CN101996410B - 动态背景下的运动目标检测方法及系统 - Google Patents
动态背景下的运动目标检测方法及系统 Download PDFInfo
- Publication number
- CN101996410B CN101996410B CN 201010582856 CN201010582856A CN101996410B CN 101996410 B CN101996410 B CN 101996410B CN 201010582856 CN201010582856 CN 201010582856 CN 201010582856 A CN201010582856 A CN 201010582856A CN 101996410 B CN101996410 B CN 101996410B
- Authority
- CN
- China
- Prior art keywords
- background
- resolution
- image
- moving target
- model
- 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
Abstract
本发明公开了一种动态背景下的运动目标检测方法及系统。该方法包括低分辨率处理和高分辨率处理,低分辨率下获取运动目标的子区域,高分辨率得到精确的检测结果。本发明可以很好的处理动态背景问题;并且,本发明的高、低分辨率的互补检测过程,相对于混合高斯模型运动目标检测有以下优点:第一,对于背景缓慢或突发局部扰动,低分辨率都可以减少其影响,进而减少互补算法的检测错误,但是直接使用混合高斯模型检测不能处理突发局部扰动,会在背景突然变化时刻造成检测错误。第二,高、低分辨率互补检测对噪声影响具有一定的鲁棒性。
Description
技术领域
本发明涉及计算机视觉、模式识别、视频编码、基于内容的检索等的交叉领域,尤其涉及一种动态背景下的运动目标检测方法及系统。
背景技术
运动目标检测在视频监控、虚拟现实、机器人导航、军事瞄准、电视编辑、医学图像分析等许多领域都有了广泛的应用,因此具有重要的使用价值和广阔的发展前景。例如运动目标检测在以下几方面就有非常重要的应用:
第一、智能视频监控领域。随着经济和社会的发展,智能视频监控系统不仅应用于政府、军队、银行、电力等传统的对安全要求高的场合,而且也开始服务于人们的日常生活安全,如小区、商场、学校、停车场等。这些系统利用计算机视觉和视频处理技术自动分析摄像头采集的图像序列,实时对场景中的目标进行定位、跟踪、分析以判断目标是否对安全造成威胁。而这些对目标的运动分析,行为理解等诸多后续处理都依赖于运动目标检测的结果。
第二、智能交通领域。在交通系统中,运动目标检测有广泛的应用,主要包括电子警察、车流量检测、车辆超速检测、卡口车辆统计、车辆异常行为检测等,智能交通最终需要的得到的是车牌号、车的数量、车的颜色和车型等车辆信息,但是要获得这些重要信息首先需要一个车辆触发和车辆检测的过程,即需要对运动的车辆进行检测,检测的结果提供给后续应用进行处理。所以,运动目标检测的结果是否优良直接影响后续对车辆的高级分析,也是提高整个系统性能的重要环节。
第三、电视电影编辑领域。现代电视电影节目编辑技术发展日新月异,我们看到的很多精彩的画面都是电脑合成的结果,例如,电视台新闻节目中的主持人和变化的背景的合成,电影中分开拍摄的场景合成令人称赞的画面,3D电影立体电影中画面的分层等,电视电影编辑过程,当需要将一幅场景中拍摄的人提取出来与其他场景进行合成时,就需要运动目标的检测。
此外,运动目标检测还应用在人机交互,运动分析,视频传输等方面。除了上述民用方面的应用之外,运动目标检测技术在军事领域,特别是制导和导航方面也有广泛的应用。
视频中的运动目标检测是必须解决的基本问题之一,同时也是视频领域许多高级应用的基础,如目标跟踪、识别、内容分析与行为理解、基于对象的压缩等。
由于各种视频应用的场合不尽相同,运动目标所处的环境和背景千变万化,这对运动目标检测算法的适应性和稳健性提出了更高的要求。所以,复杂条件(或背景)下的运动目标检测一直是视频图像处理和理解领域研究的难点和热点,也日益成为视频图像处理系统实用性和可靠性的一大障碍。复杂的环境在运动目标检测中表现在:动态背景(树木摆动,水面波动,前景遮挡背景等)、光照变化、摄像机抖动、噪声等,这些现象在现实场景中经常出现,并且发生的频率和程度也不尽相同,所以,现实给运动目标检测算法的设计提出了更高的要求,针对复杂环境下运动目标检测的研究也非常重要和必要。
但是,传统的帧差分法、简单的背景减除的方法在检测运动目标时很难适应背景的变化。
发明内容
本发明的目的在于提供一种动态背景下的运动目标检测方法及系统,基于本发明,以更好的处理动态背景下的运动目标的检测。
