CN107154053A - 静态背景下的运动目标检测方法 - Google Patents
静态背景下的运动目标检测方法 Download PDFInfo
- Publication number
- CN107154053A CN107154053A CN201710328123.1A CN201710328123A CN107154053A CN 107154053 A CN107154053 A CN 107154053A CN 201710328123 A CN201710328123 A CN 201710328123A CN 107154053 A CN107154053 A CN 107154053A
- Authority
- CN
- China
- Prior art keywords
- background
- edge
- image
- moving target
- target
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Studio Circuits (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种静态背景下的运动目标检测方法,包括以下步骤:S1:利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;S2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;S3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
Description
技术领域
本发明具体涉及一种静态背景下的运动目标检测方法。
背景技术
近年来,智能视频监控的运动目标检测是一个研究的热点,在各大领域都有着广泛的应用前景。静态背景下常用的运动目标检测算法有:帧间差分法、背景差分法和光流法。光流法因其计算复杂度高,且需要特殊硬件支持,不利于实时实现;背景差分法,算法简单,易于实现,但通常运算速度慢,易受光线变化的影响,对目标阴影的去除效果差;帧间差分法是目标检测常用的方法,通过相邻帧图像的相减,根据差分结果来检测目标,算法虽然简单,容易实现,但检测出的目标轮廓存在空洞现象以及在光线变化的场景中会产生虚假边缘。
发明内容
本发明要解决的技术问题是提供一种静态背景下的运动目标检测方法。
静态背景下的运动目标检测方法,包括以下步骤:
S1:利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;
S2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;
S3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
进一步的,优化的Canny边缘检测算法的具体方法如下:
1)假定把图像中的像素按灰度值用阈值T分为目标和背景两类,图像的像素总数为N,图像中目标的像素数为,背景的像素数为,目标和背景的像素数占图像像素总数的几率分别为和,其中,,;灰度均值分别为和,可得整幅图像的均值为,最大类间方差为:
;
2)用遍历法求出使最大的阈值T,为最佳阈值,将该阈值最为Canny算子的高阈值,再用下式求出低阈值:。
进一步的,背景边缘差分法的步骤如下:
1)假定在没有运动目标的空场景经过T帧的学习后,每帧图像内的边缘点总数用表示,则T时刻后建立的稳定背景边缘图像表示为:
;
2)设F(i,j)表示为前景图像内的边缘点,将前景图像与背景图像作差分运算,得到差分结果D(i,j)进行二值化处理,计算公式如下:
;
;
其中二值化的阈值为动态阈值TH,表达式如下:
;
;
其中,λ为抑制系数;f(i,j)为前景图像,b(i,j)为背景图像;表示所处理图像的尺寸大小;
3)更新方法:构造实时背景边缘图像:
;
根据下式更新当前背景边缘图像:
;
其中,为背景更新权重值,。
进一步的,五帧差分法的具体步骤如下:
1)设视频图像序列中连续五帧图像分别为:、、、和,其中为中间帧,利用中间帧分别和前两帧和后两帧做差分运算,得到的差分结果分别为:
;
;
;
;
2)将4个差分结果的和,,,分别进行“与”运算,即:
;
;
3)对和进行动态阈值法进行二值化处理,将处理结果进行“或”运算得到目标轮廓;
。
本发明的有益效果是:
本发明利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型,同时利用背景边缘检测差确定运动目标边缘;之后与五帧差分法检测的结果相累加;最后通过同化填充和后期相关处理提取完整、准确的运动目标区域该方法准确率高,连通性好,能满足实时性检测的要求。
具体实施方式
以下具体实施例对本发明作进一步阐述,但不作为对本发明的限定。
静态背景下的运动目标检测方法,包括以下步骤:
S1:利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;
S2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;
S3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
优化的Canny边缘检测算法的具体方法如下:
1)假定把图像中的像素按灰度值用阈值T分为目标和背景两类,图像的像素总数为N,图像中目标的像素数为,背景的像素数为,目标和背景的像素数占图像像素总数的几率分别为和,其中,,;灰度均值分别为和,可得整幅图像的均值为,最大类间方差为:
;
2)用遍历法求出使最大的阈值T,为最佳阈值,将该阈值最为Canny算子的高阈值,再用下式求出低阈值:。
背景边缘差分法的步骤如下:
1)假定在没有运动目标的空场景经过T帧的学习后,每帧图像内的边缘点总数用表示,则T时刻后建立的稳定背景边缘图像表示为:
;
2)设F(i,j)表示为前景图像内的边缘点,将前景图像与背景图像作差分运算,得到差分结果D(i,j)进行二值化处理,计算公式如下:
;
;
其中二值化的阈值为动态阈值TH,表达式如下:
;
;
其中,λ为抑制系数;f(i,j)为前景图像,b(i,j)为背景图像;表示所处理图像的尺寸大小;
3)更新方法:构造实时背景边缘图像:
;
根据下式更新当前背景边缘图像:
;
其中,为背景更新权重值,。
五帧差分法的具体步骤如下:
1)设视频图像序列中连续五帧图像分别为:、、、和,其中为中间帧,利用中间帧分别和前两帧和后两帧做差分运算,得到的差分结果分别为:
;
;
;
;
2)将4个差分结果的和,,,分别进行“与”运算,即:
;
;
3)对和进行动态阈值法进行二值化处理,将处理结果进行“或”运算得到目标轮廓;
。
Claims (4)
1.静态背景下的运动目标检测方法,其特征在于,包括以下步骤:
S1:利用优化的Canny边缘检测算法快速简单地构建稳定的背景边缘模型以及背景更新方法,同时利用背景边缘差分法,通过将当前帧边缘检测结果与建立的背景边缘进行差分运算得到背景边缘检测差结果,确定运动目标边缘;
S2:与五帧差分法检测的结果相或,得到较为完整运动目标轮廓;
S3:对运动目标轮廓内部的空洞采用水平方向和垂直方向相结合的双向模板进行同化填充,之后对目标进行形态学处理和连通性检测进一步消除孤立的小点和填补边缘间的小间断,提取完整、准确的运动目标区域。
2.根据权利要求1所述的静态背景下的运动目标检测方法,其特征在于,优化的Canny边缘检测算法的具体方法如下:
1)假定把图像中的像素按灰度值用阈值T分为目标和背景两类,图像的像素总数为N,图像中目标的像素数为,背景的像素数为,目标和背景的像素数占图像像素总数的几率分别为和,其中,,;灰度均值分别为和,可得整幅图像的均值为,最大类间方差为:
;
2)用遍历法求出使最大的阈值T,为最佳阈值,将该阈值最为Canny算子的高阈值,再用下式求出低阈值:。
3.根据权利要求1所述的静态背景下的运动目标检测方法,其特征在于,背景边缘差分法的步骤如下:
1)假定在没有运动目标的空场景经过T帧的学习后,每帧图像内的边缘点总数用表示,则T时刻后建立的稳定背景边缘图像表示为:
;
2)设F(i,j)表示为前景图像内的边缘点,将前景图像与背景图像作差分运算,得到差分结果D(i,j)进行二值化处理,计算公式如下:
;
;
其中二值化的阈值为动态阈值TH,表达式如下:
;
;
其中,λ为抑制系数;f(i,j)为前景图像,b(i,j)为背景图像;表示所处理图像的尺寸大小;
3)更新方法:构造实时背景边缘图像:
;
根据下式更新当前背景边缘图像:
;
其中,为背景更新权重值,。
4.根据权利要求1所述的静态背景下的运动目标检测方法,其特征在于,五帧差分法的具体步骤如下:
1)设视频图像序列中连续五帧图像分别为:、、、和,其中为中间帧,利用中间帧分别和前两帧和后两帧做差分运算,得到的差分结果分别为:
;
;
;
;
2)将4个差分结果的和,,,分别进行“与”运算,即:
;
;
3)对和进行动态阈值法进行二值化处理,将处理结果进行“或”运算得到目标轮廓;
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710328123.1A CN107154053A (zh) | 2017-05-11 | 2017-05-11 | 静态背景下的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710328123.1A CN107154053A (zh) | 2017-05-11 | 2017-05-11 | 静态背景下的运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107154053A true CN107154053A (zh) | 2017-09-12 |
Family
ID=59792948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710328123.1A Withdrawn CN107154053A (zh) | 2017-05-11 | 2017-05-11 | 静态背景下的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107154053A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
CN112036254A (zh) * | 2020-08-07 | 2020-12-04 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
CN112613456A (zh) * | 2020-12-29 | 2021-04-06 | 四川中科朗星光电科技有限公司 | 一种基于多帧差分图像累积的小目标检测方法 |
CN117953016A (zh) * | 2024-03-27 | 2024-04-30 | 华能澜沧江水电股份有限公司 | 一种泄洪建筑物出口区边坡危岩监测方法及*** |
-
2017
- 2017-05-11 CN CN201710328123.1A patent/CN107154053A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
吴君钦 等: ""图像融合的运动目标检测算法研究"", 《计算机工程与设计》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895379A (zh) * | 2017-10-24 | 2018-04-10 | 天津大学 | 一种视频监控中前景提取的改进算法 |
CN112036254A (zh) * | 2020-08-07 | 2020-12-04 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
WO2022027931A1 (zh) * | 2020-08-07 | 2022-02-10 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
CN112036254B (zh) * | 2020-08-07 | 2023-04-18 | 东南大学 | 基于视频图像的运动车辆前景检测方法 |
CN112613456A (zh) * | 2020-12-29 | 2021-04-06 | 四川中科朗星光电科技有限公司 | 一种基于多帧差分图像累积的小目标检测方法 |
CN117953016A (zh) * | 2024-03-27 | 2024-04-30 | 华能澜沧江水电股份有限公司 | 一种泄洪建筑物出口区边坡危岩监测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154053A (zh) | 静态背景下的运动目标检测方法 | |
CN105261037B (zh) | 一种自适应复杂场景的运动目标检测方法 | |
CN108416754B (zh) | 一种自动去除鬼影的多曝光图像融合方法 | |
CN102184552A (zh) | 一种基于差分融合与图像边缘信息的运动目标检测方法 | |
CN104952256B (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN108205658A (zh) | 基于单双目视觉融合的障碍物检测预警*** | |
CN110378288A (zh) | 一种基于深度学习的多级时空运动目标检测方法 | |
CN102110296A (zh) | 一种复杂场景下的运动目标跟踪方法 | |
CN101924874A (zh) | 一种匹配块分级的实时电子稳像方法 | |
CN106709933B (zh) | 一种基于非监督学习的运动估计方法 | |
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 | |
WO2018000882A1 (zh) | 基于监控视频的视频前景提取方法 | |
CN106548488A (zh) | 一种基于背景模型及帧间差分的前景检测方法 | |
CN105898111B (zh) | 一种基于谱聚类的视频去雾方法 | |
CN104680521A (zh) | 一种改进的背景建模及前景检测方法 | |
CN104123733B (zh) | 一种基于块匹配的运动检测及降低错误率的方法 | |
CN105279771A (zh) | 一种视频中基于在线动态背景建模的运动目标检测方法 | |
CN110414558A (zh) | 基于事件相机的特征点匹配方法 | |
CN105825234A (zh) | 一种融合超像素和背景模型的前景检测方法 | |
CN107977983A (zh) | 一种基于改进型ViBe的鬼影和静止目标抑制方法 | |
CN102722720B (zh) | 基于hsv空间在线聚类的视频背景提取方法 | |
CN102088544B (zh) | 具有前景目标的动态场景视频快速稳像方法 | |
CN104376538A (zh) | 一种图像的稀疏去噪方法 | |
Xia et al. | Moving targets detection algorithm based on background subtraction and frames subtraction | |
CN107133972A (zh) | 一种视频运动目标检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170912 |
|
WW01 | Invention patent application withdrawn after publication |