CN102708565A - 一种前景检测的方法、装置和系统 - Google Patents
一种前景检测的方法、装置和系统 Download PDFInfo
- Publication number
- CN102708565A CN102708565A CN2012101376361A CN201210137636A CN102708565A CN 102708565 A CN102708565 A CN 102708565A CN 2012101376361 A CN2012101376361 A CN 2012101376361A CN 201210137636 A CN201210137636 A CN 201210137636A CN 102708565 A CN102708565 A CN 102708565A
- Authority
- CN
- China
- Prior art keywords
- foreground
- image
- modeling
- foreground detection
- video image
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出了一种前景的检测方法,包括:S1.连续采集被监控区域的视频图像,得到多帧视频图像;S2.对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;S3.判断所述的时间值是否小于规定的临界值;S4.确定为背景像素并对所述的背景像素进行建模;S5.确定为前景像素并对所述的前景进行建模,形成初始前景图像;S6.将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。本发明还公开了前景检测装置和系统。本发明的前景检测方法,装置和系统能针对不同的运动前景,使用不同的学习率,节省计算资源,具有良好的适应性和实时性。
Description
技术领域
本发明涉及监控领域,特别涉及一种前景检测方法、装置和系统。
背景技术
近年来,随着计算机视觉和人工智能领域相关技术的发展,基于智能视频分析的前景算法大量涌现。所谓的前景检测,就是将目标物体对应的区域从图像序列监控序列中提取出来,针对具体的交通监控来说,就是将场景中的行人和车辆等从监控中的行人和车辆等从监控图像序列中分离出来。目前前景测算法大体上可以分为三类:(1)背景差分法;(2)时间差分法;(3)光流法。从实时监控的角度出发,一般采用背景差分方法来提取前景。
基于帧间差分的方法是利用帧间图像亮度差的绝对值来分析视频和图像序列的运动特性,从而确定图像中有无物体运动。其检测是基于背景像素点的灰度值和位置都保持不变这一基本原则进行的。最简单的帧间差分是先对视频相邻两帧进行绝对差分,然后将各个像素点的差分值和某一阈值函数相比较。如果大于该阈值,则存在运动,反之不存在运动。帧间差分方法运算复杂度低,但存在几个问题:首先,检测出的目标包括两帧中变化的信息,这样会存在较多的目标点,检测出来的目标比实际目标范围更大;其次,两帧间目标重叠的部分不易检测出来;再次,当前景物体的部分区域与背景有相同或相似的灰度值时,将导致运动目标的部分区域无法检测。
基于背景差的方法是目前前景目标分割中最常用的方法,因为它能给前景提供最完全的特征,在这点上其他方法是无法匹敌的。它是利用当前图像与背景图像的差分来检测运动区域的一种技术。运用背景差法首先要根据场景情况建立一个合适的背景模型,然后基于背景模型从当前帧中提取前景,最常用的方法是利用当前图像和背景相减来获取前景。对背景差法而言,研究重点集中在两个问题上,一个是如何建立最能表示场景的背景模型,另一个是由于背景差法对场景变化很敏感,所以在场景发生变化时,如何保持和更新模型使检测结果仍然准确。
但现有的前景检测针对不同的场景使用同一更新率,即浪费系统计算资源,又没良好的适应性和实时性。
发明内容
本发明提出一种前景检测方法、装置和系统,解决了节省系统计算资源,具有良好的适应性和实时性的问题。
本发明的技术方案是这样实现的:
本发明公开了一种前景检测方法,包括:
S1.连续采集被监控区域的视频图像,得到多帧视频图像;
S2.对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
S3.判断所述的时间值是否小于规定的临界值,若是,进入步骤S4,若非,进入步骤S5;
S4.确定为背景像素并对所述的背景像素进行建模;
S5.确定为前景像素并对所述的前景进行建模,形成初始前景图像;
S6.将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
在本发明所述的前景检测方法中,所述的建模是通过混合高斯模型进行建模。
在本发明所述的前景检测方法中,所述的被监控区域包括:车站、广场、港口。
在本发明所述的前景检测方法中,所述的步骤S1及步骤S2间还包括S11,抛弃错误帧的步骤,所述的错误帧包括:黑屏、雪花、移位。
本发明公开了一种前景检测装置,用于实现上述的方法,包括:
视频图像采集单元,用于连续采集被监控区域的视频图像,得到多帧视频图像;
边缘轮廓图获取单元,与所述的视频图像采集单元相连,用于对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
临界值判断单元,与所述的边缘轮廓图获取单元相连,用于判断所述的时间值是否小于规定的临界值;
背景建模单元,与所述的临界值判断单元相连,用于确定为背景像素并对所述的背景像素进行建模;
前景建模单元,与所述的临界值判断单元相连,用于确定为前景像素并对所述的前景进行建模,形成初始前景图像;
前景图像分成单元,与所述的前景建模单元相连,用于将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
在本发明所述的前景检测装置中,所述的建模是通过混合高斯模型进行建模。
在本发明所述的前景检测装置中,所述的场景包括:车站、广场、港口。
在本发明所述的前景检测装置中,所述的视频图像采集单元及边缘轮廓图获取单元之间还包括错误帧处理单元,用于抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位。
本发明公开了一种前景检测的系统,包括至少一个摄像机,与所述的摄像机相连的服务器,与所述的服务器相连的数据库,与所述的服务器相连的控制单元以及显示器,所述的控制单元包括上述的前景检测装置。
在本发明所述的前景检测的系统中,所述的摄像机与所述的服务器通过以太网、3G、GPRS网络相连。
实施本发明的一种前景检测方法、装置和系统,具有以下有益的技术效果:
针对不同的运动前景,使用不同的学习率,节省计算资源,具有良好的适应性和实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种前景检测的方法流图;
图2是本发明一种前景检测的装置构造框图;
图3是本发明一种前景检测的系统架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明的较佳实施例,一种前景检测方法,包括:
S1.连续采集被监控区域的视频图像,得到多帧视频图像;
S2.对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
通常,背景像素停留时间较长,前景像素停留时间较短。或者说,在某像素点的位置,出现时间越长的颜色,其模型代表背景的可能性越大。
S3.判断所述的时间值是否小于规定的临界值,若是,进入步骤S4,若非,进入步骤S5;
S4.确定为背景像素并对所述的背景像素进行建模;
S5.确定为前景像素并对所述的前景进行建模,形成初始前景图像;
建模是通过混合高斯模型进行建模。
混合高斯模型(GMM)通过多个高斯模型来表征图像中各像素点的值,能更准确地对每个像素点进行建模,在一般的运动检测中,用新获得的每一帧图像来更新混合高斯模型,用当前获得的每个像素点与混合高斯模型匹配,如果匹配成功则为背景点,否则为前景点。本技术方案在前景建模阶段,在前景建立后并不进行实时更新,而是根据实际情况设定一定的时间段进行再次建模,通常,对于人流量很大的地段,我们每隔1分钟重新建模一次。
S6.将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
在此,学习率指的是,依据已有的前景旧有的视频图像,如果没有变化,则“学习”过来,保留原有的前景图像,如广场中,长时间,如10分钟没有人流或物体经过,则学习过来旧有的图像,如果有变化,则从旧前景上重新建模加以更新。
举例来说,一个广场,需要学习率大的,是入口处、出口处、售票处,而对于广场的景观,如喷泉等处,需要的学习率稍低。
其中,被监控区域包括:车站、广场、港口。
进一步地,步骤S1及步骤S2间还包括S11,抛弃错误帧的步骤,所述的错误帧包括:黑屏、雪花、移位。
我们采用高斯混合模型进行背景建模,较之其他算法(如流法,帧差法等)具有良好的自适应性和实时性。同时我们在前景更新的过程中引入了学习率的概念,当学习率较小时,系统适应环境变化的能力较低,需要较长时间才能建立前景模型;当学习率较大时,系统适应环境变化的能力较强,能较快地变化前景模型,但对于一段时间内停留在场景中的目标,可能会学习到背景中去。针对这种情况,我们拟对学习率进行调整,在图像中的不同处设定不同的学习速率,以适应场景变化的需要。
请参阅图2、一种前景检测的装置,用于实现上述的方法,包括:
视频图像采集单元10、边缘轮廓图获取单元20、临界值判断单元30、背景建模单元40、前景图像分成单元50、前景图像分成单元60。
视频图像采集单元10,用于连续采集被监控区域的视频图像,得到多帧视频图像;
边缘轮廓图获取单元20,与视频图像采集单元10相连,用于对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
临界值判断单元30,与边缘轮廓图获取单元20相连,用于判断所述的时间值是否小于规定的临界值;
背景建模单元40,与临界值判断单元30相连,用于确定为背景像素并对所述的背景像素进行建模;
前景建模单元50,与临界值判断单元40相连,用于确定为前景像素并对所述的前景进行建模,形成初始前景图像;
前景图像分成单元60,与前景建模单元50相连,用于将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
其中,建模是通过混合高斯模型进行建模,场景包括:车站、广场、港口。
较佳地,视频图像采集单元10及边缘轮廓图获取单元20之间还包括错误帧处理单元15,用于抛弃错误帧,错误帧包括:黑屏、雪花、移位。
请参阅图3、一种前景检测的系统,包括至少一个摄像机100,与摄像机100相连的服务器200,与服务器200相连的数据库300,与服务器200相连的控制单元350以及显示器500,控制单元350包括上述的前景检测装置。
其中,摄像机100与服务器200通过以太网、3G、GPRS网络相连。
本系统的工作过程为:至少一个摄像机100摄取多个图像,通过以太网、3G、GPRS网络上传到服务器200,通过与服务器200相连的控制单元350进行建模后将数据存入数据库300并在显示器500上进行显示。
实施本发明的一种前景检测方法、装置和系统,具有以下有益的技术效果:
针对不同的运动前景,使用不同的学习率,节省计算资源,具有良好的适应性和实时性。
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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种前景检测的方法,包括:
S1.连续采集被监控区域的视频图像,得到多帧视频图像;
S2.对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
S3.判断所述的时间值是否小于规定的临界值,若是,进入步骤S4,若非,进入步骤S5;
S4.确定为背景像素并对所述的背景像素进行建模;
S5.确定为前景像素并对所述的前景进行建模,形成初始前景图像;
S6.将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
2.根据权利要求1所述的前景检测的方法,其特征在于,所述的建模是通过混合高斯模型进行建模。
3.根据权利要求1所述的前景检测的方法,其特征在于,所述的被监控区域包括:车站、广场、港口。
4.根据权利要求1所述的前景检测的方法,其特征在于,所述的步骤S1及步骤S2间还包括S11,抛弃错误帧的步骤,所述的错误帧包括:黑屏、雪花、移位。
5.一种前景检测装置,用于实现权利要求1所述的方法,其特征在于,包括:
视频图像采集单元,用于连续采集被监控区域的视频图像,得到多帧视频图像;
边缘轮廓图获取单元,与所述的视频图像采集单元相连,用于对每帧视频图像进行检测,获得边缘轮廓图,对所述的边缘轮廓图像素点进行统计,计算像素点停留的在多帧缘轮廓图的时间值;
临界值判断单元,与所述的边缘轮廓图获取单元相连,用于判断所述的时间值是否小于规定的临界值;
背景建模单元,与所述的临界值判断单元相连,用于确定为背景像素并对所述的背景像素进行建模;
前景建模单元,与所述的临界值判断单元相连,用于确定为前景像素并对所述的前景进行建模,形成初始前景图像;
前景图像分成单元,与所述的前景建模单元相连,用于将所述的初始前景图像分成多个的活动区域,所述的多个的活动区域对应多个不同的学习率。
6.根据权利要求5所述的前景检测的装置,其特征在于,所述的建模是通过混合高斯模型进行建模。
7.根据权利要求5所述的前景检测的装置,其特征在于,所述的场景包括:车站、广场、港口。
8.根据权利要求5所述的前景检测的装置,其特征在于,所述的视频图像采集单元及边缘轮廓图获取单元之间还包括错误帧处理单元,用于抛弃错误帧,所述的错误帧包括:黑屏、雪花、移位。
9.一种前景检测的系统,包括至少一个摄像机,与所述的摄像机相连的服务器,与所述的服务器相连的数据库,与所述的服务器相连的控制单元以及显示器,其特征在于,所述的控制单元包括权利要求5所述的前景检测装置。
10.根据权利要求9所述的前景检测的系统,其特征在于,所述的摄像机与所述的服务器通过以太网、3G、GPRS网络相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101376361A CN102708565A (zh) | 2012-05-07 | 2012-05-07 | 一种前景检测的方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101376361A CN102708565A (zh) | 2012-05-07 | 2012-05-07 | 一种前景检测的方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102708565A true CN102708565A (zh) | 2012-10-03 |
Family
ID=46901285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101376361A Pending CN102708565A (zh) | 2012-05-07 | 2012-05-07 | 一种前景检测的方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708565A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930719A (zh) * | 2012-10-09 | 2013-02-13 | 北京航空航天大学 | 用于交通路口场景并基于网络物理系统的视频图像前景检测方法 |
CN104599388A (zh) * | 2015-02-06 | 2015-05-06 | 武汉大学 | 一种基于图像处理的景区票价调整系统和方法 |
CN110111341A (zh) * | 2019-04-30 | 2019-08-09 | 北京百度网讯科技有限公司 | 图像前景获取方法、装置及设备 |
CN110602412A (zh) * | 2019-08-30 | 2019-12-20 | 北京迈格威科技有限公司 | Ipc、图像处理设备、图像处理的系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008080045A2 (en) * | 2006-12-22 | 2008-07-03 | Genentech, Inc. | Dr6 antibodies inhibiting the binding of dr6 to app, and uses thereof in treating neurological disorders |
US20090041359A1 (en) * | 2007-08-08 | 2009-02-12 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus with estimation of background change |
US20090087024A1 (en) * | 2007-09-27 | 2009-04-02 | John Eric Eaton | Context processor for video analysis system |
CN102034240A (zh) * | 2010-12-23 | 2011-04-27 | 北京邮电大学 | 一种静态前景检测和跟踪方法 |
CN102289805A (zh) * | 2011-06-10 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种基于视频的地铁人群密度检测方法 |
US20120106856A1 (en) * | 2010-10-29 | 2012-05-03 | Canon Kabushiki Kaisha | Method for Video Object Detection |
-
2012
- 2012-05-07 CN CN2012101376361A patent/CN102708565A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008080045A2 (en) * | 2006-12-22 | 2008-07-03 | Genentech, Inc. | Dr6 antibodies inhibiting the binding of dr6 to app, and uses thereof in treating neurological disorders |
US20090041359A1 (en) * | 2007-08-08 | 2009-02-12 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus with estimation of background change |
US20090087024A1 (en) * | 2007-09-27 | 2009-04-02 | John Eric Eaton | Context processor for video analysis system |
US20120106856A1 (en) * | 2010-10-29 | 2012-05-03 | Canon Kabushiki Kaisha | Method for Video Object Detection |
CN102034240A (zh) * | 2010-12-23 | 2011-04-27 | 北京邮电大学 | 一种静态前景检测和跟踪方法 |
CN102289805A (zh) * | 2011-06-10 | 2011-12-21 | 北京云加速信息技术有限公司 | 一种基于视频的地铁人群密度检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930719A (zh) * | 2012-10-09 | 2013-02-13 | 北京航空航天大学 | 用于交通路口场景并基于网络物理系统的视频图像前景检测方法 |
CN102930719B (zh) * | 2012-10-09 | 2014-12-10 | 北京航空航天大学 | 用于交通路口场景并基于网络物理系统的视频图像前景检测方法 |
CN104599388A (zh) * | 2015-02-06 | 2015-05-06 | 武汉大学 | 一种基于图像处理的景区票价调整系统和方法 |
CN110111341A (zh) * | 2019-04-30 | 2019-08-09 | 北京百度网讯科技有限公司 | 图像前景获取方法、装置及设备 |
CN110602412A (zh) * | 2019-08-30 | 2019-12-20 | 北京迈格威科技有限公司 | Ipc、图像处理设备、图像处理的系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100579174C (zh) | 一种运动检测方法和装置 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN104200466B (zh) | 一种预警方法及摄像机 | |
CN102073851B (zh) | 一种城市交通事故自动识别方法和系统 | |
CN101751677B (zh) | 基于多摄像机的目标连续跟踪方法 | |
CN102930719B (zh) | 用于交通路口场景并基于网络物理系统的视频图像前景检测方法 | |
CN103049787A (zh) | 一种基于头肩特征的人数统计方法和系统 | |
CN110127479B (zh) | 一种基于视频分析的电梯门开关异常检测方法 | |
CN106204586B (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN103971521A (zh) | 道路交通异常事件实时检测方法及装置 | |
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 | |
CN102663743A (zh) | 一种复杂场景中多摄影机协同的人物追踪方法 | |
CN104063885A (zh) | 一种改进的运动目标检测与跟踪方法 | |
CN103729858A (zh) | 一种视频监控系统中遗留物品的检测方法 | |
CN110415268A (zh) | 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN104820995A (zh) | 一种面向大型公共场所的人流密度监测预警方法 | |
WO2006050448A2 (en) | Adaptive tracking for gesture interfaces | |
CN103810717A (zh) | 一种人体行为检测方法及装置 | |
CN101727570A (zh) | 跟踪方法、检测跟踪处理设备和监控系统 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN104301697A (zh) | 一种公共场所暴力事件自动检测系统及其方法 | |
CN102708565A (zh) | 一种前景检测的方法、装置和系统 | |
Malhi et al. | Vision based intelligent traffic management system | |
CN103106796A (zh) | 智能交通监控系统中的车辆检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121003 |