CN106023245B - 基于中智集相似度量测的静态背景下运动目标检测方法 - Google Patents
基于中智集相似度量测的静态背景下运动目标检测方法 Download PDFInfo
- Publication number
- CN106023245B CN106023245B CN201610273746.9A CN201610273746A CN106023245B CN 106023245 B CN106023245 B CN 106023245B CN 201610273746 A CN201610273746 A CN 201610273746A CN 106023245 B CN106023245 B CN 106023245B
- Authority
- CN
- China
- Prior art keywords
- intelligence
- degree
- confidence map
- confidence
- region
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于中智集相似度量测的静态背景下运动目标检测方法。该方法在监控区域架设视频采集设备,对采集到的视频数据逐帧处理。首先依据传统的基础背景模型提取各帧运动区域置信图,然后利用若干连续帧置信图数据分别完成基于独立像素点、区域均值像素点和区域极大值像素点的多属性中智隶属度、不确定性度和非隶属度量测,并通过中智相似度加权求和得到运动区域中智置信图,最后以此为基础,利用最大类间方差法获取最优分割阈值,将中智置信图中高于此阈值的判定为运动目标区域,反之则为背景区域。本发明实现简单,计算复杂度低,能够有效克服视频噪声的影响,在雨雪天气等恶劣条件下仍能有效完成运动目标检测。
Description
技术领域
本发明涉及计算机视觉技术领域中的目标检测方法,特别是涉及一种基于中智集相似度量测的静态背景下运动目标检测方法。
背景技术
从20世纪60年代开始发展至今,计算机视觉已经发展成为一个涉及计算机科学、信号处理、物理学、统计学、神经生理学和认知科学等众多领域的综合性学科,被认为是科学领域和工程领域的一个最富有挑战性的研究热点之一。运动目标检测一直是计算机视觉领域的重要研究方向,也是视频浓缩、目标识别、交通检测、防入侵检测等视觉深度应用的基础。然而,实际监控场景中,监控***所处环境复杂多变,常伴随雨雪等恶劣天气、摄像机抖动等因素,运动目标检测仍富有挑战性。现存的运动目标检测算法还远不能满足视频监控智能分析的需求,完善此方面的工作尤为重要。
常见的运动目标检测方法主要包括光流法、帧差法和背景差法。光流法利用图像中各像素帧间时域相关性确定每个像素的位移,并以此为基础检测运动目标。在实际应用中,由于遮挡性、多光源、透明性和噪声等原因,光流场基本方程的灰度守恒假设条件往往无法满足,光流场也就很难正确求解。此外,多数光流计算方法算法复杂度高,不适合在实时性和鲁棒性要求较高的场景下应用;帧差法通常是利用相邻两帧或多帧图像差分进行前景提取,算法简单、高效,环境适应能力高,但其易受目标运动速度影响,通常会存在目标拉伸、空洞现象,且只能获取运动目标的大致区域和轮廓;背景差法是目前针对静止摄像机监控***运动目标检测中应用最为广泛的方法,它主要是通过建立背景模型,依据当前图像帧和背景模型的差异获取前景区域。相比前两种方法,背景建模法能够更准确的提取动目标区域。然而,实际监控***可能面临的恶劣天气和摄像机抖动等问题仍未得到非常有效的解决。
中智学为哲学的一个分支,由Smarandache教授于1980年创立,研究中立性的起源、本质和范畴,以及和不同思想观念的作用。中智集理论由Smarandache教授在1999年提出,它是对现有模糊集、区间值模糊集、直觉模糊集、区间直觉模糊集的一般化。在中智集中,隶属度TA(x),不确定性度IA(x)和非隶属度FA(x)被用来描述决策信息,且三个分量完全独立。中智集具有更好的表达模糊信息的能力,并在现实世界中有广泛应用前景。近年来,中智集已引起了学术界的广泛关注,并在医疗诊断、自然语言分析等领域均成功运用,就计算机视觉领域而言,相关理论已在图像识别/分割、3D骨骼提取上有出色表现。
背景差法中传统的基础背景模型简单、高效。用于区分运动区域和背景区域的最优分割阈值通常仅针对当前帧时刻的运动区域置信图计算,易引入噪声。通过引入中智集理论,利用连续多帧运动区域置信图信息分别建立多属性条件下的隶属度TA(x),不确定性度IA(x)和非隶属度FA(x)量测,并基于此建立中智运动区域置信图,这样可以在较大程度上克服噪声干扰,在获取更优分割阈值的基础上较好的完成运动目标检测任务。
发明内容
本发明所要解决的技术问题是提供一种实现简单、计算复杂度低、抗噪性能好,能够较好完成恶劣天气和摄像机抖动等极具挑战情况下运动目标检测任务的基于中智集相似度量测的静态背景下运动目标检测方法,本发明适用于高分辨率的实时视频监控***,如入侵检测、智能交通分析等。
