CN106504264A - 视频前景图像提取方法和装置 - Google Patents
视频前景图像提取方法和装置 Download PDFInfo
- Publication number
- CN106504264A CN106504264A CN201610959465.9A CN201610959465A CN106504264A CN 106504264 A CN106504264 A CN 106504264A CN 201610959465 A CN201610959465 A CN 201610959465A CN 106504264 A CN106504264 A CN 106504264A
- Authority
- CN
- China
- Prior art keywords
- image
- hsv
- pixel point
- pixel
- foreground
- 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.)
- Granted
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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视频前景图像提取方法和装置,涉及计算机视觉领域,用于解决当图像前景与图像背景灰度相近时,采用混合高斯模型(GMM)难以进行图像分割的问题。该方法包括:根据GMM模型对当前帧图像提取前景像素点得到第一像素点集合;确定视频流的背景参考图像,从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;将当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;计算当前帧HSV图像和背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果大于第一阈值,则将当前帧图像中位于相同坐标的像素点构成的集合作为第二像素点集合;根据第一像素点集合以及第二像素点集合得到前景图像。本发明的实施例应用于前景图像提取。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种视频前景图像提取方法和装置。
背景技术
为了提取视频中的前景图像,首先要将背景进行去除。典型的方法主要有三种:光流法、帧间差分法和背景减除法。其中,背景减除法是应用最多的视频前景提取方法,但是该方法对光照比较敏感,适应性差。因此,针对背景减除法的这一缺点,研究人员提出利用背景建模的模型和分割策略,即基于混合高斯模型(英文全称:Gaussian mixture model,英文简称:GMM)的背景减除法。
然而,该算法通常是在面向硬件的RGB颜色空间下进行的,该匹配模型从低亮度背景逐渐变亮时,存在像素点可能被误判为前景的问题,反之亦然。另外,在RGB颜色模型中,所有色彩都是通过红、绿、蓝三个分量按照一定比例混合而成,比较直观,但三个分量之间关联性太强,同时建立三个分量的GMM模型效率不高。因此,为了提高运算效率,人们常考虑对单色图像的分割,即从单色图像中提取出目标。
但是当前景图像与背景图像灰度相近时,或者背景图像灰度有变化或背景图像本身有较大灰度范围时,采用GMM模型难以区分前景图像和背景图像。此外,当画面中的运动物体突然运动缓慢或者静止时,传统的GMM模型很难正确检测出前景,容易将前景目标误判成背景。
发明内容
本发明的实施例提供一种视频前景图像提取方法和装置,用于解决图像前景与图像背景灰度相近时,采用GMM模型难以区分前景图像和背景图像的问题。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供了一种视频前景图像提取方法,该方法包括:
根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合;
确定所述视频流的背景参考图像,将所述背景参考图像从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;
将所述当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;
计算所述当前帧HSV图像中以及所述背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果所述欧式距离大于第一阈值,则将所述当前帧图像中位于所述相同坐标的像素点构成的集合作为第二像素点集合;
根据所述第一像素点集合以及所述第二像素点集合得到前景图像。
第二方面,提供了一种视频前景图像提取装置,该装置包括:
提取单元,用于根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合;
