CN103810722A - 结合改进的lbp纹理和色度信息的运动目标检测方法 - Google Patents
结合改进的lbp纹理和色度信息的运动目标检测方法 Download PDFInfo
- Publication number
- CN103810722A CN103810722A CN201410067752.XA CN201410067752A CN103810722A CN 103810722 A CN103810722 A CN 103810722A CN 201410067752 A CN201410067752 A CN 201410067752A CN 103810722 A CN103810722 A CN 103810722A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- msubsup
- math
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000000203 mixture Substances 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 15
- 239000003086 colorant Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 235000008694 Humulus lupulus Nutrition 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种结合改进的LBP纹理和色度信息的运动目标检测方法,包含以下步骤:a:初始化混合高斯模型;b:读入下一帧,做分块处理;c:对上述每个小块统计LBP统一模式直方图和局部色度值,分别记作Xt、Ht;d:将Xt、Ht值,与背景模式进行对比,匹配为背景、不匹配为前景;e:对背景值更新高斯模型参数;f:将前景值替换背景模型中权值最小的模型,即为所获得目标运动区域,经处理后显示出来;g:归一化权值,对K个背景模式重新排序,得新的混合高斯背景模型。本发明无论实在室内还是室外、在强阴影还是在弱阴影等场景下,均能够很好的消除阴影和噪声对检测目标的干扰,准确性高、处理速度快、实时性强。
Description
技术领域
本发明属于视频监控领域,涉及运动目标检测方法,具体的涉及结合改进的LBP纹理和色度信息的运动目标检测方法。
背景技术
视频图像中包含了太多的信息量,不利于计算机的处理。但是,一般来说,对其中运动的物体会更感兴趣,例如,行人、运动的汽车、奔跑的运动员等等;而对静止的背景图像,对它们的关注程度少得多,往往也不包含主要的信息。运动目标检测是一种图像分割技术,指从视频序列中把固定的背景去掉,并把运动物体检测出来。它是计算机视觉、基于内容的检索、模式识别、智能视频监控、运动图像编码等研究领域的重点和难点,在很多领域有着广泛的应用前景。
然而,由于摄像机运动、光照变化、存在阴影、背景抖动等原因,给运动目标的准确检测带来了巨大的困难。由于运动目标检测的结果直接影响运动目标跟踪以及后续的步骤,所以准确的运动目标检测是智能视频监控中的一项重要任务。
目前,常用的运动目标检测算法根据基本原理的不同,可分为有三大类:帧差法、背景减除法和光流法。运动目标检测中,其中最常用的方法就是背景减除法。该类算法用当前帧与背景图像差分或与背景模型进行比较,对结果进行处理后得到运动目标区域。在该类算法中,背景模型的建立与更新是最难、最关键的问题。
生活中的许多事物,例如水面的波纹、摇动的树枝、抖动的草地、闪烁的电脑屏幕等等,都会呈现出快速周期性变化的特性,背景的像素值在一个很短的时间内不是一个固定的值。于是,同一时刻下的多背景方法被提了出来,用以克服这些背景的周期性扰动。最具代表性的就是混合高斯背景模型(GaussianMixtureModel,GMM)。在这种方法中,运用多个高斯模型对每一个像素的背景进行表示,并且利用迭代方式进行模型参数的更新。多个高斯模型表示的背景,就可以把周期性变化的背景都同时涵盖其中,因此该模型可以有效的克服光照变化、背景图像周期性扰动所带来的干扰。在建立了多个背景模型后,运动目标区域就可以用当前帧和这些背景模型进行有条件的差分得到。然而,现有的混合高斯背景模型采用颜色为特征,运动目标的阴影部分由于颜色与背景有差别,也会被当作运动目标检测出来,将严重干扰混合高斯模型检测出来的运动目标区域。不幸的是,由于光照条件是漫反射产生的均匀环境光的场景很少,在视频监控场景中,绝大部分都会有阴影,这就极大的影响了混合高斯模型检测运动目标的准确性。
LBP(Local Binary Pattern)是一种灰度变化的描述算子,该算子通过计算中心像素与邻域像素之间的灰度差值,并对这个差值进行二值化,从而得到对中心像素所在位置的纹理变化的描述。LBP纹理和色度这两种特征对阴影都不敏感,能克服阴影对运动目标检测结果的影响。对于颜色相近的纹理缺乏区域,LBP纹理不能很好地表示该区域的特征,但是这时色度往往能取得较好效果;而对于运动目标颜色和背景颜色相近的区域,LBP纹理往往又能取得一定的效果。但是传统的LBP计算时,没有考虑到噪声的干扰,误差大;且其二进制编码没有进行归类计算,使得处理速度慢、实时性差。
