CN102855634B - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN102855634B CN102855634B CN201110176980.7A CN201110176980A CN102855634B CN 102855634 B CN102855634 B CN 102855634B CN 201110176980 A CN201110176980 A CN 201110176980A CN 102855634 B CN102855634 B CN 102855634B
- Authority
- CN
- China
- Prior art keywords
- pixel
- cslbp
- image
- represent
- operators
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图像检测方法及装置,用以提高图像运动目标检测的检测率和准确率,使得在复杂光照变化场景下,同样可以很准确地检测到运动目标。本发明提供的一种图像检测方法包括:采集图像,利用预先设置的混合时空背景模型,对图像进行运动目标检测,确定目标图像;其中,所述混合时空背景模型,是预先根据图像的灰度变化趋势建模得到的。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像检测方法及装置。
背景技术
图像运动目标检测是智能视频监控领域的重要研究方向,而背景建模作为运动检测中应用最广的一种方法,是计算机视觉中十分关键的部分,背景与前景的有效分割对后续的目标跟踪、物体识别、行为分类等高层处理起着决定性的影响。然而,背景建模方法对场景光照变化较为敏感,包括长时有规律的变化,如树叶摇晃、早晚更替等,和短时随机变化,诸如天气、运动物体等。
目前,背景建模的研究主要从像素时域统计和空域纹理分析两个方面展开,基于像素时域分布统计的方法,诸如混合高斯模型及其改进方法,能够较好地适应长时有规律的光照变化,但由于该模型假设观测的时间序列中每一像素点相互独立,对细微的光照或短时光照的变化很敏感,检测效果不够理想。基于空域的背景模型,如局部二元图(LBP),Radial Reach滤波器,由于使用了局部区域内不变的空间域纹理特征,在短时光照变化下鲁棒性较好,但如果只是局部区域内部分像素点发生改变时,这时提取的特征便不能满足空域不变性,检测的效果会受到较大影响,而这种情况在室外视频中往往比较常见。
现有技术中的中心对称局部二值模式(CSLBP)纹理模型,在应用于背景建模时,CSLBP相比LBP特征维数更低,抗噪声能力更强,便于实时运算。但CSLBP局限于考虑对短时光照变化的鲁棒性,未能考虑纹理的时域分布特性对背景建模的重要影响,且当长时光照变化导致局部区域内部分像素点发生改变时,CSLBP不能满足空域不变性,故在复杂光照变化场景下,尤其是短时光照变化与长时光照变化并存的时候,CSLBP不能满足背景建模的需要。
发明内容
本发明实施例提供了一种图像检测方法及装置,用以提高图像运动目标检测的检测率和准确率,使得在复杂光照变化场景下,同样可以很准确地检测到运动目标。
本发明实施例提供的一种图像检测方法包括:
根据图像的灰度变化趋势建模得到混合时空背景模型;
采集图像,利用所述混合时空背景模型,对图像进行运动目标检测,确定目标图像
本发明实施例提供的一种图像检测装置包括:
图像获取单元,用于获取图像;
运动目标检测单元,用于利用预先设置的混合时空背景模型,对图像进行运动目标检测,确定目标图像;其中,所述混合时空背景模型,是预先根据图像的灰度变化趋势建模得到的。
本发明实施例,根据图像的灰度变化趋势建模得到混合时空背景模型;采集图像,利用所述混合时空背景模型,对图像进行运动目标检测,确定目标图像,从而提高图像运动目标检测的检测率和准确率,使得在复杂光照变化场景下,同样可以很准确地检测到图像中的运动目标。
附图说明
图1为本发明实施例提供的图像检测方法的流程示意图;
图2为本发明实施例提供的混合时空背景模型的建模方法的流程示意图;
图3为本发明实施例提供的ST-CSLBP算子描述图;
图4-a为当前帧输入图像,图4-b为基于颜色的混合高斯模型的检测结果,图4-c为基于空间模型的检测结果,图4-d为通过本发明实施例提供的混合时空背景建模方法得到的检测结果;
图5为本发明实施例提供的混合时空背景建模方法与其他方法的准确率与检索率的比较示意图;
图6-a至图6-f为本发明实施例提供的测试结果示意图;
