CN104700405B - 一种前景检测方法和*** - Google Patents
一种前景检测方法和*** Download PDFInfo
- Publication number
- CN104700405B CN104700405B CN201510098306.XA CN201510098306A CN104700405B CN 104700405 B CN104700405 B CN 104700405B CN 201510098306 A CN201510098306 A CN 201510098306A CN 104700405 B CN104700405 B CN 104700405B
- Authority
- CN
- China
- Prior art keywords
- msub
- current frame
- frame image
- mrow
- image
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种前景检测方法和***,该方法包括:获取当前帧图像;计算当前帧图像的局部对比度;建立基于局部对比度的多高斯背景模型;根据多高斯背景模型检测出当前帧图像中的部分前景图像作为前景图像样本;根据前景图像样本和当前帧图像学习背景图像;根据背景图像,对当前帧图像进行前景目标检测。解决了因摄像机处理器的计算能力有限而导致大部分前景检测方法难以实施的技术问题。本发明提供的前景检测方法和***利用有限的计算能力可以实时完整地检测出尺寸较小、对比度较弱的前景目标。
Description
技术领域
本发明涉及视频监控的图像与视频处理技术领域。具体地说,涉及一种适应弱小目标的实时前景检测方法和***。
背景技术
在视觉监控***中,往往需要对运动目标进行检测、跟踪、分类和分析等,而运动目标检测的准确性直接影响着后续的处理和操作。为了适应复杂多变的场景变化,最常用的方法就是对背景建模,然后利用背景模型检测出前景目标。现有的背景建模方法主要有中值法、均值法、核密度估计法、码本模型、混合高斯模型等。
高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干个基于高斯概率密度函数(正态分布曲线)形成的模型。多高斯模型(即混合高斯模型)使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。
然而,混合高斯模型是根据当前帧的像素递归地更新背景模型,这使得前面帧在建模时出现的错误会对背景图像造成长时间的影响。而且,传统的混合高斯背景建模不能消除因光照变化较快时引起的虚警,也不能抵抗弱光照成像时的噪声影响,还不能完整地检测出尺寸较小、对比度较弱的目标。另外,智能前端摄像机需要全天候地检测运动目标,对算法的要求比较高,而前端摄像机的处理器计算能力有限,使得大部分常用背景建模算法难以实时运行。
发明内容
为此,本发明所要解决的技术问题在于因摄像机处理器的计算能力有限导致大部分前景目标检测方法难以实时运行,从而提出一种在有限的计算能力下不仅能实时完成前景目标检测而且可以完整检测出尺寸较小、对比度较弱目标的前景检测方法和***。
为解决上述技术问题,本发明提供了如下技术方案:
一种前景检测方法,包括以下步骤:
获取当前帧图像;
计算当前帧图像的局部对比度;
建立基于局部对比度的多高斯背景模型;
根据多高斯背景模型检测出当前帧图像中的部分前景图像作为前景图像样本;
根据前景图像样本和当前帧图像学习背景图像;
根据背景图像,对当前帧图像进行前景目标检测。
优选地,计算当前帧图像的局部对比度的步骤包括:
将当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
统计每个像素块的灰度均值和灰度方差;
获取各像素块的局部对比度,局部对比度为每个像素块的灰度方差除以灰度均值所得的商。
优选地,根据背景图像,对当前帧图像进行前景目标检测的步骤包括:
分别获取背景图像和当前帧图像中各个像素点的梯度向量;
根据背景图像和当前帧图像中各个像素点的梯度向量获取当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致;
当当前帧图像中某个像素点处的纹理丰富且在该像素点处当前帧图像与背景图像的纹理不一致,即判断该像素点为前景点。
优选地,当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致是通过以下公式计算得到:
Flat(x,y)表示当前帧图像在像素点(x,y)处的纹理丰富性,Diff(x,y)表示在像素点(x,y)处背景图像与当前帧图像的纹理一致性,Tg和Ts为预设的阈值,(u0,u1)、(v0,v1)分别表示背景图像在像素点(x,y)处的梯度向量、当前帧图像在像素点(x,y)处的梯度向量,Flat(x,y)=0表示当前帧图像在像素点(x,y)处的纹理丰富,Diff(x,y)=1表示在像素点(x,y)处当前帧图像与背景图像的纹理不一致。
优选地,计算当前帧图像的局部对比度的步骤之前还包括对当前帧图像进行自适应噪声处理,具体包括:
获取当前帧图像的噪声强度;
当噪声强度大于预设的阈值时,则对当前帧图像进行降噪处理。
优选地,获取当前帧图像的噪声强度的步骤包括:
将当前帧图像划分为若干个像素点个数相同的图像块;
统计当前帧图像中每个图像块内的噪声点个数;
获取当前帧图像的初始噪声强度,初始噪声强度为当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数;
根据当前帧图像的初始噪声强度获取当前帧图像的噪声强度。
