CN102938152A - 一种视频监控中的背景建模方法 - Google Patents
一种视频监控中的背景建模方法 Download PDFInfo
- Publication number
- CN102938152A CN102938152A CN2012103896587A CN201210389658A CN102938152A CN 102938152 A CN102938152 A CN 102938152A CN 2012103896587 A CN2012103896587 A CN 2012103896587A CN 201210389658 A CN201210389658 A CN 201210389658A CN 102938152 A CN102938152 A CN 102938152A
- Authority
- CN
- China
- Prior art keywords
- background
- pixel
- color
- learning rate
- variance
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种视频监控中的背景建模方法,该方法采用单高斯模型进行背景建模,所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化。可变的学习速率使得前景物体不会融入背景,背景的光线变化却能很好的更新到新的背景中来。这样有效地提高了提取背景的有效性。视频帧的颜色空间采用了HSL空间,把颜色和亮度分立,可变的学习速率是基于颜色和纹理特征进行变化的,使得前景物体不被融入背景;由于没有用到亮度特征,背景的亮度变化又能很好地更新到背景中。
Description
技术领域
本发明涉及一种安防系统视频监控中遗留物检测的背景建模方法。
背景技术
近年来,随着社会对公共安全的不断重视,对于人流密集场所的抗议遗留物的检测己成为安防系统不可或缺的部分。遗留物检测方法一般包括如下几个步骤:背景提取、前景分割、静态区域检测和物体分类跟踪。其中,背景提取是遗留物检测的最基本步骤。一般的背景提取方法都假定背景为静态,在静态的基础上有微弱的光线变化,因此现有方法多采用混合高斯模型对背景进行建模。但是这种采用混合高斯模型对背景进行建模的方法会把长时间遗留的物体学习到背景模型中,使得背景模型和当前帧的差异消失,从而导致整个检测机制失效。
发明内容
本发明针对现有技术中的上述问题,提出了一种基于可变学习速率的背景建模方法。实验显示,该方法有效地解决了较长时间后前景物体融入背景中的问题。
本发明采用如下技术方案:
一种视频监控中的背景建模方法,该方法采用单高斯模型进行背景建模,其特征在于:所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化,并按照如下公式更新单高斯模型的均值和方差:
μt=μt-1+α(p)(xt-μt-1)
其中μ为像素值的均值,σ2为像素分布的方差,x为像素值,下标t表示时间,上标T表示转置;α(p)为学习速率,p表示像素,其中α0为最大学习速率,dm和d为两个预先定义的常数;为混合差异,由颜色差异和纹理差异加权求和得到,的计算方法为:
其中,wt(p)为纹理差异dt(p)的权值,wc(p)为颜色差异dc(p)的权值,Wc(p)=1-wt(p),并且
其中,Cii(p)=f′i(p)·f′i(p)=||f′i(p)||2 i=1,2
C12(p)=f′1(p)·f′2(p)=‖f′1(p)||·||f′2(p)‖cosθ
其中,
附图说明
图1是采用混合高斯模型和本发明提出的基于可变学习速率的单高斯模型学习的视频帧背景对比效果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
我们对PETS 2006数据库中的100个具有groundtruth的视频进行训练,得到K1、K2、K3。当时,我们认为像素p为背景像素。当时,我们认为像素p为前景像素。而对于这样的中间区域,我们需要利用作为辅助判断依据。当时,我们认为像素p为阴影区域,属于背景像素,反之为前景像素。按照如下公式进行单高斯模型均值和方差的更新。
μt=μt-1+α(p)(xt-μt-1)
其中μ为像素值的均值,σ2为像素分布的方差,x为像素值,下标t表示时间,上标T表示转置;α(p)为学习速率,p表示像素,其中α0为最大学习速率,dm和d为两个预先定义的常数;为混合差异,由颜色差异和纹理差异加权求和得到,的计算方法为:
其中,wt(p)为纹理差异dt(p)的权值,wc(p)为颜色差异dc(p)的权值,wc(p)=1-wt(p),并且
其中,Cii(p)=f′i(p)·f′i(p)=‖f′i(p)‖2 i=1,2
C12(p)=f′1(p)·f′2(p)=‖f′1(p)||·||f′2(p)‖cosθ
fb,h,fb,s,fb,l分别表示背景的H、S和L部分,fc,h,fc,s,fc,l分别表示当前帧的H、S和L部分, 和表示背景的H、S和L部分的方差,H、S、L分别表示HSL色彩模式中的色调、饱和度和亮度,表示两幅图像间的亮度差异,表示两幅图像间的色调差异。
从公式中我们可以看到,随着的增大,α(p)不断趋于0,而随着的减小,α(p)不断趋于α0。所以该模型对于图像中的前景部分(往往较大)持有较低的学习速率,而对于背景及阴影部分(值往往较小)有着较大的学习速率。这样就保证了遗留物能长时间不融入背景,而背景中的光线变化却能很好的学习到背景模型中来。
本发明中,背景模型的构建采用了基于可变学习速率的单高斯模型,可变的学习速率(这个学习速率是基于颜色和纹理特征的)使得前景物体不会融入背景,背景的光线变化却能很好的更新到新的背景中来。这样有效地提高了提取背景的有效性。视频帧的颜色空间采用了HSL空间,把颜色和亮度分立,可变的学习速率是基于颜色和纹理特征进行变化的,使得前景物体不被融入背景;由于没有用到亮度特征,背景的亮度变化又能很好地更新到背景中。
我们用0.5做阈值分割,把当前帧与背景混合差异大于0.5的像素分为前像素,而小于0.5的作为背景像素。混合高斯模型和本发明提出的基于可变学习速率的单高斯模型学习的背景对比效果展示在图1中。可以看到,利用混合高斯模型的方法会逐渐把遗留物融入背景模型中,而基于可变学习速率的单高斯模型很好的把遗留物体排斥在了背景之外而同时把周围环境的阴影部分很好的融入了进来。
Claims (2)
1.一种视频监控中的背景建模方法,该方法采用单高斯模型进行背景建模,其特征在于:所述单高斯模型的学习速率随着视频帧颜色和纹理特征的变化而变化,并按照如下公式更新单高斯模型的均值和方差:
μt=μt-1+α(p)(xt-μt-1)
其中μ为像素值的均值,σ2为像素分布的方差,x为像素值,下标t表示时间,上标T表示转置;α(p)为学习速率,p表示像素,其中α0为最大学习速率,dm和d为两个预先定义的常数;为混合差异,由颜色差异和纹理差异加权求和得到,的计算方法为:
其中,wt(p)为纹理差异dt(p)的权值,wc(p)为颜色差异dc(p)的权值,wc(p)=1-wt(p),并且
其中
其中,Cii(p)=f′i(p)·f′i(p)=||f′i(p)||2 i=1,2
C12(p)=f′1(p)·f′2(p)=‖f′1(p)||·||f′2(p)‖cosθ
2.根据权利要求1所述的视频监控中的背景建模方法,其特征在于:K1、K2、K3通过利用具有groundtruth的视频库中的多个视频进行训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210389658.7A CN102938152B (zh) | 2012-10-15 | 2012-10-15 | 一种视频监控中的背景建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210389658.7A CN102938152B (zh) | 2012-10-15 | 2012-10-15 | 一种视频监控中的背景建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102938152A true CN102938152A (zh) | 2013-02-20 |
CN102938152B CN102938152B (zh) | 2015-05-13 |
Family
ID=47697045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210389658.7A Expired - Fee Related CN102938152B (zh) | 2012-10-15 | 2012-10-15 | 一种视频监控中的背景建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938152B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104320659A (zh) * | 2014-08-13 | 2015-01-28 | 北京大学 | 背景建模方法、装置及设备 |
CN104952054A (zh) * | 2014-03-24 | 2015-09-30 | 联想(北京)有限公司 | 背景建模的方法及装置 |
CN106469311A (zh) * | 2015-08-19 | 2017-03-01 | 南京新索奇科技有限公司 | 目标检测方法及装置 |
CN107203970A (zh) * | 2017-06-20 | 2017-09-26 | 长沙全度影像科技有限公司 | 一种基于动态最优缝合线的视频拼接方法 |
CN109949335A (zh) * | 2017-12-20 | 2019-06-28 | 华为技术有限公司 | 一种图像处理方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
-
2012
- 2012-10-15 CN CN201210389658.7A patent/CN102938152B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783076A (zh) * | 2010-02-04 | 2010-07-21 | 西安理工大学 | 一种视频监控模式下的快速车型识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952054A (zh) * | 2014-03-24 | 2015-09-30 | 联想(北京)有限公司 | 背景建模的方法及装置 |
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 |
CN104320659A (zh) * | 2014-08-13 | 2015-01-28 | 北京大学 | 背景建模方法、装置及设备 |
CN104320659B (zh) * | 2014-08-13 | 2017-12-29 | 北京大学 | 背景建模方法、装置及设备 |
CN106469311A (zh) * | 2015-08-19 | 2017-03-01 | 南京新索奇科技有限公司 | 目标检测方法及装置 |
CN106469311B (zh) * | 2015-08-19 | 2019-11-05 | 南京新索奇科技有限公司 | 目标检测方法及装置 |
CN107203970A (zh) * | 2017-06-20 | 2017-09-26 | 长沙全度影像科技有限公司 | 一种基于动态最优缝合线的视频拼接方法 |
CN109949335A (zh) * | 2017-12-20 | 2019-06-28 | 华为技术有限公司 | 一种图像处理方法及装置 |
CN109949335B (zh) * | 2017-12-20 | 2023-12-08 | 华为技术有限公司 | 一种图像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102938152B (zh) | 2015-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829443B (zh) | 基于图像增强与3d卷积神经网络的视频行为识别方法 | |
CN101686338B (zh) | 分割视频中的前景和背景的系统和方法 | |
CN103020628B (zh) | 一种基于rgb对比图像与目标形状的烟雾检测方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN102938152A (zh) | 一种视频监控中的背景建模方法 | |
CN103747213A (zh) | 一种基于运动目标的交通监控视频实时去雾方法 | |
CN105046677A (zh) | 一种用于交通视频图像的增强处理方法和装置 | |
CN105404847A (zh) | 一种遗留物实时检测方法 | |
CN103020965A (zh) | 一种基于显著性检测的前景分割方法 | |
CN102663405B (zh) | 基于显著度和混合高斯模型的监控视频前景提取方法 | |
CN105184772A (zh) | 一种基于超像素的自适应彩色图像分割方法 | |
CN105261046A (zh) | 一种场景自适应的色调迁移方法 | |
CN105303581A (zh) | 一种自适应参数的运动目标检测方法 | |
CN101477633A (zh) | 自动估计图像和视频的视觉显著度的方法 | |
CN104134068A (zh) | 基于稀疏编码的监控车辆特征表示及分类方法 | |
Hsu et al. | A high-capacity QRD-based blind color image watermarking algorithm incorporated with AI technologies | |
CN101777186A (zh) | 一种多模态自动更新替换的背景建模方法 | |
Lin et al. | Image segmentation using the k-means algorithm for texture features | |
CN108647599A (zh) | 结合3d跃层连接和循环神经网络的人体行为识别方法 | |
CN103310414B (zh) | 基于方向波变换和模糊理论的图像增强方法 | |
CN104951795A (zh) | 图像分类识别判断方法 | |
CN104021527A (zh) | 一种图像中雨雪的去除方法 | |
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
Cheng et al. | A background model re-initialization method based on sudden luminance change detection | |
Chen et al. | Counter-propagation artificial neural network-based motion detection algorithm for static-camera surveillance scenarios |
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: 20150513 Termination date: 20151015 |
|
EXPY | Termination of patent right or utility model |