CN101447082A - 一种运动目标实时检测方法 - Google Patents
一种运动目标实时检测方法 Download PDFInfo
- Publication number
- CN101447082A CN101447082A CNA2008102366750A CN200810236675A CN101447082A CN 101447082 A CN101447082 A CN 101447082A CN A2008102366750 A CNA2008102366750 A CN A2008102366750A CN 200810236675 A CN200810236675 A CN 200810236675A CN 101447082 A CN101447082 A CN 101447082A
- Authority
- CN
- China
- Prior art keywords
- model
- pixel
- target
- value
- background
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
一种运动目标实时检测方法,属于图像数据的处理方法,解决现有运动目标检测中背景建模方法在背景更新、背景扰动、虚假目标判断以及阴影抑制等方面存在的不足,使目标检测具有稳定性和实用性,用于处理复杂监控场景的运动目标检测。本发明包括:建立模型步骤,模型初始化步骤,目标检测与模型更新步骤,虚假目标处理步骤,阴影检测步骤,后处理步骤,确定目标区域步骤,背景的整体更新步骤和输出步骤。本发明提高了运动目标检测的准确性、鲁棒性和检测目标的完整性,更有效的检测运动目标,为目标分类、跟踪以及事件检测奠定了基础。
Description
技术领域
本发明属于图像数据的处理方法,具体涉及一种运动目标实时检测方法,用于从各种监控场景中自动检测运动目标。
背景技术
视频监控系统被广泛应用于银行、超市、停车场、住宅小区等各种场合,但是传统的监控系统一方面需要人工不间断的观察多个监控屏幕,不仅要花费大量的人力物力而且经常发生漏警和误警,不能做到实时有效的监控;另一方面无选择的存储监控数据,需要大量的存储空间,而且海量的数据使得检索特定的监控内容变得异常困难。随着计算机软硬技术的发展,视频监控的智能化成了发展的热点方向。智能监控系统具有高效报警、无人参与、视频标注等优点,具有广泛的应用前景。
在智能视频监控系统中,底层的运动目标提取(检测)是一个重要的步骤。提取出来的运动目标的完整性,对后续的识别与跟踪工作起着重要的作用。运动目标检测最简单的方法是帧差法,参见文献:Foresti GL.Object recognition andtracking for remote video surveillance[J].IEEE Transaction On Circuits andSystems for Video Technology,1999,9(7):1045-1062.但是这种方法只能提取出目标的轮廓,对噪声也非常敏感,因此实用性不强。背景差方法是另外一种应用比较广泛的运动目标检测方法,该方法通过对视频序列当前帧和参考背景(背景模型)的比较,当差大于某个阈值的时候,判断该像素属于前景(运动目标),否则属于背景。背景差法参见文献:C.Stauffer,and W.E.L.Grimson,“Adaptivebackground mixture models for real-time tracking,”Proc.Conf.Computer Vision andPattern Recognition(CVPR),1999.
背景差方法的研究主要集中在如何建立合适的背景模型,但由于监控场景的复杂性,目前的背景建模方法在背景更新、背景扰动、虚假目标判断以及阴影抑制等方面存在许多不足,使得目标检测具有不稳定性。因此,寻求一种更有效的背景建模方法是准确检测运动目标的途径之一。
发明内容:
本发明提出一种运动目标实时检测方法,解决现有运动目标检测中背景建模方法在背景更新、背景扰动、虚假目标判断以及阴影抑制等方面存在的不足,使目标检测具有稳定性和实用性,用于处理复杂监控场景的运动目标检测。
本发明的一种运动目标实时检测方法,包括:
(3)建立模型步骤:对第t帧图像中(i,j)位置处的像素Qi,j,t,建立M个高斯模型,Qi,j,t的像素值Xi,j,t为YUV色彩空间矢量:
Xi,j,t={Yi,j,t,Ui,j,t,Vi,j,t}T,
其概率密度函数P(Xi,j,t)为M个高斯模型的线性组合:
式中,ωi,j,t(k)、μi,j,t(k)和σi,j,t(k)分别为第r帧图像中(i,j)位置处的像素Qi,j,t第k个高斯模型的权值、在YUV色彩空间的均值矢量和标准方差矢量:
μi,j,t(k)={μi,j,t(kY),μi,j,t(kU),μi,j,t(kV)}T
σi,jt(k)={σi,j,t(kY),σi,j,t(kU),σi,j,t(kV)}T
σT i,j,t(k)表示σi,j,t(k)的转置,I为3×3的单位矩阵,M为3~5,1≤i≤R,1≤j≤C,R为图像的行数,C为图像的列数;
(4)模型初始化步骤:用第一帧图像中(i,j)位置处的像素Qi,j,1的像素值Xi,j,1初始化该像素处的M个高斯模型,
第k个高斯模型的权值ωi,j,1(k)=l/(2k+1), k=1~M,
第k个高斯模型的均值矢量μi,j,1(k)=Xi,j,1,k=1~M,
第k个高斯模型的标准方差Y分量σi,j,1(kY)取值为20~30,
第k个高斯模型的标准方差U、V分量σi,j,1(kU)和σi,j,1(kv)取值为10~20;
在M个高斯模型中,取权值ωi,j,1(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;
(3)目标检测与模型更新步骤:从第二帧图像开始,进行如下过程,形成二值图像:
(3.1)将像素Qi,j,t的像素值Xi,j,t依次与背景模型进行比较,判断其是否满足背景模型中的任何一个,是则像素Qi,j,t为背景,按背景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.2);
(3.2)将像素Qi,j,t的像素值Xi,j,t依次与前景模型进行比较,判断其是否满足前景模型中一个,是则像素Qi,j,t为目标,按前景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.3);
(3.3)将像素Qi,j,t判断为目标,更新候选模型,转过程(3.4);
(3.4)根据更新后的各模型权值再重新划分背景模型和前景模型,在M个高斯模型中,取权值ωi,j,t(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;
(4)虚假目标处理步骤:判断前述步骤二值图象中检测的目标是否为虚假目标;当前像素Qi,j,t被判断为目标,则根据下式再将Qi,j,t与重构背景进行比较,如果满足则认为是虚假目标,将Qi,j,t判断为背景,否则保留Qi,j,t为目标,得到去除虚假目标点的二值图象:
R(Qi,j,t)、G(Qi,j,t)、B(Qi,j,t)、U(Qi,j,t)、V(Qi,j,t)表示当前像素Qi,j,t的R、G、B和U、V值,RBg(Qi,j,t)、GBg(Qi,j,t)、BBg(Qi,j,t)、UBg(Qi,j,t)、VBg(Qi,j,t)表示当前像素Qi,j,t对应的重构背景的R、G、B和U、V值,判决阈值T1、T2、Tu1、Tu2、Tv1及Tv2的取值范围分别为:0.8~0.1、1.0~1.3、0.8~1.0、1.0~1.3、0.8~1.0及1.0~1.3;
当前像素Qi,j,t对应的重构背景值为:
RBg(Qi,j,t)=μi,j,t(maxR),
GBg(Qi,j,t)=μi,j,t(maxG),
BBg(Qi,j,t)=μi,j,t(maxB),
UBg(Qi,j,t)=μi,j,t(maxU),
VBg(Qi,j,t)=μi,j,t(maxv),
μi,j,t(maxR)、μi,j,t(maxG)、μi,j,t(maxB)、μi,j,t(maxU)、μi,j,t(maxV)分别表示当前像素Qi,j,t对应的M个高斯模型中权值最大的背景模型均值的R、G、B、U、V值;
(5)阴影检测步骤:先判断当前帧图像是否存在阴影,是则按如下过程检测并去除阴影,得到去除阴影的二值图象,转步骤(6);否则直接转步骤(6);
对保留为目标的像素Qi,j,t根据下列三式进行判断,三式同时满足,则像素Qi,j,t为阴影,将Qi,j,t判断为背景,否则保留Qi,j,t为目标:
(S(Qi,j,t)-SBg(Qi,j,t))≤τS,
|H(Qi,j,t)-HBg(Qi,j,t)|≤τH,
式中:H(Qi,j,t)、S(Qi,j,t)、V(Qi,j,t)与HBg(Qi,j,t)SBg(Qi,j,t)、VBg(Qi,j,t)分别表示当前像素Qi,j,t在HSV色彩空间中的H、S、V值以及与像素Qi,j,t对应的重构背景的H、S、V值,αS=0.4~0.5,βS=0.8~1.0,τS=0.05~0.1,τH=10~30;H、S、V值在HSV色彩空间中分别表示色度、饱和度、亮度;
(6)后处理步骤:为了使检测出的目标更完整,对步骤(4)和步骤(5)的结果进行如下处理:
式中F是最终结果二值图像,Ms是经过步骤(4)处理后得到的二值图像再经过形态学开运算的结果;M是经过步骤(5)处理后得到的二值图像再经过腐蚀去除孤立的点后的结果;SE为N×N的结构元素,N=3~7,表示以SE为结构元素对M做膨胀运算,∩表示取交集;
(7)确定目标区域步骤:
对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析,将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形,由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真实目标区域扩大10%~20%作为下一帧图像的预测目标区域;
(8)背景的整体更新步骤:
统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否小于该帧图像所有像素数量的50%~80%,是则背景不整体更新;否则背景整体更新,将整帧图像中各像素点的最大权值背景模型进行参数替换,用当前帧图像对应像素点的像素值代替最大权值背景模型的均值,最大权值背景模型的权值置为0.5~0.8,最大权值背景模型的标准方差置为20~30;
(9)输出步骤:输出检测结果,转步骤(3)检测下一帧图像,直到视频检测结束。
所述的运动目标实时检测方法,其特征在于:
所述目标检测与模型更新步骤中,将像素Qi,j,t的像素值Xi,j,t依次与背景模型和前景模型进行比较时,根据下式判别当前帧图像像素Qi,j,t的像素值Xi,j,t满足M个高斯模型的哪一个模型:
满足上式,则认为像素Qi,j,t满足第k个模型,不再进行比较,否则继续与下一个高斯模型进行比较,直到所有的高斯模型比较结束;式中W和λ是系数,当前像素Qi,j,t在预测目标区域外时,W=2.0~3.0,λ=10~20;当前像素Qi,j,t在预测目标区域内时,W=1.0~2.0,λ=5~10;开始检测时,认为当前像素Qi,j,t处于预测目标区域外,此后,则将上一帧图像真实目标区域扩展10%~20%作为当前帧图像的预测目标区域。
所述的运动目标实时检测方法,其特征在于:
所述目标检测与模型更新步骤中,更新像素Qi,j,t对应的M个高斯模型时,(1)所述背景模型和前景模型更新的过程为:
当前像素Qi,j,t的像素值Xi,j,t与已存在的第k个高斯模型匹配,
(1.1)匹配的高斯模型的权值按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αkMi,j,t(k),
式中,Mi,j,t(k)=1,
亮度最大间隔长度的函数αf:
其中,α=0.005~0.01,亮度最大间隔长度f定义为相同位置上的像素值出现在同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复出现,则f较小;
(1.2)匹配的高斯模型的均值和方差按下式更新:
式中 该模型属于前景模型时β取值为0.01~0.02,该模型属于背景模型时β取值为0.02~0.03;
(1.3)对于其他不匹配的M-1个模型,则权值更新时,取Mi,j,t(k)=0,αf=α,均值μi,j,t(k)和方差σ2 i,j,t(k)保持不变;
(2)所述候选高斯模型更新的过程为:
(2.1)判断当前是否存在候选高斯模型,是则转过程(2.2);否则生成一个高斯模型,用当前像素Qi,j,t的像素值Xi,j,t初始化该高斯模型的均值,并将其权值赋予0.05~0.15,标准方差为20~30,作为候选高斯模型,然后转过程(2.2);
(2.2)候选高斯模型的均值与方差更新与所述过程(1.2)相同;权值则按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αk
其中:
αk=1/(1+e0.1×(Term-c))
式中的常数Term用来控制前景像素保持静止后被融入为背景的时间,取值范围为50~500;计数器c计算当前像素的像素值与候选高斯模型匹配的次数;
(2.3)判断更新后的候选高斯模型权值是否大于阈值Tω(Tω取0.3~0.5),是则用候选高斯模型代替原有M个高斯模型中权值最小的一个,将该新高斯模型的权值设为0.1~0.2,并对M个高斯模型权值重新进行规一化,同时,候选高斯模型消亡,计数器c清零,结束候选高斯模型更新过程;否则直接结束候选高斯模型更新过程。
所述的运动目标实时检测方法,其特征在于:
所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为:
(1)在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相应像素的R、G、B值,若该点R、G、B值均小于其相应的背景R、G、B值,则将该点判为暗点,否则为亮点;
(2)统计暗点和亮点数目,分别记为nd和nb,并计算亮点的能量eb:
式中Ib、Ii、Nb、n分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、邻域集中像素个数,邻域集为四邻域或八邻域;
然后计算亮点所属集合Sb的能量Eb以及暗亮对比值参数Pd:
(3)根据Eb和Pd的值判断是否存在阴影,如果Eb<T1且Pd>T2则当前帧图像中存在阴影,否则不存在阴影,T1=20~30,T2=80~100。
本发明为每个像素点建立M个混合高斯模型以适应复杂的监控场景,并将M个模型分为背景、前景两类,为了能将场景中的树叶、水波等微小干扰运动排除在运动目标之外,在检测过程中建立了一个候选模型来描述这类运动,当候选模型的权重到达一定阈值时,将候选模型加入到背景模型中;三类模型拥有各自的更新方式,可以根据权值相互转换从而适应场景的复杂性。
本发明只需要输入的第一帧图像来初始化模型,第二帧以后可开始检测,不需要纯背景的采集,实用性更强;对虚假目标以及阴影的处理提高了运动目标检测的准确性;基于形态学的后处理方法提高了检测的完整性;为了能快速适应场景的突然变化(如光线骤变、场景改变等),提出了整体更新措施;因而更有效的检测运动目标,增强鲁棒性。
附图说明
图1:本发明流程示意图;
图2:目标检测与模型更新步骤流程示意图;
图3A:阴影场景视频输入的第93帧原始图像;
图3B:阴影场景视频第93帧图像目标检测与模型更新步骤后结果;
图3C:阴影场景视频第93帧图像虚假目标处理和阴影处理步骤后结果;
图3D:阴影场景视频第93帧图像后处理步骤后的最终结果;
图4A:阴影场景视频输入的第234帧原始图像;
图4B:阴影场景视频第234帧图像目标检测与模型更新步骤后结果;
图4C:阴影场景视频第234帧图像虚假目标处理和阴影处理步骤后结果;
图4D:阴影场景视频第234帧图像后处理步骤后的最终结果。
具体实施方式
图1为本发明流程示意图。
以下结合一个具体实例对本发明进一步说明。
(1)建立模型
从分辨率为320×240的阴影场景视频中读入一帧如图3A和图4A所示的原始图像,在YUV色彩空间对该帧图像的每一像素点进行混合高斯建模,使用4个高斯模型来表征图像中各个像素点的特征。设Xi,j,t为第t帧图像中位置为(i,j)(1≤i≤320,1≤j≤240),的像素Qi,j,t的像素值矢量,其值为{Yi,j,t,Ui,j,t,Vi,j,t}T,其概率密度函数P(Xi,j,t)能写成4个高斯模型的线性组合:
另外,为了适应背景扰动,在检测过程中将根据检测结果动态地生成一个候选模型,即如果某像素不满足4个模型中的任何一个,则生成一个候选模型。
(2)模型初始化
读入第一帧图像时,需要对混合高斯模型进行初始化,即用第一帧图像中(i,j)位置处的像素Qi,j,1的像素值Xi,j,1初始化该像素处的4个高斯模型:
第k个高斯模型的权值 ωi,j,1(k)=1/(2k+1), k=1~4
第k个高斯模型的均值矢量 μi,j,1(k)=Xi,j,1,k=1~4
第k个高斯模型的标准方差Y分量σi,j,1(kY)取值为20,
第k个高斯模型的标准方差U、V分量σi,j,1(kU)和σi,j,1(kV)取值为10;
在4个高斯模型中,取权值ωi,j,1(k)≥0.20的高斯模型表示背景模型,其余的为前景模型;
(3)目标检测与模型更新
从读入的第二帧图像开始,如图2所示,按照下述过程检测目标并更新混合高斯模型,形成如图3B和图4B所示的二值图像:
(3.1)目标检测
将第t帧图像中位置为(i,j)的像素Qi,j,t的像素值Xi,j,t按下式依次与像素Qi,j,t对应的背景模型和前景模型进行比较:
满足上式,则认为像素Qi,j,t满足第k个模型,当前像素Qi,j,t在预测目标区域外时,取W=2.5,λ=15;当前像素Qi,j,t在预测目标区域内时,取W=1.5,λ=6;开始检测时,认为当前像素Qi,j,t处于预测目标区域外,此后,则将上一帧图像真实目标区域扩展15%作为当前帧图像的预测目标区域。
如果像素Qi,j,t的像素值Xi,j,t满足背景模型中的任何一个高斯模型,则判定该点为背景点,并停止往下比较,转过程(3.2)进行模型更新;否则像素Qi,j,t的像素值Xi,j,t继续与表示前景的高斯模型比较,如果满足其中任意一个前景模型,则判定该点为目标点,同时转过程(3.2)进行模型更新;否则,先将像素Qi,j,t判断为目标点,然后转过程(3.3)
(3.2)模型更新
当前像素Qi,j,t的像素值Xi,j,t与已存在的第k个高斯模型匹配(该模型可能是背景也可能是前景),则该高斯模型的权值按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αkMi,j,t(k) (3)
式(3)中Mi,j,t(k)=1,
亮度最大间隔长度函数αf为:
其中,α=0.005,亮度最大间隔长度f定义为相同位置上的像素值出现在同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复出现,则f较小
该模型的均值和方差按式(6)更新:
(6)
式(6)中 其中β根据模型是否描述背景而取不同的值,以便控制背景更新和前景更新的速度,前景更新时,β=0.0125;背景更新时,β=0.025。
对于其他不匹配的3个模型则取Mi,j,t(k)=0,αf=α,而均值μi,j,t(k)和方差σ2 i,j,t(k)保持不变。
(3.3)候选模型的生成与更新
如果目前不存在候选高斯模型,则生成一个高斯模型,并用当前像素Qi,j,t的像素值Xi,j,t来初始化该高斯模型的均值,并赋予较小的权值为0.1,标准方差为20,作为候选高斯模型,然后更新候选高斯模型;否则,直接更新候选高斯模型:
候选高斯模型模型的均值与方差按式(6)进行更新,权值则按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αk (7)
其中:
αk=1/(1+e0.1×(Term-c)) (8)
式(8)中的常数Term用来控制前景像素保持静止后被融入为背景的时间,检测的前100帧,取Term=50;检测到100帧之后,取Term=200;计数器c用来计算当前像素的像素值与候选高斯模型匹配的次数。
如果更新后的候选高斯模型权值大于阈值0.3时,则用候选高斯模型代替原有4个高斯模型中权值最小的一个,并将权值设定为0.15,并对新的4个模型权值重新进行规一化;候选高斯模型消亡,计数器c清零,转过程(3.4);否则,直接转过程(3.4)
(3.4)重新划分背景模型和前景模型
模型更新完成后,根据权值再次对背景模型和前景模型进行划分:取权值ωi,j,t(k)≥0.20的高斯模型表示背景模型,其余的为前景模型。
(4)虚假目标处理
当前像素Qi,j,t被判断为目标,则根据下式再将Qi,j,t与重构背景进行比较,如果满足则认为是虚假目标,将Qi,j,t判断为背景,否则保留Qi,j,t为目标,得到去除虚假目标的二值图像:
式(9)中判决阈值T1、T2、Tu1、Tu2、Tv1及Tv2的取值分别取:0.85、1.25、0.9、1.2、0.9及1.2。
(5)阴影检测和抑制
如果在阴影存在性判断中,Eb<30并且Pd>0.9,则当前帧图像中存在阴影,需要按照以下方法检测并去除阴影,得到去除阴影的如图3C和图4C所示二值图像,转步骤(6);否则直接转步骤(6):
对保留为目标的像素Qi,j,t根据下列三式进行判断,三式同时满足,则像素Qi,j,t为阴影,将Qi,j,t判断为背景,否则保留Qi,j,t为目标:
(S(Qi,j,t)-SBg(Qi,j,t))≤τS, (10)
|H(Qi,j,t)-HBg(Qi,j,t)|≤τH,
式(10)中,αS=0.3,βS=0.95,τS=0.08,τH=30。
6)后处理步骤:为了使检测出的目标更完整,对步骤(4)和步骤(5)的结果进行如下处理:
式(11)中F是最终结果,如图3D和图4D所示,Ms是经过步骤(4)处理后得到的二值图像再经过模板大小为3×3的形态学开运算的结果;M是经过步骤(5)处理后得到的二值图再经过模板大小为3×3的腐蚀去除孤立的点后的结果;SE为3×3的结构元素;
(7)确定目标区域
对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析,将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形,由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真实目标区域扩大15%作为下一帧图像的预测目标区域;
(8)模型的整体更新
统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否小于该帧图像所有像素数量的65%,是则背景不整体更新;否则背景整体更新,将整帧图像中所有像素点的最大权值背景模型进行参数替换,用当前帧图像像素值代替均值,权值置为0.5,标准方差置为20。
(9)输出后最终检测结果,转步骤(3)检测下一帧图像,直到视频检测结束。
Claims (7)
1.一种运动目标实时检测方法,包括:
(1)建立模型步骤:对第t帧图像中(i,j)位置处的像素Qi,j,t,建立M个高斯模型,Qi,j,t的像素值Xi,j,t为YUV色彩空间矢量:
Xi,j,t={Yi,j,t,Ui,j,t,Vi,j,t}T,
其概率密度函数P(Xi,j,t)为M个高斯模型的线性组合:
式中,ωi,j,t(k)、μi,j,t(k)和σi,j,t(k)分别为第t帧图像中(i,j)位置处的像素Qi,j,t第k个高斯模型的权值、在YUV色彩空间的均值矢量和标准方差矢量:
μi,j,t(k)={μi,j,t(kY),μi,j,t(kU),μi,j,t(kV)}T
σi,j,t(k)={σi,j,t(kY),σi,j,t(kU),σi,j,t(kV)}T
σT i,j,t(k)表示σi,j,t(k)的转置,I为3×3的单位矩阵,M为3~5,1≤i≤R,1≤j≤C,R为图像的行数,C为图像的列数;
(2)模型初始化步骤:用第一帧图像中(i,j)位置处的像素Qi,j,1的像素值Xi,j,1初始化该像素处的M个高斯模型,
第k个高斯模型的权值ωi,j,1(k)=1/(2k+1), k=1~M,
第k个高斯模型的均值矢量μi,j,1(k)=Xi,j,1, k=1~M,
第k个高斯模型的标准方差Y分量σi,j,1(kY)取值为20~30,
第k个高斯模型的标准方差U、V分量σi,j,1(kU)和σi,j,1(kV)取值为10~20;
在M个高斯模型中,取权值ωi,j,1(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;
(3)目标检测与模型更新步骤:从第二帧图像开始,进行如下过程,形成二值图象:
(3.1)将像素Qi,j,t的像素值Xi,j,t依次与背景模型进行比较,判断其是否满足背景模型中的任何一个,是则像素Qi,j,t为背景,按背景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.2);
(3.2)将像素Qi,j,t的像素值Xi,j,t依次与前景模型进行比较,判断其是否满足前景模型中一个,是则像素Qi,j,t为目标,按前景模型更新其对应的M个高斯模型,转过程(3.4);否则进行过程(3.3);
(3.3)将像素Qi,j,t判断为目标,更新候选模型,转过程(3.4);
(3.4)根据更新后的各模型权值再重新划分背景模型和前景模型,在M个高斯模型中,取权值ωi,j,t(k)≥TH的高斯模型表示背景模型,其余的为前景模型,背景阈值TH=0.15~0.25;
(4)虚假目标处理步骤:判断前述步骤二值图象中检测的目标是否为虚假目标;当前像素Qi,j,t被判断为目标,则根据下式再将Qi,j,t与重构背景进行比较,如果满足则认为是虚假目标,将Qi,j,t判断为背景,否则保留Qi,j,t为目标,得到去除虚假目标点的二值图象:
R(Qi,j,t)、G(Qi,j,t)、B(Qi,j,t)、U(Qi,j,t)、V(Qi,j,t)表示当前像素Qi,j,t的R、G、B和U、V值,RBg(Qi,j,t)、GBg(Qi,j,t)、BBg(Qi,j,i)、UBg(Qi,j,t)、VBg(Qi,j,t)表示当前像素Qi,j,t对应的重构背景的R、G、B和U、V值,判决阈值T1、T2、Tu1、Tu2、Tv1及Tv2的取值范围分别为:0.8~0.1、1.0~1.3、0.8~1.0、1.0~1.3、0.8~1.0及1.0~1.3;
当前像素Qi,j,t对应的重构背景值为:
RBg(Qi,j,t)=μi,j,t(maxR),
GBg(Qi,j,t)=μi,j,t(maxG),
BBg(Qi,j,t)=μi,j,t(maxB),
UBg(Qi,j,t)=μi,j,t(maxU),
VBg(Qi,j,t)=μi,j,t(maxV),
μi,j,t(maxR)、μi,j,t(maxG)、μi,j,t(maxB)、μi,j,t(maxU)、μi,j,t(maxV)分别表示当前像素Qi,j,t对应的M个高斯模型中权值最大的背景模型均值的R、G、B、U、V值;
(5)阴影检测步骤:先判断当前帧图像是否存在阴影,是则按如下过程检测并去除阴影,得到去除阴影的二值图象,转步骤(6);否则直接转步骤(6);
对保留为目标的像素Qi,j,t根据下列三式进行判断,三式同时满足,则像素Qi,j,t为阴影,将Qi,j,t判断为背景,否则保留Qi,j,t为目标:
(S(Qi,j,t)-SBg(Qi,j,t))≤τS,
|H(Qi,j,t)-HBg(Qi,j,t)|≤τH,
式中:H (Qi,j,t)、S(Qi,j,t)、V(Qi,j,t)与HBg(Qi,j,t)SBg(Qi,j,t)、VBg(Qi,j,t)分别表示当前像素Qi,j,t在HSV色彩空间中的H、S、V值以及与像素Qi,j,t对应的重构背景的H、S、V值,αS=0.4~0.5,βS=0.8~1.0,τS=0.05~0.1,τH=10~30;H、S、V值在HSV色彩空间中分别表示色度、饱和度、亮度;
(6)后处理步骤:为了使检测出的目标更完整,对步骤(4)和步骤(5)的结果进行如下处理:
式中F是最终结果二值图像,Ms是经过步骤(4)处理后得到的二值图像再经过形态学开运算的结果;M是经过步骤(5)处理后得到的二值图像再经过腐蚀去除孤立的点后的结果;SE为N×N的结构元素,N=3~7, 表示以SE为结构元素对M做膨胀运算,∩表示取交集;
(7)确定目标区域步骤:
对步骤(6)形成的二值图像中保留为目标的所有像素做八邻域连通分析,将该帧图像中保留为目标的像素合并成目标块,并得到各个目标块的外接矩形,由各个目标块的外接矩形构成当前帧图像的真实目标区域,将当前帧图像的真实目标区域扩大10%~20%作为下一帧图像的预测目标区域;
(8)背景的整体更新步骤:
统计步骤(6)形成的二值图像中保留为目标的所有像素数量,判断其是否小于该帧图像所有像素数量的50%~80%,是则背景不整体更新;否则背景整体更新,将整帧图像中各像素点的最大权值背景模型进行参数替换,用当前帧图像对应像素点的像素值代替最大权值背景模型的均值,最大权值背景模型的权值置为0.5~0.8,最大权值背景模型的标准方差置为20~30;
(9)输出步骤:输出检测结果,转步骤(3)检测下一帧图像,直到视频检测结束。
2.如权利要求1所述的运动目标实时检测方法,其特征在于:
所述目标检测与模型更新步骤中,将像素Qi,j,t的像素值Xi,j,t依次与背景模型和前景模型进行比较时,根据下式判别当前帧图像像素Qi,j,t的像素值Xi,j,t满足M个高斯模型的哪一个模型:
满足上式,则认为像素Qi,j,t满足第k个模型,不再进行比较,否则继续与下一个高斯模型进行比较,直到所有的高斯模型比较结束;式中W和λ是系数,当前像素Qi,j,t在预测目标区域外时,W=2.0~3.0,λ=10~20;当前像素Qi,j,t在预测目标区域内时,W=1.0~2.0,λ=5~10;开始检测时,认为当前像素Qi,j,t处于预测目标区域外,此后,则将上一帧图像真实目标区域扩展10%~20%作为当前帧图像的预测目标区域。
3.如权利要求1或2所述的运动目标实时检测方法,其特征在于:
所述目标检测与模型更新步骤中,更新像素Qi,j,t对应的M个高斯模型时,(1)所述背景模型和前景模型更新的过程为:
当前像素Qi,j,t的像素值Xi,j,t与已存在的第k个高斯模型匹配,
(1.1)匹配的高斯模型的权值按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αkMi,j,t(k),
式中,Mi,j,t(k)=1,
亮度最大间隔长度的函数αf:
其中,α=0.005~0.01,亮度最大间隔长度f定义为相同位置上的像素值出现在同一亮度区间的最大间隔,描述类似场景是否反复出现,类似场景反复出现,则f较小;
(1.2)匹配的高斯模型的均值和方差按下式更新:
式中 该模型属于前景模型时β取值为0.01~0.02,该模型属于背景模型时β取值为0.02~0.03;
(1.3)对于其他不匹配的M-1个模型,则权值更新时,取Mi,j,t(k)=0,αf=α,均值μi,j,t(k)和方差σ2 i,j,t(k)保持不变;
(2)所述候选高斯模型更新的过程为:
(2.1)判断当前是否存在候选高斯模型,是则转过程(2.2);否则生成一个高斯模型,用当前像素Qi,j,t的像素值Xi,j,t初始化该高斯模型的均值,并将其权值赋予0.05~0.15,标准方差为20~30,作为候选高斯模型,然后转过程(2.2);
(2.2)候选高斯模型的均值与方差更新与所述过程(1.2)相同;权值则按下式更新:
ωi,j,t+1(k)=(1-αk)ωi,j,t(k)+αk
其中:
αk=1/(1+e0.1×(Term-c))
式中的常数Term用来控制前景像素保持静止后被融入为背景的时间,取值范围为50~500;计数器c计算当前像素的像素值与候选高斯模型匹配的次数;
(2.3)判断更新后的候选高斯模型权值是否大于阈值Tω(Tω取0.3~0.5),是则用候选高斯模型代替原有M个高斯模型中权值最小的一个,将该新高斯模型的权值设为0.1~0.2,并对M个高斯模型权值重新进行规一化,同时,候选高斯模型消亡,计数器c清零,结束候选高斯模型更新过程;否则直接结束候选高斯模型更新过程。
4.如权利要求1或2所述的运动目标实时检测方法,其特征在于:
所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为:
(1)在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相应像素的R、G、B值,若该点R、G、B值均小于其相应的背景R、G、B值,则将该点判为暗点,否则为亮点;
(2)统计暗点和亮点数目,分别记为nd和nb,并计算亮点的能量eb:
式中Ib、Ii、Nb、n分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、邻域集中像素个数,邻域集为四邻域或八邻域;
然后计算亮点所属集合Sb的能量Eb以及暗亮对比值参数Pd:
(3)根据Eb和Pd的值判断是否存在阴影,如果Eb<T1且Pd>T2则当前帧图像中存在阴影,否则不存在阴影,T1=20~30,T2=80~100。
5.如权利要求3所述的运动目标实时检测方法,其特征在于:
所述阴影检测步骤中,判断当前帧图像是否存在阴影的过程为:
(1)在经过所述虚假目标处理步骤得到的二值图像中逐点扫描目标点,记下目标点在二值图像中的坐标,根据坐标找到当前帧视频中读入的原图像中相应像素的R、G、B值,若该点R、G、B值均小于其相应的背景R、G、B值,则将该点判为暗点,否则为亮点;
(2)统计暗点和亮点数目,分别记为nd和nb,并计算亮点的能量eb:
式中Ib、Ii、Nb、n分别表示亮点的亮度、邻域集中像素点的亮度、邻域集、邻域集中像素个数,邻域集为四邻域或八邻域;
然后计算亮点所属集合Sb的能量Eb以及暗亮对比值参数Pd:
(3)根据Eb和Pd的值判断是否存在阴影,如果Eb<T1且Pd>T2则当前帧图像中存在阴影,否则不存在阴影,T1=20~30,T2=80~100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102366750A CN101447082B (zh) | 2008-12-05 | 2008-12-05 | 一种运动目标实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102366750A CN101447082B (zh) | 2008-12-05 | 2008-12-05 | 一种运动目标实时检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101447082A true CN101447082A (zh) | 2009-06-03 |
CN101447082B CN101447082B (zh) | 2010-12-01 |
Family
ID=40742749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102366750A Expired - Fee Related CN101447082B (zh) | 2008-12-05 | 2008-12-05 | 一种运动目标实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101447082B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964113A (zh) * | 2010-10-02 | 2011-02-02 | 上海交通大学 | 光照突变场景下的运动目标检测方法 |
CN101968884A (zh) * | 2009-07-28 | 2011-02-09 | 索尼株式会社 | 检测视频图像中的目标的方法和装置 |
CN101982825A (zh) * | 2010-11-04 | 2011-03-02 | 杭州海康威视系统技术有限公司 | 一种智能交通监控场景下的视频图像处理方法和装置 |
CN101996409A (zh) * | 2009-08-06 | 2011-03-30 | 佳能株式会社 | 图像处理设备和图像处理方法 |
WO2012016374A1 (en) * | 2010-08-03 | 2012-02-09 | Empire Technology Development Llc | Method for identifying objects in video |
CN102385803A (zh) * | 2011-10-28 | 2012-03-21 | 南京邮电大学 | 基于视频监控的全天候市区车辆跟踪与计数方法 |
CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
CN102622763A (zh) * | 2012-02-21 | 2012-08-01 | 芮挺 | 阴影检测与消除方法 |
CN102629383A (zh) * | 2012-02-28 | 2012-08-08 | 湖南大学 | 一种基于随机策略的运动目标检测方法 |
CN102997900A (zh) * | 2011-09-15 | 2013-03-27 | 歌乐株式会社 | 外界识别方法、装置以及车辆系统 |
CN103578121A (zh) * | 2013-11-22 | 2014-02-12 | 南京信大气象装备有限公司 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
CN102129687B (zh) * | 2010-01-19 | 2014-03-19 | 中国科学院自动化研究所 | 动态场景下基于局部背景剪除的自适应目标跟踪方法 |
CN103679704A (zh) * | 2013-11-22 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种基于光照补偿的视频运动阴影检测方法 |
CN103886607A (zh) * | 2014-01-24 | 2014-06-25 | 清华大学深圳研究生院 | 一种针对扰动目标的检测及抑制方法 |
CN104079800A (zh) * | 2014-06-24 | 2014-10-01 | 上海波汇通信科技有限公司 | 一种视频监控中视频图像的抗抖动方法 |
CN105321190A (zh) * | 2015-10-28 | 2016-02-10 | 上海大学 | 基于结构相似背景建模的运动目标检测方法 |
CN105335951A (zh) * | 2014-06-06 | 2016-02-17 | 株式会社理光 | 背景模型更新方法和设备 |
CN105354862A (zh) * | 2015-09-30 | 2016-02-24 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106778540A (zh) * | 2013-03-28 | 2017-05-31 | 南通大学 | 停车检测准确的基于双层背景的停车事件检测方法 |
CN106997599A (zh) * | 2017-04-17 | 2017-08-01 | 华东理工大学 | 一种光照敏感的视频运动目标分割方法 |
CN107396110A (zh) * | 2011-11-04 | 2017-11-24 | 英孚布瑞智有限私人贸易公司 | 视频数据的解码设备 |
CN108180829A (zh) * | 2017-12-28 | 2018-06-19 | 中国科学院西安光学精密机械研究所 | 一种对具有平行线特征的目标空间指向测量方法 |
CN110189364A (zh) * | 2019-06-04 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置,以及目标跟踪方法和装置 |
CN111768426A (zh) * | 2020-08-14 | 2020-10-13 | 台州市公安局 | 一种运动目标的检测方法、装置、设备及存储介质 |
CN112101090A (zh) * | 2020-07-28 | 2020-12-18 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN113780119A (zh) * | 2021-08-27 | 2021-12-10 | 华雁智能科技(集团)股份有限公司 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
CN116688494A (zh) * | 2023-08-04 | 2023-09-05 | 荣耀终端有限公司 | 生成游戏预测帧的方法和电子设备 |
CN113780119B (zh) * | 2021-08-27 | 2024-08-02 | 华雁智能科技(集团)股份有限公司 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665068A (zh) * | 2012-04-26 | 2012-09-12 | 中南林业科技大学 | 一种基于随机更新策略的全景式运动目标监视方法 |
-
2008
- 2008-12-05 CN CN2008102366750A patent/CN101447082B/zh not_active Expired - Fee Related
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968884A (zh) * | 2009-07-28 | 2011-02-09 | 索尼株式会社 | 检测视频图像中的目标的方法和装置 |
CN101996409A (zh) * | 2009-08-06 | 2011-03-30 | 佳能株式会社 | 图像处理设备和图像处理方法 |
CN101996409B (zh) * | 2009-08-06 | 2013-04-03 | 佳能株式会社 | 图像处理设备和图像处理方法 |
CN102129687B (zh) * | 2010-01-19 | 2014-03-19 | 中国科学院自动化研究所 | 动态场景下基于局部背景剪除的自适应目标跟踪方法 |
WO2012016374A1 (en) * | 2010-08-03 | 2012-02-09 | Empire Technology Development Llc | Method for identifying objects in video |
US8873801B2 (en) | 2010-08-03 | 2014-10-28 | Empire Technology Development Llc | Identification of objects in a video |
CN101964113A (zh) * | 2010-10-02 | 2011-02-02 | 上海交通大学 | 光照突变场景下的运动目标检测方法 |
CN101982825B (zh) * | 2010-11-04 | 2013-01-09 | 杭州海康威视系统技术有限公司 | 一种智能交通监控场景下的视频图像处理方法和装置 |
CN101982825A (zh) * | 2010-11-04 | 2011-03-02 | 杭州海康威视系统技术有限公司 | 一种智能交通监控场景下的视频图像处理方法和装置 |
CN102997900A (zh) * | 2011-09-15 | 2013-03-27 | 歌乐株式会社 | 外界识别方法、装置以及车辆系统 |
CN102997900B (zh) * | 2011-09-15 | 2015-05-13 | 歌乐株式会社 | 外界识别方法、装置以及车辆系统 |
CN102509075B (zh) * | 2011-10-19 | 2013-07-24 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
CN102385803B (zh) * | 2011-10-28 | 2013-09-25 | 南京邮电大学 | 基于视频监控的全天候市区车辆跟踪与计数方法 |
CN102385803A (zh) * | 2011-10-28 | 2012-03-21 | 南京邮电大学 | 基于视频监控的全天候市区车辆跟踪与计数方法 |
CN107396110B (zh) * | 2011-11-04 | 2021-05-07 | 英孚布瑞智有限私人贸易公司 | 视频数据的解码设备 |
CN107396110A (zh) * | 2011-11-04 | 2017-11-24 | 英孚布瑞智有限私人贸易公司 | 视频数据的解码设备 |
CN102622763A (zh) * | 2012-02-21 | 2012-08-01 | 芮挺 | 阴影检测与消除方法 |
CN102629383A (zh) * | 2012-02-28 | 2012-08-08 | 湖南大学 | 一种基于随机策略的运动目标检测方法 |
CN106778540B (zh) * | 2013-03-28 | 2019-06-28 | 南通大学 | 停车检测准确的基于双层背景的停车事件检测方法 |
CN106778540A (zh) * | 2013-03-28 | 2017-05-31 | 南通大学 | 停车检测准确的基于双层背景的停车事件检测方法 |
CN103578121B (zh) * | 2013-11-22 | 2016-08-17 | 南京信大气象装备有限公司 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
CN103578121A (zh) * | 2013-11-22 | 2014-02-12 | 南京信大气象装备有限公司 | 干扰运动环境下基于共享高斯模型的运动检测方法 |
CN103679704A (zh) * | 2013-11-22 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种基于光照补偿的视频运动阴影检测方法 |
CN103679704B (zh) * | 2013-11-22 | 2017-01-11 | 中国人民解放军第二炮兵工程大学 | 一种基于光照补偿的视频运动阴影检测方法 |
CN103886607A (zh) * | 2014-01-24 | 2014-06-25 | 清华大学深圳研究生院 | 一种针对扰动目标的检测及抑制方法 |
CN103886607B (zh) * | 2014-01-24 | 2016-08-17 | 清华大学深圳研究生院 | 一种针对扰动目标的检测及抑制方法 |
CN105335951A (zh) * | 2014-06-06 | 2016-02-17 | 株式会社理光 | 背景模型更新方法和设备 |
CN105335951B (zh) * | 2014-06-06 | 2018-06-15 | 株式会社理光 | 背景模型更新方法和设备 |
CN104079800A (zh) * | 2014-06-24 | 2014-10-01 | 上海波汇通信科技有限公司 | 一种视频监控中视频图像的抗抖动方法 |
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN105354862B (zh) * | 2015-09-30 | 2018-12-25 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN105354862A (zh) * | 2015-09-30 | 2016-02-24 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN105321190A (zh) * | 2015-10-28 | 2016-02-10 | 上海大学 | 基于结构相似背景建模的运动目标检测方法 |
CN106997599A (zh) * | 2017-04-17 | 2017-08-01 | 华东理工大学 | 一种光照敏感的视频运动目标分割方法 |
CN106997599B (zh) * | 2017-04-17 | 2019-08-30 | 华东理工大学 | 一种光照敏感的视频运动目标分割方法 |
CN108180829A (zh) * | 2017-12-28 | 2018-06-19 | 中国科学院西安光学精密机械研究所 | 一种对具有平行线特征的目标空间指向测量方法 |
CN108180829B (zh) * | 2017-12-28 | 2019-09-20 | 中国科学院西安光学精密机械研究所 | 一种对具有平行线特征的目标空间指向测量方法 |
CN110189364A (zh) * | 2019-06-04 | 2019-08-30 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置,以及目标跟踪方法和装置 |
CN110189364B (zh) * | 2019-06-04 | 2022-04-01 | 北京字节跳动网络技术有限公司 | 用于生成信息的方法和装置,以及目标跟踪方法和装置 |
CN112101090B (zh) * | 2020-07-28 | 2023-05-16 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN112101090A (zh) * | 2020-07-28 | 2020-12-18 | 四川虹美智能科技有限公司 | 人体检测方法及装置 |
CN111768426A (zh) * | 2020-08-14 | 2020-10-13 | 台州市公安局 | 一种运动目标的检测方法、装置、设备及存储介质 |
CN111768426B (zh) * | 2020-08-14 | 2024-01-26 | 台州市公安局 | 一种运动目标的检测方法、装置、设备及存储介质 |
CN113780119A (zh) * | 2021-08-27 | 2021-12-10 | 华雁智能科技(集团)股份有限公司 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
CN113780119B (zh) * | 2021-08-27 | 2024-08-02 | 华雁智能科技(集团)股份有限公司 | 基于静止摄像机应用场景的高精度运动目标检测方法 |
CN116688494A (zh) * | 2023-08-04 | 2023-09-05 | 荣耀终端有限公司 | 生成游戏预测帧的方法和电子设备 |
CN116688494B (zh) * | 2023-08-04 | 2023-10-20 | 荣耀终端有限公司 | 生成游戏预测帧的方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN101447082B (zh) | 2010-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101447082B (zh) | 一种运动目标实时检测方法 | |
Tian et al. | Robust and efficient foreground analysis for real-time video surveillance | |
CN102289948B (zh) | 高速公路场景下一种多特征融合的多车辆视频跟踪方法 | |
CN101587622B (zh) | 基于视频图像智能分析的森林烟火检测与识别方法及设备 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN101799968B (zh) | 基于视频图像智能分析的油井入侵检测方法及装置 | |
CN101389004A (zh) | 一种基于在线学习的运动目标分类方法 | |
CN103914702A (zh) | 用于提高视频中的对象检测性能的系统和方法 | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN102496001A (zh) | 一种视频监控目标自动检测的方法和系统 | |
CN105354791A (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN101470809A (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
Armanfard et al. | TED: A texture-edge descriptor for pedestrian detection in video sequences | |
Guan et al. | Unsupervised domain adaptation for multispectral pedestrian detection | |
Liang et al. | Methods of moving target detection and behavior recognition in intelligent vision monitoring. | |
Zhang | Vehicle target detection methods based on color fusion deformable part model | |
CN108765463A (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 | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN103500456A (zh) | 一种基于动态贝叶斯模型网络的对象跟踪方法和设备 | |
CN102314591A (zh) | 静止前景物体的检测方法和设备 | |
CN103336965A (zh) | 基于轮廓差异及区块主方向直方图的前景与特征提取方法 | |
CN105139358A (zh) | 一种结合形态学和模糊c聚类的视频雨滴去除方法及其系统 | |
Gao et al. | Moving object detection for video surveillance based on improved ViBe | |
CN110008834B (zh) | 一种基于视觉的方向盘干预检测与统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20101201 Termination date: 20111205 |