CN101609556B - 一种背景提取方法 - Google Patents
一种背景提取方法 Download PDFInfo
- Publication number
- CN101609556B CN101609556B CN2008100168670A CN200810016867A CN101609556B CN 101609556 B CN101609556 B CN 101609556B CN 2008100168670 A CN2008100168670 A CN 2008100168670A CN 200810016867 A CN200810016867 A CN 200810016867A CN 101609556 B CN101609556 B CN 101609556B
- Authority
- CN
- China
- Prior art keywords
- background
- image
- pixel value
- value
- initial
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种背景提取方法,包括以下步骤:a、用当前帧与初始背景做差分后,所得结果记为图像DIF;b、将图像DIF多值化,即把图像DIF中的各数据按照由背景到目标的顺序划分成多个等级,并采用不同的值进行表示,其结果记为图像Level;c、将图像Level中的各数据采用当前帧的像素值与初始背景的像素值的加权值代替,以形成背景图像。本发明通过采用加权多值化法提取背景图像,具有计算简单、运行效率高、背景提取效果好等显著优势,可适应于嵌入式系统,容易移植到例如视频检测器、智能交通监控系统等实时的视频监控系统中。
Description
技术领域
本发明属于视频检测技术领域,具体地说,是涉及一种视频背景的提取方法。
背景技术
背景提取技术是视频检测领域最关键的技术。背景提取,顾名思义就是从含有目标的视频序列中去除目标,恢复背景。背景提取质量的好坏直接关系到目标检测的效果,例如:图像中某个区域的实际的背景像素值是128,但是背景提取时的像素值由于效果不好可能仅为90,那么当作背景做差分计算时,这一区域检测的结果就会很不准确,常会出现将背景检测成目标,或者将目标检测成背景的情况。
现有的背景提取技术一般都计算比较复杂,比较成熟的是高斯背景提取法,尤其是混合高斯模型背景提取法(混合高斯模型背景提取法是业内人员普遍知道的一种算法模型),在2005年全国博士生学术论坛(交通运输工程学科)发表的《混合交通流视频检测中区域选择更新混合高斯背景模型研究》一文中就公开了一种采用混合高斯模型背景提取法来提取背景的技术,克服了交通控制信号或交通阻塞等造成的长时间停车,以及高峰期大量运动物体长期充满当前图像等情况下对背景抽取造成的影响。该模型可以对交叉口和路段视频进行背景提取。
但是,混合高斯模型的方法计算比较复杂,应用到嵌入式系统中是非常困难的。因此,对于目前采用嵌入式系统组建的的实时视频监控系统来说,还没有一种简单有效的背景提取方法可以应用。
发明内容
本发明为了解决现有背景提取技术计算比较复杂,应用到实时系统中比较困难的问题,提供了一种计算比较简单、效果比较好的视频背景提取方法,可以方便地移植到实时的视频监控系统中。
为解决上述技术问题,本发明的背景提取方法采用以下步骤实现:
a、用当前帧与初始背景做差分后,所得结果记为图像DIF;
b、将图像DIF多值化,即把图像DIF中的各数据按照由背景到目标的顺序划分成多个等级,并采用不同的值进行表示,其结果记为图像Level;
c、将图像Level中的各数据采用当前帧的像素值与初始背景的像素值的加权值代替,即z=A*x+(1-A)*y,以形成背景图像;其中,x为当前帧的像素值,y为初始背景的像素值,A为加权系数,z为加权结果。
进一步的,在所述步骤a中,所述差分是指做差值后再取绝对值,即图像DIF中的各数据是通过将当前帧中的各像素值与初始背景中相应位置的像素值做差值后再取绝对值后所得到的结果。
又进一步的,所述多值化的阈值根据图像DIF中数据的特点动态确定。多值化的分值可以是任意值,比如可以是3值化、5值化、7值化等等,分值越多,解决越精确;优选5值化或者7值化。
再进一步的,在所述步骤c中,将图像Level中等级最低的像素值全部采用当前帧或者初始背景中该处的像素值代替;将等级最高的像素值全部采用初始背景中该处的像素值代替。而对于等级介于最低和最高之间的各数据,在执行加权运算进行像素值代替时,考虑到等级越低则当前像素是背景的概率越大而是目标的概率越小,相反等级越高的像素是背景的概率越小而是目标的概率越大的特点,所述加权系数A的值随等级的升高而加大。
需要指出的是,在步骤c中,所述的背景图像为一幅临时的背景帧,对视频序列中后续的(N-1)帧图像循环执行步骤a、b、c,得到N幅临时的背景帧,求所述N幅临时背景帧的平均值,即形成最后的背景图像;所述N为大于1的自然数。
更进一步的,所述初始背景采用均值法将视频序列的前M帧图像取均值后得到,所述M为大于1的自然数。当然,所述的初始背景也可以采用高斯模型法提取。
优选的,所述N=M=100。
与现有技术相比,本发明的优点和积极效果是:本发明的背景提取方法计算简单,运行效率高,背景提取效果好,可适应于嵌入式系统,容易移植到实时的视频监控系统中,比如视频检测器、智能交通监控系统等。
结合附图阅读本发明实施方式的详细描述后,本发明的其他特点和优点将变得更加清楚。
附图说明
图1是本发明所提出的背景提取方法的原理框图;
图2是本发明所提出的背景提取方法的一种具体程序流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行详细地描述。
本发明的背景提取方法主要采用加权多值化来更新背景得到最终的背景图像。所谓加权就是考虑到不同变量在总体中的比例份额;多值化就是把差值的图像按照由背景到目标的顺序划分成多个等级,等级越低则当前像素是背景的概率越大而是目标的概率越小,相反,等级越高则当前像素是背景的概率越小而是目标的概率越大。
下面以交通监控系统为例来具体阐述本发明所提出的背景提取方法在实时视频监控系统中的应用。
在交通监控系统中需要检测车辆的流量、车型和车速等数据,测量这些数据就需要先检测到运动目标,而若要准确地检测到运动目标,采用背景差分是最佳方法,所谓背景差分就是用当前帧与提取的背景帧做差值后再取绝对值。当然,这需要一个精确的背景图像作为支持。目前普遍采用高斯模型背景提取法来获得所述的背景图像,但由于其计算复杂,很难在使用嵌入式系统的交通监控系统中移植应用。而采用本发明所提出的加权多值化背景提取方法则能很好地解决这一问题。
图1为所述加权多值化背景提取方法的原理框图,具体包括以下三部分:
一、初始化:
背景更新时需要一个初始背景,这个背景图像不需要多么精确,当然越精确越好。获得这幅初始背景的方法很多,例如高斯建模法、均值法等等。由于高斯建模法计算比较复杂,本实施例采用均值法获取初始背景,即将视频序列的前M帧图像取均值,得到的图像即为初始的背景图像。这里M为大于1的自然数,具体可以根据实际情况选择合适的值,一般在20~200之间。在本实施例中,选取M=100。
二、背景更新:
有了初始背景后,下一步需要逐帧对背景图像进行更新,来渐渐地生成比较标准的背景图像。需要指出的是,此时的逐帧更新是对M帧(在本实施例中是100帧)之后的图像进行逐帧更新。
在本实施例中,采用加权多值化的方法进行背景更新,具体步骤如下:
1、用当前帧与初始背景做差分,这里的差分运算可以采用对当前帧中的各像素值与初始背景中的相应像素值求差值后再取绝对值的运算方法,得到的图像结果记为图像DIF。DIF在此表示差值结果图像。
2、将图像DIF多值化,即把图像DIF按照由背景到目标的顺序划分成多个等级,等级越低则当前像素是背景的概率越大而是目标的概率越小;相反,等级越高则当前像素是背景的概率越小而是目标的概率越大;得到的图像结果记为图像Level。
多值化的阈值采用动态阈值,即根据图像DIF中数据的特点确定多值化的阈值,每一帧都不一定相同。采用动态阈值是由于外部光线的变化会使得每一帧图像的光线不一样,与初始背景做差分后,再进行多值化所需要的阈值也不一样。例如:有的图像帧需要与背景图像差值大约15的认为是目标,有的图像帧则需要与背景图像差值大于20的认为是目标。因此,在实际应用过程中需要根据当前的环境情况实时地调整多值化的阈值,以获得较为准确的背景图像。
多值化存在灵活性,多值可以是任意值,比如可以是3值化、5值化、7值化等等,分值越多,解决越精确。
为了方便和清楚起见,可以采用0~(L-1)L个数字来表示多值化的L个分值,即每个像素的值只能是0~(L-1)中的一个;其中,L为大于1的自然数。当然,这里也不一定非得用0~(L-1)这L个数字来表示,只要是L个不同的值即可。以5值化为例,可以采用0~4五个数字来标志五值化的五个结果,得到的图像结果记为图像FiveLevel。
3、将图像Level中的各数据采用当前帧的像素值与初始背景的像素值的加权值代替,即z=A*x+(1-A)*y,以形成背景图像。其中,x为当前帧的像素值;y为初始背景的像素值;A为加权系数,且0<=A<=1;z为加权结果。
在本实施例中,将图像Level中等级最低的各数据全部采用当前帧中该处的像素值代替;而将等级最高的像素值全部采用初始背景中该处的像素值代替;而对于等级介于最低和最高之间的各数据,在执行加权运算进行像素值代替时,考虑到等级越低则当前像素是背景的概率越大而是目标的概率越小,相反等级越高的像素是背景的概率越小而是目标的概率越大的特点,所述加权系数A的值随等级的升高而加大。
以图像FiveLevel为例,将图像FiveLevel中结果为0的数据全部采用当前帧中该处的像素值代替;因为图像FiveLevel中结果为0的像素点,我们认为当前帧像素值与背景帧像素值相同,可确定当前帧这个点是背景点,因此,用当前帧中的像素值代替,当然,也可以用初始背景中的像素值代替;将结果为1的数据用当前帧中该处的像素值和初始化背景中该处的像素值的加权值代替,当前帧的权值小一些,初始背景的权值大一些,例如这里采用0.3和0.7,即加权系数A=0.3;将结果为2的数据用当前帧中该处的像素值和初始化背景中该处的像素值的加权值代替,当前帧和初始背景的取值可以一样大,例如这里采用0.5和0.5,即加权系数A=0.5;将结果为3的数据用当前帧中该处的像素值和初始化背景帧中该处的像素值的加权值代替,当前帧的权值大一些,初始背景的权值小一些,例如这里采用0.7和0.3,即加权系数A=0.7;将结果为4的数据用初始背景中该处的像素值代替,因为结果为4的数据我们认为是目标,此处采用初始背景中的像素值代替可以将目标从背景中剔出,还原背景。这样就形成了一幅临时的背景帧,记为TMPBG1。
在此再列举一个7值化的例子。
将图像DIF根据阈值先7值化,结果图像记为图像SevenLevel,7值化的结果用0~6代替。
将图像SevenLevel中的结果为0的像素值全部用当前帧中该处的像素值代替;将结果为1的数据用当前帧中该处的像素值和初始背景中该处的像素值的加权值代替,当前帧的权值为0.2,背景帧的权值为0.8;将结果为2的数据用当前帧中该处的像素值和初始背景中该处的像素值的加权值代替,当前帧的权值为0.4,背景帧的权值为0.6;将结果为3的数据用当前帧中该处的像素值和初始背景中该处的像素值的加权值代替,当前帧的权值为0.5,背景帧的权值为0.5;将结果为4的数据用当前帧中该处的像素值和初始背景中该处的像素值的加权值代替,当前帧的权值为0.6,背景帧的权值为0.4;将结果为5的数据用当前帧中该处的像素值和初始背景中该处的像素值的加权值代替,当前帧的权值为0.8,背景帧的权值为0.2;将结果为6的数据用初始背景中该处的像素值代替;从而形成一幅临时的背景帧TMPBG1。
4、对视频序列中后续的(N-1)帧图像循环执行上述步骤1、2、3,即可得到N幅临时的背景帧,记为TMPBGn(n=1,2,3,......N);其中,N为大于1的自然数;在本实施例中,可以取N=100。
三、获得最后的背景图像:
求所述N幅临时背景帧TMPBGn(n=1,2,3,......N)的平均值,即形成最后的背景图像。
需要指出的是:这里的N=100的含义不是说到100帧后背景提取就结束了,而是说临时背景的帧数是100帧,就是说背景提取的过程始终在进行,如果是用第201帧更新背景,则用生成的第101帧临时背景TMPBG101覆盖掉TMPBG1,然后将TMPBGn(n=2,3,......,101)这100帧临时背景平均得到当前帧更新背景的结果;继续用第202帧更新背景的时候,用生成的第102帧临时背景TMPBG102覆盖掉TMPBG2,然后将TMPBGn(n=3,4,......,101,102)这100帧临时背景平均得到第202帧更新背景的结果,后续依次类推。总之,100帧临时背景总是存储最新生成的临时背景。
图2为上述加权多值化背景提取方法的软件流程框图,具体包括以下步骤:
S201、程序初始化;具体包括:
①定义变量M、N,并对各变量进行赋值;例如:M=N=100;
②定义变量i=j=1;
③确定多值化的分值L、各阈值以及L个标志;以5值化为例,则定义L=5;各阈值定义为0、5、10、15;采用0~4五个数字来标志五值化的五个结果;这样得到的图像结果记为图像FiveLevel;
④确定多值化处理后各结果所对应的加权系数;以5值化为例,结果0对应的加权系数A0=1(或者是0,因为此处当前帧的像素值与初始背景的像素值相同);结果1对应的加权系数A1=0.3;结果2对应的加权系数A2=0.5;结果3对应的加权系数A3=0.7;结果4对应的加权系数A4=0;
S202、对视频序列的前M帧图像取均值,以获得初始背景;在本实施例中,取M=100,即对视频序列的前100帧图像求平均值,所得结果定义为初始背景图像;
S203、用第(M+j)帧图像与初始背景做差分,所得结果记为图像DIF;即对第(M+j)帧图像中的各像素值与初始背景中的各相应像素值求差值后再取绝对值,以形成差值结果图像DIF;
S204、根据确定的各阈值对图像DIF中的各数据进行多值化处理,所得结果记为图像Level;以5值化为例,即将图像DIF中等于0的数据置为0,大于0且小于等于5的数据置为1,大于5且小于等于10的数据置为2,大于10且小于等于15的数据置为3,大于15的数据置为4(即对于第(M+j)帧图像中,与初始背景中像素值的差值的绝对值大于15的像素被认为是目标);
S205、将图像Level中的各结果所对应的像素值采用当前帧中该处的像素值与初始背景中该处的像素值的加权值代替,其加权系数参照初始化步骤S201中的定义确定,计算公式为z=A*x+(1-A)*y;其中,x为第(M+j)帧图像的像素值,y为初始背景的像素值,A为加权系数,z为加权结果;以5值化为例,不同结果0~4对应不同的加权系数A0~A4;
S206、获得临时背景帧TMPBGj;
S207、i=i+1;j=j+1;
S208、判断i是否大于N,若是,则执行后续步骤,否则,返回步骤S203;
S209、对最新的N幅临时背景帧TMPBGn(n=j-N,j-(N-1),j-(N-2),......,j-1)求平均值,即得到最后的背景图像,这里的最后背景图像是指当前帧更新背景的结果;在本实施例中,N=100,即对视频序列中最新的100帧图像进行逐帧更新后,取其平均值以得到当前帧更新背景的结果,如第200帧更新背景的结果、第201帧更新背景的结果、第202帧更新背景的结果......;
S210、i=i-1,返回步骤S203,对后续帧执行背景更新。
本发明所提出的加权多值化背景提取方法计算简单,背景提取效果好,较现有的高斯模型背景提取法运行效率高,可以方便地移植到实时的视频监控系统中,特别是目前采用嵌入式系统的交通监控系统中,以准确提取车辆流量、车型和车速等。
当然,以上所述仅是本发明的一种优选实施方式而已,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种背景提取方法,包括以下步骤:
a、用当前帧与初始背景做差分后,所得结果记为图像DIF;
b、将图像DIF多值化,即把图像DIF中的各数据按照由背景到目标的顺序划分成多个等级,并采用不同的值进行表示,其结果记为图像Level;
c、将图像Level中等级最低的像素值全部采用当前帧或初始背景中该处的像素值代替;将图像Level中等级最高的像素值全部采用初始背景中该处的像素值代替;将图像Level中等级介于最低和最高之间的各数据采用当前帧的像素值与初始背景的像素值的加权值代替,即z=A*x+(1-A)*y,以形成背景图像;其中,x为当前帧的像素值,y为初始背景的像素值,A为加权系数,z为加权结果。
2.根据权利要求1所述的背景提取方法,其特征在于:所述多值化的阈值根据图像DIF中数据的特点动态确定。
3.根据权利要求2所述的背景提取方法,其特征在于:所述多值化为5值化或者7值化。
4.根据权利要求1所述的背景提取方法,其特征在于:在所述步骤c中,在执行加权运算进行像素值代替时,所述加权系数A随等级的升高而加大。
5.根据权利要求1所述的背景提取方法,其特征在于:所述差分是指做差值后再取绝对值。
6.根据权利要求1至5中任一项所述的背景提取方法,其特征在于:在步骤c中,所述的背景图像为一幅临时的背景帧,对视频序列中后续的(N-1)帧图像循环执行步骤a、b、c,得到N幅临时的背景帧,求所述N幅临时背景帧的平均值,即形成最后的背景图像;所述N为大于1的自然数。
7.根据权利要求6所述的背景提取方法,其特征在于:所述初始背景采用均值法将视频序列的前M帧图像取均值后得到,所述M为大于1的自然数。
8.根据权利要求6所述的背景提取方法,其特征在于:所述初始背景采用高斯模型法提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100168670A CN101609556B (zh) | 2008-06-19 | 2008-06-19 | 一种背景提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008100168670A CN101609556B (zh) | 2008-06-19 | 2008-06-19 | 一种背景提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101609556A CN101609556A (zh) | 2009-12-23 |
CN101609556B true CN101609556B (zh) | 2011-08-10 |
Family
ID=41483303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008100168670A Expired - Fee Related CN101609556B (zh) | 2008-06-19 | 2008-06-19 | 一种背景提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101609556B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833464B (zh) * | 2012-07-24 | 2015-06-17 | 常州展华机器人有限公司 | 智能视频监控用结构化背景重建方法 |
CN104899557B (zh) * | 2015-05-25 | 2017-12-29 | 浙江工业大学 | 一种基于视频的交叉路口背景图像提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995665A (en) * | 1995-05-31 | 1999-11-30 | Canon Kabushiki Kaisha | Image processing apparatus and method |
CN1529506A (zh) * | 2003-09-29 | 2004-09-15 | �Ϻ���ͨ��ѧ | 基于运动检测的视频对象分割方法 |
CN101110903A (zh) * | 2007-08-31 | 2008-01-23 | 湖北科创高新网络视频股份有限公司 | 一种视频数据实时去噪的方法和系统 |
-
2008
- 2008-06-19 CN CN2008100168670A patent/CN101609556B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995665A (en) * | 1995-05-31 | 1999-11-30 | Canon Kabushiki Kaisha | Image processing apparatus and method |
CN1529506A (zh) * | 2003-09-29 | 2004-09-15 | �Ϻ���ͨ��ѧ | 基于运动检测的视频对象分割方法 |
CN101110903A (zh) * | 2007-08-31 | 2008-01-23 | 湖北科创高新网络视频股份有限公司 | 一种视频数据实时去噪的方法和系统 |
Non-Patent Citations (9)
Title |
---|
JP特开2000-69287A 2000.03.03 |
JP特开平5-159059A 1993.06.25 |
万新光 等.计算机图象分割及其算法.《哈尔滨科学技术大学学报》.1991,第15卷(第3期),第60页倒数第1段-第62页第4段 |
万新光 等.计算机图象分割及其算法.《哈尔滨科学技术大学学报》.1991,第15卷(第3期),第60页倒数第1段-第62页第4段,第62页第2.1.2节第3段. * |
公式1,2. |
林洪文 等.基于统计背景模型的运动目标检测方法.《计算机工程》.2003,第29卷(第16期),第98页第1.2节第1-2段 |
林洪文 等.基于统计背景模型的运动目标检测方法.《计算机工程》.2003,第29卷(第16期),第98页第1.2节第1-2段,第1.4节第2-4段;公式1,2. * |
第1.4节第2-4段 |
第62页第2.1.2节第3段. |
Also Published As
Publication number | Publication date |
---|---|
CN101609556A (zh) | 2009-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101827204B (zh) | 一种运动目标侦测方法及系统 | |
US20170316127A1 (en) | Method and apparatus for constructing testing scenario for driverless vehicle | |
Snidaro et al. | Real-time thresholding with Euler numbers | |
US7982774B2 (en) | Image processing apparatus and image processing method | |
CN104616290A (zh) | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 | |
KR20210080459A (ko) | 차선 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
CN113468967A (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN101286231A (zh) | 一种均匀分布图像亮度的对比度增强方法 | |
CN104636118A (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
CN103729828B (zh) | 视频去雨方法 | |
CN103456009B (zh) | 目标检测方法与装置、监控系统 | |
CN104952256A (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN104603838A (zh) | 从采集的图像监测对象的设备和方法 | |
CN104751484A (zh) | 一种运动目标检测方法及实现运动目标检测方法的检测系统 | |
CN111967394A (zh) | 一种基于动静态网格融合策略的森林火灾烟雾根节点检测方法 | |
CN104021527A (zh) | 一种图像中雨雪的去除方法 | |
CN103209321B (zh) | 一种视频背景快速更新方法 | |
CN101609556B (zh) | 一种背景提取方法 | |
CN109978916A (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
CN110033425B (zh) | 干扰区域检测装置及方法、电子设备 | |
CN111951194A (zh) | 图像处理方法、装置、电子设备和计算机可读存储介质 | |
CN105205833A (zh) | 一种基于时空背景模型的运动目标检测方法及装置 | |
CN103618846A (zh) | 一种视频分析中抑制光线突然变化影响的背景去除方法 | |
CN105631862B (zh) | 一种基于邻域特征和灰度信息的背景建模方法 | |
CN101902557A (zh) | 视频图像背景的重构方法及装置 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110810 Termination date: 20200619 |