CN102881023B - 一种缩短背景建模时间的方法及装置 - Google Patents
一种缩短背景建模时间的方法及装置 Download PDFInfo
- Publication number
- CN102881023B CN102881023B CN201210280815.0A CN201210280815A CN102881023B CN 102881023 B CN102881023 B CN 102881023B CN 201210280815 A CN201210280815 A CN 201210280815A CN 102881023 B CN102881023 B CN 102881023B
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- video frame
- current video
- single gauss
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及视频图像处理领域,涉及一种缩短背景建模时间的方法及装置,用于缩短建立背景建模的初始背景的时间。该方法为:先预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;再采集当前视频帧,根据当前视频帧的待匹配参数与预定义的各单高斯模型中的模型建立相关参数进行比较,确定与当前视频帧匹配成功的单高斯模型;然后根据当前视频帧的待匹配参数将匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立,从而实现了快速建立背景建模的初始背景。
Description
技术领域
本发明涉及视频图像处理领域,特别涉及一种缩短背景建模时间的方法及装置。
背景技术
运动目标检测方法的研究和应用是计算机视觉、只能视频分析领域的一个活跃的分支,在视频监控、安全检查和自动控制等系统中具有重要的地位。准确而可靠的运动目标检测结果将为后续的目标识别、目标跟踪以及行为分析等处理环节提供了坚实而有效的保障。
运动目标检测是指从图像序列中将变化区域从背景中分割出来,即背景对于目标的识别和跟踪至关重要。目前,常用的运动目标检测方法包括光流法、时间差分法和背景差分法。光流法是通过计算像素点的运动矢量来分离运动目标的,这种方法运动量大,复杂度较高,主要用于移动摄像机。时间差分法,又称为帧间差分法,通过假设背景图像中像素点的像素值和位置都不变,从而分离背景图像和前景图像。虽然时间差分法的实现过程简单,但是该方法只能提取轮廓,对噪声很敏感,因此,实用性不强。
对于固定摄像机的场景下,运动目标检测中的最重要的方法是基于混合高斯模型的背景差分法,其基本思想是通过对视频帧的学习建立高斯混合背景模型,将新输入的视频图像与高斯混合背景模型进行比较,当相应参数的差值大于预设阈值时,判断该像素为前景,当相应参数的差值小于等于预设阈值时,判断该像素为背景,从而完成运动目标的检测,其中,前景是指在假设背景为静止的情况下,任何有意义的运动物体即为前景。背景差分法的基本流程参阅图1所示。背景差分法的应用场景很多,如:LED灯光闪烁、树枝摆动、水面波动等引起的图像的象素值变化的方式多变且高频,这些变化过程不是从一个相对稳定的单模态分布过渡到另一个相对稳定的单模态分布的过程。对于呈现多模态特性的背景,可以利用多个单高斯分布的集合去描述场景中一个象素点变化的情况,这也就是多高斯分布背景模型。运动目标检测的背景差分法的实现有三个关键因素,一、背景模型能较准确的描述真实场景中的背景部分;二、背景模型的初始背景能较快的建立;三、噪声抑制作用明显。只有在至少满足以上三个关键因素的基础上,背景差分法才能保证背景建模的收敛性等方面。
目前,对背景差分法的研究多集中在背景模型能否较准确的描述真实场景中的背景部分及噪声抑制方面,而对缩短初始背景的建模时间方面的研究较少,且目前常用的背景建模的初始背景的建立方法是通过简化算法或者是减少统计背景建摸时所需的背景帧的数量来实现的,这两种算法所建立的背景模型都不能准确描述真实场景中的背景部分。
在实际应用中,基于混合高斯模型的背景差分法中涉及到到单个高斯模型在混合高斯模型中的权重值,每个单高斯模型的权重值用ωi表示,i表示为某一个单高斯模型,每个单高斯模型的权重值ωi按照公式一进行更新:
ωk,t=(1-β)*ωk,t-1+β (公式一)
其中,β为高斯模型的权重值更新率,通常是常数,取值在0到1之间。由公式一可知,较大的β值对应着较快的权重值更新率。在取β为某一常数值的情况下,若背景更新较快,若β值固定不变时,背景建模的建模时间是无法动态缩短的。遇到极端的情况,若β值很小,背景建模所需时间较长,甚至可能不能保证背景模型有效建立,也就是收敛性可能在极端情况下不能实现。
发明内容
本发明实施例提供一种缩短背景建模时间的方法及装置,用以较快建立背景建模,并且建立的背景模型能较准确的描述真实场景中的背景部分。
一种缩短背景建模时间的方法,包括:
