CN101571955A - 一种精确实时微变化运动目标检测方法 - Google Patents
一种精确实时微变化运动目标检测方法 Download PDFInfo
- Publication number
- CN101571955A CN101571955A CNA2009100159498A CN200910015949A CN101571955A CN 101571955 A CN101571955 A CN 101571955A CN A2009100159498 A CNA2009100159498 A CN A2009100159498A CN 200910015949 A CN200910015949 A CN 200910015949A CN 101571955 A CN101571955 A CN 101571955A
- Authority
- CN
- China
- Prior art keywords
- wadp
- image
- omega
- frame
- micro
- 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)
Abstract
本发明涉及一种精确实时微变化运动目标检测方法。它解决了目前无法精确、实时检测微变化运动目标的问题,在摄像机静止情况下,针对传统累积差分方法的不足,采用新的加权累积差分方法,通过权值设置实现在限定的累积帧数下既放大微小变化量又抑制检测出随机噪声点,满足运动目标检测对精确性和实时性的要求。其方法为:(1)图像采集模块首先利用摄像机获取场景中的景物视频,得到模拟图像;然后利用图像采集卡将模拟图像转化为数字图像,输入计算机处理器处理模块;(2)在计算机处理模块中首先对数字图像进行预处理以去除各种干扰信号;(3)对预处理后的图像序列进行运动检测,检测过程采用加权累积差分方法,检测完成后得到所求运动目标。
Description
技术领域
本发明涉及一种机器视觉和图像处理方法,尤其是涉及一种精确实时微变化运动目标检测方法。
背景技术
运动目标检测,也称为运动检测,其目的就是从图像序列中将运动目标由于运动所导致的变化区域提取出来。现有的运动目标检测方法可以归纳为四种:背景减除法、帧间差分法、光流法及不变矩特征检测法。由于动态环境中捕捉的图像受到光照条件、背景干扰以及摄像机运动等多方面的影响,准确、实时地运动目标检测成为机器视觉和图像处理领域中一个相当重要但又比较困难的问题。微变化运动目标的检测是运动检测的难点,它在图像中的变化是一个较小的量,尺度滤波器可能会将这些微小量当作噪声滤掉。当使用鲁棒检测方法时,因为是基于区域的变化检测,所以会使得检测小位移或缓慢运动目标的问题变得更加严重。解决此问题的一种方法是累积差分方法,其基本思想是通过分析整个图像序列的变化来检测微变化运动目标。但是该方法需要多帧图像进行累积,不仅时空开销大而且带来检出背景纹理过多等问题。
发明内容
本发明的目的就是为了解决目前难于精确、实时检测微变化运动目标的问题,在摄像机静止的情况下,针对传统累积差分方法的不足,提出一种精确实时微变化运动目标检测方法,它采用新的加权累积差分方法,通过权值设置实现在限定的累积帧数下既放大微小变化量又抑制检测出随机噪声点,有效满足了运动目标检测对精确性和实时性的要求。
为实现上述目的,本发明采用如下技术方案:
一种精确实时微变化运动目标检测方法,它的步骤为,
(1)图像采集模块首先利用摄像机获取场景中的景物视频,得到模拟图像;然后利用图像采集卡将模拟图像转化为数字图像,输入计算机处理器处理模块;
(2)在计算机处理模块中首先对数字图像进行预处理以去除各种干扰信号;
(3)对预处理后的图像序列进行运动检测,检测过程采用加权累积差分方法,检测完成后得到所求运动目标。
所述步骤(2)中预处理过程采用图像灰度校正、图像增强、噪声滤除等方法。
所述步骤(3)中加权累积差分方法检测过程为,利用加权累积差分公式进行累积差分运算,为了在精确检测微变化运动目标的基础上提高运动检测的实时性,应减少进行累积差分的帧数n,在既定的n值下,当前第k帧与第1帧间距越大或微变运动部分越明显,即相应增大它的权值ωk,从而达到快速检测微变化运动目标的要求,其中加权累积公式为:
k=n,
其中
公式中,k为当前帧,WADP为加权累积差分图像,n为累积差分的总帧数,(x,y)是大小为M×N的图像序列中每一像素点的坐标(1≤x≤M,1≤y≤N),ωk为第k帧的权值,DP为差分图像,f(x,y,j)和f(x,y,k)分别是第j帧和第k帧在(x,y)点的灰度值。
4.如权利要求3所述的精确实时微变化运动目标检测方法,其特征是,所述步骤(3)中,为消除背景及噪声影响,将累积差分图像二值化,采用如下二值化阈值:
Th=u+3d, (6)
其中u和d分别是WADPn的均值和标准差,设B是WADPn二值化后的二值图像,令B中的像素(x,y)的值B(x,y)为
假设某一微变化运动在第n帧的点(x,y)处出现,即DPn-1,n(x,y)=1,而其他相邻两帧的差分图像在此点的值为0;为了在第n帧图像的二值累积差分图像中检测出这一变化,需要满足条件WADPn(x,y)>Th;假设(x′,y′)为噪声点,并且随机出现于1至n-1帧,则累积差分图像的二值化阈值要大于WADP1(x′,y′)、WADP2(x′,y′)、…、WADPn-1(x′,y′);由于权值ωk(k=1…n)是逐次增大的,所以WADP1(x′,y′)<WADP2(x′,y′)<……<WADPn-1(x′,y),得到条件WADPn-1(x′,y′)<Th;WADPn(x,y)和WADPn-1(x′,y′)由公式计算,
权值设置条件为:
假设ω1=0ωk(k=2,…,n)是变量ε的函数,即ωk=(k-1)*ε+C,其中C为常数;由于Th也是ε的函数,最终得到ε的取值范围,也即确定了ωk的设置方法。
本发明的有益效果是:较完整地检测出了微变化区域,计算机处理时间为0.18s(机器配置为Intel Pentium E2180CPU、1G内存),达到了精确、实时检测微变化运动目标的要求。
附图说明
图1为本发明的功能模块示意图;
图2为计算机处理模块流程图;
图3为连续5帧的累积差分图像;
图4为ADP和WADP效果对比图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
本发明分为图像采集模块和计算机处理模块。在图像采集模块中首先利用摄像机获取场景中的景物视频,得到模拟图像;然后利用图像采集卡将模拟图像转化为数字图像,输入计算机处理器。在计算机处理模块中首先对数字图像进行预处理以去除各种干扰信号,包括图像灰度校正、图像增强、噪声滤除等;对预处理后的图像序列进行运动检测,检测过程采用加权累积差分方法,检测完成后得到所求运动目标。
运动目标检测按照如下步骤进行:
累积差分图像(Accumulative Difference Picture,ADP)的形成过程如下:将图像序列的每一帧图像与一幅参考图像进行比较,当差值大于某一阈值时,就在累积差分图像中加1。通常将图像序列的第一帧作为参考图像,并且置累积差分图像ADP0的初始值为0。这样,在第k帧图像上的累积差分图像ADPk(x,y)为:
其中
上式中T是阈值,(x,y)是大小为M×N的图像序列中每一像素点的坐标(1≤x≤M,1≤y≤N),f(x,y,j)和f(x,y,k)分别是第j帧和第k帧在(x,y)点的灰度值。
(3)传统累积差分方法虽然有利于检测出微变化运动目标,去除噪声干扰,但是累积的帧数越多,检测出的背景纹理就越多,且时空开销较大。将公式(1)展开,当k=0,1,……n(k为当前帧,n为总共累积的图像帧数)时,对应的累积差分图像ADPk为:
k=0, ADP0(x,y)=0;
k=1, ADP1(x,y)=ADP0(x,y)+DP11(x,y)=0;
k=2, ADP2(x,y)=ADP1(x,y)+DP12(x,y)=DP12(x,y);
k=3, ADP3(x,y)=ADP2(x,y)+DP13(x,y)=DP12(x,y)+DP13(x,y);
......
k=n,
由(3)式可以看出传统累积差分方法只是简单地进行差值累积,无论k值大小,ADPk(x,y)对ADPn(x,y)的作用大小相同,不能达到快速检测微变化运动目标的要求。
(4)为此,本发明提出加权累积的概念,根据k值大小为每一项ADPk(x,y)设置一个权值ωk,根据权值进行加权累积。加权累积差分图像(Weighted Accumulative DifferencePicture,WADP)的计算方法如下:
k=0, WADP0(x,y)=0;
k=1, WADP1(x,y)=WADP0(x,y)+ω1*DP11(x,y);
k=2, WADP2(x,y)=WADP1(x,y)+ω2*DP12(x,y);
k=3, WAP3(x,y)=WADP2(x,y)+ω3*DP13(x,y);
......
k=n,
将(4)式进行归一化处理,得
k=n,
(5)权值设置:为了在精确检测微变化运动目标的基础上提高运动检测的实时性,应减少进行累积差分的帧数n。在既定的n值下,当前第k帧与第1帧间距越大或微变运动部分越明显,即相应增大它的权值ωk,这样才能达到快速检测缓变运动区域的要求。
为消除背景及噪声影响,将累积差分图像二值化,采用如下二值化阈值:
Th=u+3d, (6)
其中u和d分别是WADPn的均值和标准差。设B是WADPn二值化后的二值图像,令B中的像素(x,y)的值B(x,y)为
假设某一微变化运动在第n帧的点(x,y)处出现,即DPn-1,n(x,y)=1,而其他相邻两帧的差分图像在此点的值为0;为了在第n帧图像的二值累积差分图像中检测出这一变化,需要满足条件WADPn(x,y)>Th;假设(x′,y′)为噪声点,并且随机出现于1至n-1帧,则累积差分图像的二值化阈值要大于WADP1(x′,y′)、WADP2(x′,y′)、…、WADPn-1(x′,y′);由于权值ωk(k=1…n)是逐次增大的,所以WADP1(x′,y′)<WADP2(x′,y′)<……<WADPn-1(x′,y′),得到条件WADPn-1(x′,y′)<Th;WADPn(x,y)和WADPn-1(x′,y′)由公式计算,
权值设置条件为:
假设ω1=0,ωk(k=2,…,n)是变量ε的函数,即ωk=(k-1)*ε+C,其中C为常数;由于Th也是ε的函数,最终得到ε的取值范围,也即确定了ωk的设置方法。
上述过程进一步总结如下:
将需要进行累积差分的图像序列进行预处理,经过灰度校正、图像增强、噪声滤除后,得到进行运动检测的输入图像序列。计算每一帧图像与初始帧(第1帧)的差分图像DPk(k=1,…,n),然后设置权值,ω1=0,ωk=(k-1)*ε+C,(k=2,…,n),其中ε为变量,C为常数。依据DPk和ωk(k=1,…,n)计算第n帧的加权累积差分图像WADPn。计算WADPn的均值u和标准差d,得到二值化阈值Th。最后根据权值设置条件计算ε的取值范围,确定ωk(k=1,…,n)。计算WADPn的二值化图像,得到所求运动目标。
实施例:
首先利用CCD摄像机获取场景中的景物视频,得到模拟图像;然后利用图像采集卡将模拟图像转化为数字图像。在进行计算机处理时先对数字图像进行预处理以去除各种干扰信号,包括图像灰度校正、图像增强、噪声滤除等;对预处理后的图像序列进行运动检测,检测完成后得到所求运动目标。
图3为连续5帧的累积差分图像,原始图像取MPEG-4标准测试序列Hall monitor(352×288)中第31、32、33、34、35帧。图像中人物缓慢由左向右行走,左脚部分作为支撑点运动变化量微小,在累积差分图像中该区域灰度值较小,而具有明显运动的人体右侧具有较大的灰度值,显现出较强的方向性。
本发明的实验结果表述如下:使用本发明对多个图像序列进行了测试,均取得了预期的效果。图4是对Hall monitor(352×288)第31、32、33、34、35帧进行累积差分的结果,计算中ADP和WADP的DPjk(x,y)阈值T大小相同。从图中可以看出,加权累积差分方法比传统累积差分方法能更有效地检测出微变化运动区域,尤其是Hall monitor中人物的左腿和左脚部分。大多数的运动目标检测方法都不能检测出这两部分,传统累积差分方法也只是检测出人物左腿的一部分,而左脚则被当作噪声被去除掉。加权累积差分方法能比较完整地检测出这些微变部分,且人物外形更加完整。
本发明的测试数据分析表述如下:定义误检率α来评价该算法的性能,公式表达为
表1ADP和WADP对比
表1证明加权累积差分方法能检测出更完整的运动区域而没有增加误检率。此外,本发明缩小了进行累积差分的图像帧数,降低了算法的时空复杂度,提高了运动检测的效率。实验表明,本发明较完整地检测出了微变化区域,计算机处理时间为0.18s(机器配置为IntelPentium E2180 CPU、1G内存),达到了精确、实时检测微变化运动目标的要求。
Claims (4)
1.一种精确实时微变化运动目标检测方法,其特征是,它的步骤为,
(1)图像采集模块首先利用摄像机获取场景中的景物视频,得到模拟图像;然后利用图像采集卡将模拟图像转化为数字图像,输入计算机处理模块;
(2)在计算机处理模块中首先对数字图像进行预处理以去除各种干扰信号;
(3)对预处理后的图像序列进行运动检测,检测过程采用加权累积差分方法,检测完成后得到所求运动目标。
2.如权利要求1所述的精确实时微变化运动目标检测方法,其特征是,所述步骤(2)中预处理过程采用图像灰度校正、图像增强、噪声滤除方法。
3.如权利要求1所述的精确实时微变化运动目标检测方法,其特征是,所述步骤(3)中加权累积差分方法检测过程为,利用加权累积差分公式进行累积差分运算,为了在精确检测微变化运动目标的基础上提高运动检测的实时性,应减少进行累积差分的帧数n,在既定的n值下,当前第k帧与第1帧间距越大或微变运动部分越明显,即相应增大它的权值ωk,从而达到快速检测微变化运动目标的要求,其中加权累积公式为:
其中
公式中,k为当前帧,WADP为加权累积差分图像,n为累积差分的总帧数,(x,y)是大小为M×N的图像序列中每一像素点的坐标(1≤x≤M,1≤y≤N),ωk为第k帧的权值,DP为差分图像,f(x,y,j)和f(x,y,k)分别是第j帧和第k帧在(x,y)点的灰度值。
4.如权利要求3所述的精确实时微变化运动目标检测方法,其特征是,所述步骤(3)中,为消除背景及噪声影响,将累积差分图像二值化,采用如下二值化阈值:
Th=u+3d, (6)
其中u和d分别是WADPn的均值和标准差,设B是WADPn二值化后的二值图像,令B中的像素(x,y)的值B(x,y)为
若某一微变化运动在第n帧的点(x,y)处出现,即DPn-1,n(x,y)=1,而其他相邻两帧的差分图像在此点的值为0;为了在第n帧图像的二值累积差分图像中检测出这一变化,需要满足条件WADPn(x,y)>Th;设(x′,y′)为噪声点,并且随机出现于1至n-1帧,则累积差分图像的二值化阈值要大于WADP1(x′,y′)、WADP2(x′,y′)、…、WADPn-1(x′,y′);由于权值ωk(k=1…n)是逐次增大的,所以WADP1(x′,y′)<WADP2(x′,y′)<……<WADPn-1(x′,y′),得到条件WADPn-1(x′,y′)<Th;WADPn(x,y)和WADPn-1(x′,y′)由公式计算,
权值设置条件为:
假设ω1=0,ωk(k=2,…,n)是变量ε的函数,即ωk=(k-1)*ε+C,其中C为常数;由于Th也是ε的函数,最终得到ε的取值范围,也即确定了ωk的设置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100159498A CN101571955B (zh) | 2009-06-02 | 2009-06-02 | 一种精确实时微变化运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009100159498A CN101571955B (zh) | 2009-06-02 | 2009-06-02 | 一种精确实时微变化运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101571955A true CN101571955A (zh) | 2009-11-04 |
CN101571955B CN101571955B (zh) | 2011-08-24 |
Family
ID=41231306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009100159498A Expired - Fee Related CN101571955B (zh) | 2009-06-02 | 2009-06-02 | 一种精确实时微变化运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101571955B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494675A (zh) * | 2011-11-30 | 2012-06-13 | 哈尔滨工业大学 | 一种运动目标特征高速视觉捕捉方法 |
CN105072445A (zh) * | 2015-07-24 | 2015-11-18 | 杭州映墨科技有限公司 | 一种基于块截断编码压缩域的视频运动目标检测方法 |
CN105611380A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 视频图像处理方法及装置 |
CN105611386A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 视频图像处理方法及装置 |
CN107481266A (zh) * | 2017-08-03 | 2017-12-15 | 苏州佳世达电通有限公司 | 物体位移侦测方法及物体位移侦测系统 |
CN107851180A (zh) * | 2015-07-09 | 2018-03-27 | 亚德诺半导体集团 | 占用检测的视频处理 |
CN109842738A (zh) * | 2019-01-29 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 用于拍摄图像的方法和装置 |
CN111397520A (zh) * | 2020-04-23 | 2020-07-10 | 徐州宏远通信科技有限公司 | 基于图像识别的耙式浓缩池沉淀层厚度检测方法及装置 |
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
-
2009
- 2009-06-02 CN CN2009100159498A patent/CN101571955B/zh not_active Expired - Fee Related
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102494675A (zh) * | 2011-11-30 | 2012-06-13 | 哈尔滨工业大学 | 一种运动目标特征高速视觉捕捉方法 |
CN107851180A (zh) * | 2015-07-09 | 2018-03-27 | 亚德诺半导体集团 | 占用检测的视频处理 |
CN107851180B (zh) * | 2015-07-09 | 2022-04-29 | 亚德诺半导体国际无限责任公司 | 占用检测的视频处理 |
CN105072445A (zh) * | 2015-07-24 | 2015-11-18 | 杭州映墨科技有限公司 | 一种基于块截断编码压缩域的视频运动目标检测方法 |
CN105072445B (zh) * | 2015-07-24 | 2018-09-07 | 杭州映墨科技有限公司 | 一种基于块截断编码压缩域的视频运动目标检测方法 |
CN105611386A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 视频图像处理方法及装置 |
CN105611380A (zh) * | 2015-12-23 | 2016-05-25 | 小米科技有限责任公司 | 视频图像处理方法及装置 |
CN107481266A (zh) * | 2017-08-03 | 2017-12-15 | 苏州佳世达电通有限公司 | 物体位移侦测方法及物体位移侦测系统 |
CN107481266B (zh) * | 2017-08-03 | 2021-01-05 | 苏州佳世达电通有限公司 | 物体位移侦测方法及物体位移侦测系统 |
CN109842738A (zh) * | 2019-01-29 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 用于拍摄图像的方法和装置 |
CN111397520A (zh) * | 2020-04-23 | 2020-07-10 | 徐州宏远通信科技有限公司 | 基于图像识别的耙式浓缩池沉淀层厚度检测方法及装置 |
CN111397520B (zh) * | 2020-04-23 | 2020-11-17 | 徐州宏远通信科技有限公司 | 基于图像识别的耙式浓缩池沉淀层厚度检测方法及装置 |
CN113450354A (zh) * | 2021-08-30 | 2021-09-28 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
CN113450354B (zh) * | 2021-08-30 | 2021-11-16 | 山东仕达思生物产业有限公司 | 基于卷积神经网络和摇摆活动特征的滴虫检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101571955B (zh) | 2011-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101571955B (zh) | 一种精确实时微变化运动目标检测方法 | |
US20170091950A1 (en) | Method and system for tracking an object | |
WO2014092552A2 (en) | Method for non-static foreground feature extraction and classification | |
CN102184552A (zh) | 一种基于差分融合与图像边缘信息的运动目标检测方法 | |
JPH0381884A (ja) | 人数検出装置 | |
EP2381419A3 (en) | Image capturing apparatus, method of detecting tracking object, and computer program product | |
WO2008120321A1 (ja) | 画像処理装置、画像処理方法、画像処理プログラム | |
KR101348680B1 (ko) | 영상추적기를 위한 표적포착방법 및 이를 이용한 표적포착장치 | |
CN102457724B (zh) | 一种图像运动检测系统及方法 | |
CN111191535A (zh) | 基于深度学习的行人检测模型构建方法及行人检测方法 | |
JP2009088801A (ja) | 撮影対象物の静止判定方法および装置 | |
CN107123132A (zh) | 一种统计背景模型的运动目标检测方法 | |
Lee et al. | Motion blur-free time-of-flight range sensor | |
EP1175088A3 (en) | Device for detecting a moving subject | |
JP2001061152A5 (zh) | ||
JP4140402B2 (ja) | 画像処理装置 | |
KR100994991B1 (ko) | 영상 추적 장치 및 그의 영상 추적 방법 | |
CN107220653B (zh) | 基于逻辑随机共振的水下弱目标检测系统的检测方法 | |
CN101447083B (zh) | 基于时空相关特征的运动目标免信标视觉测量技术 | |
JP4124861B2 (ja) | 移動量検出装置及びその方法 | |
JP2014071482A (ja) | 物体検出装置 | |
CN107516124B (zh) | 实时人流数量计数方法与系统 | |
JP3947070B2 (ja) | 移動物体検出装置 | |
KR20170086350A (ko) | 기계 이상 동작 검출 장치 및 방법 | |
CN108647589B (zh) | 一种基于正则化形态比的摔倒检测方法 |
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: 20110824 Termination date: 20120602 |