发明内容
本发明为了克服现有技术中的不足,提供一种结合改进LBP纹理和色度信息结合进行背景的描述,然后把该背景描述应用到混合高斯模型中,达到较好的去除阴影对运动目标检测干扰的目的。
本发明为实现发明目的采用的技术方案是,结合改进的LBP纹理和色度信息的运动目标检测方法,包含以下步骤:
步骤a:初始化混合高斯模型:将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块,对每个小块统计LBP统一模式直方图和局部色度值,把初始的LBP统一模式直方图记作初始的局部色度向量记作给定某个方差σ和权值w,得到含有K个背景模式初始混合高斯背景模型;
步骤b:读入下一帧,把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块;
步骤c:对上述每个小块统计LBP统一模式直方图和局部色度值,其中把t时刻的LBP统一模式直方图记作Xt、局部色度向量记作Ht;
步骤d:将Xt、Ht值,依次与混合高斯背景模型中对应小块的K个背景模式进行对比,求相似度,匹配为背景、不匹配为前景;
步骤e:根据步骤d,如果某一小块被判定为背景,将更新混合高斯背景模型中的高斯模型参数;如果某一小块被判定为前景,经处理后将前景通过屏幕显示出来,即为所获得目标运动区域;然后用该小块的Xt、Ht值去替换混合高斯背景模型中权值最小的模型,同时把背景模型中其余模式权值降低,而其它参数不变;
步骤f:归一化权值,对K个背景模式重新排序,使其按照归一化之后的降序排列,即得到新的混合高斯背景模型。
所述的步骤d中求Xt、Ht值与混合高斯背景模型相似度的公式为:
其中i=1,…,K,λ是一常数,代表判定结果融合参数,满足0≤λ≤1;
所述的步骤d中还包括t时刻的LBP统一模式直方图Xt值之间的相似性比较,具体算法为: 由于LBP统一模式直方图X1和X2是概率的表示,所以满足0≤X1,X2≤1,当X1和X2两个直方图完全一致时, 根据设定的直方图相似性判定阈值TLBP,当DLBP(X1,X2)≥TLBP时,可以判定它们相似。
所述的步骤d中还包括t时刻的局部色度向量Ht之间的相似形比较,Ht定义为:Ht={h0,h1,h2,…,hblockW*blockH-1},其中,blockW和blockH是所分小块的宽度和高度,单位为像素;h0到hblockW*blockH-1是在所分小块内,按照先行后列的顺序提取的各像素的色度值,所有色度值被归一化到0.0~1.0之间;根据从RGB颜色空间图像转换到HSV颜色空间图像的方法,获取色度分量的公式为:
Hue=Hue+360,if Hue<0
计算得到的色度值满足Hue∈[0,360),R对应于0°,G对应于120°,B对应于240°,V表示亮度值(Value),再根据以下公式:
并设定一个局部色度相似性判定阈值THue,当DHue(H1,H2)≥THue时,可以判定它们相似。
所述的步骤e中更新混合高斯背景模型的算法为:
For(i=1;i++;i≤K)
If(i==matchIndex)
else
endIf
其中,matchIndex为与判定为背景的小块相匹配的模式的编号。
所述的步骤c中的LBP统一模式直方图的算法为:
其中 为位运算中的异或运算,gc表示位置(xc,yc)处的灰度值,gi表示分布在圆心为(xc,yc)、半径为R的圆周上的P个点的灰度值,如果gi不能落在一个精确的像素坐标上,则用双线性插值的方法生成该点的灰度值。
所述的从RGB颜色空间图像转换到HSV颜色空间图像的方法中,转换公式为:
V=max(R,G,B)
H=H+360,if H<0
其中,H表示色度(Hue),代表物体反射出来的光的颜色,表示出来是色度的饼状图,S表示饱和度(Saturation),代表颜色的纯度;V表示亮度值(Value),代表颜色的相对亮度和暗度,R对应于0°,G对应于120°,B对应于240°,饱和度S取值范围为0.0~1.0。
所述的λ∈[0.6,0.8]。
由于采用了上述的技术方案,本发明所取得的技术进步如下:
本发明无论实在室内还是室外、在强阴影还是在弱阴影等场景下,均能够很好的消除阴影和噪声对检测目标的干扰,准确性高、处理速度快、实时性强。
附图说明
图1为本发明的流程示意图。
图2为实施例的LBP统一模式结构图。
图3为HSV颜色空间模型坐标图。
图4为具体实施例1的第一帧。
图5为具体实施例1的测试帧。
图6为具体实施例1的普通GMM检测结果。
图7为具体实施例1的本发明方法的检测结果。
图8为具体实施例2的第一帧。
图9为具体实施例2的测试帧。
图10为具体实施例2的普通GMM检测结果。
图11为具体实施例2的本发明方法的检测结果。
图12为具体实施例3的第一帧。
图13为具体实施例3的测试帧。
图14为具体实施例3的普通GMM检测结果。
图15为具体实施例3的本发明方法的检测结果。
图16为具体实施例4的第一帧。
图17为具体实施例4的测试帧。
图18为具体实施例4的普通GMM检测结果。
图19为具体实施例4的本发明方法的检测结果。
其中图2中的黑点表示1,空心点表示0。
具体实施方式
下面结合具体实施例和附图对本发明最进一步说明:
如图1所示,步骤a:初始化混合高斯模型:将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块,对每个小块统计LBP统一模式直方图和局部色度值,把初始的LBP统一模式直方图记作初始的局部色度向量记作给定某个方差σ和权值w,得到初始混合高斯背景模型;
步骤b:读入下一帧,把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块;
步骤c:对上述每个小块统计LBP统一模式直方图和局部色度值,其中把t时刻的LBP统一模式直方图记作Xt、局部色度向量记作Ht;
步骤d:将Xt、Ht值,依次与步骤a所得的混合高斯背景模型中对应小块的K个背景模式进行对比,求相似度,匹配为背景、不匹配为前景;其中求Xt、Ht值与混合高斯背景模型相似度的公式为:
其中i=1,…,K,λ是一常数,代表判定结果融合参数,满足0≤λ≤1;
同时还包括t时刻的LBP统一模式直方图Xt值之间的相似性比较,具体算法为: 由于LBP统一模式直方图X1和X2是概率的表示,所以满足0≤X1,X2≤1,当X1和X2两个直方图完全一致时, 根据设定的直方图相似性判定阈值TLBP,当DLBP(X1,X2)≥TLBP时,可以判定它们相似。
以及t时刻的局部色度向量Ht之间的相似形比较,Ht定义为:Ht={h0,h1,h2,…,hblockW*blockH-1},其中,blockW和blockH是所分小块的宽度和高度,单位为像素;h0到hblockW*blockH-1是在所分小块内,按照先行后列的顺序提取的各像素的色度值,所有色度值被归一化到0.0~1.0之间;根据从RGB颜色空间图像转换到HSV颜色空间图像的方法,获取色度分量的公式为:
Hue=Hue+360,if Hue<0
计算得到的色度值满足Hue∈[0,360),R对应于0°,G对应于120°,B对应于240°,V表示亮度值(Value)。色度的值是一个旋转角度,见图3或图4,所以0°和359°只相差1°,两者表示的颜色是非常接近的红色。因此,色度相似性不能简单的看它们之间的绝对差值,还要考虑循环的特性。实际上,两种色度的最大差值出现在它们的差值为180°,也就是在色度圆周上恰好相对,再根据以下公式:
当向量H1和H2完全一致时,DHue(H1,H2)的值为1,当H1和H2的每一个对应色度都相差180°时,DHue(H1,H2)的值为0;并设定一个局部色度相似性判定阈值THue,当DHue(H1,H2)≥THue时,可以判定它们相似。
步骤e:根据步骤d,如果某一小块被判定为背景,将更新混合高斯背景模型中的高斯模型参数,其算法为:
For(i=1;i++;i≤K)
If(i==matchIndex)
else
endIf
其中,matchIndex为与判定为背景的小块相匹配的模式的编号。
如果某一小块被判定为前景,经处理后将前景通过屏幕显示出来,即为所获得目标运动区域;然后用该小块的Xt、Ht值去替换混合高斯背景模型中权值最小的模型,同时把背景模型中其余模式权值降低,而其它参数不变,即
LBP统一直方图:LBP算子得到P位二进制编码,如果把这P位二进制编码首尾相连,统计0跳变为1和1跳变为0的次数,这时,跳变的次数多,表明该处纹理变化快,跳变次数少,表明该处纹理变化慢。定义P位LBP二进制编码首尾相连后的01跳变次数为U:
由于视频中的每帧图像的相邻像素之间的相关性很大,相邻像素值突变的可能性很小,所以,LBP算子得到的二进制编码的变化也不可能太剧烈。经过对一些视频的统计,01跳变次数>2的像素点数占总像素的比例小于4%,但是,P=8,R=1时,LBP算子产生的256种二进制编码中,UP,R(xc,yc)>2的二进制编码有198种,而UP,R(xc,yc)≤2的二进制编码仅有58种,所表示的像素点比例却超过了96%。由于U值取值范围是0~P之间的偶数,所以跳变次数≤2的二进制编码中,01跳变次数要么是0,要么是2。因此,可以尝试把01跳变次数大于2的编码进行压缩。
为了在后续处理中有较高的处理速度,达到实时性要求,首先把198种01跳变次数>2的二进制编码归为一类,这时,原来的256种LBP算子得到的编码就被削减为59种。图2示例了58种跳变次数为0和2的二进制编码。实际上,图2中每一行的各个LBP编码中1的数量是相同的,只是所在的位置不同,为了达到较好的实时性,可再将LBP纹理的种类压缩,使得01跳变次数为0或2的LBP编码中1的数量相同的编码作为一类。定义U的值为0或2的LBP纹理为LBP纹理统一模式那么,具有P个点时,会出现P+1种统一模式,并根据其中1的数目,分配一个唯一的编号(0~P)给它们,那些U值大于2的模式,称为非统一模式,分配编号P+1。这样,LBP纹理的种类就由原来的256种压缩为P+2种。LBP纹理统一模式定义如下:
其中 UP,R(xc,yc)的计算方法同上。
RGB颜色空间图像转换到HSV颜色空间图像的方法
在RGB颜色空间中,由红(Red)、绿(Green)、蓝(Blue)三原色叠加产生其它的颜色。对于常见的RGB空间的彩色图像,红、绿、蓝三种颜色都用8个二进制位来表示,也就是每个像素完全用24个二进制位来表示,所以称为24位真彩色。
HSV颜色空间是以人类对颜色的感觉为依据而建立的色彩模型。H表示色度(Hue),代表物体反射出来的光的颜色,表示出来是色度的饼状图;S表示饱和度(Saturation),代表颜色的纯度;V表示亮度值(Value),代表颜色的相对亮度和暗度。HSV颜色空间把表示颜色最本质信息的色度与亮度进行了分离。HSV颜色空间模型可以表示为圆柱坐标系中的一个圆锥形子集,见图3。圆锥顶面对应于V=1.0,表示亮度最亮,下方圆锥的顶点对应于V=0.0,表示亮度最暗。围绕亮度V轴,色度H由规定的旋转角度指定,红色对应于0°,绿色对应于120°,蓝色对应于240°。饱和度S取值范围为0.0~1.0,所以,圆锥顶面的半径为1.0。
在对运动目标检测算法的研究中,需要对视频图像进行颜色空间的转换,RGB颜色空间图像转为HSV颜色空间图像的公式是:
V=max(R,G,B)
H=H+360,if H<0
具体实施时:采用CPU为Intel i3-350处理器、2GB内存的笔记本进行实验,操作系统为Windows XP SP3,安装了Visual C++6.0和OpenCV1.0,依据上述算法,使用R=1和P=8计算计算局部LBP纹理直方图和局部色度信息时,blockW=4,blockH=4。高斯背景模型的个数K=3,实验中,当融合参数λ∈[0.6,0.8]取得较好的结果,本实施例是λ=0.65时的结果。背景模型的更新速率α设为0.01。
实施例1
采用上述运动目标检测方法及具体参数设置对室内强阴影场景进行测试,其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图4、5、6、7所示。
实施例2
采用上述运动目标检测方法及具体参数设置对室内弱阴影场景进行测试,其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图8、9、10、11所示。
实施例3
采用上述运动目标检测方法及具体参数设置对室外强阴影场景进行测试,其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图12、13、14、15所示。
实施例4
采用上述运动目标检测方法及具体参数设置对室外弱阴影场景进行测试,其第一帧、测试帧、普通GMM检测结果、本发明方法的检测结果分别如图16、17、18、19所示。
Claims (9)
1.结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:包含以下步骤:
步骤a:初始化混合高斯模型:将视频图像序列中的第1帧分成以像素点(x,y)为中心、大小相同、边缘有重合的小块,对每个小块统计LBP统一模式直方图和局部色度值,把初始的LBP统一模式直方图记作初始的局部色度向量记作给定某个方差σ和权值w,得到含有K个背景模式初始混合高斯背景模型;
步骤b:读入下一帧,把图像分成以像素点(x,y)为中心、大小相同、边缘有重合的小块;
步骤c:对上述每个小块统计LBP统一模式直方图和局部色度值,其中把t时刻的LBP统一模式直方图记作Xt、局部色度向量记作Ht;
步骤d:将Xt、Ht值,依次与混合高斯背景模型中对应小块的K个背景模式进行对比,求相似度,匹配为背景、不匹配为前景;
步骤e:根据步骤d,如果某一小块被判定为背景,将更新混合高斯背景模型中的高斯模型参数;如果某一小块被判定为前景,经处理后将前景通过屏幕显示出来,即为所获得目标运动区域;然后用该小块的Xt、Ht值去替换混合高斯背景模型中权值最小的模型,同时把背景模型中其余模式权值降低,而其它参数不变;
步骤f:归一化权值,对K个背景模式重新排序,使其按照归一化之后的降序排列,即得到新的混合高斯背景模型。
3.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:所述的步骤d中还包括t时刻的LBP统一模式直方图Xt值之间的相似性比较,具体算法为: 由于LBP统一模式直方图X1和X2是概率的表示,所以满足0≤X1,X2≤1,当X1和X2两个直方图完全一致时, 根据设定的直方图相似性判定阈值TLBP,当DLBP(X1,X2)≥TLBP时,可以判定它们相似。
4.根据权利要求1或3所述的结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:所述的步骤d中还包括t时刻的局部色度向量Ht之间的相似形比较,Ht定义为:Ht={h0,h1,h2,…,hblockW*blockH-1},其中,blockW和blockH是所分小块的宽度和高度,单位为像素;h0到hblockW*blockH-1是在所分小块内,按照先行后列的顺序提取的各像素的色度值,所有色度值被归一化到0.0~1.0之间;根据从RGB颜色空间图像转换到HSV颜色空间图像的方法,获取色度分量的公式为:
Hue=Hue+360,if Hue<0
计算得到的色度值满足Hue∈[0,360),R对应于0°,G对应于120°,B对应于240°,V表示亮度值(Value),再根据以下公式:
并设定一个局部色度相似性判定阈值THue,当DHue(H1,H2)≥THue时,可以判定它们相似。
5.根据权利要求1所述的结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:所述的步骤e中更新混合高斯背景模型的算法为:
For(i=1;i++;i≤K)
If(i==matchIndex)
else
endIf
其中,matchIndex为与判定为背景的小块相匹配的模式的编号。
8.根据权利要求4所述的结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:所述的从RGB颜色空间图像转换到HSV颜色空间图像的方法中,转换公式为:
V=max(R,G,B)
H=H+360,if H<0
其中,H表示色度(Hue),代表物体反射出来的光的颜色,表示出来是色度的饼状图,S表示饱和度(Saturation),代表颜色的纯度;V表示亮度值(Value),代表颜色的相对亮度和暗度,R对应于0°,G对应于120°,B对应于240°,饱和度S取值范围为0.0~1.0。
9.根据权利要求2所述的结合改进的LBP纹理和色度信息的运动目标检测方法,其特征在于:所述的λ∈[0.6,0.8]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410067752.XA CN103810722A (zh) | 2014-02-27 | 2014-02-27 | 结合改进的lbp纹理和色度信息的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410067752.XA CN103810722A (zh) | 2014-02-27 | 2014-02-27 | 结合改进的lbp纹理和色度信息的运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103810722A true CN103810722A (zh) | 2014-05-21 |
Family
ID=50707442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410067752.XA Pending CN103810722A (zh) | 2014-02-27 | 2014-02-27 | 结合改进的lbp纹理和色度信息的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810722A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599290A (zh) * | 2015-01-19 | 2015-05-06 | 苏州经贸职业技术学院 | 一种面向视频感知节点的目标检测方法 |
CN104700405A (zh) * | 2015-03-05 | 2015-06-10 | 苏州科达科技股份有限公司 | 一种前景检测方法和系统 |
CN105261021A (zh) * | 2015-10-19 | 2016-01-20 | 浙江宇视科技有限公司 | 去除前景检测结果阴影的方法及装置 |
CN105335782A (zh) * | 2014-05-26 | 2016-02-17 | 富士通株式会社 | 基于图像的目标对象计数方法和装置 |
CN106023249A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种基于局部二值相似性模式的运动目标检测方法 |
CN106997670A (zh) * | 2017-06-02 | 2017-08-01 | 攀枝花学院 | 基于视频的交通信息实时采集系统 |
CN107301655A (zh) * | 2017-06-16 | 2017-10-27 | 上海远洲核信软件科技股份有限公司 | 一种基于背景建模的视频移动目标侦测方法 |
CN107886550A (zh) * | 2017-11-07 | 2018-04-06 | 上海应用技术大学 | 图像编辑传播方法和系统 |
CN107993331A (zh) * | 2018-01-30 | 2018-05-04 | 深圳众厉电力科技有限公司 | 一种安全性高的自动化门禁系统 |
CN108711164A (zh) * | 2018-06-08 | 2018-10-26 | 广州大学 | 一种基于LBP和Color特征的运动检测方法 |
CN109447011A (zh) * | 2018-11-06 | 2019-03-08 | 沈阳天眼智云信息科技有限公司 | 红外对蒸汽管道泄露的实时监控方法 |
CN110503625A (zh) * | 2019-07-02 | 2019-11-26 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
CN113947523A (zh) * | 2021-10-18 | 2022-01-18 | 杭州研极微电子有限公司 | 一种背景图像的替换方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568002A (zh) * | 2011-12-20 | 2012-07-11 | 福建省华大数码科技有限公司 | 基于纹理和运动模式融合的运动目标检测算法 |
CN102915544A (zh) * | 2012-09-20 | 2013-02-06 | 武汉大学 | 基于纹理检测和颜色分割的视频图像运动目标提取方法 |
CN103020990A (zh) * | 2012-12-06 | 2013-04-03 | 华中科技大学 | 一种基于gpu的运动目标检测方法 |
CN103440652A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于一二阶合并的目标检测区域特征描述方法 |
-
2014
- 2014-02-27 CN CN201410067752.XA patent/CN103810722A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568002A (zh) * | 2011-12-20 | 2012-07-11 | 福建省华大数码科技有限公司 | 基于纹理和运动模式融合的运动目标检测算法 |
CN102915544A (zh) * | 2012-09-20 | 2013-02-06 | 武汉大学 | 基于纹理检测和颜色分割的视频图像运动目标提取方法 |
CN103020990A (zh) * | 2012-12-06 | 2013-04-03 | 华中科技大学 | 一种基于gpu的运动目标检测方法 |
CN103440652A (zh) * | 2013-08-27 | 2013-12-11 | 电子科技大学 | 一种基于一二阶合并的目标检测区域特征描述方法 |
Non-Patent Citations (2)
Title |
---|
袁国武: "智能视频监控中的运动目标检测和跟踪算法研究", 《中国博士学位论文库》 * |
袁国武等: "结合局部纹理和色度的运动目标检测方法", 《电子测量技术》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335782A (zh) * | 2014-05-26 | 2016-02-17 | 富士通株式会社 | 基于图像的目标对象计数方法和装置 |
CN104599290B (zh) * | 2015-01-19 | 2017-05-10 | 苏州经贸职业技术学院 | 一种面向视频感知节点的目标检测方法 |
CN104599290A (zh) * | 2015-01-19 | 2015-05-06 | 苏州经贸职业技术学院 | 一种面向视频感知节点的目标检测方法 |
CN104700405A (zh) * | 2015-03-05 | 2015-06-10 | 苏州科达科技股份有限公司 | 一种前景检测方法和系统 |
CN104700405B (zh) * | 2015-03-05 | 2017-11-28 | 苏州科达科技股份有限公司 | 一种前景检测方法和系统 |
CN105261021B (zh) * | 2015-10-19 | 2019-03-08 | 浙江宇视科技有限公司 | 去除前景检测结果阴影的方法及装置 |
CN105261021A (zh) * | 2015-10-19 | 2016-01-20 | 浙江宇视科技有限公司 | 去除前景检测结果阴影的方法及装置 |
CN106023249A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种基于局部二值相似性模式的运动目标检测方法 |
CN106997670A (zh) * | 2017-06-02 | 2017-08-01 | 攀枝花学院 | 基于视频的交通信息实时采集系统 |
CN107301655A (zh) * | 2017-06-16 | 2017-10-27 | 上海远洲核信软件科技股份有限公司 | 一种基于背景建模的视频移动目标侦测方法 |
CN107886550A (zh) * | 2017-11-07 | 2018-04-06 | 上海应用技术大学 | 图像编辑传播方法和系统 |
CN107993331A (zh) * | 2018-01-30 | 2018-05-04 | 深圳众厉电力科技有限公司 | 一种安全性高的自动化门禁系统 |
CN108711164A (zh) * | 2018-06-08 | 2018-10-26 | 广州大学 | 一种基于LBP和Color特征的运动检测方法 |
CN108711164B (zh) * | 2018-06-08 | 2020-07-31 | 广州大学 | 一种基于LBP和Color特征的运动检测方法 |
CN109447011A (zh) * | 2018-11-06 | 2019-03-08 | 沈阳天眼智云信息科技有限公司 | 红外对蒸汽管道泄露的实时监控方法 |
CN110503625A (zh) * | 2019-07-02 | 2019-11-26 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN110503625B (zh) * | 2019-07-02 | 2021-08-17 | 杭州电子科技大学 | 一种cmos图像信号相关噪声参数估计方法 |
CN111915572A (zh) * | 2020-07-13 | 2020-11-10 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
CN111915572B (zh) * | 2020-07-13 | 2023-04-25 | 青岛大学 | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 |
CN113947523A (zh) * | 2021-10-18 | 2022-01-18 | 杭州研极微电子有限公司 | 一种背景图像的替换方法和装置 |
CN113947523B (zh) * | 2021-10-18 | 2022-06-14 | 杭州研极微电子有限公司 | 一种背景图像的替换方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103810722A (zh) | 结合改进的lbp纹理和色度信息的运动目标检测方法 | |
US9652863B2 (en) | Multi-mode video event indexing | |
US8280165B2 (en) | System and method for segmenting foreground and background in a video | |
Rotaru et al. | Color image segmentation in HSI space for automotive applications | |
Chiu et al. | A robust object segmentation system using a probability-based background extraction algorithm | |
US7224735B2 (en) | Adaptive background image updating | |
US11700457B2 (en) | Flicker mitigation via image signal processing | |
US8553086B2 (en) | Spatio-activity based mode matching | |
CN105138987B (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
CN103093203A (zh) | 一种人体再识别方法以及人体再识别系统 | |
US20080075371A1 (en) | Method and system for learning spatio-spectral features in an image | |
Huerta et al. | Exploiting multiple cues in motion segmentation based on background subtraction | |
Xiong et al. | Early smoke detection of forest fires based on SVM image segmentation | |
Chen et al. | Adaptive fuzzy color segmentation with neural network for road detections | |
JP2006039689A (ja) | 画像処理装置、画像処理方法、画像処理プログラムおよびそのプログラムを記録した記録媒体 | |
CN108491857A (zh) | 一种视域重叠的多摄像机目标匹配方法 | |
CN104299234B (zh) | 视频数据中雨场去除的方法和系统 | |
CN113989771A (zh) | 一种基于数字图像处理的交通信号灯识别方法 | |
Dai et al. | Robust and accurate moving shadow detection based on multiple features fusion | |
CN114821078B (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN106339995A (zh) | 一种基于时空多特征的车辆阴影消除方法 | |
JP2003016444A (ja) | パターン認識装置とそのパターン認識方法、及びパターン認識プログラム | |
CN113936030A (zh) | 基于卷积编码的运动目标检测方法及系统 | |
CN104794469A (zh) | 基于图像异构计算的实时视频流文字定位方法 | |
CN115880490B (zh) | 一种基于孤立森林的火焰分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140521 |