预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;
采集当前视频帧,将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型;
根据所述当前视频帧的待匹配参数将所述匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立。
一种缩短背景建模时间的装置,包括:
定义单元,用于预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;
确定单元,用于采集当前视频帧,将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型;
更新单元,用于根据所述当前视频帧的待匹配参数将所述匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立。
本发明实施例中,先预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;再采集当前视频帧,根据当前视频帧的待匹配参数与预定义的各单高斯模型中的模型建立相关参数进行比较,确定与当前视频帧匹配成功的单高斯模型;然后根据当前视频帧的待匹配参数将匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立,从而实现了快速建立背景建模,并且建立的背景模型能较准确的描述真实场景中的背景部分。
附图说明
图1为现有技术中背景差分法的流程图;
图2为本发明实施例中摄像机装置的结构示意图;
图3为本发明实施例中缩短建立背景模型时间的详细流程图。
具体实施方式
为了缩短建立背景建模的时间,并且使建立的背景模型能较准确的描述真实场景中的背景部分,本发明实施例中,先预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;再采集当前视频帧,将当前视频帧的待匹配参数与预定义的各单高斯模型中的模型建立相关参数进行比较,确定与当前视频帧匹配成功的单高斯模型;然后根据当前视频帧的待匹配参数将匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立,从而实现了快速建立背景建模,并且建立的背景模型能较准确的描述真实场景中的背景部分。
下面结合附图对本发明优选的实施方式进行详细说明。
参阅图2所示,本发明实施例中,摄像机装置包括定义单元20、确定单元21与更新单元22,其中,
定义单元20,用于预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;
确定单元21,用于采集当前视频帧,将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型;
更新单元22,用于根据所述当前视频帧的待匹配参数将所述匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立。
基于上述技术方案,参阅图3所示,本发明实施例中,缩短背景建模时间的详细流程如下:
步骤300:预定义用于建立背景模型的K个单高斯模型。
本发明实施例中,先预定义K个用于建立背景模型的单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数。其中,K表示相互独立的单高斯模型的个数,一般由背景复杂度、存储器容量、芯片计算能力等综合决定,一般取值为3~5。在预定义K个用于建立背景模型的单高斯模型后,对预定义的各个单高斯模型中至少包括的模型建立相关参数及权重值参数ω进行初始化,其中,模型建立相关参数至少包括:均值μ、方差∑。
初始化具体为:
先将图像存储模块中的图像清空,图像采集模块采集前一个视频帧图像后存入图像存储模块,该图像作为初始背景图像,也就是根据采集到的前一个视频帧图像对预定义的K个单高斯模型中的任意一个高斯模型的模型建立相关参数进行赋值,以及将该单高斯模型的权重值参数设置为1。根据采集到的前一个视频帧图像对预定义的K个单高斯模型中的任意一个高斯模型的模型建立相关参数进行赋值,具体为:根据采集到的前一个视频帧图像的像素点计算出均值参数与方差参数,并根据计算得出的均值参数与方差参数对上述任意一个单高斯模型的模型建立相关参数进行赋值。
再按照经验值对剩余的K-1个预定义的单高斯模型的模型建立相关参数赋值,以及将剩余的K-1个单高斯模型的权重值参数均设置为0。其中,按照经验值对剩余的K-1个预定义的单高斯模型的模型建立相关参数中的均值参数通常设置为0。
步骤310:采集当前视频帧,根据当前视频帧的待匹配参数判断当前视频帧是否与上述预定义的K个单高斯模型中的任意一个单高斯模型匹配成功,若是,则执行步骤320;否则,执行步骤330。
本发明实施例中,判断当前视频帧是否与上述预定义的K个单高斯模型中的任意一个单高斯模型匹配成功时,先设定相应的阈值Ti,t,其中,Ti,t=λσi,t(公式二),再根据当前视频帧的像素点计算得出的待匹配参数与预定义的各单高斯模型中的模型建立相关参数进行匹配,其中,当前视频帧的待匹配参数包括当前视频帧的均值参数与当前视频帧的方差参数。
当前视频帧的待匹配参数与预定义的各单高斯模型中的模型建立相关参数可以按照公式三进行匹配:
|At-Bi,t|≤Ti,t (公式三)
其中,At为当前视频帧的待匹配参数中包括的均值参数或方差参数,Bi,t为与当前视频帧相匹配的单高斯模型的模型建立相关参数中包括的均值参数或方差参数。
若公式三成立,则表示当前视频帧与该单高斯模型匹配成功,即当前视频帧的图像为背景点;
若公式三不成立,则表示当前视频帧与该单高斯模型匹配失败,若当前视频帧与预定义的各个单高斯模型均匹配失败,则当前视频帧的图像为前景点。
例如,将当前视频帧的均值参数与预定义的各个单高斯模型中的均值参数进行匹配,针对预定义的某一个单高斯模型,将当前视频帧的均值参数与预定义的某一个单高斯模型的均值参数匹配时,判断当前视频帧的均值参数与预定义的某一个单高斯模型中的均值参数的差值是否达到第一设定阈值,若是,则表示当前视频帧与该单高斯模型匹配成功,即当前视频帧为背景点;否则,表示当前视频帧与该单高斯模型匹配失败。若当前视频帧与预定义的各个单高斯模型均匹配失败,则确定当前视频帧为前景点。
例如,将当前视频帧的方差参数与预定义的各个单高斯模型中的方差参数进行匹配,针对预定义的某一个单高斯模型,将当前视频帧的方差参数与预定义的某一个单高斯模型的方差参数匹配时,判断当前视频帧的方差参数与预定义的某一个单高斯模型中的方差参数的差值是否达到第一设定阈值,若是,则表示当前视频帧与该单高斯模型匹配成功,即当前视频帧为背景点;否则,表示当前视频帧与该单高斯模型匹配失败。若当前视频帧与预定义的各个单高斯模型均匹配失败,则确定当前视频帧为前景点。
较佳的,为了更准确的确定背景点,确定以下两个判断条件的判断结果是否同时为“是”,若是,则确定某一预定义的单高斯模型与当前视频帧匹配成功;否则,某一预定义的单高斯模型与当前视频帧匹配失败,两个判断条件如下:
判定当前视频帧的均值参数与某一预定义的单高斯模型中的均值参数的差值是否达到第一设定阈值;
判定当前视频帧的方差参数与某一预定义的单高斯模型中的方差参数的差值是否达到第二设定阈值。
例如,判断预定义的某一预定义的单高斯模型是否与当前视频帧匹配成功时,判断当前视频帧的均值参数与某一预定义的单高斯模型中的均值参数的差值是否达到第一设定阈值;及判定当前视频帧的方差参数与某一预定义的单高斯模型中的方差参数的差值是否达到第二设定阈值,若以上两个判断条件的判断结果同时为“是”,则表示当前视频帧与该预定义的单高斯模型匹配成功,即当前视频帧为背景点;若以上两个判断条件的判断结果中至少有一个为“否”,表示当前视频帧与该单高斯模型匹配失败,若当前视频帧与预定义的各个单高斯模型都匹配失败时,则确定当前视频帧为前景点。
步骤320:根据当前视频帧的待匹配参数将与当前视频帧匹配成功的单高斯模型的模型建立相关参数,并根据当前视频帧的编号将与当前视频帧匹配成功的单高斯模型的权重值参数更新,以完成背景模型的建立。
本发明实施例中,根据当前视频帧的待匹配参数将与当前视频帧匹配成功的单高斯模型的模型建立相关参数更新,包括:根据当前视频帧的待匹配参数中的均值参数将与当前视频帧匹配成功的单高斯模型的均值参数更新,以及根据当前视频帧的待匹配参数中的方差参数将与当前视频帧匹配成功的单高斯模型的方差参数更新。在根据当前视频帧的待匹配参数中的均值参数将与当前视频帧匹配成功的单高斯模型的均值参数更新时,均值参数可以按照公式四进行更新;在根据当前视频帧的待匹配参数中的方差参数将与当前视频帧匹配成功的单高斯模型的方差参数更新时,方差参数可以按照公式五进行更新;公式四与公式五的具体形式如下:
μk,t+1=(1-α)*μk,t+α*Ik,t+I(x,y) (公式四)
σk,t+1 2=(1-α)*σk,t 2+α*(Ik,t+I(x,y)-μk,t)2 (公式五)
其中,α为更新率常数,α按照公式六进行计算:
α=β*η(Ik,t+1(x,y)|μk,t;σk,t 2) (公式六)
本发明实施例中,根据当前视频帧的编号将与当前视频帧匹配成功的单高斯模型的权重值参数更新。在对与当前视频帧匹配成功的单高斯模型的权重值参数更新时,先根据当前视频帧的编号对匹配成功的单高斯模型中的权重值更新率参数进行更新,再根据权重值更新率对权重值参数进行更新;其中,权重值参数可以按照公式一的方式进行更新;公式一中包含的权重值更新率参数可以按照公式七的方式进行更新:
βn=1/(n+1) (公式七)
其中,n表示当前视频帧的编号。
在实际应用中,随着时间的增加,n会越来越大,因此,根据公式七可知,权重值更新率β随着时间的增加逐渐变小,即权重值更新率β在初始阶段较大,随着视频帧的编号的增加,权重值更新率β逐渐变小。
本发明实施例中,将权重值更新率β在建立背景模型建立阶段设置为变量,即在背景模型建立阶段根据公式七计算权重值更新率β,当完成背景模型的建立时,将权重值更新率β设置为常量,并且此常量的取值范围为(0,1)。