优选地,统计当前帧图像中每个图像块内的噪声点个数的步骤包括:
计算当前帧图像与前一帧图像灰度差的绝对值;
根据灰度差的绝对值统计当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
优选地,根据以下公式对当前帧图像的初始噪声强度进行平滑过滤以获取当前帧图像的噪声强度:
其中,α为平滑系数,N为当前帧图像的初始噪声强度,Ni为当前帧图像的噪声强度,Ni-1为前一帧图像的噪声强度,0<N<1,0<Ni<1,0<Ni-1<1,i=0表示当前帧图像是视频的第二帧图像。
优选地,通过以下公式来学习背景图像:
其中,B(x,y)是背景图像,I(x,y)为当前帧图像,F1(x,y)为根据多高斯背景模型检测出的前景图像样本,F1(x,y)=0表示像素点(x,y)为背景点,F1(x,y)>0则表示像素点(x,y)为前景点,β表示背景学习率。
一种前景检测***,包括:
获取模块,获取当前帧图像;
计算模块,计算当前帧图像的局部对比度;
建立模块,建立基于局部对比度的多高斯背景模型;
样本检测模块,根据多高斯背景模型检测出当前帧图像中的部分前景图像作为前景图像样本;
背景图像学习模块,根据前景图像样本和当前帧图像学习背景图像;
前景目标检测模块,根据背景图像,对当前帧图像进行前景目标检测。
优选地,计算模块包括:
分块子模块,将当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
统计子模块,统计每个像素块的灰度均值和灰度方差;
局部对比度获取子模块,获取各像素块的局部对比度,局部对比度为每个像素块的灰度方差除以灰度均值所得的商。
优选地,前景目标检测模块包括:
梯度向量获取子模块,分别获取背景图像和当前帧图像中各个像素点的梯度向量;
前景目标检测依据获取子模块,根据背景图像和当前帧图像中各个像素点的梯度向量获取当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致;
前景目标判断子模块,当当前帧图像中某个像素点处的纹理丰富且在该像素点处当前帧图像与背景图像的纹理不一致,即判断该像素点为前景点。
优选地,还包括自适应噪声处理模块,包括:
噪声强度获取子模块,在计算当前帧图像的局部对比度之前,获取当前帧图像的噪声强度;
降噪处理子模块,当噪声强度大于预设的阈值时,则对当前帧图像进行降噪处理。
优选地,噪声强度获取子模块包括:
图像块划分单元,将当前帧图像划分为若干个像素点个数相同的图像块;
噪声点统计单元,统计当前帧图像中每个图像块内的噪声点个数;
初始噪声强度获取单元,获取当前帧图像的初始噪声强度,初始噪声强度为当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数;
噪声强度获取单元,根据当前帧图像的初始噪声强度获取当前帧图像的噪声强度。
优选地,噪声点统计单元包括:
灰度差绝对值计算子单元,计算当前帧图像与前一帧图像灰度差的绝对值;
噪声点判断和统计子单元,根据灰度差的绝对值统计当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
本发明的上述技术方案相比现有技术具有以下优点:
1.本发明提供的前景检测方法和***,通过基于局部对比度的多高斯背景建模以及背景图像学习的步骤,可以防止光照突变导致的背景污染,提高前景检测的准确性。同时,高斯背景建模可以在缩小的图像上进行,有效提升了算法效率。
2.本发明提供的前景检测方法和***,使用梯度向量来表征图像纹理,利用纹理对比算法进行前景目标检测,可以完整地检测出尺寸较小、对比度较弱的目标,同时也能够消除因光照变换较快时引起的虚警。
3.本发明提供的前景检测方法和***,可以根据当前帧图像的噪声强度进行自适应降噪处理。当图像的噪声较强时,进行降噪处理可以减小噪声对前景检测的干扰;而当图像的噪声较弱时,不对其进行降噪处理,可以减少摄像机处理器的计算量。
4.本发明提供的前景检测方法和***,经实际架设测试,能长期稳定实时运行于室外监控点,有效抵抗天气变化和光照变化。
附图说明
图1是根据本发明实施例1的一种前景检测方法流程图;
图2是根据本发明实施例2提供的前景检测方法中对当前帧图像进行噪声处理的方法流程图;
图3是根据本发明实施例3的一种前景检测方法流程图;
图4是根据本发明的一种前景检测***框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明的内容,下面结合附图和实施例对本发明所提供的技术方案作进一步的详细描述。
实施例1
如图1所示,本实施例提供了一种前景检测方法,具体包括以下步骤:
S11:获取当前帧图像。
S12:计算当前帧图像的局部对比度。具体地,可以通过以下方式来计算当前帧图像的局部对比度:
首先,将当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
然后,统计每个像素块的灰度均值和灰度方差;
最后,获取各像素块的局部对比度,局部对比度为每个像素块的灰度方差除以灰度均值所得的商。
除了利用上述方法来计算局部对比度外,也可以通过现有技术中的其他方法来计算该局部对比度。
S13:参照前一帧图像的相关信息,建立基于局部对比度的多高斯背景模型。即将步骤S12中计算出的局部对比度作为块的属性进行多高斯背景建模。
S14:根据多高斯背景模型检测出当前帧图像中的部分前景图像作为前景图像样本。此步骤中检测出的部分前景图像主要是尺寸较大、对比度显著的目标。
S15:根据前景图像样本和当前帧图像学习背景图像。具体可以通过以下公式来学习背景图像:
其中,B(x,y)是背景图像,I(x,y)为当前帧图像,F1(x,y)为根据多高斯背景模型检测出的前景图像样本,F1(x,y)=0表示像素点(x,y)为背景点,F1(x,y)>0则表示像素点(x,y)为前景点,β表示背景学习率。β可根据实际需要合理选择。
S16:根据背景图像,对当前帧图像进行前景目标检测。优选地,利用纹理对比算法进行前景目标检测,具体过程包括以下步骤:
首先,分别获取背景图像和当前帧图像中各个像素点的梯度向量,本实施例中采用Sobel梯度算子来获取;
然后,根据背景图像和当前帧图像中各个像素点的梯度向量获取当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致,具体通过以下公式计算得到:
Flat(x,y)表示当前帧图像在像素点(x,y)处的纹理丰富性,Diff(x,y)表示在像素点(x,y)处背景图像与当前帧图像的纹理一致性,Tg和Ts为预设的阈值,(u0,u1)、(v0,v1)分别表示背景图像在像素点(x,y)处的梯度向量、当前帧图像在像素点(x,y)处的梯度向量,Flat(x,y)=0表示当前帧图像在像素点(x,y)处的纹理丰富,Diff(x,y)=1表示在像素点(x,y)处当前帧图像与背景图像的纹理不一致;
最后,当当前帧图像中某个像素点处的纹理丰富且在该像素点处当前帧图像与背景图像的纹理不一致,即判断该像素点为前景点。所有的前景点构成的图像即为前景图像。
本实施例提供的前景检测方法,可以防止光照突变导致的背景污染,即可以防止将目标或其他非背景元素更新到背景中,提高前景检测的准确性。同时,高斯背景建模可以在缩小的图像上进行,有效提升了算法效率,因此本实施例提供的方法可以适用于处理器计算能力有限的前端摄像机,使其能实时地完成每帧图像的前景检测。
另外,利用纹理对比算法来进行前景目标检测,可以精确地检测出尺寸较小、对比度较弱的目标,也能除去因光照变换较快等原因引起的虚警。另外,根据大量实际视频统计,目标本身一般具有丰富的纹理(否则人眼就不能辨别出该目标),而大部分地面的纹理则比较平坦,因此使用纹理的丰富性可排除纹理较少的地面;使用纹理一致性则能有效区分目标和纹理丰富的背景,而且光照突变一般只会改变图像亮度而不会改变图像纹理,因此使用纹理是否一致这个特征来进行前景检测对光照突变也具有良好的抵抗能力。
实施例2
如图2所示,本实施例提供了另一种前景检测方法,与上述实施例1相比,在获取当前帧图像的步骤之后、在计算当前帧图像的局部对比度之前还包括对当前帧图像进行自适应噪声处理的过程,以消除成像时的噪声对前景检测的影响,具体步骤如下:
S101:获取当前帧图像的噪声强度;
S102:当噪声强度大于预设的阈值时,则对当前帧图像进行降噪处理,具体可采用低通滤波器来进行降噪处理,进一步可优选均值滤波算法来降噪。
本实施例提供的前景检测方法中,当当前帧图像的噪声强度较强时即大于预设的阈值时,就进行降噪处理,以消除图像噪声对前景检测的干扰提高检测准确度。若当前图像的噪声强度较小时,则不需要对其进行降噪处理以减少摄像机处理器的工作量。
具体地,步骤S101中获取当前图像的噪声强度的过程为:
S1011:将当前帧图像划分为若干个像素点个数相同的图像块,具体可划分为若干个8*8的图像块;
S1012:统计当前帧图像中每个图像块内的噪声点个数;
S1013:获取当前帧图像的初始噪声强度,初始噪声强度为当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数,取中值也是为了降低摄像机处理器的工作量;
S1014:根据当前帧图像的初始噪声强度获取当前帧图像的噪声强度。
与现有技术中其他图像噪声强度估计方法相比,本实施例提供的方法能防止图像噪声强度的剧烈波动导致去噪模块反复开启与关闭,且算法原理简单实用,运行效率很高。
具体地,步骤S1012中统计当前帧图像中每个图像块内的噪声点个数的具体过程为:
首先,计算当前帧图像与前一帧图像灰度差的绝对值;
然后,根据灰度差的绝对值统计当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
本实施例提供的前景检测方法中,将某个像素点的灰度差的绝对值处于预设的阈值范围内时才判断该像素点为噪声点,是因为当其灰度差的绝对值过小时,像素点灰度值属于正常波动,不会对前景检测产生不利影响,而过大时,该像素点有可能为前景图像的像素点。
因为图像噪声的变化是需要一定过程的,因此步骤S1014中可以根据以下公式对当前帧图像的初始噪声强度进行平滑过滤以获取当前帧图像的噪声强度:
其中,α为平滑系数,N为当前帧图像的初始噪声强度,Ni为当前帧图像的噪声强度,Ni-1为前一帧图像的噪声强度,0<N<1,0<Ni<1,0<Ni-1<1,i=0表示当前帧图像是视频的第二帧图像,因为每帧图像需要和前一帧图像比较来求灰度差,第一帧之前没有图像,因此能求噪声强度的图像是从第二帧开始,而i=0时Ni=N,表示当当前帧图像是视频序列的第二帧图像时,其初始噪声强度即为其噪声强度。
实施例3
如图3所示,本实施例提供了一种前景检测方法,包括以下步骤:
S21:获取当前帧图像。由于摄像机实时进行前景目标检测的,因此其会获取到实时采集的每帧图像,并对每一帧图像都进行前景检测以实现目标的实时跟踪。
S22:计算当前帧图像的噪声强度。每获取一帧视频图像,就要计算该帧图像的噪声强度。具体计算过程如下:
首先,计算该帧图像与前一帧图像在各像素点处的灰度差的绝对值,记为D(x,y),若T0≤D(x,y)≤T1,则像素点(x,y)是噪声点,否则不是噪声点,其中T0和T1为预设阈值,T0<T1,本实施例中,分别取8和16;