转换单元,用于确定视频流的背景参考图像,将所述背景参考图像从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;
所述转换单元,还用于将所述当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;
计算单元,用于计算所述当前帧HSV图像中以及所述背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果所述欧式距离大于第一阈值,则将所述当前帧图像中位于所述相同坐标的像素点构成的集合作为第二像素点集合;
获取单元,用于根据所述第一像素点集合以及所述第二像素点集合得到前景图像。
本发明的实施例提供的视频前景图像提取方法和装置,本发明的实施例提供的视频前景图像提取方法,通过将视频流的背景参考图像从RGB色彩空间转换至HSV色彩空间以得到背景HSV图像,并且将视频流的当前帧图像从RGB色彩空间转换至HSV色彩空间以得到当前帧HSV图像;然后计算当前帧HSV图像中以及背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,然后将该欧式距离与第一阈值进行比较来区分该像素点属于前景图像或背景图像,由于向HS平面投影过程中去除了影响灰度值的亮度V向量,即该欧式距离相应的去除了灰度值因素,从而使得在判断像素点属于前景图像或背景图像不会受灰度值的影响;另外,在HSV颜色空间,可以独立感知各颜色分量的变化,可感知的颜色差与颜色分量的欧式距离成正比,将像素从RGB空间转换到HSV空间进行计算,可以更灵敏地判断前景像素与背景之间的变化,从而解决了图像前景与图像背景灰度相近时,采用GMM模型难以区分前景图像和背景图像的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的HSV色彩空间的模型示意图;
图2为本发明的实施例提供的视频前景图像提取方法的流程示意图;
图3为本发明的实施例提供的根据基于灰度图像的GMM模型提取前景像素点的方法的流程示意图;
图4为本发明的实施例提供的HSV色彩空间的欧式距离的示意图;
图5为本发明的实施例提供的视频前景图像提取装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的实施例所述的视频前景图像提取方法和装置的应用范围,包括但不限于视频监控。视频监控早已广泛应用于小区、学校、商场和交通管理***等公共场所,进行一系列的安防管理、人员进出管理、客流行为分析等应用。但是,传统的视频监控***需要人工持续性地监视和分析场景内的活动,人为地判断画面中的行为,工作量大,费时费力,而且在持续监控的情况下,工作人员容易产生视觉疲劳,影响判断的准确可靠性。所以,利用计算机实现智能化视频分析的技术便应运而生,而视频前景图像提取技术正是智能视频分析***中基础而又关键的一项技术。
本发明的实施例所述的RGB色彩空间。RGB色彩空间是工业界常用的一种颜色标准,是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。该标准几乎包括了人类视力所能感知的所有颜色,是目前运用最广的颜色***之一。
本发明的实施例所述的HSV色彩空间。如图1所示,是指用色调(H)、饱和度(S)和亮度(V)来表达颜色。在HSV色彩空间中,亮度值相对独立,不受色调和饱和度取值的影响。其中:
色调H:用角度度量,取值范围为0°~360°,从红色开始按逆时针方向计算,红色为0°,绿色为120°,蓝色为240°。它们的补色是:黄色为60°,青色为180°,品红为300°。
饱和度S:表示颜色接近光谱色的程度。一种颜色,可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大,颜色接近光谱色的程度就愈高,颜色的饱和度也就愈高。饱和度高,颜色则深而艳。光谱色的白光成分为0,饱和度达到最高。通常取值范围为0%~100%,值越大,颜色越饱和。
亮度V:颜色明亮的程度,对于光源色,亮度与发光体的光亮度有关;对于物体色,此值和物体的透射比或反射比有关。通常取值范围为0%(黑)~100%(白)。
HSV模型的三维表示从RGB立方体演化而来。设想从RGB沿立方体对角线的白色顶点向黑色顶点观察,就可以看到立方体的六边形外形。六边形边界表示色彩,水平轴表示纯度,明度沿垂直轴测量。
HSV模型可在彩色图像中消除亮度分量的影响从而获得色调和饱和度的彩色信息,这反映了人的视觉***感知色彩的方式,所以与RGB色彩空间相比,人能更自然、更直观地解释和感受颜色。因此,RGB颜色模型是面向硬件的,而HSV颜色模型是面向用户的。
本发明的实施例所述的混合高斯模型。单高斯背景模型(英文全称:singleGaussian background model,英文简称:SGBM)的基本思想是:将图像中每一个像素点的颜色值看成是一个随机过程X,并假设该点的某一像素值出现的概率服从高斯分布。混合高斯背景模型是在SGBM中将单个高斯分布作为相应某一像素值的概率密度分布,对其进行了扩展,通过多个高斯概率密度函数的加权平均来平滑地近似任意形状的密度分布函数。
