CN101908214B - 基于邻域相关的背景重构的运动目标检测方法 - Google Patents
基于邻域相关的背景重构的运动目标检测方法 Download PDFInfo
- Publication number
- CN101908214B CN101908214B CN2010102500047A CN201010250004A CN101908214B CN 101908214 B CN101908214 B CN 101908214B CN 2010102500047 A CN2010102500047 A CN 2010102500047A CN 201010250004 A CN201010250004 A CN 201010250004A CN 101908214 B CN101908214 B CN 101908214B
- Authority
- CN
- China
- Prior art keywords
- background
- pixel
- formula
- gray level
- classes
- 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
本发明公开了一种基于邻域相关的背景重构的运动目标检测方法,包括如下步骤:输入图像序列,对数据进行排序;划分灰度平稳区间类;计算各灰度平稳区间类的出现频率;划分背景不确定区域并确定像素点的候选背景;像素点背景的确定;运动目标检测;本发明计算量小,不需要对场景中的背景和目标建立模型,亦不需要对背景进行条件假设;能直接从含有运动前景的场景图像中重构背景,能有效地避免了混合现象;在参数变化的很大范围内能得到满意结果;对于背景未以最大频率出现的区域,仍能准确进行背景重构,鲁棒性好;本发明在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。
Description
技术领域
本发明涉及对运动目标的检测与处理系统,尤其涉及基于邻域相关的背景重构的运动目标检测方法。
背景技术
在医院、重要交通路口、银行、地铁和重要的军事领域,常常需要对特定的场景进行全程监控,而通过人工来监视这些视频,不仅浪费人力、物力也浪费财力。智能监控系统是在无人干预的情况下,实现对运动目标的自动提取,随后对提取的运动目标进行后续处理,如:定位、识别、跟踪、分析和判断运动目标的行为,还能在异常情况发生时做出及时反应。运动目标的提取是智能监控系统进行后续处理的基础和关键。
智能监控系统中常采用的运动目标检测方法共有三种:光流法、帧差法和背景差分法。光流法因计算量非常大,且对噪声比较敏感,对硬件要求比较高等缺点,几乎很少在智能监控系统中采用;帧差法具有计算量小、能实现实时的运动检测等优点,但分割出的运动目标不完整,检测的运动目标容易出现空洞和拉伸,甚至出现检测不出运动目标的情况,严重影响了后续的应用,因此也不宜在智能监控系统中使用;背景差法通过构建出场景的背景图像帧,将当前帧和背景图像作比较,能得到完整的运动目标,是一种最为简单和有效的方法,完全克服了相邻帧差法的缺点。背景差分法简单有效、易于实现,是实时的智能监控系统的首选。背景提取和背景更新是背景差法的核心,直接影响着运动检测的实时性与准确性。
近年来,国内外的研究人员针对背景重构算法进行了大量的研究。背景重构算法有两类,一类是模型法,另一类是灰度归类法。模型法通过对各个像素点的灰度进行统计建模,并采用自适应的方法通过调整模型参数来更新背景,这种方法只有在场景中不含有运动目标时才能正确地对模型初始化,再加之计算量大,在实际应用中存在一定的困难;灰度归类法是根据一定的假设,利用已观测到的一段连续视频序列选择像素灰度获得当前的背景图像,该类方法计算量小经常在实时的监控系统中采用。灰度归类法最常采用的假设条件为:背景像素总是最大的频率出现,当像素的背景被运动目标长时遮挡,并非总是以最大频率出现时,灰度归类法往往会构建出错误的背景,这样会直接影响到运动目标的检测结果。
发明内容
针对上述场景中背景像素并非总是以最大频率出现,导致灰度归类法构建出错误的背景,影响运动目标的检测结果这一问题,本发明提出了一种基于邻域相关的背景重构的运动目标检测方法。本发明计算量小,不需要对场景中进行预先的假定,避免了灰度归类法常采用的背景像素总是最大的频率出现作为假设条件,解决了当像素的背景被运动目标长时遮挡,并非总是以最大频率出现时总是构建出错误背景的问题,保证了运动目标的检测结果的准确性,能有效地避免混合现象,能准确进行背景重构,鲁棒性好。
