CN112634319A - 视频背景与前景分离方法、***、电子装置及存储介质 - Google Patents

视频背景与前景分离方法、***、电子装置及存储介质 Download PDF

Info

Publication number
CN112634319A
CN112634319A CN202011580813.4A CN202011580813A CN112634319A CN 112634319 A CN112634319 A CN 112634319A CN 202011580813 A CN202011580813 A CN 202011580813A CN 112634319 A CN112634319 A CN 112634319A
Authority
CN
China
Prior art keywords
background
foreground
current frame
points
background model
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
CN202011580813.4A
Other languages
English (en)
Inventor
洪叁亮
赖众程
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011580813.4A priority Critical patent/CN112634319A/zh
Publication of CN112634319A publication Critical patent/CN112634319A/zh
Pending legal-status Critical Current

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
    • G06T7/215—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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种视频背景与前景分离方法，该方法包括：采用视频流前N帧图像初始化背景模型，其中每一帧中采用像素点的八邻域选择样本点；根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点；根据判断结果提取出所述当前帧图像中的前景目标和背景图像；根据判断出的所述背景点对所述背景模型进行更新。本发明还提供一种视频背景与前景分离***、电子装置及计算机可读存储介质。本发明提供的视频背景与前景分离方法、***、电子装置及计算机可读存储介质能够从视频流中实时地分离出背景和前景目标并提取出背景图像。

Description

视频背景与前景分离方法、***、电子装置及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种视频背景与前景分离方法、***、电子装置及计算机可读存储介质。
背景技术
在对监控视频等视频数据的应用场景中，经常需要从视频流中分离出背景(静态的)和前景目标(动态的)。目前业界普遍使用的背景与前景分离方法有：
基于光流法的分离方法，此类方法能够很好地适应动态场景的变化，但不足之处是由于算法复杂度高，在实际中难以使用。
基于帧间差分法的分离方法，将视频流中相邻两帧或相隔几帧图像的两幅图像像素值相减，并对相减后的图像进行阈值化来提取图像中的运动区域。此类方法能够很好应对光照突变的影响，但不足之处是容易产生空洞现象，影响检测效果。
基于背景建模的分离方法，其中高斯混合模型和视觉背景提取为主流方法。高斯混合模型利用K个高斯分布在时域上构建背景模型。视觉背景提取借鉴聚类的思路通过背景建模、前景检测和背景更新。此类方法具备较好的鲁棒性，算法计算量小，实时性好，但采用第一帧初始化背景模型，容易产生鬼影，影响检测结果。
综上所述，如何实现不产生鬼影和空洞现象并有效应对光照突变，简便且准确地对视频流进行实时的背景前景分离，已经成为一个亟待解决的技术问题。
发明内容
有鉴于此，本发明提出一种视频背景与前景分离方法、***、电子装置及计算机可读存储介质，以解决至少一个上述技术问题。
首先，为实现上述目的，本发明提出一种视频背景与前景分离方法，该方法包括步骤：
采用视频流前N帧图像初始化背景模型，其中每一帧中采用像素点的八邻域选择样本点；
根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点；
根据判断结果提取出所述当前帧图像中的前景目标和背景图像；及
根据判断出的所述背景点对所述背景模型进行更新。
可选地，所述采用视频流前N帧图像初始化背景模型包括：
在所述前N帧图像的每一帧中，采用任意像素点八邻域中等概率随机选择的M个样本点组成样本集；
根据所述前N帧图像的M*N个样本点构建初始化的所述背景模型，其中M和N均为正整数。
可选地，所述根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点包括：
计算所述当前帧图像中的任意一个第一像素点与所述背景模型中对应的样本点之间的多个欧式距离；
统计所述第一像素点对应的所述欧式距离中小于匹配阈值R的个数；
若所述个数大于或等于预设的第一阈值，则将所述第一像素点判断为背景点；
若所述个数小于所述第一阈值，则将所述第一像素点判断为前景点。
可选地，所述方法在根据所述背景模型对当前帧图像进行前景检测之前还包括：
采用自适应的背景扰动抑制算法确定所述匹配阈值R。
可选地，所述采用自适应的背景扰动抑制算法确定所述匹配阈值R包括：
计算所述当前帧图像中的像素点的像素值与所述背景模型中对应的样本点的像素值的差分和的均值；
当计算结果大于预设值时，增大所述匹配阈值R；
当计算结果小于或等于所述预设值时，保持所述匹配阈值R不变。
可选地，所述方法在根据所述背景模型对当前帧图像进行前景检测之前还包括：
判断所述当前帧图像是否发生光照突变；
当发生光照突变时，根据从当前帧开始的前N帧图像重新初始化所述背景模型。
可选地，所述判断所述当前帧图像是否发生光照突变包括：
计算所述当前帧图像中每个像素点的像素值与前一帧对应像素点的像素值之间的差异；
当所述差异大于预设的第二阈值时，将对应的所述像素点确定为光照突变的像素点；
统计所述当前帧图像中确定出的所述光照突变的像素点的个数；
计算所述光照突变的像素点的个数与所述当前帧图像中像素点总个数的比值；
当所述比值大于预设的第三阈值时，确定所述当前帧图像发生了光照突变；
当所述比值小于或等于所述第三阈值时，确定所述当前帧图像未发生光照突变。
此外，为实现上述目的，本发明还提供一种视频背景与前景分离***，所述***包括：
构建模块，用于采用视频流前N帧图像初始化背景模型，其中每一帧中采用像素点的八邻域选择样本点；
检测模块，用于根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点；
提取模块，用于根据判断结果提取出所述当前帧图像中的前景目标和背景图像；
更新模块，用于根据判断出的所述背景点对所述背景模型进行更新。
进一步地，为实现上述目的，本发明还提供一种电子装置，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的视频背景与前景分离程序，所述视频背景与前景分离程序被所述处理器执行时实现如上述的视频背景与前景分离方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有视频背景与前景分离程序，所述视频背景与前景分离程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的视频背景与前景分离方法的步骤。
相较于现有技术，本发明所提出的视频背景与前景分离方法、***、电子装置及计算机可读存储介质，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本发明采用连续多帧建立背景模型，避免了现有方案只用首帧进行背景模型初始化不易消除鬼影的局限性，使得背景模型具备更多真实可靠的背景信息，加快消除鬼影的速度。
附图说明
图1是本发明电子装置一可选的硬件架构的示意图；
图2是本发明视频背景与前景分离***第一实施例的程序模块示意图；
图3是本发明视频背景与前景分离***第二实施例的程序模块示意图；
图4是本发明视频背景与前景分离***第三实施例的程序模块示意图；
图5是本发明视频背景与前景分离方法第一实施例的流程示意图；
图6是本发明视频背景与前景分离方法第二实施例的流程示意图；
图7是本发明视频背景与前景分离方法第三实施例的流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明电子装置2一可选的硬件架构的示意图。
本实施例中，所述电子装置2可包括，但不仅限于，可通过***总线相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-13的电子装置2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述电子装置2可以是服务器或其他具有运算能力的电子化设备。所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，并且可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子装置2的内部存储单元，例如该电子装置2的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子装置2的外部存储设备，例如该电子装置2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子装置2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述电子装置2的操作***和各类应用软件，例如视频背景与前景分离***200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置2的总体操作。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述的视频背景与前景分离***200等。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述电子装置2与其他电子设备之间建立通信连接。
至此，己经详细介绍了本发明相关设备的硬件结构和功能。下面，将基于上述介绍提出本发明的各个实施例。
首先，本发明提出一种视频背景与前景分离***200。
参阅图2所示，是本发明视频背景与前景分离***200第一实施例的程序模块图。
本实施例中，所述视频背景与前景分离***200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明各实施例的视频背景与前景分离操作。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，视频背景与前景分离***200可以被划分为一个或多个模块。例如，在图2中，所述视频背景与前景分离***200可以被分割成构建模块201、检测模块202、提取模块203、更新模块204。其中：
所述构建模块201，用于采用视频流前N帧初始化背景模型。
为了避免仅采用第一帧初始化背景模型会产生鬼影等缺陷，本实施例采用视频流前N帧图像来初始化背景模型。
对于任一像素点x，在第i帧处的像素值为Vi(x)。在视频流的第i帧中，采用像素点x八邻域中等概率随机选择的M个样本点组成样本集Bi(x)。即：
Figure BDA0002864384250000071
从第一帧到第N帧，总共M*N个样本点用于构建初始化的背景模型。
其中M和N均为正整数。例如，M和N的取值可以分别为20和6。
本实施例所构建的背景模型既有空域信息又有时域信息，空域信息使得背景模型具备了随机性，时域信息使得背景模型具备多样性。
所述检测模块202，用于根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点。
在完成所述背景模型的初始化后，即可对当前帧进行前景检测。在本实施例中，所述前景检测具体包括：计算当前帧中的任意像素点与所述背景模型中对应的像素点之间欧式距离，统计欧式距离小于所述匹配阈值R的个数，若所述个数大于等于经验阈值Tmin，则将所述像素点判断为背景点，反之为前景点。其中所述阈值Tmin取值可以为2。
所述提取模块203，用于根据判断结果提取出前景目标和背景图像。
在进行前景检测判断出当前帧的所述前景点和背景点后，可以采用现有的任意可行的方式提取出当前帧的所述前景目标和背景图像，在此不再赘述。
所述更新模块204，用于根据判断出的所述背景点对所述背景模型进行更新。
背景模型更新是用判断为背景点的像素点替代所述背景模型中的样本值。在背景模型更新中，判断为背景点的像素点有
Figure BDA0002864384250000081
的概率替代所述背景模型中的任意一个样本值，
Figure BDA0002864384250000082
为时间二次抽样因子，同时也有
Figure BDA0002864384250000083
的概率随机更新邻域像素的背景模型。其中
Figure BDA0002864384250000084
取值可以为16。在背景模型更新之后，下一个当前帧则采用新的所述背景模型进行前景检测。
本实施例提供的视频背景与前景分离***，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本***采用连续多帧建立背景模型，避免了现有方案只用首帧进行背景模型初始化不易消除鬼影的局限性，使得背景模型具备更多真实可靠的背景信息，加快消除鬼影的速度。
参阅图3所示，是本发明视频背景与前景分离***200第二实施例的程序模块图。本实施例中，所述的视频背景与前景分离***200除了包括第一实施例中的所述构建模块201、检测模块202、提取模块203、更新模块204之外，还包括调整模块205。
所述调整模块205，用于采用自适应的背景扰动抑制算法确定匹配阈值R。
如果像素点x以固定的匹配阈值R为半径的欧式空间来匹配所述背景模型，这样全程不变的阈值对于静态背景没有影响，但在动态背景扰动下会将虚假的背景点检测为前景点。因此，需要采用一种自适应的背景扰动抑制算法来确定所述匹配阈值R，以克服这种缺陷。也就是说，将所述匹配阈值R根据环境调整大小，增强算法的自适应背景变化能力。
在本实施例中，衡量背景扰动影响的指标μ(x)为：
Figure BDA0002864384250000091
即计算当前帧像素点x的像素值与所述背景模型中的背景样本像素值差分和的均值。μ(x)越大，表明背景有明显的扰动，应增大所述匹配阈值R(x)抑制背景扰动的影响；μ(x)越小，表明背景趋于平稳。R(x)的判断策略如下：
Figure BDA0002864384250000092
其中，α为自增适应参数，取值可以为0.05；δ为尺度因子，取值可以为5；Ri(x)和Ri -1(x)分别表示像素点x在第i帧和第i-1帧的匹配阈值。当背景扰动程度较大时，则在前一帧像素点的匹配阈值基础上进行增大，背景趋于稳定时则保持原匹配阈值。
另外，考虑到当背景扰动程度一直较大时Ri(x)会无限增大，因此需要给Ri(x)设置一个上限Rmax(例如Rmax＝30)。
Figure BDA0002864384250000093
在所述调整模块205确定当前帧的匹配阈值R之后，再触发所述检测模块202根据所述背景模型和所确定的所述匹配阈值R对当前帧图像进行前景检测，判断出前景点和背景点。
本实施例提供的视频背景与前景分离***，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本***采用一种自适应的背景扰动抑制算法确定前景检测时的匹配阈值，增强了算法的自适应背景变化能力。
参阅图4所示，是本发明视频背景与前景分离***200第三实施例的程序模块图。本实施例中，所述的视频背景与前景分离***200在上述第一实施例或第二实施例的基础上，还包括判断模块206。
所述判断模块206，用于判断当前帧是否发生光照突变。
在本实施例中，光照突变判断依据为：若当前帧发生光照突变，其像素点的像素值与前一帧的像素值表现差异较大。
每个像素点当前帧与前一帧的像素值差异为：f(x)＝Vi(x)-Vi-1(x)。设经验阈值η，若f(x)大于阈值η，则将该像素点归纳为光照突变的像素点。然后统计发生光照突变的像素点的个数C1，并计算其与当前帧像素点总数C的比值。当该比值大于阈值ф时，则表明当前帧发生了光照突变。当该比值小于等于阈值ф时，则表明当前帧未发生光照突变。其中η和ф取值分别可以为5和0.7。
当发生光照突变时，触发所述构建模块201从当前帧开始重新初始化所述背景模型。
具体地，基于从当前帧开始的前N帧，按照上述第一实施例中的背景模型初始化方式重新快速地初始化所述背景模型。也就是说，从当前帧以及后面的N-1帧中选择M*N个样本点，重新构建初始化的背景模型。然后触发所述调整模块205和所述检测模块202，以新的背景模型为基础进行后续处理。
当未发生光照突变时，则不需要重新初始化所述背景模型，直接触发所述调整模块205和所述检测模块202进行后续处理。
本实施例提供的视频背景与前景分离***，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本***采用一种光照突变抑制方法有效快速地促进背景模型更新，可以很好地应对光照突变的影响。
此外，本发明还提出一种视频背景与前景分离方法。
参阅图5所示，是本发明视频背景与前景分离方法第一实施例的流程示意图。在本实施例中，根据不同的需求，图5所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。该方法包括：
步骤S400，采用视频流前N帧初始化背景模型。
为了避免仅采用第一帧初始化背景模型会产生鬼影等缺陷，本实施例采用视频流前N帧图像来初始化背景模型。
对于任一像素点x，在第i帧处的像素值为Vi(x)。在视频流的第i帧中，采用像素点x八邻域中等概率随机选择的M个样本点组成样本集Bi(x)。即：
Figure BDA0002864384250000111
从第一帧到第N帧，总共M*N个样本点用于构建初始化的背景模型。
其中M和N均为正整数。例如，M和N的取值可以分别为20和6。
本实施例所构建的背景模型既有空域信息又有时域信息，空域信息使得背景模型具备了随机性，时域信息使得背景模型具备多样性。
步骤S402，根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点。
在完成所述背景模型的初始化后，即可对当前帧进行前景检测。在本实施例中，所述前景检测具体包括：计算当前帧中的任意像素点与所述背景模型中对应的像素点之间欧式距离，统计欧式距离小于匹配阈值R的个数，若所述个数大于等于经验阈值Tmin，则将所述像素点判断为背景点，反之为前景点。其中所述阈值Tmin取值可以为2。
步骤S404，根据判断结果提取出前景目标和背景图像。
在进行前景检测判断出当前帧的所述前景点和背景点后，可以采用现有的任意可行的方式提取出当前帧图像中的所述前景目标和背景图像，在此不再赘述。
步骤S406，根据判断出的所述背景点对所述背景模型进行更新。
背景模型更新是用判断为背景点的像素点替代所述背景模型中的样本值。在背景模型更新中，判断为背景点的像素点有
Figure BDA0002864384250000112
的概率替代所述背景模型中的任意一个样本值，
Figure BDA0002864384250000113
为时间二次抽样因子，同时也有
Figure BDA0002864384250000114
的概率随机更新邻域像素的背景模型。其中
Figure BDA0002864384250000115
取值可以为16。在背景模型更新之后，下一个当前帧则采用新的所述背景模型进行前景检测。
本实施例提供的视频背景与前景分离方法，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本方法采用连续多帧建立背景模型，避免了现有方案只用首帧进行背景模型初始化不易消除鬼影的局限性，使得背景模型具备更多真实可靠的背景信息，加快消除鬼影的速度。
如图6所示，是本发明视频背景与前景分离方法的第二实施例的流程示意图。本实施例中，所述视频背景与前景分离方法在上述第一实施例的基础上还包括步骤S502。根据不同的需求，图6所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
该方法包括以下步骤：
步骤S500，采用视频流前N帧初始化背景模型。
为了避免仅采用第一帧初始化背景模型会产生鬼影等缺陷，本实施例采用视频流前N帧图像来初始化背景模型。
对于任一像素点x，在第i帧处的像素值为Vi(x)。在视频流的第i帧中，采用像素点x八邻域中等概率随机选择的M个样本点组成样本集Bi(x)。即：
Figure BDA0002864384250000121
从第一帧到第N帧，总共M*N个样本点用于构建初始化的背景模型。
其中M和N均为正整数。例如，M和N的取值可以分别为20和6。
本实施例所构建的背景模型既有空域信息又有时域信息，空域信息使得背景模型具备了随机性，时域信息使得背景模型具备多样性。
步骤S502，采用自适应的背景扰动抑制算法确定匹配阈值R。
如果像素点x以固定的匹配阈值R为半径的欧式空间来匹配所述背景模型，这样全程不变的阈值对于静态背景没有影响，但在动态背景扰动下会将虚假的背景点检测为前景点。因此，需要采用一种自适应的背景扰动抑制算法来确定所述匹配阈值R，以克服这种缺陷。也就是说，将所述匹配阈值R根据环境调整大小，增强算法的自适应背景变化能力。
在本实施例中，衡量背景扰动影响的指标μ(x)为：
Figure BDA0002864384250000131
即计算当前帧像素点x的像素值与所述背景模型中的背景样本像素值差分和的均值。μ(x)越大，表明背景有明显的扰动，应增大所述匹配阈值R(x)抑制背景扰动的影响；μ(x)越小，表明背景趋于平稳。R(x)的判断策略如下：
Figure BDA0002864384250000132
其中，α为自增适应参数，取值可以为0.05；δ为尺度因子，取值可以为5；Ri(x)和Ri -1(x)分别表示像素点x在第i帧和第i-1帧的匹配阈值。当背景扰动程度较大时，则在前一帧像素点的匹配阈值基础上进行增大，背景趋于稳定时则保持原匹配阈值。
另外，考虑到当背景扰动程度一直较大时Ri(x)会无限增大，因此需要给Ri(x)设置一个上限Rmax(例如Rmax＝30)。
Figure BDA0002864384250000133
步骤S504，根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点。
在完成所述背景模型的初始化后，即可对当前帧进行前景检测。在本实施例中，所述前景检测具体包括：计算当前帧中的任意像素点与所述背景模型中对应的像素点之间欧式距离，统计欧式距离小于所述匹配阈值R的个数，若所述个数大于等于经验阈值Tmin，则将所述像素点判断为背景点，反之为前景点。其中所述阈值Tmin取值可以为2。
步骤S506，根据判断结果提取出前景目标和背景图像。
在进行前景检测判断出当前帧的所述前景点和背景点后，可以采用现有的任意可行的方式提取出当前帧的所述前景目标和背景图像，在此不再赘述。
步骤S508，根据判断出的所述背景点对所述背景模型进行更新。
背景模型更新是用判断为背景点的像素点替代所述背景模型中的样本值。在背景模型更新中，判断为背景点的像素点有
Figure BDA0002864384250000141
的概率替代所述背景模型中的任意一个样本值，
Figure BDA0002864384250000142
为时间二次抽样因子，同时也有
Figure BDA0002864384250000143
的概率随机更新邻域像素的背景模型。其中
Figure BDA0002864384250000144
取值可以为16。在背景模型更新之后，下一个当前帧则采用新的所述背景模型进行前景检测。
本实施例提供的视频背景与前景分离方法，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本方法采用一种自适应的背景扰动抑制算法确定前景检测时的匹配阈值，增强了算法的自适应背景变化能力。
如图7所示，是本发明视频背景与前景分离方法的第三实施例的流程示意图。本实施例中，所述视频背景与前景分离方法在上述第一实施例或第二实施例的基础上还包括步骤S602-S604。根据不同的需求，图7所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
该方法包括以下步骤：
步骤S600，采用视频流前N帧初始化背景模型。
为了避免仅采用第一帧初始化背景模型会产生鬼影等缺陷，本实施例采用视频流前N帧图像来初始化背景模型。
对于任一像素点x，在第i帧处的像素值为Vi(x)。在视频流的第i帧中，采用像素点x八邻域中等概率随机选择的M个样本点组成样本集Bi(x)。即：
Figure BDA0002864384250000145
从第一帧到第N帧，总共M*N个样本点用于构建初始化的背景模型。
其中M和N均为正整数。例如，M和N的取值可以分别为20和6。
本实施例所构建的背景模型既有空域信息又有时域信息，空域信息使得背景模型具备了随机性，时域信息使得背景模型具备多样性。
步骤S602，判断当前帧是否发生光照突变。当发生光照突变时，执行步骤S604；当未发生光照突变时，执行步骤S606。
在本实施例中，光照突变判断依据为：若当前帧发生光照突变，其像素点的像素值与前一帧的像素值表现差异较大。
每个像素点当前帧与前一帧的像素值差异为：f(x)＝Vi(x)-Vi-1(x)。设经验阈值η，若f(x)大于阈值η，则将该像素点归纳为光照突变的像素点。然后统计发生光照突变的像素点的个数C1，并计算其与当前帧像素点总数C的比值。当该比值大于阈值ф时，则表明当前帧发生了光照突变。当该比值小于等于阈值ф时，则表明当前帧未发生光照突变。其中η和ф取值分别可以为5和0.7。
步骤S604，从当前帧开始重新初始化所述背景模型。
具体地，基于从当前帧开始的前N帧，按照上述步骤S600的背景模型初始化方式重新快速地初始化所述背景模型。也就是说，从当前帧以及后面的N-1帧中选择M*N个样本点，重新构建初始化的背景模型。然后执行步骤S606，以新的背景模型为基础进行后续步骤。
步骤S606，采用自适应的背景扰动抑制算法确定匹配阈值R。
如果像素点x以固定的匹配阈值R为半径的欧式空间来匹配所述背景模型，这样全程不变的阈值对于静态背景没有影响，但在动态背景扰动下会将虚假的背景点检测为前景点。因此，需要采用一种自适应的背景扰动抑制算法来确定所述匹配阈值R，以克服这种缺陷。也就是说，将所述匹配阈值R根据环境调整大小，增强算法的自适应背景变化能力。
在本实施例中，衡量背景扰动影响的指标μ(x)为：
Figure BDA0002864384250000151
即计算当前帧像素点x的像素值与所述背景模型中的背景样本像素值差分和的均值。μ(x)越大，表明背景有明显的扰动，应增大所述匹配阈值R(x)抑制背景扰动的影响；μ(x)越小，表明背景趋于平稳。R(x)的判断策略如下：
Figure BDA0002864384250000161
其中，α为自增适应参数，取值可以为0.05；δ为尺度因子，取值可以为5；Ri(x)和Ri -1(x)分别表示像素点x在第i帧和第i-1帧的匹配阈值。当背景扰动程度较大时，则在前一帧像素点的匹配阈值基础上进行增大，背景趋于稳定时则保持原匹配阈值。
另外，考虑到当背景扰动程度一直较大时Ri(x)会无限增大，因此需要给Ri(x)设置一个上限Rmax(例如Rmax＝30)。
Figure BDA0002864384250000162
步骤S608，根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点。
在完成所述背景模型的初始化后，即可对当前帧进行前景检测。在本实施例中，所述前景检测具体包括：计算当前帧中的任意像素点与所述背景模型中对应的像素点之间欧式距离，统计欧式距离小于所述匹配阈值R的个数，若所述个数大于等于经验阈值Tmin，则将所述像素点判断为背景点，反之为前景点。其中所述阈值Tmin取值可以为2。
步骤S610，根据判断结果提取出前景目标和背景图像。
在进行前景检测判断出当前帧的所述前景点和背景点后，可以采用现有的任意可行的方式提取出当前帧的所述前景目标和背景图像，在此不再赘述。
步骤S612，根据判断出的所述背景点对所述背景模型进行更新。
背景模型更新是用判断为背景点的像素点替代所述背景模型中的样本值。在背景模型更新中，判断为背景点的像素点有
Figure BDA0002864384250000163
的概率替代所述背景模型中的任意一个样本值，
Figure BDA0002864384250000164
为时间二次抽样因子，同时也有
Figure BDA0002864384250000165
的概率随机更新邻域像素的背景模型。其中
Figure BDA0002864384250000166
取值可以为16。在背景模型更新之后，下一个当前帧则采用新的所述背景模型进行前景检测。
本实施例提供的视频背景与前景分离方法，可以从视频流中实时地分离出背景(静态的)和前景目标(动态的)并提取出背景图像。并且，本方法采用一种光照突变抑制方法有效快速地促进背景模型更新，可以很好地应对光照突变的影响。
本发明还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有视频背景与前景分离程序，所述视频背景与前景分离程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的视频背景与前景分离方法的步骤。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种视频背景与前景分离方法，其特征在于，所述方法包括：
采用视频流前N帧图像初始化背景模型，其中每一帧中采用像素点的八邻域选择样本点；
根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点；
根据判断结果提取出所述当前帧图像中的前景目标和背景图像；及
根据判断出的所述背景点对所述背景模型进行更新。
2.如权利要求1所述的方法，其特征在于，所述采用视频流前N帧图像初始化背景模型包括：
在所述前N帧图像的每一帧中，采用任意像素点八邻域中等概率随机选择的M个样本点组成样本集；
根据所述前N帧图像的M*N个样本点构建初始化的所述背景模型，其中M和N均为正整数。
3.如权利要求1所述的方法，其特征在于，所述根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点包括：
计算所述当前帧图像中的任意一个第一像素点与所述背景模型中对应的样本点之间的多个欧式距离；
统计所述第一像素点对应的所述欧式距离中小于匹配阈值R的个数；
若所述个数大于或等于预设的第一阈值，则将所述第一像素点判断为背景点；
若所述个数小于所述第一阈值，则将所述第一像素点判断为前景点。
4.如权利要求3所述的方法，其特征在于，所述方法在根据所述背景模型对当前帧图像进行前景检测之前还包括：
采用自适应的背景扰动抑制算法确定所述匹配阈值R。
5.如权利要求4所述的方法，其特征在于，所述采用自适应的背景扰动抑制算法确定所述匹配阈值R包括：
计算所述当前帧图像中的像素点的像素值与所述背景模型中对应的样本点的像素值的差分和的均值；
当计算结果大于预设值时，增大所述匹配阈值R；
当计算结果小于或等于所述预设值时，保持所述匹配阈值R不变。
6.如权利要求1或4所述的方法，其特征在于，所述方法在根据所述背景模型对当前帧图像进行前景检测之前还包括：
判断所述当前帧图像是否发生光照突变；
当发生光照突变时，根据从当前帧开始的前N帧图像重新初始化所述背景模型。
7.如权利要求6所述的方法，其特征在于，所述判断所述当前帧图像是否发生光照突变包括：
计算所述当前帧图像中每个像素点的像素值与前一帧对应像素点的像素值之间的差异；
当所述差异大于预设的第二阈值时，将对应的所述像素点确定为光照突变的像素点；
统计所述当前帧图像中确定出的所述光照突变的像素点的个数；
计算所述光照突变的像素点的个数与所述当前帧图像中像素点总个数的比值；
当所述比值大于预设的第三阈值时，确定所述当前帧图像发生了光照突变；
当所述比值小于或等于所述第三阈值时，确定所述当前帧图像未发生光照突变。
8.一种视频背景与前景分离***，其特征在于，所述***包括：
构建模块，用于采用视频流前N帧图像初始化背景模型，其中每一帧中采用像素点的八邻域选择样本点；
检测模块，用于根据所述背景模型对当前帧图像进行前景检测，判断出前景点和背景点；
提取模块，用于根据判断结果提取出所述当前帧图像中的前景目标和背景图像；
更新模块，用于根据判断出的所述背景点对所述背景模型进行更新。
9.一种电子装置，其特征在于，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的视频背景与前景分离程序，所述视频背景与前景分离程序被所述处理器执行时实现如权利要求1-7中任一项所述的视频背景与前景分离方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有视频背景与前景分离程序，所述视频背景与前景分离程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7中任一项所述的视频背景与前景分离方法的步骤。
CN202011580813.4A 2020-12-28 2020-12-28 视频背景与前景分离方法、***、电子装置及存储介质 Pending CN112634319A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011580813.4A CN112634319A (zh) 2020-12-28 2020-12-28 视频背景与前景分离方法、***、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011580813.4A CN112634319A (zh) 2020-12-28 2020-12-28 视频背景与前景分离方法、***、电子装置及存储介质

Publications (1)

Publication Number Publication Date
CN112634319A true CN112634319A (zh) 2021-04-09

Family

ID=75325634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011580813.4A Pending CN112634319A (zh) 2020-12-28 2020-12-28 视频背景与前景分离方法、***、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN112634319A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442668A (zh) * 2022-07-21 2022-12-06 浙江大华技术股份有限公司 目标状态识别方法、设备及计算机可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599523A (zh) * 2019-09-10 2019-12-20 江南大学 一种融合帧间差分法的ViBe鬼影抑制方法
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110599523A (zh) * 2019-09-10 2019-12-20 江南大学 一种融合帧间差分法的ViBe鬼影抑制方法
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘志豪 等: "基于改进视觉背景提取算法的前景检测", 《小型微型计算机***》, vol. 41, no. 4, pages 758 - 762 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115442668A (zh) * 2022-07-21 2022-12-06 浙江大华技术股份有限公司 目标状态识别方法、设备及计算机可读存储介质
CN115442668B (zh) * 2022-07-21 2024-04-12 浙江大华技术股份有限公司 目标状态识别方法、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN108961303B (zh) 一种图像处理方法、装置、电子设备和计算机可读介质
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及***
CN109446061B (zh) 一种页面检测方法、计算机可读存储介质及终端设备
CN112184759A (zh) 一种基于视频的运动目标检测与跟踪方法及***
WO2021013049A1 (zh) 前景图像获取方法、前景图像获取装置和电子设备
CN113661497A (zh) 一种匹配方法、装置、电子设备及计算机可读存储介质
CN112800850A (zh) 一种视频处理方法、装置、电子设备及存储介质
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN111476814A (zh) 目标跟踪方法、装置、设备及存储介质
CN111160107B (zh) 一种基于特征匹配的动态区域检测方法
CN111383191B (zh) 用于血管断裂修复的图像处理方法及装置
CN112634319A (zh) 视频背景与前景分离方法、***、电子装置及存储介质
JP7014005B2 (ja) 画像処理装置及び方法、電子機器
EP4075381B1 (en) Image processing method and system
CN112907433A (zh) 数字水印嵌入方法、提取方法、装置、设备及介质
CN112084880A (zh) 一种图像处理方法、装置、存储介质及设备
CN115345895B (zh) 用于视觉检测的图像分割方法、装置、计算机设备及介质
CN116128922A (zh) 基于事件相机的物体掉落检测方法、装置、介质及设备
CN111369591A (zh) 一种运动物体的跟踪方法、装置及设备
CN108520259B (zh) 一种前景目标的提取方法、装置、设备及存储介质
CN111191006A (zh) 图例间连接关系的确定方法、装置和电子***
CN116012732A (zh) 一种视频生成方法、装置、设备和存储介质
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质
CN110580706A (zh) 一种视频背景模型的提取方法及装置
CN114549884A (zh) 一种异常图像检测方法、装置、设备及介质

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