则将表示所述第一帧图像的数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器;如果所述当前帧不是所述多帧图像中的第一帧,则将表示所述当前帧的上一帧图像的最优背景数据存入表示所述卡尔曼滤波器的上一时刻背景模型最优值的第二寄存器,其中,所述当前帧的上一帧图像的最优背景数据是所述卡尔曼滤波器对所述上一帧图像的高斯背景数据进行卡尔曼滤波处理后得到的数据;
卡尔曼滤波模块,用于对所述第一寄存器和所述第二寄存器的数据进行卡尔曼滤波处理,以产生表示所述当前帧图像最优估计背景的最优背景数据;
逻辑减法模块,用于将所述多个帧中的当前帧图像和所述最优背景数据表示的最优背景作逻辑像素减法运算,以得到与所述当前帧图像对应的第一运动目标图像,所述第一运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;
比较模块,比较所述第一运动目标图像中像素值为1的像素点个数和预设阈值的大小;
差分模块,当所述像素值为1的像素点个数大于所述预设阈值时,则对所述多个帧中的所述当前帧、所述上一帧和所述当前帧的前两帧图像做三帧差分运算,以得到第二运动目标图像,所述第二运动目标图像包括表示所述运动目标的像素点且去除了表示所述图像背景的像素点;以及
形态学处理模块,当所述像素值为1的像素点个数大于所述预设阈值时,则将所述第二运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第二运动目标图像;当所述像素值为1的像素点个数小于或等于所述预设阈值时,则将所述第一运动目标图像进行形态学处理,并将处理后的数据传送给显示器,以显示所述第一运动目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410132229.0A CN104408739A (zh) | 2014-04-02 | 2014-04-02 | 一种运动目标的检测方法及其监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410132229.0A CN104408739A (zh) | 2014-04-02 | 2014-04-02 | 一种运动目标的检测方法及其监控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104408739A true CN104408739A (zh) | 2015-03-11 |
Family
ID=52646368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410132229.0A Pending CN104408739A (zh) | 2014-04-02 | 2014-04-02 | 一种运动目标的检测方法及其监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104408739A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570891A (zh) * | 2016-11-03 | 2017-04-19 | 天津大学 | 一种基于固定摄像头视频图像的目标跟踪算法 |
CN109858322A (zh) * | 2018-12-04 | 2019-06-07 | 广东工业大学 | 一种人体跌倒检测方法及装置 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060222205A1 (en) * | 2005-04-01 | 2006-10-05 | Porikli Fatih M | Tracking objects in low frame rate videos |
-
2014
- 2014-04-02 CN CN201410132229.0A patent/CN104408739A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060222205A1 (en) * | 2005-04-01 | 2006-10-05 | Porikli Fatih M | Tracking objects in low frame rate videos |
Non-Patent Citations (2)
Title |
---|
卢章平等: "背景差分与三帧差分结合的运动目标检测算法", 《计算机测量与控制》 * |
周建强等: "一种改进的背景提取与更新方法", 《南京师范大学学报(工程技术版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570891A (zh) * | 2016-11-03 | 2017-04-19 | 天津大学 | 一种基于固定摄像头视频图像的目标跟踪算法 |
CN109858322A (zh) * | 2018-12-04 | 2019-06-07 | 广东工业大学 | 一种人体跌倒检测方法及装置 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111507977B (zh) * | 2020-04-28 | 2024-04-02 | 同济大学 | 一种图像中钡剂信息提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN105261037B (zh) | 一种自适应复杂场景的运动目标检测方法 | |
EP3540637A1 (en) | Neural network model training method, device and storage medium for image processing | |
CN107507221A (zh) | 结合帧差法和混合高斯模型的运动目标检测与跟踪方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN110111361B (zh) | 一种基于多阈值自优化背景建模的运动目标检测方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN109993052B (zh) | 一种复杂场景下尺度自适应的目标跟踪方法和*** | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及*** | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN108460481B (zh) | 基于循环神经网络的无人机侦察目标演变规律预测方法 | |
CN102855617A (zh) | 自适应图像处理方法及*** | |
JP2010262506A (ja) | 画像処理装置および方法、並びにプログラム | |
CN104182983A (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN104408739A (zh) | 一种运动目标的检测方法及其监控*** | |
CN103106796A (zh) | 智能交通监控***中的车辆检测方法和装置 | |
US20140086479A1 (en) | Signal processing apparatus, signal processing method, output apparatus, output method, and program | |
Seenouvong et al. | Vehicle detection and classification system based on virtual detection zone | |
CN103985115A (zh) | 一种仿视觉感光层功能的图像多强度边缘检测方法 | |
Zhang et al. | Dehazing with improved heterogeneous atmosphere light estimation and a nonlinear color attenuation prior model | |
CN104732555A (zh) | 基于Sobel算子的图像边缘检测方法 | |
CN110580712B (zh) | 一种使用运动信息与时序信息的改进CFNet视频目标追踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150311 |
|
RJ01 | Rejection of invention patent application after publication |