然后,将该帧图像划分为K个不重叠的像素点为8*8的图像块,并统计每个图像块内的噪声点个数,第i个图像块内的噪声点个数记为Mi,求Mi(i=1,2,3,…,K)的中值记为则该当前帧图像的初始噪声强度N为:
这里求Mi(i=1,2,3,…,K)的中值可以使用直方图算法来快速求解。同时,为了进一步节省计算量,实际计算时可将图像逐行逐列降采样后再进行初始噪声强度计算;
最后,由于图像噪声的变化需要一定过程,可以使用下面公式对初始噪声强度进行平滑过滤以获取当前帧图像的噪声强度:
其中,α为平滑系数,本实施例中取0.9,Ni为当前帧图像的最终噪声强度,Ni-1为上一帧图像的噪声强度,N为当前帧图像的初始噪声强度。噪声强度是介于0和1之间的一个值,其值越大表明图像中噪声越强。i=0表示当前帧图像是视频的第二帧图像,因为噪声强度是根据当前帧图像与前一帧图像的灰度差来计算的,该视频的第一帧图像前面没有图像,因此只能求第二帧以及后面帧图像的噪声强度,而i=0时Ni=N,表示当当前帧图像是视频序列的第二帧图像时,其初始噪声强度即为其噪声强度。
与现有技术中其他图像噪声强度估计方法相比,本实施例提供的方法能防止图像噪声强度的剧烈波动导致去噪模块反复开启与关闭。
S23:根据当前帧图像的噪声强度进行自适应噪声处理。当当前帧图像的噪声强度大于预设的阈值L1时,则开启降噪模块对当前帧图像进行降噪处理。由于噪声的变化时需要一定过程的,即一般是渐变的,因此当连续的多帧图像都低于阈值L0时才关闭降噪模块,这样可以避免短时间内不断开启关闭降噪模块。阈值L1和阈值L0分别为0.9和0.5。降噪模块可为低通滤波器,本实施例中为进一步提高运算效率以及降噪效果优选采用3×3的均值滤波算法。
本实施例提供的前景检测方法中,当当前帧图像的噪声强度较强时即大于预设的阈值时,就进行降噪处理,以消除图像噪声对前景检测的干扰提高检测准确度。若当前图像的噪声强度较小时,则不需要对其进行降噪处理以减少摄像机处理器的工作量。
S24:计算当前帧图像的局部对比度。首先,将步骤S23中经过自适应降噪处理的当前帧图像划分为16*16的不重叠像素块;然后统计每个像素块内的灰度均值和灰度方差,为了减少计算量,可以使用像素块内的像素值平方和减去和的平方的方式计算灰度方差;最后将各个像素块内的灰度方差除以灰度均值,所得的商即为局部对比度。
S25:基于局部对比度建立多高斯背景模型。将步骤S24中计算所得的局部对比度作为块的属性进行多高斯背景建模从而获取多高斯背景模型。
S26:利用多高斯背景模型检测出部分前景图像作为前景图像样本。通过合理选择多高斯参数,可以检测出当前帧图像中的尺寸较大、对比度显著的目标作为前景图像样本,记为F1。
S27:学习背景图像。步骤S26中检测出的前景图像样本F1可用于根据当前帧图像学习背景图像,具体学习公式如下:
其中,B(x,y)是背景图像,I(x,y)为当前帧图像,F1(x,y)为根据多高斯背景模型检测出的前景图像样本,F1(x,y)=0表示像素点(x,y)属于背景图像,F1(x,y)>0则表示像素点(x,y)属于前景图像,β表示背景学习率,本实施例中β取0.008。
本实施例提供的前景检测方法,通过基于局部对比度的多高斯背景建模以及背景图像学习的步骤,可以防止光照突变导致的背景污染,提高前景检测的准确性。
S28:对当前帧图像进行前景目标检测。本实施例中具体是利用纹理对比算法来进行前景检测的,该纹理对比算法是指在合理表达图像纹理的基础上,使用一定的度量方法来评估图像两种纹理的相似性的方法,本实施例中图像纹理是采用梯度向量来表达的,具体过程如下:
首先,利用Sobel梯度算子计算步骤S27中学习后的背景图像B(x,y)和当前帧图像在每一像素点处的梯度向量,背景图像在像素点(x,y)处的梯度向量为(u0,u1),当前帧图像在像素点(x,y)处的梯度向量为(v0,v1);
然后,获取当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致,具体通过以下公式计算得到:
Flat(x,y)表示当前帧图像在像素点(x,y)处的纹理丰富性,Diff(x,y)表示在像素点(x,y)处背景图像与当前帧图像的纹理一致性,Flat(x,y)=0表示当前帧图像在像素点(x,y)处的纹理丰富,Diff(x,y)=1表示在像素点(x,y)处当前帧图像与背景图像的纹理不一致,Tg和Ts为预设的阈值,是经过大量不同包含弱目标和噪声的场景调节测试确定的,本实施例中分别取25、0.4;
最后,获取当前帧图像的前景图E,
E(x,y)=Diff(x,y)AND(NOT Flat(x,y))
即,当当前帧图像中的像素点(x,y)处的纹理丰富且在该像素点处当前帧图像与背景图像的纹理不一致时,该像素点就是前景点。而所有的前景点构成的图像即为前景图像。
本实施例提供的前景检测方法,使用梯度向量来表征图像纹理,利用纹理对比算法进行前景目标检测,可以完整地检测出尺寸较小、对比度较弱的目标,同时也能够消除因光照变换较快时引起的虚警。
实施例4
如图4所示,本实施例提供了一种前景检测***,包括:
获取模块M1,获取当前帧图像;
计算模块M2,计算当前帧图像的局部对比度;
建立模块M3,建立基于局部对比度的多高斯背景模型;
样本检测模块M4,根据多高斯背景模型检测出当前帧图像中的部分前景图像作为前景图像样本;
背景图像学习模块M5,根据前景图像样本和当前帧图像学习背景图像;
前景目标检测模块M6,根据背景图像,对当前帧图像进行前景目标检测。
本实施例提供的前景检测***,可以防止光照突变导致的背景污染,提高前景检测的准确性。同时,高斯背景建模可以在缩小的图像上进行,有效提升了算法效率。
具体地,计算模块M2包括:
分块子模块,将当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
