CN103093481A - 一种基于分水岭分割的静态背景下运动目标检测方法 - Google Patents
一种基于分水岭分割的静态背景下运动目标检测方法 Download PDFInfo
- Publication number
- CN103093481A CN103093481A CN2013100321671A CN201310032167A CN103093481A CN 103093481 A CN103093481 A CN 103093481A CN 2013100321671 A CN2013100321671 A CN 2013100321671A CN 201310032167 A CN201310032167 A CN 201310032167A CN 103093481 A CN103093481 A CN 103093481A
- Authority
- CN
- China
- Prior art keywords
- point
- watershed
- segmentation
- method under
- static background
- 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
Images
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及一种基于分水岭分割的静态背景下运动目标检测方法,包括以下步骤:对采集到的视频数据进行预处理;然后使用极小值点的分水岭算法对视频图像进行分割,通过对相邻帧之间的特征点映射关系得到连续帧内的特征点运动轨迹,最后利用一个综合评价模型,综合考虑特征点轨迹信息的七个主要影响因素,计算出每个特征点的综合评价分数,将低于设定阈值的特征点判决为运动目标。本发明实现简单,计算复杂度低,可以稳定、准确地判断出运动目标,适用于实时的高分辨率视频监测系统。
Description
技术领域
本发明涉及计算机视觉技术领域中的目标检测,特别是涉及一种基于分水岭分割的静态背景下运动目标检测方法。
背景技术
计算机视觉是一个结合了计算机科学、信号处理学、数学与应用数学等多学科的技术领域,目标检测则是计算机视觉领域里的重要研究方向,而对于运动目标的检测更是极具挑战性。运动目标检测主要是研究视频图像序列中运动目标的检测、提取、识别,并且获得运动目标的位置,速度,加速度及运动轨迹等。动目标检测拥有及其广泛的应用背景,如交通检测、防入侵系统、视频监控、视频检索等领域,在军事领域中的武器制导等领域也有着重要的作用。
常见的运动目标检测方法主要有三种:帧差法、背景差分法和光流法。帧差法主要利用的是视频图像中像素点的灰度差值检测运动目标的位置和形状信息,这种检测方法原理简单,速度快,具有很强的适应能力,但是很难提取出完整的特征点,运动目标内部容易产生空洞,比较适合简单的运动检测。背景差分法是静态背景下运动目标检测最常使用的检测手段,它对视频序列分析得到背景的统计模型,利用背景模型来对视频中的运动目标进行检测,能够比较完整的提取出运动的目标。光流法利用了运动目标随着时间变化的光流特性,通过估算光流场来检测运动目标,但是它的计算复杂度太高,而且抗噪性能比较差,通常不会采用。
分水岭分割方法是Vincent于1991年提出的一种形态学分割方法,它算法简单,计算精度高。分水岭算法根据地理学中的分水岭概念,运用于灰度级的图像处理中,解决了各种图像分割的问题。它的基本思想是将图像看作是一个拓扑地貌,图像中的像素点的灰度值,代表该点的海拔高度,每一个局部极小值以及它周围的区域被称为汇水盆地。
发明内容
本发明所要解决的技术问题是提供一种实现简单、计算复杂度低、检测精度高、稳定性高,能够良好地适应光照变化的基于分水岭分割的静态背景下运动目标检测方法,本发明可适用于高分辨率的实时视频系统,如视频监控、入侵检测、军事领域等。
本发明解决其技术问题所采用的技术方案是:提供一种基于分水岭分割的静态背景下运动目标检测方法,包括以下步骤:
(1)对采集到的视频数据进行预处理;
(2)对完成预处理的视频进行分水岭分割;
(3)进行分水岭区域映射,得到特征点信息;
(4)使用综合评价模型对特征点轨迹信息进行评价,判断出运动目标。
所述步骤(1)中:先使用sobel算子对图像进行预处理,然后转化到浮点域进行高斯模糊,对梯度图像去除噪声,减少噪声造成的分水岭过度分割现象,滤波窗口的大小根据运算速度和滤波的实际效果进行选择。
所述步骤(2)中使用区域极小值点作为分水岭分割的种子点,然后依据浸没分水岭分割算法,对高斯模糊后的图像进行分割,消除平坦区域。
所述步骤(3)中:在t帧时,分割后的图像中有区域X,对应的极小值点为x,t+1帧时有区域Y,对应的极小值点为y,如果x点在t+1帧图像中所处的区域位于区域Y中,并且y点在t帧图像中所处的区域也位于X区域中,x与y两个极小值点就具有双相匹配的关系,对图像中的某一个分水岭区域极小点,从第t帧开始,在后续的连续n帧图像内都能双向匹配到它的对应点,那么将这n个点连接起来,就得到了特征点的运动轨迹。