本发明的实施例所述的视频前景图像提取方法和装置,一方面,通过将视频流的背景参考图像和每一帧图像从RGB转换至HSV,并计算背景参考图像和每一帧图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,然后将该欧式距离与阈值进行比较来区分该像素点属于前景图像或背景图像,由于向HS平面投影过程中去除了影响灰度值的亮度V向量,使得计算的欧式距离去除了灰度值影响,从而解决图像前景与图像背景灰度相近时,采用GMM模型难以区分前景图像和背景图像的问题。另一方面,对于基于灰度图像的GMM模型进行更新模型时,在第一阶段和第二阶段采用不同的学习率,并且第一阶段的学习率大于第二阶段的学习率,使得第一阶段可以快速建模,第二阶段可以防止将静止前景目标识别为背景图像,从而解决视频画面中前景目标长时间静止或运动缓慢导致将前景目标误判成背景的问题。
实施例1、
本发明提供了一种视频前景图像提取方法,参照图2中所示,该方法包括:
S101、根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合。
具体的,参照图3中所示,步骤S101包括步骤S1011-S1014:
S1011、将当前帧图像从RGB图像转换为灰度图像。
S1012、根据GMM模型从上述灰度图像中提取前景像素点。
基于灰度图像的GMM模型如下:
令I(x,y,t)表示像素点(x,y)在t时刻的像素灰度值,则有
其中,K为高斯分布的个数,称为高斯混合概率密度的混合系数;为t时刻第i个高斯分量的加权系数,亦即权重;和分别为t时刻该像素点第i个高斯分布的期望值和标准差;ηi为t时刻该像素点第i个高斯分布的概率密度函数。P表示像素灰度值的期望。
对于一个像素点的K个高斯分布,根据ω/δ的值对K个高斯分布从大到小进行排列,对于满足下式的前B个高斯分布被当作背景模型。
其中T是背景模型占高斯分布的最小比例,通常取值为0.7,如果T太小则退化为单高斯,T较大则可以描述复杂的动态背景。
对于当前帧图像中的像素点(x,y,t),如果它的值I(x,y,t)与它的背景模型中第k(k≤B)个高斯分布匹配,即I(x,y,t)在范围之内,λ一般设置为2.5,则该像素点被认为是背景,否则认为是前景。令输出图像为output(x,y,t),其取值如下式所示
其中,当output(x,y,t)为1时表示该像素点为前景像素点,属于第一像素点集合,当output(x,y,t)为0时表示该像素点为背景像素点,属于背景图像。
S1013、根据前景像素点从当前帧图像中得到第一像素点集合。
遍历当前帧图像中所有像素点之后,满足上述条件的前景像素点共同构成第一像素点集合,从中可以看出第一像素点集合为当前帧图像的子集。
S1014、根据前景像素点更新上述GMM模型。
另外,在检测完前景之后,若该像素点被认为是前景,即前B个高斯分布中没有一个与之匹配,则用一个新的高斯分布取代权重最小的那个高斯分布。新的分布期望值为当前的像素值,同时为它分配一个较大的初始标准差和较小的初始权重值。
若该像素点被认为是背景,则对该像素点的各个高斯分布的权重作如下调整以更新背景模型:
其中,α为学习率,取值在0~1之间,学习率α取值越大,则更新背景模型的时间越短,但是容易将缓慢移动或静止的前景目标识别为背景图像;学习率α取值越小,更新背景模型的时间越长,但是识别前景图像的准确率越高。如果第i个高斯分布与当前像素点匹配,则Di,t=1,否则Di,t=0。对于与当前像素匹配的高斯分布,更新其期望值如公式(5)所示,更新其标准差值如公式(6)所示:
S102、确定视频流的背景参考图像,将背景参考图像从RGB色彩空间转换至HSV色彩空间。
因为视频监控场景下,摄像头挂设位置相对固定,因此视频流的背景参考图像可以为视频流的第一帧或者前几帧中的一帧;或者可以由用户指定视频流中的一帧作为视频流的背景参考图像。
从RGB色彩空间转换至HSV色彩空间的方法如下:假设r,g,b∈[0,255],r表示RGB色彩空间中的红色(R),g表示RGB色彩空间中的绿色(G),b表示RGB色彩空间中的蓝色(B),max为R、G、B三个分量中的最大值,min为R、G、B三个分量中的最小值。RGB色彩空间到HSV色彩空间的转换公式如下:
v=max (9)
式中,h表示HSV色彩空间中的色调,s表示HSV色彩空间中的饱和度、v表示HSV色彩空间中的亮度。
S103、将视频流的当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像。
该步骤与步骤S101中所述的将背景参考图像从RGB色彩空间转换至HSV色彩空间方法类似,在此不再赘述。
S104、计算当前帧HSV图像中以及背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果该欧式距离大于第一阈值,则将当前帧图像中位于该相同坐标的像素点构成的集合作为第二像素点集合。
当前景图像与背景图像灰度相近时,或者背景图像灰度有变化或背景图像本身有较大灰度范围时,采用GMM模型进行图像的分割会非常困难。在HSV色彩空间中,可以独立感知各颜色分量的变化,可感知的颜色差与颜色分量之间的欧几里德距离(简称欧式距离)成正比。因此将像素点从RGB空间转换到HSV空间进行计算,可以更灵敏地判断前景图像相对于背景图像之间的变化。
具体的,可以将当前帧HSV图像中位于相同坐标的像素点的HSV值对应于HSV空间中的点向HS平面投影得到第一投影点,将背景HSV图像中位于相同坐标的像素点的HSV值对应于HSV空间中的点向HS平面投影得到第二投影点,然后计算第一投影点与第二投影点之间的欧式距离。
参照图4中所示,假设背景HSV图像中某一像素点的HSV值在HSV空间中的位置为B,当前帧HSV图像中相同坐标的像素点的HSV值在HSV空间中的位置为A。由于当灰度相近时,相对独立的亮度V分量对区分前景图像和背景图像的贡献不大,因此,可以将A向HS平面投影得到A’,将B向HS平面投影得到B’。|A’B’|即定义了背景HSV图像与当前帧HSV图像针对相同坐标的像素点的欧式距离,可以看作是平面上两点几何距离的一般化,本质上是一种数学距离,因此采用经典几何的理论,例如如公式(4)所示的余弦定理:
其中,ΔH为背景HSV图像与当前帧HSV图像针对上述相同坐标的像素点的色调差值,其为一个角度值。当|A’B’|大于第一阈值时,认为当前帧图像中的该像素点为前景并且属于第二像素点集合,反之则属于背景图像。
遍历当前帧图像中所有像素点之后,满足上述条件的像素点共同构成第二像素点集合,从中可以看出第二像素点集合为当前帧图像的子集。
需要说明的是,步骤S101与步骤S102-S104没有先后执行顺序,即本领域技术人员可以先执行步骤S101,后执行步骤S102-S104,或者,先执行步骤S102-S104,后执行步骤S101。
S105、根据第一像素点集合和第二像素点集合得到前景图像。
具体的,可以通过取第一像素点集合和第二像素点集合中所有像素点的并集作为最终输出的前景图像。可以将基于灰度图像GMM模型中误判为背景图像的前景像素点重新归类到前景图像中,提高了前景提取的准确度。
本发明的实施例提供的视频前景图像提取方法,通过将视频流的背景参考图像从RGB色彩空间转换至HSV色彩空间以得到背景HSV图像,并且将视频流的当前帧图像从RGB色彩空间转换至HSV色彩空间以得到当前帧HSV图像;然后计算当前帧HSV图像中以及背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,然后将该欧式距离与第一阈值进行比较来区分该像素点属于前景图像或背景图像,由于向HS平面投影过程中去除了影响灰度值的亮度V向量,即该欧式距离相应的去除了灰度值因素,从而使得在判断像素点属于前景图像或背景图像不会受灰度值的影响;另外,在HSV颜色空间,可以独立感知各颜色分量的变化,可感知的颜色差与颜色分量的欧式距离成正比,将像素从RGB空间转换到HSV空间进行计算,可以更灵敏地判断前景像素与背景之间的变化,从而解决了图像前景与图像背景灰度相近时,采用GMM模型难以区分前景图像和背景图像的问题。
可选的,本发明的实施例针对步骤S1014中根据前景像素点更新基于灰度图像的GMM模型过程中的学习率α进行如下改进,第一阶段的学习率大于第二阶段的学习率。具体的:
在第一阶段——由于摄像头安装位置相对固定,不会经常发生变化,所以可以在背景学习阶段采用较大值的学习率α以快速建立背景模型;而且,在该阶段中越靠前出现的图片帧是背景的可能性越大,因此示例性的,可以在算法中设置α=1/frame_num,其中,frame_num为当前帧图像所在的帧数。另外,可以设置第一阶段的持续时间长度为100帧。
在第二阶段——对于视频画面中出现目标突然缓慢移动或长时间静止于某处的情况,将该阶段算法中的学习率α设置为小于背景学习阶段的学习率α,来避免将静止的前景目标识别为背景图像,示例性的α=1/4000。本领域的技术人员还可以想到采用其他值的学习率以满足上述条件,均属于本发明的实施例的保护范围。
通过如上所述的融合时间的调整机制,可以十分简便且有效地控制视频画面中前景目标融入背景图像的时间。在第一阶段和第二阶段采用不同的学习率,并且第一阶段的学习率大于第二阶段的学习率,使得第一阶段可以快速建模,第二阶段可以防止将静止前景目标识别为背景图像,从而解决视频画面中前景目标长时间静止或运动缓慢导致将前景目标误判成背景的问题。
可选的,参照图2中所示,该方法还包括:
步骤S106、如果第二像素点集合中所有像素点数目与当前帧图像所有像素点数目之比大于第二阈值,则将当前帧图像更新为背景参考图像。
示例性的,该第二阈值可以为80%。
实施例2、
本发明的实施例提供了一种视频前景图像提取装置10,应用于上述视频前景图像提取方法,参照图5中所示,该装置包括:
提取单元101,用于根据基于灰度图像的GMM模型对当前帧图像提取前景像素点得到第一像素点集合;
转换单元102,用于确定视频流的背景参考图像,将背景参考图像从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;
转换单元102,还用于将视频流的当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;
计算单元103,用于计算转换单元101得到的当前帧HSV图像中以及背景HSV图像中相同坐标的像素点的HSV值的欧式距离,如果欧式距离大于第一阈值,则将当前帧图像中位于相同坐标的像素点构成的集合作为第二像素点集合;
获取单元104,用于根据提取单元101得到的第一像素点集合以及计算单元103得到的第二像素点集合得到前景图像。
可选的,在一种可能的设计中,计算单元103具体用于:
将当前帧HSV图像中位于相同坐标的像素点的HSV值对应于HSV空间中的点向HSV空间的HS平面投影得到第一投影点。
将背景HSV图像中位于相同坐标的像素点的HSV值对应于HSV空间中的点向HS平面投影得到第二投影点。
计算第一投影点与第二投影点之间的欧式距离。
可选的,在一种可能的设计中,提取单元101具体用于:
将当前帧图像从RGB图像转换为灰度图像,根据GMM模型从灰度图像中提取前景像素点,根据前景像素点从当前帧图像中得到第一像素点集合,并根据前景像素点更新GMM模型,其中,在根据前景像素点更新GMM模型的过程中第一阶段的学习率大于第二阶段的学习率。
可选的,在一种可能的设计中,获取单元104,具体用于:
取第一像素点集合和第二像素点集合中所有像素点的并集作为前景图像。
可选的,在一种可能的设计中,参照图5所示,该装置还包括:
更新单元105,用于如果计算单元103得到的第二像素点集合中所有像素点数目与所述当前帧图像所有像素点数目之比大于第二阈值,则将当前帧图像更新为背景参考图像。
由于本发明实施例中的视频前景图像提取装置可以应用于上述方法,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
需要说明的是,转换单元、计算单元、提取单元、获取单元和更新单元可以为单独设立的处理器,也可以集成在控制器的某一个处理器中实现,此外,也可以以程序代码的形式存储于控制器的存储器中,由控制器的某一个处理器调用并执行以上转换单元、计算单元、提取单元、获取单元和更新单元的功能。这里所述的处理器可以是一个中央处理器(英文全称:central processing unit,英文简称:CPU),或者是特定集成电路(英文全称:application specific integrated circuit,英文简称:ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:read-only memory,英文简称:ROM)、随机存取存储器(英文全称:random access memory,英文简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种视频前景图像提取方法,其特征在于,包括:
根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合;
确定所述视频流的背景参考图像,将所述背景参考图像从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;
将所述当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;
计算所述当前帧HSV图像中以及所述背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果所述欧式距离大于第一阈值,则将所述当前帧图像中位于所述相同坐标的像素点构成的集合作为第二像素点集合;
根据所述第一像素点集合以及所述第二像素点集合得到前景图像。
2.根据权利要求1所述的方法,其特征在于,所述计算所述当前帧HSV图像中以及所述背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,包括:
将所述当前帧HSV图像中位于所述相同坐标的像素点的HSV值对应于HSV空间中的点向所述HSV空间的HS平面投影得到第一投影点;
将所述背景HSV图像中位于所述相同坐标的像素点的HSV值对应于所述HSV空间中的点向所述HS平面投影得到第二投影点;
计算所述第一投影点与所述第二投影点之间的欧式距离。
3.根据权利要求1所述的方法,其特征在于,所述根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合,包括:
将所述当前帧图像从RGB图像转换为灰度图像,根据GMM模型从所述灰度图像中提取前景像素点,根据所述前景像素点从所述当前帧图像中得到所述第一像素点集合,并根据所述前景像素点更新所述GMM模型,其中,在更新所述GMM模型的过程中第一阶段的学习率大于第二阶段的学习率。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一像素点集合以及所述第二像素点集合得到前景图像,包括:
取所述第一像素点集合和所述第二像素点集合中所有像素点的并集作为所述前景图像。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
如果所述第二像素点集合中所有像素点数目与所述当前帧图像所有像素点数目之比大于第二阈值,则将所述当前帧图像更新为所述背景参考图像。
6.一种视频前景图像提取装置,其特征在于,包括:
提取单元,用于根据基于灰度图像的GMM模型对视频流的当前帧图像提取前景像素点得到第一像素点集合;
转换单元,用于确定视频流的背景参考图像,将所述背景参考图像从RGB色彩空间转换至HSV色彩空间得到背景HSV图像;
所述转换单元,还用于将所述当前帧图像从RGB色彩空间转换至HSV色彩空间得到当前帧HSV图像;
计算单元,用于计算所述当前帧HSV图像中以及所述背景HSV图像中相同坐标的像素点的HSV值在HS平面上的欧式距离,如果所述欧式距离大于第一阈值,则将所述当前帧图像中位于所述相同坐标的像素点构成的集合作为第二像素点集合;
获取单元,用于根据所述第一像素点集合以及所述第二像素点集合得到前景图像。
7.根据权利要求6所述的装置,其特征在于,所述计算单元具体用于:
将所述当前帧HSV图像中位于所述相同坐标的像素点的HSV值对应于HSV空间中的点向所述HSV空间的HS平面投影得到第一投影点;
将所述背景HSV图像中位于所述相同坐标的像素点的HSV值对应于所述HSV空间中的点向所述HS平面投影得到第二投影点;
计算所述第一投影点与所述第二投影点之间的欧式距离。
8.根据权利要求6所述的装置,其特征在于,所述提取单元具体用于:
将所述当前帧图像从RGB图像转换为灰度图像,根据GMM模型从所述灰度图像中提取前景像素点,根据所述前景像素点从所述当前帧图像中得到所述第一像素点集合,并根据所述前景像素点更新所述GMM模型,其中,在所述根据所述前景像素点更新所述GMM模型的过程中第一阶段的学习率大于第二阶段的学习率。
9.根据权利要求6所述的装置,其特征在于,所述获取单元,具体用于:
取所述第一像素点集合和所述第二像素点集合中所有像素点的并集作为所述前景图像。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
更新单元,如果所述第二像素点集合中所有像素点数目与所述当前帧图像所有像素点数目之比大于第二阈值,则将所述当前帧图像更新为所述背景参考图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959465.9A CN106504264B (zh) | 2016-10-27 | 2016-10-27 | 视频前景图像提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610959465.9A CN106504264B (zh) | 2016-10-27 | 2016-10-27 | 视频前景图像提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106504264A true CN106504264A (zh) | 2017-03-15 |
CN106504264B CN106504264B (zh) | 2019-09-20 |
Family
ID=58321529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610959465.9A Active CN106504264B (zh) | 2016-10-27 | 2016-10-27 | 视频前景图像提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106504264B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808373A (zh) * | 2017-11-15 | 2018-03-16 | 北京奇虎科技有限公司 | 基于姿态的样本图像合成方法、装置及计算设备 |
CN109934812A (zh) * | 2019-03-08 | 2019-06-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN110930366A (zh) * | 2019-10-30 | 2020-03-27 | 同济大学 | 一种用于风电塔筒的螺母松动检测方法 |
CN111160099A (zh) * | 2019-11-28 | 2020-05-15 | 福建省星云大数据应用服务有限公司 | 一种视频图像目标的智能化分割方法 |
CN111415367A (zh) * | 2020-03-18 | 2020-07-14 | 北京七维视觉传媒科技有限公司 | 一种图像背景的去除方法及装置 |
CN111832639A (zh) * | 2020-06-30 | 2020-10-27 | 山西大学 | 一种基于迁移学习的绘画情感预测方法 |
CN112597840A (zh) * | 2020-12-14 | 2021-04-02 | 深圳集智数字科技有限公司 | 一种图像识别方法、装置及设备 |
CN113743984A (zh) * | 2021-08-13 | 2021-12-03 | 苏州伊伯菲信息科技有限公司 | 一种基于大数据识别方法及*** |
CN113923430A (zh) * | 2020-04-15 | 2022-01-11 | 深圳市瑞立视多媒体科技有限公司 | 基于高清视频的实时抠像方法、装置、设备及存储介质 |
CN117422757A (zh) * | 2023-10-31 | 2024-01-19 | 安徽唯嵩光电科技有限公司 | 一种果蔬大小分选方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686338A (zh) * | 2008-09-26 | 2010-03-31 | 索尼株式会社 | 分割视频中的前景和背景的***和方法 |
CN103679142A (zh) * | 2013-12-02 | 2014-03-26 | 宁波大学 | 一种基于空间约束的目标人体识别方法 |
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*** |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
-
2016
- 2016-10-27 CN CN201610959465.9A patent/CN106504264B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101686338A (zh) * | 2008-09-26 | 2010-03-31 | 索尼株式会社 | 分割视频中的前景和背景的***和方法 |
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*** |
CN103679142A (zh) * | 2013-12-02 | 2014-03-26 | 宁波大学 | 一种基于空间约束的目标人体识别方法 |
CN104166841A (zh) * | 2014-07-24 | 2014-11-26 | 浙江大学 | 一种视频监控网络中指定行人或车辆的快速检测识别方法 |
Non-Patent Citations (1)
Title |
---|
张琪: "工程车辆特征识别方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107808373A (zh) * | 2017-11-15 | 2018-03-16 | 北京奇虎科技有限公司 | 基于姿态的样本图像合成方法、装置及计算设备 |
CN109934812B (zh) * | 2019-03-08 | 2022-12-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
CN109934812A (zh) * | 2019-03-08 | 2019-06-25 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、服务器及存储介质 |
US11715203B2 (en) | 2019-03-08 | 2023-08-01 | Tencent Technology (Shenzhen) Company Limited | Image processing method and apparatus, server, and storage medium |
CN110930366A (zh) * | 2019-10-30 | 2020-03-27 | 同济大学 | 一种用于风电塔筒的螺母松动检测方法 |
CN111160099A (zh) * | 2019-11-28 | 2020-05-15 | 福建省星云大数据应用服务有限公司 | 一种视频图像目标的智能化分割方法 |
CN111160099B (zh) * | 2019-11-28 | 2023-03-24 | 福建省星云大数据应用服务有限公司 | 一种视频图像目标的智能化分割方法 |
CN111415367A (zh) * | 2020-03-18 | 2020-07-14 | 北京七维视觉传媒科技有限公司 | 一种图像背景的去除方法及装置 |
CN113923430A (zh) * | 2020-04-15 | 2022-01-11 | 深圳市瑞立视多媒体科技有限公司 | 基于高清视频的实时抠像方法、装置、设备及存储介质 |
CN111832639B (zh) * | 2020-06-30 | 2022-05-31 | 山西大学 | 一种基于迁移学习的绘画情感预测方法 |
CN111832639A (zh) * | 2020-06-30 | 2020-10-27 | 山西大学 | 一种基于迁移学习的绘画情感预测方法 |
CN112597840A (zh) * | 2020-12-14 | 2021-04-02 | 深圳集智数字科技有限公司 | 一种图像识别方法、装置及设备 |
CN112597840B (zh) * | 2020-12-14 | 2024-07-12 | 深圳集智数字科技有限公司 | 一种图像识别方法、装置及设备 |
CN113743984A (zh) * | 2021-08-13 | 2021-12-03 | 苏州伊伯菲信息科技有限公司 | 一种基于大数据识别方法及*** |
CN117422757A (zh) * | 2023-10-31 | 2024-01-19 | 安徽唯嵩光电科技有限公司 | 一种果蔬大小分选方法、装置、计算机设备及存储介质 |
CN117422757B (zh) * | 2023-10-31 | 2024-05-03 | 安徽唯嵩光电科技有限公司 | 一种果蔬大小分选方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106504264B (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504264A (zh) | 视频前景图像提取方法和装置 | |
CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
US8947549B2 (en) | Spectral synthesis for image capturing device processing | |
EP3300024B1 (en) | Color identification system, color identification method, and display device | |
CN105354530B (zh) | 一种车身颜色识别方法及装置 | |
US11323676B2 (en) | Image white balance processing system and method | |
CN103093203B (zh) | 一种人体再识别方法以及人体再识别*** | |
CN110198437A (zh) | 图像的处理方法、装置、存储介质和电子装置 | |
CN105354862A (zh) | 一种监控视频中运动目标的阴影检测方法、*** | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN102027505A (zh) | 使用脸部检测的自动脸部和皮肤修饰 | |
CN103955918A (zh) | 一种全自动精细抠像装置及精细抠像方法 | |
CN109766828A (zh) | 一种车辆目标分割方法、装置及通信设备 | |
CN105118076B (zh) | 基于过度分割和局部与全局一致性的图像彩色化方法 | |
JP2016095854A (ja) | 画像処理方法及び装置 | |
CN104021527B (zh) | 一种图像中雨雪的去除方法 | |
CN110533732A (zh) | 图像中肤色的识别方法、装置、电子设备及存储介质 | |
CN107392880A (zh) | 一种仿造迷彩自动生成方法 | |
CN106650638A (zh) | 一种遗留物检测方法 | |
CN105335949A (zh) | 一种视频图像去雨方法及*** | |
US20230074060A1 (en) | Artificial-intelligence-based image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product | |
CN106682684A (zh) | 一种基于k均值聚类的目标识别方法 | |
CN112308944A (zh) | 仿真唇妆的扩增实境显示方法 | |
CN105678318A (zh) | 交通标牌的匹配方法及装置 | |
CN104282013B (zh) | 一种用于前景目标检测的图像处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |