CN104200486A - 一种前景识别方法 - Google Patents

Abstract

本发明公开了一种前景识别方法，该前景识别方法包括：对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径；根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域；根据确定出的所述最终前景识别区域，对所述视频图像进行前景识别。通过预先配置的初始前景识别区域以及视频图像中每个轮廓的移动路径，来确定视频图像的最终前景识别区域，从而有效的将视频图像的前景识别区域缩小至视频图像中每个轮廓出现频率较高的区域中，进而有效的提高了前景识别的精确度，避免识别出的前景过于繁琐与复杂。

Description

一种前景识别方法

  

技术领域

本发明涉及计算机视觉领域，具体来说，涉及一种前景识别方法。

 

背景技术

在计算机视觉领域，对视频进行分析处理之前，一般需要对视频序列进行预处理，即对视频进行前景提取。目前，主要的提取方法有以下几种：光流法、帧差法、背景减除法、高斯混合模型法、Vibe算法，然而，不管是上述哪一种方法，其在实际应用时，均是仅仅将视频序列中的所有运动物体提取出来，而并没有对分离出来的运动物体进行“解读”，例如，分离出来的运动物体中可能有部分是研究人员并不感兴趣的，进而就导致了提取出的前景过于复杂且不够精确。

针对现有相关技术中的前景提取或识别方法仅仅是将视频序列中的所有物体提取出来，而并没有对分离出来的运动物体进行“解读”的技术问题，目前尚未提出有效的解决方案。

 

发明内容

针对现有相关技术中的上述技术问题，本发明提出一种前景识别方法和装置。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种前景识别方法。

该前景识别方法包括：

对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径；

根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域；

根据确定出的所述最终前景识别区域，对所述视频图像进行前景识别。

另外，该前景识别方法还包括：预先配置所述视频图像的初始前景识别区域；其中，所述初始前景识别区域的形状为正四边形，并且，该正四边形的长度和宽度分别小于所述视频图像边界的长度和宽度。

可选的，所述初始前景识别区域的长度和宽度分别为所述视频图像边界的长度和宽度的三分之一。

其中，在根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域时，可对经过所述初始前景识别区域的轮廓移动路径和非经过所述初始前景识别区域的轮廓移动路径进行分析，确定与所述经过初始前景识别区域的轮廓移动路径相交或不相交的所有非经过所述初始前景识别区域的轮廓移动路径；并对确定出的上述所有非经过所述初始前景识别区域的轮廓移动路径进行分析，确定该所有非经过初始前景识别区域的轮廓移动路径中具有重复出现的轮廓移动路径；同时对确定出的具有重复出现的轮廓移动路径进行分析，确定所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，并根据该最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域。

其中，在根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域时，可对所述最小横坐标或纵坐标所处的轮廓移动路径、以及所述初始前景识别区域的边界进行分析，确定与所述最小横坐标或纵坐标所处的轮廓移动路径距离最近的所述初始前景识别区域的边界；对确定出的所述初始前景识别区域的边界进行分析，确定该边界的横坐标或纵坐标；并将该边界的横坐标或纵坐标与所述具有重复出现的轮廓移动路径中的最小横坐标和纵坐标进行比较；在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标高于所述边界的横坐标或纵坐标的情况下，将所述边界平移至该最小横坐标或纵坐标的位置处，作为所述视频图像的最终前景识别区域的边界。

此外，在根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域时，在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标低于所述边界的横坐标或纵坐标的情况下，可将所述边界作为所述视频图像的最终前景识别区域的边界。

另外，该前景识别方法还包括：在确定所述视频图像中每个轮廓的移动路径之前，确定每个轮廓的焦点信息，并对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；根据确定出的所述分离阈值，对所述视频图像进行去噪声处理。

与此对应的，在对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径时，则是对预先配置的视频图像进行分析，确定所述视频图像中非噪声轮廓的移动路径。

本发明的有益效果：通过预先配置的初始前景识别区域以及视频图像中每个轮廓的移动路径，来确定视频图像的最终前景识别区域，从而有效的将视频图像的前景识别区域缩小至视频图像中每个轮廓出现频率较高的区域中，进而有效的提高了前景识别的精确度，避免识别出的前景过于繁琐与复杂。

 

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的前景识别方法的流程示意图。

 

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种前景识别方法。

如图1所示，根据本发明实施例的前景识别方法包括：

步骤S101，对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径；

步骤S103，根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域；

步骤S105，根据确定出的所述最终前景识别区域，对所述视频图像进行前景识别。

另外，该前景识别方法还包括：预先配置所述视频图像的初始前景识别区域；其中，所述初始前景识别区域的形状为正四边形，并且，该正四边形的长度和宽度分别小于所述视频图像边界的长度和宽度。

可选的，所述初始前景识别区域的长度和宽度分别为所述视频图像边界的长度和宽度的三分之一。

其中，在根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域时，可对经过所述初始前景识别区域的轮廓移动路径和非经过所述初始前景识别区域的轮廓移动路径进行分析，确定与所述经过初始前景识别区域的轮廓移动路径相交或不相交的所有非经过所述初始前景识别区域的轮廓移动路径；并对确定出的上述所有非经过所述初始前景识别区域的轮廓移动路径进行分析，确定该所有非经过初始前景识别区域的轮廓移动路径中具有重复出现的轮廓移动路径；同时对确定出的具有重复出现的轮廓移动路径进行分析，确定所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，并根据该最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域。

其中，在根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域时，可对所述最小横坐标或纵坐标所处的轮廓移动路径、以及所述初始前景识别区域的边界进行分析，确定与所述最小横坐标或纵坐标所处的轮廓移动路径距离最近的所述初始前景识别区域的边界；对确定出的所述初始前景识别区域的边界进行分析，确定该边界的横坐标或纵坐标；并将该边界的横坐标或纵坐标与所述具有重复出现的轮廓移动路径中的最小横坐标和纵坐标进行比较；在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标高于所述边界的横坐标或纵坐标的情况下，将所述边界平移至该最小横坐标或纵坐标的位置处，作为所述视频图像的最终前景识别区域的边界。

此外，在根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域时，在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标低于所述边界的横坐标或纵坐标的情况下，可将所述边界作为所述视频图像的最终前景识别区域的边界。

另外，该前景识别方法还包括：在确定所述视频图像中每个轮廓的移动路径之前，确定每个轮廓的焦点信息，并对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；根据确定出的所述分离阈值，对所述视频图像进行去噪声处理。

与此对应的，在对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径时，则是对预先配置的视频图像进行分析，确定所述视频图像中非噪声轮廓的移动路径。

为了方便理解本发明的上述技术方案，以下通过具体实施步骤，对本发明的上述技术方案进行详细说明。

在具体实施时，本发明所限定的前景识别方法的具体流程如下：

首先，使用高斯混合模型进行前景检测，并室内环境下进行形态学滤波（以1*1的核先腐蚀1次，然后膨胀1次，再腐蚀1次，然后膨胀1次），获取并记录前景中每一个轮廓（包括噪声轮廓和非噪声轮廓）的角点信息、轮廓长宽比例、轮廓的中心位置、轮廓的大小，训练时间为10000-50000帧。

其次，跟踪视频图像中的每一个轮廓，并获取每个轮廓的行走路径，并列出出现较高的所有路径。

最后，设置标准化的九宫格（即每个格子的长为视频图像长度的三分之一，宽度为图像宽度的三分之一。九个格子从左到右，从上到下分别标记G₁₁，G₁₂，G₁₃，···，G₃₁，G₃₂，G₃₃,，其中G_nm表示第n排第m列个格子，其中G₂₂即为中间格子），利用九宫格来确定视频图像的最终前景识别区域。

而在利用九宫格来确定视频图像的最终前景识别区域时，可将每个轮廓的行走路径看作是视频图像的图像向量，通过图像向量的计算，来确定最终前景识别区域，并且，在确定最终前景识别区域时，还可分行走路径是相交或不相交两种情况。具体流程如下：

对于行走路径相交的情况来说，可先将将经过G₂₂上边界的所有高频向量                                                与G₁中所有高频向量进行遍历后两两相乘，判断是否存在低于阈值的最小的，若存在，则判定行走路径相交，此时，再判断行走路径的最小纵坐标是否低于G₂₂上边界纵坐标，若低于，则G₂₂上边界不变，否则，上边界迭代为上靠近G₂₂上边界的最小纵坐标，同理处理G₂₂的左边界、右边界和下边界，最终得到一个新的G₂₂，只有当运动目标出现在G₂₂中，才会被分析。

而对于行走路径不相交的情况来说，可先根据经过G₂₂上边界的行走路径的高频轨迹向量（a，b）和该行走路径经过的其中一个点（x₀，y₀），得到经过G₂₂上边界行走路径的直线方程为：（x-x₀）/a = (y-y₀) /b；再根据非经过G₂₂上边界的行走路径的高频轨迹向量（c，d）和该行走路径经过的其中一个点（x₁，y₁），得到非经过G₂₂上边界行走路径的直线方程为：（x-x₁）/c = (y-y₁) /d；再通过计算机对两方程进行求解，求出相交的点的坐标，若相交坐标不在图像坐标内，则不相交，此时，再判断不相交的非经过G₂₂上边界的行走路径的靠经G₂₂上边界的最小纵坐标是否低于G₂₂上边界纵坐标，若低于，则G₂₂上边界不变，否则，上边界迭代为该靠近G₂₂上边界的最小纵坐标，同理处理G₂₂的左边界、右边界和下边界，最终得到一个新的G₂₂，只有当运动目标出现在G₂₂中，才会被分析。

由此可见，通过预先配置的初始前景识别区域以及视频图像中每个轮廓的移动路径，来确定视频图像的最终前景识别区域，从而有效的将视频图像的前景识别区域缩小至视频图像中每个轮廓出现频率较高的区域中，进而有效的提高了前景识别的精确度，避免识别出的前景过于繁琐与复杂。