所述步骤(4)中的综合评价模型为 其中,A表示角度变化方差;B表示距离变化方差;C表示始末距离变化量;D表示角度变化连续性;E表示有效匹配帧数目;F表示轨迹中重复点数目;G表示相邻帧静止点数目;a,b,c,d,e,f,g分别表示7个影响因素的加权系数;在判断时设定阈值H,综合评价结果小于阈值H的特征点被判决为运动目标点。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:
本发明使用分水岭进行图像分割,具有运算速度快的优点,并且检测到的物体轮廓线有较好的封闭性,避免了帧差法的空洞现象。由于分水岭算法对于微弱的边界也有很好的响应,容易出现过度分割,本发明也对此作出了改进,有效避免了此现象。
本发明使用综合评价模型来判决短时运动轨迹是否为真实的运动目标,综合考虑了运动点与静止点的特征差异,提供了更全面、更稳定的判决标准,有效避免了使用多个单一标准判断造成的运动点漏检测和误检测,具有很强的鲁棒性。
本发明利用分水岭算法对视频图像进行区域分割,并对前后帧之间的极值点特征匹配,这样就可以利用它们之间的映射关系来检测视频中的运动目标。
附图说明
图1是分水岭分割示意图;
图2是分水岭映射示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明涉及一种基于分水岭分割的静态背景下运动目标检测方法,包括以下步骤:对采集到的视频数据进行预处理;然后使用极小值点的分水岭算法对视频图像进行分割,通过对相邻帧之间的特征点映射关系得到连续帧内的特征点运动轨迹,最后利用一个综合评价模型,综合考虑特征点轨迹信息的主要影响因素,计算出每个特征点的综合评价分数,将低于设定阈值的特征点判决为运动目标。以下通过具体的实施例来进一步说明本发明。
步骤一:在检测区域架设一台型号为AXIS Q6035的摄像机,采集视频监测区域的实时视频监控图像序列,通过网络设备将实时的视频数据传输至计算机终端。
步骤二:视频数据读取,计算机终端以RGB格式读取视频采集设备实时发送的图像数据。
步骤三:在计算机终端对收到的视频图像进行预处理,先使用sobel算子对图像做梯度处理,然后将图像转化为浮点域,进行高斯模糊处理,对梯度图像去除噪声,减少噪声造成的分水岭过度分割现象,滤波窗口的大小根据运算速度和滤波的实际效果进行选择。
步骤四:使用区域极小值点作为分水岭分割的种子点,然后依据浸没分水岭分割算法,对高斯模糊后的图像进行分割,消除平坦区域,如图1所示。
步骤五:对前后相邻两帧图像中的分水岭区域做映射。假设t帧时,分割后的图像中有区域X,对应的极小值点为x,t+1帧时有区域Y,对应的极小值点为y,如果x点在t+1帧图像中所处的区域位于区域Y中,并且y点在t帧图像中所处的区域也位于X区域中的话,x与y两个极小值点就具有双相匹配的关系,以双相匹配的关系对视频图像序列作映射,如图2所示。
步骤六:生成特征点运动轨迹。对图像中的某一个分水岭区域极小点,从第t帧开始,在后续的连续n帧图像内都能双向匹配到它的对应点,那么将这n个点连接起来,就得到了特征点的运动轨迹,比如说,对于每个极值点,将在当前帧之前的连续15帧图像中的映射点连接起来,就得到短时间内的极值点的轨迹信息,这个轨迹信息仅保存之前15帧之内的信息,不断地更新。
步骤七:使用综合评价模型对特征点轨迹信息进行评价,判断出运动目标。其中,综合评价模型为 其中,A表示角度变化方差,该值越小越好;B表示距离变化方差,该值越小越好;C表示始末距离变化量,该值越大越好;D表示角度变化连续性(角度增加/减少的数目),该值越大越好;E表示有效匹配帧数目,即n帧图像中连续双相匹配到的帧数,该值越大越好;F表示轨迹中重复点数目,该值越小越好;G表示相邻帧静止点数目,越小越好。对所有的特征点做综合评价时,设定一个阈值H(根据实际情况选择合适的阈值),综合评价结果小于阈值H的特征点被判决为运动目标点,从而得到检测出来的目标。本实施例中的a=1.5;b=1.5;c=5;d=15;e=15;f=1;g=1;H=5。
Claims (5)
1.一种基于分水岭分割的静态背景下运动目标检测方法,其特征在于,包括以下步骤:
(1)对采集到的视频数据进行预处理;
(2)对完成预处理的视频进行分水岭分割;
(3)进行分水岭区域映射,生成特征点轨迹信息;
(4)使用综合评价模型对特征点轨迹信息进行评价,判断出运动目标。
2.根据权利要求1所述的基于分水岭分割的静态背景下运动目标检测方法,其特征在于,所述步骤(1)中:先使用sobel算子对图像进行预处理,然后转化到浮点域进行高斯模糊,对梯度图像去除噪声,减少噪声造成的分水岭过度分割现象,滤波窗口的大小根据运算速度和滤波的实际效果进行选择。
3.根据权利要求2所述的基于分水岭分割的静态背景下运动目标检测方法,其特征在于,所述步骤(2)中使用区域极小值点作为分水岭分割的种子点,然后依据浸没分水岭分割算法,对高斯模糊后的图像进行分割,消除平坦区域。
4.根据权利要求1所述的基于分水岭分割的静态背景下运动目标检测方法,其特征在于,所述步骤(3)中:在t帧时,分割后的图像中有区域X,对应的极小值点为x,t+1帧时有区域Y,对应的极小值点为y,如果x点在t+1帧图像中所处的区域位于区域Y中,并且y点在t帧图像中所处的区域也位于X区域中,x与y两个极小值点就具有双相匹配的关系,对图像中的某一个分水岭区域极小点,从第t帧开始,在后续的连续n帧图像内都能双向匹配到它的对应点,那么将这n个点连接起来,就得到了特征点轨迹信息。
5.根据权利要求1所述的基于分水岭分割的静态背景下运动目标检测方法,其特征在于,所述步骤(4)中的综合评价模型为 其中,A表示角度变化方差;B表示距离变化方差;C表示始末距离变化量;D表示角度变化连续性;E表示有效匹配帧数目;F表示轨迹中重复点数目;G表示相邻帧静止点数目;a,b,c,d,e,f,g分别表示7个影响因素的加权系数;在判断时设定阈值H,综合评价结果小于阈值H的特征点被判决为运动目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310032167.1A CN103093481B (zh) | 2013-01-28 | 2013-01-28 | 一种基于分水岭分割的静态背景下运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310032167.1A CN103093481B (zh) | 2013-01-28 | 2013-01-28 | 一种基于分水岭分割的静态背景下运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093481A true CN103093481A (zh) | 2013-05-08 |
CN103093481B CN103093481B (zh) | 2015-11-18 |
Family
ID=48206012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310032167.1A Active CN103093481B (zh) | 2013-01-28 | 2013-01-28 | 一种基于分水岭分割的静态背景下运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093481B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200486A (zh) * | 2014-07-11 | 2014-12-10 | 澳门极视角有限公司 | 一种前景识别方法 |
CN105809673A (zh) * | 2016-03-03 | 2016-07-27 | 上海大学 | 基于surf算法和合并最大相似区域的视频前景分割方法 |
CN107135331A (zh) * | 2017-03-29 | 2017-09-05 | 北京航空航天大学 | 低空飞行场景的无人机视频稳定方法和装置 |
CN113205010A (zh) * | 2021-04-19 | 2021-08-03 | 广东电网有限责任公司东莞供电局 | 基于目标聚类的智能勘灾现场视频帧高效压缩系统及方法 |
-
2013
- 2013-01-28 CN CN201310032167.1A patent/CN103093481B/zh active Active
Non-Patent Citations (4)
Title |
---|
FILIZ BUNYAK ET AL: "Flux Tensor Constrained Geodesic Active Contours with Sensor Fusion for Persistent Object Tracking", 《JOURNAL OF MULTIMEDIA》 * |
TSUYOSHI KOBAYASHI ET AL: "A Proposal of Watershed Region Tracking for Image Sequence Analysis", 《IEICE TECHNICAL REPORT》 * |
胡珂立 等: "一种改进的自适应阈值前景提取方法", 《计算机应用研究》 * |
胡珂立 等: "基于分水岭分割和尺度不变特征点的多目标全自主跟踪算法", 《电子与信息学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200486A (zh) * | 2014-07-11 | 2014-12-10 | 澳门极视角有限公司 | 一种前景识别方法 |
CN104200486B (zh) * | 2014-07-11 | 2017-04-19 | 澳门极视角有限公司 | 一种前景识别方法 |