步骤330:根据当前视频帧预定义用于建立背景模型的单高斯模型,并采用该单高斯模型完成背景模型的建立。
本发明实施例中,若预定义的K个单高斯模型中不存在与当前视频帧匹配成功的单高斯模型,则认为出现了新的单高斯模型,因此,根据当前视频帧预定义用于建立背景模型的单高斯模型,并将预定义的K个单高斯模型中权重值参数最小的单高斯模型删除后,将根据当前视频帧预定义的单高斯模型存储并采用该单高斯模型完成背景模型的建立。
本发明实施例中,对与当前视频帧匹配成功的单高斯模型的模型建立相关参数及权重值参数更新后,在完成背景模型建立之前,或者,将根据当前视频帧预定义的单高斯模型存储后,在完成背景模型建立之前,判断当前各预定义的单高斯模型的权重值相加之和是否等于一,若是,不作任何处理,否则,对各个单高斯模型的权重进行归一化处理,即将各个单高斯模型的权重值相加之和为一,即∑ωi,t=1(其中,i=1,2,...,K)。
例如,预定义了5个单高斯模型,当前视频帧与其中的一个单高斯模型匹配成功,对与当前视频帧匹配成功的单高斯模型的模型建立相关参数及权重值参数更新后,5个单高斯模型的权重值分别为:0.3,0.3,0.1,0.1,0.1,即5个单高斯模型的权重值相加之和不等于一,因此,对5个单高斯模型的权重值进行归一化处理,具体为:将每一个单高斯模型的权重值除以5个单高斯模型的权重值相加之和,即5个单高斯模型的权重值分别为:0.3/0.9,0.3/0.9,0.1/0.9,0.1/0.9,0.1/0.9。
综上所述,本发明实施例中,先预定义用于建立背景模型的多个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;再采集当前视频帧,根据当前视频帧对应的单高斯模型的模型建立相关参数分别与预定义的各单高斯模型中的模型建立相关参数进行比较,确定与当前视频帧匹配成功的单高斯模型;然后根据当前视频帧对应的单高斯模型的模型建立相关参数将匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立,从而实现了快速建立背景建模,并且建立的背景模型能较准确的描述真实场景中的背景部分。
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 (12)
1.一种缩短背景建模时间的方法,其特征在于,包括:
预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;
根据采集到的前一个视频帧图像的像素点计算出均值参数与方差参数,并根据计算得出的均值参数与方差参数对任意一个单高斯模型的模型建立相关参数进行赋值;
采集当前视频帧,将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型,其中,所述当前视频帧的待匹配参数包括所述当前视频帧的均值参数与所述当前视频帧的方差参数;
根据所述当前视频帧的待匹配参数将所述匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立。
2.如权利要求1所述的方法,其特征在于,根据计算得出的均值参数与方差参数对任意一个单高斯模型的模型建立相关参数进行赋值后,采集当前视频帧之前,还包括:
将所述任意一个单高斯模型的权重值参数设置为1;
按照经验值对剩余的K-1个单高斯模型的模型建立相关参数赋值,以及将剩余的K-1个单高斯模型的权重值参数均设置为0。
3.如权利要求1所述的方法,其特征在于,所述将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型,包括:
判定所述当前视频帧的均值参数与某一预定义的单高斯模型中的均值参数的差值未达到第一设定阈值时,或/和,判定所述当前视频帧的方差参数与某一预定义的单高斯模型中的方差参数的差值未达到第二设定阈值时,确定该预定义的单高斯模型与当前视频帧匹配成功。
4.如权利要求1所述的方法,其特征在于,所述根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,包括:
根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值更新率参数进行更新,再根据所述权重值更新率对权重值参数进行更新;其中,权重值更新率参数与当前视频帧的编号呈负相关,与权重值参数呈正相关。
5.如权利要求1-4任一项所述的方法,其特征在于,不存在与当前视频帧匹配成功的视频帧时,根据当前视频帧预定义用于建立背景模型的单高斯模型,并将所述K个单高斯模型中权重值参数最小的单高斯模型删除后,将根据当前视频帧预定义的单高斯模型存储并采用该单高斯模型完成背景模型的建立。
6.如权利要求5所述的方法,其特征在于,对与所述当前视频帧匹配成功的单高斯模型的模型建立相关参数及权重值参数更新后,在完成背景模型建立之前,或者,将根据当前视频帧预定义的单高斯模型存储后,在完成背景模型建立之前,确定当前各预定义的单高斯模型的权重值相加之和不等于一时,分别对每一个单高斯模型的权重值参数进行归一化处理。
7.一种缩短背景建模时间的装置,其特征在于,包括:
定义单元,用于预定义用于建立背景模型的K个单高斯模型,各单高斯模型中至少包括模型建立相关参数及权重值参数;
所述定义单元还用于,根据采集到的前一个视频帧图像的像素点计算出均值参数与方差参数,并根据计算得出的均值参数与方差参数对任意一个单高斯模型的模型建立相关参数进行赋值;
确定单元,用于采集当前视频帧,将所述当前视频帧的待匹配参数与所述预定义的各单高斯模型中的模型建立相关参数进行匹配,确定与所述当前视频帧匹配成功的单高斯模型,其中,所述当前视频帧的待匹配参数包括所述当前视频帧的均值参数与所述当前视频帧的方差参数;
匹配单元,用于根据所述当前视频帧的待匹配参数将所述匹配成功的单高斯模型中的模型建立相关参数进行更新,并根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值参数进行更新,以完成背景模型的建立。
8.如权利要求7所述的装置,其特征在于,定义单元进一步用于:
将所述任意一单高斯模型的权重值参数设置为1;
按照经验值对剩余的K-1个单高斯模型的模型建立相关参数赋值,以及将剩余的K-1个单高斯模型的权重值参数均设置为0。
9.如权利要求7所述的装置,其特征在于,确定单元具体用于:
判定所述当前视频帧的均值参数与某一预定义的单高斯模型中的均值参数的差值未达到第一设定阈值时,或/和,判定所述当前视频帧的方差参数与某一预定义的单高斯模型中的方差参数的差值未达到第二设定阈值时,确定该预定义的单高斯模型与当前视频帧匹配成功。
10.如权利要求7所述的装置,其特征在于,匹配单元具体用于:
根据当前视频帧的编号对所述匹配成功的单高斯模型中的权重值更新率参数进行更新,再根据所述权重值更新率对权重值参数进行更新;其中,权重值更新率参数与当前视频帧的编号呈负相关,与权重值参数呈正相关。
11.如权利要求7-10任一项所述的装置,其特征在于,所述确定单元进一步用于:
不存在与当前视频帧匹配成功的视频帧时,根据当前视频帧预定义用于建立背景模型的单高斯模型,并将所述K个单高斯模型中权重值参数最小的单高斯模型删除后,将根据当前视频帧预定义的单高斯模型存储并采用该单高斯模型完成背景模型的建立。
12.如权利要求11所述的装置,其特征在于,所述匹配单元进一步用于:
对与所述当前视频帧匹配成功的单高斯模型的模型建立相关参数及权重值参数更新后,在完成背景模型建立之前,或者,将根据当前视频帧预定义的单高斯模型存储后,在完成背景模型建立之前,确定当前各预定义的单高斯模型的权重值相加之和不等于一时,分别对每一个单高斯模型的权重值参数进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210280815.0A CN102881023B (zh) | 2012-08-08 | 2012-08-08 | 一种缩短背景建模时间的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210280815.0A CN102881023B (zh) | 2012-08-08 | 2012-08-08 | 一种缩短背景建模时间的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102881023A CN102881023A (zh) | 2013-01-16 |
CN102881023B true CN102881023B (zh) | 2015-10-14 |
Family
ID=47482336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210280815.0A Active CN102881023B (zh) | 2012-08-08 | 2012-08-08 | 一种缩短背景建模时间的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102881023B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952054B (zh) * | 2014-03-24 | 2017-12-29 | 联想(北京)有限公司 | 背景建模的方法及装置 |
CN106023258B (zh) * | 2016-05-26 | 2019-02-15 | 南京工程学院 | 改进的自适应高斯混合模型运动目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394479A (zh) * | 2008-09-25 | 2009-03-25 | 上海交通大学 | 基于运动检测结合多通道融合的教师运动跟踪方法 |
