CN103259964A - 视频动态目标捕捉的图像信号滤波方法 - Google Patents
视频动态目标捕捉的图像信号滤波方法 Download PDFInfo
- Publication number
- CN103259964A CN103259964A CN2012104765323A CN201210476532A CN103259964A CN 103259964 A CN103259964 A CN 103259964A CN 2012104765323 A CN2012104765323 A CN 2012104765323A CN 201210476532 A CN201210476532 A CN 201210476532A CN 103259964 A CN103259964 A CN 103259964A
- Authority
- CN
- China
- Prior art keywords
- filtering method
- signal filtering
- dynamic object
- video dynamic
- picture signal
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明的视频动态目标捕捉的图像信号滤波方法是一种针对画面不同对象特征,根据对动态目标的需要而进行的逻辑判断以及相应的处理,因此并不同于现有技术中所提到的画面预处理所应用到的滤波算法,这样对点目标与面目标的图像信号不需要分别采用两种不同的预处理算法进行滤波处理,而是仅仅采用一种算法的滤波过程,因此,本发明的提供的视频动态目标捕捉的图像信号滤波方法更加侧重于一种类似人工智能的逻辑判别方法。
Description
技术领域
本发明涉及摄像画面中动态目标的捕捉以及随机干扰的滤波方法,特别是涉及视频动态目标捕捉的图像信号滤波方法。
背景技术
在图像接收和处理中,画面动态目标的捕捉是计算机视觉以及计算视觉中研究的热点,国内外目前有很多基于动态捕捉技术而开发的机器人。动态目标的捕捉也是人工智能领域中的关键技术,它是让计算机学会看的关键技术之一。
传统意义上,成像系统在获取图像以后首先要进行预处理,以消除图像背景以及系统噪声的干扰,这有利于后续的图像综合处理,从而降低目标识别等关键任务的复杂度。其中滤波处理是主要手段。
已有大量文献针对点目标提出了许多滤波算法,包括:高通滤波、Robinson滤波、匹配滤波、神经网络、小波变换、分形滤波、形态滤波等等。预处理后的图像主要保留了点目标和孤立的高频噪声点。
对于面目标来说,主要以能有效消除噪声并保留图像细节的滤波为主,如:中值滤波,均值滤波等。
对于需要持续跟踪目标的成像系统,目标在成像面上的大小会随着跟踪距离的变化而不同,因此图像上呈现的目标会在点与面之间变化。现有视频动态目标捕捉方法中,对点目标与面目标的图像信号分别采用两种不同的预处理算法及其处理方法,在工程应用时会增加动态目标的图像处理或识别系统的复杂度,延长系统的响应时间,降低系统的实时性。
特别是,现有的图像检测系统,通常需要借助双目摄像机才可以实现较为精确地滤波,而多数实际应用场景所使用的都是单目摄像机监视场所,在这种应用背景下如果使用动态目标捕捉技术的话无法对诸如摄像机抖动,光线变化,无效目标闪现等随机干扰进行排除,从而导致目标丢失,记录多余无效目标等错误,在一些高危场所更有一时间的疏忽导致不可挽回的后果的可能。
发明内容
本发明的目的在于提出一种基于单目摄像机的视频动态目标捕捉的图像信号辅助滤波方法以提高单目摄像机在画面动态目标捕捉信号的准确性。
为了实现本发明的目的,本发明视频动态目标捕捉的图像信号滤波方法具体步骤如下:
首先对摄像画面进行动态目标提取,然后采用了使用下列算法表达式的第一级高通滤波:
算法表达式为:
Y(i,j)=(1+θ)X(i,j)-B(i,j)
Y(i,j)为输出图像,X(i,j)为输入图像,B(i,j)为低通滤波的预测背景图像,θ为可调参数,取值范围为0~1。处理面目标时,提高θ可保留更多的原始信息;处理点目标时,令θ=0可保留更多高频特征;
其中,B(i,j)=X(i,j)H(m,n),H(m,n)为5×5的低通卷积模板。
通过第一级的滤波,可以提高画面的成像质量,排除一部分干扰信号,噪点等。
进一步,在上述第一级滤波的基础上,根据图像信号按照以捕捉人、车辆为目的,采用第二级滤波方法,以便排除其他干扰,所述第二级滤波方法包括下述逻辑判断步骤:
对于得到的代表动态目标的帧数据,首先进行大小和范围的判别,只有满足在监测范围内,并且大小符合人、车标准的对象才进行进一步的过滤,其余数据被忽略;
查找数据库中的已存在对象,如果该对象的位置满足下列标准,就符合一存在对象的下一时刻位置,就将该对象按照已存在的对象存储,也就是说对象数量没有增加:
新对象的位置坐标距离已存在对象的位置坐标近到设定距离,例如,小于0.7米,同时,该对象的时间标志与已存在对象的最后一个坐标到达设定的时间相距,例如,小于10秒;
如果按照上述标准,对于没有新位置数据的已存在对象,系统将累加其驻留计时器,当驻留计时器超过阈值的时候,判断为已经静止的物体,则删除该对象;对于有新位置数据的已存在对象,驻留计时器清零;
如果新对象找不到已存在对象与其匹配,该对象作为新对象存储,即对象总数量将增加;
核算已存在对象的净位移,如果净位移过小,判断为晃动对象,则删除。
本发明的滤波方法实际上是一种针对画面不同对象特征,根据对动态目标的需要而进行的逻辑判断以及相应的处理,因此并不同于现有技术中所提到的画面预处理所应用到的滤波算法,这样对点目标与面目标的图像信号不需要分别采用两种不同的预处理算法进行滤波处理,而是仅仅采用一种算法的滤波过程,因此,本发明的提供的视频动态目标捕捉的图像信号滤波方法更加侧重于一种类似人工智能的逻辑判别方法。
本发明提供的动态目标的捕捉以及随机干扰的滤波方法由于对随机干扰的种类,采用不同的方式进行过滤,从而使得对点目标与面目标的图像信号分别采用同一种的预处理算法及其处理方法,即使单目摄像机监视场所,能够对诸如摄像机抖动,光线变化,无效目标闪现等随机干扰进行排除,从而导致目标不会丢失,不会记录多余无效目标等错误,监测信息准确,适合在高危场所使用。
附图说明
图1是本发明的过滤处理工作流程图。
具体实施方式
下面参照图1对本发明作详细描述。
本发明所采用的视频动态目标捕捉的图像信号滤波方法是基于单目摄像机的背景差分法。由于背景差分法的局限,干扰信号会很多,本发明采用第一级的改进高通滤波方法,对点或面目标均适合。
首先对摄像画面进行动态目标提取,本发明采用了下列算法表达式的第一级高通滤波:
算法表达式为:
Y(i,j)=(1+θ)X(i,j)-B(i,j)
Y(i,j)为输出图像,X(i,j)为输入图像,B(i,j)为低通滤波的预测背景图像,θ为可调参数,取值范围为0~1。处理面目标时,提高θ可保留更多的原始信息;处理点目标时,令θ=0可保留更多高频特征。
其中,B(i,j)=X(i,j)H(m,n),H(m,n)为5×5的低通卷积模板。
对于上述公式,简单理解就是右边第一项代表动态的当前画面,第二项代表了静态的背景画面,两者相减就得到了当前画面中的运动目标。
关于上述可调参数θ,根据算法的使用要求来设置,如果动态目标中点目标偏多,则θ尽量接近0,如果面目标比较多,就尽量接近1,其他情形则要折中选取θ的值以保留尽可能多的有效信息。对于同一幅画面尽管可能有点目标同时也有面目标,但是θ的值就只能取一个。
通过上述第一级的滤波,可以提高画面的成像质量,排除一部分干扰信号,噪点等。
另外,本发明还针对第一级滤波所得到的图像信号,进一步按照以捕捉人,车辆为目的,采用第二级滤波以排除其他干扰。所述第二级滤波方法所提供的是一整套的逻辑判断流程,具体步骤如下:
首先,对造成干扰的动态目标进行分类:
第一类是摄像机抖动;第二类是光线变化产生的假动态目标;第三类是不在监视范围内的动态目标,第四类是物体原地的晃动,第五类是大小不符合的人或者车辆的动态目标;
如果是第一类摄像机抖动,采用如下步骤进行过滤:
对画面的每一个被识别的动态对象都在当前时间于系统内建立对象包括位置坐标,像素高度和宽度,驻留计时器;
当摄像机抖动平息以后,当前所建立的动态对象如果原来是静止物体,其驻留计时器就会开始计时,一段时间内如果该对象没发生运动,那么驻留计时器将累加到一定的值,系统设定T为阈值,驻留计时器超过该值就会被删除对象。
进一步,对于摄像机会在一段时间内抖动,将目标创建对象并存储,然后设定一个系统内默认的驻留时间T,好比说3分钟,三分钟以后该目标如果仍然不动,那么系统会将目标对象删除,避免内存的泄露。
当然,第五类所提出的标准是绝对的,无论何时出现的动态目标只要其大小不符合系统设定的人,车的大小,该对象就会被立即删除。
抖动产生的干扰大部分是大小不符合标准的对象,因此结合第五类干扰,抖动产生的大小不符合标准的对象会被删除。
对于光线变化产生的假动态目标,首先结合第五类干扰,对于大小不合适的动态对象进行删除。光线变化所产生的假动态目标的特点在于该目标不发生位移。结合第四类晃动,在一段时间内,通过比较其位置坐标数据,可以确定其在该段时间内的最大净位移,如果该位移很小,就说明是晃动,系统将把该对象删除。
第三类,对于不在监控范围内的动态目标不进行对象的建立。
第四类和第五类前面已经阐述过了,这里不再赘述。
本发明首先对可能产生的随机干扰分成几类:
第一类是摄像机抖动,这种干扰的特征在于原本静止的目标会瞬间成为动态目标,因此,画面动态目标会激增,但是可能在连续的时间段内大量假动态目标又会消失。
第二类是光线变化产生的假动态目标,比如可以反光的亮银色护栏,在日光下反射的光线会变换角度,被摄像机捕捉到后会误认为动态目标。这类随机干扰的特点是动态目标的大小,由于是光线变换产生的动态目标,其大小往往只有几个像素而已,与实际可观察的动态目标大小有明显的区别。
第三类是不在监视范围内的动态目标,比如围墙外面的树木在风吹下摇摆,理论上也是一种动态目标,但是由于在范围之外,无需考虑。
第四类,理论上还存在一种动态目标,比如风吹树摆,会一直动,其特征在于基本上是一种原地的晃动。
第五类,大小不符合标准的动态目标。
参照图1,下面对本发明视频动态目标捕捉的图像信号滤波方法的工作流程进行详细描述。
首先对于原始视频数据,通过改进高通滤波方法来提高信号质量,初步过滤噪声。
对于得到的代表动态目标的帧数据,首先进行大小和范围的判别,只有满足在监测范围内,并且大小符合人、车标准的对象才进行进一步的过滤,其余数据被忽略。
查找数据库中的已存在对象,如果该对象的位置符合一存在对象的下一时刻位置,就将该对象按照已存在的对象存储,也就是说对象数量没有增加,具体的判断标准描述为:
