CN105046683A - 一种参数自适应调节的高斯混合模型目标检测方法 - Google Patents
一种参数自适应调节的高斯混合模型目标检测方法 Download PDFInfo
- Publication number
- CN105046683A CN105046683A CN201510318948.6A CN201510318948A CN105046683A CN 105046683 A CN105046683 A CN 105046683A CN 201510318948 A CN201510318948 A CN 201510318948A CN 105046683 A CN105046683 A CN 105046683A
- Authority
- CN
- China
- Prior art keywords
- gaussian distribution
- image
- pixel
- gaussian
- hybrid models
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Image Analysis (AREA)
Abstract
本发明是一种参数自适应调节的高斯混合模型目标检测方法。本方法先获得图像序列的边缘数据,再为边缘检测序列建立参数自适应调节的高斯混合模型:对边缘数据的每个像素点建立k个高斯分布组合建模,对匹配成功的高斯分布,其权重的更新率随帧数的增加而减小,均值和方差的更新率随高斯分布历史匹配数目的增加而减小,对匹配不成功的高斯分布,保持参数不变;最后利用所建立的高斯混合模型对图像序列的边缘进行检测,得到前景目标轮廓,将前景目标轮廓进行填充得到完整的前景运动目标。本发明与传统的高斯混合模型目标检测方法相比,当光线发生变化时,能更加准确地检测到前景运动目标,并且运算速度提高了28.574%。
Description
技术领域
本发明涉及计算机视觉领域,具体涉及一种参数自适应调节的高斯混合模型目标检测方法。
背景技术
目标检测是进行后续目标跟踪工作的基础,良好的目标检测算法可以把图像帧中感兴趣的区域或者是待研究的运动目标检测提取出来,并且要保证提取到的目标是完整的,尽量不包含不感兴趣的区域的检测结果。除了检测效果质量重要外,检测算法的时间复杂度也是重要的衡量标准。检测算法的时间复杂度与采用的背景模型建立机制、背景模型的更新方式、识别前景目标的机制等有着密切的关系。
1999年,Grimson和Stauffe(参考文件1:GrimsonWel,StaufferC.RomanoR.LeeL.Usingadaptivetrackingtoclassifyandmonitoractivitiesinasite.inProceedings.1998IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(Cat.No.98CB36231).IEEEComput.Soc.1998.1998.参考文件2:StaufferC,GrimsonW.E.L.Adaptivebackgroundmixturemodelsforreal-timetracking.inProceedings.1999IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition(Cat.NoPR00149).IEEEComput.Soc.PartVol.2,1999.)提出了高斯混合模型,利用数学建模的思想对图像序列中的像素域进行了时间尺度上的建模。具体做法是利用k(3-5)个高斯分布作为一个组合来对图像帧中每一个像素点建立高斯混合模型,其中每一个高斯分布都作为一个组件(component)。混合高斯模型利用k个单高斯函数的加权和,来描述像素分布的多峰状态,适合对图像帧中有光照渐变,树木摇摆等复杂场景下的背景建模。但是如果背景有光照突变,容易将背景像素点误判断为前景,而且由于高斯混合模型需要对图像帧内的每一个像素点建立k个高斯分布函数,这样导致计算量较大,目标检测缓慢,不适合实时视频跟踪。2009年,李颖宏等提出并建立了基于边缘的高斯混合模型(参考文件3:李颖宏,熊昌镇,尹怡欣,等.一种基于边缘高斯混合模型的运动目标检测方法[J].系统仿真学报,2009.10.),针对高斯混合模型目标检测的数据量大的缺点,通过只学习边缘数据来快速建立高斯混合模型,可以使得模型的鲁棒性更强,检测追踪更加准确高效。但是通过这种方法建立的背景模型对光线的变化仍较为敏感,同时其模型的收敛速度相对缓慢。
