CN101751669A - 一种静止物体检测方法和装置 - Google Patents
一种静止物体检测方法和装置 Download PDFInfo
- Publication number
- CN101751669A CN101751669A CN200910243337A CN200910243337A CN101751669A CN 101751669 A CN101751669 A CN 101751669A CN 200910243337 A CN200910243337 A CN 200910243337A CN 200910243337 A CN200910243337 A CN 200910243337A CN 101751669 A CN101751669 A CN 101751669A
- Authority
- CN
- China
- Prior art keywords
- width
- image
- original image
- cloth
- pixel
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 230000003068 static effect Effects 0.000 title claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 239000004744 fabric Substances 0.000 claims description 178
- 230000001174 ascending effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 abstract 2
- 238000011524 similarity measure Methods 0.000 abstract 2
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种静止物体检测方法和装置，预先建立背景模型，当需要进行静止物体检测时，根据背景模型，确定采集到的每幅原始图像中的目标物体所在区域；确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则针对这N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差和区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果连续N幅原始图像中，出现M次相似度测度大于预先设置的阈值的情况，则确定区域X中的目标物体为静止物体。应用本发明所述方案，能够提高静止物体检测的准确性。
Description
技术领域
本发明涉及智能视频监控技术，特别涉及一种静止物体检测方法和装置。
背景技术
现有智能视频监控技术中，静止物体检测是其中一个非常重要且广为应用的技术，很多场合下，比如停车检测(检测有没有违规停车的车辆)、车辆抛撒物检测(检测某些特定的场合，如隧道里是否有往来车辆抛撒的杂物等)以及安全区域遗留物检测(检测某些安全禁区内是否有可疑物品)等均需要用到静止物体检测技术。
现有静止物体检测技术的实现多通过对图像特征进行提取，然后对提取出的图像特征进行时间轴上的分析来实现。比如，提取连续多幅图像的灰度直方图，通过对这连续多幅图像的灰度直方图的变化情况进行分析，确定是否存在静止物体。但上述特征提取方式通常都是基于图像的灰度值来进行的，而图像的灰度值可能会受到光照等因素的影响，因此可能会导致特征提取不准确，进而导致检测效果不理想。
发明内容
有鉴于此，本发明的主要目的在于提供一种静止物体检测方法，能够提高静止物体检测的准确性。
本发明的另一目的在于提供一种静止物体检测装置，能够提高静止物体检测的准确性。
为达到上述目的，本发明的技术方案是这样实现的：
一种静止物体检测方法，预先建立背景模型，当需要进行静止物体检测时，该方法包括：
根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域；
确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按采集先后顺序，对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；
如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；所述N和M均为大于1的正整数，且N大于M。
所述建立背景模型包括：分别获取慢背景图像以及快背景图像，将所述慢背景图像和快背景图像进行融合，得到所述背景模型；
其中，所述获取慢背景图像包括：连续采集A幅原始图像，将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述慢背景图像；所述A为大于1的正整数；
所述获取快背景图像包括：连续采集B幅原始图像，将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述快背景图像；所述B为大于1的正整数；
其中，所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔。
该方法进一步包括：对所述慢背景图像和快背景图像进行实时更新，并利用更新后的慢背景图像和快背景图像对所述背景模型进行更新；
其中，所述对慢背景图像进行更新包括：利用排序后处于同一位置的各像素点分别组成一幅图像，得到A幅重组图像，将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像；
所述对快背景图像进行更新包括：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像。
该方法进一步包括：对采集到每幅原始图像进行预处理。
所述根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域包括：
将采集到的每幅原始图像中的每个像素点与所述背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；
将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，根据形态学滤波后的图像确定目标物体所在区域。
所述计算每幅原始图像在区域X内的交互方差之前，进一步包括：对每幅原始图像的区域X内的各像素点的灰度值进行量化处理，量化到指定等级。
所述计算每幅原始图像在区域X内的交互方差包括：
分别统计每幅原始图像及其相邻的原始图像在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；
分别确定每幅原始图像的区域X内的每个灰度值的链码对应的像素点位置在相邻的原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
所述确定区域X中的目标物体为静止物体之后，进一步包括：向工作人员进行报警，并在当报警解除后，将所述区域X作为背景更新到所述背景模型中。
一种静止物体检测装置，包括：
建立单元，用于建立背景模型；
第一确定单元，用于根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域；
第二确定单元，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；所述N和M均为大于1的正整数，且N大于M。
所述建立单元包括：
第一获取子单元，用于连续采集A幅原始图像，将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述慢背景图像，所述A为大于1的正整数；
第二获取子单元，用于连续采集B幅原始图像，将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述快背景图像；所述B为大于1的正整数；其中，所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔；
融合子单元，用于将所述慢背景图像和快背景图像进行融合，得到所述背景模型。
所述第一获取子单元进一步用于，对所述慢背景图像进行更新，包括：利用排序后处于同一位置的各像素点分别组成一幅图像，得到A幅重组图像，将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像；
所述第二获取子单元进一步用于，对所述快背景图像进行更新，包括：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像；
所述融合单元在确定出所述第一获取子单元或所述第二获取子单元发生更新时，利用更新结果对所述背景模型进行更新。
所述第一确定单元包括：
第三获取子单元，用于将采集到的每幅原始图像中的每个像素点与所述背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；
第一处理子单元，用于将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，根据形态学滤波后的图像确定目标物体所在区域。
所述第二确定单元包括：
判断子单元，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则通知第二处理子单元；
所述第二处理子单元，用于针对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；其中，所述交互方差的计算方式包括：分别统计每幅原始图像及其相邻的原始图像在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；分别确定每幅原始图像的区域X内的每个灰度值的链码对应的像素点位置在相邻的原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
所述第二处理子单元进一步用于，对每幅原始图像的区域X内的各像素点的灰度值进行量化处理，量化到指定等级，计算量化后的每幅原始图像在区域X内的交互方差以及区域方差。
所述第二处理子单元进一步用于，当确定所述区域X中的目标物体为静止物体后，向工作人员进行报警，并在当报警解除后，将所述区域X作为背景更新到所述背景模型中。
可见，采用本发明的技术方案，主要基于方差来进行静止物体的检测，即与图像中各像素点的灰度值没有直接关系，而是与灰度值的分布情况有关，所以相比于现有技术，本发明所述方案受光照等因素的影响较小，从而可使得静止物体检测结果更为准确；而且，本发明所述方案可对背景模型进行实时更新，从而进一步提高了静止物体检测的准确性。
附图说明
图1为本发明方法实施例的流程图。
图2为本发明装置实施例的组成结构示意图。
具体实施方式
针对现有技术中存在的问题，本发明中提出一种全新的静止物体检测方案，即预先建立背景模型，当需要进行静止物体检测时，首先根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域；然后，确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果所述连续N幅原始图像中，出现M次相似度测度大于预先设置的阈值的情况，则确定区域X中的目标物体为静止物体，N和M均为大于1的正整数，N大于M。
由于本发明所述方案主要基于方差来进行静止物体的检测，即与图像中各像素点的灰度值没有直接关系，而是与灰度值的分布情况有关，所以相比于现有技术，受光照等因素的影响较小，从而可使得静止物体检测的结果更为准确。
另外，本发明所述方案中还提出了一种利用慢背景图像和快背景图像进行融合的方式来建立背景模型的方法，并根据慢背景图像和快背景图像的不同特点，采用不同的更新方法，进而对背景模型进行更新，以便进一步提高静止物体检测的准确性。
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明作进一步地详细说明。
图1为本发明方法实施例的流程图。如图1所示，包括以下步骤：
步骤11：建立背景模型。
本步骤，分别获取慢背景图像和快背景图像，然后，将慢背景图像与快背景图像进行融合，得到背景模型，如何进行融合为本领域公知，不再赘述。
其中，慢背景图像的获取方式可以是：连续采集A幅原始图像，A为大于1的正整数，比如10～20幅，将这A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为慢背景图像。在采集到每幅原始图像时，还可先对其进行一些预处理，比如平滑等，以减少噪声。
举例说明，假设共采集了11幅原始图像，每幅原始图像的大小分别为10×5(实际图像的大小远大于10×5，此处仅为了表述方便)，将这11幅原始图像中的(1，1)位置上的11个像素点按灰度值由小到大的顺序进行排序，同样，对(1，2)、(1，3)、(1，4)、(1，5)、(2，1)，......，(10，5)等位置上的像素点也按照上述方式进行排序；之后，利用每次排序后处于中间位置，即第6位的各像素点组成一幅图像，将所组成的图像作为慢背景图像。
另外，有可能采集的图像数为偶数，比如10幅，那么可将排序后的第5或第6位作为中间位置，或者，将两个位置上的灰度值进行平均，将平均值赋给慢背景图像，总之，具体实现方式不限，可根据实际需要灵活设置。
同样，获取快背景图像的方式可以是：连续采集B幅原始图像，将这B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为快背景图像，B为大于1的正整数。
可以看出，快背景图像的获取方式与慢背景图像的获取方式是一样的，但通常，慢背景图像获取过程中所用到的原始图像的采集时间间隔大于快背景图像获取过程中所用到的原始图像的采集时间间隔，这是因为慢背景的变化比较慢，所以可间隔较长时间采集一次新图像。A和B的取值可以相同，也可以不同，不作限制。
后续，还可实时对上述慢背景图像以及快背景图像进行更新，并且，如果慢背景图像和快背景图像中有一个进行了更新，则相应地更新背景模型。慢背景图像和快背景图像可采用不同的更新方式。
其中，慢背景图像的更新方式可以为：利用排序后处于同一位置的各像素点分别组成一幅图像，即利用排序后处于第一位的各像素点组成一幅图像，利用排序后处于第二位的各像素点组成一幅图像，依次类推，从而得到A幅重组图像；将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像。由于所述A-1幅重组图像中的各位置上的像素点的灰度值的顺序都是已经排好的，所以再次排序时，只需将新采集的第A+1幅原始图像中每个像素点上的灰度值按大小插入到对应的位置即可。
快背景图像的更新方式可以是：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像。由于快背景变化较快，所以直接将最先采集的一幅原始图像丢弃即可。
步骤12：根据背景模型，确定采集到的每幅原始图像中的目标物体所在区域。
本步骤中，首先将采集到的每幅原始图像中的每个像素点与背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；然后，将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，即先腐蚀后膨胀，以去除可能存在的噪声；之后，根据形态学滤波后的图像确定目标物体所在区域。如何进行二值化、形态学滤波以及确定目标物体所在区域等均为本领域公知，不再赘述。
步骤13：确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度。
需要说明的是，这里所提到的同一区域，并不是一定要完全相同，只要误差在允许的范围内即可。本步骤中，确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如何确定为现有技术，如果不是，则认为检测到的目标物体为运动物体，不用理会，否则，说明其有可能为静止物体，并通过以下方式来进行进一步地判断。
为减少计算量并减少噪声干扰，可首先对每幅原始图像的区域X内的各像素点的灰度值进行量化处理，即将256级量化到指定等级，比如16、32或64等；然后，针对每两幅相邻原始图像(为表述方便，以下分别称为图像A和图像B)，分别进行以下处理：
计算图像A和图像B在区域X内的交互方差和区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为图像A和图像B中的目标物体的相似度测度。所述归一化即指用图像A的交互方差除以图像A的区域方差，用图像B的交互方差除以图像B的区域方差。
交互方差的计算方式为：分别统计图像A和图像B在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；分别确定图像A和图像B的区域X内的每个灰度值的链码对应的像素点位置在相邻原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
举例说明，假设图像A中的区域X中共涉及到了10个灰度值，其中一个灰度值230对应的像素点(即图像A的区域X中取值为250的像素点)的位置为(30，31)、(50，56)、(50，57)，此位置信息即为灰度值230的链码，而图像B中的(30，31)、(50，56)、(50，57)这三个位置上的像素点的灰度值的方差即为灰度值230对应的方差；按照同样的方式计算出其它9个灰度值的方差，将10个方差相加，得到的结果即为图像A在区域X内的交互方差。同样，可计算出图像B在区域X内的交互方差。区域方差即指图像A和图像B在各自的区域X内的10个像素点的灰度值方差。
步骤14：如果连续N幅原始图像中，出现M次相似度测度大于预先设置的阈值的情况，则确定区域X中的目标物体为静止物体。
M的取值可根据实际需要而定，通常要大于N的取值的二分之一。如果M次出现两个相邻原始图像的目标物体的相似度测度大于阈值，则认为区域X中的目标物体为静止物体，否则，为运动物体。
对于确定为静止物体的目标物体，后续可通过已有方式进行报警，这样，工作人员即可及时对该静止物体按照预定方式进行检查，比如在安全区域遗留物体检测应用中，检查该静止物体是否为安全物体，如果是，则可将报警解除，并可将该静止物体所在的区域X作为背景更新到背景模型中，这样处理的好处在于，对于已经确定为安全物体的静止物体，如果不将其更新到背景模型中，那么在下一次检测时，还会检测到该静止物体，相应地，还会进行报警，那么工作人员就需要再次重复上述检查等过程，从而增加了工作人员的工作负荷。
基于上述方法，图2为本发明装置实施例的组成结构示意图。如图2所示，包括：
建立单元21，用于建立背景模型；
第一确定单元22，用于根据背景模型，确定采集到的每幅原始图像中的目标物体所在区域；
第二确定单元23，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果连续N幅原始图像中，出现M次相似度测度大于预先设置的阈值的情况，则确定区域X中的目标物体为静止物体；N和M均为大于1的正整数，N大于M。
其中，建立单元21中包括：
第一获取子单元211，用于连续采集A幅原始图像，将A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为慢背景图像，A为大于1的正整数；
第二获取子单元212，用于连续采集B幅原始图像，将B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为快背景图像；B为大于1的正整数；其中，A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于B幅原始图像中的每两幅相邻原始图像的采集时间间隔；
融合子单元213，用于将慢背景图像和快背景图像进行融合，得到背景模型。
第一获取子单元211可进一步用于，对慢背景图像进行更新，包括：利用排序后处于同一位置的各像素点分别组成一幅图像，得到A幅重组图像，将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像；
第二获取子单元212可进一步用于，对快背景图像进行更新，包括：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像；
融合单元213在确定出第一获取子单元211或第二获取子单元212发生更新时，利用更新结果对背景模型进行更新。
另外，第一确定单元22中可具体包括：
第三获取子单元221，用于将采集到的每幅原始图像中的每个像素点与背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；
第一处理子单元222，用于将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，根据形态学滤波后的图像确定目标物体所在区域。
第二确定单元23中可具体包括：
判断子单元231，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则通知第二处理子单元232；
第二处理子单元232，用于针对N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果连续N幅原始图像中，出现M次相似度测度大于预先设置的阈值的情况，则确定区域X中的目标物体为静止物体；其中，交互方差的计算方式包括：分别统计每幅原始图像及其相邻的原始图像在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；分别确定每幅原始图像的区域X内的每个灰度值的链码对应的像素点位置在相邻的原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
第二处理子单元232还可进一步用于，对每幅原始图像中的区域X内的各像素点的灰度值进行量化处理，量化到指定等级，计算量化后的每幅原始图像在区域X内的交互方差以及区域方差，以及当确定区域X中的目标物体为静止物体后，向工作人员进行报警，并在当报警解除后，将X作为背景更新到背景模型中。
图2所示装置实施例的具体工作流程请参照图1所示方法实施例中的相应说明，此处不再赘述。
总之，采用本发明的技术方案，主要基于方差来进行静止物体的检测，即与图像中各像素点的灰度值没有直接关系，而是与灰度值的分布情况有关，所以相比于现有技术，本发明所述方案受光照等因素的影响较小，从而可使得静止物体检测结果更为准确；而且，本发明所述方案可对背景模型进行实时更新，从而进一步提高了静止物体检测的准确性。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (15)
1.一种静止物体检测方法，其特征在于，预先建立背景模型，当需要进行静止物体检测时，该方法包括：
根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域；
确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；
如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；所述N和M均为大于1的正整数，且N大于M。
2.根据权利要求1所述的方法，其特征在于，所述建立背景模型包括：分别获取慢背景图像以及快背景图像，将所述慢背景图像和快背景图像进行融合，得到所述背景模型；
其中，所述获取慢背景图像包括：连续采集A幅原始图像，将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述慢背景图像；所述A为大于1的正整数；
所述获取快背景图像包括：连续采集B幅原始图像，将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述快背景图像；所述B为大于1的正整数；
其中，所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔。
3.根据权利要求2所述的方法，其特征在于，该方法进一步包括：对所述慢背景图像和快背景图像进行实时更新，并利用更新后的慢背景图像和快背景图像对所述背景模型进行更新；
其中，所述对慢背景图像进行更新包括：利用排序后处于同一位置的各像素点分别组成一幅图像，得到A幅重组图像，将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像；
所述对快背景图像进行更新包括：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像。
4.根据权利要求1、2或3所述的方法，其特征在于，该方法进一步包括：对采集到每幅原始图像进行预处理。
5.根据权利要求1、2或3所述的方法，其特征在于，所述根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域包括：
将采集到的每幅原始图像中的每个像素点与所述背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；
将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，根据形态学滤波后的图像确定目标物体所在区域。
6.根据权利要求1、2或3所述的方法，其特征在于，所述计算每幅原始图像在区域X内的交互方差之前，进一步包括：对每幅原始图像的区域X内的各像素点的灰度值进行量化处理，量化到指定等级。
7.根据权利要求1、2或3所述的方法，其特征在于，所述计算每幅原始图像在区域X内的交互方差包括：
分别统计每幅原始图像及其相邻的原始图像在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；
分别确定每幅原始图像的区域X内的每个灰度值的链码对应的像素点位置在相邻的原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
8.根据权利要求1、2或3所述的方法，其特征在于，所述确定区域X中的目标物体为静止物体之后，进一步包括：向工作人员进行报警，并在当报警解除后，将所述区域X作为背景更新到所述背景模型中。
9.一种静止物体检测装置，其特征在于，包括：
建立单元，用于建立背景模型；
第一确定单元，用于根据所述背景模型，确定采集到的每幅原始图像中的目标物体所在区域；
第二确定单元，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则按照采集先后顺序，对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；所述N和M均为大于1的正整数，且N大于M。
10.根据权利要求9所述的装置，其特征在于，所述建立单元包括：
第一获取子单元，用于连续采集A幅原始图像，将所述A幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述慢背景图像，所述A为大于1的正整数；
第二获取子单元，用于连续采集B幅原始图像，将所述B幅原始图像的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，该图像即为所述快背景图像；所述B为大于1的正整数；其中，所述A幅原始图像中的每两幅相邻原始图像的采集时间间隔大于所述B幅原始图像中的每两幅相邻原始图像的采集时间间隔；
融合子单元，用于将所述慢背景图像和快背景图像进行融合，得到所述背景模型。
11.根据权利要求10所述的装置，其特征在于，
所述第一获取子单元进一步用于，对所述慢背景图像进行更新，包括：利用排序后处于同一位置的各像素点分别组成一幅图像，得到A幅重组图像，将由排序后处于第一位的各像素点组成的重组图像丢弃，并将新采集到的第A+1幅原始图像与A-1幅重组图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的慢背景图像；
所述第二获取子单元进一步用于，对所述快背景图像进行更新，包括：按采集时间先后顺序，将最先采集到的一幅原始图像丢弃，并将新采集到的第B+1幅原始图像与已有的B-1幅原始图像中的相同位置上的像素点按灰度值由大到小或由小到大的顺序进行排序，利用排序后处于中间位置的各像素点组成一幅图像，将该图像作为更新后的快背景图像；
所述融合单元在确定出所述第一获取子单元或所述第二获取子单元发生更新时，利用更新结果对所述背景模型进行更新。
12.根据权利要求9、10或11所述的装置，其特征在于，所述第一确定单元包括：
第三获取子单元，用于将采集到的每幅原始图像中的每个像素点与所述背景模型中的相同位置的像素点进行相减，得到每幅原始图像的差分图像；
第一处理子单元，用于将每幅差分图像进行二值化处理，并对每幅二值化处理后的图像进行形态学滤波，根据形态学滤波后的图像确定目标物体所在区域。
13.根据权利要求9、10或11所述的装置，其特征在于，所述第二确定单元包括：
判断子单元，用于确定是否在连续N幅原始图像中的同一区域X内均检测到目标物体，如果是，则通知第二处理子单元；
所述第二处理子单元，用于针对所述N幅原始图像中的每两幅相邻原始图像，分别进行以下处理：计算每幅原始图像在区域X内的交互方差以及区域方差，利用计算出的区域方差对交互方差进行归一化，将两个归一化结果进行求和，将和的倒数作为相似度测度；如果所述连续N幅原始图像中，出现M次所述相似度测度大于预先设置的阈值的情况，则确定所述区域X中的目标物体为静止物体；其中，所述交互方差的计算方式包括：分别统计每幅原始图像及其相邻的原始图像在区域X内的每个灰度值的链码，所述链码是指每个灰度值对应的像素点位置；分别确定每幅原始图像的区域X内的每个灰度值的链码对应的像素点位置在相邻的原始图像中的取值，并计算对应的取值的方差；将每个灰度值对应的方差进行相加，得到交互方差。
14.根据权利要求13所述的装置，其特征在于，所述第二处理子单元进一步用于，对每幅原始图像的区域X内的各像素点的灰度值进行量化处理，量化到指定等级，计算量化后的每幅原始图像在区域X内的交互方差以及区域方差。
15.根据权利要求13所述的装置，其特征在于，所述第二处理子单元进一步用于，当确定所述区域X中的目标物体为静止物体后，向工作人员进行报警，并在当报警解除后，将所述区域X作为背景更新到所述背景模型中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN200910243337.4A CN101751669B (zh) | 2009-12-17 | 2009-12-17 | 一种静止物体检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN200910243337.4A CN101751669B (zh) | 2009-12-17 | 2009-12-17 | 一种静止物体检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101751669A true CN101751669A (zh) | 2010-06-23 |
| CN101751669B CN101751669B (zh) | 2014-03-26 |
Family
ID=42478613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN200910243337.4A Active CN101751669B (zh) | 2009-12-17 | 2009-12-17 | 一种静止物体检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101751669B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236902A (zh) * | 2011-06-21 | 2011-11-09 | 杭州海康威视软件有限公司 | 一种目标检测方法和装置 |
| CN103324906A (zh) * | 2012-03-21 | 2013-09-25 | 日电（中国）有限公司 | 一种遗留物检测的方法和设备 |
| CN103729844A (zh) * | 2013-12-20 | 2014-04-16 | 乐视致新电子科技（天津）有限公司 | 一种静止检测方法和装置 |
| CN105957352A (zh) * | 2016-06-01 | 2016-09-21 | 深圳中兴力维技术有限公司 | 违章停车检测方法和装置 |
| CN108229256A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种道路施工检测方法及装置 |
| CN110361710A (zh) * | 2018-04-09 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 基于激光点云的物体识别方法和装置 |
| CN110827348A (zh) * | 2019-11-14 | 2020-02-21 | 上海眼控科技股份有限公司 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001612A1 (en) * | 2002-06-28 | 2004-01-01 | Koninklijke Philips Electronics N.V. | Enhanced background model employing object classification for improved background-foreground segmentation |
| CN1801930A (zh) * | 2005-12-06 | 2006-07-12 | 南望信息产业集团有限公司 | 基于视频内容分析的可疑静止物检测方法 |
| CN101014975A (zh) * | 2004-09-15 | 2007-08-08 | 松下电器产业株式会社 | 物体检测装置 |
| CN101026685A (zh) * | 2007-03-23 | 2007-08-29 | 北京中星微电子有限公司 | 一种静止物体检测的方法及系统 |
| CN101299269A (zh) * | 2008-06-13 | 2008-11-05 | 北京中星微电子有限公司 | 静止场景的标定方法及装置 |
| CN101335841A (zh) * | 2007-06-28 | 2008-12-31 | 索尼株式会社 | 摄像装置 |
| CN101441712A (zh) * | 2008-12-25 | 2009-05-27 | 北京中星微电子有限公司 | 一种火焰的视频识别方法和一种火灾监控方法及其系统 |
| CN101576952A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种检测静止目标的方法和装置 |
| CN101587620A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于视觉监测的静止物体检测的方法 |
-
2009
- 2009-12-17 CN CN200910243337.4A patent/CN101751669B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001612A1 (en) * | 2002-06-28 | 2004-01-01 | Koninklijke Philips Electronics N.V. | Enhanced background model employing object classification for improved background-foreground segmentation |
| CN101014975A (zh) * | 2004-09-15 | 2007-08-08 | 松下电器产业株式会社 | 物体检测装置 |
| CN1801930A (zh) * | 2005-12-06 | 2006-07-12 | 南望信息产业集团有限公司 | 基于视频内容分析的可疑静止物检测方法 |
| CN101026685A (zh) * | 2007-03-23 | 2007-08-29 | 北京中星微电子有限公司 | 一种静止物体检测的方法及系统 |
| CN101335841A (zh) * | 2007-06-28 | 2008-12-31 | 索尼株式会社 | 摄像装置 |
| CN101587620A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于视觉监测的静止物体检测的方法 |
| CN101299269A (zh) * | 2008-06-13 | 2008-11-05 | 北京中星微电子有限公司 | 静止场景的标定方法及装置 |
| CN101441712A (zh) * | 2008-12-25 | 2009-05-27 | 北京中星微电子有限公司 | 一种火焰的视频识别方法和一种火灾监控方法及其系统 |
| CN101576952A (zh) * | 2009-03-06 | 2009-11-11 | 北京中星微电子有限公司 | 一种检测静止目标的方法和装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236902A (zh) * | 2011-06-21 | 2011-11-09 | 杭州海康威视软件有限公司 | 一种目标检测方法和装置 |
| CN102236902B (zh) * | 2011-06-21 | 2013-01-09 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法和装置 |
| CN103324906A (zh) * | 2012-03-21 | 2013-09-25 | 日电（中国）有限公司 | 一种遗留物检测的方法和设备 |
| CN103324906B (zh) * | 2012-03-21 | 2016-09-14 | 日电（中国）有限公司 | 一种遗留物检测的方法和设备 |
| CN103729844A (zh) * | 2013-12-20 | 2014-04-16 | 乐视致新电子科技（天津）有限公司 | 一种静止检测方法和装置 |
| CN103729844B (zh) * | 2013-12-20 | 2017-01-11 | 乐视致新电子科技（天津）有限公司 | 一种静止检测方法和装置 |
| CN105957352A (zh) * | 2016-06-01 | 2016-09-21 | 深圳中兴力维技术有限公司 | 违章停车检测方法和装置 |
| CN108229256A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 一种道路施工检测方法及装置 |
| CN110361710A (zh) * | 2018-04-09 | 2019-10-22 | 北京京东尚科信息技术有限公司 | 基于激光点云的物体识别方法和装置 |
| CN110827348A (zh) * | 2019-11-14 | 2020-02-21 | 上海眼控科技股份有限公司 | 摄像设备位置的自检处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101751669B (zh) | 2014-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101751669B (zh) | 一种静止物体检测方法和装置 | |
| CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
| Huidrom et al. | Method for automated assessment of potholes, cracks and patches from road surface video clips | |
| Prasanna et al. | Computer-vision based crack detection and analysis | |
| CN109190624B (zh) | 基于图像处理的厨房油烟浓度检测方法 | |
| CN110889371B (zh) | 一种渣土车抛洒检测的方法及装置 | |
| CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
| CN103810717A (zh) | 一种人体行为检测方法及装置 | |
| CN107895014B (zh) | 一种基于MapReduce框架的时间序列桥梁监测数据分析方法 | |
| CN101738394A (zh) | 室内烟雾检测方法及系统 | |
| CN107798293A (zh) | 一种道路裂缝检测装置 | |
| CN105760847A (zh) | 一种对摩托车驾驶员头盔佩戴情况的视觉检测方法 | |
| CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
| CN101739549A (zh) | 人脸检测方法及系统 | |
| CN101908214A (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
| EP3188080A1 (de) | Verfahren zur auswertung von gesten | |
| CN102496030B (zh) | 电力监测系统中危险目标的识别方法及装置 | |
| Alayat et al. | Pavement Surface Distress Detection Using Digital Image Processing Techniques | |
| de Silva et al. | Beyond Conventional Monitoring: A Semantic Segmentation Approach to Quantifying Traffic-Induced Dust on Unsealed Roads | |
| CN103996266B (zh) | 基于视频分析的尾矿库安全监测装置 | |
| Khalifa et al. | A new image-based model for predicting cracks in sewer pipes | |
| CN116228712A (zh) | 一种多尺度边坡灾害监测方法、系统及装置 | |
| CN105512633A (zh) | 一种电力系统危险目标识别方法及装置 | |
| CN101308576B (zh) | 道路中的运动方向检测方法及装置 | |
| Khalifa et al. | A new image model for predicting cracks in sewer pipes based on time |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180408 Address after: 100191 Xueyuan Road, Haidian District, Haidian District, Beijing, No. 607, No. six Patentee after: Beijing Vimicro AI Chip Technology Co Ltd Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor Patentee before: Beijing Vimicro Corporation |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20180409 Address after: 100191 Xueyuan Road, Haidian District, Haidian District, Beijing, No. 607, No. six Patentee after: Beijing Vimicro AI Chip Technology Co Ltd Address before: 100083, Haidian District, Xueyuan Road, Beijing No. 35, Nanjing Ning building, 15 Floor Patentee before: Beijing Vimicro Corporation |