新对象的位置坐标距离已存在对象的位置坐标很近,例如,小于0.7米,同时,该对象的时间标志与已存在对象的最后一个坐标到达的时间相距很近,例如,小于10秒。注意,时间标志是每一组坐标值的接受时刻,与驻留计时器不同。
按照上述标准,对于没有新位置数据的已存在对象,系统将累加其驻留计时器,当驻留计时器超过阈值的时候,判断为已经静止的物体,系统将删除该对象;对于有新位置数据的已存在对象,驻留计时器清零。
如果新对象找不到已存在对象与其匹配,该对象作为新对象存储,即对象总数量将增加。
同时核算已存在对象的净位移,如果净位移过小,判断为晃动对象,删除。
在本发明中,上述第一级滤波和第二级滤波既可以单独进行,也可以组合在一起进行。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一视频动态目标捕捉的图像信号滤波方法,其特征在于,它包含下列步骤:
首先对摄像画面进行动态目标提取,然后采用下列算法表达式的第一级高通滤波:
算法表达式为:
Y(i,j)=(1+θ)X(i,j)-B(i,j)
Y(i,j)为输出图像,X(i,j)为输入图像,B(i,j)为低通滤波的预测背景图像,θ为可调参数,取值范围为0~1;处理面目标时,提高θ可保留更多的原始信息;处理点目标时,令θ=0可保留更多高频特征;
其中,B(i,j)=X(i,j)H(m,n),H(m,n)为5×5的低通卷积模板。
2.如权利要求1所述的视频动态目标捕捉的图像信号滤波方法,其特征在于,在处理面目标时,θ=0.5~1;在处理点目标时,θ=0。
3.如权利要求1所述的视频动态目标捕捉的图像信号滤波方法,其特征在于,它还包含第二级滤波,所述第二级滤波包括下述逻辑判断步骤:
对于得到的代表动态目标的帧数据,首先进行大小和范围的判别,只有满足在监测范围内,并且大小符合人、车标准的对象才进行进一步的过滤,其余数据被忽略;
查找数据库中的已存在对象,如果该对象的位置满足下列标准,就符合一存在对象的下一时刻位置,就将该对象按照已存在的对象存储,也就是说对象数量没有增加:
新对象的位置坐标距离已存在对象的位置坐标近到设定距离,同时,该对象的时间标志与已存在对象的最后一个坐标到达设定的时间间距;
如果按照上述标准,对于没有新位置数据的已存在对象,系统将累加其驻留计时器,当驻留计时器超过阈值的时候,判断为已经静止的物体,则删除该对象;对于有新位置数据的已存在对象,驻留计时器清零;
如果新对象找不到已存在对象与其匹配,该对象作为新对象存储,即对象总数量将增加;
核算已存在对象的净位移,如果净位移过小,判断为晃动对象,则删除。
4.如权利要求3所述的视频动态目标捕捉的图像信号滤波方法,其特征在于,所述设定距离为小于0.7米。
5.如权利要求3所述的视频动态目标捕捉的图像信号滤波方法,其特征在于,所述设定时间间距为小于10秒。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210476532.3A CN103259964B (zh) | 2012-11-21 | 2012-11-21 | 视频动态目标捕捉的图像信号滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210476532.3A CN103259964B (zh) | 2012-11-21 | 2012-11-21 | 视频动态目标捕捉的图像信号滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103259964A true CN103259964A (zh) | 2013-08-21 |
CN103259964B CN103259964B (zh) | 2016-04-27 |
Family
ID=48963639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210476532.3A Expired - Fee Related CN103259964B (zh) | 2012-11-21 | 2012-11-21 | 视频动态目标捕捉的图像信号滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103259964B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273781A (zh) * | 2016-04-07 | 2017-10-20 | 北京文香信息技术有限公司 | 一种基于图像分析的人体行为识别算法 |
CN107493520A (zh) * | 2016-06-13 | 2017-12-19 | 合肥君正科技有限公司 | 一种视频摘要生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101567159A (zh) * | 2009-06-10 | 2009-10-28 | 北京豪仪测控工程有限公司 | 基于图像识别技术的导览方法及设备 |
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN101916448A (zh) * | 2010-08-09 | 2010-12-15 | 云南清眸科技有限公司 | 一种基于贝叶斯框架及lbp的运动目标检测方法 |
-
2012
- 2012-11-21 CN CN201210476532.3A patent/CN103259964B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN101567159A (zh) * | 2009-06-10 | 2009-10-28 | 北京豪仪测控工程有限公司 | 基于图像识别技术的导览方法及设备 |
CN101916448A (zh) * | 2010-08-09 | 2010-12-15 | 云南清眸科技有限公司 | 一种基于贝叶斯框架及lbp的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
周姗姗等: "图像预处理的滤波算法研究", 《科学技术与工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273781A (zh) * | 2016-04-07 | 2017-10-20 | 北京文香信息技术有限公司 | 一种基于图像分析的人体行为识别算法 |
CN107493520A (zh) * | 2016-06-13 | 2017-12-19 | 合肥君正科技有限公司 | 一种视频摘要生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103259964B (zh) | 2016-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366374B (zh) | 基于图像匹配的消防通道障碍物检测方法 | |
CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
CN104303193B (zh) | 基于聚类的目标分类 | |
Zhang et al. | Three-frame difference algorithm research based on mathematical morphology | |
CN108052917B (zh) | 一种基于新旧时相变化发现的违章建筑自动识别的方法 | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN108038415B (zh) | 一种基于机器视觉的无人机自动检测与跟踪方法 | |
CN105046719B (zh) | 一种视频监控方法及系统 | |
KR101339026B1 (ko) | 열화상 카메라 가시성 개선 방법 및 장치 | |
CN102892007A (zh) | 促进多个摄像机间颜色平衡同步和获得跟踪的方法和系统 | |
CN109711256B (zh) | 一种低空复杂背景无人机目标检测方法 | |
CN104866842B (zh) | 一种人体目标入侵检测方法 | |
CN109446917A (zh) | 一种基于级联霍夫变换的消失点检测方法 | |
WO2023273010A1 (zh) | 高空抛物检测方法和装置、设备,及计算机存储介质 | |
CN105678213A (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN109919071B (zh) | 基于红外多特征联合技术的火焰识别方法 | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN101930540A (zh) | 基于视频的多特征融合的火焰检测装置和方法 | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
Sharma et al. | Automatic vehicle detection using spatial time frame and object based classification | |
Verma et al. | Analysis of moving object detection and tracking in video surveillance system | |
CN103259964B (zh) | 视频动态目标捕捉的图像信号滤波方法 | |
Shafie et al. | Smart video surveillance system for vehicle detection and traffic flow control | |
Shao et al. | Using Multi-Scale Infrared Optical Flow-based Crowd motion estimation for Autonomous Monitoring UAV | |
Chen et al. | Night-time pedestrian detection by visual-infrared video fusion |
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: 20160427 Termination date: 20161121 |
|
CF01 | Termination of patent right due to non-payment of annual fee |