统计子模块,统计每个像素块的灰度均值和灰度方差;
局部对比度获取子模块,获取各像素块的局部对比度,局部对比度为每个像素块的灰度方差除以灰度均值所得的商。
优选地,前景目标检测模块M6包括:
梯度向量获取子模块,分别获取背景图像和当前帧图像中各个像素点的梯度向量;
前景目标检测依据获取子模块,根据背景图像和当前帧图像中各个像素点的梯度向量获取当前帧图像中各个像素点处的纹理是否丰富以及背景图像与当前帧图像的纹理是否一致;
前景目标判断子模块,当当前帧图像中某个像素点处的纹理丰富且在该像素点处当前帧图像与背景图像的纹理不一致,即判断该像素点为前景点。
本实施例提供的前景检测***,使用梯度向量来表征图像纹理,利用纹理对比算法进行前景目标检测,可以完整地检测出尺寸较小、对比度较弱的目标,同时也能够消除因光照变换较快时引起的虚警。
优选地,还包括自适应噪声处理模块,包括:
噪声强度获取子模块M01,在计算当前帧图像的局部对比度之前,获取当前帧图像的噪声强度;
降噪处理子模块M02,当噪声强度大于预设的阈值时,则对当前帧图像进行降噪处理。
本实施例提供的前景检测***中,当当前帧图像的噪声强度较强时即大于噪声处理阈值时,就进行降噪处理,以消除图像噪声对前景检测的干扰提高检测准确度。若当前图像的噪声强度较小时,则不需要对其进行降噪处理以减少摄像机处理器的工作量。
具体地,噪声强度获取子模块M01包括:
图像块划分单元,将当前帧图像划分为若干个像素点个数相同的图像块;
噪声点统计单元,统计当前帧图像中每个图像块内的噪声点个数;
初始噪声强度获取单元,获取当前帧图像的初始噪声强度,初始噪声强度为当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数;
噪声强度获取单元,根据当前帧图像的初始噪声强度获取当前帧图像的噪声强度。
具体地,噪声点统计单元包括:
灰度差绝对值计算子单元,计算当前帧图像与前一帧图像灰度差的绝对值;
噪声点判断和统计子单元,根据灰度差的绝对值统计当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
本实施例提供的前景检测***中,将某个像素点的灰度差的绝对值处于预设的阈值范围内时才判断该像素点为噪声点,是因为当其灰度差的绝对值过小时,像素点灰度值属于正常波动,不会对前景检测产生不利影响,而过大时,该像素点有可能为前景图像的像素点。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (12)
1.一种前景检测方法,其特征在于包括以下步骤:
获取当前帧图像;
计算所述当前帧图像的局部对比度;
建立基于所述局部对比度的多高斯背景模型;
根据所述多高斯背景模型检测出所述当前帧图像中的部分前景图像作为前景图像样本;
根据所述前景图像样本和所述当前帧图像学习背景图像;
根据所述背景图像,对所述当前帧图像进行前景目标检测;
所述根据所述背景图像,对所述当前帧图像进行前景目标检测的步骤包括:
分别获取所述背景图像和所述当前帧图像中各个像素点的梯度向量;
根据所述背景图像和所述当前帧图像中各个像素点的梯度向量获取所述当前帧图像中各个像素点处的纹理是否丰富以及所述背景图像与所述当前帧图像的纹理是否一致;
当所述当前帧图像中某个像素点处的纹理丰富且在该像素点处所述当前帧图像与所述背景图像的纹理不一致,即判断该像素点为前景点;
所述当前帧图像中各个像素点处的纹理是否丰富以及所述背景图像与所述当前帧图像的纹理是否一致是通过以下公式计算得到:
<mrow>
<mi>F</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>></mo>
<msup>
<msub>
<mi>T</mi>
<mi>g</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>&le;</mo>
<msup>
<msub>
<mi>T</mi>
<mi>g</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>&GreaterEqual;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
Flat(x,y)表示所述当前帧图像在像素点(x,y)处的纹理丰富性,Diff(x,y)表示在像素点(x,y)处所述背景图像与所述当前帧图像的纹理一致性,Tg和Ts为预设的阈值,(u0,u1)、(v0,v1)分别表示所述背景图像在像素点(x,y)处的梯度向量、所述当前帧图像在像素点(x,y)处的梯度向量,Flat(x,y)=0表示所述当前帧图像在像素点(x,y)处的纹理丰富,Diff(x,y)=1表示在像素点(x,y)处所述当前帧图像与所述背景图像的纹理不一致。
2.如权利要求1所述的方法,其特征在于,所述计算所述当前帧图像的局部对比度的步骤包括:
将所述当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
统计每个像素块的灰度均值和灰度方差;
获取各像素块的局部对比度,所述局部对比度为每个像素块的所述灰度方差除以所述灰度均值所得的商。
3.如权利要求1或者2所述的方法,其特征在于,所述计算所述当前帧图像的局部对比度的步骤之前还包括对所述当前帧图像进行自适应噪声处理,具体包括:
获取所述当前帧图像的噪声强度;
当所述噪声强度大于预设的阈值时,则对所述当前帧图像进行降噪处理。
4.如权利要求3的所述的方法,其特征在于,所述获取所述当前帧图像的噪声强度的步骤包括:
将所述当前帧图像划分为若干个像素点个数相同的图像块;
