CN107895379A - 一种视频监控中前景提取的改进算法 - Google Patents

一种视频监控中前景提取的改进算法 Download PDF

Info

Publication number
CN107895379A
CN107895379A CN201711001978.XA CN201711001978A CN107895379A CN 107895379 A CN107895379 A CN 107895379A CN 201711001978 A CN201711001978 A CN 201711001978A CN 107895379 A CN107895379 A CN 107895379A
Authority
CN
China
Prior art keywords
mrow
msub
frame
video
msup
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.)
Pending
Application number
CN201711001978.XA
Other languages
English (en)
Inventor
苏寒松
龙鑫
刘高华
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201711001978.XA priority Critical patent/CN107895379A/zh
Publication of CN107895379A publication Critical patent/CN107895379A/zh
Pending legal-status Critical Current

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
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种视频监控中前景提取的改进算法，包括步骤：步骤(1)、将采集到的彩***帧进行预处理，首先把彩色图转换为灰度图，再经过中值滤波对图像进行降噪处理，最后进行直方图均值化，提高图像对比度；步骤(2)、对预处理后的视频帧进行改进的五帧差法处理；步骤(3)、对预处理后的视频帧同时进行GMM建模，提取出背景模型；步骤(4)、运用改进的背景减法对视频帧进行处理；步骤(5)、将步骤(2)和步骤(4)所得到的视频帧进行逻辑或运算；步骤(6)、对步骤(5)所得到的视频帧进行形态学处理，最终提取出完整的前景。

Description

一种视频监控中前景提取的改进算法
技术领域
本发明涉及视频监控领域，特别是涉及一种视频监控中前景提取的改进算法。
背景技术
随着计算机技术的发展，视频监控越来越智能化，智能视频监控***的一个主要任务是对视频图像中的目标或者感兴趣的部分进行检测、识别、跟踪等。前景的正确提取是视频监控的前提，前景提取的效果会影响后续的目标的识别和跟踪的准确性和稳健性。在真实的应用场景中，由于环境中光照的变化，背景中树叶的扰动和相机自身的抖动等不可改变的因素会对运动目标检测的效果产生影响。
前景提取的方法有很多种，常用的算法有帧间差分法(是将固定间隔的视频帧进行比较，适合动态变化的环境，但是由于会产生大面积的空洞，提取目标的完整性较差)、背景差分法(通过当前视频帧和背景帧进行差分运算实现对运动目标检测，该方法可以较好完整的提取目标，受光照和背景的变化影响较大)，光流法(因其计算复杂、很难满足运动检测的实时性)。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种视频监控中前景提取的改进算法，该算法综合各种算法的有点进行优势互补，进一步提高了前景检测的准确率，实质为改进的五帧差分法和GMM融合的前景提取算法，可完成在光照的变化和背景的扰动的复杂的背景环境中的前景提取，通过建立GMM背景模型，并不断对背景模型进行更新，在光照的变化和树叶的扰动中也可以准确的检测运动目标，提高前景检测的质量，从而有效的对前景目标进行提取。
本发明的目的是通过以下技术方案实现的：
一种视频监控中前景提取的改进算法，包括以下步骤：
步骤(1)：将采集到的彩***帧进行预处理，首先把彩色图转换为灰度图，再经过中值滤波对图像进行降噪处理，最后进行直方图均值化，提高图像对比度；
步骤(2)：对预处理后的视频帧进行改进的五帧差法处理；
步骤(3)：对预处理后的视频帧同时进行GMM建模，提取出背景模型；
步骤(4)：运用改进的背景减法对视频帧进行处理；
步骤(5)：将步骤(2)和步骤(4)所得到的视频帧进行逻辑或运算；
步骤(6)：对步骤(5)所得到的视频帧进行形态学处理，最终提取出完整的前景。
步骤(2)中所述的改进的五帧差法，其建立流程具体包括以下步骤：
步骤(201)、选取实验视频帧中的连续5帧f1(x,y)，f2(x,y)，f3(x,y)，f4(x,y)，f5(x,y)，选取这5帧中的前2帧图像采用公式：进行绝对值差分；
步骤(202)、进行二值化处理，从而获得前两帧的二值图像D2(x,y)，取第2帧和第3帧图像进行相同运算得到二值图像D3(x,y)，同理可得二值图像D4(x,y)和D5(x,y)；
步骤(203)、对D2(x,y)和D3(x,y)进行算数加法运算，获得1帧含有运动对象大致范围的图像g1(x,y)，取D4(x,y)和D5(x,y)进行同样的操作，得到另一帧含有运动对象范围的图像g2(x,y)；
步骤(204)、对g1(x,y)和g2(x,y)使用逻辑与运算，获得最终结果I(x,y)，即获得的相邻5帧图像的中间帧移动对象区域的图像。
步骤(3)中所述对预处理后的视频帧同时进行GMM建模，具体包括以下步骤：
步骤(301)、对要建立的背景模型中的每一个像素点建立K(3≤K≤5)个高斯分布；
步骤(302)、对于某一像素点的(x0,y0)，它的历史记录{X1,X2,...,Xt}＝{I(x0,y0)|1≤i≤t}，则当前可能观察到的像素值变化为：
其中，η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度(均值为μi,t，协方差矩阵为∑i,t)，为分布对应的权重，每个高斯分布的均值为μi,t，方差为σi,t，协方差矩阵近似为：(假设RGB是相互独立的，I为单位阵)；
步骤(303)、将K个高斯分布按照优先级ρi,t＝ωi,t/σi排序；
步骤(304)、取前B个高斯分布作为背景分布
步骤(305)、通过下面的公式判断是否与已有的分布匹配：
|Xt-μi,t-1|≤2.5σi,t-1
其中，Xt是每一个像素点的灰度值，μi,t-1是t‐1时刻混合高斯模型中第i个高斯分布的均值矢量，σi,t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，若匹配，进行步骤306；若不匹配，进行步骤307、308、309；
步骤(306)、如果一个像素点与高斯分布匹配时，对匹配的分布进行参数更新：
步骤(307)、其他不匹配的分布只改变权重，权重按如下规则更新：
ωi,t+1＝(1-α)·ωi,t；
步骤(308)、若都不匹配，且当前分布的个数小于K时，增加一个新的高斯分布；
步骤(309)、若都不匹配，且当前分布的个数等于K时，用新的高斯分布代替优先级最小的高斯分布，以xt作为均值，初始化一个较大方差和较小权重；
步骤(310)、对模型的权重进行排序，得到背景模型。
步骤(4)具体包括以下步骤：
步骤(401)、选取第3帧图像与所提出的背景图使用差分操作得到M；
步骤(402)、用canny算子对M进行边缘提取，获得移动对象的边缘信息；
步骤(403)、进行二值化处理，得到运动目标的前景边缘图。
与现有技术相比，本发明的技术方案所带来的有益效果是：本发明把改进的五帧差法加入算法中，和混合高斯模型进行融合，可以正确的提取出大而缓慢的前景目标，对于前景目标的突然静止并停留一段时间，不会把前景判定为背景，仍然可以准确检测出前景目标。
附图说明
图1为本发明的视频监控中前景提取的改进算法整体结构框图。
具体实施方式
下面结合附图对本发明作进一步的描述。
如图1所示，为视频监控中前景提取的改进算法整体图。包括以下步骤：
步骤101：将输入的彩***帧进行图像预处理，首先把彩色图转换为灰度图，再经过中值滤波对图像进行降噪处理，最后进行直方图均值化，提高图像对比度。
步骤102：对预处理后的视频帧进行改进的五帧差法处理，选取实验视频帧中的连续5帧f1(x,y)，f2(x,y)，f3(x,y)，f4(x,y)，f5(x,y)，选取这5帧中的前2帧图像采用公式：进行绝对值差分；然后进行二值化处理，从而获得前两帧的二值图像D2(x,y)，取第2帧和第3帧图像进行相同运算得到二值图像D3(x,y)，同理可得二值图像D4(x,y)和D5(x,y)；对D2(x,y)和D3(x,y)进行算数加法运算，获得1帧含有运动对象大致范围的图像g1(x,y)，取D4(x,y)和D5(x,y)进行同样的操作，得到另一帧含有运动对象范围的图像g2(x,y)；对g1(x,y)和g2(x,y)使用逻辑与运算，获得最终结果I(x,y)，即获得的相邻5帧图像的中间帧移动对象区域的图像。
步骤103：对预处理后的视频帧同时进行GMM建模，提取出背景模型。对要建立的背景模型中的每一个像素点都建立K(3≤K≤5)个高斯分布；对于某一像素点的(x0,y0)，它的历史记录{X1,X2,...,Xt}＝{I(x0,y0)|1≤i≤t}，那么当前可能观察到的像素值变化为：
其中，η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度(均值为μi,t，协方差矩阵为∑i,t)，为分布对应的权重，每个高斯分布的均值为μi,t，方差为σi,t，协方差矩阵可以近似为：(假设RGB是相互独立的，I为单位阵)；将K个高斯分布按照优先级ρi,t＝ωi,t/σi排序；取前B个高斯分布作为背景分布：通过下面的公式判断是否与已有的分布匹配：|Xt-μi,t-1|≤2.5σi,t-1，其中，Xt是每一个像素点的灰度值，μi,t-1是t-1时刻混合高斯模型中第i个高斯分布的均值矢量，σi,t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，如果一个像素点与高斯分布匹配时，对匹配的分布进行参数更新：
其他不匹配的分布只改变权重，权重按如下规则更新：
ωi,t+1＝(1-α)·ωi,t；
若都不匹配，且当前分布的个数小于K时，增加一个新的高斯分布；若都不匹配，且当前分布的个数等于K时，用新的高斯分布代替优先级最小的高斯分布，以xt作为均值，初始化一个较大方差和较小权重；对模型的权重进行排序，得到背景模型。
步骤104：运用改进的背景减法对视频帧进行处理。本实施例中，改进的背景减法就是在传统的背景减法中加入了canny算子对前景图像进行边缘提取，从而获得移动对象的边缘信息，更加准确的提取前景目标和目标轮廓。选取第3帧图像与所提出的背景图使用差分操作得到M；用canny算子对M进行边缘提取，获得移动对象的边缘信息；然后进行二值化处理，得到运动目标的前景边缘图。
步骤105：对步骤102和步骤104的输出图像进行逻辑或运算，得到五帧差法和改进的背景减除法相结合所提取出的前景目标。
步骤106：对步骤105处理得到后的图像进行形态学处理，经过多次的开闭运算，使原来的前景二值图像更加完整，去除边缘的不连续和空洞现象。
步骤107：经过以上处理，最终得到完整的前景图像。
本发明并不限于上文描述的实施方式。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。在不脱离本发明宗旨和权利要求所保护的范围情况下，本领域的普通技术人员在本发明的启示下还可做出很多形式的具体变换，这些均属于本发明的保护范围之内。

Claims (4)

1.一种视频监控中前景提取的改进算法，其特征在于，包括以下步骤：
步骤(1)：将采集到的彩***帧进行预处理，首先把彩色图转换为灰度图，再经过中值滤波对图像进行降噪处理，最后进行直方图均值化，提高图像对比度；
步骤(2)：对预处理后的视频帧进行改进的五帧差法处理；
步骤(3)：对预处理后的视频帧同时进行GMM建模，提取出背景模型；
步骤(4)：运用改进的背景减法对视频帧进行处理；
步骤(5)：将步骤(2)和步骤(4)所得到的视频帧进行逻辑或运算；
步骤(6)：对步骤(5)所得到的视频帧进行形态学处理，最终提取出完整的前景。
2.如权利要求1所述的一种视频监控中前景提取的改进算法，其特征在于，步骤(2)中所述的改进的五帧差法，其建立流程具体包括以下步骤：
步骤(201)、选取实验视频帧中的连续5帧f1(x,y)，f2(x,y)，f3(x,y)，f4(x,y)，f5(x,y)，选取这5帧中的前2帧图像采用公式：进行绝对值差分；
步骤(202)、进行二值化处理，从而获得前两帧的二值图像D2(x,y)，取第2帧和第3帧图像进行相同运算得到二值图像D3(x,y)，同理可得二值图像D4(x,y)和D5(x,y)；
步骤(203)、对D2(x,y)和D3(x,y)进行算数加法运算，获得1帧含有运动对象大致范围的图像g1(x,y)，取D4(x,y)和D5(x,y)进行同样的操作，得到另一帧含有运动对象范围的图像g2(x,y)；
步骤(204)、对g1(x,y)和g2(x,y)使用逻辑与运算，获得最终结果I(x,y)，即获得的相邻5帧图像的中间帧移动对象区域的图像。
3.如权利要求1所述的一种视频监控中前景提取的改进算法，其特征在于，步骤(3)中所述对预处理后的视频帧同时进行GMM建模，具体包括以下步骤：
步骤(301)、对要建立的背景模型中的每一个像素点建立K(3≤K≤5)个高斯分布；
步骤(302)、对于某一像素点的(x0,y0)，它的历史记录{X1,X2,...,Xt}＝{I(x0,y0)1≤i≤t}，则当前可能观察到的像素值变化为：
<mrow> <mi>P</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&amp;times;</mo> <mi>&amp;eta;</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow>
<mrow> <mi>&amp;eta;</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <msup> <mrow> <mo>(</mo> <mn>2</mn> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mfrac> <mi>n</mi> <mn>2</mn> </mfrac> </msup> <mo>|</mo> <msub> <mi>&amp;Sigma;</mi> <mi>i</mi> </msub> <msup> <mo>|</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> </msup> </mrow> </mfrac> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mi>&amp;Sigma;</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> </mrow> </msup> </mrow>
其中，η(Xt,μi,t,∑i,t)为第i个高斯分布的概率密度(均值为μi,t，协方差矩阵为∑i,t)，为分布对应的权重，每个高斯分布的均值为μi,t，方差为σi,t，协方差矩阵近似为：
步骤(303)、将K个高斯分布按照优先级ρi,t＝ωi,t/σi排序；
步骤(304)、取前B个高斯分布作为背景分布
<mrow> <mi>B</mi> <mo>=</mo> <msub> <mi>arg</mi> <mi>b</mi> </msub> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>b</mi> </munderover> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>&gt;</mo> <mi>T</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
步骤(305)、通过下面的公式判断是否与已有的分布匹配：
|Xt-μi,t-1|≤2.5σi,t-1
其中，Xt是每一个像素点的灰度值，μi,t-1是t‐1时刻混合高斯模型中第i个高斯分布的均值矢量，σi,t-1为第i个高斯分布的标准差；对当前视频帧的每一个像素点进行已有的高斯分布的模型进行匹配运算，若匹配，进行步骤306；若不匹配，进行步骤307、308、309；
步骤(306)、如果一个像素点与高斯分布匹配时，对匹配的分布进行参数更新：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>+</mo> <mi>&amp;alpha;</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;mu;</mi> <mi>t</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;mu;</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>&amp;beta;X</mi> <mi>t</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>t</mi> <mn>2</mn> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>&amp;beta;</mi> <mo>)</mo> </mrow> <msubsup> <mi>&amp;sigma;</mi> <mrow> <mi>t</mi> <mo>-</mo> <mn>1</mn> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;beta;</mi> <msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>t</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
步骤(307)、其他不匹配的分布只改变权重，权重按如下规则更新：
ωi,t+1＝(1-α)·ωi,t；
步骤(308)、若都不匹配，且当前分布的个数小于K时，增加一个新的高斯分布；
步骤(309)、若都不匹配，且当前分布的个数等于K时，用新的高斯分布代替优先级最小的高斯分布，以xt作为均值，初始化一个较大方差和较小权重；
步骤(310)、对模型的权重进行排序，得到背景模型。
4.如权利要求1所述的一种视频监控中前景提取的改进算法，其特征在于，步骤(4)具体包括以下步骤：
步骤(401)、选取第3帧图像与所提出的背景图使用差分操作得到M；
步骤(402)、用canny算子对M进行边缘提取，获得移动对象的边缘信息；
步骤(403)、进行二值化处理，得到运动目标的前景边缘图。
CN201711001978.XA 2017-10-24 2017-10-24 一种视频监控中前景提取的改进算法 Pending CN107895379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711001978.XA CN107895379A (zh) 2017-10-24 2017-10-24 一种视频监控中前景提取的改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711001978.XA CN107895379A (zh) 2017-10-24 2017-10-24 一种视频监控中前景提取的改进算法

Publications (1)

Publication Number Publication Date
CN107895379A true CN107895379A (zh) 2018-04-10

Family

ID=61802909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711001978.XA Pending CN107895379A (zh) 2017-10-24 2017-10-24 一种视频监控中前景提取的改进算法

Country Status (1)

Country Link
CN (1) CN107895379A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205891B (zh) * 2018-01-02 2019-03-05 霍*** 一种监控区域的车辆监测方法
CN109448397A (zh) * 2018-11-20 2019-03-08 山东交通学院 一种基于大数据的团雾监测方法
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110348305A (zh) * 2019-06-06 2019-10-18 西北大学 一种基于监控视频的运动目标提取方法
CN111524082A (zh) * 2020-04-26 2020-08-11 上海航天电子通讯设备研究所 目标鬼影消除方法
CN111524158A (zh) * 2020-05-09 2020-08-11 黄河勘测规划设计研究院有限公司 水利工程复杂场景下的前景目标检测方法
CN111832392A (zh) * 2020-05-27 2020-10-27 湖北九感科技有限公司 火焰烟雾检测方法及装置
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
CN113657319A (zh) * 2021-08-23 2021-11-16 安徽农业大学 一种基于图像识别技术的无干扰睡眠动作行为的识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140112547A1 (en) * 2009-10-07 2014-04-24 Microsoft Corporation Systems and methods for removing a background of an image
CN106504273A (zh) * 2016-10-28 2017-03-15 天津大学 一种基于gmm运动目标检测的改进算法
CN107154053A (zh) * 2017-05-11 2017-09-12 南宁市正祥科技有限公司 静态背景下的运动目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140112547A1 (en) * 2009-10-07 2014-04-24 Microsoft Corporation Systems and methods for removing a background of an image
CN106504273A (zh) * 2016-10-28 2017-03-15 天津大学 一种基于gmm运动目标检测的改进算法
CN107154053A (zh) * 2017-05-11 2017-09-12 南宁市正祥科技有限公司 静态背景下的运动目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘峥嵘 等: "改进的背景减法与五帧差分法相结合的运动目标检测", 《自动化与仪表》 *
郭伟 等: "改进的基于混合高斯模型的运动目标检测算法", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108205891B (zh) * 2018-01-02 2019-03-05 霍*** 一种监控区域的车辆监测方法
CN109448397B (zh) * 2018-11-20 2020-11-13 山东交通学院 一种基于大数据的团雾监测方法
CN109448397A (zh) * 2018-11-20 2019-03-08 山东交通学院 一种基于大数据的团雾监测方法
CN109684996A (zh) * 2018-12-22 2019-04-26 北京工业大学 基于视频的实时车辆进出识别方法
CN110348305B (zh) * 2019-06-06 2021-06-25 西北大学 一种基于监控视频的运动目标提取方法
CN110348305A (zh) * 2019-06-06 2019-10-18 西北大学 一种基于监控视频的运动目标提取方法
CN111524082A (zh) * 2020-04-26 2020-08-11 上海航天电子通讯设备研究所 目标鬼影消除方法
CN111524082B (zh) * 2020-04-26 2023-04-25 上海航天电子通讯设备研究所 目标鬼影消除方法
CN111524158A (zh) * 2020-05-09 2020-08-11 黄河勘测规划设计研究院有限公司 水利工程复杂场景下的前景目标检测方法
CN111524158B (zh) * 2020-05-09 2023-03-24 黄河勘测规划设计研究院有限公司 水利工程复杂场景下的前景目标检测方法
CN111832392A (zh) * 2020-05-27 2020-10-27 湖北九感科技有限公司 火焰烟雾检测方法及装置
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
CN113657319A (zh) * 2021-08-23 2021-11-16 安徽农业大学 一种基于图像识别技术的无干扰睡眠动作行为的识别方法

Similar Documents

Publication Publication Date Title
CN107895379A (zh) 一种视频监控中前景提取的改进算法
CN104050471B (zh) 一种自然场景文字检测方法及***
CN110033002B (zh) 基于多任务级联卷积神经网络的车牌检测方法
CN102867188B (zh) 一种基于级联结构的会场内座位状态检测方法
CN110276264B (zh) 一种基于前景分割图的人群密度估计方法
CN108268859A (zh) 一种基于深度学习的人脸表情识别方法
CN107481188A (zh) 一种图像超分辨率重构方法
CN105427626B (zh) 一种基于视频分析的车流量统计方法
CN107507221A (zh) 结合帧差法和混合高斯模型的运动目标检测与跟踪方法
CN103258332B (zh) 一种抗光照变化的运动目标的检测方法
CN105513053B (zh) 一种用于视频分析中背景建模方法
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN106096602A (zh) 一种基于卷积神经网络的中文车牌识别方法
CN107657625A (zh) 融合时空多特征表示的无监督视频分割方法
CN102214291A (zh) 一种快速准确的基于视频序列的人脸检测跟踪方法
CN103886589A (zh) 面向目标的自动化高精度边缘提取方法
CN102063727B (zh) 一种基于协方差匹配的主动轮廓跟踪方法
CN103996018A (zh) 基于4dlbp的人脸识别方法
CN108537143B (zh) 一种基于重点区域特征比对的人脸识别方法与***
CN109359549A (zh) 一种基于混合高斯和hog_lbp的行人检测方法
CN106778650A (zh) 基于多类型信息融合的场景自适应行人检测方法和***
CN104599291B (zh) 基于结构相似度和显著性分析的红外运动目标检测方法
CN105825233A (zh) 一种基于在线学习随机蕨分类器的行人检测方法
CN106570885A (zh) 基于亮度和纹理融合阈值的背景建模方法
CN103824305A (zh) 一种改进的Meanshift目标跟踪方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180410

WD01 Invention patent application deemed withdrawn after publication