CN106296677B - 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 - Google Patents
一种基于双背景模型的双掩膜背景更新的遗留物检测方法 Download PDFInfo
- Publication number
- CN106296677B CN106296677B CN201610638539.9A CN201610638539A CN106296677B CN 106296677 B CN106296677 B CN 106296677B CN 201610638539 A CN201610638539 A CN 201610638539A CN 106296677 B CN106296677 B CN 106296677B
- Authority
- CN
- China
- Prior art keywords
- image
- background
- update
- background model
- slow
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双背景模型的双掩膜背景更新的遗留物检测方法,涉及智能监控、计算机视觉领域。本方法包括以下步骤:S1:读入监控视频,并创建两个背景模型;S2:检测静止前景物体;S3:对检测到的静止物体进行筛选;S4:双背景模型的更新;S5:将检测到的遗留物加以标记输出到视频监控。本发明通过双背景模型的对比,粗略地检测出静止物体,经过进一步精确的筛选得到准确的遗留物,在两个背景模型上的更新方法上进一步保证了遗留物检测的准确度,同时还保证了检测的实时性。并且也能很好的适应各种公共场合以及有效的避免环境变化(比如光线,风吹物体的摆动)产生的干扰。
Description
技术领域
本发明涉及智能视频监控、计算机视觉领域,具体涉及一种基于双背景模型的双掩膜背景更新的遗留物检测方法。
背景技术
视频监控***在各行各业都得到了广泛的应用,特别是在居民小区、银行、超市、地铁、机场、博物馆等都有视频监控设备。一般情况下,以上监控***主要由传统的闭路电视CCTV监控构成,可以对监控场景进行记录和储存,但并不能对公共安全等犯罪行为及时发出报警,而且需要大量的工作人员时刻监视着监控画面。故以CCTV为主的视频监控***已经无法满足现代人们对安全防范的需求,从而智能视频监控应运而生,将在以后全面取代前者。
遗留物检测是安防预警领域中智能视频监控的一个重要分支,在机场、地铁、体育场、候车室和展览馆等公共场合的可疑遗留物检测是智能视频监控***不可缺少的内容。目前已有的遗留物检测方法主要存在如下的问题:
目前直接采用混合高斯模型对两个背景同时建模,需要运行的计算量非常庞大,很难满足实时性的要求。目前遗留物的长时间停留很容易被更新到背景里面,从而导致无法检测到遗留物;目前遗留物检测中没有对干扰物进行严格的剔除,造成遗留物误检率极高。
所以如何提高在复杂环境下视频监控***中遗留物检测的准确性、实时性是有待解决的问题。
发明内容
为了解决上述的技术问题,本发明的目的就在于提高遗留物检测的准确性和实时性,提供一种基于双背景模型的双掩膜背景更新的遗留物检测方法。
本发明所采用的技术方案是:
S10,读入监控视频,并创建两个背景模型,以监控视频的第一帧图像作为快更新背景模型和慢更新背景模型的背景图像;
S20,检测静止前景物体;
S30,对检测到的静止物体进行筛选;
S40,双背景模型的更新;
S50,将检测到的遗留物加以标记输出到视频监控;
上述的技术方案,其中优选的,所述步骤S10中创建两个背景模型包括如下步骤:
S11,两个背景模型分别为快更新背景模型和慢更新背景模型,它们两个不仅背景更新速率不一样,而且它们的背景更新机制也不同,快更新背景模型是基于像素比较法进行背景更新的,慢更新背景模型是基于混合高斯背景建模进行背景更新的。
所述步骤S20中检测静止前景物体中包括如下步骤:
S21,用快更新背景模型与慢更新背景模型进行差分,用二值标示,若差值大于阈值,则在二值图像对应点处置为255,255标示不相同,即标示静止物;反之,则在二值图像对应点处置为0,0标示相同,即标示非静止物。
S22,对暂时静止的物体进行跟踪计时,扫描静止物体图像的每个点,找到像素值为255的点,在累计图像对应点计数加1,然后扫描累计图像的每个点,找到计数大于设定阈值的像素点,形成新的静止物体的二值图像;
S23,对新的二值图像进行形态学滤波的膨胀操作。
所述步骤S30中静止物体进行筛选包括如下步骤:
S31,首先筛选出一个合适大小的静止物体,过滤掉过大或过小的静止物体。
S32,先找出外接矩形的长宽比符合人体形状要求的静止物体,然后利用HOG+SVM行人检测算法检测这些物体是否是静止行人。
S33,用运动物体的二值图像和静止物体的二值图像相与得到新的二值图像,在该二值图像上使用中值滤波来过滤室外树叶、柳絮飘动等风吹物体的摆动的干扰。
S34,用静止物体的轮廓面积与外接矩形面积之比小于设定的比值的过滤掉静止自行车和电瓶车的干扰。
上述的技术方案,其中,所述步骤S40中双背景模型的更新如下步骤:
S41,快更新背景模型利用读入的每帧数据与当前背景进行比较每个像素点上的灰度值大小来更新快更新背景模型。
S42,慢更新背景模型首先构造两个掩膜,随着视频监控中有无遗留物的情况不断变化,利用这两个掩膜可以随时切换慢更新背景模型的全局/局部背景上的混合高斯背景建模更新。
优选的,所述快更新背景模型利用读入的每帧视频图像数据与当前背景进行每个像素点上的灰度值大小的比较来更新快更新背景模型,如果当前视频图像的灰度值比当前背景图像的对应点处大,则当前背景图像的对应点灰度值加1,反之,如果当前视频图像的灰度值比当前背景图像对应点处小,则当前背景图像对应点处减1。
优选的,所述慢更新背景模型的更新方法为:
1)构造两个掩膜,第一个掩膜为灰度值都为255的图像,第二个掩膜为第一个掩膜取反后的结果图像;
2)如果监控视频中没有出现遗留物,则慢更新背景模型进行全局混合高斯背景更新,并且两个掩膜图像信息保持不变;一旦检测到遗留物,则把遗留物在图像上的位置存储下来,然后在第一个掩膜图像上的相对应的位置上把该部分的灰度值全都置为0,第二个掩膜图像对第一个掩膜图像重新进行取反更新;
3)把第一个掩膜图像与当前慢更新背景图像相与得到需要更新的背景区域,第二个掩膜图像与当前慢更新背景图像相与得到遗留物对应的不需要更新的背景区域;
4)第一个掩膜图像和当前视频图像相与得到需要背景更新区域的混合高斯背景更新的输入数据图像;
5)最后把更新好的背景区域图像与不需要更新的背景区域图像相或得到完整的全新慢更新背景图像。
本发明的遗留物检测方法产生以下几种良好的效果:
效果1:本发明采用像素比较法对快更新背景模型进行背景更新,从而取代混合高斯背景建模的背景更新方法,降低了全高清视频图像分析处理的计算量,提高检测算法的实时性。
效果2:本发明采用先筛选后用HOG+SVM人体检测方法来过滤静止行人的方法,很大程度上减少了HOG+SVM人体检测方法的计算量,提高检测算法的实时性。
效果3:本发明采用双掩膜对慢更新背景模型进行局部更新,很灵活的在没有遗留物出现时的背景全局更新与有遗留物出现时的背景局部更新之间自由的切换,从而避免遗留物的遗留时间过长而融入到慢更新背景模型中的现象。
效果4:本发明采用严格的筛选方法,消除干扰目标(噪声、静止行人、风吹物体的摆动、静止自行车)对遗留物的影响,提高算法的准确度,尽量减少漏检和误检率。
附图说明
图1是本方法的步骤图;
图2是计算静止物体的流程图;
图3是静止物体跟踪计时的流程图;
图4是过滤风吹物体摆动的干扰的流程图;
图5是快更新背景模型的背景更新流程图;
图6是慢更新背景模型的双掩膜背景更新流程图.
具体实施方式
以下结合附图和具体实施对本发明进行详细描述,但不作为对本发明的限定。
如图1,本方法的实现步骤如下:
A读取监控视频,并创建两个背景模型
利用摄像头获得监控视频图像数据,并且把第一帧图像作为一开始两个背景模型的背景图像。
B检测静止前景物体
在上一步我们利用视频图像数据,建立了两个背景模型,两个背景模型的不同之处在于背景更新速率和背景更新方法,分别记为快更新背景和慢更新背景,其中快更新背景模型的更新速率是0.5秒/次,慢更新背景模型的更新速率是25秒/次。快更新背景模型与慢更新背景模型的更新速率在1:40到1:80之间比较合适,这个比值可以根据具体的实际环境来设定。
如图2所示,把两个背景模型进行差分,并且用二值标示,若差值大于阈值60,则在二值图像对应点处置为255,255标示不相同,即标示静止物;反之,则在二值图像对应点处置为0,0标示相同,即标示非静止物。
接下来要对静止物体的静止时间跟踪进行计时。如图3所示,扫描静止物体图像的每个点,找到像素值为255的点,在累计图像对应点计数加1。然后扫描累计图像的每个点,找到大于阈值为80的像素点,形成新的静止物体的二值图像。对新的二值图像进行形态学滤波中的膨胀处理,膨胀操作使用3*3的内核。
C对检测到的静止物体进行筛选
首先对静止物体的二值图像进行连通域标记,接下来运用遗留物连通域的轮廓特性进行如下筛选:
1.首先筛选出连通域大小在500到10000之间的静止物。
2.在上面的基础上先筛选出连通域的外接矩形的长宽比大于1.5的静止物,再利用HOG+SVM行人检测算法检测筛选出来的静止物是否是静止行人,把检测出来为行人的连通域去除掉。
3.如图4所示,首先计算当前视频图像和当前慢更新背景图像对应点的差,差值大于阈值为60的对应点处结果置为255,反之,对应点处结果置为0。0标示相同,即为背景,255标示不相同,即为运动前景。上面计算得到运动物体的二值图像,然后把运动物体图像与当前静止物体图像相与得到新的静止物体的二值图像。
4.在新的静止物体的图像上找到连通域面积与该连通域的外接矩形面积之比小于0.5的连通域,将其过滤掉,最后剩下的连通域部分就是最终的遗留物。
D双背景模型的更新
双背景模型的更新利用到两个不一样的背景更新方法,快更新背景模型的更新方法如图5所示,利用每帧读入的视频图像数据与当前背景图像进行比较对应点的灰度值大小。如果当前视频图像的灰度值比当前背景图像的对应点处大,则当前背景图像的对应点灰度值加1,反之,如果当前视频图像的灰度值比当前背景图像对应点处小,则当前背景图像对应点处减1。快更新背景模型就是这样每一帧去更新它的当前背景图像。
慢更新背景模型的更新方法如图6所示,首先构造两个掩膜,第一个掩膜为灰度值都为255的图像,第二个掩膜为第一个掩膜取反后的结果图像。一开始,如果监控视频中没有出现遗留物,则慢更新背景模型进行全局混合高斯背景更新,并且两个掩膜图像信息保持不变。一旦发现检测到遗留物,则把遗留物在图像上的位置存储下来,然后在第一个掩膜图像上的相对应的位置上把该部分的灰度值全都置为0。第二个掩膜图像对第一个掩膜图像重新进行取反更新。接着把第一个掩膜图像与当前慢更新背景图像相与得到需要更新的背景区域,第二个掩膜图像与当前慢更新背景图像相与得到遗留物对应的不需要更新的背景区域。第一个掩膜图像还要和当前视频图像相与得到需要背景更新区域的混合高斯背景更新的输入数据图像。最后把更新好的背景区域图像与不需要更新的背景区域图像相或得到完整的全新慢更新背景图像。
E将检测到的遗留物加以标记输出到视频监控
计算遗留物二值图像中的遗留物连通域的外接矩形并把它们画到视频监控图像上相对应的位置。
Claims (1)
1.一种基于双背景模型的双掩膜背景更新的遗留物检测方法,其特征在于包括如下步骤:
A、读入监控视频,创建快更新背景模型和慢更新背景模型,以监控视频的第一帧图像作为快更新背景模型和慢更新背景模型的背景图像;所述步骤A中快更新背景模型的背景更新方法为像素比较法;慢更新背景模型的背景更新方法为双掩膜混合高斯背景建模,快更新背景模型与慢更新背景模型的更新速率比在1:40到1:80之间;
B、检测静止前景物体;
所述步骤B具体包括如下步骤:
S21,用快更新背景模型与慢更新背景模型进行差分,用二值标示,若差值大于阈值,则在二值图像对应点处置为255,255标示不相同,即标示静止物;反之,则在二值图像对应点处置为0,0标示相同,即标示非静止物;
S22,对暂时静止的物体进行跟踪计时,扫描静止物体图像的每个点,找到像素值为255的点,在累计图像对应点计数加1,然后扫描累计图像的每个点,找到计数大于设定阈值的像素点,形成新的静止物体的二值图像;
S23,对新的二值图像进行形态学滤波的膨胀操作;
C、对检测到的静止物体进行筛选;
所述步骤C包括如下步骤:
C1、筛选出连通域大小在500到10000之间的静止物;
C2、筛选出连通域的外接矩形的长宽比大于1.5的静止物,再利用HOG+SVM行人检测算法检测筛选出来的静止物是否是静止行人,把检测出来为静止行人的连通域去除掉;
C3、将当前视频图像和当前慢更新背景图像差分,运动图像在差值大于阈值为60的对应点处结果置为255,反之,对应点处结果置为0,得到的运动图像和当前的静止物图像相与得到新的静止物图像,在该新的静止物图像上使用中值滤波;
C4、在新的静止物图像上过滤掉连通域面积与该连通域的外接矩形面积之比小于0.5的连通域;
D、双背景模型的更新;
所述快更新背景模型利用读入的每帧视频图像数据与当前背景进行每个像素点上的灰度值大小的比较来更新快更新背景模型,如果当前视频图像的灰度值比当前背景图像的对应点处大,则当前背景图像的对应点灰度值加1,反之,如果当前视频图像的灰度值比当前背景图像对应点处小,则当前背景图像对应点处减1;
所述慢更新背景模型的更新方法为:
1)构造两个掩膜,第一个掩膜为灰度值都为255的图像,第二个掩膜为第一个掩膜取反后的结果图像;
2)如果监控视频中没有出现遗留物,则慢更新背景模型进行全局混合高斯背景更新,并且两个掩膜图像信息保持不变;一旦检测到遗留物,则把遗留物在图像上的位置存储下来,然后在第一个掩膜图像上的相对应的位置上把该部分的灰度值全都置为0,第二个掩膜图像对第一个掩膜图像重新进行取反更新;
3)把第一个掩膜图像与当前慢更新背景图像相与得到需要更新的背景区域,第二个掩膜图像与当前慢更新背景图像相与得到遗留物对应的不需要更新的背景区域;
4)第一个掩膜图像和当前视频图像相与得到需要背景更新区域的混合高斯背景更新的输入数据图像;
5)最后把更新好的背景区域图像与不需要更新的背景区域图像相或得到完整的全新慢更新背景图像;
E、将检测到的遗留物加以标记输出到视频监控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610638539.9A CN106296677B (zh) | 2016-08-03 | 2016-08-03 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610638539.9A CN106296677B (zh) | 2016-08-03 | 2016-08-03 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296677A CN106296677A (zh) | 2017-01-04 |
CN106296677B true CN106296677B (zh) | 2019-04-02 |
Family
ID=57665716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610638539.9A Active CN106296677B (zh) | 2016-08-03 | 2016-08-03 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296677B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038702A (zh) * | 2017-04-17 | 2017-08-11 | 兰州交通大学 | 基于三背景建模的三重差分的铁路轨道异物侵限检测方法 |
CN107204006B (zh) * | 2017-06-01 | 2020-02-07 | 大连海事大学 | 一种基于双背景差分的静止目标检测方法 |
CN109409315B (zh) * | 2018-11-07 | 2022-01-11 | 浩云科技股份有限公司 | 一种atm机面板区域遗留物检测方法及*** |
CN110896453B (zh) * | 2019-09-22 | 2021-11-16 | 合肥森岑汽车用品有限公司 | 反馈式电子设备驱动平台和方法 |
CN111968181B (zh) * | 2020-08-21 | 2022-04-15 | 中科微至智能制造科技江苏股份有限公司 | 一种基于图像处理的包裹位置实时检测方法及*** |
CN112070033A (zh) * | 2020-09-10 | 2020-12-11 | 天津城建大学 | 一种基于有限状态机分析的视频遗留物检测方法 |
CN112084957B (zh) * | 2020-09-11 | 2021-12-17 | 广东联通通信建设有限公司 | 一种移动目标滞留检测方法及*** |
CN114022468B (zh) * | 2021-11-12 | 2022-05-13 | 珠海安联锐视科技股份有限公司 | 一种安防监控中物品遗留丢失检测方法 |
CN114694092A (zh) * | 2022-03-15 | 2022-07-01 | 华南理工大学 | 基于混合背景模型的高速公路监控视频抛洒物检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902960A (zh) * | 2012-09-25 | 2013-01-30 | 武汉烽火众智数字技术有限责任公司 | 基于高斯建模与目标轮廓的遗留物检测方法 |
CN103729858A (zh) * | 2013-12-13 | 2014-04-16 | 广州中国科学院先进技术研究所 | 一种视频监控***中遗留物品的检测方法 |
CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
-
2016
- 2016-08-03 CN CN201610638539.9A patent/CN106296677B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902960A (zh) * | 2012-09-25 | 2013-01-30 | 武汉烽火众智数字技术有限责任公司 | 基于高斯建模与目标轮廓的遗留物检测方法 |
CN103729858A (zh) * | 2013-12-13 | 2014-04-16 | 广州中国科学院先进技术研究所 | 一种视频监控***中遗留物品的检测方法 |
CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
Non-Patent Citations (1)
Title |
---|
Robust Abandoned Object Detection Using Dual Foregrounds;Fatih Porikli 等;《EURASIP Journal on Advances in Signal Processing》;20081231;1-11 |
Also Published As
Publication number | Publication date |
---|---|
CN106296677A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296677B (zh) | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 | |
CN102663743B (zh) | 一种复杂场景中多摄影机协同的人物追踪方法 | |
Fuentes et al. | People tracking in surveillance applications | |
Sengar et al. | Moving object area detection using normalized self adaptive optical flow | |
Yi et al. | Moving object detection based on running average background and temporal difference | |
CN103729858B (zh) | 一种视频监控***中遗留物品的检测方法 | |
CN104123544A (zh) | 基于视频分析的异常行为检测方法及*** | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN106327525B (zh) | 一种机房重地越界行为实时监测方法 | |
CN105160297A (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
Xu et al. | Segmentation and tracking of multiple moving objects for intelligent video analysis | |
CN107909599A (zh) | 一种目标检测与跟踪*** | |
CN101715070B (zh) | 特定监控视频中的背景自动更新方法 | |
CN109359563A (zh) | 一种基于数字图像处理的占道现象实时检测方法 | |
CN105554462A (zh) | 一种遗留物检测方法 | |
CN103049748B (zh) | 行为监测方法及装置 | |
Alqaysi et al. | Detection of abnormal behavior in dynamic crowded gatherings | |
CN110659546A (zh) | 一种违法摊位检测方法及装置 | |
Sharma et al. | An improved method for visual surveillance using background subtraction technique | |
Hou et al. | A background reconstruction algorithm based on pixel intensity classification in remote video surveillance system | |
CN105095891A (zh) | 一种人脸捕捉的方法,装置及*** | |
CN110858392A (zh) | 一种基于融合背景模型的监控目标定位方法 | |
NL2025625B1 (en) | System and method for detecting flickering target based on moving camera in specific environment | |
Kamkar-Parsi et al. | A multi-criteria model for robust foreground extraction | |
Chen et al. | [Retracted] Detection and Adaptive Video Processing of Hyperopia Scene in Sports Video |
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 |