图7为本发明实施例提供的图像检测装置的结构示意图。
具体实施方式
本发明实施例提供了一种图像检测方法及装置,用以提高图像运动目标检测的检测率和准确率,使得在复杂光照变化场景下,同样可以很准确地检测到运动目标。
为了解决复杂光照变化场景下的运动目标检测的准确性问题,本发明实施例提供了一种基于时空-中心对称局部二值模式(ST-CSLBP)的混合时空背景模型及其建模方法,通过采用混合时空背景模型对图像进行运动目标检测,可以在长时光照变化与短时光照变化的场景下均能准确分割出运动物体。
参见图1,本发明实施例提供的一种图像检测方法,包括步骤:
S101、采集图像;
S102、利用预先设置的混合时空背景模型,对图像进行运动目标检测,确定目标图像;
其中,所述混合时空背景模型,是预先根据图像的灰度变化趋势建模得到的。
较佳地,参见图2,本发明实施例提供的预先设置混合时空背景模型的步骤包括:
S201、确定基于指数平滑和光照变化的像素预测值;
S202、将像素预测值和CSLBP算子融合,得到ST-CSLBP算子;
S203、计算基于ST-CSLBP算子的每一像素点对应的直方图;
S204、构建基于ST-CSLBP算子的每一像素点对应的直方图的混合时空背景模型。
本发明实施例提供的一种基于ST-CSLBP的混合时空背景建模方法,设计了一种全新的时空对称ST-CSLBP算子,以同时融合时间预测和空域纹理信息;然后,构建基于ST-CSLBP直方图,得到基于ST-CSLBP直方图的混合时空背景模型,以融合时域分布统计法和空域背景各自的优势。具体包括:
建立基于指数平滑和光照变化的像素值预测,给出像素亮度值在时域上的分布趋势,且在考虑像素的空域纹理信息的同时,融入纹理的时域分布特性,设计包含空域和时域信息的纹理描述算子ST-CSLBP,能够很好地适应短时光照变化,包括区域内只有部分像素点发生变化的情况,同时兼备了CSLBP良好的抗噪能力;
以上述得到的ST-CSLBP算子作为输入数据,计算基于ST-CSLBP直方图分布,用Kunback-Leible(简称KL)散度来度量不同直方图之间在统计上的相似程度,通过预设阈值判定是否匹配,并构建基于ST-CSLBP直方图的混合时空背景模型,融合时域分布统计法和空域背景各自的优势,以同时适应长时光照以及短时光照的变化。
下面对上述混合时空背景模型的建模步骤分别展开说明。
步骤S201:考虑到光照变化是逐步按比例增加的,在预测更新时考虑比例变化趋势分量,并结合指数预测,得到当前图像的像素预测值;
对于每一样本图像的每一像素点,执行下列操作:
指数预测,用于对时序数据进行平滑或预测,最基本的形式如公式(1)所示:
mt=βxt+(1-β)mt-1 (1)
其中,mt表示t时刻图像(当前样本图像)的当前像素点的状态估计值(可以看作是一个中间变量),mt-1表示t-1时刻图像(前一样本图像)的该像素点的状态估计值,xt表示t时刻图像的该像素点的像素观测值,β表示平滑系数,其取值可以为0.1或0.2等,β值越大,则说明mt与xt的相关性越大,β值越小,则说明mt与mt-1的相关性越大。
公式(1)仅仅适用于没有变化趋势的时序图像数据。考虑到光照变化是逐步按比例增加的,在预测更新时考虑光照按照比例变化的趋势,则像素预测值的计算如公式(2)所示:
rt=β(xt-xt-1)+(1-β)rt-1
其中,zt表示t时刻图像的当前像素点的像素预测值,rt表示该像素点的灰度变化趋势,rt-1表示t-1时刻图像的该像素点的灰度变化趋势,xt-1表示t-1时刻图像的该像素点的像素观测值。
步骤S202:将步骤S201得到的像素预测值zt与CSLBP算子融合,得到本发明实施例的ST-CSLBP算子,其包含了任一像素点的时间域和空间域信息,能够很好地适应短时光照变化,包括区域内只有部分像素点发生变化的情况,同时兼备了CSLBP良好的抗噪能力。ST-CSLBP算子如下:
其中,ST-CSLBPP,R表示本发明实施例给出的ST-CSLBP算子,R表示以当前像素点为中心的圆形区域的半径,P表示该圆形区域内等间距的像素点的个数,g表示像素点的灰度值,s(gp,gp+P/2)2p表示像素p+P/2与像素p的灰度的相似度,由s(gp,gp+P/2)乘以2p得到;s(gzp,gz(p+P/2))2p+P/2-1表示像素p+P/2与像素p的像素预测值之间的灰度的相似度,由s(gzp,gz(p+P/2))乘以2p+P/2-1得到。
s(gi,gj)表示将两个像素i和j的灰度值进行比较的结果,即像素i和像素j之间的灰度的相似度,i和j分别表示所选像素的编号,abs(gj-gi)表示gj与gi的绝对值,T表示预设阈值,一般可以取4或5。
