CN103353939A - 动态背景下图像特征对象模版提取及识别方法 - Google Patents
动态背景下图像特征对象模版提取及识别方法 Download PDFInfo
- Publication number
- CN103353939A CN103353939A CN2013102427365A CN201310242736A CN103353939A CN 103353939 A CN103353939 A CN 103353939A CN 2013102427365 A CN2013102427365 A CN 2013102427365A CN 201310242736 A CN201310242736 A CN 201310242736A CN 103353939 A CN103353939 A CN 103353939A
- Authority
- CN
- China
- Prior art keywords
- image
- feature object
- denoising
- masterplate
- dynamic 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)
Abstract
动态背景下图像特征对象模版提取方法,包括如下步骤:步骤1.种子获取步骤:从待识别图像集合中提取若干帧图像作为基准帧,通过对各个基准帧之间的比较,得到特征对象种子点;步骤2.持续学习步骤:以特征对象种子作为初始特征对象,利用待识别图像集合中其余图像连续进行扩展和去噪,直至稳定;得到特征对象模版库;该待识别图像可以是连续播放的视频流。及采用上述步骤得到特征对象模版库后的动态背景下图像特征对象识别方法。本发明所述的动态背景下图像特征对象模版提取及识别方法,在无特征对象模版的情况下,解决了特征对象模版的提取和完善,以及动态背景下图像特征对象识别的问题。
Description
技术领域
本发明属于计算机软件领域,涉及图像处理技术,具体涉及一种动态背景下图像特征对象模版提取及识别方法。
背景技术
图像识别可简单抽象为图像特征的认知,识别结果很大程度依赖于图像特征的辨识度(区别图像的能力),目前特征多为颜色、纹理、位置、轮廓等。现有的基于特征对象的图像识别算法多为先通过先验知识建立一个特征对象模版的知识库,通过待测图像与知识库中的特征对象比对完成识别。此种方式在知识库扩展、修改和完善时具有较大局限性。
传统的图像分割多基于单幅图像的处理得到分割结果,多采用聚类法、直方图法、边缘检测法、区域生长法和水平集法。在单幅图像效果不佳的情况下分割效果也会受到很大影响。视频分割是对图像序列按一定标准分割,通常按照颜色、灰度、边缘、纹理等空间信息分割,视频分割借鉴了图像分割算法,当然在此图像分割也可借鉴视频分割算法,通过多幅包含特征对象的图像持续分割从而得到一个更好的分割效果。
以往的图像识别算法依赖于预先建立的对比图像库,通过将待识别图像与对比图像库进行图像特征对比进行识别,当待识别的图像需要增加新的对比图像时,需要将对比图像库进行更新才能进行对新对比图像的识别。
发明内容
为克服传统图像识别必须预先建立对比图像库,无法根据待识别图像自身变化实时更新的技术缺陷,本发明公开了一种动态背景下图像特征对象模版提取及识别方法。
本发明所述动态背景下图像特征对象模版提取方法,包括如下步骤:步骤1种子获取步骤.从待识别图像集合中提取若干帧图像作为基准帧,通过对各个基准帧之间的比较,得到特征对象种子点;
步骤2.持续学习步骤.以特征对象种子作为初始特征对象,利用待识别图像集合中其
余图像连续进行扩展和去噪,直至稳定;得到特征对象模版库;
所述稳定为自定义的判断标准,根据扩展或去噪过程中图像的变化程度进行判定。
优选的,所述种子获取步骤具体为:从待识别图像集合中定义一个种子获取段,从种子获取段中定义第1帧图像作为基准帧,将种子获取段内的剩余每一帧图像依次与基准帧比较,比较完成后种子获取段内全部图像都存在的图像点作为特征对象种子点。
优选的,所述持续学习步骤中,进行扩展和去噪的具体步骤为:
扩展步骤.在扩展时间段内,对每一帧图像的每一图像点进行相似度比较,相似度高于预设门限值的图像点作为扩展点加入到特征对象种子点作为新的特征对象轮廓;
去噪步骤.在去噪时间段内,对前一步骤得到的特征对象轮廓上的每一图像点与去噪
时间段内的全部图像进行比较,相似度低于预设门限值的图像点作为噪声点去除。
进一步的,所述去噪步骤中,被比较特征对象轮廓上参与去噪的点不包括种子获取步骤中得到的特征对象种子点。
进一步的,扩展步骤中的相似度比较为利用①式;
WP=lg[(1+XP)/(1+YP)], ------①
其中XP为被比较图像点在扩展时间段内出现的次数,YP为被比较图像点在扩展时间段内连续未出现的次数。WP大于预先设定的门限值的点则认为是扩展点。
进一步的,去噪步骤中的相似度比较为利用②式
WN=lg[(1+XN)/(1+YN)], ------②