为了达到上述目的,本发明采用如下的技术解决方案:
一种基于邻域相关的背景重构的运动目标检测方法,包括如下步骤:
步骤1:输入图像序列,并对数据进行排序:
将图像采集设备采集到的图像序列输入计算机,计算机读取图像序列F′=(f′1,f′2,......,f′N),对输入的图像中某像素点p的灰度值F′(p)=(f′1(p),f′2(p),......,f′N(p))排序;
步骤2:划分灰度平稳区间类:
对排序后的数据划分灰度平稳区间:将第一个数据归为初类,且令第一个数据为初类的初值,此时令j=1,j为灰度平稳区间类;将新数据fi(p)与第j类的初值的差与门限值δ1相比较,若该差小于门限值δ1,将fi(p)归为第j类,并更新第j类的数据数和灰度和;否则,创建一个新类,并令该fi(p)为新类的初值;用p表示像素点,表示像素点p的第j类的初值,表示像素点p的第j类的数据数,表示像素点p的第j类的灰度和;最终得到R个灰度平稳区间类,R≥1;
其中:δ1为判断像素点p是否为新类的门限值,对于256级的灰度图像,δ1取值为20~40的整数;
步骤3:计算各灰度平稳区间类的出现频率:
利用公式6计算每个灰度平稳区间类的出现频率,第j个灰度平稳区间类的出现频率Wj(p):
步骤4:划分背景不确定区域并确定像素点的候选背景:
针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题,采用候选背景的策略,即首先确定像素点的背景是否唯一确定,若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2,则认为该像素点的背景唯一确定,并选择出现频率最大的灰度平稳区间类为该像素点的背景值;否则,认为该像素点的背景不唯一确定,则标记该像素点,并选择出现频率最大的2~3个灰度平稳区间类作为该像素点的候选背景;
步骤5:像素点背景的确定:
对于有唯一确定背景的像素点,其背景值即为唯一的候选背景值;对于候选背景不唯一的像素点:首先计算像素点背景选择的优先级;其次确定优先级最高的像素点的背景值;然后更新像素点的背景确定标识;最后循环执行上述步骤直至所有像素点的背景都被确定为止;
步骤6:运动目标检测:
结束。
本发明进一步还包括如下技术特征:
所述上述步骤1中对输入数据F′排序时,选择从小到大排序或从大到小排序。
所述步骤2划分灰度平稳区间类的步骤如下:
转入(2);
(2)继续输入新的数据fi(p),此时i=i+1,当i>N时,转入(6);否则,转入(3);
(4)将fi(p)归入第j类,用公式1、公式2更新该类,得到第j类的数据数和灰度和:
转入步(2);
转入(2);
(6)结束;最终得到R个灰度平稳区间类,R≥1。
所述步骤4划分背景不确定区域并确定像素点的候选背景的步骤如下:输入各像素点灰度类的出现频率Wj(p),计算满足等式的各m值,m≤R,δ2为门限值,δ2取值为0.7~0.95;若m=1,执行(a);若m=2,执行(b);若m>2,执行(c);所有像素点进行完毕,结束;
(a)此时像素点p有唯一确定的背景,令Bb(p)=1;选择出现频率最大的灰度平稳区间类为候选背景,候选背景数为1;其中,Bb(p)表示背景确定标识;
(b)此时像素点p的背景不唯一确定,令Bb(p)=0,选择出现频率最大的两个灰度平稳区间类为候选背景,候选背景数为2;
(c)此时像素点的背景不唯一确定,令Bb(p)=0,选择出现频率最大的三个灰度平稳区间类为候选背景,候选背景数为3;
所述步骤5像素点背景的确定的步骤如下:
(A)判断是否存在像素点P满足等式Bb(p)=0,若存在,转入(B),否则转入(E);
(B)首先,利用公式7计算所有满足Bb(p)=0的像素点p的优先级:
其中,Φ(p)以像素点p为中心的7×7的邻域;
转入(C);
(C)选择优先级最高的像素点背景:选择相似度d(p,q)最大的候选背景作为该优先级最高的像素点的背景值,相似度d(p,q)根据公式8计算得到:
其中,G(p)为像素点p的梯度,G(p)由公式9表示:
G(p)=GX(p)+GY(p) (公式9)
用(x,y)表示像素点p的坐标,GX(p)和GY(p)分别表示X和Y方向的梯度:
GX(p)=f(x+1,y)-f(x,y) (公式10)
GY(p)=f(x,y+1)-f(x,y) (公式11)
转入(D);
(D)更新像素点p的背景确定标识Bb(p)为:Bb(p)=1;
转入(A);
(E)结束。
所述(B)中的像素P的梯度G(p)还可以采用Sobel算子或Canny算子的梯度公式;
本发明的方法带来的优点如下:
1、计算简单、运行时间短,适合在实时的系统中采用。
2、不需要对场景中的背景和目标建立模型,亦不需要对背景进行条件假设,从而使得本发明能广泛应用于各种实际的监控场合。
3、多数发明要求系统初始化时场景中不含运动目标,而本发明能直接从含有运动前景的场景图像中重构背景,从而可以避免本发明在初始化时清楚运动目标的繁琐工作。
4、在参数变化的很大范围内都能得到满意的运动检测结果,当真实背景未以最大频率出现时,仍能准确进行背景重构,鲁棒性好。
5、应用范围广泛。在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。
附图说明
图1是本发明的流程图。
图2是输入图像帧fi。
图4是运动检测结果。
图5是本发明的具体实施过程流程图。
图6是本发明的检测方法中步骤2的流程图。
图7是本发明的检测方法中步骤4的流程图。
图8是本发明的检测方法中步骤5的流程图。
下面结合附图和具体实施方式对本发明作进一步的详细说明。
具体实施方式
如图1所示,本发明的基于邻域相关的背景重构的运动目标检测方法,包括如下步骤:
步骤1:输入图像序列,并对数据进行排序;
将图像采集设备采集到的图像序列输入计算机,计算机读取图像序列F′=(f′1,f′2,......,f′N),以图像任一像素点为例,对输入的图像中某像素点p的灰度值F′(p)=(f′1(p),f′2(p),......,f′N(p))排序;
步骤2:划分灰度平稳区间类;
对排序后的数据划分灰度平稳区间:将第一个数据归为初类,且令第一个数据为初类的初值,此时令j=1,j为灰度平稳区间类;将新数据fi(p)与第j类的初值的差与门限值δ1相比较,若该差小于门限值δ1,将fi(p)为第j类,并更新第j类的数据数和灰度和;否则,创建一个新类,并令该fi(p)为新类的初值;用p表示像素点,表示像素点p的第j类的初值,表示像素点p的第j类的数据数,表示像素点p的第j类的灰度和;最终得到R个灰度平稳区间类,R≥1;
其中:δ1为判断像素点p是否为新类的门限值,对于256级的灰度图像,δ1取值为20~40的整数;
参见图6,步骤2的具体步骤如下:
转入(2);
(2)继续输入新的数据fi(p),此时i=i+1,当i>N时,转入(6);否则,转入(3);
(4)将fi(p)归入第j类,用公式1、公式2更新该类,得到第j类的数据数和灰度和:
转入步(2);
转入(2);
(6)结束;最终得到R个灰度平稳区间类,R≥1。
执行步骤3;
步骤3:计算各灰度平稳区间类的出现频率:
利用公式6计算每个灰度平稳区间类的出现频率,第j个灰度平稳区间类的出现频率Wj(p):
执行步骤4;
步骤4:划分背景不确定区域并确定像素点的候选背景;
针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题,采用候选背景的策略,即首先确定像素点的背景是否唯一确定,若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2,则认为该像素点背景唯一确定,并选择出现频率最大的灰度平稳区间类为该像素点的背景值;否则,认为该像素点的背景不唯一确定,则标记该像素点,并选择出现频率最大的2~3个灰度平稳区间类作为该像素点的候选背景;
执行步骤5;
参见图7,步骤4的具体步骤如下:
输入各灰度平稳区间类的出现频率Wj(p),计算满足等式的各m值,m≤R,δ2为门限值,δ2取值为0.7~0.95;若m=1,执行(a);若m=2,执行(b);若m>2,执行(c);所有像素点进行完毕,结束;
(a)此时像素点p有唯一确定的背景,令Bb(p)=1;选择出现频率最大的灰度平稳区间类为候选背景,候选背景数为1;其中,Bb(p)表示背景确定标识;
(b)此时像素点p的背景不唯一确定,令Bb(p)=0,选择出现频率最大的两个灰度平稳区间类为候选背景,候选背景数为2;
(c)此时像素点的背景不唯一确定,令Bb(p)=0,选择出现频率最大的三个灰度平稳区间类为候选背景,候选背景数为3;
步骤5:像素点背景的确定;
对于有唯一确定背景的像素点,其背景值即为唯一的候选背景值;对于候选背景不唯一的像素点:首先计算像素点背景选择的优先级;其次确定优先级最高的像素点的背景值;然后更新像素点的背景确定标识;最后循环执行上述步骤直至所有像素点的背景都被确定为止;
参见图8,步骤5的具体步骤如下:
(A)判断是否存在像素点p满足等式Bb(p)=0,若存在,转入(B),否则转入(E);
(B)首先,利用公式7计算所有满足Bb(p)=0的像素点p的优先级:
其中,Φ(p)以像素点为中心的7×7的邻域;
转入(C);
(C)选择优先级最高的像素点背景:选择相似度d(p,q)最大的候选背景作为该优先级最高的像素点的背景值,相似度d(p,q)根据公式8计算得到:
其中,G(p)为像素点p的梯度,G(p)由公式9表示:
G(p)=GX(p)+GY(p) (公式9)
G(p)还可以采用Sobe1算子或Canny算子的梯度公式;
用(x,y)为像素点p的坐标,GX(p)和GY(p)分别表示X和Y方向的梯度:
GX(p)=f(x+1,y)-f(x,y) (公式10)
GY(p)=f(x,y+1)-f(x,y) (公式11)
转入(D);
(D)更新像素点p的背景确定标识Bb(p)为:Bb(p)=1;
转入(A);
(E)结束。
执行步骤6;
步骤6:运动目标检测;
其中,对于256级的灰度图像,δ3取值为20~40的整数;
结束。
实施例1:
参见图5,本实施例具体实施过程包括如下步骤:
步骤S0:将图像采集设备采集到的图像序列输入计算机,计算机读取图像序列F′=(f′1,f′2,......,f′N);
转入步骤S1;
步骤S1:对输入的图像中某像素点p的灰度值F′(p)=(f′1(p),f′2(p),......,f′N(p))按照从小到大的顺序排序,F(p)=(f1(p),f2(p),......,fN(p))表示排序后的图像数据;
转入步骤S2;
转入步骤S3;
步骤S3:继续输入新的数据fi(p),此时i=i+1,当i≤N时,转入步骤S4;否则,转入步骤S7,最终得到R个灰度平稳区间类,R≥1;
其中:δ1为判断像素点p是否为新类的阈值,对于256级的灰度图像,δ1取值为20~40的整数;
若 转入步骤S6;
步骤S5:将fi(p)归入第j类,用公式1、公式2更新该类,得到第j类的数据数和灰度和:
转入步骤S3;
转入步骤S3;
步骤S7:利用公式6计算每个灰度平稳区间类的出现频率,第j个灰度平稳区间类的出现频率为Wj(p):
转入步骤S8;
其中,δ2为判断像素点p是否为新类的阈值,对于256级的灰度图像,δ2取值为20~40的整数;
步骤S9:此时像素点p有唯一确定的背景,令Bb(p)=1,选择出现频率最大的灰度平稳区间类为候选背景,候选背景数为1;其中,Bb(p)表示背景确定标识;执行步骤S12;
步骤S10:此时像素点p的背景不唯一确定,令Bb(p)=0,选择出现频率最大的两个灰度平稳区间类为候选背景,候选背景数为2;执行步骤S12;
步骤S11:此时像素点p的背景不唯一确定,令Bb(p)=0选择出现频率最大的三个灰度平稳区间类为候选背景,候选背景数为3;执行步骤S12;
步骤S12:对图像中的所有像素点执行步骤S1~S11;判断是否遍历了所有像素点,如果是,执行步骤13;否则转入步骤S1;
步骤S13:如果存在像素点p满足Bb(p)=0,转入步骤S14;
否则,转入步骤S17;
步骤S14:用公式7计算所有满足Bb(p)=0的像素点的优先级,其中,Φ(p)以像素点p为中心的7×7的邻域;
转入步骤S15;
步骤S15:选择优先级最大的像素点的背景值,使得相似度d(p,q)为最大的候选背景即为该像素点的背景,相似度d(p,q)用公式8表示:
其中,G(p)为像素点p的梯度,用公式9表示:
G(p)=GX(p)+GY(p) (公式9)
用(x,y)为像素点p的坐标,GX(p)和GY(p)分别表示X和Y方向的梯度:
GX(p)=f(x+1,y)-f(x,y) (公式10)
GY(p)=f(x,y+1)-f(x,y) (公式11)
上述G(p)采用简单的梯度算子,G(p)还可以采用Sobel算子和Canny算子的梯度公式;
转入步骤S16;
步骤S16:更新像素点p的背景确定标识Bb(p)为:Bb(p)=1。
转入步骤S13;
其中,δ3运动检测门限值,对于256级的灰度图像,δ3取值为20~40的整数;
结束。
上述实施例1是本发明较优的实施例,本发明未涉及部分均与现有技术相同或可采用现有技术加以改造,本发明并不限于上述方式。在不背离本发明精神及其实质的情况下,本领域的技术人员可根据本发明所作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所保护的范围。
Claims (6)
1.一种基于邻域相关的背景重构的运动目标检测方法,其特征在于,包括如下步骤:
步骤1:输入图像序列,并对数据进行排序:
将图像采集设备采集到的图像序列输入计算机,计算机读取图像序列F′=(f′1,f′2,......,f′N),对输入的图像中每个像素点p的灰度值F′(p)=(f′1(p),f′2(p),......,f′N(p))排序;
步骤2:划分灰度平稳区间类:
对排序后的数据划分灰度平稳区间:将第一个数据归为初类,且令第一个数据为初类的初值,此时令j=1,j为灰度平稳区间类的序号;将新数据fi(p)与第j类的初值的差与门限值δ1相比较,若该差小于门限值δ1,将fi(p)归为第j类,并更新第j类的数据数和灰度和;否则,创建一个新类,并令该fi(p)为新类的初值;用p表示像素点,表示像素点p的第j类的初值,表示像素点p的第j类的数据数,表示像素点p的第j类的灰度和;最终得到R个灰度平稳区间类,R≥1;
其中:δ1为判断像素点p是否为新类的门限值,对于256级的灰度图像,δ1取值为20~40的整数;
步骤3:计算各灰度平稳区间类的出现频率:
利用公式6计算每个灰度平稳区间类的出现频率,第j个灰度平稳区间类的出现频率Wj(p):
步骤4:划分背景不确定区域并确定像素点的候选背景:
针对场景中并非所有像素点的背景总是以最大的出现频率出现这一问题,采用候选背景的策略,即首先确定像素点的背景是否唯一确定,若像素点的出现频率最大的灰度平稳区间类的出现频率高于门限值δ2,则认为该像素点的背景唯一确定,并选择出现频率最大的灰度平稳区间类为该像素点的背景值;否则,认为该像素点的背景不唯一确定,则标记该像素点,并选择出现频率最大的2~3个灰度平稳区间类作为该像素点的候选背景;
步骤5:像素点背景的确定:
对于有唯一确定背景的像素点,其背景值即为唯一的候选背景值;对于候选背景不唯一的像素点:首先计算像素点背景选择的优先级;其次确定优先级最高的像素点的背景值;然后更新像素点的背景确定标识;最后循环执行上述步骤直至所有像素点的背景都被确定为止;
步骤6:运动目标检测:
结束。
2.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法,其特征在于,所述上述步骤1中对输入数据F′(p)排序时,选择从小到大排序或从大到小排序。
3.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法,其特征在于,所述步骤2划分灰度平稳区间类的步骤如下:
转入(2);
(2)继续输入新的数据fi(p),此时i=i+1,当i>N时,转入(6);否则,转入(3);
(4)将fi(p)归入第j类,用公式1、公式2更新该类,得到第j类的数据数和灰度和:
转入步(2);
转入(2);
(6)结束;最终得到R个灰度平稳区间类,R≥1。
4.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法,其特征在于,所述步骤4划分背景不确定区域并确定像素点的候选背景的步骤如下:输入灰度平稳区间类的出现频率Wj(p),计算满足等式的各m值,m≤R,δ2为门限值,δ2取值为0.7~0.95;若m=1,执行(a);若m=2,执行(b);若m>2,执行(c);所有像素点进行完毕,结束;
(a)此时像素点p有唯一确定的背景,令Bb(p)=1;选择出现频率最大的灰度平稳区间类为候选背景,候选背景数为1;其中,Bb(p)表示背景确定标识;
(b)此时像素点p的背景不唯一确定,令Bb(p)=0,选择出现频率最大的两个灰度平稳区间类为候选背景,候选背景数为2;
(c)此时像素点p的背景不唯一确定,令Bb(p)=0,选择出现频率最大的三个灰度平稳区间类为候选背景,候选背景数为3。
5.如权利要求1所述的基于邻域相关的背景重构的运动目标检测方法,其特征在于,所述步骤5像素点背景的确定的步骤如下:
(A)判断是否存在像素点p满足等式Bb(p)=0,若存在,转入(B),否则转入(E);
(B)首先,利用公式7计算所有满足Bb(p)=0的像素点p的优先级:
其中,Φ(p)以像素点p为中心的7×7的邻域;
转入(C);
(C)选择优先级最高的像素点背景:选择相似度d(p,q)最大的候选背景作为该优先级最高的像素点的背景值,相似度d(p,q)根据公式8计算得到:
其中,G(p)为像素点p的梯度,G(p)由公式9表示:
G(p)=GX(p)+GY(p)(公式9)
用(x,y)表示像素点p的坐标,GX(p)和GY(p)分别表示X和Y方向的梯度:
GX(p)=f(x+1,y)-f(x,y)(公式10)
GY(p)=f(x,y+1)-f(x,y)(公式11)
转入(D);
(D)更新像素点p的背景确定标识Bb(p)为:Bb(p)=1;
转入(A);
(E)结束。
6.如权利要求5所述的基于邻域相关的背景重构的运动目标检测方法,其特征在于,所述(C)中的像素点p的梯度G(p)还可以采用Sobel算子或Canny算子的梯度公式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102500047A CN101908214B (zh) | 2010-08-10 | 2010-08-10 | 基于邻域相关的背景重构的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102500047A CN101908214B (zh) | 2010-08-10 | 2010-08-10 | 基于邻域相关的背景重构的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101908214A CN101908214A (zh) | 2010-12-08 |
CN101908214B true CN101908214B (zh) | 2012-05-23 |
Family
ID=43263667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102500047A Expired - Fee Related CN101908214B (zh) | 2010-08-10 | 2010-08-10 | 基于邻域相关的背景重构的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101908214B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496163B (zh) * | 2011-11-03 | 2013-07-17 | 长安大学 | 一种基于灰度极值的背景重构方法 |
CN103593678B (zh) * | 2013-10-16 | 2016-09-28 | 长安大学 | 一种大跨度桥梁车辆动态荷载分布检测方法 |
CN103793910B (zh) * | 2014-01-21 | 2017-03-08 | 南方医科大学 | 一种非均一性医学图像的分割方法 |
KR102366521B1 (ko) * | 2015-01-19 | 2022-02-23 | 한화테크윈 주식회사 | 이동 물체 탐지 시스템 및 방법 |
CN106887010B (zh) * | 2017-01-13 | 2019-09-24 | 西北工业大学深圳研究院 | 基于高层场景信息的地面运动目标检测方法 |
CN106920230B (zh) * | 2017-01-23 | 2019-07-02 | 长安大学 | 一种车门闭合区灰度相近的车门开闭自动检测方法 |
CN113283369A (zh) * | 2021-06-08 | 2021-08-20 | 苏州市伏泰信息科技股份有限公司 | 一种港口码头作业人员安全防护措施监控系统及方法 |
CN113688298A (zh) * | 2021-08-24 | 2021-11-23 | 北京房江湖科技有限公司 | 数据的呈现方法和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2953712B2 (ja) * | 1989-09-27 | 1999-09-27 | 株式会社東芝 | 移動物体検知装置 |
JP4231320B2 (ja) * | 2003-03-31 | 2009-02-25 | 本田技研工業株式会社 | 移動体の検出装置 |
CN100496100C (zh) * | 2006-05-19 | 2009-06-03 | 深圳艾科创新微电子有限公司 | 一种对运动检测结果进行优化的方法 |
CN101127887A (zh) * | 2007-08-28 | 2008-02-20 | 湖南大学 | 智能视觉监控方法和装置 |
CN101489121B (zh) * | 2009-01-22 | 2013-02-13 | 北京中星微电子有限公司 | 一种基于视频监控的背景模型初始化和更新方法 |
CN101561932B (zh) * | 2009-05-12 | 2012-01-11 | 北京交通大学 | 一种动态复杂背景下的实时运动目标检测方法和装置 |
-
2010
- 2010-08-10 CN CN2010102500047A patent/CN101908214B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101908214A (zh) | 2010-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN102496001A (zh) | 一种视频监控目标自动检测的方法和系统 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN111104903B (zh) | 一种深度感知交通场景多目标检测方法和系统 | |
CN101453575B (zh) | 一种视频字幕信息提取方法 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN103854292B (zh) | 一种人数及人群运动方向的计算方法及装置 | |
CN103281477A (zh) | 基于多级别特征数据关联的多目标视觉跟踪方法 | |
CN110110780B (zh) | 一种基于对抗神经网络和海量噪声数据的图片分类方法 | |
CN103208008A (zh) | 基于机器视觉的交通视频监控目标检测快速适应方法 | |
CN105512618B (zh) | 视频跟踪方法 | |
CN101799968A (zh) | 基于视频图像智能分析的油井入侵检测方法及装置 | |
CN102663366A (zh) | 行人目标识别方法及系统 | |
CN101577005A (zh) | 一种目标跟踪方法及装置 | |
CN105825233B (zh) | 一种基于在线学习随机蕨分类器的行人检测方法 | |
CN101751668A (zh) | 一种人群密度检测方法及装置 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
CN102215377A (zh) | Ptz单目标自动跟踪的装置及方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN103440667A (zh) | 一种遮挡状态下运动目标稳定追踪的自动装置 | |
CN104077609A (zh) | 一种基于条件随机场的显著性检测方法 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN101324958A (zh) | 一种目标跟踪方法及装置 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 |
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: 20120523 Termination date: 20120810 |