CN102147869A (zh) * | 2011-03-31 | 2011-08-10 | 上海交通大学 | 基于前景分析和模式识别的行人检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7418113B2 (en) * | 2005-04-01 | 2008-08-26 | Porikli Fatih M | Tracking objects in low frame rate videos |
-
2012
- 2012-08-08 CN CN201210280815.0A patent/CN102881023B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101394479A (zh) * | 2008-09-25 | 2009-03-25 | 上海交通大学 | 基于运动检测结合多通道融合的教师运动跟踪方法 |
CN102147869A (zh) * | 2011-03-31 | 2011-08-10 | 上海交通大学 | 基于前景分析和模式识别的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
基于颜色和纹理特征背景模型的多层差分运动目标检测算法;强振平等;《计算机应用》;20090630;第29卷(第B06期);227-230 * |
Also Published As
Publication number | Publication date |
---|---|
CN102881023A (zh) | 2013-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10699170B2 (en) | Apparatuses and methods for semantic image labeling | |
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
US9811732B2 (en) | Systems and methods for object tracking | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN110909630B (zh) | 一种异常游戏视频检测方法和装置 | |
JP6547744B2 (ja) | 画像処理システム、画像処理方法及びプログラム | |
CN105354791A (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN113780466B (zh) | 模型迭代优化方法、装置、电子设备和可读存储介质 | |
Rezaee et al. | An autonomous UAV-assisted distance-aware crowd sensing platform using deep ShuffleNet transfer learning | |
CN110956646B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
US11720745B2 (en) | Detecting occlusion of digital ink | |
CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
WO2023016159A1 (zh) | 智慧城市网络流量预测方法及系统 | |
CN112528927B (zh) | 基于轨迹分析的置信度确定方法、路侧设备及云控平台 | |
US20190311492A1 (en) | Image foreground detection apparatus and method and electronic device | |
CN106952293A (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
CN103810718A (zh) | 一种剧烈运动目标检测方法和装置 | |
CN116434325A (zh) | 一种特定动作的检测方法、装置、设备及存储介质 | |
CN115984320A (zh) | 基于长短期运动预测和有序数据关联的多目标跟踪方法 | |
CN102881023B (zh) | 一种缩短背景建模时间的方法及装置 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
CN112560791A (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
CN101567088B (zh) | 一种运动物体检测的方法和装置 | |
KR102601233B1 (ko) | Lstm 기반의 이상 인식 방법 및 시스템 | |
KR20230166840A (ko) | 인공지능을 이용한 객체 이동 경로 확인 방법 |
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 |