一方面,本发明一种动态背景下的运动目标检测方法包括:分割步骤,确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;第一检测步骤,第二分辨率下,基于背景图像的多个子区域直方图获取背景模型;基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域;第二检测步骤,第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;修正步骤,判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测步骤中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测步骤;前景检测步骤,基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
上述运动目标检测方法中,优选所述分割步骤中,还包括:直方图修正步骤,判断所述背景图像的多个子区域直方图和当前帧图像的多个子区域直方图是否受边界效应的影响,若受到影响,则采用线性插值法对子区域直方图进行修正。
上述运动目标检测方法中,优选所述可能存在运动目标的区域通过如下方式确定:计算当前帧图像的子区域直方图与背景模型对应的子区域直方图的欧氏距离,若所述欧式距离大于指定阈值时,所述当前帧图像的子区域直方图与所述背景模型中所对应的直方图不相似,所述当前帧图像子区域被认为可能存在运动目标的区域。
上述运动目标检测方法中,优选所述修正步骤中,通过如下方式,基于无限脉冲响应滤波器法更新建立的背景模型:
Bk=(1-a)Bk-1+a·fk
其中,a是更新率,其中0≤a≤1,fk是当前帧对应的直方图,Bk-1是前一帧背景模型的直方图,Bk是当前帧背景模型的直方图。
上述运动目标检测方法中,优选所述第二检测步骤中,所述自适应高斯混合模型通过如下方式获取:使用自适应高斯混合模型进行建模;对模型中的混合高斯分布参数进行修正;对模型中各个权重进行归一化处理;从混合高斯分布集合中选出多个高斯分布作为自适应高斯混合模型。
另一方面,本发明一种动态背景下的运动目标检测系统,包括:分割模块、第一检测模块、第二检测模块、修正模块和前景检测模块。其中:分割模块用于确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;第一检测模块用于第二分辨率下,基于背景图像的多个子区域直方图获取背景模型;基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域;第二检测模块用于第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;修正模决用于判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测模块中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测模块;前景检测模块用于基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
上述运动目标检测系统,优选所述分割模块中,还包括:直方图修正单元,用于判断背景图像的多个子区域直方图和当前帧图像的多个子区域直方图是否受边界效应的影响,若受到影响,则采用线性插值法对子区域直方图进行修正。
上述运动目标检测系统,优选所述可能存在运动目标的区域通过如下方式确定:计算当前帧图像的子区域直方图与背景模型对应的子区域直方图的欧氏距离,若所述欧式距离大于指定阈值时,所述当前帧图像的子区域直方图与所述背景模型中所对应的直方图不相似,所述当前帧图像子区域被认为可能存在运动目标的区域。
上述运动目标检测系统,优选所述修正模块中,通过如下方式,基于无限脉冲响应滤波器法更新建立的背景模型:Bk=(1-a)Bk-1+a·fk;其中,a是更新率,其中0≤a≤1,fk是当前帧对应的直方图,Bk-1是前一帧背景模型的直方图,Bk是当前帧背景模型的直方图。
上述运动目标检测系统,优选所述第二检测模块中,所述自适应高斯混合模型通过如下方式获取:使用自适应高斯混合模型进行建模;对模型中的混合高斯分布参数进行修正;对模型中各个权重进行归一化处理;从混合高斯分布集合中选出多个高斯分布作为自适应高斯混合模型。
相对于现有技术而言,本发明充分考虑序列图像中背景变化在时间和空间上的关系,可以很好的处理动态背景问题,并且,本发明的高、低分辨率的互补检测过程,相对于混合高斯模型运动目标检测有以下优点:第一,对于背景缓慢或突发局部扰动,低分辨率都可以减少其影响,进而减少互补算法的检测错误,但是直接使用混合高斯模型检测不能处理突发局部扰动,会在背景突然变化时刻造成检测错误。第二,高、低分辨率互补检测对噪声影响具有一定的鲁棒性。
附图说明
图1A为本发明动态背景下的运动目标检测方法框架图;
图1B为图像的多分辨率分层图示意图;
图2为本发明动态背景下的运动目标检测方法实施例的步骤流程图;
图3为本发明动态背景下的运动目标检测方法的运动目标检测结果图;
图4为不同子区域选取方式下的低分辨率运动目标区域检测结果图;
图5为本发明动态背景下的运动目标检测系统的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