统计所述当前帧图像中每个图像块内的噪声点个数;
获取所述当前帧图像的初始噪声强度,所述初始噪声强度为所述当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数;
根据所述当前帧图像的初始噪声强度获取所述当前帧图像的噪声强度。
5.如权利要求4所述的方法,其特征在于,所述统计所述当前帧图像中每个图像块内的噪声点个数的步骤包括:
计算所述当前帧图像与前一帧图像灰度差的绝对值;
根据所述灰度差的绝对值统计所述当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的所述灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
6.如权利要求4或5所述的方法,其特征在于,根据以下公式对所述当前帧图像的初始噪声强度进行平滑过滤以获取所述当前帧图像的噪声强度:
<mrow>
<msub>
<mi>N</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>N</mi>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&alpha;N</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mi>N</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,α为平滑系数,N为所述当前帧图像的初始噪声强度,Ni为所述当前帧图像的噪声强度,Ni-1为前一帧图像的噪声强度,0<N<1,0<Ni<1,0<Ni-1<1,i=0表示所述当前帧图像是视频的第二帧图像。
7.如权利要求1、2、4或者5所述的方法,其特征在于,通过以下公式来学习背景图像:
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&beta;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>&beta;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,B(x,y)是背景图像,I(x,y)为所述当前帧图像,F1(x,y)为根据所述多高斯背景模型检测出的前景图像样本,F1(x,y)=0表示像素点(x,y)为背景点,F1(x,y)>0则表示像素点(x,y)为前景点,β表示背景学习率。
8.一种前景检测***,其特征在于包括:
获取模块,获取当前帧图像;
计算模块,计算所述当前帧图像的局部对比度;
建立模块,建立基于所述局部对比度的多高斯背景模型;
样本检测模块,根据所述多高斯背景模型检测出所述当前帧图像中的部分前景图像作为前景图像样本;
背景图像学习模块,根据所述前景图像样本和所述当前帧图像学习背景图像;
前景目标检测模块,根据所述背景图像,对所述当前帧图像进行前景目标检测;
所述前景目标检测模块包括:
梯度向量获取子模块,分别获取所述背景图像和所述当前帧图像中各个像素点的梯度向量;
前景目标检测依据获取子模块,根据所述背景图像和所述当前帧图像中各个像素点的梯度向量获取所述当前帧图像中各个像素点处的纹理是否丰富以及所述背景图像与所述当前帧图像的纹理是否一致;
前景目标判断子模块,当所述当前帧图像中某个像素点处的纹理丰富且在该像素点处所述当前帧图像与所述背景图像的纹理不一致,即判断该像素点为前景点;
所述当前帧图像中各个像素点处的纹理是否丰富以及所述背景图像与所述当前帧图像的纹理是否一致是通过以下公式计算得到:
<mrow>
<mi>F</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>></mo>
<msup>
<msub>
<mi>T</mi>
<mi>g</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mn>2</mn>
</msup>
<mo>&le;</mo>
<msup>
<msub>
<mi>T</mi>
<mi>g</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>f</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo><</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>&GreaterEqual;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>v</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&CenterDot;</mo>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<mo>/</mo>
<mn>2</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
Flat(x,y)表示所述当前帧图像在像素点(x,y)处的纹理丰富性,Diff(x,y)表示在像素点(x,y)处所述背景图像与所述当前帧图像的纹理一致性,Tg和Ts为预设的阈值,(u0,u1)、(v0,v1)分别表示所述背景图像在像素点(x,y)处的梯度向量、所述当前帧图像在像素点(x,y)处的梯度向量,Flat(x,y)=0表示所述当前帧图像在像素点(x,y)处的纹理丰富,Diff(x,y)1表示在像素点(x,y)处所述当前帧图像与所述背景图像的纹理不一致。