发明内容
本发明的目的是为了解决上述现有高斯混合模型目标检测方法的受光照变化影响大,运算速度慢和模型收敛速度慢等缺点。本发明提出一种参数自适应调节的高斯混合模型目标检测方法,旨在提高高斯混合模型目标检测方法的性能。
本发明提出的一种参数自适应调节的高斯混合模型目标检测方法,具体包括如下步骤:
步骤一:对图像序列中的每一帧图像进行边缘检测,获得边缘检测序列。
进行边缘检测具体是:首先,对图像进行滤波;其次,计算图像的梯度幅值和方向,得到图像的梯度幅值矩阵和梯度方向矩阵;然后,进行非极大值抑制;最后,进行边缘检测和连接。
所述的非极大值抑制具体是:根据图像的梯度幅度矩阵和梯度方向矩阵,判断图像中某像素点是否为极大值点,如果是,设置S(x,y)=1,否则,设置S(x,y)=0;其中S(x,y)表示图像中在(x,y)位置像素点的灰度值。
所述的边缘检测和连接具体是:首先,设置高阈值H和低阈值L,将原始图像的灰度值从低到高排序,选取前80%个灰度值中的最大的灰度值作为高阈值H,低阈值L为高阈值H的二分之一;然后,将经过非极大值抑制处理之后的图像中高于H的像素点作为边缘点,在边缘点的断点处的8邻域内寻找大于等于低阈值L的像素点作为边缘点,将边缘点连接直到整个图像边缘达到闭合。
步骤二:为步骤一得到的边缘检测序列建立参数自适应调节的高斯混合模型。
步骤2.1,对图像中每一个像素点使用k个高斯分布的组合来建模,k为大于2的整数,设图像序列中t时刻图像的边缘检测矩阵中像素点(x,y)的像素值为xt,该像素点的概率密度函数ρ(xt)可以表示为:
N(xt;θi,t)=N(xt;μi,t,Σi,t)
其中ωi,t是t时刻第i个高斯分布的权重,N(xt;θi,t)表示t时刻第i个高斯分布函数,θi,t表示参数μi,t和Σi,t,μi,t是t时刻第i个高斯分布的均值,Σi,t表示t时刻第i个高斯分布的方差矩阵,I为单位矩阵,σi,t是t时刻第i个高斯分布的方差。
步骤2.2,利用第一帧图像为每个像素点建立初步的高斯混合模型,然后遍历后续图像帧中的每个像素点,让每个像素点xt同建立的相应高斯混合模型中的k个高斯分布进行匹配。匹配规则为:如果当前图像中的某一个像素值xt与相应高斯混合模型的第i个高斯分布的均值μi,t-1的差值在2.5倍的方差σi,t-1范围内,即满足下式:
|xt-μi,t-1|<2.5σi,t-1
则表示xt与该高斯分布匹配;其中,μi,t-1为t-1时刻第i个高斯分布的均值,σi,t-1为t-1时刻时第i个高斯分布的方差;否则,判定xt与该高斯分布为不匹配。
步骤2.3,如果存在与像素值xt匹配的高斯分布,进行参数更新如下:
更新t时刻第i个高斯分布的权重ωi,t为:
ωi,t=(1-ηω)ωi,t-1+ηωMi,t
其中,ηω为权重的更新率,n为图像序列的总帧数,a为当前图像帧序号,ωi,t-1为t-1时刻第i个高斯分布的权重,Mi,t为权重决策值,取值为0或1。若xt与第i个高斯分布匹配,Mi,t=1;否则,Mi,t=0。
若xt与第i个高斯分布不匹配,不更新t时刻第i个高斯分布的均值和方差矩阵;
若xt与第i个高斯分布匹配,更新t时刻第i个高斯分布的均值μi,t和方差矩阵Σi,t如下:
μi,t=(1-ημ)μi,t-1+ημxt
Σi,t=(1-ησ)Σi,t-1+ησ(xt-μi,t)T(xt-μi,t)
其中,μi,t为t时刻第i个高斯分布的均值,ημ为均值的更新率,μi,t-1为t-1时刻第i个高斯分布的均值,Σi,t为t时刻第i个高斯分布的方差,ησ为方差的更新率,Σi,t-1为t-1时刻第i个高斯分布的方差,CI为第i个高斯分布的历史匹配数目之和,α为更新率,0≤α≤1。
如果不存在与像素值xt匹配的高斯分布,则将权重最小的高斯分布的均值设置为当前像素值,方差和权重设置为预设值。
步骤2.4,对于图像中每一个像素点的k个高斯分布,按照ωi,t/σi,t由大到小进行排列,利用前B个高斯分布来表征背景图像,B由如下公式表示:
其中,T1为阈值,取值范围为(0,1),b表示排序的第b个高斯分布,取值范围为[1,k]。当得到可以表述背景的高斯分布后,通过将当前像素点与表征背景的高斯分布进行匹配便可以检测出图像中的前景目标以及背景图像。