即s(gp,gp+P/2)表示将像素p和像素p+P/2的灰度值进行比较的结果,p=0,1,2,3...,P/2,如图2所示,当P=8时,p=0,1,2,3,并且根据公式(4)有:
s(gzp,gz(p+P/2))表示像素点p的像素预测值zp的灰度gzp与像素点p+P/2的像素预测值z(p+P/2)的灰度gz(p+P/2)之间的相似度,
公式(3)为本发明实施例所设计的ST-CSLBPP,R算子,P和R是预先设置的参数值,以当前像素点为中心,半径为R的圆形邻域内等间距的P个像素点,例如,当R=3时,即半径为3个像素的时候,P=8(包括8个像素点)。
采用双线性插值算法计算没有完全落在像素位置的点(即以R为半径的圆,被P等分后得到的等分点)的灰度值。
zp(p=0,1,...,P-1)为像素预测值,如式(2)所示,根据该位置的历史像素值序列预测得到。如式(4)所示,s(gi,gj)表示i和j像素点之间的灰度值关系,通过圆周上位置相关的像素做二值化处理得到,i和j满足j=i+P/2。
在ST-CSLBP算子中,s(gp,gp+P/2)项保持了CSLBP对短时光照具有鲁棒性和抗噪声强的优点,而s(gzp,gz(p+P/2))项所引入的时间域信息使算子同时兼备了对长时光照变化的鲁棒性。
图3是当R=3,P=8时ST-CSLBP算子描述图,可见由于ST-CSLBP算子同时包含了时间域和空间域信息,能够很好地适应短时光照变化与长时光照变化,包括算子所包含的图像区域内只有部分像素点发生变化的情况,同时兼备了CSLBP良好的抗噪能力。
步骤S203:以步骤S202中所得到的ST-CSLBP算子作为输入数据,构建基于ST-CSLBP的直方图,得到背景建模的对象。
对于图像中每一像素点,N表示以该点为中心的n*n的矩形区域,计算t时刻的直方图Ht如式(5)所示:
其中,Ht,i是直方图Ht中第i个直方图横坐标(bin),i=0,1,...,2P-1。
gc表示在像素点c的灰度值,i表示数值变量,I(ST-CSLBPP,R(gc)=i)表示i是否等于ST-CSLBPP,R(gc),如果相等,则I(ST-CSLBPP,R(gc)=i)为1,否则为0,x,y分别表示像素坐标,I(x)是一个中间变量,用来计算Ht,i(gc)的值。
步骤S204:使用Kunback-Leible散度来度量不同直方图(即每一像素点对应的直方图)之间在统计上的相似程度,通过设定阈值判定每两个直方图是否匹配,并构建基于ST-CSLBP直方图的混合时空背景模型,并对该混合时空背景模型,利用下述步骤三及其以后的操作,进行在线更新,融合时域分布统计法和空域背景各自的优势,以同时适应长时光照以及短时光照的变化。
图像中每个像素点由K个带权重的直方图当前的背景模型(mt,0,……,mt,k-1)建模(K一般取值在3~5之间),其中,背景模型中的每一个模态即为公式(5)所示的直方图,由下述步骤三及其以后的操作,可以得到K个直方图,以及利用这K个直方图进行建模。
背景模型的单像素的更新步骤如下:
步骤一:针对每一像素点,利用式(6)将由当前图像得到的新的直方图Ht与已存在的K个直方图比较,采用Kunback-Leible散度计算新的直方图Ht与已存在的K个直方图的相似度。Kunback-Leible散度是用类似于距离的标准来衡量两个直方图在统计上的相似程度,相比于基于分散样本的相似度衡量,基于统计的相似度衡量能够更为真实反映两个直方图属性的本质关系,“距离”越小,则相似程度越大,当“距离”足够小时,则认为两个直方图匹配,使用TH作为阈值判断是否匹配,定义直方图A和直方图B的相似度为:
κ(A,B)表示直方图A和直方图B的相似度,A(i)表示直方图A中第i个bin的值,B(i)表示直方图B中第i个bin的值,d表示直方图横坐标的取值范围。
步骤二:若像素点的新的直方图与某一背景模型中的直方图匹配,同时所匹配的背景模型满足步骤七中式(10),则该像素点为背景像素,否则该像素点为前景像素。
步骤三:当前t时刻的背景模型中第k个直方图在t时刻的权重ωk,t更新公式如下:
ωk,t=(1-αω)ωk,t-1+αωMk,t (7)
其中,αω表示自定义的学习速率,其取值可以为0.05,ωk,t-1表示t-1时刻的权重,当像素点的新的直方图与某一背景模型中的直方图相匹配时,Mk,t为1,否则为0。
更新之后,权重要重新归一化,使得一个各个模态权重的和值为1。
步骤四:若背景模型中某一直方图mi与新直方图匹配,背景模型中与当前直方图匹配的那个直方图更新如式(8):
mi,t=(1-αb)mi,t-1+αbHt (8)