本发明所采用的技术方案是:提供一种基于中智集相似度量测的静态背景下运动目标检测方法,包括以下步骤:
(1)计算运动区域置信图;
(2)基于独立像素点的中智隶属度、不确定性度和非隶属度量测;
(3)基于区域均值像素点的中智隶属度、不确定性度和非隶属度量测;
(4)基于区域极大值像素点的中智隶属度、不确定性度和非隶属度量测;
(5)计算运动区域中智置信图;
(6)利用最大类间方差法获取最优分割阈值,提取运动目标区域。
进一步,所述步骤(1)中:首先利用中值滤波器对视频源图像进行去噪处理,滤波窗口设定为3x3,然后利用基础背景模型Bt=(1-α)Bt+αIt计算监控区域背景图像,α为学习速率,可依据实际需求设定,α越大,背景模型更新速率越高,It为t时刻对应的视频图像;运动区域置信图St=|It-Bt|,St中对应像素点的值越大,表明该像素点属于运动区域的概率越大。
进一步,所述步骤(2)中:针对独立像素点,其中智隶属度不确定性度非隶属度其中为t时刻运动区域置信图中的最小置信值,为对应的最大值,SD(x)是前N帧目标区域置信图中图像坐标为x处的置信标准差,SD(x)=stddev(St-N+1(x),St-N+2(x),...,St(x))。
进一步,所述步骤(3)中:针对区域均值像素点,其中智隶属度不确定性度非隶属度Smt(x)为以x为中心的均值滤波结果,其中w为滤波窗口宽度,和分别为t时刻经均值滤波后的目标区域置信图中的最大和最小置信值,SDm(x)为前N帧目标区域置信图中图像坐标为x处的经均值滤波处理后的置信标准差。
进一步,所述步骤(4)中:针对区域极大值像素点,其中智隶属度不确定性度非隶属度Smat(x)是运动区域置信图中以x为中心,以w为窗口宽度的区域极大值,Smat(x)=max{St(x+m,y+n)|m,n∈(-w/2,w/2)},和分别为t时刻经区域极大值滤波后的目标区域置信图中的最大和最小置信值,SDma(x)为前N帧目标区域置信图中图像坐标为x处的经区域极大值滤波处理后的置信标准差。
进一步,所述步骤(5)中:通过中智相似度加权求和获取运动区域中智置信图,
A*为不同属性条件下的理想中智描述,独立像素点、区域均值和区域极大值像素点三种属性下的理想中智描述均满足T=1,I=0,F=0,和分别表示三种属性条件下对应中智量测和理想条件的相似度,wg、wm和wma为权值系数,要求三者之和为1,W(P(x),A*)为运动区域中智置信图中坐标x处的置信值。
进一步,所述步骤(6)中以运动区域中智置信图为处理对象,利用Otsu方法获取最优分割阈值T,大于T值的区域判定为运动目标区域,反之则为背景区域。
有益效果:
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
第一,本发明采用极高效的基础背景模型建立运动区域置信图,且相应中智置信图建立过程中相关计算量小,且均可采用并行计算模式,复杂度低、效率高,满足高分辨率实时视频监控需求。
第二,本发明利用中智集理论,将运动目标检测问题转换为模糊信息处理问题,利用三种属性的中智测度进行问题建模。综合考虑了单像素点及其邻域像素点的特征信息,并将连续多帧内像素点属性的稳定性作为运动区域的判定依据,有效提升了运动目标检测的抗噪声性能。
第三,本发明利用加权中智多属性相似度量建立运动区域中智置信图,同时利用最大类间方差法动态获取各时刻最优分割阈值提取运动目标,抗噪性能高,能较好适应恶劣天气和摄像机抖动等挑战。
附图说明
图1是本发明流程图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明涉及一种基于中智集相似度量测的静态背景下运动目标检测方法,如图1所示,主要包括以下步骤:读取视频数据;然后利用传统的基础背景差分模型计算运动区域置信图,并以连续多帧的区域置信图为输入,分别计算独立像素点、区域均值和区域极大值像素点三种属性条件下的中智隶属度、不确定性度和非隶属度量测;最终利用加权中智多属性相似度量建立运动区域中智置信图,并以此为基础采用最大类间方差法获取最优分割阈值,进而提取运动目标区域。以下通过具体的实施例来进一步说明本发明。
步骤一:在监控区域架设一台网络摄像机,并将其采集的视频数据实时传输至计算机终端。
步骤二:计算机终端以RGB格式读取摄像机实时传来的图像数据。
步骤三:计算运动区域置信图。在计算机终端首先利用中值滤波器对视频源图像进行去噪处理,然后利用基础背景模型Bt=(1-α)Bt+αIt计算监控区域背景图像,α为学习速率,可依据实际需求设定,α越大,背景模型更新速率越高,It为t时刻对应的视频图像。运动区域置信图St=|It-Bt|,St中对应像素点的值越大,表明该像素点越可能属于运动区域。本实施例中滤波窗口设定为3x3,α设定为0.03。
步骤四:基于独立像素点的中智隶属度、不确定性度和非隶属度量测。以整个运动区域置信图为处理对象,针对独立像素点,分别计算中智隶属度不确定性度非隶属度 为t时刻运动区域置信图中的最小置信值,为对应的最大值,SD(x)是前N帧目标区域置信图中图像坐标为x处的置信标准差,SD(x)=stddev(St-N+1(x),St-N+2(x),...,St(x))。
步骤五:基于区域均值像素点的中智隶属度、不确定性度和非隶属度量测。以整个运动区域置信图为处理对象,针对区域均值像素点,分别计算中智隶属度不确定性度非隶属度Smt(x)为以x为中心的均值滤波结果,其中w为滤波窗口宽度。和分别为t时刻经均值滤波后的目标区域置信图中的最大和最小置信值,SDm(x)为前N帧目标区域置信图中图像坐标为x处的经均值滤波处理后的置信标准差。本实施例滤波窗口w设定为3。
步骤六:基于区域极大值像素点的中智隶属度、不确定性度和非隶属度量测。以整个运动区域置信图为处理对象,针对区域极大值像素点,分别计算中智隶属度不确定性度非隶属度Smat(x)是运动区域置信图中以x为中心,以w为窗口宽度的区域极大值,Smat(x)=max{St(x+m,y+n)|m,n∈(-w/2,w/2)}。和分别为t时刻经区域极大值滤波后的目标区域置信图中的最大和最小置信值,SDma(x)为前N帧目标区域置信图中图像坐标为x处的经区域极大值滤波处理后的置信标准差。本实施例滤波窗口w设定为3。
步骤七:计算运动区域中智置信图。通过中智相似度加权求和获取运动区域中智置信图,
A*为不同属性条件下的理想中智描述,独立像素点、区域均值和区域极大值像素点三种属性下的理想中智描述均满足T=1,I=0,F=0。因此,的计算可以进一步简化为
和分别表示三种属性条件下对应中智量测和理想条件的相似度。wg、wm和wma为权值系数,要求三者之和为1,W(P(x),A*)为运动区域中智置信图中坐标x处的置信值。本实施例中的wg、wm和wma分别被设定为0.5,0.3和0.2。
步骤八:利用最大类间方差法获取最优分割阈值,提取运动目标区域。以运动区域中智置信图为处理对象,利用Otsu方法(最大类间方差法)获取最优分割阈值T。大于T值的区域判定为运动目标区域,反之则为背景区域。
上述仅为本发明的具体实施例,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (5)
1.基于中智集相似度量测的静态背景下运动目标检测方法,其特征在于,包括以下步骤:
(1)计算运动区域置信图;
(2)计算基于独立像素点的中智隶属度、不确定性度和非隶属度量测;
(3)计算基于区域均值像素点的中智隶属度、不确定性度和非隶属度量测;
(4)计算基于区域极大值像素点的中智隶属度、不确定性度和非隶属度量测;
(5)计算运动区域中智置信图;
(6)利用最大类间方差法获取最优分割阈值,提取运动目标区域;
所述步骤(1)中运动区域置信图的计算进一步限定为:首先利用中值滤波器对视频源图像进行去噪处理,滤波窗口设定为3x3,然后利用基础背景模型Bt=(1-α)Bt-1+αIt计算监控区域背景图像,α为学习速率,可依据实际需求设定,α越大,背景模型更新速率越高,It为t时刻对应的视频图像;运动区域置信图St=|It-Bt|,St中对应像素点的值越大,表明该像素点属于运动区域的概率越大;
所述步骤(2)中基于独立像素点的中智隶属度、不确定性度和非隶属度的计算方法进一步限定为
和分别为图像x坐标处相应的中智隶属度、不确定性度和非隶属度的量测值,为t时刻运动区域置信图中的最小置信值,为对应的最大值,SD(x)是前N帧目标区域置信图中图像坐标为x处的置信标准差,其计算方法为:
SD(x)=stddev(St-N+1(x),St-N+2(x),...,St(x))。
2.根据权利要求1所述的基于中智集相似度量测的静态背景下运动目标检测方法,其特征在于,所述步骤(3)中基于区域均值像素点的中智隶属度、不确定性度和非隶属度的计算方法进一步限定为:
Smt(x)为以x为中心的均值滤波结果,其中w为滤波窗口宽度,和分别为t时刻经均值滤波后的目标区域置信图中的最大和最小置信值,SDm(x)为前N帧目标区域置信图中图像坐标为x处的经均值滤波处理后的置信标准差。
3.根据权利要求1所述的基于中智集相似度量测的静态背景下运动目标检测方法,其特征在于,所述步骤(4)中基于区域极大值像素点的中智隶属度、不确定性度和非隶属度的计算方法进一步限定为:
Smat(x)是运动区域置信图中以x为中心,以w为窗口宽度的区域极大值,Smat(x)=max{St(x+m,y+n)|m,n∈(-w/2,w/2)},和分别为t时刻经区域极大值滤波后的目标区域置信图中的最大和最小置信值,SDma(x)为前N帧目标区域置信图中图像坐标为x处的经区域极大值滤波处理后的置信标准差。
4.根据权利要求1所述的基于中智集相似度量测的静态背景下运动目标检测方法,其特征在于,所述步骤(5)中运动区域中智置信图的计算进一步限定为:通过中智相似度加权求和获取运动区域中智置信图:
A*为不同属性条件下的理想中智描述,独立像素点、区域均值和区域极大值像素点三种属性下的理想中智描述均满足T=1,I=0,F=0; 和分别表示三种属性条件下对应中智量测和理想条件的相似度;wg、wm和wma为权值系数,要求三者之和为1,W(P(x),A*)为运动区域中智置信图中坐标x处的置信值。
5.根据权利要求1所述的基于中智集相似度量测的静态背景下运动目标检测方法,其特征在于,所述步骤(6)中提取运动目标区域的计算进一步限定为:以运动区域中智置信图为处理对象,利用最大类间方差法获取最优分割阈值T,大于T值的区域判定为运动目标区域,反之则为背景区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610273746.9A CN106023245B (zh) | 2016-04-28 | 2016-04-28 | 基于中智集相似度量测的静态背景下运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610273746.9A CN106023245B (zh) | 2016-04-28 | 2016-04-28 | 基于中智集相似度量测的静态背景下运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023245A CN106023245A (zh) | 2016-10-12 |
CN106023245B true CN106023245B (zh) | 2019-01-01 |
Family
ID=57082186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610273746.9A Active CN106023245B (zh) | 2016-04-28 | 2016-04-28 | 基于中智集相似度量测的静态背景下运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023245B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537757B (zh) * | 2018-04-18 | 2020-10-27 | 山东第一医科大学(山东省医学科学院) | 一种固点噪声定位、***显微环境洁净度评价方法 |
CN108789500B (zh) * | 2018-05-24 | 2021-11-05 | 上海节卡机器人科技有限公司 | 人机安全防护***及安全防护方法 |
CN109242877B (zh) * | 2018-09-21 | 2021-09-21 | 新疆大学 | 图像分割方法及装置 |
CN109741345B (zh) * | 2018-12-29 | 2020-09-15 | 绍兴文理学院 | 强化特定区域类目标属性的中智分割参数自动选取方法 |
CN110111343B (zh) * | 2019-05-07 | 2021-08-31 | 齐鲁工业大学 | 一种基于改进模糊c均值的中智学图像分割方法及装置 |
CN110543601B (zh) * | 2019-06-28 | 2022-11-15 | 中南大学 | 一种基于中智集的上下文感知兴趣点推荐方法及*** |
CN110826472B (zh) * | 2019-11-01 | 2023-06-27 | 新疆大学 | 图像检测方法及装置 |
CN112218039B (zh) * | 2020-08-21 | 2022-08-26 | 上海光俊科技股份有限公司 | 一种基于物联网的综合杆智能管理***及方法 |
CN113923541B (zh) * | 2021-09-13 | 2023-07-18 | 广州杰赛科技股份有限公司 | 一种危化品监测*** |
CN114567794B (zh) * | 2022-03-11 | 2023-06-30 | 浙江理工大学 | 一种直播视频背景替换方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1443460A1 (en) * | 2003-02-03 | 2004-08-04 | C.F.D. Elettronica S.P.A. | A process for digital image processing, in particular in the video monitoring field |
CN104143077A (zh) * | 2013-05-09 | 2014-11-12 | 深圳先进技术研究院 | 基于图像的行人目标检索方法和*** |
-
2016
- 2016-04-28 CN CN201610273746.9A patent/CN106023245B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1443460A1 (en) * | 2003-02-03 | 2004-08-04 | C.F.D. Elettronica S.P.A. | A process for digital image processing, in particular in the video monitoring field |
CN104143077A (zh) * | 2013-05-09 | 2014-11-12 | 深圳先进技术研究院 | 基于图像的行人目标检索方法和*** |
Non-Patent Citations (2)
Title |
---|
A novel image thresholding algorithm based on neutrosophic similarity score;Yanhui Guo 等;《Measurement》;20141231;第58卷;第175、178-181页 * |
运动人体目标跟踪及异常行为识别;王宝玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120715;第2012年卷(第7期);第9、11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106023245A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106023245B (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
Zhang et al. | Application of internet of things technology and convolutional neural network model in bridge crack detection | |
CN105740758A (zh) | 基于深度学习的互联网视频人脸识别方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103164858A (zh) | 基于超像素和图模型的粘连人群分割与跟踪方法 | |
CN111967394B (zh) | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN109934224A (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
CN104268520A (zh) | 一种基于深度运动轨迹的人体动作识别方法 | |
CN210072642U (zh) | 基于视频监控的人群异常行为检测*** | |
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN103049748B (zh) | 行为监测方法及装置 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
CN105809707B (zh) | 一种基于随机森林算法的行人跟踪方法 | |
CN104123569A (zh) | 一种基于有监督学习的视频人数信息统计方法 | |
Khashman | Automatic detection, extraction and recognition of moving objects | |
Filonenko et al. | Smoke detection for surveillance cameras based on color, motion, and shape | |
Gao et al. | Region-based moving shadow detection using watershed algorithm | |
Fakharian et al. | Hybrid object detection using improved Gaussian mixture model | |
Li et al. | Automatic building extraction based on improved watershed segmentation, mutual information match and snake model | |
Zhou et al. | Real-time detection and spatial segmentation of difference image motion changes | |
CN103106666B (zh) | 基于稀疏性和平滑性的运动目标检测方法 | |
Yuxi et al. | A new motion obstacle detection based monocular-vision algorithm | |
Guo et al. | Research on the detection and tracking technology of moving object in video images |
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 |