运动目标检测是计算机视觉、模式识别、视频编码、基于内容的检索等领域的研究重点和难点,已经在视频监控、虚拟现实、机器人导航等许多领域得到广泛应用。
参照图1A和图1B,本发明采用降低分辨率的方法,对图像进行多分辨率处理。其中,多分辨率处理是指对图像进行高斯模糊并降低分辨率的过程。发明分为低分辨率处理和高分辨率处理两步,低分辨率下获取运动目标的子区域,高分辨率得到精确的检测结果。
参照图2,图2为本发明动态背景下的运动目标检测方法实施例的步骤流程图,包括如下步骤:分割步骤S210,确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;第一检测步骤S220,包括第二分辨率下,基于背景图像的多个子区域直方图获取背景模型步骤;以及基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域步骤;第二检测步骤S230,第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;修正步骤S240,判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测步骤中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测步骤;前景检测步骤S250,基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
上述各个步骤涉及如下技术:
图像的多分辨率处理
本发明所使用的图像的多分辨率处理是指对图像进行高斯模糊并降低分辨率的过程,即原有图像进行高斯平滑,然后利用均值滤波进行降分辨率处理,得到低分辨率图像。
背景图像估计方法
(1)统计平均方法
这种方法是对背景图像进行多幅平均,多幅图像经常选择最近一段时间内的连续图像,这种方法一般适用于场景内目标滞留时间较短,目标出现不频繁的情况。简单的背景修正方法可采用如下方式:
其中Bk为背景图像,fk为当前帧图像。由上式可知,利用统计平均方法修正背景,参数N的选择非常重要,当目标移动缓慢,N选择较小时,前景很容易就融入背景,所以针对不同应用选择合适的N对构建真实的背景模型非常重要。
(2)无限脉冲响应滤波器法
一种类似于无限脉冲响应滤波器的方法,计算公式如下:
Bk=(1-a)Bk-1+a·fk
由上式可知,Bk为背景图像,fk为当前帧图像,参数a(0≤a≤1)代表背景模型的更新率,当a较小时,是一种缓慢修正背景图像的过程,当a较大时,则是一种较快更新背景图像的过程。也可以动态的调整a的取值,在子区域检测到运动目标时,可以适当减少该区域内的a,以防目标运动过慢引起前景融入背景,对于一段时间没有检测到运动目标的子区域,对a取值只进行微弱的调节。
对低分辨率图像分块并统计背景模型可以减少动态纹理的影响,并且可以提高算法的实时性,在低分辨率图像中检测到运动目标所在的块区域,进而减少其他子区域中动态纹理对后续精确检测的影响。
背景模型法
背景模型法是对序列图像中每个像素建立分布模型,该模型能正确的描述背景的概率分布,并随时间推移模型进行更新,对于新到一帧图像当像素的分布不符合背景模型中对应像素的分布时,被检测为运动目标。根据所出来视频场景的复杂性,背景模型的分布可为单模态和多模态两种。单模态分布背景的特征分布比较集中,只适应简单的背景变化,而多模态分布背景的特征分布相对分散,需要更加复杂的分布描述背景,如多个单高斯分布组成的混合高斯模型。
基于统计模型的复杂背景描述方法
描述复杂背景的方法有很多,通常基于统计模型的方法可分为:参数估计和非参数估计。参数估计的方法事先对背景的分布做一定的假设,通过样本的训练得出模型中的参数,例如,混合高斯模型就事先假定了背景的分布由多个单高斯分布组成,通过训练得出混合高斯模型中的参数:单高斯的个数,均值,方差,权值。非参数估计的方法事先对背景分布不做任何假设,通过多个样本对模型的分布进行拟合,最终获得的模型很难用一定的数学表达去描述,也无法确定该模型需要多少个参数,但是通过非参数估计的方法得到的分布更加准确,更能反映背景的真实分布,如一些背景的分布是非线性非高斯的,非参数估计方法才能正确估计,但参数估计的方法就很难描述。然而,非参数估计的方法一般需要较多的样本才能训练出准确的模型,实时性比较差。
像素模型
像素模型是指,对每一个像素定义其分布模型,设像素值序列为{xt-k,xt-k+1,...xt},每个像素的分布被定义是一个由多个单高斯分布模型组成的集合,即混合高斯分布:
pi(x,y)={pi,t|i=1,...,K}
其中:
pi,t=[wi,t,mi,t,σ2 i,t]
其中,pi,t为t时刻的第i个单高斯模型,每个单高斯模型由三个参数组成:权值,均值和方差。wi,t为该单高斯分布模型的权重,其大小体现了当前采用该单高斯模型表示像素灰度特征的可靠程度;mi,t为这个第i个单高斯模型的均值,表示了每个单峰分布的中心;σi,t为第i个高斯分布的方差,体现了每个单峰分布的宽度。K是单高斯分布模型的个数,K体现了像素值多峰分布的峰的个数,K的选取依赖于像素值的分布情况,一般取值为3~5之间。为了使模型贴近当前像素值的分布规律,需要对每一个新到的像素值更新模型的参数。
