CN105844671B - 一种变光照条件下的快速背景减除法 - Google Patents
一种变光照条件下的快速背景减除法 Download PDFInfo
- Publication number
- CN105844671B CN105844671B CN201610223117.5A CN201610223117A CN105844671B CN 105844671 B CN105844671 B CN 105844671B CN 201610223117 A CN201610223117 A CN 201610223117A CN 105844671 B CN105844671 B CN 105844671B
- Authority
- CN
- China
- Prior art keywords
- image
- background
- illumination
- mean
- measured
- 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
Classifications
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种变光照条件下的快速背景减除法,其过程为:学习背景模板,通过待测的当前帧与其前一帧图像差值的均值和方差比较判断光照是否发生变化,如果光照发生了变化,则重新学习背景模板,如果光照没有发生变化时,进一步利用待测当前帧与背景模板图像差值的均值与背景学习的阈值进行比较判断是否有异物入侵。本发明中的算法不仅具有较好的背景减除效果,并且计算速度快,尤其适用于光照变化迅速的场景。本发明中的算法可以快速实时的进行光照变化的检测,从而实现背景减除,提取相关入侵的异物。
Description
技术领域
本发明涉及图像处理技术,具体的说涉及一种变光照条件下的快速背景减除法。
背景技术
计算机视觉信息提取技术中,运动目标检测是其一个关键步骤,也是更高层次的视频图像分析的重要基础。如何快速准确的从视频图像序列中提取出***所关心的运动目标,是诸多研究人员所关心的一个问题。目前常用的运动目标检测方法主要有光流法、帧差法和背景减除法三种。其中,光流法由于运算复杂、对硬件设备要求高而应用较少,帧差法由于定位准确性较差、计算量大等问题,应用也比较少,而背景减除法由于计算量少、实现简单,且与帧差法相比定位准确及不扩大运动区域等优点,得到了比较广泛的应用。
目前的基于背景减除法的异物提取一般是通过找到图像序列中的运动像素点和静止像素点,从而找到前景中的变化区域,进而将入侵的异物从背景图像中提取出来。采用背景减除法检测运动目标或入侵异物时,首先要建立背景模型,而背景模型的建立方法中,混合高斯模型方法是应用较多的一种,该方法能够适应光线的缓慢变化及一些小的扰动,但其计算过程复杂,模型参数的选取对其检测效果影响较大,提取出的背景会有“鬼影”现象,当光线突然变化(如开关灯引起的光照变化)时,其检测常常出错。此外还有一些基于预测估计的背景建模方法,如Kalman滤波方法,虽然这种方法对噪声有较强的抑制作用,但当背景的变化较快时,这种方法出错的几率就会大大增加。
发明内容
本发明的目的是提供一种更加快速的、简单的变光照条件下的快速背景减除法,以解决现有的背景减除算法中存在的光照条件变换较快时检测容易出错的问题。
本发明的目的是这样实现的:
一种变光照条件下的快速背景减除法,其过程为:以灰度图像序列中连续的若干帧图像作为背景图像进行背景学习,然后判断待测当前帧图像与其前一帧图像的光照条件是否发生变化,如果光照发生了变化,则重新进行背景学习,如果光照没有发生变化,则利用待测当前帧图像与背景模板图像差值的均值与背景学习的结果进行比较,根据比较结果判断是否有异物入侵。
所述的一种变光照条件下的快速背景减除法,所述过程具体为:
①、所述灰度图像序列是:先选择视频图像序列,然后将视频图像序列中的所有图像转换为灰度图像,从而获得灰度图像序列;
②、以所述灰度图像序列中连续的若干帧图像作为背景图像进行背景学习的过程是:
首先,学习背景模板图像,即计算该若干帧图像的均值A;Ai(i=1,2,...,n)表示所选择的进行背景学习的灰度图像,A表示所选择的若干帧图像的灰度值的均值;
然后,计算该若干帧图像所有相邻图像的差值的绝对值的均值矩阵T的均值mean(|T|);
其中,T表示所选择的若干帧图像中所有相邻图像灰度值差值矩阵的绝对值的均值矩阵;mean(|T|)为对均值矩阵T中所有元素取均值的结果
本步骤中,所述若干帧图像的数量取值为5~20;
③、判断待测当前帧图像与其前一帧图像的光照条件是否发生变化;
④、如果步骤③的判断结果为光照条件没有发生变化,则对当待测前帧图像与背景模板图像进行背景减除得到矩阵C;对矩阵C中所有像素点取绝对值得到矩阵|C|,对矩阵|C|中所有元素取均值和方差得到mean(|C|)和std(|C|);
如果mean(|C|)>2T,则判断为有异物入侵,则利用阈值M对待测当前帧灰度图像进行二值化,提取出入侵的异物,其中阈值
如果mean(|C|)≤2T,则判断为无异物入侵,则按步骤③的方法继续判断下一个待测当前帧图像与其前一帧图像的光照条件是否发生变化;
