CN106846359B - 基于视频序列的运动目标快速检测方法 - Google Patents
基于视频序列的运动目标快速检测方法 Download PDFInfo
- Publication number
- CN106846359B CN106846359B CN201710034570.6A CN201710034570A CN106846359B CN 106846359 B CN106846359 B CN 106846359B CN 201710034570 A CN201710034570 A CN 201710034570A CN 106846359 B CN106846359 B CN 106846359B
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- moving target
- video
- pixel
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Image Analysis (AREA)
Abstract
为了避免目标内部产生双影和空洞现象,快速获取视频序列中运动目标的完整轮廓,本发明提供一种基于视频序列的运动目标快速检测方法,首先通过高斯滤波器对视频图像序列进行去噪处理,利用差分运算求取滤波后的任意相邻三帧视频图像的帧间差分图像;利用帧间差分二值图像对初始背景图像进行迭代更新,提取当前帧对应的背景图像;然后根据相邻三帧视频帧的帧间差分结果重建当前帧图像对应的参考图像,得到帧间差分目标检测图,同时利用背景差分法得到当前帧的运动目标轮廓差值图像;最后通过或运算合并三帧间差分法与背景差分法提取的目标图像,输出最终的运动目标图像。本发明能有效地去除噪声干扰,而且能够快速、准确地检测出完整的运动目标。
Description
技术领域
本发明属于计算机视觉图像技术领域,涉及视频运动目标检测方法,特指一种基于视频序列的运动目标快速检测方法。
背景技术
随着计算机视觉和智能图像处理技术的不断发展,运动目标检测技术成为了视频流图像处理领域的重要研究课题。运动目标检测是从视频图像序列中将运动目标准确快速地从所在的背景图像中分离出来,从而获取运动目标。它是计算机视觉研究领域和智能视频监控研究领域的一项关键技术,属于智能视频监控与目标跟踪***的最底层,是进行目标跟踪、识别等后续处理的基础,其检测结果的优良程度与后续目标跟踪与行为理解的效果有密切关系,该技术被广泛应用于自动导航、智能交通***、智能楼宇、视频监控、工业视觉和运动分析等技术领域中。
然而在现实环境中由于受到光照、遮挡、运动等突变因素的影响,采集的视频图像序列中运动目标往往在复杂的背景环境下,同时还存在着无规律可循的运动状态,因此这些不利因素都为运动目标检测算法的设计和选用上增加了不少难度,运动目标检测要达到一个良好的效果并不容易。
运动目标检测需要解决的两个基本问题是算法的处理速度和可靠性,也是衡量算法优劣的两个重要指标。目前常见的运动目标检测方法主要包括:帧间差分法、背景减除法和光流法。
帧间差分法是基于视频时间图像序列中的相邻两帧或三帧图像,将图像中对应像素值相减,得到差分图像,然后通过阈值选取得到运动目标区域。这种方法计算简单快速,容易实现,且对天气、光照等外界环境变化不敏感,但对静止或运动速度缓慢的目标容易出现漏检,在目标内部易产生“双影”和“空洞”现象,难以获得运动目标的完整轮廓。
背景减除法是通过构建背景参考模型,用当前帧图像和背景图像相减,根据差分图像检测运动目标。这种方法能够完整的提取运动目标,但对于外界环境的变化比较敏感,建立一个合适的背景模型及更新机制是关键,该方法比较适用于背景已知的情况。
光流法将图像中像素点的灰度值变化与二维速度场联系起来,用光流场反映像素点运动的方向和速度,再根据光流场的分布特征,提取出运动目标的区域。该方法检测精度高,但是无法获得运动目标的准确轮廓,并且光流场的计算非常复杂,计算量大,难以满足运动目标检测的实时性要求。
发明内容
针对现有技术中目标检测常用方法存在的缺陷,本发明其目的在于提出一种基于视频序列的运动目标快速检测方法。
本发明的技术方案是:
一种基于视频序列的运动目标快速检测方法,包括以下步骤:
(1)对视频图像序列进行高斯滤波去噪处理,选取去噪后的任意连续三帧视频图像,以中间帧为当前帧图像It(i,j),分别与前一帧图像It-1(i,j)和后一帧图像It+1(i,j)进行差分运算,将两幅差分二值化结果图进行与运算,得到当前帧对应相邻三帧视频帧的帧间差分二值图像FDB(i,j);