下面,结合优选实施例,对本发明做进一步的详细的说明。
低分辨率下获取运动目标的子区域
步骤一,将背景图像所对应的低分辨率图像进行分块,分为4×3的12个子区域,对各子区域进行直方图统计,并存储这些直方图作为背景模型特征。同时,将当前帧图像所对应的低分辨率图像进行分块,获取各子区域直方图。
步骤二,判断步骤一所获取的子区域直方图是否受边界效应的影响,若受到影响,则采用线性插值法对直方图进行修正。
步骤三,将当前帧图像的子区域直方图与背景模型所对应的直方图进行相似性比较,确定可能含有运动目标的区域。本发明中采用欧氏距离法作为度量两个直方图相似性的依据。
当计算当前帧的子区域直方图与对应的背景区域直方图的欧氏距离大于阈值Tb时,此时两个直方图不相似,这个子区域被认为可能含有运动目标,在下一步当前帧所对应的高分辨率的图像中继续被检测。
通过以上步骤,可以得到了可能存在运动目标的区域A1,A2…An。
高分辨率自适应高斯模型运动目标检测
步骤四,将步骤三中得到的子区域A1,A2…An在高分辨率(即原图)中作对应得到高分辨率图像的对应区域,这些高分辨率区域被表示为B1,B2…Bn,同时为避免出现运动目标检测不全的现象,本方法在高分辨率的对应区域B1,B2…Bn周围取30个像素的邻域像素。
步骤五,使用自适应高斯混合模型对背景进行建模。对于每一个新的像素值,首先判断它是否匹配于这个模型,检测方法为:对于K个单峰分布,分别检测这个新的像素值是否与其中之一匹配,匹配可依据3sigma原则:当|ft(x,y)-pi,t(x,y)|<3σi,t(x,y)认为实现了匹配。执行检测后,会有两种可能的情况。
情况一:
新到的像素值与像素多模型集合中的某一个单模型匹配(如果同时匹配的模型不止一个,选取最优的一个匹配)。
情况二:
新到像素值与该像素多模型集合中任何一个单高斯模型都不匹配。
步骤六,对混合高斯分布的具体参数进行修正。首先判断步骤六给出的检测结果。若为情况一,按以下方法处理:
1.增大与新到像素值匹配的单模型的权值wi,t:
wi,t=wi,t-1+βwi,t
根据模型定义,权重体现了最近像素值出现的概率大小。当一个新到像素值与这个分布集合中的某一个或几个单模型匹配时需要增加其权重。其中β(0≤β≤1)是权重的修正量,较大的β实现了较快的修正。wi,t为t时刻单高斯分布模型的权重,其大小体现了当前采用该单高斯模型表示像素灰度特征的可靠程度。
2.修正与新到像素值匹配的单高斯分布的均值和方差mi,t,σi,t;
mi,t=α·mi,t-1+(1-α)xi
σ2 i,t=α·(xi-mi,t)2+(1-α)σ2 i,t-1
以上三式代表了模型参数的均值,方差的更新过程,其中,a(0≤a≤1)表示学习率,代表了模型更新的速度,xi代表当前像素的像素值,mi,t为t时刻第i个单高斯模型的均值,表示了每个单峰分布的中心;σi,t为第t时刻i个高斯分布的方差,体现了每个单峰分布的宽度。
3.对与新到像素不匹配的单高斯分布参数的修正
当新到的像素值未与某个单模型匹配时,可以认为这个新到的像素值对这个单高斯分布未作任何贡献,所以不需要改变这个单模型的均值和方差,只需按照以下公式减小其权重:
wi,t=wi,t-1-βwi,t-1
其中β(0≤β≤1)是权重的修正量,较大的β实现了较快的修正。wi,t为t时刻单高斯分布模型的权重,其大小体现了当前采用该单高斯模型表示像素灰度特征的可靠程度。
针对情况二,按以下方法处理:
去除原模型集合中的权重最小的一个单高斯模型,即去除出现概率最小的一个单高斯模型,加入新的单模型,其权重为当前混合高斯模型集合中的最小权重,均值为新到的像素值,方差为一个人为设定的较大的常数。
步骤七,按下式对模型中各个权重进行归一化处理:
wi,t为t时刻单高斯分布模型的权重,其大小体现了当前采用该单高斯模型表示像素灰度特征的可靠程度。K体现了像素值多峰分布的峰的个数,K的选取依赖于像素值的分布情况,一般取值为3~5之间。
步骤八,建立背景模型。从混合高斯分布集合中的K个高斯分布中选出N个高斯分布作为背景模型。首先对各分布按其权重进行从大到小的排序,然后根据下式选出N个高斯分布做背景:
其中,T作为估计背景的最小测度,T由人为设定,T的值较大时表示允许更加复杂的背景变化,T的值较小表示允许简单背景的变化。适当设定T可以选出描述背景的最佳分布。
步骤九、基于步骤八中建立的自适应高斯模型,在当前帧图像中,重新确定运动目标所对应的区域;判断运动目标所对应的区域与可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应IIR滤波器法更新建立的背景模型。具体说明如下:
本发明采用无限脉冲响应滤波器方法对低分辨率图像的背景模型进行更新。当子区域计算的直方图相似时,就按下式执行背景的更新:
Bk=(1-a)Bk-1+a·fk
其中,a(0≤a≤1)是更新率,fk是当前帧对应的直方图,Bk-1是前一帧背景模型的直方图,Bk是当前帧背景模型的直方图。
步骤十,进行前景检测。对新到的像素按照优先级次序与N个单高斯分布逐一匹配,若没有找到任何一个匹配,则判定该点为前景点,否则为背景点,从而完成自适应混合高斯模型下的目标检测。
在高分辨率的子区域和邻域范围内,使用高斯混合模型进行运动目标检测出准确的运动目标,同时,将这些高分辨率下检测到的存在运动目标的子区域,对应到低分率图像子区域中,然后降低这些低分辨率子区域的背景模型的更新率,相反,对于高分辨率下检测到不存在运动目标的子区域,在低分辨率的对应的子区域背景模型更新中继续使用原来更新率。
本发明采用了320×240室外场景视频作为载体,大量的实验表明,我们的方法对于动态背景下的运动目标检测,可以达到较好的检测结果。如图2所示,视频中存在强烈的树木的摆动,图中第一行是原视频中第246帧和257帧的两幅图;第二行是低分辨率下区域检测的结果,实验中根据此场景的特点将低分辨率图像分层了8×3个子区域;第三行是本发明基于多分辨率自适应高斯模型运动目标检测算法的检测结果;第四行是混合高斯模型的结果;第五行是真实前景的图像。由第二行可以看出低分辨率区域检测,去除了很大一部分树木摆动的区域,并且很好的定位了全景区域,在第二行检测到的区域邻域内进行高分辨率检测处理,便可得到抑制了大量动态背景影响的检查结果;由第三行可以看出,本发明算法很大程度上降低了动态背景的影响,并且相比于第四行混合高斯模型的检查结果,本发明提出的方法检测错误率明显降低。
由图3实验结果可以看出,本发明的方法可以很大程度上降低动态背景的影响。其中第二行的目标区域检测过程非常重要,如果可以得到最准确的检测区域,那么后续的高分辨率检测准确性将大大提高。但是在低分辨率区域检测实验中,我们发现子区域大小的选择非常重要,如图4所示,给出了三种子区域选取方式下低分辨率区域检测的结果。结果表明,不同子区域选取方式,会影响运动目标的区域检测结果,我们不能简单的说那种子区域选取方式好,必须针对场景中背景运动的特点决定,我们的实验中将低分辨率图像分为了3×8的子区域,实验表明此选取方式获得的结果优于其他两种选取方式。
从以上的结果可以看出,本发明可以很好的处理动态背景问题,并且,本发明的高低分辨率的互补检测过程,相对于混合高斯模型运动目标检测有以下优点:
1、对于背景缓慢或突发局部扰动,低分辨率都可以减少其影响,进而减少互补算法的检测错误,但是直接使用混合高斯模型检测不能处理突发局部扰动,会在背景突然变化时刻造成检测错误。
2、高低分辨率互补检测对噪声影响具有一定的鲁棒性。
因此,可以看出该方案运算简单方便,可靠性高,实时性好,能够动态背景下运动目标检测的实际需求。
另一方面,本发明还公开了一种运动目标检测系统的实施例。参照图5,包括:分割模块50、第一检测模块51、第二检测模块52、修正模块53和前景检测模块54。
其中:分割模块50用于确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;第一检测模块51用于第二分辨率下,基于背景图像的多个子区域直方图获取背景模型;基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域;第二检测模块52用于第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;修正模块53用于判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测模块中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测模块;前景检测模块54用于基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
上述运动目标检测系统实施例与运动目标检测方法实施例原理相同,相关之处互相参照即可,在此不再赘述。
以上对本发明所提供的一种动态背景下的运动目标检测方法及系统进行详细介绍,本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种动态背景下的运动目标检测方法,其特征在于,
分割步骤,确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;
第一检测步骤,第二分辨率下,基于背景图像的多个子区域直方图获取背景模型;基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域;
第二检测步骤,第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;
修正步骤,判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测步骤中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测步骤;
前景检测步骤,基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
2.根据权利要求1所述的运动目标检测方法,其特征在于,所述分割步骤中,还包括:
直方图修正步骤,判断所述背景图像的多个子区域直方图和当前帧图像的多个子区域直方图是否受边界效应的影响,若受到影响,则采用线性插值法对子区域直方图进行修正。
3.根据权利要求2所述的运动目标检测方法,其特征在于,所述可能存在运动目标的区域通过如下方式确定:
计算当前帧图像的子区域直方图与背景模型对应的子区域直方图的欧氏距离,若所述欧式距离大于指定阈值时,所述当前帧图像的子区域直方图与所述背景模型中所对应的直方图不相似,所述当前帧图像子区域被认为可能存在运动目标的区域。
4.根据权利要求3所述的运动目标检测方法,其特征在于,所述修正步骤中,通过如下方式,基于无限脉冲响应滤波器法更新建立的背景模型:
Bk=(1-a)Bk-1+a·fk
其中,a是更新率,其中0≤a≤1,fk是当前帧对应的直方图,Bk-1是前一帧背景模型的直方图,Bk是当前帧背景模型的直方图。
5.一种动态背景下的运动目标检测系统,其特征在于,包括:
分割模块,用于确定背景图像和当前帧图像,获取与具有第一分辨率的背景图像对应的第二分辨率的图像,以及与具有第一分辨率的当前帧图像对应的第二分辨率的图像;分别对所述背景图像和当前帧图像的第二分辨率图像进行区域分割,并求出多个子区域直方图;所述第一分辨率大于第二分辨率;
第一检测模块,用于第二分辨率下,基于背景图像的多个子区域直方图获取背景模型;基于当前帧图像的多个子区域直方图与背景模型,检测可能存在运动目标的区域;
第二检测模块,用于第一分辨率下,确定所述可能存在运动目标的区域在所述当前帧图像中所对应的区域;基于自适应高斯混合模型检测运动目标,重新确定所述运动目标所对应的区域;
修正模块,用于判断所述运动目标所对应的区域与所述可能存在运动目标的区域是否相同;若否,则基于无限脉冲响应滤波器法更新建立的背景模型,基于更新的背景模型返回执行第一检测模块中的基于当前帧图像的多个子区域直方图与背景模型,检测可能存在的运动目标的区域;若是,则执行前景检测模块;
前景检测模块,用于基于所述修正的背景模型,确定当前帧的前景点与背景点,进而完成自适应混合高斯模型下的目标检测。
6.根据权利要求5所述的运动目标检测系统,其特征在于,所述分割模块中,还包括:
直方图修正单元,用于判断背景图像的多个子区域直方图和当前帧图像的多个子区域直方图是否受边界效应的影响,若受到影响,则采用线性插值法对子区域直方图进行修正。
7.根据权利要求6所述的运动目标检测系统,其特征在于,所述可能存在运动目标的区域通过如下方式确定:
计算当前帧图像的子区域直方图与背景模型对应的子区域直方图的欧氏距离,若所述欧式距离大于指定阈值时,所述当前帧图像的子区域直方图与所述背景模型中所对应的直方图不相似,所述当前帧图像子区域被认为可能存在运动目标的区域。
8.根据权利要求7所述的运动目标检测系统,其特征在于,所述修正模块中,通过如下方式,基于无限脉冲响应滤波器法更新建立的背景模型:
Bk=(1-a)Bk-1+a·fk
其中,a是更新率,其中0≤a≤1,fk是当前帧对应的直方图,Bk-1是前一帧背景模型的直方图,Bk是当前帧背景模型的直方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010582856 CN101996410B (zh) | 2010-12-07 | 2010-12-07 | 动态背景下的运动目标检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010582856 CN101996410B (zh) | 2010-12-07 | 2010-12-07 | 动态背景下的运动目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101996410A CN101996410A (zh) | 2011-03-30 |
CN101996410B true CN101996410B (zh) | 2012-12-12 |
Family
ID=43786527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010582856 Expired - Fee Related CN101996410B (zh) | 2010-12-07 | 2010-12-07 | 动态背景下的运动目标检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101996410B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509308A (zh) * | 2011-08-18 | 2012-06-20 | 上海交通大学 | 基于混合动态纹理空时显著性检测的运动分割方法 |
CN103529927B (zh) * | 2012-07-06 | 2017-03-01 | 原相科技股份有限公司 | 适用于影像处理的更新背景方法 |
CN102982558A (zh) * | 2012-11-28 | 2013-03-20 | 无锡港湾网络科技有限公司 | 运动目标检测方法及装置 |
CN103106796A (zh) * | 2013-01-15 | 2013-05-15 | 江苏大学 | 智能交通监控系统中的车辆检测方法和装置 |
KR102271198B1 (ko) * | 2013-03-15 | 2021-06-29 | 매직 립, 인코포레이티드 | 디스플레이 시스템 및 방법 |
CN103313061B (zh) * | 2013-06-28 | 2016-09-07 | 汕头大学 | 一种自适应背景更新的视频压缩传输方法及系统 |
CN103810703B (zh) * | 2014-01-22 | 2016-09-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
JP6364837B2 (ja) * | 2014-03-14 | 2018-08-01 | オムロン株式会社 | 画像処理装置および領域分割方法 |
WO2016025485A2 (en) * | 2014-08-14 | 2016-02-18 | Qualcomm Incorporated | Detection of action frames of a video stream |
CN104463104B (zh) * | 2014-11-14 | 2018-06-08 | 武汉工程大学 | 一种静态车辆目标快速检测方法及装置 |
CN104732014B (zh) * | 2015-02-26 | 2017-08-25 | 北京交通大学 | 一种用于复杂场景的层次式人群仿真方法及系统 |
CN105425614B (zh) * | 2015-12-25 | 2019-01-29 | 北京经纬恒润科技有限公司 | 一种目标跟踪系统的测试验证方法、装置及系统 |
CN106408953A (zh) * | 2016-12-21 | 2017-02-15 | 深圳市捷顺科技实业股份有限公司 | 一种车辆监控方法及系统 |
JP6935247B2 (ja) * | 2017-07-04 | 2021-09-15 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
CN107333107A (zh) * | 2017-07-21 | 2017-11-07 | 广东美的制冷设备有限公司 | 监控拍摄方法、装置及其设备 |
CN107623842A (zh) * | 2017-09-25 | 2018-01-23 | 西安科技大学 | 一种视频监控图像处理系统及方法 |
CN110855932B (zh) * | 2018-08-21 | 2022-04-05 | 杭州海康威视数字技术股份有限公司 | 基于视频数据的报警方法、装置、电子设备及存储介质 |
CN109389031B (zh) * | 2018-08-27 | 2021-12-03 | 浙江大丰实业股份有限公司 | 演出人员自动定位机构 |
CN109285341B (zh) * | 2018-10-31 | 2021-08-31 | 中电科新型智慧城市研究院有限公司 | 一种基于实时视频的城市道路车辆异常停驶检测方法 |
CN110097728B (zh) * | 2019-04-27 | 2021-12-10 | 广州市锋安消防工程有限公司 | 消防远程监控系统 |
CN110337027A (zh) * | 2019-07-11 | 2019-10-15 | 北京字节跳动网络技术有限公司 | 视频生成方法、装置及电子设备 |
CN110458045A (zh) * | 2019-07-22 | 2019-11-15 | 浙江大华技术股份有限公司 | 响应概率直方图的获取方法、图像处理方法以及装置 |
CN110490910A (zh) * | 2019-08-13 | 2019-11-22 | 顺丰科技有限公司 | 目标检测方法、装置、电子设备及存储介质 |
CN112315458B (zh) * | 2020-11-23 | 2021-08-20 | 山东大学 | 一种运动功能障碍识别装置、系统及方法 |
CN113870304B (zh) * | 2021-12-07 | 2022-06-07 | 江西中业智能科技有限公司 | 异常行为检测与跟踪方法、装置、可读存储介质及设备 |
CN114898577B (zh) * | 2022-07-13 | 2022-09-20 | 环球数科集团有限公司 | 一种用于高峰期道路管理的道路智能管理系统与方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100495438C (zh) * | 2007-02-09 | 2009-06-03 | 南京大学 | 一种基于视频监控的运动目标检测与识别方法 |
EP2254097A1 (en) * | 2009-05-19 | 2010-11-24 | Topseed Technology Corp. | Intelligent surveillance system and method for the same |
CN101645171A (zh) * | 2009-09-15 | 2010-02-10 | 湖北莲花山计算机视觉和信息科学研究院 | 基于时空视频块与在线子空间学习的背景建模方法(视频运动目标分割方法) |
CN101777186B (zh) * | 2010-01-13 | 2011-12-14 | 西安理工大学 | 一种多模态自动更新替换的背景建模方法 |
-
2010
- 2010-12-07 CN CN 201010582856 patent/CN101996410B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN101996410A (zh) | 2011-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101996410B (zh) | 动态背景下的运动目标检测方法及系统 | |
CN111832655B (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN112417953B (zh) | 道路状况检测和地图数据更新方法、装置、系统及设备 | |
Nieto et al. | Road environment modeling using robust perspective analysis and recursive Bayesian segmentation | |
CN110738121A (zh) | 一种前方车辆检测方法及检测系统 | |
CN110688905B (zh) | 一种基于关键帧的三维物体检测与跟踪方法 | |
CN105825173A (zh) | 通用道路和车道检测系统与方法 | |
CN114565900A (zh) | 基于改进YOLOv5和双目立体视觉的目标检测方法 | |
CN102073851A (zh) | 一种城市交通事故自动识别方法和系统 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN113763427B (zh) | 一种基于从粗到精遮挡处理的多目标跟踪方法 | |
CN112862858A (zh) | 一种基于场景运动信息的多目标跟踪方法 | |
CN103077387A (zh) | 视频中货运列车车厢自动检测方法 | |
CN101794383B (zh) | 基于隐马尔科夫模型的拥塞交通场景的视频车辆检测方法 | |
CN110472508A (zh) | 基于深度学习和双目视觉的车道线测距方法 | |
Na et al. | Stereo-based road obstacle detection and tracking | |
Chen et al. | Multitarget vehicle tracking and motion state estimation using a novel driving environment perception system of intelligent vehicles | |
CN112085101A (zh) | 一种高性能高可靠的环境融合感知方法及系统 | |
Wang et al. | A research on advanced technology of target detection in unmanned driving | |
Wen et al. | A monocular forward leading vehicle distance estimation using mobile devices | |
CN117593685B (zh) | 真值数据的构建方法和装置、存储介质 | |
CN117274762B (zh) | 基于视觉的地铁隧道低照度场景下实时轨道提取方法 | |
DE102016123058A1 (de) | Optischer Fluss mit Konfidenzschätzung | |
Wang | OpenCV-based Lane Line Detection Method for Mountain Curves |
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 |
Granted publication date: 20121212 Termination date: 20151207 |
|
EXPY | Termination of patent right or utility model |