其中,mi,t表示t时刻背景模型中第i个直方图,αb表示更新系数,一般为0.05,mi,t-1表示t-1时刻背景模型中第i个直方图,Ht表示t时刻当前图像的直方图。
步骤五:若无背景直方图匹配,增加新的背景直方图mk,t,其权重为初始值ω0,然后,采用式(9)对权重进行归一化:
mk+1,t=Ht,ωk+1,t=ω0 (9)
其中,mk+1,t表示在t时刻背景模型中第k+1个直方图,ωk+1,t表示背景模型中第k+1个直方图在t时刻的权重。
步骤六:当超过K个模型(即K个直方图)时,权重最小的直方图被删除,之后权重归一化,使得各个权重的总和为1。
步骤七:将所有的背景直方图按照权重值进行降序排序,并在K个降序排列好的直方图中选取满足式(10)的最少的前b个直方图来表征背景(b<K),其中TB是自定义的阈值,例如可以取值为0.7:
其中,ωk,t表示背景模型中第k个直方图在t时刻的权重,像素各个直方图的权值排序后,选取最小的b个直方图,使得权重的和大于阈值,由选取的b个直方图分布构建多模态的背景BH。
为了便于本发明实施例与其他方法的性能评价和比较,引入基于“准确率、索引率”的评价指数,分别如式(11)所示:
其中TP、TN、FP、FN如表1所示:
TP | 正确检测的前景 |
TN | 正确检测的背景 |
FP | 错误检测的前景 |
FN | 错误检测的背景 |
表1每像素点的检测情况
利用本发明实施例提出的混合时空背景建模方法,选取参数β=0.9,N为3*3,R=2,P=4,检测PETS2001标准视频(分辨率降为320*240),其中一帧的检测结果如图4-a至图4-d所示,其中,图4-a为当前帧输入图像,图4-b为基于颜色的混合高斯模型的检测结果,图4-c为基于空间模型的检测结果,图4-d为基于本发明实施例提出的混合时空背景建模方法得到的检测结果。
由图4-a至图4-d可以看出正确检测的前景点(TP)、正确检测的背景点(TN)、误检为前景的像素点(FP)以及误检为背景的像素点(FN)。由图4-b可以看出,基于混合高斯的方法不但检测出了前景物体,同时会将部分受到短时光照变化的背景点误检为前景像素;由图4-c可以看出,基于纹理模型的方法能较好地适应短时光照变化,但由于采用的是直方图建模方式,在前景物体附近的像素点容易误检;通过本发明实施例对时间和空间信息进行融合之后,得到图4-b,取得了较为理想的结果。
调整参数R和N,将检测结果与标准二值化检测结果比较,按式(9)得到检测的准确率和检索率如下面的表2所示:
R | 2 | 2 | 3 | 3 |
N | 3x3 | 5x5 | 3x3 | 5x5 |
准确率(%) | 84.5 | 86.4 | 84.6 | 86.2 |
检索率(%) | 72.3 | 63.7 | 71.1 | 62.1 |
表2不同参数下的检测结果比较
目前常见的背景建模方法如下:
混合高斯模型;
自适应混合高斯模型;
基于径向滤波(RRF)的空域模型;
基于LBP的空域模型;
针对PETS2001标准视频检测后,上述已有背景建模方法与本发明实施例提供的混合时空背景模型(取N为3x3,R=2时)的性能比较如图5所示,从图5可以看出,与已有方法相比较,本发明实施例提供的混合时空背景模型能够适应复杂场景中多种光照变化的情况,取得了较高的检测准确率与检索率。
利用本发明实施例提供的混合时空背景模型,对标准序列的部分的测试结果如图6-a至图6-f所示,其中图6-a和图6-d为当前帧输入图像,图6-b和图6-e为利用本发明实施例提供的混合时空背景模型得到的检测结果,图6-c和图6-f为该序列标准测试结果(即Ground Truth)。
参见图7,本发明实施例提供的一种图像检测装置,包括:
图像获取单元11,用于获取图像;
运动目标检测单元12,用于利用预先设置的混合时空背景模型,对图像进行运动目标检测,确定目标图像;其中,所述混合时空背景模型,是预先根据图像的灰度变化趋势建模得到的。
较佳地,所述运动目标检测单元12,包括:
混合时空背景模型单元121,用于确定基于指数平滑和光照变化的像素预测值;将像素预测值和CSLBP算子融合,得到ST-CSLBP算子;计算基于ST-CSLBP算子的每一像素点对应的直方图;构建基于ST-CSLBP算子的每一像素点对应的直方图的混合时空背景模型;
检测单元122,用于利用混合时空背景模型,对图像进行运动目标检测,确定目标图像。
较佳地,所述混合时空背景模型单元121,利用如下公式确定所述像素预测值:
rt=β(xt-xt-1)+(1-β)rt-1
mt=βxt+(1-β)mt-1