其中XN为图像点在去噪时间段内出现的次数,YN为图像点在去噪时间段内连续未出现的次数,WN小于预先设定的门限值的点认为是噪声点。
优选的,步骤2中所述稳定的判断标准为:在去噪步骤中对前一扩展步骤中的扩展点进行判断时,全部为噪声点则认为图像稳定。
优选的,所述步骤1.种子获取步骤中的基准帧为从预先给出的图像集合中获取。
动态背景下图像特征对象识别方法,采用如前所述动态背景下图像特征对象模版提取方法得到特征对象模版库以后,提取待识别图像中的对象轮廓,与库中的各特征对象模版进行相似度比较,实现图像识别。
优选的,所述提取待识别图像中的对象轮廓,与库中的各特征对象模版进行相似度比较的具体过程为:
步骤1001.采用canny算子检测待识别图像中的边缘,并根据检测结果将图像二值化,然后提取待识别图像所有对象轮廓;
步骤1002.求每一对象与特征对象模版的相似度,将待匹配图像所有对象轮廓与特征对象模版库模版比对,二者中相同点视为命中,将各特征对象命中点的权值WP分别累加,得到权值和Rate=∑WP,权值和最高的特征对象所代表的图像类型即为识别结果。
采用本发明所述的动态背景下图像特征对象模版提取及识别方法,在无特征对象模版等先验知识的情况下,通过持续的图像学习从动态背景中提取出特征对象模版,将待匹配图像与图像特征对象模版比对完成图像识别。解决了知识库特征对象模版的提取、扩展、完善和修改,以及动态背景下图像特征对象识别的问题。
附图说明
图1示出本发明一种具体实施方式的流程示意图;
图2示出本发明一个具体实施例中的视频流示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
如图2所示,给出一个任意的视频流,视频流中有连续出现的多幅图像,图1中各个数字表示按照出现时间先后进行编号的图像序列。
以下给出本发明所述动态背景下图像特征对象模版提取方法针对图2所示视频流的一种具体实施方式,对第1至10帧图像,作为种子获取段,将种子获取段内全部图像都具有的像素点或由像素点组成的形状作为特征对象种子点,获取特征对象种子点的方式可以采用定义基准帧的方式,例如可以选择种子获取段的第1帧图像作为基准帧,将第2至10帧图像依次与基准帧比较,第2帧图像与基准帧比较后获得的相同部分,再与第3帧图像比较,依次比较完种子获取段内除基准帧外的9帧图像,最终剩余的图像点即为特征对象种子点,采用上述逐次剔除非种子点的方式可以减少计算量。步骤1中基准帧的获取也可以从从预先给出的图像集合中直接得到,获取基准帧的图像集合是应该是待识别的图像信息提供者提供的认为包含了特征对象的图像集合。
得到特征对象种子点后,随后对特征对象种子依次进行扩展,例如选择第11至第30帧图像作为扩展时间段,扩展时间段内的每一帧图像作为扩展帧,对特征对象种子进行扩展。扩展的具体实现方式为计算扩展帧的每一图像点在扩展时间段内的权值WP,计算公式为:
WP=lg[(1+XP)/(1+YP)], ------①
其中XP为图像点在扩展时间段内出现的次数,YP为图像点在扩展时间段内连续未出现的次数。WP大于预先设定的门限值的点认为是扩展点,加入到特征对象种子中作为特征对象轮廓。用来判断的门限值一般取值为1,也可以根据需要自由设定。
如何判断某一图像点在该图像内出现在现有技术中已有多种实现方法,例如图像轮廓提取前会先将图像二值化,对象轮廓为二值图像黑色区域,轮廓是由点组成,通过计算点坐标是否相同来判断该点及该轮廓是否在某一待识别图像中出现过。所谓二值化是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法,称为图像的二值化。
在扩展时间段内完成扩展以后,随后进行图像去噪步骤,在图1中,例如选择第31到第50帧图像的时间作为去噪时间段,去噪时间段内的20帧图像为去噪帧,在去噪时间段内的去噪方式为将前面扩展后的特征对象轮廓内每一点与去噪时间段内全部去噪帧进行权值计算,计算特征对象轮廓内的每一图像点在去噪时间段内的权值WN的公式与①式类似;
WN=lg[(1+XN)/(1+YN)], ------②
其中XN为图像点在去噪时间段内出现的次数,YN为图像点在去噪时间段内连续未出现的次数,WN小于预先设定的门限值的点认为是噪声点,从特征对象轮廓中去除。去前面类似,这个门限值可以设为1,也可以根据需要自由设定。
去噪过程中,对特征对象轮廓中包括的初始得到的特征对象种子点可以不利用②式进行去噪判断,一直保留在特征对象轮廓中,有利于保持特征对象轮廓在去噪过程中的稳定。
上述扩展和去噪的步骤可以如图1所示只分别使用一次,也可以重复循环对图像进行学习,例如扩展-去噪-扩展-去噪,对扩展时间段和去噪时间段的时长,也就是包括的图像帧数也没有具体限制,可以相同,也可以不同,可以为任意帧数。使用者根据具体要学习的图像视频流特点和要求进行选择,例如精度要求高时,扩展和去噪的图像帧数应该适当增加。需要快速学习时,则帧数不宜太长。本发明所说对图像的学习过程即为前述的提取种子和扩展去噪的整个过程,学习的目的是为了得到一个特征对象模版库,建立特征对象模版库的作用是作为样本库与待识别的图像进行比较。
通过扩展和去噪,直至特征对象轮廓稳定时,则不再进行学习 ,对动态图像提取信息的稳定判断有多种方法和标准,所述稳定为自定义的判断标准,根据扩展或去噪过程中图像的变化程度进行判定。本发明中,在一次扩展和去噪循环中,在去噪步骤中对前一扩展步骤中的扩展点进行判断时,全部为噪声点则认为图像稳定。
得到稳定的特征对象模版库以后,可以利用该特征对象模版库进行图像识别,识别的具体实现方式可以是先提取待识别图像各对象轮廓,再与库中的各特征对象模版进行比较。具体步骤:
步骤1001.采用canny算子检测待识别图像中的边缘,并根据检测结果将图像二值化,然后提取待识别图像所有对象轮廓;
步骤1002.求每一对象与特征对象模版的相似度,将待匹配图像所有对象轮廓与特征对象模版库模版比对,二者中相同点视为命中,将各特征对象命中点的权值WP分别累加,得到权值和Rate=∑WP,权值和最高的特征对象所代表的图像类型即为识别结果。
上述实施例是根据视频流作为待识别对象,对于一个已经给出的静态图像集合,也可以从该图像集合中提取若干图像作为基准帧,以其他图像作为扩展和去噪图像,进行与前述实施方式类似的图像特征对象模版提取和识别。
本发明中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
采用本发明所述的动态背景下图像特征对象模版提取及识别方法,在无特征对象模版等先验知识的情况下,通过持续的图像学习从动态背景中提取出特征对象模版,将待匹配图像与图像特征对象模版比对完成图像识别。解决了知识库特征对象模版的提取、扩展、完善和修改,以及动态背景下图像特征对象识别的问题。
本发明的初始发明目的在于对电视画面的各个不同频道台标进行识别,由于目前电视频道更新速度加快,对新台标的识别采用原有方法不能实现实时更新。台标在屏幕上的位置一般固定且在电视画面变化时台标本身形状保持固有,但台标的背景随电视显示内容变化,且占用面积相对整个屏幕较小,因此对图像识别精度和计算量要求不高。
前文所述的为本发明的各个优选实施例,各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提,各个优选实施方式都可以任意叠加组合使用,所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.动态背景下图像特征对象模版提取方法,其特征在于,包括如下步骤:
步骤1种子获取步骤.从待识别图像集合中提取若干帧图像作为基准帧,通过对各个基准帧之间的比较,得到特征对象种子点;
步骤2.持续学习步骤.以特征对象种子作为初始特征对象,利用待识别图像集合中其
余图像连续进行扩展和去噪,直至稳定;得到特征对象模版库;
所述稳定为自定义的判断标准,根据扩展或去噪过程中图像的变化程度进行判定。
2.如权利要求1所述动态背景下图像特征对象模版提取方法,其特征在于,所述种子获取步骤具体为:从待识别图像集合中定义一个种子获取段,从种子获取段中定义第1帧图像作为基准帧,将种子获取段内的剩余每一帧图像依次与基准帧比较,比较完成后种子获取段内全部图像都存在的图像点作为特征对象种子点。
3.如权利要求1所述动态背景下图像特征对象模版提取方法,其特征在于,所述持续学习步骤中,进行扩展和去噪的具体步骤为:
扩展步骤.在扩展时间段内,对每一帧图像的每一图像点进行相似度比较,相似度高于预设门限值的图像点作为扩展点加入到特征对象种子点作为新的特征对象轮廓;
去噪步骤.在去噪时间段内,对前一步骤得到的特征对象轮廓上的每一图像点与去噪时间段内的全部图像进行比较,相似度低于预设门限值的图像点作为噪声点去除。
4.如权利要求3所述动态背景下图像特征对象模版提取方法,其特征在于,所述去噪步骤中,被比较特征对象轮廓上参与去噪的点不包括种子获取步骤中得到的特征对象种子点。
5.如权利要求3所述动态背景下图像特征对象模版提取方法,其特征在于,扩展步骤中的相似度比较为利用①式;
WP=lg[(1+XP)/(1+YP)], ------①
其中XP为被比较图像点在扩展时间段内出现的次数,YP为被比较图像点在扩展时间段内连续未出现的次数。WP大于预先设定的门限值的点则认为是扩展点。
6.如权利要求3所述动态背景下图像特征对象模版提取方法,其特征在于,去噪步骤中的相似度比较为利用②式
WN=lg[(1+XN)/(1+YN)], ------②
其中XN为图像点在去噪时间段内出现的次数,YN为图像点在去噪时间段内连续未出现的次数,WN小于预先设定的门限值的点认为是噪声点。
7.如权利要求3所述动态背景下图像特征对象模版提取方法,其特征在于,步骤2中所述稳定的判断标准为:在去噪步骤中对前一扩展步骤中的扩展点进行判断时,全部为噪声点则认为图像稳定。
8.如权利要求1所述动态背景下图像特征对象模版提取方法,其特征在于,所述待识别图像集合为连续播放的视频流。
9.动态背景下图像特征对象识别方法,其特征在于,采用如权利要求1至8任意一项所述动态背景下图像特征对象模版提取方法得到特征对象模版库以后,提取待识别图像中的对象轮廓,与库中的各特征对象模版进行相似度比较,实现图像识别。
10.如权利要求1所述动态背景下图像特征对象识别方法,其特征在于,所述提取待识别图像中的对象轮廓,与库中的各特征对象模版进行相似度比较的具体过程为:
步骤1001.采用canny算子检测待识别图像中的边缘,并根据检测结果将图像二值化,然后提取待识别图像所有对象轮廓;
步骤1002.求每一对象与特征对象模版的相似度,将待匹配图像所有对象轮廓与特征对象模版库模版比对,二者中相同点视为命中,将各特征对象命中点的权值WP分别累加,得到权值和Rate=∑WP,权值和最高的特征对象所代表的图像类型即为识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310242736.5A CN103353939B (zh) | 2013-06-19 | 2013-06-19 | 动态背景下图像特征对象模版提取及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310242736.5A CN103353939B (zh) | 2013-06-19 | 2013-06-19 | 动态背景下图像特征对象模版提取及识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103353939A true CN103353939A (zh) | 2013-10-16 |
CN103353939B CN103353939B (zh) | 2016-05-25 |
Family
ID=49310306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310242736.5A Active CN103353939B (zh) | 2013-06-19 | 2013-06-19 | 动态背景下图像特征对象模版提取及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103353939B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109076110A (zh) * | 2018-02-27 | 2018-12-21 | 华为技术有限公司 | 图像发送方法、装置及存储介质 |
CN112801032A (zh) * | 2021-02-22 | 2021-05-14 | 西南科技大学 | 一种用于运动目标检测的动态背景匹配方法 |
CN113032602A (zh) * | 2021-04-29 | 2021-06-25 | 深圳飞蝶虚拟现实科技有限公司 | 一种基于3d图像的vr课程编辑方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7356084B2 (en) * | 2003-10-09 | 2008-04-08 | Samsung Electronics Co., Ltd. | Method for tracking the disappearance of detected logos within digital video signals |
CN101950366A (zh) * | 2010-09-10 | 2011-01-19 | 北京大学 | 一种台标检测和识别的方法 |
CN102324030A (zh) * | 2011-09-09 | 2012-01-18 | 广州灵视信息科技有限公司 | 一种基于图像块特征的目标跟踪方法及跟踪系统 |
-
2013
- 2013-06-19 CN CN201310242736.5A patent/CN103353939B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7356084B2 (en) * | 2003-10-09 | 2008-04-08 | Samsung Electronics Co., Ltd. | Method for tracking the disappearance of detected logos within digital video signals |
CN101950366A (zh) * | 2010-09-10 | 2011-01-19 | 北京大学 | 一种台标检测和识别的方法 |
CN102324030A (zh) * | 2011-09-09 | 2012-01-18 | 广州灵视信息科技有限公司 | 一种基于图像块特征的目标跟踪方法及跟踪系统 |
Non-Patent Citations (1)
Title |
---|
金阳等: "基于视频帧加权的台标自动检测方法", 《电视技术》, vol. 36, no. 21, 30 November 2012 (2012-11-30) * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109076110A (zh) * | 2018-02-27 | 2018-12-21 | 华为技术有限公司 | 图像发送方法、装置及存储介质 |
CN109076110B (zh) * | 2018-02-27 | 2020-06-26 | 华为技术有限公司 | 图像发送方法、装置及存储介质 |
US11080859B2 (en) | 2018-02-27 | 2021-08-03 | Huawei Technologies Co., Ltd. | Image communication based on hit image block conditions |
CN112801032A (zh) * | 2021-02-22 | 2021-05-14 | 西南科技大学 | 一种用于运动目标检测的动态背景匹配方法 |
CN112801032B (zh) * | 2021-02-22 | 2022-01-28 | 西南科技大学 | 一种用于运动目标检测的动态背景匹配方法 |
CN113032602A (zh) * | 2021-04-29 | 2021-06-25 | 深圳飞蝶虚拟现实科技有限公司 | 一种基于3d图像的vr课程编辑方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103353939B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710865B (zh) | 一种基于神经网络的司机异常行为检测方法 | |
WO2021003825A1 (zh) | 视频镜头剪切的方法、装置及计算机设备 | |
EP2034426A1 (en) | Moving image analyzing, method and system | |
CN107833242A (zh) | 一种基于边缘信息和改进vibe运动目标检测方法 | |
CN104462381A (zh) | 商标图像检索方法 | |
WO2014094627A1 (en) | System and method for video detection and tracking | |
CN111383244B (zh) | 一种目标检测跟踪方法 | |
CN111368682B (zh) | 一种基于faster RCNN台标检测与识别的方法及系统 | |
US10110846B2 (en) | Computationally efficient frame rate conversion system | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN101470809A (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
US10699156B2 (en) | Method and a device for image matching | |
WO2017088479A1 (zh) | 台标识别方法及装置 | |
CN111488847B (zh) | 体育比赛视频进球片段获取系统及方法、终端 | |
CN101470802A (zh) | 物体检测装置和方法 | |
CN103353939B (zh) | 动态背景下图像特征对象模版提取及识别方法 | |
CN108573254B (zh) | 车牌字符灰度图的生成方法 | |
WO2014205787A1 (zh) | 一种基于混合图像模板的车辆检测方法 | |
CN109978916B (zh) | 基于灰度图像特征匹配的Vibe运动目标检测方法 | |
CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
CN103092929B (zh) | 一种视频摘要的生成方法及装置 | |
CN113159146A (zh) | 样本生成、目标检测模型训练、目标检测方法及装置 | |
JP2011087144A (ja) | テロップ文字領域検出方法,テロップ文字領域検出装置およびテロップ文字領域検出プログラム | |
US9798932B2 (en) | Video extraction method and device | |
CN105139372A (zh) | 一种用于前景检测的码本改进算法 |
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 |