(2)对当前帧图像的背景图像进行初始化,以视频图像序列的第一帧作为初始背景图像B0(i,j),利用相邻三帧视频帧的帧间差分二值图像FDB(i,j)对初始背景图像B0(i,j)进行迭代更新,自适应获取当前帧对应的背景图像,并输出更新后的背景图像即为当前帧图像对应的背景图像Bt(i,j);
(3)根据相邻三帧视频帧的帧间差分结果重建当前帧图像对应的参考图像R(i,j),再用重建后的参考图像与当前帧作差运算并二值化,得到帧间差分目标检测图FD(i,j),同时将当前帧图像与步骤(2)中提取的当前帧图像对应的背景图像Bt(i,j)作差,得到当前帧的运动目标轮廓差值图像BIt(i,j);计算当前帧图像的像素灰度平均值和标准差并对运动目标轮廓差值图像二值化,得到当前帧的运动目标轮廓图BD(i,j);
(4)通过或运算将三帧间差分法得到的帧间差分目标检测图FD(i,j)与背景差分法得到的运动目标轮廓图BD(i,j)进行合并,得到更加准确、完整的运动目标图像,输出最终的运动目标图像。
步骤(1)中,对视频图像序列进行高斯滤波去噪处理的方法是:将二维高斯函数作为传递函数,建立一个邻域窗口为3×3,标准差为2的高斯低通滤波器模板,利用高斯低通滤波器模板遍历视频图像序列中的所有视频帧图像,则高斯低通滤波器模板内所有像素点的加权平均值即为高斯低通滤波器模板中心点的值,实现图像的线性平滑。
步骤(1)中,以中间帧为当前帧图像It(i,j),分别与前一帧图像It-1(i,j)和后一帧图像It+1(i,j)进行差分运算,如(1)式所示:
设定阈值T0对差分运算图像进行二值化处理如(2)式所示,得到两幅差分二值化结果图,其中阈值T0的取值范围为5~10。
且
再将这两幅差分二值化结果图进行与运算如(3)式所示,得到当前图像即中间帧It(i,j)对应相邻三帧视频帧的帧间差分二值图像FDB(i,j);
FDB(i,j)=Ct-1,t(i,j)∩Ct,t+1(i,j) (3)
步骤(2)中,迭代更新的方法是:设迭代次数初始值为m=1,迭代最大次数为Max-1,迭代速度系数为α,迭代步长为step取1,执行递归迭代,当迭代次数为m=Max-step时,迭代结束,迭代更新算法如(4)式所示,输出更新后的背景图像即为当前帧图像对应的背景图像Bt(i,j)。
步骤(3)中,根据相邻三帧视频帧的帧间差分结果重建当前帧图像对应的参考图像R(i,j),其重建的方法是:当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取1时,则判定该像素点属于变化信息突出区域,选取(1)式中差分运算值较大的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)或Ct,t+1(i,j)只有一个取1时,则判定该像素点属于边缘重叠区域,需要弱化该像素点的变化信息,选取(1)式中差分运算值较小的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取0时,则判定该像素点属于未发生变化的像素区域,取前后两帧图像的像素均值作为该点的像素值;遍历当前帧图像中所有像素点完成对参考图像R(i,j)的重建。
步骤(3)中,当前帧的运动目标轮廓差值图像BIt(i,j),其表达式如下:
BIt(i,j)=|Bt(i,j)-It(i,j)| (5)
步骤(3)中,当前帧图像的像素灰度平均值和标准差的计算方法如下:
设当前帧图像的宽度为w,当前帧图像高度为h,计算当前帧图像的像素灰度平均值和标准差δ如(6)式所示:
然后根据当前帧图像的像素灰度平均值和标准差计算图像二值化分割阈值其中β表示微调系数,利用分割阈值T1对当前帧的运动目标轮廓差值图像BIt(i,j)进行二值化,得到当前帧的运动目标轮廓图BD(i,j)。
本发明提出了一种基于视频序列的运动目标快速检测方法,不仅能有效地去除噪声干扰,而且能够快速、准确地检测出完整的运动目标。首先通过高斯滤波器对视频图像序列进行去噪处理,利用差分运算求取滤波后的任意相邻三帧视频图像的帧间差分图像;其次利用帧间差分二值图像对初始背景图像进行迭代更新,提取当前帧对应的背景图像;然后根据相邻三帧视频帧的帧间差分结果重建当前帧图像对应的参考图像,得到帧间差分目标检测图,同时利用背景差分法得到当前帧的运动目标轮廓差值图像;最后通过或运算合并三帧间差分法与背景差分法提取的目标图像,输出最终的运动目标图像。
附图说明
图1提取视频帧背景图像的流程框图
图2运动目标检测流程框图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
为了避免目标内部产生双影和空洞现象,快速获取视频序列中运动目标的完整轮廓,本发明提供一种基于视频序列的运动目标快速检测方法,通过结合相邻三帧视频帧的帧间差分图像和背景减除法得到的背景差分图像实现视频序列中运动目标的快速检测。
如图1所示,首先对视频图像序列进行高斯滤波去噪处理,将二维高斯函数作为传递函数,建立一个邻域窗口为3×3,标准差为2的高斯低通滤波器模板,利用高斯低通滤波器模板遍历视频图像序列中的所有视频帧图像,则高斯低通滤波器模板内所有像素点的加权平均值即为高斯低通滤波器模板中心点的值,实现图像的线性平滑,减弱视频图像序列中噪声对目标检测的干扰。
在高斯滤波去噪平滑后的视频序列中选取任意连续三帧视频图像,以中间帧为当前帧图像It(i,j),其中(i,j)表示当前帧图像中像素点的位置坐标,当前帧图像表示第t帧视频图像或者t时刻的视频帧图像,用It-1(i,j)表示当前帧的前一帧图像,It+1(i,j)表示当前帧的后一帧图像,分别对相邻两帧图像进行差分运算如(1)式所示。
选取适当的阈值T0对差分图像进行二值化处理如(2)式所示,通常阈值T0的取值与摄像机噪声的大小相关,取值范围为5~10之间,根据视频具体应用场景而定,得到两幅差分二值化结果图。
且
再将这两幅差分二值化结果图进行与运算如(3)式所示,得到当前图像即中间帧It(i,j)对应相邻三帧视频帧的帧间差分二值图像FDB(i,j)。
FDB(i,j)=Ct-1,t(i,j)∩Ct,t+1(i,j) (3)
另外,选取视频序列的第一帧图像作为初始背景图像B0(i,j),利用相邻三帧视频帧的帧间差分二值图像FDB(i,j)对初始背景图像B0(i,j)进行迭代更新,自适应获取当前帧对应的背景图像,设迭代次数初始值为m=1,迭代最大次数为Max-1,迭代速度系数为α,迭代步长为step取1,执行递归迭代,当迭代次数为m=Max-step时,迭代结束,实验中取迭代最大次数为120,迭代速度系数为0.003,迭代更新算法如(4)式所示,输出更新后的背景图像即为当前帧图像对应的背景图像Bt(i,j)。
经上述处理之后,提取到视频序列各帧图像对应的背景图像。
如图2所示,首先利用相邻三帧视频帧的帧间差分结果对当前帧图像对应的参考图像R(i,j)进行重建,突出帧间差分图的变化信息,弱化边缘重叠区域,再用重建后的参考图像与当前帧作差运算并二值化,得到帧间差分目标检测图FD(i,j)。然后利用背景差分法求取当前帧图像与步骤(2)中提取的背景图像Bt(i,j)作差,计算当前帧图像的像素灰度平均值和标准差对运动目标轮廓差值图像二值化,得到当前帧的运动目标轮廓图BD(i,j)。最后结合帧间差分法提取的目标检测图FD(i,j)与背景差分法提取的运动目标轮廓图BD(i,j),利用或运算将两幅图像进行合并,得到更加准确和完整的运动目标图像,并输出最终的运动目标图像。
根据步骤(1)中得到的相邻三帧视频帧的帧间差分结果对当前帧图像的对应参考图像R(i,j)进行重建,参考图像重建具体过程为:当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取1时,则判定该像素点属于变化信息突出区域,选取(1)式中差分运算值较大的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)或Ct,t+1(i,j)只有一个取1时,则判定该像素点属于边缘重叠区域,需要弱化该像素点的变化信息,选取(1)式中差分运算值较小的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取0时,则判定该像素点属于未发生变化的像素区域,为了减小噪声的干扰,取前后两帧图像的像素均值作为该点的像素值。遍历当前帧图像中所有像素点完成对参考图像的重建,再用重建后的参考图像与当前帧作差运算,并利用最大类间方差法进行二值化得到帧间差分目标检测图像FD(i,j)。
同时根据图1的迭代更新运算提取得到背景图像Bt(i,j)与当前帧图像It(i,j)作差,得到当前帧的运动目标轮廓差值图像BIt(i,j),表达式如下所示:
BIt(i,j)=|Bt(i,j)-It(i,j)| (5)
设当前帧图像的宽度为w,图像高度为h,计算当前帧图像的像素灰度平均值和标准差δ如(6)式所示。
根据当前帧图像的像素灰度平均值和标准差计算图像二值化分割阈值其中β表示微调系数,利用分割阈值T1对运动目标轮廓差值图像进行二值化,得到当前帧的运动目标轮廓图BD(i,j)。
最后结合三帧间差分法提取的目标检测图FD(i,j)与背景差分法提取的运动目标轮廓图BD(i,j),利用或运算将两幅图像进行合并,一方面能弥补帧间差分法存在边缘重影和空洞现象,另一方面能有效地适应光线变化,从而检测出更加准确完整的运动目标图像,并输出最终的运动目标图像。