其中,zt表示t时刻像素点的像素预测值,mt表示t时刻像素点的状态估计值,β表示平滑系数,rt-1表示t-1时刻像素点的灰度变化趋势,rt表示t时刻像素点的灰度变化趋势,xt表示t时刻像素点的像素观测值,xt-1表示t-1时刻像素点的像素观测值。
较佳地,所述混合时空背景模型单元121,利用如下公式将像素预测值和CSLBP算子融合,得到ST-CSLBP算子:
其中,ST-CSLBPP,R表示ST-CSLBP算子,R表示以当前像素点为中心的圆形区域的半径,P表示该圆形区域内等间距的像素点的个数,g表示像素点的灰度值,s(gp,gp+P/2)2p表示像素p+P/2与像素p的灰度的相似度,s(gzp,gz(p+P/2))2p+P/2-1表示像素p+P/2与像素p的像素预测值之间的灰度的相似度;
s(gi,gj)表示像素i和像素j之间的灰度的相似度,abs(gj-gi)表示像素j的灰度gj与像素i的灰度gi的绝对值,T表示预设阈值。
较佳地,所述混合时空背景模型单元121,确定基于ST-CSLBP算子的每一像素点对应的直方图的相似度;根据相似度,判断基于ST-CSLBP算子的每一像素点对应的直方图与背景模型中的直方图是否匹配,如果是,该像素点作为背景像素,否则将该像素点作为前景像素。
综上所述,本发明实施例在深入研究背景建模技术的基础上,提出了基于ST-CSLBP的混合时空背景建模方法,充分利用了时域与空间域信息,设计了混合方法的融合准则,从而使混合时空背景模型能够同时适应长时光照以及短时的光照变化,从试验结果可以看出,通过本发明实施例提供的混合时空背景模型对图像进行运动目标检测,更能够适应复杂场景中多种光照变化的情况,具有较高的检测准确率与检索率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种图像检测方法,其特征在于,该方法包括:
根据图像的灰度变化趋势建模得到混合时空背景模型;
采集图像,利用所述混合时空背景模型,对图像进行运动目标检测,确定目标图像;
其中,所述根据图像的灰度变化趋势建模得到混合时空背景模型,包括:确定基于指数平滑和光照变化的像素预测值;将像素预测值和中心对称局部二值模式CSLBP算子融合,得到时空—中心对称局部二值模式ST-CSLBP算子;计算基于ST-CSLBP算子的每一像素点对应的直方图;构建基于ST-CSLBP算子的每一像素点对应的直方图的混合时空背景模型;
利用如下公式确定所述像素预测值:
rt=β(xt-xt-1)+(1-β)rt-1
mt=βxt+(1-β)mt-1
其中,zt表示t时刻像素点的像素预测值,mt表示t时刻像素点的状态估计值,β表示平滑系数,rt-1表示t-1时刻像素点的灰度变化趋势,rt表示t时刻像素点的灰度变化趋势,xt表示t时刻像素点的像素观测值,xt-1表示t-1时刻像素点的像素观测值。
2.根据权利要求1所述的方法,其特征在于,利用如下公式将像素预测值和CSLBP算子融合,得到ST-CSLBP算子:
其中,ST-CSLBPP,R表示ST-CSLBP算子,R表示以当前像素点为中心的圆形区域的半径,P表示该圆形区域内等间距的像素点的个数,g表示像素点的灰度值,s(gp,gp+P/2)2p表示像素p+P/2与像素p的灰度的相似度,s(gzp,gz(p+P/2))2p+P/2-1表示像素p+P/2与像素p的像素预测值之间的灰度的相似度;
s(gi,gj)表示像素i和像素j之间的灰度的相似度,abs(gj-gi)表示像素j的灰度gj与像素i的灰度gi的差值的绝对值,T表示预设阈值。
3.根据权利要求1所述的方法,其特征在于,所述构建基于ST-CSLBP算子的每一像素点对应的直方图的混合时空背景模型,包括:
确定基于ST-CSLBP算子的每一像素点对应的直方图的相似度;
根据相似度,判断基于ST-CSLBP算子的每一像素点对应的直方图与背景模型中的直方图是否匹配,如果是,该像素点作为背景像素,否则将该像素点作为前景像素。
4.一种图像检测装置,其特征在于,该装置包括:
图像获取单元,用于获取图像;
运动目标检测单元,用于利用预先设置的混合时空背景模型,对图像进行运动目标检测,确定目标图像;其中,所述混合时空背景模型,是预先根据图像的灰度变化趋势建模得到的;
其中,所述运动目标检测单元,包括:混合时空背景模型单元,用于确定基于指数平滑和光照变化的像素预测值;将像素预测值和中心对称局部二值模式CSLBP算子融合,得到时空—中心对称局部二值模式ST-CSLBP算子;计算基于ST-CSLBP算子的每一像素点对应的直方图;构建基于ST-CSLBP算子的每一像素点对应的直方图的混合时空背景模型;检测单元,用于利用混合时空背景模型,对图像进行运动目标检测,确定目标图像;
所述混合时空背景模型单元,利用如下公式确定所述像素预测值:
rt=β(xt-xt-1)+(1-β)rt-1
mt=βxt+(1-β)mt-1
其中,zt表示t时刻像素点的像素预测值,mt表示t时刻像素点的状态估计值,β表示平滑系数,rt-1表示t-1时刻像素点的灰度变化趋势,rt表示t时刻像素点的灰度变化趋势,xt表示t时刻像素点的像素观测值,xt-1表示t-1时刻像素点的像素观测值。
5.根据权利要求4所述的装置,其特征在于,所述混合时空背景模型单元,利用如下公式将像素预测值和CSLBP算子融合,得到ST-CSLBP算子:
其中,ST-CSLBPP,R表示ST-CSLBP算子,R表示以当前像素点为中心的圆形区域的半径,P表示该圆形区域内等间距的像素点的个数,g表示像素点的灰度值,s(gp,gp+P/2)2p表示像素p+P/2与像素p的灰度的相似度,s(gzp,gz(p+P/2))2p+P/2-1表示像素p+P/2与像素p的像素预测值之间的灰度的相似度;
s(gi,gj)表示像素i和像素j之间的灰度的相似度,abs(gj-gi)表示像素j的灰度gj与像素i的灰度gi的差值的绝对值,T表示预设阈值。
6.根据权利要求4所述的装置,其特征在于,所述混合时空背景模型单元,确定基于ST-CSLBP算子的每一像素点对应的直方图的相似度;根据相似度,判断基于ST-CSLBP算子的每一像素点对应的直方图与背景模型中的直方图是否匹配,如果是,该像素点作为背景像素,否则将该像素点作为前景像素。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110176980.7A CN102855634B (zh) | 2011-06-28 | 2011-06-28 | 一种图像检测方法及装置 |
PCT/CN2012/077580 WO2013000404A1 (zh) | 2011-06-28 | 2012-06-27 | 一种图像检测方法及装置 |
US14/127,555 US9361702B2 (en) | 2011-06-28 | 2012-06-27 | Image detection method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110176980.7A CN102855634B (zh) | 2011-06-28 | 2011-06-28 | 一种图像检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102855634A CN102855634A (zh) | 2013-01-02 |
CN102855634B true CN102855634B (zh) | 2017-03-22 |
Family
ID=47402196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110176980.7A Active CN102855634B (zh) | 2011-06-28 | 2011-06-28 | 一种图像检测方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9361702B2 (zh) |
CN (1) | CN102855634B (zh) |
WO (1) | WO2013000404A1 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955690B (zh) * | 2014-04-15 | 2017-03-01 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
CN105303581B (zh) * | 2014-06-12 | 2018-12-14 | 南京理工大学 | 一种自适应参数的运动目标检测方法 |
CN104574441B (zh) * | 2014-12-31 | 2017-07-28 | 浙江工业大学 | 一种基于gmm和时序模型的跌倒实时检测方法 |
CN105718894A (zh) * | 2016-01-22 | 2016-06-29 | 孟玲 | 一种具有稳定跟踪功能的污水处理装置 |
US10867386B2 (en) * | 2016-06-30 | 2020-12-15 | Microsoft Technology Licensing, Llc | Method and apparatus for detecting a salient point of a protuberant object |
CN106251345A (zh) * | 2016-07-26 | 2016-12-21 | 成都市高博汇科信息科技有限公司 | 一种实时监测视频对比度异常的方法 |
JP6711404B2 (ja) * | 2016-08-15 | 2020-06-17 | セイコーエプソン株式会社 | 回路装置、電子機器及びエラー検出方法 |
CN106651689A (zh) * | 2016-10-11 | 2017-05-10 | 深圳万发创新进出口贸易有限公司 | 一种智能考试系统 |
CN106485238B (zh) * | 2016-11-01 | 2019-10-15 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN107316318B (zh) * | 2017-05-26 | 2020-06-02 | 河北汉光重工有限责任公司 | 基于多子区域背景拟合的空中目标自动检测方法 |
CN108038872B (zh) * | 2017-12-22 | 2021-08-31 | 中国海洋大学 | 一种基于动静态目标检测与实时压缩感知追踪研究方法 |
CN108319959A (zh) * | 2017-12-29 | 2018-07-24 | 中国科学院合肥物质科学研究院 | 一种基于图像特征压缩与检索的农作物病害图像识别方法 |
CN108805027B (zh) * | 2018-05-03 | 2020-03-24 | 电子科技大学 | 低分辨率条件下的人脸识别方法 |
CN108629312A (zh) * | 2018-05-04 | 2018-10-09 | 兰州理工大学 | 一种动态手势跟踪方法及系统 |
CN109377713B (zh) * | 2018-09-26 | 2021-03-16 | 石化盈科信息技术有限责任公司 | 一种火灾预警方法及系统 |
CN110675361B (zh) * | 2019-08-16 | 2022-03-25 | 北京百度网讯科技有限公司 | 建立视频检测模型以及视频检测的方法、装置 |
CN111368741A (zh) * | 2020-03-05 | 2020-07-03 | 深学科技(杭州)有限公司 | 一种高空抛物检测系统 |
CN111436939B (zh) * | 2020-03-17 | 2023-04-18 | 佛山市台风网络科技有限公司 | 基于深度学习的识别体征信号的方法、系统、设备及介质 |
CN113743423A (zh) * | 2021-09-08 | 2021-12-03 | 浙江云电笔智能科技有限公司 | 一种温度智能监测方法及系统 |
CN114119577B (zh) * | 2021-11-30 | 2023-06-23 | 石家庄铁道大学 | 高铁隧道漏缆卡扣检测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777180A (zh) * | 2009-12-23 | 2010-07-14 | 中国科学院自动化研究所 | 基于背景建模和能量最小化的复杂背景实时替换方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100723406B1 (ko) * | 2005-06-20 | 2007-05-30 | 삼성전자주식회사 | 국부이진패턴 구별 방법을 이용한 얼굴 검증 방법 및 장치 |
-
2011
- 2011-06-28 CN CN201110176980.7A patent/CN102855634B/zh active Active
-
2012
- 2012-06-27 WO PCT/CN2012/077580 patent/WO2013000404A1/zh active Application Filing
- 2012-06-27 US US14/127,555 patent/US9361702B2/en not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777180A (zh) * | 2009-12-23 | 2010-07-14 | 中国科学院自动化研究所 | 基于背景建模和能量最小化的复杂背景实时替换方法 |
Non-Patent Citations (2)
Title |
---|
DYNAMIC BACKGROUND SUBTRACTION BASED ON SPATIAL EXTENDED CENTER-SYMMETRIC LOCAL BINARY PATTERN;Gengjian Xue, et al.;《2010 IEEE International Conference on Multimedia and Expo (ICME)》;20100723;第1050页摘要,第1节、第1051-1053页第2-4节、附图3 * |
MULTI-LAYER BACKGROUND SUBTRACTION BASED ON COLOR AND TEXTURE;J. Yao, et al.;《IEEE CVPR 2007 Workshop on Visual Surveillance (VS2007)》;20071231;第1页摘要、第7页第3.3节 * |
Also Published As
Publication number | Publication date |
---|---|
US20140169639A1 (en) | 2014-06-19 |
WO2013000404A1 (zh) | 2013-01-03 |
US9361702B2 (en) | 2016-06-07 |
CN102855634A (zh) | 2013-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855634B (zh) | 一种图像检测方法及装置 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
CN107808122B (zh) | 目标跟踪方法及装置 | |
CN105825524B (zh) | 目标跟踪方法和装置 | |
CN108229267B (zh) | 对象属性检测、神经网络训练、区域检测方法和装置 | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN102609904B (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN104899135B (zh) | 软件缺陷预测方法和系统 | |
US20190220673A1 (en) | People flow estimation device, people flow estimation method, and recording medium | |
CN108460101A (zh) | 面向位置社交网络基于地理位置正则化的兴趣点推荐方法 | |
CN103810699A (zh) | 基于无监督深度神经网络的sar图像变化检测方法 | |
CN108090510A (zh) | 一种基于间隔优化的集成学习方法及装置 | |
CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
CN104680542A (zh) | 基于在线学习的遥感影像变化检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN103377468A (zh) | 图像处理装置及图像处理方法 | |
CN104680554B (zh) | 基于surf的压缩跟踪方法和系统 | |
CN110889399A (zh) | 基于深度学习的高分辨率遥感影像弱小目标检测方法 | |
CN102930519A (zh) | 基于非局部均值的sar图像变化检测差异图生成方法 | |
CN104156943A (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN108446588A (zh) | 一种双时相遥感影像变化检测方法及系统 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
CN103700109A (zh) | 基于多目标优化moea/d和模糊聚类的sar图像变化检测方法 | |
CN109993728B (zh) | 一种热转印胶水偏位自动检测方法和系统 | |
CN112804522B (zh) | 一种对摄像头异常状况的检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |