CN102307274B - 基于边缘检测和帧差法的运动检测方法 - Google Patents
基于边缘检测和帧差法的运动检测方法 Download PDFInfo
- Publication number
- CN102307274B CN102307274B CN 201110253323 CN201110253323A CN102307274B CN 102307274 B CN102307274 B CN 102307274B CN 201110253323 CN201110253323 CN 201110253323 CN 201110253323 A CN201110253323 A CN 201110253323A CN 102307274 B CN102307274 B CN 102307274B
- Authority
- CN
- China
- Prior art keywords
- frame
- image
- reference frame
- information
- current frame
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及的是一种基于边缘检测和帧差法的运动检测方法,包括以下步骤:步骤一,获取图像序列,确定参考帧、当前帧图像;步骤二,对参考帧、当前帧图像进行高斯滤波;步骤三,滤波之后,提取参考帧、当前帧的边缘信息;步骤四,获取参考帧、当前帧的变换图像。步骤五,将参考帧变换图像与当前帧变换图像作帧差,双阈值法确定运动区域;步骤六,对运动区域作图像后处理,确定运动对象。本发明的优点:采用帧差的思路,简单易行,避免了光流法、混合高斯计算复杂,计算时间仅为经典混合高斯的1/3,满足智能监控实时性的需求;将边缘检测和帧差法结合,外加一系列处理,对帧差法检测结果不完整有所改善;相比主流方法——混合高斯,不易受光照、外界干扰的影响。
Description
技术领域
本发明涉及的是一种基于边缘检测和帧差法的运动检测方法,能够从获取的视频中实时地检测出运动区域。
背景技术
正确地从视频流中提取运动目标是计算机视觉领域一个重要的研究问题,也是许多智能视频系统(如视频监视、交通自动监控等)的基础部分。运动检测是指在视频图像序列中判断是否有运动物体的检测过程。目前,常用的运动目标检测方法有:光流法、帧差法和背景减法。
1.基于光流的方法:光流是图像亮度的运动检测描述。光流是指空间运动物体观测面上的像素点发生运动时产生的瞬时速度场,反映出二维图像表面灰度变化和场景中物体结构及动态行为等重要信息。研究光流场就是为了从图像序列中近似计算得到运动场的信息,然后根据各个像素点的速度矢量特征,实现图像序列的动态分析。
光流法需要对序列图像中所有的像素点进行处理,导致计算量大,另外光流法没有对目标大小和亮度采用相应的控制参数,使其对图像中的噪声以及光线变化比较敏感。
2.基于相邻帧差的方法:相邻帧差法是指将视频序列中相邻的两帧或几帧做像素域上的减法运算,并根据规则计算对应像素点的差值,如果差值大于一定的阈值,就认为该点对应位置有运动目标存在并提取运动目标。这种算法简单,相对而言计算量和空间耗用率都比较低,同时对动态变化环境中
的运动目标检测有较强的自适应性。但得到的检测结果有时会不太完整,对帧间的时间间隔有很大的依赖性,不适合对于快速和慢速以及微小运动目标的检测。
3.背景减除法:背景减除法师对固定摄像机捕获视频的运动检测中最常用的一种方法,主要思想是经过一定时间的学习获得一个参考帧,成为“背景帧”或者“背景模型”,然后将新获得的当前帧和背景帧进行求差,差值超过一定阈值的像素点即认为是前景点或者运动目标。混合高斯是主流研究的一种背景减除法。背景建模是整个方法的基础。背景模型必须能够代表没有运动物体的静止场景,同时不断更新,和视频中的背景保持一致。但是在存在光照变化、天气变化等复杂动态场景中时,需要具有很好的背景更新机制,否则目标的检测将受到很大的影响。
当然,除了以上三种常用方法之外,目前研究的还有基于统计学的运动检测方法等等,或者是以上任意两种方法的结合。然而,两种或三种方法的结合必然会增加方法的复杂度,对应的计算时间必然会延长。
发明内容
本发明提出的是一种新的基于边缘检测和帧差法的运动检测方法,其目的旨在提高智能监控系统的实时性,满足DSP硬件达到高速性能的需求。
本发明的技术解决方案:基于边缘检测和帧差法的运动检测方法,包括以下几个步骤:
步骤一,获取图像序列,确定参考帧、当前帧图像;
步骤二,据待检测的运动目标相对于原始图像的大小来设置选取滤波的尺度,对参考帧图像、当前帧图像进行高斯滤波;
步骤三,滤波之后,提取参考帧、当前帧的边缘信息;
步骤四,将当前帧的边缘信息、参考帧的边缘信息作“异或”,合成大边缘;然后将大边缘分别与当前帧原始图像、参考帧原始图像相叠加,形成当前帧及参考帧的变换图像;