9.如权利要求8所述的***,其特征在于,所述计算模块包括:
分块子模块,将所述当前帧图像划分成若干个m*n的像素块,其中,m、n为大于0的正整数;
统计子模块,统计每个像素块的灰度均值和灰度方差;
局部对比度获取子模块,获取各像素块的局部对比度,所述局部对比度为每个像素块的所述灰度方差除以所述灰度均值所得的商。
10.如权利要求8所述的***,其特征在于还包括自适应噪声处理模块,包括:
噪声强度获取子模块,在计算所述当前帧图像的局部对比度之前,获取所述当前帧图像的噪声强度;
降噪处理子模块,当所述噪声强度大于预设的阈值时,则对所述当前帧图像进行降噪处理。
11.如权利要求10所述的***,其特征在于所述噪声强度获取子模块包括:
图像块划分单元,将所述当前帧图像划分为若干个像素点个数相同的图像块;
噪声点统计单元,统计所述当前帧图像中每个图像块内的噪声点个数;
初始噪声强度获取单元,获取所述当前帧图像的初始噪声强度,所述初始噪声强度为所述当前帧图像中各个图像块内的噪声点个数的中值除以图像块的像素点个数;
噪声强度获取单元,根据所述当前帧图像的初始噪声强度获取所述当前帧图像的噪声强度。
12.如权利要求11所述的***,其特征在于,所述噪声点统计单元包括:
灰度差绝对值计算子单元,计算所述当前帧图像与前一帧图像灰度差的绝对值;
噪声点判断和统计子单元,根据所述灰度差的绝对值统计所述当前帧图像中每个图像块内的噪声点个数,其中,当图像块内的某个像素点的所述灰度差的绝对值处于预设的阈值范围内时则判断该像素点为噪声点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098306.XA CN104700405B (zh) | 2015-03-05 | 2015-03-05 | 一种前景检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510098306.XA CN104700405B (zh) | 2015-03-05 | 2015-03-05 | 一种前景检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104700405A CN104700405A (zh) | 2015-06-10 |
CN104700405B true CN104700405B (zh) | 2017-11-28 |
Family
ID=53347487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510098306.XA Active CN104700405B (zh) | 2015-03-05 | 2015-03-05 | 一种前景检测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104700405B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405138B (zh) * | 2015-11-10 | 2018-05-29 | 上海交通大学 | 基于显著性检测的水面目标跟踪方法 |
CN106327488B (zh) * | 2016-08-19 | 2020-04-21 | 云赛智联股份有限公司 | 一种自适应的前景检测方法及其检测装置 |
CN108961304B (zh) * | 2017-05-23 | 2022-04-26 | 阿里巴巴集团控股有限公司 | 识别视频中运动前景的方法和确定视频中目标位置的方法 |
CN107992873A (zh) * | 2017-10-12 | 2018-05-04 | 西安天和防务技术股份有限公司 | 目标检测方法及装置、存储介质、电子设备 |
CN109907555B (zh) * | 2018-07-26 | 2020-11-17 | 苏州斯莱斯食品有限公司 | 太阳能供电型橱柜 |
CN109697725B (zh) * | 2018-12-03 | 2020-10-02 | 浙江大华技术股份有限公司 | 一种背景过滤方法、装置及计算机可读存储介质 |
CN111127347A (zh) * | 2019-12-09 | 2020-05-08 | Oppo广东移动通信有限公司 | 降噪方法、终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208123A (zh) * | 2013-04-19 | 2013-07-17 | 广东图图搜网络科技有限公司 | 图像分割方法与*** |
CN103530886A (zh) * | 2013-10-22 | 2014-01-22 | 上海安奎拉信息技术有限公司 | 一种视频分析低运算量背景去除方法 |
TWI425446B (zh) * | 2010-10-29 | 2014-02-01 | Univ Nat Chiao Tung | 日夜環境物件偵測方法 |
KR20140045854A (ko) * | 2012-10-09 | 2014-04-17 | 에스케이텔레콤 주식회사 | 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법 |
CN103810722A (zh) * | 2014-02-27 | 2014-05-21 | 云南大学 | 结合改进的lbp纹理和色度信息的运动目标检测方法 |
CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪*** |
-
2015
- 2015-03-05 CN CN201510098306.XA patent/CN104700405B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI425446B (zh) * | 2010-10-29 | 2014-02-01 | Univ Nat Chiao Tung | 日夜環境物件偵測方法 |
KR20140045854A (ko) * | 2012-10-09 | 2014-04-17 | 에스케이텔레콤 주식회사 | 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법 |
CN103903278A (zh) * | 2012-12-28 | 2014-07-02 | 重庆凯泽科技有限公司 | 运动目标检测与跟踪*** |
CN103208123A (zh) * | 2013-04-19 | 2013-07-17 | 广东图图搜网络科技有限公司 | 图像分割方法与*** |
CN103530886A (zh) * | 2013-10-22 | 2014-01-22 | 上海安奎拉信息技术有限公司 | 一种视频分析低运算量背景去除方法 |
CN103810722A (zh) * | 2014-02-27 | 2014-05-21 | 云南大学 | 结合改进的lbp纹理和色度信息的运动目标检测方法 |
Non-Patent Citations (4)
Title |
---|
Adaptive background mixture models for real-time tracking;Chris Stauffer 等;《Computer Vision and Pattern Recognition》;19990625;246-252 * |
Real-time foreground–background segmentation using codebook model;Kyungnam Kim 等;《Real-Time Imaging》;20050630;第11卷(第3期);172-185 * |
基于纹理及统计特征的视频背景提取;姜永林 等;《光学精密工程》;20080115;第16卷(第1期);172-177 * |
应用改进混合高斯模型的运动目标检测;张燕平 等;《计算机工程与应用》;20101201;第46卷(第34期);155-223 * |
Also Published As
Publication number | Publication date |
---|---|
CN104700405A (zh) | 2015-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104700405B (zh) | 一种前景检测方法和*** | |
CN104781848B (zh) | 用于估计单体的倾斜度的图像监测装置及其方法 | |
CN110879982B (zh) | 一种人群计数***及方法 | |
CN106023259B (zh) | 一种运动目标频率检测方法及装置 | |
US20210082127A1 (en) | Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity | |
Wang et al. | Novel spatio-temporal structural information based video quality metric | |
CN111079740A (zh) | 图像的质量评价方法、电子设备和计算机可读存储介质 | |
CN106709932A (zh) | 一种人脸位置跟踪方法、装置和电子设备 | |
CN105791774A (zh) | 一种基于视频内容分析的监控视频传输方法 | |
CN104318266B (zh) | 一种图像智能分析处理预警方法 | |
CN101996406A (zh) | 无参考结构清晰度图像质量评价方法 | |
CN101605209A (zh) | 摄像装置及图像再生装置 | |
CN110827304B (zh) | 一种基于深度卷积网络与水平集方法的中医舌像定位方法和*** | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
Liu et al. | A perceptually relevant approach to ringing region detection | |
CN109670398A (zh) | 一种猪只图像的分析方法及设备 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
CN102084397A (zh) | 图像处理设备、方法和程序 | |
CN103096117B (zh) | 视频噪声检测方法及装置 | |
CN106709438A (zh) | 一种基于视频会议的人数统计方法 | |
CN109657597A (zh) | 面向个体直播场景的异常行为检测方法 | |
CN107610675A (zh) | 一种基于动态电平的图像处理方法及装置 | |
CN107944499A (zh) | 一种针对前景背景同时建模的背景检测方法 | |
CN111444837B (zh) | 在极端环境下提升人脸检测可用性的测温方法及测温*** | |
CN110751635A (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |