CN105184751A - 一种基于改进聚类的连通性运动物体检测方法 - Google Patents
一种基于改进聚类的连通性运动物体检测方法 Download PDFInfo
- Publication number
- CN105184751A CN105184751A CN201510607729.XA CN201510607729A CN105184751A CN 105184751 A CN105184751 A CN 105184751A CN 201510607729 A CN201510607729 A CN 201510607729A CN 105184751 A CN105184751 A CN 105184751A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- image
- point
- pixel point
- 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
Abstract
一种基于改进聚类的连通性运动物体检测方法,把连续的两帧图像转化为灰度图像;然后采用C-聚类对图像进行分割,图像相减得到差图像;对差图像中每一个像素点进行扫描;每扫描到一个像素点时,首先判断这个像素点的值是否为1,如果不为1的话,接着扫描下一个像素点;如果为1的话,进行步先把这个像素点的值赋为1000,再观测该像素点的8个自然邻点,如果在那8个自然邻点中没有像素值为1,结束循环,检测下一个像素点;如果在这8个自然邻点有像素值为1,则把该点的像素值赋为1000,并把连接长度加1;判断连接长度,若连接长度小于25的,则把这一串像素改为0;若连接长度大于25的,则把像素点改为1,再与原图比较,得出检测出运动目标的图像。
Description
技术领域
本发明涉及图像处理技术领域,提供了一种基于改进聚类的连通性运动物体检测方法。
背景技术
在当今信息时代,社会的发展突飞猛进,各行各业都离不开信息,尤其是图像信息。图像信息处理作为一门跨学科的前沿科技已经广泛的应用在各个领域。运动目标检测是图像信息处理中的重要课题,运动目标检测的结果,常常是下一步的目标跟踪、模式识别、图像理解等高级后处理的输入图像。在许多场合,比如说交通流量的监测等,我们往往对运动的物体更感兴趣。因此研究只对运动目标敏感的检测与跟踪系统是很有意义的。近几年来,随着多媒体技术的迅猛发展与计算机性能的不断提高,动态图像处理技术日益受到人们的青睐,并且取得了丰硕的成果,广泛应用于交通管理、军事目标跟踪、生物医学等领域。目标监测系统,可以用计算机代替值班人员在仓库、变电站、银行等重要地方进行监控。由于静态图像处理技术有一定的局限性,而动态图像比静态图像包含更多的信息,因此,引入运动监测很有必要。
运动目标检测是机器视觉、视频信息处理和应用视觉研究等领域中的重要课题。在实际应用中,利用运动目标检测算法进行图像分割的结果,常常是下一步的目标跟踪、模式识别、图像理解等高级后处理的输入图像。在现实生活中,大量的有意义的视觉信息包含在运动之中,甚至有些动物的眼睛经过进化,只能看见运动的物体。尽管人类视觉既能看见运动又能看见静止的物体,但是在许多场合,比如说交通流量的监测、重要场所的保安、航空和军用飞行器的制导、汽车的自动驾驶或辅助驾驶等,我们往往对运动的物体更感兴趣。因此研究只对运动目标敏感的检测与跟踪系统是很有意义的。此外,运动目标的研究对象是图像序列,而对图像序列的研究一般要比对单帧图像作静态分析容易。
发明内容
本发明的目的在于提供一种将采集到的图像中的运动物体进行识别,克服传统图像未经过聚类就进行差分,存在噪声大的问题。
一种基于改进聚类的连通性运动物体检测方法,其特征在于包括:
步骤1、把连续的两帧彩色jpg图像转化为灰度图像;
步骤2:从0至255中任意选取c个不同大小的值作为图像分割成c类的中心值,即采用0至255的整数初始化的值,令k=0;
步骤3:将图像中所有不同位置像素的灰度值g(x,y)(x=1,2,…,M,y=1,2,…,N)逐个按最小距离原则分划给c类中的某一类,即
如果 存在一个l∈{1,2,…,c};
则判定 为聚类,;
式中表示g(x,y)和的中心的距离,上角标表示迭代次数,于是产生新的聚类
步骤4:计算重新分类后的各类中心
式中为类中所含模式的个数;
步骤5、如果则进行步骤6;否则,k=k+1,转至步骤3;
步骤6、对步骤5输出的图像相减得到两帧灰度图像的差图像;
步骤7、对差图像中每一个像素点进行扫描;
步骤8、每扫描到一个像素点时,首先判断这个像素点的值是否为1,如果不为1的话,接着扫描下一个像素点;如果为1的话,进行步骤9;
步骤9、先把这个像素点的值赋为1000,再通过嵌套循环观测该像素点的8个自然邻点,如果在那8个自然邻点中没有像素值为1的点的话,就结束该次循环,接着检测下一个像素点;如果在这8个自然邻点有某些点的像素值为1,则把这些点的像素值赋为1000,并把连接长度加1,再对它的相邻像素点进行如此操作;
步骤10、判断连接长度,若连接长度小于25的,则可认为是背景中的点,则把这一串像素点的值由1000改回为0;若连接长度大于25的,则可认为是运动物体,则把这一串像素点的值由1000改回为1,再与原图比较,得出检测出运动目标的图像。
本发明采用的技术方案如下:
本发明先对图像进行聚类,再进行差分,这样有效的降低了图像的噪声。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
一种基于改进聚类的连通性运动物体检测方法,其特征在于包括:
步骤1、把连续的两帧彩色jpg图像转化为灰度图像;
步骤2:从0至255中任意选取c个不同大小的值作为图像分割成c类的中心值,即采用0至255的整数初始化的值,令k=0;
步骤3:将图像中所有不同位置像素的灰度值g(x,y)(x=1,2,…,M,y=1,2,…,N)逐个按最小距离原则分划给c类中的某一类,即
如果x=1,2,…,M,y=1,2,…,N,存在一个l∈{1,2,…,c};
则判定 为聚类,;
式中表示g(x,y)和的中心的距离,上角标表示迭代次数,于是产生新的聚类
步骤4:计算重新分类后的各类中心
式中为类中所含模式的个数;
步骤5、如果则进行步骤6;否则,k=k+1,转至步骤3;
步骤6、对步骤5输出的图像相减得到两帧灰度图像的差图像;
步骤7、对差图像中每一个像素点进行扫描;
步骤8、每扫描到一个像素点时,首先判断这个像素点的值是否为1,如果不为1的话,接着扫描下一个像素点;如果为1的话,进行步骤9;
步骤9、先把这个像素点的值赋为1000,再通过嵌套循环观测该像素点的8个自然邻点,如果在那8个自然邻点中没有像素值为1的点的话,就结束该次循环,接着检测下一个像素点;如果在这8个自然邻点有某些点的像素值为1,则把这些点的像素值赋为1000,并把连接长度加1,再对它的相邻像素点进行如此操作;
步骤10、判断连接长度,若连接长度小于25的,则可认为是背景中的点,则把这一串像素点的值由1000改回为0;若连接长度大于25的,则可认为是运动物体,则把这一串像素点的值由1000改回为1,再与原图比较,得出检测出运动目标的图像。
Claims (1)
1.一种基于改进聚类的连通性运动物体检测方法,其特征在于包括:
步骤1、把连续的两帧彩色jpg图像转化为灰度图像;
步骤2:从0至255中任意选取c个不同大小的值作为图像分割成c类的中心值,即采用0至255的整数初始化的值,令k=0;
步骤3:将图像中所有不同位置像素的灰度值g(x,y)(x=1,2,…,M,y=1,2,…,N)逐个按最小距离原则分划给c类中的某一类,即
如果 存在一个l∈{1,2,…,c};
则判定 为聚类,;
式中表示g(x,y)和的中心的距离,上角标表示迭代次数,于是产生新的聚类
步骤4:计算重新分类后的各类中心
式中为类中所含模式的个数;
步骤5、如果则进行步骤6;否则,k=k+1,转至步骤3;
步骤6、对步骤5输出的图像相减得到两帧灰度图像的差图像;
步骤7、对差图像中每一个像素点进行扫描;
步骤8、每扫描到一个像素点时,首先判断这个像素点的值是否为1,如果不为1的话,接着扫描下一个像素点;如果为1的话,进行步骤9;
步骤9、先把这个像素点的值赋为1000,再通过嵌套循环观测该像素点的8个自然邻点,如果在那8个自然邻点中没有像素值为1的点的话,就结束该次循环,接着检测下一个像素点;如果在这8个自然邻点有某些点的像素值为1,则把这些点的像素值赋为1000,并把连接长度加1,再对它的相邻像素点进行如此操作;
步骤10、判断连接长度,若连接长度小于25的,则可认为是背景中的点,则把这一串像素点的值由1000改回为0;若连接长度大于25的,则可认为是运动物体,则把这一串像素点的值由1000改回为1,再与原图比较,得出检测出运动目标的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510607729.XA CN105184751A (zh) | 2015-09-22 | 2015-09-22 | 一种基于改进聚类的连通性运动物体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510607729.XA CN105184751A (zh) | 2015-09-22 | 2015-09-22 | 一种基于改进聚类的连通性运动物体检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184751A true CN105184751A (zh) | 2015-12-23 |
Family
ID=54906806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510607729.XA Pending CN105184751A (zh) | 2015-09-22 | 2015-09-22 | 一种基于改进聚类的连通性运动物体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184751A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293722A (ja) * | 2006-04-26 | 2007-11-08 | Omron Corp | 画像処理装置、画像処理方法、画像処理プログラム、および画像処理プログラムを記録した記録媒体、ならびに移動物体検出システム |
CN102419906A (zh) * | 2011-08-16 | 2012-04-18 | 曾歆妍 | 车流量自动检测系统 |
CN103150735A (zh) * | 2013-03-26 | 2013-06-12 | 山东大学 | 一种基于灰度差值平均的图像边缘检测方法 |
-
2015
- 2015-09-22 CN CN201510607729.XA patent/CN105184751A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007293722A (ja) * | 2006-04-26 | 2007-11-08 | Omron Corp | 画像処理装置、画像処理方法、画像処理プログラム、および画像処理プログラムを記録した記録媒体、ならびに移動物体検出システム |
CN102419906A (zh) * | 2011-08-16 | 2012-04-18 | 曾歆妍 | 车流量自动检测系统 |
CN103150735A (zh) * | 2013-03-26 | 2013-06-12 | 山东大学 | 一种基于灰度差值平均的图像边缘检测方法 |
Non-Patent Citations (2)
Title |
---|
佚名: "图像聚类", 《HTTPS://WENKU.BAIDU.COM/VIEW/512A7873F242336C1EB95E07.HTML》 * |
冯文刚: "视频图像中运动物体的检测", 《HTTPS://WENKU.BAIDU.COM/VIEW/573DC5AA33D4B14E84246828.HTML》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860879B2 (en) | Deep convolutional neural networks for crack detection from image data | |
Zhang et al. | Automatic crack detection and classification method for subway tunnel safety monitoring | |
CN106327520B (zh) | 一种运动目标检测方法及系统 | |
US8712096B2 (en) | Method and apparatus for detecting and tracking vehicles | |
Bai et al. | Enhancement of dim small target through modified top-hat transformation under the condition of heavy clutter | |
CN106023245B (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
JP2017191501A (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN104700412A (zh) | 一种视觉显著图的计算方法 | |
Chun et al. | Floor detection based depth estimation from a single indoor scene | |
CN104077609A (zh) | 一种基于条件随机场的显著性检测方法 | |
Ottakath et al. | ViDMASK dataset for face mask detection with social distance measurement | |
Gao et al. | Visual saliency models for text detection in real world | |
Xia et al. | Visual crowding in driving | |
Bullkich et al. | Moving shadow detection by nonlinear tone-mapping | |
CN104217206A (zh) | 基于高清视频的实时上座率统计方法 | |
CN104050674B (zh) | 一种显著性区域检测方法及装置 | |
Fernandcz et al. | Image-based barcode detection and recognition to assist visually impaired persons | |
Budzan et al. | Improved human detection with a fusion of laser scanner and vision/infrared information for mobile applications | |
Anitta | Human head pose estimation based on HF method | |
CN105184751A (zh) | 一种基于改进聚类的连通性运动物体检测方法 | |
Liang et al. | Target detection with texture feature coding method and support vector machines | |
Duan et al. | Crowded abnormal detection based on mixture of kernel dynamic texture | |
Cao et al. | High performance adaptive fidelity algorithms for multi-modality optic nerve head image fusion | |
Sulaiman et al. | Human motion analysis using virtual reality | |
Guo et al. | Foreground target extraction method based on neighbourhood pixel intensity correction |
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 |
Application publication date: 20151223 |
|
WD01 | Invention patent application deemed withdrawn after publication |