⑤、如果步骤③的判断结果为光照条件发生了变化,则按步骤②的方法重新选择背景图像进行背景学习。
所述的变光照条件下的快速背景减除法中,步骤③所述判断待测当前帧图像与其前一帧图像的光照条件是否发生变化的方法是:
计算待测当前帧灰度图像Aj与其前一帧灰度图像Aj-1的各像素点灰度值的差值矩阵B,并对矩阵B所有元素的绝对值取均值mean(|B|)和方差std(|B|);
如果mean(|B|)<std(|B|),则判断为光照条件没有发生变化;否则,则判断为光照条件发生了变化。
所述的变光照条件下的快速背景减除法,所述若干帧图像的数量取值优选为10。
目前,本发明是基于图像的灰度的均值和方差相结合的变光照条件下的一种快速背景剪除法,先通过多幅图像的学***均值从而取得背景图像,然后通过背景相减与帧差法求出差值绝对值的均值和方差,通过均值与方差的对比,进行两次比较判断,采用背景减法获取入侵的异物,同时利用不同均值的对比来提取异物。本发明中的算法不仅具有较好的背景减除效果,并且计算速度快,尤其适用于光照变化迅速的场景。本发明中的算法可以快速实时的进行光照变化的检测,从而实现背景减除,提取相关入侵的异物。
附图说明
图1是本发明方法的结构框图。
图2是Step2所选取的10帧作为背景图像的灰度图像。
图3是Step2所选取的10帧图像的各像素点的灰度值的均值计算结果。
图4是光照条件没有发生变化的情况下的待测的当前帧灰度图像与其前一帧灰度图像。
图5是光照条件发生了变化的情况下的待测的当前帧灰度图像与其前一帧灰度图像。
图6是对图4中b图进行二值化后提取出入侵异物的结果。
图7是采用传统背景减法对图4中b图进行背景减除的结果。
具体实施方式
实施例1
下面结合附图对本发明作进一步详细的说明,图1是本发明方法的结构框图。
Step1:开始:
从视频图像中选取其中1500帧连续的视频图像序列,然后将视频图像序列中的所有图像转换成灰度图像,获得灰度图像序列。
灰度图像序列中的每一帧图像均以其各像素点的灰度值为元素构成的矩阵表示。
Step2:从该1500帧连续的灰度图像序列中选择10帧合适连续的图像作为背景图像(如图2)进行背景学习,背景学习过程为:
(1)学习背景模板图像,即计算该10帧图像的均值A:
其中,Ai(i=1,2,...,10)为所选择的10帧图像中第i帧图像的各像素点的灰度值矩阵,A表示所选择的10帧图像的各像素点的灰度值的均值构成的矩阵,其结果如图3所示,
(2)计算该10帧图像中所有相邻图像差值的绝对值的均值矩阵的均值mean(|T|):
其中,Ai(i=1,2,...10)为所选择的10帧图像中第i帧图像的各像素点的灰度值矩阵,T为均值矩阵,表示所选择的10帧图像中所有相邻两幅图像的差值矩阵的绝对值的均值,mean(|T|)为对均值矩阵T中所有元素取均值的结果。
本步骤中,初次进行背景图像的选取时,以连续的10帧无异物入侵的图像作为背景图像。
Step3:判断待测当前帧图像与其前一帧图像的光照条件是否发生变化:
设待测当前帧图像为Aj,其前一帧图像为Aj-1;若待测当前帧图像及其前一帧图像的差值矩阵的所有元素的绝对值的均值和方差计算结果为mean(|B|)<std(|B|),例如图4中所示图像(图4中(a)图像为(b)图像的前一帧图像)的计算结果为mean(|B|)=0.4004、std(|B|)=0.9866,由于0.4004<0.9866,则判断结果为光照条件没有发生变化,
若待测的当前帧图像及其前一帧图像的差值矩阵中所有元素的绝对值的均值和方差计算结果为mean(|B|)≥std(|B|),例如图5中所示图像(图5中(a)图像为(b)图像的前一帧图像)的计算结果为mean(|B|)=64.0704、std(|B|)=25.6025,由于64.0704≥25.6025,则判断结果为光照条件发生了变化。
Step4:如果Step3的判断结果为光照条件没有发生变化,则对待测当前帧图像(即图4中(b)图像)与背景学习得到的均值矩阵A进行背景减除:
将待测当前帧图像Aj与背景模板图像进行背景减除得到矩阵C,即矩阵C=Aj-A,对矩阵C中的所有像素点取绝对值得到矩阵|C|,计算矩阵|C|中所有像素点的均值和方差得到mean(|C|)和std(|C|);
如果mean(|C|)>2mean(|T|),则判断为有异物入侵,则利用阈值M对待测当前帧图像Aj进行二值化,提取出入侵异物,结果如图6所示,其中阈值
如果mean(|C|)≤2mean(|T|),则判断为无异物入侵,则按Step3的方法继续判断下一个待测当前帧图像与其前一帧图像的光照条件是否发生变化。
其中,待测当前帧的选择为背景图像之后的图像。
Step5:如果Step3的判断结果为光照条件发生了变化,则按Step2的方法重新开始学习背景模板,以Step2所选取的10帧灰度图像之后相邻的10帧灰度图像作为背景模板。
实施例2
与实施例1相比,本实施例中Step3对待测当前帧灰度图像与其前一帧灰度图像的光照条件是否发生变化的判断方法是采用高斯模型,按常规算法步骤进行计算并给出判断结果。
对实施例1和实施例2方法的统计结果表明,实施例2中采用高斯模型的方法对变光照的情况进行判断的正确率在50%左右,而实施例1中的采用均值和方差的方法对变光照的情况判断正确率在95%左右,远远高于使用高斯模型进行变光照判断时的正确率。
以上描述了本发明的两种具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和***的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。
对比例1
采用高斯模型,按常规计算步骤对所选择的灰度图像图4(b)进行背景减除,减除结果如图7所示。
通过图6与图7的对比,可以看出本发明方法相对于传统采用高斯模型方法,在异物提取效果上更好、更精确。
Claims (3)
1.一种变光照条件下的快速背景减除法,其特征是,其过程为:以灰度图像序列中连续的若干帧图像作为背景图像进行背景学习,然后判断待测当前帧图像与其前一帧图像的光照条件是否发生变化,如果光照发生了变化,则重新进行背景学习,如果光照没有发生变化,则利用待测当前帧图像与背景模板图像差值的均值与背景学习的结果进行比较,根据比较结果判断是否有异物入侵;所述过程具体为:
①、所述灰度图像序列是:先选择视频图像序列,然后将视频图像序列中的所有图像转换为灰度图像,从而获得灰度图像序列;
②、以所述灰度图像序列中连续的若干帧图像作为背景图像进行背景学习的过程是:
首先,学习背景模板图像,即计算该若干帧图像的均值A;
然后,计算该若干帧图像所有相邻图像的差值的绝对值的均值矩阵的均值mean(|T|);
本步骤中,所述若干帧图像的数量取值为5~20;
③、判断待测当前帧图像与其前一帧图像的光照条件是否发生变化;
④、如果步骤③的判断结果为光照条件没有发生变化,则对当待测前帧图像与背景模板图像进行背景减除得到矩阵C;对矩阵C中所有像素点取绝对值得到矩阵|C|,对矩阵|C|中所有元素取均值和方差得到mean(|C|)和std(|C|);
如果mean(|C|)>2mean(|T|),则判断为有异物入侵,则利用阈值M对待测当前帧图像进行二值化,提取入侵异物,其中阈值
如果mean(|C|)≤2mean(|T|),则判断为无异物入侵,则按步骤③的方法继续判断下一个待测当前帧图像与其前一帧图像的光照条件是否发生变化;
⑤、如果步骤③的判断结果为光照条件发生了变化,则按步骤②的方法重新选择背景图像进行背景学习。
2.根据权利要求1所述的变光照条件下的快速背景减除法,其特征是:
步骤③所述判断待测当前帧图像与其前一帧图像的光照条件是否发生变化的方法是:
计算待测当前帧灰度图像Aj与其前一帧灰度图像Aj-1的各像素点灰度值的差值矩阵B,并对矩阵B所有元素的绝对值取均值mean(|B|)和方差std(|B|);
如果mean(|B|)<std(|B|),则判断为光照条件没有发生变化;否则,则判断为光照条件发生了变化。
3.根据权利要求1所述的变光照条件下的快速背景减除法,其特征是,所述若干帧图像的数量取值优选为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610223117.5A CN105844671B (zh) | 2016-04-12 | 2016-04-12 | 一种变光照条件下的快速背景减除法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610223117.5A CN105844671B (zh) | 2016-04-12 | 2016-04-12 | 一种变光照条件下的快速背景减除法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105844671A CN105844671A (zh) | 2016-08-10 |
CN105844671B true CN105844671B (zh) | 2018-06-22 |
Family
ID=56597392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610223117.5A Active CN105844671B (zh) | 2016-04-12 | 2016-04-12 | 一种变光照条件下的快速背景减除法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844671B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107798689A (zh) * | 2016-08-28 | 2018-03-13 | 淮安信息职业技术学院 | 交通视频图像背景提取方法 |
CN109166261B (zh) * | 2018-10-11 | 2022-06-07 | 平安科技(深圳)有限公司 | 基于图像识别的图像处理方法、装置、设备及存储介质 |
CN112183337A (zh) * | 2020-09-28 | 2021-01-05 | 华北电力大学(保定) | 一种输电线路防机械入侵的检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006042229A (ja) * | 2004-07-30 | 2006-02-09 | Nippon Hoso Kyokai <Nhk> | 映像オブジェクト抽出装置、映像オブジェクト軌跡合成装置、その方法及びそのプログラム |
CN102013022A (zh) * | 2010-11-23 | 2011-04-13 | 北京大学 | 一种针对人群密集监控场景的选择式特征背景减除方法 |
CN103077520A (zh) * | 2013-01-04 | 2013-05-01 | 浙江大学 | 一种针对移动摄像机的背景减除方法 |
CN104143197A (zh) * | 2014-07-31 | 2014-11-12 | 中国科学院自动化研究所 | 一种航拍场景下运动车辆的检测方法 |
-
2016
- 2016-04-12 CN CN201610223117.5A patent/CN105844671B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006042229A (ja) * | 2004-07-30 | 2006-02-09 | Nippon Hoso Kyokai <Nhk> | 映像オブジェクト抽出装置、映像オブジェクト軌跡合成装置、その方法及びそのプログラム |
CN102013022A (zh) * | 2010-11-23 | 2011-04-13 | 北京大学 | 一种针对人群密集监控场景的选择式特征背景减除方法 |
CN103077520A (zh) * | 2013-01-04 | 2013-05-01 | 浙江大学 | 一种针对移动摄像机的背景减除方法 |
CN104143197A (zh) * | 2014-07-31 | 2014-11-12 | 中国科学院自动化研究所 | 一种航拍场景下运动车辆的检测方法 |
Non-Patent Citations (1)
Title |
---|
背景减除的算法研究;孙吉花;《中国优秀硕士学位论文全文数据库 信息科技辑》;20070515;第3.4-3.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105844671A (zh) | 2016-08-10 |
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 | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN103514441B (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN102542552B (zh) | 视频图像的顺逆光判断和拍摄时间检测方法 | |
CN103106659A (zh) | 基于双目视觉稀疏点匹配的空旷区域目标检测与跟踪方法 | |
Wang et al. | Fire smoke detection based on texture features and optical flow vector of contour | |
CN103530893A (zh) | 相机抖动场景下基于背景差和运动信息的前景检测方法 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
CN109635634A (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
CN105374049B (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
CN101883209A (zh) | 一种背景模型与三帧差分相结合进行视频背景检测的方法 | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 | |
Langmann et al. | Multi-modal background subtraction using gaussian mixture models | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN104537688A (zh) | 一种基于背景差分和hog特征的运动目标检测方法 | |
CN114022910A (zh) | 泳池防溺水监管方法、装置、计算机设备及存储介质 | |
CN109711256A (zh) | 一种低空复杂背景无人机目标检测方法 | |
Wang et al. | Unstructured road detection using hybrid features | |
CN105205834A (zh) | 一种基于混合高斯及阴影检测模型的目标检测与提取方法 | |
CN102800105B (zh) | 基于运动矢量的目标检测方法 | |
CN103632373B (zh) | 一种三帧差分高阶统计量结合otsu算法的絮体检测方法 |
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 |