CN105809673A (zh) * | 2016-03-03 | 2016-07-27 | 上海大学 | 基于surf算法和合并最大相似区域的视频前景分割方法 |
CN105809673B (zh) * | 2016-03-03 | 2019-04-02 | 上海大学 | 基于surf算法和合并最大相似区域的视频前景分割方法 |
CN107135331A (zh) * | 2017-03-29 | 2017-09-05 | 北京航空航天大学 | 低空飞行场景的无人机视频稳定方法和装置 |
CN107135331B (zh) * | 2017-03-29 | 2019-12-03 | 北京航空航天大学 | 低空飞行场景的无人机视频稳定方法和装置 |
CN113205010A (zh) * | 2021-04-19 | 2021-08-03 | 广东电网有限责任公司东莞供电局 | 基于目标聚类的智能勘灾现场视频帧高效压缩系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103093481B (zh) | 2015-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11195038B2 (en) | Device and a method for extracting dynamic information on a scene using a convolutional neural network | |
Rakibe et al. | Background subtraction algorithm based human motion detection | |
EP2858008B1 (en) | Target detecting method and system | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
CN112669349B (zh) | 一种客流统计方法、电子设备及存储介质 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
Desa et al. | Image subtraction for real time moving object extraction | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN105574894B (zh) | 一种运动物体特征点跟踪结果的筛选方法和系统 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
WO2008020598A1 (fr) | Dispositif et procédé de détection d'un nombre d'objets | |
CN105512618B (zh) | 视频跟踪方法 | |
CN111881853A (zh) | 一种超大桥隧中异常行为识别方法和装置 | |
Meshram et al. | Traffic surveillance by counting and classification of vehicles from video using image processing | |
CN103902989A (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
CN110084830A (zh) | 一种视频运动目标检测与跟踪方法 | |
CN105046285B (zh) | 一种基于运动约束的异常行为辨识方法 | |
CN103400395A (zh) | 一种基于haar特征检测的光流跟踪方法 | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
Srilekha et al. | A novel approach for detection and tracking of vehicles using Kalman filter | |
US9183448B2 (en) | Approaching-object detector, approaching object detecting method, and recording medium storing its program | |
CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
CN111611872A (zh) | 新型双目视觉车辆检测方法及检测系统 | |
CN111860426A (zh) | 基于模板匹配的单样本座舱图像信号目标检测方法及系统 |
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 |