以上包含了本发明优选实施例的说明,这是为了详细说明本发明的技术特征,并不是想要将发明内容限制在实施例所描述的具体形式中,依据本发明内容主旨进行的其他修改和变型也受本专利保护。本发明内容的主旨是由权利要求书所界定,而非由实施例的具体描述所界定。
Claims (8)
1.一种基于视频序列的运动目标快速检测方法,其特征在于,包括以下步骤:
(1)对视频图像序列进行高斯滤波去噪处理,选取去噪后的任意连续三帧视频图像,以中间帧为当前帧图像It(i,j),分别与前一帧图像It-1(i,j)和后一帧图像It+1(i,j)进行差分运算,如(1)式所示:
设定阈值T0对差分运算图像进行二值化处理如(2)式所示,得到两幅差分二值化结果图;
将两幅差分二值化结果图进行与运算,得到当前帧对应相邻三帧视频帧的帧间差分二值图像FDB(i,j);
FDB(i,j)=Ct-1,t(i,j)∩Ct,t+1(i,j) (3)
(2)对当前帧图像的背景图像进行初始化,以视频图像序列的第一帧作为初始背景图像B0(i,j),利用相邻三帧视频帧的帧间差分二值图像FDB(i,j)对初始背景图像B0(i,j)进行迭代更新,自适应获取当前帧对应的背景图像,并输出更新后的背景图像即为当前帧图像对应的背景图像Bt(i,j);
(3)根据相邻三帧视频帧的帧间差分结果重建当前帧图像对应的参考图像R(i,j),其重建的方法是:当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取1时,则判定该像素点属于变化信息突出区域,选取(1)式中差分运算值较大的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)或Ct,t+1(i,j)只有一个取1时,则判定该像素点属于边缘重叠区域,需要弱化该像素点的变化信息,选取(1)式中差分运算值较小的图像帧像素值作为参考图像中该点处的像素值;当当前帧图像中像素点满足条件Ct-1,t(i,j)且Ct,t+1(i,j)均取0时,则判定该像素点属于未发生变化的像素区域,取前后两帧图像的像素均值作为该点的像素值;遍历当前帧图像中所有像素点完成对参考图像R(i,j)的重建;
再用重建后的参考图像与当前帧作差运算并二值化,得到帧间差分目标检测图FD(i,j),同时将当前帧图像与步骤(2)中提取的当前帧图像对应的背景图像Bt(i,j)作差,得到当前帧的运动目标轮廓差值图像BIt(i,j);计算当前帧图像的像素灰度平均值和标准差并对运动目标轮廓差值图像二值化,得到当前帧的运动目标轮廓图BD(i,j);
(4)通过或运算将三帧间差分法得到的帧间差分目标检测图FD(i,j)与背景差分法得到的运动目标轮廓图BD(i,j)进行合并,得到更加准确、完整的运动目标图像,输出最终的运动目标图像。
2.根据权利要求1所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(1)中,对视频图像序列进行高斯滤波去噪处理的方法是:将二维高斯函数作为传递函数,建立一个邻域窗口为3×3,标准差为2的高斯低通滤波器模板,利用高斯低通滤波器模板遍历视频图像序列中的所有视频帧图像,则高斯低通滤波器模板内所有像素点的加权平均值即为高斯低通滤波器模板中心点的值,实现图像的线性平滑。
3.根据权利要求1所述的基于视频序列的运动目标快速检测方法,其特征在于:阈值T0的取值范围为5~10。
4.根据权利要求1所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(2)中,迭代更新的方法是:设迭代次数初始值为m=1,迭代最大次数为Max-1,迭代速度系数为α,迭代步长为step取1,执行递归迭代,当迭代次数为m=Max-step时,迭代结束,迭代更新算法如(4)式所示,输出更新后的背景图像即为当前帧图像对应的背景图像Bt(i,j)。
5.根据权利要求4所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(2)中,迭代最大次数为120,迭代速度系数为0.003。
6.根据权利要求1所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(3)中,当前帧的运动目标轮廓差值图像BIt(i,j),其表达式如下:
BIt(i,j)=|Bt(i,j)-It(i,j)| (5)。
7.根据权利要求6所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(3)中,当前帧图像的像素灰度平均值和标准差的计算方法如下:
设当前帧图像的宽度为w,当前帧图像高度为h,计算当前帧图像的像素灰度平均值和标准差δ如(6)式所示:
8.根据权利要求7所述的基于视频序列的运动目标快速检测方法,其特征在于:步骤(3)中,根据当前帧图像的像素灰度平均值和标准差计算图像二值化分割阈值其中β表示微调系数,利用分割阈值T1对当前帧的运动目标轮廓差值图像BIt(i,j)进行二值化,得到当前帧的运动目标轮廓图BD(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034570.6A CN106846359B (zh) | 2017-01-17 | 2017-01-17 | 基于视频序列的运动目标快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034570.6A CN106846359B (zh) | 2017-01-17 | 2017-01-17 | 基于视频序列的运动目标快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846359A CN106846359A (zh) | 2017-06-13 |
CN106846359B true CN106846359B (zh) | 2019-09-20 |
Family
ID=59124180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710034570.6A Active CN106846359B (zh) | 2017-01-17 | 2017-01-17 | 基于视频序列的运动目标快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846359B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751635A (zh) * | 2019-10-12 | 2020-02-04 | 湖南师范大学 | 一种基于帧间差分和hsv颜色空间的口腔检测方法 |
Families Citing this family (57)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN107507223A (zh) * | 2017-07-28 | 2017-12-22 | 武汉工程大学 | 动态环境下基于多特征聚类匹配的目标跟踪方法 |
CN107909599A (zh) * | 2017-10-24 | 2018-04-13 | 天津大学 | 一种目标检测与跟踪*** |
CN108280841B (zh) * | 2018-01-16 | 2022-03-29 | 北京联合大学 | 一种基于邻域像素强度校正的前景提取方法 |
CN108280444B (zh) * | 2018-02-26 | 2021-11-16 | 江苏裕兰信息科技有限公司 | 一种基于车辆环视图的快速运动物体检测方法 |
CN109035287B (zh) * | 2018-07-02 | 2021-01-12 | 广州杰赛科技股份有限公司 | 前景图像提取方法和装置、运动车辆识别方法和装置 |
CN109102523A (zh) * | 2018-07-13 | 2018-12-28 | 南京理工大学 | 一种运动目标检测和跟踪方法 |
CN109166137A (zh) * | 2018-08-01 | 2019-01-08 | 上海电力学院 | 针对抖动视频序列中运动目标检测算法 |
CN109377515A (zh) * | 2018-08-03 | 2019-02-22 | 佛山市顺德区中山大学研究院 | 一种基于改进ViBe算法的运动目标检测方法及*** |
CN109117827B (zh) * | 2018-09-05 | 2020-11-24 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警*** |
CN111199166B (zh) * | 2018-11-16 | 2023-04-18 | 首都师范大学 | 基于频域和空域特征的视频拉条的检测和恢复方法 |
CN109543598A (zh) * | 2018-11-20 | 2019-03-29 | 哈尔滨工程大学 | 一种基于图像识别的公路事故响应与警示***及方法 |
CN109472808B (zh) * | 2018-11-23 | 2022-03-04 | 东北大学 | 一种获取视频中运动目标的检测方法 |
CN109727274B (zh) * | 2018-11-28 | 2023-04-28 | 吉林大学 | 视频处理方法 |
CN109805937A (zh) * | 2018-12-07 | 2019-05-28 | 南京医科大学 | 基于永磁定位技术的三维腿部运动检测***及方法 |
CN111325769B (zh) * | 2018-12-13 | 2023-12-08 | 北京嘀嘀无限科技发展有限公司 | 一种目标对象检测方法及装置 |
CN111325773A (zh) * | 2018-12-17 | 2020-06-23 | 北京京东尚科信息技术有限公司 | 运动目标的检测方法、装置、设备及可读存储介质 |
CN109767396B (zh) * | 2019-01-04 | 2021-04-02 | 北京朗视仪器有限公司 | 一种基于图像动态分割的口腔cbct图像去噪方法 |
CN110060275B (zh) * | 2019-04-11 | 2022-12-20 | 霍尔果斯奇妙软件科技有限公司 | 一种人体微循环血流速度检测的方法及*** |
CN110378928B (zh) * | 2019-04-29 | 2022-01-04 | 北京佳讯飞鸿电气股份有限公司 | 一种动静匹配的目标检测与跟踪方法 |
CN110287783A (zh) * | 2019-05-18 | 2019-09-27 | 天嗣智能信息科技(上海)有限公司 | 一种视频监控图像人形识别方法 |
CN110415268A (zh) * | 2019-06-24 | 2019-11-05 | 台州宏达电力建设有限公司 | 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法 |
CN110312103A (zh) * | 2019-07-06 | 2019-10-08 | 辽宁大学 | 一种基于云计算平台的高速设备防盗监控视频处理方法 |
CN110555863A (zh) * | 2019-09-11 | 2019-12-10 | 湖南德雅坤创科技有限公司 | 一种运动目标检测方法、装置和计算机可读存储介质 |
CN112581492A (zh) * | 2019-09-27 | 2021-03-30 | 北京京东尚科信息技术有限公司 | 一种运动目标检测方法和装置 |
CN112749596A (zh) * | 2019-10-31 | 2021-05-04 | 顺丰科技有限公司 | 异常画面检测方法、装置、电子设备和存储介质 |
CN110866906B (zh) * | 2019-11-12 | 2022-07-08 | 安徽师范大学 | 基于图像边缘提取的三维培养人体心肌细胞搏动检测方法 |
CN110991398A (zh) * | 2019-12-18 | 2020-04-10 | 长沙融创智胜电子科技有限公司 | 一种基于改进步态能量图的步态识别方法及*** |
CN111242051B (zh) * | 2020-01-16 | 2023-09-15 | 广州杰赛科技股份有限公司 | 一种车辆识别优化方法、装置及存储介质 |
CN111260684A (zh) * | 2020-03-02 | 2020-06-09 | 成都信息工程大学 | 基于帧差法和背景差分法结合的前景像素提取方法及*** |
CN111445444B (zh) * | 2020-03-11 | 2020-12-01 | 中南大学 | 一种基于极化特征的铁水流速检测方法 |
CN113469893B (zh) * | 2020-05-08 | 2024-03-22 | 上海齐感电子信息科技有限公司 | 视频中图像的噪声估计方法、及视频降噪方法 |
CN111627047B (zh) * | 2020-05-20 | 2023-06-16 | 上海海洋大学 | 水下鱼类动态视觉序列运动目标检测方法 |
CN111667422A (zh) * | 2020-05-25 | 2020-09-15 | 东华大学 | 一种基于综合滤波器的图像/视频目标检测结果增强方法 |
CN111639600B (zh) * | 2020-05-31 | 2023-07-28 | 石家庄铁道大学 | 基于中心偏移的视频关键帧提取方法 |
CN111754477B (zh) * | 2020-06-19 | 2024-02-09 | 北京交通大学 | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 |