步骤五,将当前帧变换图像与参考帧变换图像信息特征相比较,若其差的绝对值大于设定阈值,则确定该区域内存在运动对象,否则说明该区域内没有运动对象,采用统计直方图的方法求取双阈值,利用大、小双阈值分类得到强、弱两类运动区域,对强、弱两类运动区域进行连通域的判断,确定存在运动对象的区域;
步骤六,对已确定存在运动对象的区域,进行图像后处理,确定运动目标;
在实时的运动检测过程中,通常选取最近一次接收到的图像为当前帧图像,该当前帧图像的上一帧图像为参考帧图像。
本发明的优点:采用帧差的思路,简单易行,避免了光流法、混合高斯计算复杂,计算时间仅为经典混合高斯的1/3,满足智能监控实时性的需求;将边缘检测和帧差法结合,外加一系列处理,对帧差法检测结果不完整有所改善;相比主流方法——混合高斯,不易受光照、外界干扰的影响。
附图说明
附图1是基于边缘检测和帧差法的运动检测方法的流程图。
具体实施方式
实施例
下面结合附图1对本发明的运动检测方法进行了详细的说明。
步骤一,获取图像序列,确定参考帧图像、当前帧图像;在实时的运动检测过程中,通常选取最近一次接收到的图像为当前帧图像,选取所述当前帧图像的上一帧图像为参考帧图像。
在本实施例中,获取全部图像帧;选取每帧的前一帧图像那个作为其参考帧,即当前帧第N帧的参考帧是N-1帧,而第N帧则是第N+1帧图像的参考帧;参考帧图像、当前帧图像都是其Y分量图像,视频图像的输入格式可能不同,需要进行运动检测的图像格式为RGB格式,则需要先将RGB格式转换为YUV格式,然后提取Y分量。YUV格式选用以亮度为基础的信息为运动信息,因为亮度是人感觉最敏感的;步骤二,据待检测的运动目标相对于原始图像的大小来设置选取滤波的尺度,对参考帧图像、当前帧图像进行滤波;待测目标大小占原始图像大小的比例越大,滤波尺度选择得越小。
在本实施例中,所用的测试视频选用标准的测试视频库。由于需要检测的运动对象占图像大小(352*288)的比例较大,因为高斯滤波的尺度选择的较小,选取均值3,标准差0.6。
步骤三,滤波之后,提取参考帧、当前帧图像的边缘信息;
在本实施例中,边缘检测算子使用sobel。
步骤四,将当前帧的边缘信息、参考帧的边缘信息作“异或”,合成大边缘;然后将大边缘分别与当前帧原始图像、参考帧原始图像相叠加,从而获得当前帧变换图像、参考帧变换图像;
在本实施例中,若单纯地将当前帧边缘信息与当前帧图像叠加,参考帧边缘信息与参考帧图像叠加,在相减的时候必然会引入偏移带来的噪声,将不运动的误检测为运动的。为了避免之,先将当前帧的边缘信息、参考帧的边缘信息作“异或”,相异则为1,从而构造大边缘。
步骤五,将当前帧变换图像与参考帧变换图像信息特征相比较,若其差的绝对值大于设定阈值,则确定该区域内存在运动对象,并置为1;否则说明该区域内没有运动对象,置为0。采用统计直方图的方法求取双阈值,根据大、小双阈值分类得到强、弱两类运动区域。最后,再对强、弱运动区域进行连通域的判断,确定存在运动对象的区域。
设当前帧变换图像为f(N),参考帧变换图像为f(N-1),Th为阈值,若在本实例中,假设大阈值选取95%处,小阈值选取75%处,当然具体要根据目标占原图像比例来分析。若对直方图从小到大进行了排序,在75%和95%处对应的像素值分别为150、200,则大阈值为100,小阈值为50,则若当前帧变换图像某点像素值为100,参考帧变换图像对应点像素值为170,由于|170-100|=70>50,在进行弱分类时,该点被置为1,认为是运动的;而|170-100|=70<100,在进行强分类时,该点被置为0,认为是非运动的。显然,若分类得到的运动区域始终包含强分类运动区域。
但是弱分类运动区域可能引入不少噪声,带入非运动点,因而将强、弱分类运动区域进行了连通域判断,若弱分类上为1的点,在对应的强分类上的点的四连通或者八连通域上都为1,则都置为1,补充强分类结果欠缺的,略去了弱分类多余的引入,从而确定运动区域。
步骤六,对已确定存在运动对象的区域,进行图像后处理,从而确定最终的运动目标。
在本实例中,后处理即是块匹配操作、形态学操作等。块匹配操作即是将运动区域的各个像素在原始图像中对应点处的八连通或四连通内进行判断,按照规则,将连通域内的各点像素置为1或0,从而更好地去除了运动区域内多余噪声,将运动对象补充得更加完整。形态学操作即是指膨胀、腐蚀、开闭运算,多次组合使用,可以更好地丢失小块不相关的区域块。有时针对待测目标的长宽特性,还可以选择一定长度和宽度的长方形形状的掩膜图像对检测结果进行开运算,从而去除孤立噪声。
另外,为了更好地表现本发明运动检测方法的优点,特别将本发明方法与经典混合高斯方法在检测结果和检测时间上作了性能的对比试验。从运动检测效果上看,相比于经典混合高斯方法,本发明不仅检测的目标完整,而且噪声较小。从运动检测时间上看,相比于经典混合高斯方法,本发明方法的计算时间仅为经典混合高斯的1/3,实时性大大提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于边缘检测和帧差法的运动检测方法,其特征是该方法包括以下步骤:
步骤一,获取图像序列,确定参考帧、当前帧图像;
步骤二,据待检测的运动目标相对于原始图像的大小来设置滤波尺度,对参考帧图像、当前帧图像进行高斯滤波;
步骤三,滤波之后,提取参考帧、当前帧的边缘信息;
步骤四,将当前帧的边缘信息、参考帧的边缘信息作“异或”,合成边缘;然后将该边缘分别与当前帧、参考帧的原始图像相叠加,构造当前帧变换图像、参考帧变换图像;
步骤五,将当前帧图像变换图像与参考帧变换图像信息特征相比较,若其差的绝对值大于设定阈值,则确定该区域内存在运动对象,否则说明该区域内没有运动对象,采用统计直方图的方法求取双阈值,利用大、小双阈值分类得到强、弱两类运动区域,对强、弱两类运动区域进行连通域的判断,确定运动区域;
步骤六,对运动区域进行图像后处理,确定运动目标;
在实时的运动检测过程中,选取最近一次接收到的图像为当前帧图像,该当前帧图像的上一帧图像为参考帧图像;
所述的步骤一中的参考帧图像、当前帧图像都是其Y分量图像,视频图像的输入格式不同,需要先转换为YUV格式,YUV格式选用以亮度为基础的信息为运动信息,因为亮度是人感觉最敏感的。
2.根据权利要求1所述的基于边缘检测和帧差法的运动检测方法,其特征是步骤二中对参考帧、当前帧图像进行高斯滤波,从而去除噪声,滤波尺度根据待检测的运动目标相对于原始图像的大小来设置,待测目标大小占原始图像大小的比例越小,滤波尺度选择得越大。
3.根据权利要求1所述的基于边缘检测和帧差法的运动检测方法,其特征是步骤三中提取参考帧、当前帧的边缘信息采用sobel算子。
4.根据权利要求1所述的基于边缘检测和帧差法的运动检测方法,其特征是步骤四中当前帧、参考帧的变换图像的获取是将边缘信息与原始图像相乘以完成叠加操作,即突出了边缘信息;如果选用各自的边缘来完成叠加,则会带来更多的噪声,将不运动的信息也误认为是运动信息,因而需要将当前帧和参考帧的边缘信息先求“异或”,构造一个大边缘。
5.根据权利要求1所述的基于边缘检测和帧差法的运动检测方法,其特征是步骤五中双阈值的求取采用统计直方图的方法,即对原始图像的直方图进行从小到大的排序,选取固定百分比处的像素为阈值,提取了大、小两个阈值,从而得到强、弱两类运动信息,当然,小阈值进行弱分,获取的运动信息更完整,反之,运动信息稍少;对比两类运动信息,进行连通域判断,扩充强分的运动信息,去除弱分时多余的运动信息,从而确定了存在运动对象的区域。
6.根据权利要求1所述的基于边缘检测和帧差法的运动检测方法,其特征是步骤六中图像的后处理包括块匹配操作、形态学操作,块匹配操作即是对运动区域的各个像素在原始图像中对应点处的八连通或四连通域进行判断,将连通域内的各点像素置为1或0,从而更好地去除了运动区域内多余噪声,将运动对象补充得更加完整;形态学操作即是由膨胀、腐蚀组合而成的开闭运算,可以去除孤立噪声,更好地丢失小块不相关的区域块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110253323 CN102307274B (zh) | 2011-08-31 | 2011-08-31 | 基于边缘检测和帧差法的运动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110253323 CN102307274B (zh) | 2011-08-31 | 2011-08-31 | 基于边缘检测和帧差法的运动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102307274A CN102307274A (zh) | 2012-01-04 |
CN102307274B true CN102307274B (zh) | 2013-01-02 |
Family
ID=45381075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110253323 Active CN102307274B (zh) | 2011-08-31 | 2011-08-31 | 基于边缘检测和帧差法的运动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102307274B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103543638B (zh) * | 2013-10-10 | 2015-10-21 | 山东神戎电子股份有限公司 | 一种自动雨刷控制方法 |
CN105243674B (zh) * | 2015-09-16 | 2018-09-11 | 阔地教育科技有限公司 | 一种防止运动目标误检装置及方法 |
CN105957037B (zh) * | 2016-05-09 | 2018-11-06 | 北京小米移动软件有限公司 | 图像增强方法及装置 |
CN108230368A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种快速运动目标检测方法 |
CN106600618A (zh) * | 2016-12-30 | 2017-04-26 | 中国科学院上海高等研究院 | 一种在嵌入式DSP系统中实现sobel算子的方法 |
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 |
US10612951B2 (en) * | 2017-05-31 | 2020-04-07 | Pixart Imaging Inc. | Optical flow sensor, methods, remote controller device, and rotatable electronic device |
CN108510527B (zh) * | 2017-12-07 | 2024-05-03 | 上海悠络客电子科技股份有限公司 | 一种基于帧差法和运动点聚类的运动目标检测方法 |
CN111210777A (zh) * | 2018-11-21 | 2020-05-29 | 北京小米移动软件有限公司 | 背光亮度调整方法、装置、电子设备、机器可读存储介质 |
CN109919858A (zh) * | 2019-01-23 | 2019-06-21 | 努比亚技术有限公司 | 一种图像区域验证方法、终端及计算机可读存储介质 |
CN109995964B (zh) * | 2019-02-21 | 2021-08-17 | 西安万像电子科技有限公司 | 图像数据处理方法及装置 |
CN110189494A (zh) * | 2019-07-01 | 2019-08-30 | 深圳江行联加智能科技有限公司 | 一种变电站异常监测报警系统 |
CN111062926B (zh) * | 2019-12-18 | 2023-08-22 | 腾讯科技(深圳)有限公司 | 一种视频数据处理方法、装置及存储介质 |
CN111260693B (zh) * | 2020-01-20 | 2023-07-28 | 北京中科晶上科技股份有限公司 | 一种高空抛物的检测方法 |
CN111277729B (zh) * | 2020-02-26 | 2022-09-23 | 新疆大学 | 视频图像的处理方法、装置及电子设备 |
CN111507977B (zh) * | 2020-04-28 | 2024-04-02 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN112287805A (zh) * | 2020-10-29 | 2021-01-29 | 地平线(上海)人工智能技术有限公司 | 运动物体的检测方法、装置、可读存储介质及电子设备 |
CN112989963B (zh) * | 2021-02-24 | 2022-10-18 | 唐山不锈钢有限责任公司 | 一种基于图形识别的洛氏硬度试验过程监督判定方法 |
CN112950520A (zh) * | 2021-04-27 | 2021-06-11 | 上海海栎创科技股份有限公司 | 去除运动拖影的多帧图像融合方法及其装置 |
CN113821109B (zh) * | 2021-11-25 | 2022-03-11 | 上海齐感电子信息科技有限公司 | 控制方法及控制系统 |
CN114898175B (zh) * | 2022-04-29 | 2023-03-28 | 北京九章云极科技有限公司 | 目标检测方法、装置及相关设备 |
CN116630832B (zh) * | 2023-07-21 | 2023-09-29 | 江西现代职业技术学院 | 一种无人机目标识别方法、系统、计算机及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859554B2 (en) * | 2001-04-04 | 2005-02-22 | Mitsubishi Electric Research Laboratories, Inc. | Method for segmenting multi-resolution video objects |
CN101087413A (zh) * | 2006-06-07 | 2007-12-12 | 中兴通讯股份有限公司 | 视频序列中运动物体的分割方法 |
CN101179713A (zh) * | 2007-11-02 | 2008-05-14 | 北京工业大学 | 复杂背景下单个运动目标的检测方法 |
CN101216943A (zh) * | 2008-01-16 | 2008-07-09 | 湖北莲花山计算机视觉和信息科学研究院 | 一种视频运动目标分割的方法 |
CN101860664A (zh) * | 2010-06-13 | 2010-10-13 | 华中科技大学 | 一种对光照变化鲁棒的运动目标检测方法 |
-
2011
- 2011-08-31 CN CN 201110253323 patent/CN102307274B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859554B2 (en) * | 2001-04-04 | 2005-02-22 | Mitsubishi Electric Research Laboratories, Inc. | Method for segmenting multi-resolution video objects |
CN101087413A (zh) * | 2006-06-07 | 2007-12-12 | 中兴通讯股份有限公司 | 视频序列中运动物体的分割方法 |
CN101179713A (zh) * | 2007-11-02 | 2008-05-14 | 北京工业大学 | 复杂背景下单个运动目标的检测方法 |
CN101216943A (zh) * | 2008-01-16 | 2008-07-09 | 湖北莲花山计算机视觉和信息科学研究院 | 一种视频运动目标分割的方法 |
CN101860664A (zh) * | 2010-06-13 | 2010-10-13 | 华中科技大学 | 一种对光照变化鲁棒的运动目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102307274A (zh) | 2012-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN102568005B (zh) | 一种基于混合高斯模型的运动目标检测方法 | |
CN102799883B (zh) | 一种从视频图像中提取运动目标的方法及装置 | |
CN103279737B (zh) | 一种基于时空兴趣点的打架行为检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN103955949B (zh) | 基于Mean-shift算法的运动目标检测方法 | |
Wang et al. | Fire smoke detection based on texture features and optical flow vector of contour | |
CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108010047A (zh) | 一种结合样本一致性和局部二值模式的运动目标检测方法 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN105678735A (zh) | 一种用于雾天图像的目标显著性检测方法 | |
CN104700405A (zh) | 一种前景检测方法和系统 | |
CN117994987B (zh) | 基于目标检测技术的交通参数提取方法及相关装置 | |
CN112489055A (zh) | 融合亮度-时序特征的卫星视频动态车辆目标提取方法 | |
CN105205834A (zh) | 一种基于混合高斯及阴影检测模型的目标检测与提取方法 | |
CN106127813B (zh) | 基于视觉感知能量的监控视频运动片段分割方法 | |
CN101877135B (zh) | 一种基于背景重构的运动目标检测方法 | |
CN103473753A (zh) | 一种基于多尺度小波阈值去噪的目标检测方法 | |
Xiang et al. | Research on target detection method based on HSV fusion Gaussian mixture model | |
CN105184820B (zh) | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 | |
Li et al. | A method for background modeling and moving object detection in video surveillance | |
CN102496163B (zh) | 一种基于灰度极值的背景重构方法 |
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 |