此外，在实际应用时，为了提供前景识别的精确度，还可以预先对视频图像进行去噪声处理，例如，根据Mcquitty聚类算法对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；再根据确定出的所述分离阈值，对所述视频图像进行去噪声处理；

其中，根据Mcquitty聚类算法进行聚类的流程如下：对角点大小进行Mcquitty聚类，当聚到10个类时，计算相邻类的欧式距离，设10个类分别为T₁，T₂，···，T₉，T₁₀，而类间距离为d₁，d₂，```，d₈，d₉，阈值设置200-800，找出大于阈值的d_x1和d_x2，若没有找到d_x，则进行下一次聚类；若找到不只两个d_x，则序号最小和序号最大的；若只找到一个d_x，则记录该d_x后进行下一次聚类；

而为了进一步的提供前景识别的精确度，在Mcquitty聚类的同时，还可对轮廓的长宽比进行处理，经过反复经验积累，长宽比限制在不大于5-10，不小于五分之一至十分之一。

通过根据上述的Mcquitty聚类算法对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；再根据确定出的所述分离阈值，对所述视频图像进行去噪声处理，从而能够实现噪声的自动化去除，避免了人工的去设置噪声与非噪声的分离阈值，有效的降低了在公共环境监控识别的分析中的人员成本。

综上所述，借助于本发明的上述技术方案，通过预先配置的初始前景识别区域以及视频图像中每个轮廓的移动路径，来确定视频图像的最终前景识别区域，从而有效的将视频图像的前景识别区域缩小至视频图像中每个轮廓出现频率较高的区域中，进而有效的提高了前景识别的精确度，避免识别出的前景过于繁琐与复杂。此外，通过根据Mcquitty聚类算法对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；再根据确定出的所述分离阈值，对所述视频图像进行去噪声处理，从而能够实现噪声的自动化去除，避免了人工的去设置噪声与非噪声的分离阈值，有效的降低了在公共环境监控识别的分析中的人员成本。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。 

Claims (8)

1.一种前景识别方法，其特征在于，包括以下步骤：

对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径；

根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域；

根据确定出的所述最终前景识别区域，对所述视频图像进行前景识别。

2.根据权利要求1所述的前景识别方法，其特征在于，进一步包括：

预先配置所述视频图像的初始前景识别区域；

其中，所述初始前景识别区域的形状为正四边形，并且，该正四边形的长度和宽度分别小于所述视频图像边界的长度和宽度。

3.根据权利要求2所述的前景识别方法，其特征在于，所述初始前景识别区域的长度和宽度分别为所述视频图像边界的长度和宽度的三分之一。

4.根据权利要求3所述的前景识别方法，其特征在于，根据预先配置的所述视频图像的初始前景识别区域、以及每个轮廓的移动路径，确定所述视频图像的最终前景识别区域包括：

对经过所述初始前景识别区域的轮廓移动路径和非经过所述初始前景识别区域的轮廓移动路径进行分析，确定与所述经过初始前景识别区域的轮廓移动路径相交或不相交的所有非经过所述初始前景识别区域的轮廓移动路径；

对确定出的上述所有非经过所述初始前景识别区域的轮廓移动路径进行分析，确定该所有非经过初始前景识别区域的轮廓移动路径中具有重复出现的轮廓移动路径；

对确定出的具有重复出现的轮廓移动路径进行分析，确定所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，并根据该最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域。

5.根据权利要求4所述的前景识别方法，其特征在于，根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域包括：

对所述最小横坐标或纵坐标所处的轮廓移动路径、以及所述初始前景识别区域的边界进行分析，确定与所述最小横坐标或纵坐标所处的轮廓移动路径距离最近的所述初始前景识别区域的边界；

对确定出的所述初始前景识别区域的边界进行分析，确定该边界的横坐标或纵坐标；并将该边界的横坐标或纵坐标与所述具有重复出现的轮廓移动路径中的最小横坐标和纵坐标进行比较；

在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标高于所述边界的横坐标或纵坐标的情况下，将所述边界平移至该最小横坐标或纵坐标的位置处，作为所述视频图像的最终前景识别区域的边界。

6.根据权利要求5所述的前景识别方法，其特征在于，根据所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标，确定所述视频图像的最终前景识别区域还包括：

在比较结果为所述具有重复出现的轮廓移动路径中的最小横坐标或纵坐标低于所述边界的横坐标或纵坐标的情况下，将所述边界作为所述视频图像的最终前景识别区域的边界。

7.根据权利要求1至6中任意一项所述的前景识别方法，其特征在于，进一步包括：

在确定所述视频图像中每个轮廓的移动路径之前，确定每个轮廓的焦点信息，并对所述每个轮廓的焦点信息进行聚类，确定所述视频图像的噪声与非噪声的分离阈值；

根据确定出的所述分离阈值，对所述视频图像进行去噪声处理。

8.根据权利要求7所述的前景识别方法，其特征在于，对预先配置的视频图像进行分析，确定所述视频图像中每个轮廓的移动路径包括：

对预先配置的视频图像进行分析，确定所述视频图像中非噪声轮廓的移动路径。