CN111754432B (zh) * | 2020-06-22 | 2023-12-29 | 成都国科微电子有限公司 | 一种帧间差分运动检测方法及装置 |
CN112446889A (zh) * | 2020-07-01 | 2021-03-05 | 龚循安 | 一种基于超声的医学视频读取方法 |
CN111738211B (zh) * | 2020-07-17 | 2023-12-19 | 浙江大学 | 基于动态背景补偿与深度学习的ptz摄像机运动目标检测与识别方法 |
CN112101090B (zh) * | 2020-07-28 | 2023-05-16 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN112102365B (zh) * | 2020-09-23 | 2024-05-31 | 烟台艾睿光电科技有限公司 | 一种基于无人机吊舱的目标跟踪方法及相关装置 |
CN112418105B (zh) * | 2020-11-25 | 2022-09-27 | 湖北工业大学 | 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法 |
CN112465781A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 一种基于视频的风电机组主要部件缺陷识别方法 |
CN112561946B (zh) * | 2020-12-03 | 2022-09-13 | 南京理工大学 | 一种动态目标检测方法 |
CN112651310A (zh) * | 2020-12-14 | 2021-04-13 | 北京影谱科技股份有限公司 | 一种视频人物唇形检测生成的方法及装置 |
CN112634154A (zh) * | 2020-12-17 | 2021-04-09 | 中国人民解放军63623部队 | 一种基于图像序列多重差分的目标识别方法 |
CN112560691B (zh) * | 2020-12-17 | 2021-11-12 | 长光卫星技术有限公司 | 一种基于卫星视频数据的天基目标自动识别方法 |
CN112819843B (zh) * | 2021-01-20 | 2022-08-26 | 上海大学 | 一种夜间电力线的提取方法及*** |
CN112767390A (zh) * | 2021-02-05 | 2021-05-07 | 安徽绿舟科技有限公司 | 一种基于红外检测输送管泄露的方法 |
CN112906589B (zh) * | 2021-03-01 | 2023-05-26 | 天地伟业技术有限公司 | 一种基于帧间作差法的mems面内动态特性分析方法 |
CN113362375A (zh) * | 2021-06-16 | 2021-09-07 | 江铃汽车股份有限公司 | 用于车辆的运动目标检测方法 |
CN113538337B (zh) * | 2021-06-17 | 2024-02-27 | 杭州涂鸦信息技术有限公司 | 检测方法、检测装置及计算机可读存储介质 |
CN113962956B (zh) * | 2021-10-18 | 2024-04-19 | 安徽工业大学 | 一种运煤皮带机异物检测方法 |
CN113947620A (zh) * | 2021-10-22 | 2022-01-18 | 哈尔滨航天恒星数据***科技有限公司 | 一种基于划线检测在市场摊区摊位溢出管理***设计方法 |
CN114510989B (zh) * | 2021-12-23 | 2022-10-25 | 中国科学院软件研究所 | 图像数据集的规范性评估方法、装置及设备 |
CN115423795A (zh) * | 2022-09-21 | 2022-12-02 | 深圳创维-Rgb电子有限公司 | 静帧检测方法、电子设备及存储介质 |
CN115690046B (zh) * | 2022-10-31 | 2024-02-23 | 江苏慧眼数据科技股份有限公司 | 一种基于单目深度估计的物品遗留检测与溯源方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679690A (zh) * | 2012-09-24 | 2014-03-26 | 中国航天科工集团第二研究院二O七所 | 一种基于分段背景学习的目标检测方法 |
CN103778644A (zh) * | 2014-01-15 | 2014-05-07 | 南京理工大学 | 基于多尺度码本模型的红外运动目标检测方法 |