步骤三:利用步骤二所建立的参数自适应调节的高斯混合模型,对边缘检测序列进行检测,得到前景目标轮廓,将前景目标轮廓进行填充得到完整的前景运动目标。
本发明方法的优点和积极效果在于:本发明在建立高斯混合模型过程中,采用自适应的参数在线更新方法,提高了模型的收敛速度,减轻了误检程度;然后对图像的边缘序列建立参数自适应调节的高斯混合模型,降低了数据量,同时当发生光照变化时不会造成严重的误检现象。
附图说明
图1是本发明参数自适应调节的高斯混合模型目标检测方法的整体步骤流程图;
图2是本发明实例的目标检测实验效果图;其中,(a)为初始背景帧,(b)为第24帧,(c)为第41帧,(d)为第86帧;(e)、(f)和(g)为利用传统高斯混合模型分别对(b)、(c)和(d)进行检测的示意图;(h)、(i)、(j)是利用本发明的方法对(b)、(c)、(d)处理得到的前景目标检测图。
具体实施方式
下面将结合附图和实施例对本发明的技术方案作进一步的详细说明。
本发明提出一种参数自适应调节的高斯混合模型目标检测方法,通过在建立高斯混合模型过程中,采用自适应调节的参数在线更新方法,提高了模型的收敛速度;然后对图像的边缘序列建立参数自适应调节的高斯混合模型,降低了建立模型所需要的数据量,并且当发生光照变化时不会造成严重的误检现象。
本发明提出一种参数自适应调节的高斯混合模型目标检测方法,旨在提高高斯混合模型检测方法的性能,下面具体对实现步骤进行说明。
步骤一:对图像序列中的每一帧图像进行边缘检测,获得图像的边缘检测序列。
对每一帧原始图像进行下面步骤1.1~步骤1.4的处理。
步骤1.1,对图像进行滤波。常用的滤波方法主要有高斯滤波,即采用离散化的高斯函数得到一组归一化的高斯核。利用离散点上的高斯函数值作为权值,对采集到的灰度矩阵的每个元素做一定范围邻域内的加权平均。
高斯滤波器的实现方法一般有两种:一种是通过生成两个一维高斯核分别进行水平方向和垂直方向两次加权求得,另一种是利用一个二维的高斯核通过一次卷积运算实现。
一维高斯核:
其中,x表示在滤波窗口内当前像素点距离中心的距离,σ表示高斯函数的标准差,K表示离散化的高斯函数值。
二维高斯核:
其中,x表示在滤波窗口内当前像素点在水平方向上距离中心的距离,y表示在滤波窗口内当前像素点在垂直方向上距离中心的距离,σ表示高斯函数的标准差,K表示离散化的高斯函数值。
步骤1.2,计算图像的梯度幅值和方向。通过计算图像的梯度和幅值可以确定图像中变化最大的点,方便进行后续的非极大值抑制。
在求图像灰度值的梯度时,利用一阶有限差分来近似计算图像中各像素点的x和y方向的偏导数。具体做法是利用差分算子对图像中除图像边界以外的各像素点进行卷积运算,差分算子是计算图像中各像素点的x和y方向的偏导数模板。通过对图像执行卷积运算从而得到其在x和y方向的偏导数矩阵,进而计算出图像的梯度幅值矩阵和方向矩阵。本步骤采用的差分算子sx和sy为:
这两个矩阵是计算图像x方向偏导数和y方向偏导数的,则梯度幅值以及梯度方向则可以表达如下:
P[x,y]=(f[x,y+1]-f[x,y]+f[x+1,y+1]-f[x+1,y])/2
Q[x,y]=(f[x,y]-f[x+1,y]+f[x,y+1]-f[x+1,y+1])/2
(4)
θ[x,y]=arctan(Q[x,y]/P[x,y])
其中f(x,y)表示图像帧中坐标为(x,y)的像素的灰度值,M(x,y)表示该点的梯度幅值,θ(x,y)表示该点的梯度方向,P[x,y]为x方向的一阶偏导数矩阵,Q[x,y]为y方向的一阶偏导数矩阵。
通过公式(4)可以得到图像的梯度幅值矩阵M(x,y)和梯度方向矩阵θ(x,y),利用这两个矩阵可以将图像灰度点邻域强度值有显著变化的点以梯度的幅值和方向确定出来。因为某一像素点上的梯度方向就是该点的像素值在图像的像素值矩阵中变化最快的方向,所以通过利用该像素点的梯度幅值和方向在该点及其8邻域内进行线性插值便可以确定该点的像素值在其邻域内是否为极大值。若该点的像素值比其8邻域和通过线性插值得到的两个虚假的插值点都大,则该点便是8邻域内的极大值点。
步骤1.3,非极大值抑制。通过步骤1.2中介绍的方法可以确定图像中的极大值点和非极大值点。
由于图像边缘是像素值发生显著变化的点的集合,据此可以得出图像中的极大值点最可能是边缘点,而非极大值点可以被排除。那么如果当前像素点是极大值点,设置S(x,y)=1,否则,设置S(x,y)=0;其中S(x,y)表示图像中在(x,y)位置像素点的灰度值。
步骤1.4,边缘检测和连接。在本步骤中采用双阈值方法来减少假边缘的数量和连接断裂的边缘。设定一个高阈值H、一个低阈值L。将经过非极大值抑制处理之后的图像中高于H的像素点定为边缘点,其中含有较少量的假边缘,但是这样得到的边缘会存在断裂情况,故再利用低阈值L进行边缘连接。边缘连接具体操作是在边缘点的断点处的8邻域点寻找大于等于低阈值L的像素点,再根据找到的像素点进行边缘连接,直到整个图像边缘达到闭合,最后得到图像的边缘检测序列。
其中高低阈值设定如下:
将原始图像的灰度值从低到高排序,选取前80%个灰度值中的最大的灰度值作为高阈值H,低阈值L为高阈值H的二分之一。
本发明步骤一中的边缘检测方法相比一般的边缘检测方法,如Sobel检测算法、Prewitt检测算法而言,具有低误码率、高定位精度和抑制虚假边缘等优点。
通过步骤1.1~1.4的处理,获取图像的边缘检测矩阵,对图像序列都通过上面处理,获得对应的边缘检测序列。
步骤二:为步骤一得到的边缘检测序列建立参数自适应调节(权重更新率、均值更新率和方差更新率)的高斯混合模型。
步骤2.1,图像的边缘检测矩阵中每一个像素点使用k个高斯分布的组合来建模,k为大于2的整数,本发明实施例中取值范围为[3,5]。对于图像序列中t时刻的边缘检测矩阵中的某一个像素点(x,y),设定其像素值为xt,定义当前t时刻像素点的概率密度函数ρ(xt)为k个高斯模型的概率密度函数加权和,为:
N(xt;θi,t)=N(xt;μi,t,Σi,t)(6)
其中,ωi,t是t时刻第i个高斯分布的权重,N(xt;θi,t)表示t时刻第i个高斯分布函数,θi,t表示参数μi,t和Σi,t,μi,t是t时刻第i个高斯分布的均值,Σi,t表示t时刻第i个高斯分布的方差矩阵;I为单位矩阵,σi,t是t时刻第i个高斯分布的方差。
步骤2.2,利用第一帧图像为每个像素点建立初步的高斯混合模型,之后遍历后续图像帧每个像素点。每个像素点xt同建立的k个高斯分布进行匹配。匹配规则为:如果当前图像中的某一个像素值xt与相应高斯混合的第i个高斯分布的均值μi,t-1的差值在2.5倍的方差σi,t-1范围内,其中σi,t-1为t-1时刻时第i个高斯分布的方差,则表示与该分布匹配,即满足下式:
|xt-μi,t-1|<2.5σi,t-1(8)
否则,判定xt与该高斯分布为不匹配。
步骤2.3,如果存在与之匹配的高斯分布,那么t时刻第i个高斯分布的权重ωi,t的更新公式为:
ωi,t=(1-ηω)ωi,t-1+ηωMi,t
(9)
其中ηω为权重的更新率,n为图像序列的总帧数,a为当前图像帧序号,ωi,t-1为t-1时刻第i个高斯分布的权重,Mi,t为权重决策值,取值为0或1。若像素值xt与第i个高斯分布匹配,Mi,t=1;否则,若像素值xt与第i个高斯分布不匹配,Mi,t=0,这样能够保证匹配的高斯分布的权重越来越大,不匹配的权重越来越小。
若xt与第i个高斯分布不匹配,不更新第i个高斯分布的均值和方差矩阵,保持未匹配的高斯分布的均值和方差矩阵不变。
若xt与第i个高斯分布匹配,则第i个高斯分布的均值和方差矩阵的更新公式如下:
μi,t=(1-ημ)μi,t-1+ημxt
Σi,t=(1-ησ)Σi,t-1+ησ(xt-μi,t)T(xt-μi,t)(10)
其中,μi,t为t时刻第i个高斯分布的均值,ημ为均值的更新率,μi,t-1为t-1时刻第i个高斯分布的均值,Σi,t为t时刻第i个高斯分布的方差,ησ为方差的更新率,Σi,t-1为t-1时刻第i个高斯分布的方差,CI为第i个高斯分布的历史匹配数目之和,则当CI较小的时候,更新率采用1/CI;当匹配的高斯分布数量较多的时候,采用传统的更新率α,0≤α≤1。本发明采用这样的参数更新机制考虑了背景模型的匹配情况,相比传统的混合高斯模型,该方法有更好的收敛率。
如果不存在与像素值xt匹配的高斯分布,则不再进行权重更新,需要将权重最小的高斯分布进行替换。具体将权重最小的高斯分布的均值设置为当前像素值,方差和权重均设置为预设的值,其中预设的方差为初始较大值,本发明实验中取6,预设的权重为初始较小值,本发明实验中取0。
步骤2.4,对于图像中每一个像素点的k个高斯分布,按照ωi,t/σi,t由大到小进行排列,那么值大的高斯分布便会到最前面,值小的高斯分布便会排到最后面。其中ωi,t和σi,t表示t时刻像素点的第i个高斯分布的权值和标准差。利用最可能描述背景图像的前B个高斯分布来表征背景图像,B可以由如下公式表示:
其中,阈值T1在实验中一般选取0.7,b表示排序的第b个高斯分布,取值范围为[1,k]。按照优先级次序将xt与前B个高斯分布逐一匹配,匹配规则如式(8)所示。若没有表示背景分布的高斯分布与像素点xt匹配,则判定该点为前景点,否则为背景点。通过对当前图像进行这样的处理,便可以检测出图像中的前景目标以及背景图像。
步骤二建立的参数自适应调节的高斯混合模型,该模型的权重更新率随着帧数的增加而减小,均值和方差的更新率随着该高斯分布历史匹配数目的增加而减小,以此来获得更快的模型收敛速度,降低误检程度。
步骤三:利用步骤二所建立的参数自适应调节的高斯混合模型,对边缘检测序列进行检测,得到前景目标轮廓,对前景目标轮廓进行填充得到完整的前景运动目标。
由于噪声的影响,检测到的前景目标边缘会存在间断,利用形态学中的闭运算对断裂处进行连接处理,具体做法为先对图像进行膨胀运算然后进行腐蚀运算。闭运算可以填补前景物体中存在的细小空洞,连接邻近物体,并能够平滑边界,填补轮廓中存在的细小断裂。
在后期处理部分中,主要是实现前景目标的边缘连接和孔洞填充,从而提取出完整的前景运动目标。
表1展示传统的高斯混合模型检测方法与本发明提出的参数自适应调节的高斯混合模型目标检测方法的检测速度对比表。可以看到,本发明提出的方法相对于传统的高斯混合模型检测方法平均可以提升检测速度28.574%。
表1检测速度比较
图2展示了本发明的方法与参考方法的实验检测效果图。其中图(a)是第一帧背景帧,可以看到在第一帧中存在运动物体,图(b)、(c)、(d)是原始图像帧,分布为第24、41和86帧;此处(a)~(d)为原始图像的灰度示意图;图(e)、(f)、(g)是利用传统的高斯混合模型检测方法对(b)、(c)、(d)处理得到的前景目标序列图,图(h)、(i)、(j)是利用本发明的方法对(b)、(c)、(d)处理得到的前景目标检测图。可以明显看到,图(f)由于传统高斯模型参数更新缓慢,不能快速地将后续帧更新到背景中,造成了严重的误检现象;图(g)由于地面光照变化的影响造成前景检测扰乱;从图(h)、(i)、(j)来看,本发明提出的参数自适应调节的高斯混合模型目标检测方法在模型收敛速度和光照变化影响方面相比传统的高斯混合模型都有明显的改善。
Claims (3)
1.一种参数自适应调节的高斯混合模型目标检测方法,其特征在于,实现步骤如下:
步骤一:对图像序列中的每一帧图像进行边缘检测,获得边缘检测序列;
进行边缘检测具体是:首先,对图像进行滤波;其次,计算图像的梯度幅值和方向;然后,进行非极大值抑制;最后,进行边缘检测和连接;
步骤二:为得到的边缘检测序列建立参数自适应调节的高斯混合模型;
步骤2.1,对图像中的每个像素点使用k个高斯分布的组合来建模,k为大于2的整数,设t时刻图像的边缘检测矩阵的像素点(x,y)的像素值为xt,该像素点的概率密度函数ρ(xt)为:
其中,ωi,t是t时刻第i个高斯分布的权重,N(xi;θi,t)表示t时刻第i个高斯分布函数,μi,t是t时刻第i个高斯分布的均值,∑i,t表示t时刻第i个高斯分布的方差矩阵;I为单位矩阵,σi,t是t时刻第i个高斯分布的方差;
步骤2.2,利用第一帧图像为每个像素点建立初步的高斯混合模型,然后遍历后续图像帧中的每个像素点,让每个像素点xt同建立的相应高斯混合模型中的各高斯分布进行匹配;匹配规则为:对于xt与相应高斯混合模型中的第i个高斯分布,如果满足|xi-μi,t-1|<2.5σt,t-1,则xt与该高斯分布匹配,否则xt与该高斯分布不匹配;μi,i-1为t-1时刻第i个高斯分布的均值,σi,t-1为t-1时刻第i个高斯分布的方差;
步骤2.3,如果存在与像素值xt匹配的高斯分布,则进行参数更新如下:
更新t时刻第i个高斯分布的权重ωi,t为:ωi,t=(1-ηω)ωi,t-1+ηωMi,t,a=1,2,...,n;其中,ηω为权重的更新率,ωi,t-1为t-1时刻第i个高斯分布的权重,n为图像序列的总帧数,a为当前图像帧序号,Mi,t为权重决策值,若xt与第i个高斯分布匹配,Mi,t=1,否则Mi,t=0;
若xt与第i个高斯分布匹配,更新t时刻第i个高斯分布的均值μi,t和方差矩阵∑i,t如下:
μi,t=(1-ημ)μi,t-1+ημxt
∑i,t=(1-ησ)∑i,t-1+ησ(xt-μi,t)T(xt-μi,t)
其中,ημ为均值的更新率,ησ为方差的更新率,∑i,t-1为t-1时刻第i个高斯分布的方差矩阵,CI为第i个高斯分布的历史匹配数目之和,α为更新率;
若xt与第i个高斯分布不匹配,不更新t时刻第i个高斯分布的均值和方差矩阵;
如果不存在与像素值xt匹配的高斯分布,则将权重最小的高斯分布的均值设置为当前像素值,方差和权重设置为预设值;
步骤2.4,对于图像中每一个像素点的k个高斯分布,按照ωi,t/σi,t由大到小进行排列,利用前B个高斯分布来表征背景图像,B由如下公式表示:
其中,T1为阈值,取值范围为(0,1),b表示排序的第b个高斯分布,取值范围为[1,k];
当得到表征背景图像的B个高斯分布后,通过将当前像素点与所述的B个高斯分布进行匹配检测出图像中的前景目标以及背景图像;
步骤三:利用步骤二所建立的参数自适应调节的高斯混合模型,对边缘检测序列进行检测,得到前景目标轮廓,将前景目标轮廓进行填充得到完整的前景运动目标。
2.根据权利要求1所述的一种参数自适应调节的高斯混合模型目标检测方法,其特征在于,步骤一中所述的进行非极大值抑制,具体是:根据图像的梯度幅值矩阵和梯度方向矩阵,判断图像中像素点是否为极大值点,如果是,设置S(x,y)=1,否则,设置S(x,y)=0;其中S(x,y)表示图像中在(x,y)位置像素点的灰度值。
3.根据权利要求1所述的一种参数自适应调节的高斯混合模型目标检测方法,其特征在于,步骤一中所述的进行边缘检测和连接,具体是:首先,设置高阈值H和低阈值L,将原始图像的灰度值从低到高排序,选取前80%个灰度值中的最大的灰度值作为高阈值H,低阈值L为高阈值H的二分之一;然后,将经过非极大值抑制处理之后的图像中高于H的像素点作为边缘点,在边缘点的断点处的8邻域内寻找大于等于低阈值L的像素点作为边缘点,将边缘点连接直到整个图像边缘达到闭合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510318948.6A CN105046683A (zh) | 2014-12-31 | 2015-06-11 | 一种参数自适应调节的高斯混合模型目标检测方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410855668 | 2014-12-31 | ||
CN201510318948.6A CN105046683A (zh) | 2014-12-31 | 2015-06-11 | 一种参数自适应调节的高斯混合模型目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105046683A true CN105046683A (zh) | 2015-11-11 |
Family
ID=54453201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510318948.6A Pending CN105046683A (zh) | 2014-12-31 | 2015-06-11 | 一种参数自适应调节的高斯混合模型目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105046683A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295716A (zh) * | 2016-08-23 | 2017-01-04 | 广东工业大学 | 一种基于视频信息的交通运动目标分类方法及装置 |
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 |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
CN107368784A (zh) * | 2017-06-15 | 2017-11-21 | 西安理工大学 | 一种基于小波分块的新颖的背景差分法运动目标检测方法 |
CN109359622A (zh) * | 2018-11-08 | 2019-02-19 | 西北工业大学 | 一种基于高斯混合模型的肌电动作识别在线更新算法 |
CN109543608A (zh) * | 2018-11-22 | 2019-03-29 | 中国科学院西安光学精密机械研究所 | 一种基于高斯混合模型的高光谱海上小目标实时检测方法 |
CN111080674A (zh) * | 2019-12-18 | 2020-04-28 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
CN111401280A (zh) * | 2020-03-23 | 2020-07-10 | 上海电力大学 | 一种基于灰度共生矩阵调整学习率的图像识别方法 |
CN112101148A (zh) * | 2020-08-28 | 2020-12-18 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN112637593A (zh) * | 2020-12-18 | 2021-04-09 | 郑州师范学院 | 基于人工智能和视频分析的视频编码优化方法 |
CN113177960A (zh) * | 2021-05-28 | 2021-07-27 | 高小翎 | 边缘支持背景建模的roi监控视频提取平台 |
-
2015
- 2015-06-11 CN CN201510318948.6A patent/CN105046683A/zh active Pending
Non-Patent Citations (6)
Title |
---|
DAR-SHYANG LEE: "Effective Gaussian Mixture Learning for Video Background Subtraction", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
任克强等: "自适应学习的混合高斯模型运动目标检测算法", 《计算机工程与设计》 * |
刘昊等: "基于改进混合高斯模型的运动目标检测算法", 《中南大学学报(自然科学版)》 * |
李颖宏等: "一种基于边缘高斯混合模型的运动目标检测方法", 《系统仿真学报》 * |
潘欣艳等: "边缘检测与混合高斯模型相融合的运动目标检测算法", 《微型机与应用》 * |
龚声蓉编著: "《数字图像处理与分析 第2版》", 31 May 2014, 北京:清华大学出版社 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295716A (zh) * | 2016-08-23 | 2017-01-04 | 广东工业大学 | 一种基于视频信息的交通运动目标分类方法及装置 |
CN107133974B (zh) * | 2017-06-02 | 2019-08-27 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
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 |
CN107133974A (zh) * | 2017-06-02 | 2017-09-05 | 南京大学 | 高斯背景建模与循环神经网络相结合的车型分类方法 |
CN107368784A (zh) * | 2017-06-15 | 2017-11-21 | 西安理工大学 | 一种基于小波分块的新颖的背景差分法运动目标检测方法 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
CN109359622B (zh) * | 2018-11-08 | 2021-07-09 | 西北工业大学 | 一种基于高斯混合模型的肌电动作识别在线更新算法 |
CN109359622A (zh) * | 2018-11-08 | 2019-02-19 | 西北工业大学 | 一种基于高斯混合模型的肌电动作识别在线更新算法 |
CN109543608A (zh) * | 2018-11-22 | 2019-03-29 | 中国科学院西安光学精密机械研究所 | 一种基于高斯混合模型的高光谱海上小目标实时检测方法 |
CN109543608B (zh) * | 2018-11-22 | 2022-12-09 | 中国科学院西安光学精密机械研究所 | 一种基于高斯混合模型的高光谱海上小目标实时检测方法 |
CN111080674A (zh) * | 2019-12-18 | 2020-04-28 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
CN111080674B (zh) * | 2019-12-18 | 2023-11-14 | 上海无线电设备研究所 | 一种基于混合高斯模型的多目标isar关键点提取方法 |
CN111401280A (zh) * | 2020-03-23 | 2020-07-10 | 上海电力大学 | 一种基于灰度共生矩阵调整学习率的图像识别方法 |
CN112101148A (zh) * | 2020-08-28 | 2020-12-18 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN112101148B (zh) * | 2020-08-28 | 2024-05-03 | 普联国际有限公司 | 一种运动目标检测方法、装置、存储介质及终端设备 |
CN112637593A (zh) * | 2020-12-18 | 2021-04-09 | 郑州师范学院 | 基于人工智能和视频分析的视频编码优化方法 |
CN113177960A (zh) * | 2021-05-28 | 2021-07-27 | 高小翎 | 边缘支持背景建模的roi监控视频提取平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046683A (zh) | 一种参数自适应调节的高斯混合模型目标检测方法 | |
CN108961217B (zh) | 一种基于正例训练的表面缺陷检测方法 | |
CN103971386A (zh) | 一种动态背景场景下的前景检测方法 | |
CN102385690B (zh) | 基于视频图像的目标跟踪方法及系统 | |
CN103364410B (zh) | 一种基于模板搜索的水工混凝土结构水下表面裂缝检测方法 | |
CN104424638A (zh) | 一种基于遮挡情况下的目标跟踪方法 | |
CN103871062B (zh) | 一种基于超像素描述的月面岩石检测方法 | |
CN105354791A (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN107909053B (zh) | 一种基于等级学习级联卷积神经网络的人脸检测方法 | |
CN104463121A (zh) | 人群密度信息获取方法 | |
CN103456009B (zh) | 目标检测方法与装置、监控系统 | |
CN104952256A (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN102339390B (zh) | 一种视频监控系统目标模板的更新方法及系统 | |
CN102073852A (zh) | 基于最优阈值和随机标号法的多车辆分割方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN111325711A (zh) | 一种基于深度学习的染色体分裂相图像质量评价方法 | |
CN106204586A (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN103942812A (zh) | 基于混合高斯与边缘检测的运动目标检测方法 | |
CN1702684A (zh) | 高噪声图像特征点自动提取方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN112528868A (zh) | 一种基于改进Canny边缘检测算法的违章压线判别方法 | |
CN102800105B (zh) | 基于运动矢量的目标检测方法 | |
CN110245672B (zh) | 基于快速视网膜特征点匹配及多尺度分割的浮选破碎气泡检测方法 | |
CN103761520B (zh) | 基于笔划宽度的文档图像无参二值化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151111 |