CN107301655B - 一种基于背景建模的视频移动目标侦测方法 - Google Patents

一种基于背景建模的视频移动目标侦测方法 Download PDF

Info

Publication number
CN107301655B
CN107301655B CN201710456321.6A CN201710456321A CN107301655B CN 107301655 B CN107301655 B CN 107301655B CN 201710456321 A CN201710456321 A CN 201710456321A CN 107301655 B CN107301655 B CN 107301655B
Authority
CN
China
Prior art keywords
background
pixel
model
image
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.)
Expired - Fee Related
Application number
CN201710456321.6A
Other languages
English (en)
Other versions
CN107301655A (zh
Inventor
黄建华
俞启尧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Nuclear Furstate Software Technology Co ltd
Original Assignee
Shanghai Nuclear Furstate Software Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Nuclear Furstate Software Technology Co ltd filed Critical Shanghai Nuclear Furstate Software Technology Co ltd
Priority to CN201710456321.6A priority Critical patent/CN107301655B/zh
Publication of CN107301655A publication Critical patent/CN107301655A/zh
Application granted granted Critical
Publication of CN107301655B publication Critical patent/CN107301655B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于背景建模的视频移动目标侦测方法，包括以下步骤：A、建立三个背景子模型；B、将输入图像与BM1的单高斯模型进行比较，生成二值化的前景目标图；C、在步骤B中获得的前景目标图上进行进一步的过滤；D、对于步骤C中给出的前景目标图，去掉孤立噪点区域和空洞区域；E、对于每个前景连通域，计算区域内的TLBP特征，并进行分类；F、根据步骤E中所获得的前景目标图和当前帧，对BM1中的单高斯背景模型进行更新；G、根据BM1中的单高斯背景模型的背景图，进行快速图像分割；H、则对TLB图进行更新。本发明能够改进现有技术的不足，对于复杂的动态背景具有较低的敏感性，同时对于正常的移动物体具有较高的检测率。

Description

一种基于背景建模的视频移动目标侦测方法
技术领域
本发明涉及计算机视觉与视频分析技术领域，尤其是一种基于背景建模的视频移动目标侦测方法。
背景技术
视频监控***广泛的存在于安防、交通、刑侦等应用中。大多数视频监控***里的摄像机是固定静止的。对于这种静止固定下的摄像机的监控视频分析，建立背景模型以提取移动目标是最基础并得到最广泛应用的技术。然而在实际环境中，复杂的动态背景比如树叶晃动、光照变化、阴影、水纹、雨滴、大风造成的摄像机抖动等等都会对背景模型和移动目标提取造成很大的干扰。过去的十几年，有大量的背景算法模型被提出，以针对这些挑战。然而在实际使用过程中，这些背景算法表现仍然欠佳。较简单的基于像素在时间域上的统计特性的方法比如《Adaptive background mixture models for real-time tracking》(Stauffer，C.；Grimson，W.E.L.In Proceedings of the IEEE Computer SocietyConference on Computer Vision and Pattern Recognition，Fort Collins，CO，USA，23-25June 1999；pp.1585-1594.)和《Vibe：A universal background subtractionalgorithm for video sequences》(Barnich，0.；Van Droogenbroeck，M.IEEETrans.Image Process.2011，20，1709-1724.)，由于没有考虑像素在空间域上的相关性，对细微的纹理移动变化(比如非严格周期性的树叶晃动、水纹波动等)都会产生大量的误检。而较复杂的基于邻域的背景模型比如《Fast background subtraction based on amultilayer codebook model for moving object detection》(Guo，J.-M.；Hsia，C.-H.；Liu，Y.-F.；Shih，M.-H.；Chang，C.-H.；Wu，J.-Y.IEEE Trans.Circuits Syst.VideoTechnol.2013，23，1809-1821)和《A texture-based method for modeling thebackground and detecting moving objects》(Heikkila，M.；Pietikainen，M.IEEETrans.Pattern Anal.Mach.Intell.2006，28，657-662)，则因计算量庞大而无法在实时视频监控中得到很好的应用。
发明内容
本发明要解决的技术问题是提供一种基于背景建模的视频移动目标侦测方法，能够解决现有技术的不足，对于复杂的动态背景具有较低的敏感性，同时对于正常的移动物体具有较高的检测率。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于背景建模的视频移动目标侦测方法，其特征在于包括以下步骤：
A、建立三个背景子模型；基于像素的单高斯模型记为BM1，基于区域的模型记为BM2，LBP模型记为BM3；
B、将输入图像与BM1的单高斯模型进行比较，生成二值化的前景目标图；在前景目标图里，为0的像素为背景，为1的像素为前景；
C、在步骤B中获得的前景目标图上进行进一步的过滤；BM2为每个超像素维护一个20个样本的模型，每个样本是该区域内的历史上的某个像素值；当判断某个像素是否为背景时，将此像素值与所在超像素的20个样本比较，相似样本超过阈值时，则判断为背景；
D、对于步骤C中给出的前景目标图，进行形态学的开运算与闭运算，去掉孤立噪点区域和空洞区域；再进行连通域分析，获得一个或多个连通区域，每个连通区域在理想情况下对应一个移动物体；
E、对于每个前景连通域，计算区域内的TLBP特征，并用一个训练好的分类器进行分类；如分类结果是属于背景，则将该连通域整个从前景目标图中抹去；
F、根据步骤E中所获得的前景目标图和当前帧，对BM1中的单高斯背景模型进行更新；前景目标图中的所有前景像素点位置不参与更新；
G、根据BM1中的单高斯背景模型的背景图，进行快速图像分割，以更新图像的超像素表示；根据前景目标图、当前帧、超像素分割图，再对BM2中的模型进行更新；前景目标图中的所有前景像素点位置不参与更新，背景像素点基于预设概率放入所属超像素的20个背景样本中；
H、则对TLB图进行更新；TLB图为每个像素点维持一个32位的存储空间，每一位储存相应相邻两帧的比较结果；历史记录的最大保存量为32帧。
作为优选，步骤B中，
将输入图像与BM1的单高斯模型中的背景图进行相减并阈值判断，生成二值化的前景目标图，公式如下：
Figure BSA0000146161400000041
式中I(x，y，t)表示(x，y)处在当前帧(时间为t)的像素值，μ(x，y，t-1)为像素点(x，y)在时域上到前一帧为止的均值，σ(x，y，t-1)为像素点(x，y)在时域上到前一帧为止的标准方差，二者共同构成了BM1的单高斯模型。
作为优选，步骤C中，
根据帧图像与BM2模型，对S1中所获得的前景目标图进行修改，公式如下：
Figure BSA0000146161400000042
式中Ni为(x，y)所属超像素的第i个样本；δ(x，y)定义如下：
Figure BSA0000146161400000043
作为优选，步骤E中，
TLBP特征是一个512维的直方图特征，每一维代表了一个3x3的邻域内的0、1组合模式，其特征值为此种0、1组合模式在该连通区域内的过去32帧中的出现次数。
作为优选，步骤E中，采用线性svm分类器。
作为优选，步骤F中，
单高斯背景模型的更新公式如下：
μ(x，y，t)＝αμ(x，y，t-1)+(1-α)I(x，y，t)
σ2(x，y，t)＝ασ2(x，y，t-1)+(1-α)(I(x，y，t)-μ(x，y，t))2
其中α为衰减系数，代表历史信息的重要程度。
作为优选，步骤G中包括以下步骤，
1)前景目标图中的所有前景像素点位置不参与更新；
2)对于每个需要更新背景模型的像素点，以当前帧的像素值随机取代该像素点所属超像素的样本集的一个样本值；
3)当一个像素点被判定为背景时，它有1/rate的概率更新背景模型；rate是时间采样因子，这里取值为16；
4)针对需要更新像素点，随机的选择一个该像素点邻域的背景模型，以新的像素点更新被选中的背景模型。
作为优选，步骤H中，
TLB图更新公式如下：
T(x，y，t)＝(T(x，y，t-1)＜＜1)+S(I(x，y，t)-I(x，y，t-1))
其中S(x)当x大于0时为1，否则为0。
采用上述技术方案所带来的有益效果在于：本发明的背景模型由三个子模型构成。一个是基于像素的单高斯模型来描述静态背景，而对于动态背景则采用一个独创性的基于区域的模型来模拟。两者相辅相成，共同完成对背景的描述和自适应更新。第三个子模型则是一个特殊的LBP(local binary pattern)模型，用于进一步对某些动态背景进行过滤。不同于现有技术中的基于邻域的背景模型，这里的基于区域的模型不是定义在规则形状的邻域上的，而是基于图像分割的结果，可以是或大或小的不规则形状区域(超像素)，这有利于描述复杂度和纹理各异的背景区域。本发明采用了LBP算子来描述邻域内的像素值在时间上的变化特性，与现有技术中用LBP描述纹理不同。并且与已有方法不同的是，这个TLBP模型是用来过滤已获得的移动前景连通域，而非用于像素点是否移动前景的判断。因此，虽然LBP本身的计算不小，但由于计算频率较低，并不会对整个移动物体提取过程的处理速度产生多大的影响。
本发明通用性好、速度快，适用于包含树叶晃动、光照变化、阴影、水纹、雨滴、大风造成的摄像机抖动等各种动态背景的场景。
附图说明
图1是本发明一个具体实施方式的流程图。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
A、建立三个背景子模型；基于像素的单高斯模型记为BM1，基于区域的模型记为BM2，LBP模型记为BM3；
B、将输入图像与BM1的单高斯模型进行比较，生成二值化的前景目标图；在前景目标图里，为0的像素为背景，为1的像素为前景；
C、在步骤B中获得的前景目标图上进行进一步的过滤；BM2为每个超像素维护一个20个样本的模型，每个样本是该区域内的历史上的某个像素值；当判断某个像素是否为背景时，将此像素值与所在超像素的20个样本比较，相似样本超过阈值时，则判断为背景；
D、对于步骤C中给出的前景目标图，进行形态学的开运算与闭运算，去掉孤立噪点区域和空洞区域；再进行连通域分析，获得一个或多个连通区域，每个连通区域在理想情况下对应一个移动物体；
E、对于每个前景连通域，计算区域内的TLBP特征，并用一个训练好的分类器进行分类；如分类结果是属于背景，则将该连通域整个从前景目标图中抹去；
F、根据步骤E中所获得的前景目标图和当前帧，对BM1中的单高斯背景模型进行更新；前景目标图中的所有前景像素点位置不参与更新；
G、根据BM1中的单高斯背景模型的背景图，进行快速图像分割，以更新图像的超像素表示；根据前景目标图、当前帧、超像素分割图，再对BM2中的模型进行更新；前景目标图中的所有前景像素点位置不参与更新，背景像素点基于预设概率放入所属超像素的20个背景样本中；
H、则对TLB图进行更新；TLB图为每个像素点维持一个32位的存储空间，每一位储存相应相邻两帧的比较结果；历史记录的最大保存量为32帧。
步骤B中，
将输入图像与BM1的单高斯模型中的背景图进行相减并阈值判断，生成二值化的前景目标图，公式如下：
Figure BSA0000146161400000081
式中I(x，y，t)表示(x，y)处在当前帧(时间为t)的像素值，μ(x，y，t-1)为像素点(x，y)在时域上到前一帧为止的均值，σ(x，y，t-1)为像素点(x，y)在时域上到前一帧为止的标准方差，二者共同构成了BM1的单高斯模型。
步骤C中，
根据帧图像与BM2模型，对S1中所获得的前景目标图进行修改，公式如下：
Figure BSA0000146161400000082
式中Ni为(x，y)所属超像素的第i个样本；δ(x，y)定义如下：
Figure BSA0000146161400000083
步骤E中，
TLBP特征是一个512维的直方图特征，每一维代表了一个3x3的邻域内的0、1组合模式，其特征值为此种0、1组合模式在该连通区域内的过去32帧中的出现次数。与普通LBP不同的是，3x3邻域的中间位置也包括在模式中，并且0代表的是当前帧的值小于等于前一帧，1代表大于前一帧。
步骤E中，采用线性svm分类器。
步骤F中，
单高斯背景模型的更新公式如下：
μ(x，y，t)＝αμ(x，y，t-1)+(1-α)I(x，y，t)
σ2(x，y，t)＝ασ2(x，y，t-1)+(1-α)(I(x，y，t)-μ(x，y，t))2
其中α为衰减系数，代表历史信息的重要程度。
步骤G中包括以下步骤，
1)前景目标图中的所有前景像素点位置不参与更新；
2)对于每个需要更新背景模型的像素点，以当前帧的像素值随机取代该像素点所属超像素的样本集的一个样本值；
3)当一个像素点被判定为背景时，它有1/rate的概率更新背景模型；rate是时间采样因子，这里取值为16；
4)针对需要更新像素点，随机的选择一个该像素点邻域的背景模型，以新的像素点更新被选中的背景模型。
步骤H中，
TLB图更新公式如下：
T(x，y，t)＝(T(x，y，t-1)＜＜1)+S(I(x，y，t)-I(x，y，t-1))
其中S(x)当x大于0时为1，否则为0。
本实施例在视频摘要、视频信息结构化、入侵检测等多个视频分析项目中得到了应用，取得了较满意的结果。在《changedetection.net：“A new change detectionbenchmark dataset》(Goyette，N.；Jodoin，P.M.；Porikli，F.；Konrad，J；Ishwar，P.inProc.IEEE Workshop on Change Detection(CDW-2012)at CVPR-2012，Providence，RI，16-21Jun.，2012)中的dynamic background和camera jitter两组共10个视频的测试中，误检目标数目相比现有技术中的最好的《Vibe：A universal background subtractionalgorithm for video sequences》(Barnich，0.；Van Droogenbroeck，M.IEEETrans.Image Process.2011，20，1709-1724.)，也降低了86％以上，而正确目标的检测率则维持不变。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于背景建模的视频移动目标侦测方法，其特征在于包括以下步骤：
A、建立三个背景子模型；基于像素的单高斯模型记为BM1，基于区域的模型记为BM2，LBP模型记为BM3；
B、将输入图像与BM1的单高斯模型进行比较，生成二值化的前景目标图；在前景目标图里，为0的像素为背景，为1的像素为前景；
C、在步骤B中获得的前景目标图上进行进一步的过滤；BM2为每个超像素维护一个20个样本的模型，每个样本是每个超像素区域内的历史上的某个像素值；当判断某个像素是否为背景时，将此像素值与所在超像素的20个样本比较，相似样本超过阈值时，则判断为背景；
D、对于步骤C中给出的前景目标图，进行形态学的开运算与闭运算，去掉孤立噪点区域和空洞区域；再进行连通域分析，获得一个或多个连通区域，每个连通区域在理想情况下对应一个移动物体；
E、对于每个前景连通域，计算连通域的TLBP特征，并用一个训练好的分类器进行分类；如分类结果是属于背景，则将该连通域整个从前景目标图中抹去；
F、根据步骤E中所获得的前景目标图和当前帧，对BM1中的单高斯模型进行更新；前景目标图中的所有前景像素点位置不参与更新；
G、根据BM1中的单高斯模型的背景图，进行快速图像分割，以更新图像的超像素表示；根据前景目标图、当前帧、超像素分割图，再对BM2中的模型进行更新；前景目标图中的所有前景像素点位置不参与更新，背景像素点基于预设概率放入所属超像素的20个背景样本中；
H、则对TLB图进行更新；TLB图为每个像素点维持一个32位的存储空间，每一位储存相应相邻两帧的比较结果；历史记录的最大保存量为32帧。
2.根据权利要求1所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤B中，
将输入图像与BM1的单高斯模型中的背景图进行相减并进行阈值判断，生成二值化的前景目标图，公式如下：
Figure FDA0002542439390000021
式中I(x,y,t)表示(x,y)处在当前帧的像素值，当前帧时间为t，μ(x,y,t-1)为像素点(x,y)在时域上到前一帧为止的均值，σ(x,y,t-1)为像素点(x,y)在时域上到前一帧为止的标准方差，二者共同构成了BM1的单高斯模型。
3.根据权利要求2所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤C中，
根据帧图像与BM2模型，对步骤B中所获得的前景目标图进行修改，公式如下：
Figure FDA0002542439390000031
式中Ni为(x,y)所属超像素的第i个样本；δ(x,y)定义如下：
Figure FDA0002542439390000032
4.根据权利要求1所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤E中，
TLBP特征是一个512维的直方图特征，每一维代表了一个3x3的邻域内的0、1组合模式，其特征值为此种0、1组合模式在该连通区域内的过去32帧中的出现次数。
5.根据权利要求4所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤E中，采用线性svm分类器。
6.根据权利要求3所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤F中，
单高斯模型的更新公式如下：
μ(x,y,t)＝αμ(x,y,t-1)+(1-α)I(x,y,t)
σ2(x,y,t)＝ασ2(x,y,t-1)+(1-α)(I(x,y,t)-μ(x,y,t))2
其中α为衰减系数，代表历史信息的重要程度。
7.根据权利要求1所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤G中包括以下步骤，
1)前景目标图中的所有前景像素点位置不参与更新；
2)对于每个需要更新背景模型的像素点，以当前帧的像素值随机取代该像素点所属超像素的样本集的一个样本值；具体的，
当一个像素点被判定为背景时，它有1/rate的概率更新背景模型；rate是时间采样因子，这里取值为16；
针对需要更新背景模型的像素点，随机的选择一个该像素点邻域的背景模型，以新的背景模型更新被选中的背景模型。
8.根据权利要求2所述的基于背景建模的视频移动目标侦测方法，其特征在于：步骤H中，
TLB图更新公式如下：
T(x,y,t)＝(T(x,y,t-1)＜＜1)+S(I(x,y,t)-I(x,y,t-1))
其中S(x)当x大于0时为1，否则为0。
CN201710456321.6A 2017-06-16 2017-06-16 一种基于背景建模的视频移动目标侦测方法 Expired - Fee Related CN107301655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710456321.6A CN107301655B (zh) 2017-06-16 2017-06-16 一种基于背景建模的视频移动目标侦测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710456321.6A CN107301655B (zh) 2017-06-16 2017-06-16 一种基于背景建模的视频移动目标侦测方法

Publications (2)

Publication Number Publication Date
CN107301655A CN107301655A (zh) 2017-10-27
CN107301655B true CN107301655B (zh) 2020-10-02

Family

ID=60135257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710456321.6A Expired - Fee Related CN107301655B (zh) 2017-06-16 2017-06-16 一种基于背景建模的视频移动目标侦测方法

Country Status (1)

Country Link
CN (1) CN107301655B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993778A (zh) * 2019-04-11 2019-07-09 浙江立元通信技术股份有限公司 一种确定目标位置的方法及装置
CN110428394B (zh) * 2019-06-14 2022-04-26 北京迈格威科技有限公司 用于目标移动侦测的方法、装置及计算机存储介质
CN110866937A (zh) * 2019-10-25 2020-03-06 深圳市瑞图生物技术有限公司 ***运动轨迹重建及分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957997B (zh) * 2009-12-22 2012-02-22 北京航空航天大学 一种动态场景中基于区域均值核密度估计的运动目标检测方法
CN101777180B (zh) * 2009-12-23 2012-07-04 中国科学院自动化研究所 基于背景建模和能量最小化的复杂背景实时替换方法
CN102314691A (zh) * 2011-06-30 2012-01-11 北京平安视讯科技有限公司 一种基于多信息融合的背景模型
CN103810722A (zh) * 2014-02-27 2014-05-21 云南大学 结合改进的lbp纹理和色度信息的运动目标检测方法
KR101667761B1 (ko) * 2015-03-20 2016-10-19 목포해양대학교 산학협력단 다중 가우시안 분포 기반의 적응적 배경 모델링 방법 및 장치
CN106570885A (zh) * 2016-11-10 2017-04-19 河海大学 基于亮度和纹理融合阈值的背景建模方法
CN106557760A (zh) * 2016-11-28 2017-04-05 江苏鸿信***集成有限公司 一种基于视频识别技术的图像画面检索过滤监控***

Also Published As

Publication number Publication date
CN107301655A (zh) 2017-10-27

Similar Documents

Publication Publication Date Title
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
US20230289979A1 (en) A method for video moving object detection based on relative statistical characteristics of image pixels
CN111723644A (zh) 一种监控视频遮挡检测方法及***
Zhang et al. Moving vehicles segmentation based on Bayesian framework for Gaussian motion model
CN111062974A (zh) 一种使用去除鬼影对前景目标提取的方法及***
CN107301655B (zh) 一种基于背景建模的视频移动目标侦测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
Mandal et al. CANDID: Robust change dynamics and deterministic update policy for dynamic background subtraction
CN108765463B (zh) 一种结合区域提取与改进纹理特征的运动目标检测方法
Devi et al. A survey on different background subtraction method for moving object detection
Sahoo et al. A fast valley-based segmentation for detection of slowly moving objects
CN110858392A (zh) 一种基于融合背景模型的监控目标定位方法
Huynh-The et al. Locally statistical dual-mode background subtraction approach
Gao et al. Moving object detection for video surveillance based on improved ViBe
CN108961293B (zh) 一种背景减除的方法、装置、设备及存储介质
Wang et al. Foreground model for background subtraction with blind updating
Karim Construction of a robust background model for moving object detection in video sequence
Mohajan et al. Moving object detection against sudden illumination change using improved background modeling
Yang et al. A hierarchical approach for background modeling and moving objects detection
Su et al. Shadow removal using background reconstruction
Fazli et al. A novel GMM-based motion segmentation method for complex background
Yoon et al. Fluctuation-Based Fade Detection for Local Scene Changes
Li et al. A new moving object detection approach with adaptive double thresholds
Davarpanah et al. Using multi-scale filtering to initialize a background extraction model
El Rai et al. Moving Objects Segmentation in Infrared Scene Videos

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201002

Termination date: 20210616