CN105118032A (zh) * | 2015-08-19 | 2015-12-02 | 湖南优象科技有限公司 | 一种基于视觉***的宽动态处理方法 |
-
2017
- 2017-01-17 CN CN201710034570.6A patent/CN106846359B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679690A (zh) * | 2012-09-24 | 2014-03-26 | 中国航天科工集团第二研究院二O七所 | 一种基于分段背景学习的目标检测方法 |
CN103778644A (zh) * | 2014-01-15 | 2014-05-07 | 南京理工大学 | 基于多尺度码本模型的红外运动目标检测方法 |
CN105118032A (zh) * | 2015-08-19 | 2015-12-02 | 湖南优象科技有限公司 | 一种基于视觉***的宽动态处理方法 |
Non-Patent Citations (1)
Title |
---|
"一种基于背景减除与三帧差分的运动目标检测算法";莫林等;《微计算机信息》;20090425;第25卷(第4-3期);第2.2.1-2.2.5节 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751635A (zh) * | 2019-10-12 | 2020-02-04 | 湖南师范大学 | 一种基于帧间差分和hsv颜色空间的口腔检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106846359A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846359B (zh) | 基于视频序列的运动目标快速检测方法 | |
CN111311666B (zh) | 一种融合边缘特征和深度学习的单目视觉里程计方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN109345472B (zh) | 一种复杂场景的红外运动小目标检测方法 | |
Lipton | Local application of optic flow to analyse rigid versus non-rigid motion | |
CN105809715B (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
CN110490928A (zh) | 一种基于深度神经网络的相机姿态估计方法 | |
CN110490907B (zh) | 基于多目标特征和改进相关滤波器的运动目标跟踪方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN102609945B (zh) | 可见光和热红外图像序列自动配准方法 | |
CN101216941A (zh) | 剧烈光照变化下基于角点匹配与光流法的运动估计方法 | |
CN103871076A (zh) | 基于光流法和超像素分割的运动目标提取方法 | |
CN106530328B (zh) | 一种基于视频图像对运动目标检测和平滑跟随的方法 | |
CN107248174A (zh) | 一种基于tld算法的目标跟踪方法 | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
CN104794737A (zh) | 一种深度信息辅助粒子滤波跟踪方法 | |
CN110580709A (zh) | 一种基于ViBe和三帧差分融合的目标检测方法 | |
CN110555868A (zh) | 一种复杂地面背景下运动小目标检测方法 | |
CN113608663B (zh) | 一种基于深度学习和k-曲率法的指尖跟踪方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN111027586A (zh) | 一种基于新型响应图融合的目标跟踪方法 | |
CN106934819A (zh) | 一种提高图像中运动物体检测精度的方法 | |
CN101765019A (zh) | 一种用于运动模糊和光照变化图像的立体匹配方法 | |
CN106651923A (zh) | 一种视频图像目标检测与分割方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |