CN110619654A - 一种运动目标检测与跟踪方法 - Google Patents

一种运动目标检测与跟踪方法 Download PDF

Info

Publication number
CN110619654A
CN110619654A CN201910712617.9A CN201910712617A CN110619654A CN 110619654 A CN110619654 A CN 110619654A CN 201910712617 A CN201910712617 A CN 201910712617A CN 110619654 A CN110619654 A CN 110619654A
Authority
CN
China
Prior art keywords
moving object
area
pixel
calculating
image
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
Application number
CN201910712617.9A
Other languages
English (en)
Other versions
CN110619654B (zh
Inventor
欧阳国胜
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.)
Beijing Jiaxun Feihong Electrical Co Ltd
Original Assignee
Beijing Jiaxun Feihong Electrical 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 Beijing Jiaxun Feihong Electrical Co Ltd filed Critical Beijing Jiaxun Feihong Electrical Co Ltd
Priority to CN201910712617.9A priority Critical patent/CN110619654B/zh
Publication of CN110619654A publication Critical patent/CN110619654A/zh
Application granted granted Critical
Publication of CN110619654B publication Critical patent/CN110619654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了一种运动目标跟踪方法，包括以下步骤：S1、计算帧级差异度M(x，y)并且判断是否存在候选运动区域；S2、计算像素级差异度SP(x，y)；S3、计算块级差异度SR(i)；S4、计算最终差异度S(x，y)并且根据最终差异度S(x，y)判断是否存在运动物体和实际运动区域；S5、计算实际运动区域和运动物体的运动趋势，根据实际运动区域和物体的运动趋势控制摄像机做出相对应的运动。本发明在检测运动物体的过程中通过计算序列图像的差异度来判断运动物体的运动区域，进而判断物体的运动趋势，最后调整用于拍摄运动物体的摄像机。整个检测和跟踪过程无需考虑背景的影响，并且具有比较高的跟踪精度，适用范围广。

Description

一种运动目标检测与跟踪方法
技术领域
本发明涉及数字图像处理领域，尤其涉及一种运动目标检测与跟踪方法。
背景技术
运动的视觉分析需要从序列图像中对运动物体进行检测，识别和跟踪，属于图像分析和理解的范畴。现有技术中存在的检测方法包括背景差分法、基于帧间差分法和基于特征法，但是上述方法在检测过程中对运动环境有着不一样的要求和标准，适用性不高。没有一种方法能够针对不同背景下的序列图像进行运动目标的检测，因此有必要发明一种适用性强的运动目标检测与跟踪方法。
发明内容
本发明要解决的技术问题是：为了解决不同背景下运动物体的检测和跟踪问题本发明提供了一种运动目标检测与跟踪方法来解决上述问题。
本发明解决其技术问题所采用的技术方案是：一种运动目标检测与跟踪方法，包括以下步骤：
S1、将输入的序列图像中的像素点记为(x，y)，通过相邻图像的帧差得到帧级差异度M(x，y)，根据相邻两帧图像之间的二值差分图像判断相邻的序列图像的二值差分图像中是否存在候选运动区域，若存在候选运动区域则进入步骤S2，若不存在候选运动区域则输入新的序列图像，重复步骤S1；
S2、根据差异性系数w(x，y)和像素点差异度Spixel(x，y)计算像素显著度SP(x，y)；
S3、根据空间权重系数fspatial(i)、面积权重farea(j)和色彩对比度Dc(i，j)计算块级差异度SR(i)；
S4、根据帧级差异度M(x，y)、像素级差异度SP(x，y)和块级差异度SR(i)计算最终差异度S(x，y)，根据最终差异度S(x，y)判断候是否存在属于运动物体的像素点，若存在则进入步骤S5，若不存在则输入新的序列图像，重复步骤S1；
S5、根据属于运动物体的像素点的坐标计算出运动物体的重心(Xc，Yc)、实际运动区域的宽witch和实际运动区域的高height，根据运动物体的重心(Xc，Yc)和实际运动区域计算出运动物体的运动趋势，控制滑动模块和摄像机根据运动趋势做出对应的运动。
作为优选，在步骤S1中，帧级差异度M(x，y)的数学模型由以下公式确定：
其中，f(x，y，i-1)和f(x，y，i)为序列图像中连续的两帧图像，i-1和i表示连续两帧的序号；
步骤S1还包括，计算前一帧f(x，y，i-1)和当前帧f(x，y，i)之间的二值差分图像Df(x，y，i-1，i)和当前帧f(x，y，i)与下一帧f(x，y，i+1)之间的二值差分图像Df(x，y，i，i+1)；
然后根据Df(x，y，i-1，i)和Df(x，y，i，i+1)得到Df(x，y，i)，Df(x，y，i)为前一帧、当前帧和下一帧图像之间的不同部分的集合，Df(x，y，i)的数学模型由以下公式确定：
Df(x，y，i)＝Df(x，y，i-1，i)∩Df(x，y，i，i+1)
由上式可以得出，当Df(x，y，i-1，i)＝255和Df(x，y，i，i+1)＝255同时成立时，Df(x，y，i)＝255才成立，若Df(x，y，i)＝255成立则表示存在候选运动区域，若Df(x，y，i)＝255不成立则表示不存在候选区域。
作为优选，在步骤S2中，像素级差异度SP(x，y)的数学模型由以下公式确定：
SP(x，y)＝w(x，y)·Spixel(x，y)
式中，
w(x，y)为差异性系数；
Spixel(x，y)为像素点差异度；
为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图的最大差值；
Hd(x，y)为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图在像素点(x，y)处的差值；
u为像素点(x，y)处的颜色值；
fV为候选运动区域CR的归一化灰度直方图中颜色v对应的值；
N为颜色深度值，N的数值取255。
作为优选，在步骤S3中，块级差异度SR(i)的数学模型由以下公式确定：
式中，
M为局部区域划分的块数；
farea(j)为Ri在局部区域内所占的面积比例；
Dc(i，j)为Ri和Rj之间的色彩对比度；
fspatial(i)用于增加中心偏移系数区域影响；
为中心偏移系数；
为边界偏移系数；
W为局部区域的宽；
片为局部区域的高；
(Xc，yc)为局部区域的中心坐标；
(Xc(i)，yc(i))为图像块Ri的中心坐标；
Bt、Bb、Bl、Br分别为图像块Ri最小外界矩形相对于局部区域上下左右坐标。
作为优选，在步骤S4中，最终差异度S(x，y)的数学模型由以下公式确定：
S(x，y)＝w1·M(x，y)+w2·SP(x，y)+w3·SR(x，y)
式中，
w1为帧级差异度的权重系数；
w2为像素级差异度的权重系数；
w3为块级差异度的权重系数；
w1、w2和w3之间的关系满足：w1+w2+w3＝1；
最终差异度S(x，y)用于判断属于运动物体的像素点，像素点的最终差异度S(x，y)大于阈值K则说明存在属于运动物体的像素点，若二值差分图像中没有像素点满足最终差异度S(x，y)大于阈值K的条件则说明不存在属于运动物体的像素点，即不存在实际运动区域。
作为优选，在步骤S5中，重心(Xc，Yc)的数学模型由以下公式确定：
式中：
Xc为重心的横坐标；
Yc为中心的纵坐标；
Xi为属于运动物体的像素点的横坐标；
Yi为属于运动物体的像素点的纵坐标；
M为属于运动物体的像素点的个数；
实际运动区域的宽witch和实际运动区域的高height由以下公式确定：
witch＝witchl+witchr
height＝heightt+heightb
将属于运动物体的像素点的横坐标减去重心的横坐标然后求和，再求平均数的两倍得到运动区域的宽witch；
将属于运动物体的像素点的纵坐标减去重心的纵坐标然后求和，再求平均数的两倍得到运动区域的高height。
本发明的有益效果是，本发明在检测运动物体的过程中通过计算序列图像的差异度来判断运动物体的运动区域，进而判断物体的运动趋势，最后调整用于拍摄运动物体的摄像机。整个检测和跟踪过程无需考虑背景的影响，并且具有比较高的跟踪精度，适用范围广。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的一种运动目标检测与跟踪方法的最优实施例的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
如图1所示，本发明提供了一种运动目标检测与跟踪方法，包括以下步骤：
S1、将输入的图像序列中的连续的三帧的序号记为i-1、i和i+1，连续三帧图像依次为f(x，y，i-1)、f(x，y，i)和f(x，y，i+1)，其中序号为i的图像f(x，y，i)为当前帧图像，序号为i-1的图像f(x，y，i-1)为上一帧图像，序号为i+1的图像f(x，y，i+1)为下一帧图像。将图像序列中的任意像素点记为(x，y)。
接着我们通过相邻图像的帧差来度量图像序列的帧级差异度M(x，y)。帧级差异度M(x，y)的数学模型由以下公式确定：
式中，T为衡量相邻图像的帧差的大小的阈值，在本实施例中将阈值T设置为15。
然后我们可以通过两两差分运算的方式求出上一帧图像f(x，y，i-1)和当前帧图像f(x，y，i)之间的二值差分图像Df(x，y，i-1，i)，再求出当前帧图像f(x，y，i)与下一帧图像f(x，y，i+1)之间的二值差分图像Df(x，y，i，i+1)。
通过对Df(x，y，i-1，i)和f(x，y，i，i+1)进行与运算我们可以得到前一帧、当前帧和下一帧图像之间的不同部分的集合Df(x，y，i)，Df(x，y，i)的数学模型由以下公式确定：
Df(x，y，i)＝Df(x，y，i-1，i)∩Df(x，y，i，i+1)
由上式可知，只有当Df(x，y，i-1，i)＝255和Df(x，y，i，i+1)＝255同时成立时，Df(x，y，i)＝255才成立。
如果Df(x，y，i)＝255成立则表示连续三帧图像中出现有不同的部分，即连续三帧图像中有发生运动的区域，有运动物体的存在，进入步骤S2。
Df(x，y，i)则表示连续三帧图像中的不同部分的集合，这些集合表现为一个个的白点，255即为白色所代表的数值。
这些白点在不同的情况下代表不同的含义。对于摄像头静止时拍摄的画面来说，这些白点可以表示为运动物体的边缘、运动物体上的一些显著特征和编码图像时产生的噪声与块现象等。
如果Df(x，y，i)＝255不成立则说明连续三帧图像中没有发现不同的部分，即没有运动物体的存在，然后输入新的序列图像，然后重复步骤S1。
S2、在步骤S1中可知存在候选运动区域，但是并不能确定具体的候选运动区域的位置。我们将有白点的区域定义为目标区域MR，然后以目标区域MR的中心为原点向四周扩大两倍大小形成候选运动区域CR，再以候选运动区域CR的中心为原点向四周扩大两倍大小形成扩充区域ER。
然后，我们通过Df(x，y，i)的灰度直方图对比度来定义像素点(x，y)处的像素显著度SP(x，y)，像素显著度SP(x，y)的数学模型由以下公式确定：
SP(x，y)＝w(x，y)·Spixel(x，y)
式中，w(x，y)为差异性系数，Spixel(x，y)为像素点差异度。
候选运动区域CR和扩充区域ER相比，候选运动区域CR为白点的主要分布区域，而扩充区域ER内更多的是背景区域。更多的背景区域就意味着存在更多的背景噪声，会对运动物体的跟踪产生一定的影响，因此采用分布对比度来抑制背景噪声。差异性系数w(x，y)的数学模型由以下公式确定：
式中，为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图的最大差值；Hd(x，y)为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图在像素点(x，y)处的差值。
Spixel(x，y)定义为像素点(x，y)与候选运动区域CR内的其它所有像素点的色彩对比度，Spixel(x，y)的数学模型由以下公式确定：
式中，u为像素点(x，y)处的颜色值；fV为候选运动区域CR的归一化灰度直方图中颜色V对应的值；N为颜色深度值，在本实施例中，N的值为255。
S3、通过候选运动区域内的图像块相对于其它图像块的特殊性定义差异度SR。
将候选运动区域划分为M个图像块，每个图像块的特征性用此图像块的彩色直方图来表示。将i记为图像块的序号，将序号为i的图像块记为Ri，那么第i个图像块Ri的块级差异度SR(i)的数学模型由以下公式确定：
式中，M为候选运动区域中图像块的个数；farea(j)为图像块Ri占整个候选运动区域的百分比；Dc(i，j)表示图像块Ri和图像块Rj之间的色彩对比度，用图像块Ri的彩色直方图和图像块Rj的彩色直方图之间的距离来定义；fspatial(i)为空间权重系数，用于增加图像块的中心区域影响，降低图像块的靠近边缘区域的影响，fspatial(i)的数学模型由以下公式确定：
式中，用于度量图像块的边界与候选运动区域的边界的距离，的数学模型由以下公式确定：
用于度量当图像块的中心与候选运动区域的区域中心的距离，的数学模型由以下公式确定：
其中，W为局部区域的宽，H为局部区域的高，(Xc，Yc)为候选运动区域的中心坐标，(Xc(i)，Yc(i))为图像块Ri的中心坐标，Bt、Bb、Bl、Br分别为图像块Ri的最小外界矩形相对于局部区域上下左右坐标。
fspatial(i)与和的关系为：越大则越小，fspatial(i)越小，对应的图像块Ri的区域显著度越低。
S4、根据帧级差异度M(x，y)、像素级差异度SP(x，y)和块级差异度SR(i)计算最终差异度S(x，y)，最终差异度S(x，y)的数学模型由以下公式确定：
S(x，y)＝w1·M(x，y)+w2·SP(x，y)+w3·SR(x，y)
式中，w1为帧级差异度的权重系数；w2为像素级差异度的权重系数；w3为块级差异度的权重系数；w1、w2和w3之间的关系满足：w1+w2+w3＝1。
最终差异度S(x，y)用于判断Df(x，y，i)中是否存在属于运动物体的像素点，在本实施例中将最终差异度S(x，y)的阈值K的值为120。
当有像素点(x，y)的最终差异度S(x，y)大于阈值K时，像素点(x，y)为属于运动物体的像素点，同时证明候选运动区域中存在实际运动区域。
当没有像素点(x，y)的最终差异度S(x，y)大于阈值K时，则表示所有的像素点均不属于运动物体，同时证明候选运动区域中没有实际运动区域的存在，此时，需要输入新的图像序列，返回步骤S1。
最终差异度S(x，y)利用帧级差异度检测、像素级差异度检测和块级差异度检测的方法将Df(x，y，i)的候选运动区域中属于运动物体的像素点筛选出来，避免了编码图像时产生的噪声与块现象对运动目标的检测造成干扰。
S5、根据Df(x，y，i)中所有属于运动物体的像素点(Xi，Yi)计算出运动物体的重心(Xs，Ys)、实际运动区域的宽witch和实际运动区域的高height。
运动物体的重心(Xs，Ys)的数学模型由以下公式确定：
式中：Xs为重心的横坐标；Ys为中心的纵坐标；Xi为属于运动物体的像素点的横坐标；Yi为属于运动物体的像素点的纵坐标；M为属于运动物体的像素点的个数。
将属于运动物体的像素点的横坐标减去重心的横坐标然后求和，再求平均数的两倍得到运动区域的宽witch；将属于运动物体的像素点的纵坐标减去重心的纵坐标然后求和，再求平均数的两倍得到运动区域的高height。实际运动区域的宽witch和实际运动区域的高height由以下公式确定：
witch＝witchl+witchr
height＝heightt+heightb
根据前几帧中运动物体的重心和当前帧的运动物体的重心(Xs，Ys)就可以得到物体的运动轨迹和物体的运动趋势。
然后根据求出的实际运动区域在Df(x，y，i)中划分中心区域和实际有效区域。实际有效区域包含中心区域，中心区域包含实际运动区域。
在本实施例中，摄像机能够通过机械装置进行镜头的转动，摄像机和机械装置被固定在滑轨上，滑动模块能够驱动摄像机和机械装置沿着滑轨运动。
当实际运动区域位于中心区域内时，摄像头不需要转动，滑动模块也不需要工作。
当实际运动区域的一部分超出中心区域外并且位于中心区域和实际有效区域之间时，这就表示运动物体相对于图像的中间位置稍微有些偏转，需要滑动模块工作让摄像头沿着滑轨朝运动物体的运动趋势方向移动让运动物体重新回到图像的心位置。
当实际运动区域的边缘部分位于实际有效区域和中心区域之间并且靠近实际有效区域时，这就表示运动物体的一部分将要脱离图像所在区域，需要机械装置驱动摄像头朝运动物体的运动趋势方向转动让运动物体重新回到图像的心位置。
中心区域和实际有效区域的大小可以根据滑动模块和机械装置的反应速度对应调整。
将中心区域和实际有效区域的分为扩大可以减少摄像机和互动模组的工作次数，同时还能够减少计算量。但是如果滑动模块和机械装置的反应速度比较慢，这时就需要将中心区域和实际有效区域适当缩小，给予滑动模块和机械装置足够的反应时间。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种运动目标检测与跟踪方法，其特征在于，包括以下步骤：
S1、将输入的序列图像中的像素点记为(x，y)，通过相邻图像的帧差得到帧级差异度M(x，y)，根据相邻两帧图像之间的二值差分图像判断相邻的序列图像的二值差分图像中是否存在候选运动区域，若存在候选运动区域则进入步骤S2，若不存在候选运动区域则输入新的序列图像，重复步骤S1；
S2、根据差异性系数w(x，y)和像素点差异度Spixel(x，y)计算像素显著度SP(x，y)；
S3、根据空间权重系数fspatial(i)、面积权重farea(j)和色彩对比度Dc(i，j)计算块级差异度SR(i)；
S4、根据帧级差异度M(x，y)、像素级差异度SP(x，y)和块级差异度SR(i)计算最终差异度S(x，y)，根据最终差异度S(x，y)判断候是否存在属于运动物体的像素点，若存在则进入步骤S5，若不存在则输入新的序列图像，重复步骤S1；
S5、根据二值差分图像中属于运动物体的像素点的坐标计算出运动物体的重心(Xc，Yc)、实际运动区域的宽witch和实际运动区域的高height，根据运动物体的重心(Xc，Yc)和实际运动区域计算出运动物体的运动趋势，控制滑动模块和摄像机根据运动趋势做出对应的运动。
2.如权利要求1的一种运动目标检测与跟踪方法，其特征在于：
在步骤S1中，帧级差异度M(x，y)的数学模型由以下公式确定：
其中，f(x，y，i-1)和f(x，y，i)为序列图像中连续的两帧图像，i-1和i表示连续两帧的序号；
步骤S1还包括，计算前一帧f(x，y，i-1)和当前帧f(x，y，i)之间的二值差分图像Df(x，y，i-1，i)和当前帧f(x，y，i)与下一帧f(x，y，i+1)之间的二值差分图像Df(x，y，i，i+1)；
然后根据Df(x，y，i-1，i)和Df(x，y，i，i+1)得到Df(x，y，i)，Df(x，y，i)为前一帧、当前帧和下一帧图像之间的不同部分的集合，Df(x，y，i)的数学模型由以下公式确定：
Df(x，y，i)＝Df(x，y，i-1，i)∩Df(x，y，i，i+1)
由上式可以得出，当Df(x，y，i-1，i)＝255和Df(x，y，i，i+1)＝255同时成立时，Df(x，y，i)＝255才成立，若Df(x，y，i)＝255成立则表示存在候选运动区域，若Df(x，y，i)＝255不成立则表示不存在候选区域。
3.如权利要求2的一种运动目标检测与跟踪方法，其特征在于：
在步骤S2中，像素级差异度SP(x，y)的数学模型由以下公式确定：
SP(x，y)＝w(x，y)·Spixel(x，y)
式中，
w(x，y)为差异性系数；
Spixel(x，y)为像素点差异度；
为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图的最大差值；
Hd(x，y)为候选运动区域CR的归一化灰度直方图和扩充区域ER的归一化灰度直方图在像素点(x，y)处的差值；
u为像素点(x，y)处的颜色值；
fV为候选运动区域CR的归一化灰度直方图中颜色v对应的值；
N为颜色深度值，N的数值取255。
4.如权利要求3的一种运动目标检测与跟踪方法，其特征在于：
在步骤S3中，块级差异度SR(i)的数学模型由以下公式确定：
式中，
M为局部区域划分的块数；
farea(j)为Ri在局部区域内所占的面积比例；
Dc(i，j)为Ri和Rj之间的色彩对比度；
fspatial(i)用于增加中心偏移系数区域影响；
为中心偏移系数；
为边界偏移系数；
W为局部区域的宽；
H为局部区域的高；
(Xc，yc)为局部区域的中心坐标；
(Xc(i)，yc(i))为图像块Ri的中心坐标；
Bt、Bb、Bl、Br分别为图像块Ri最小外界矩形相对于局部区域上下左右坐标。
5.如权利要求4的一种运动目标检测与跟踪方法，其特征在于：
在步骤S4中，最终差异度S(x，y)的数学模型由以下公式确定：
S(x，y)＝w1·M(x，y)+w2·SP(x，y)+w3·SR(x，y)
式中，
w1为帧级差异度的权重系数；
w2为像素级差异度的权重系数；
w3为块级差异度的权重系数；
w1、w2和w3之间的关系满足：w1+w2+w3＝1；
最终差异度S(x，y)用于判断属于运动物体的像素点，像素点的最终差异度S(x，y)大于阈值K则说明存在属于运动物体的像素点，若二值差分图像中没有像素点满足最终差异度S(x，y)大于阈值K的条件则说明不存在属于运动物体的像素点，即不存在实际运动区域。
6.如权利要求5的一种运动目标检测与跟踪方法，其特征在于：
在步骤S5中，重心(Xc，Yc)的数学模型由以下公式确定：
式中：
Xc为重心的横坐标；
Yc为中心的纵坐标；
xi为属于运动物体的像素点的横坐标；
Yi为属于运动物体的像素点的纵坐标；
M为属于运动物体的像素点的个数；
实际运动区域的宽witch和实际运动区域的高height由以下公式确定：
witch＝witchl+witchr
height＝heightt+heightb
将属于运动物体的像素点的横坐标减去重心的横坐标然后求和，再求平均数的两倍得到运动区域的宽witch；
将属于运动物体的像素点的纵坐标减去重心的纵坐标然后求和，再求平均数的两倍得到运动区域的高height。
CN201910712617.9A 2019-08-02 2019-08-02 一种运动目标检测与跟踪方法 Active CN110619654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910712617.9A CN110619654B (zh) 2019-08-02 2019-08-02 一种运动目标检测与跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910712617.9A CN110619654B (zh) 2019-08-02 2019-08-02 一种运动目标检测与跟踪方法

Publications (2)

Publication Number Publication Date
CN110619654A true CN110619654A (zh) 2019-12-27
CN110619654B CN110619654B (zh) 2022-05-13

Family

ID=68921533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910712617.9A Active CN110619654B (zh) 2019-08-02 2019-08-02 一种运动目标检测与跟踪方法

Country Status (1)

Country Link
CN (1) CN110619654B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111671399A (zh) * 2020-06-18 2020-09-18 清华大学 噪声感知强度的测量方法、装置和电子设备
CN115950436A (zh) * 2023-03-13 2023-04-11 南京汽车人信息技术有限公司 运动物体于既定空间内的定位方法及***、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104079832A (zh) * 2014-06-30 2014-10-01 苏州科达科技股份有限公司 一种一体化摄像机自动跟踪聚焦方法及***
CN104091348A (zh) * 2014-05-19 2014-10-08 南京工程学院 融合显著特征和分块模板的多目标跟踪方法
CN107146238A (zh) * 2017-04-24 2017-09-08 西安电子科技大学 基于特征块优选的运动目标跟踪方法
CN107330916A (zh) * 2017-06-15 2017-11-07 精伦电子股份有限公司 一种运动物体检测方法及***
CN109063659A (zh) * 2018-08-08 2018-12-21 北京佳讯飞鸿电气股份有限公司 运动目标的检测与跟踪方法和***
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091348A (zh) * 2014-05-19 2014-10-08 南京工程学院 融合显著特征和分块模板的多目标跟踪方法
CN104079832A (zh) * 2014-06-30 2014-10-01 苏州科达科技股份有限公司 一种一体化摄像机自动跟踪聚焦方法及***
CN107146238A (zh) * 2017-04-24 2017-09-08 西安电子科技大学 基于特征块优选的运动目标跟踪方法
CN107330916A (zh) * 2017-06-15 2017-11-07 精伦电子股份有限公司 一种运动物体检测方法及***
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
CN109063659A (zh) * 2018-08-08 2018-12-21 北京佳讯飞鸿电气股份有限公司 运动目标的检测与跟踪方法和***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111671399A (zh) * 2020-06-18 2020-09-18 清华大学 噪声感知强度的测量方法、装置和电子设备
CN111671399B (zh) * 2020-06-18 2021-04-27 清华大学 噪声感知强度的测量方法、装置和电子设备
CN115950436A (zh) * 2023-03-13 2023-04-11 南京汽车人信息技术有限公司 运动物体于既定空间内的定位方法及***、存储介质

Also Published As

Publication number Publication date
CN110619654B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN107679520B (zh) 一种适用于复杂条件下的车道线视觉检测方法
US8340464B2 (en) Image processing method and image processing device
Denman et al. Improved simultaneous computation of motion detection and optical flow for object tracking
CN107292828B (zh) 图像边缘的处理方法和装置
KR101811718B1 (ko) 영상 처리 방법 및 장치
US10803609B2 (en) Image distance calculator and computer-readable, non-transitory storage medium storing image distance calculation program
WO2015070723A1 (zh) 眼部图像处理方法和装置
CN111612725B (zh) 一种基于可见光图像对比度增强的图像融合方法
US20130002810A1 (en) Outlier detection for colour mapping
CN110619654B (zh) 一种运动目标检测与跟踪方法
US20020114532A1 (en) Method and apparatus for deblurring and re-blurring image segments
US7764839B2 (en) Edge detecting apparatus and method, and image size enlarging and reducing apparatus and method
CN100363942C (zh) 一种图像的二值化方法
US20050018920A1 (en) Method and apparatus for flicker removal from an image sequence
KR100965800B1 (ko) 차량 영상 검지 및 속도 산출방법
KR20180040846A (ko) 영상 대조에 따른 두개의 에지 블러 파라미터 예측 방법
US20110085026A1 (en) Detection method and detection system of moving object
US9235773B2 (en) Image processing device capable of determining types of images accurately
CN110717910B (zh) 基于卷积神经网络的ct图像目标检测方法及ct扫描仪
CN110430400B (zh) 一种双目可运动摄像机的地平面区域检测方法
CN107223266B (zh) 用于边缘检测的分数阶微分算子的核近似
US20020154121A1 (en) Line segment detector
KR20030067199A (ko) 국부최대값을 이용한 에지발견 및 윤곽선 추출 방법
KR101612315B1 (ko) 이미지 보간 방법
CN108377379B (zh) 影像深度信息的优化方法与影像处理装置

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