CN105184820A - 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 - Google Patents
一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 Download PDFInfo
- Publication number
- CN105184820A CN105184820A CN201510586052.6A CN201510586052A CN105184820A CN 105184820 A CN105184820 A CN 105184820A CN 201510586052 A CN201510586052 A CN 201510586052A CN 105184820 A CN105184820 A CN 105184820A
- Authority
- CN
- China
- Prior art keywords
- background
- gradient
- model
- gray scale
- pixel
- 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
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
本发明提供一种融合图形梯度和灰度的背景建模和运动目标检测方法,包括1:采集N帧视频监控数据作为训练样本;2:建立基于图像灰度的单高斯模型;3:选取像素点建立梯度模型;4:运动目标检测。本发明还提供一种融合图形梯度和灰度的背景建模和运动目标检测装置,包括图像采集单元、灰度背景建模单元、梯度背景建模单元、模型判断单元、运动目标检测单元以及背景模型更新单元。本发明将背景通过灰度标准差区分为简单背景和复杂背景,并分别建立不同的背景模型描述;简单背景的背景模型能够快速、有效的对背景进行描述,复杂背景的背景模型能够很好的描述复杂背景的变化,从而有利于提高运动目标检测的准确率。
Description
技术领域
本发明涉及图像监控技术领域。
背景技术
背景建模技术是运动目标检测的关键技术,也是运动目标检测最常用的方法,对图像分析、视频内容分析效果、特征提取等都有很大帮助。但是,在实际应用场景中,背景并不完全固定,存在背景的运动、光照变化、相机抖动等问题,导致简单的背景模型无法良好的描述背景,在运动目标过程中出现较多的误检、漏检等情况,影响对图像、视频进一步分析的效果。
目前效果比较理想的背景建模方法包括:混合高斯模型、码本法、ViBe和PBAS等方法。混合高斯模型采用一个或多个高斯分布表示背景灰度变化和分布,可用于复杂、运动的背景建模,但是当背景物体运动较快时,一个或多个高斯模型不能很好的描述这种运动;ViBe算法利用单帧视频图像对背景模型进行初始化,对于每个像素点,结合其相邻像素点拥有相近像素值的空间分布特性,随机选择邻域像素点的灰度值作为它的模型样本值。ViBe算法较好的处理背景的突然变化,并且较好的简化了建模过程,但是由于采用了运动物体像素的灰度值作为模型的样本值,容易造成误检,产生拖影区域。当前的背景建模方法大部分采用基于像素的灰度统计方法,能够获得较细致的运动目标,但使用相同方法描述静止像素和运动像素,当背景中存在运动物体时,无法准确描述背景物体的运动。
发明内容
本发明所要解决的技术问题是提供一种融合图形梯度和灰度的背景建模和运动目标检测方法,能够较好地描述背景中物体运动的问题,解决背景技术中存在的问题。
本发明解决技术问题所采用的技术方案是:一种融合图形梯度和灰度的背景建模和运动目标检测方法,包括以下步骤:
步骤1:采集N帧视频监控数据作为训练样本;
步骤2:针对上述训练样本建立基于图像灰度的单高斯模型;
步骤3:选取像素点,并判断其属于简单背景还是复杂背景,对于复杂背景的像素点,计算该位置的图像梯度,并建立梯度模型。
所述的简单背景和复杂背景以一定的阈值为区分标准,可以设定某一阈值,认为灰度值的标准差小于该阈值的为简单背景,否则为复杂背景。
步骤4:运动目标检测,对符合灰度模型分布的运动目标更新相应的灰度背景模型;对符合梯度模型分布的运动目标更新相应的梯度背景模型。
在采用上述技术方案的同时,本发明还可以采用或者组合采用以下进一步的技术方案:
所述步骤3中的判断方法为:对于一个像素点,如果其灰度模型的标准差小于一定阈值,则认为该位置灰度变化较小,属于简单背景,采用灰度模型作为该位置的背景模型;否则,属于复杂背景。
所述步骤3中的建模方法为:
梯度的计算公式G(x,y)=f(x+1,y)+f(x,y+1)–2*f(x,y),其中f(x,y)为点(x,y)的灰度值;
灰度模型建立的具体过程:
步骤3.1、选择所有大于一定阈值的梯度;
步骤3.2、计算以上梯度的均值和标准差;
步骤3.3、将均值和标准差作为梯度模型的参数。
所述步骤4的具体判断方法为:首先判断当前像素是否有对应的梯度模型,如果没有,验证像素灰度是否符合灰度模型分布,不符合则认为是前景,不更新背景,否则为背景,更新相应的灰度背景模型;如果存在对应的梯度模型,验证对应的梯度是否符合梯度模型分布,不符合则认为是前景,不更新背景,否则为背景,更新相应的梯度背景模型。
所述步骤4具体包括以下步骤:
步骤4.1:如果当前像素没有对应的梯度背景模型,则验证像素的灰度值是否符合灰度背景模型分布,符合则是背景,否则为前景;并以一定更新率更新灰度背景模型:
μt=(1-ρ)*μt-1+ρ*yt
δt 2=(1-ρ)*δt-1 2+ρ*(yt-μt)T(yt-μt)
其中,ρ为背景的更新率,μ、δ分别为灰度值的均值和标准差,t表示时间,v表示二值化图像,yt表示当前像素灰度值,μt、δt分别表示该像素在t时刻的均值和标准差,μt-1和δt-1分别表示该像素在t-1时刻的均值和标准差;
步骤4.2:如果当前像素有对应的梯度背景模型,则计算像素梯度,如果梯度值小于一定阈值则判为背景,如果梯度值大于一定阈值,且与梯度均值的差值小于3倍梯度标准差则判为是背景,更新梯度背景模型,否则为前景。
本发明还提供一种融合图形梯度和灰度的背景建模和运动目标检测装置,该装置用于上述检测方法,并包括图像采集单元、灰度背景建模单元、梯度背景建模单元、模型判断单元、运动目标检测单元以及背景模型更新单元,所述图像采集单元用于采集监控图像,所述灰度背景建模单元用于建立灰度背景模型和判断哪些像素需要建立梯度背景模型,所述梯度背景建模单元用于建立梯度背景模型,所述模型判断单元用于判断哪些像素用灰度背景模型进行运动目标检测,哪些用梯度背景模型进行运动目标检测,所述运动目标检测单元对有灰度背景模型的像素,用于检测像素灰度是否符合灰度背景模型分布,区分前景和背景,对有梯度背景模型的像素,用于计算像素梯度,并检测像素梯度是否符合梯度背景模型分布,区分背景和前景,所述背景模型更新单元用于控制不同背景模型的更新;
所述图像采集单元连接至监控设备并采集其中的监控图像信息,所述图像采集单元连接至所述灰度背景建模单元并向其发送所采集的信息,所述灰度背景建模单元连接至所述梯度背景建模单元并向其发送需要建立梯度背景模型的信息,所述梯度背景建模单元连接至所述运动目标检测单元并向其发送梯度和灰度建模信息,所述运动目标检测单元连接至所述背景模型更新单元并向其发送所检测到的前景和背景信息。
本发明的有益效果是:本发明提出的一种融合图像梯度和灰度的背景建模和运动目标检测方法和装置是一个一体化的解决方案,具体有如下创新:1、将背景通过灰度标准差区分为简单背景和复杂背景,并分别建立不同的背景模型描述;简单背景的背景模型能够快速、有效的对背景进行描述,复杂背景的背景模型能够很好的描述复杂背景的变化,从而有利于提高运动目标检测的准确率。2、融合场景的时间信息和空间信息共同描述场景的变化,能否较好的描述背景物体的运动,从而减少运动检测的漏检和误检。3、为简单背景建立灰度背景模型,为复杂的背景变化建立梯度背景模型,保证在良好的检测效果前提下,提高建模和检测效率。
附图说明
图1是是本发明一种融合图像梯度和灰度的背景建模方法流程图。
图2是本发明一种融合图像梯度和灰度的运动目标检测方法流程图。
图3是本发明一种融合图像梯度和灰度的背景建模和运动目标检测装置结构图。
具体实施方式
实施例1,一种融合图形梯度和灰度的背景建模和运动目标检测方法。
参照附图1、2。
本发明的融合图形梯度和灰度的背景建模和运动目标检测方法包括以下步骤:
步骤1:
采集视频监控数据3000帧作为训练样本;
步骤2:
建立基于图像灰度的单高斯模型(μ,δ):
其中,fi表示像素点i的灰度值。
步骤3:
对于一个像素点,如果其灰度模型的标准差小于20,则认为该位置灰度变化较小,属于简单背景,采用灰度模型作为该位置的背景模型;否则,属于复杂背景,计算该位置的图像梯度G:
G(x,y)=f(x+1,y)+f(x,y+1)–2*f(x,y)
其中f(x,y)为位于点(x,y)的灰度值。
建立基于梯度的模型作为该位置的背景模型。
1、选择所有大于35的梯度;
2、计算以上梯度的均值和标准差;
3、将均值和标准差作为梯度模型的参数。
步骤4:
在运动目标检测阶段,首先判断当前像素是否有对应的梯度模型,如果没有,验证像素灰度是否符合灰度模型分布,不符合则认为是前景,否则为背景,更新相应的灰度背景模型;
μt=(1-ρ)*μt-1+ρ*yt
δt 2=(1-ρ)*δt-1 2+ρ*(yt-μt)T(yt-μt)
其中,ρ为背景的更新率,μ、δ分别为灰度值的均值和标准差,t表示时间,v表示二值化图像,yt表示当前像素灰度值,μt、δt分别表示该像素在t时刻的均值和标准差,μt-1和δt-1分别表示该像素在t-1时刻的均值和标准差,T表示矩阵;
如果当前像素有对应的梯度背景模型,则计算像素梯度,如果梯度值小于35,则判为背景,且不更新背景,如果梯度值大于35,且与梯度均值的差值小于3倍梯度标准差则认为是背景,并更新梯度背景模型,否则为前景。
实施例2,一种融合图形梯度和灰度的背景建模和运动目标检测装置。
参照附图3。
本发明的融合图形梯度和灰度的背景建模和运动目标检测装置用于实施例1的检测方法,并包括图像采集单元1、灰度背景建模单元2、梯度背景建模单元3、模型判断单元4、运动目标检测单元5以及背景模型更新单元6,所述图像采集单元1用于采集监控图像,所述灰度背景建模单元2用于建立灰度背景模型和判断哪些像素需要建立梯度背景模型,所述梯度背景建模单元3用于建立梯度背景模型,所述模型判断单元4用于判断哪些像素用灰度背景模型进行运动目标检测,哪些用梯度背景模型进行运动目标检测,所述运动目标检测单元5对有灰度背景模型的像素,用于检测像素灰度是否符合灰度背景模型分布,区分前景和背景,对有梯度背景模型的像素,用于计算像素梯度,并检测像素梯度是否符合梯度背景模型分布,区分背景和前景,所述背景模型更新单元6用于控制不同背景模型的更新;
所述图像采集单元1连接至监控设备并采集其中的监控图像信息,所述图像采集单元1连接至所述灰度背景建模单元2并向其发送所采集的信息,所述灰度背景建模单元3连接至所述梯度背景建模单元4并向其发送需要建立梯度背景模型的信息,所述梯度背景建模单元4连接至所述运动目标检测单元5并向其发送梯度和灰度建模信息,所述运动目标检测单元5连接至所述背景模型更新单元6并向其发送所检测到的前景和背景信息。
Claims (6)
1.一种融合图形梯度和灰度的背景建模和运动目标检测方法,其特征在于:所述方法包括以下步骤:
步骤1:采集N帧视频监控数据作为训练样本;
步骤2:针对上述训练样本建立基于图像灰度的单高斯模型;
步骤3:选取像素点,并判断其属于简单背景还是复杂背景,对于复杂背景的像素点,计算该位置的图像梯度,并建立梯度模型。
步骤4:运动目标检测,对符合灰度模型分布的运动目标更新相应的灰度背景模型;对符合梯度模型分布的运动目标更新相应的梯度背景模型。
2.如权利要求1所述的一种融合图形梯度和灰度的背景建模和运动目标检测方法,其特征在于:所述步骤3中的判断方法为:对于一个像素点,如果其灰度模型的标准差小于一定阈值,则认为该位置灰度变化较小,属于简单背景,采用灰度模型作为该位置的背景模型;否则,属于复杂背景。
3.如权利要求2所述的一种融合图形梯度和灰度的背景建模和运动目标检测方法,其特征在于:所述步骤3中的建模方法为:
梯度的计算公式G(x,y)=f(x+1,y)+f(x,y+1)–2*f(x,y),其中f(x,y)为点(x,y)的灰度值;
灰度模型建立的具体过程:
步骤3.1、选择所有大于一定阈值的梯度;
步骤3.2、计算以上梯度的均值和标准差;
步骤3.3、将均值和标准差作为梯度模型的参数。
4.如权利要求1所述一种融合图形梯度和灰度的背景建模和运动目标检测方法,其特征在于:所述步骤4的具体判断方法为:首先判断当前像素是否有对应的梯度模型,如果没有,验证像素灰度是否符合灰度模型分布,不符合则认为是前景,不更新背景,否则为背景,更新相应的灰度背景模型;如果存在对应的梯度模型,验证对应的梯度是否符合梯度模型分布,不符合则认为是前景,不更新背景,否则为背景,更新相应的梯度背景模型。
5.如权利要求4所述的一种融合图形梯度和灰度的背景建模和运动目标检测方法,其特征在于:所述步骤4具体包括以下步骤:
步骤4.1:如果当前像素没有对应的梯度背景模型,则验证像素的灰度值是否符合灰度背景模型分布,符合则是背景,否则为前景;并以一定更新率更新灰度背景模型:
μt=(1-ρ)*μt-1+ρ*yt
δt 2=(1-ρ)*δt-1 2+ρ*(yt-μt)T(yt-μt)
其中,ρ为更新率,μ、δ分别为灰度值的均值和标准差,t表示时间,v表示二值化图像,yt表示当前像素灰度值,μt、δt分别表示该像素在t时刻的均值和标准差,T表示矩阵;
步骤4.2:如果当前像素有对应的梯度背景模型,则计算像素梯度,如果梯度值小于一定阈值则判为背景,如果梯度值大于一定阈值,且与梯度均值的差值小于3倍梯度标准差则判为是背景,更新梯度背景模型,否则为前景。
6.一种融合图像梯度和灰度的背景建模和运动目标检测装置,其特征在于:所述运动目标检测装置包括图像采集单元、灰度背景建模单元、梯度背景建模单元、模型判断单元、运动目标检测单元以及背景模型更新单元,所述图像采集单元用于采集监控图像,所述灰度背景建模单元用于建立灰度背景模型和判断哪些像素需要建立梯度背景模型,所述梯度背景建模单元用于建立梯度背景模型,所述模型判断单元用于判断哪些像素用灰度背景模型进行运动目标检测,哪些用梯度背景模型进行运动目标检测,所述运动目标检测单元对有灰度背景模型的像素,用于检测像素灰度是否符合灰度背景模型分布,区分前景和背景,对有梯度背景模型的像素,用于计算像素梯度,并检测像素梯度是否符合梯度背景模型分布,区分背景和前景,所述背景模型更新单元用于控制不同背景模型的更新;
所述图像采集单元连接至监控设备并采集其中的监控图像信息,所述图像采集单元连接至所述灰度背景建模单元并向其发送所采集的信息,所述灰度背景建模单元连接至所述梯度背景建模单元并向其发送需要建立梯度背景模型的信息,所述梯度背景建模单元连接至所述运动目标检测单元并向其发送梯度和灰度建模信息,所述运动目标检测单元连接至所述背景模型更新单元并向其发送所检测到的前景和背景信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510586052.6A CN105184820B (zh) | 2015-09-15 | 2015-09-15 | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510586052.6A CN105184820B (zh) | 2015-09-15 | 2015-09-15 | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184820A true CN105184820A (zh) | 2015-12-23 |
CN105184820B CN105184820B (zh) | 2018-03-13 |
Family
ID=54906872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510586052.6A Active CN105184820B (zh) | 2015-09-15 | 2015-09-15 | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184820B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415370A (zh) * | 2020-04-13 | 2020-07-14 | 中山大学 | 一种基于嵌入式的红外复杂场景目标实时跟踪方法及系统 |
CN112927178A (zh) * | 2019-11-21 | 2021-06-08 | 中移物联网有限公司 | 遮挡检测方法、装置、电子设备以及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070117393A (ko) * | 2006-06-08 | 2007-12-12 | 삼성전자주식회사 | 사전 모양 정보를 이용한 디지털 영상에서의 물체를추출하기 위한 방법 및 상기 방법을 수행하는 시스템 |
CN101609552A (zh) * | 2009-03-30 | 2009-12-23 | 浙江工商大学 | 有限复杂背景下视频目标的特征检测方法 |
US20100119147A1 (en) * | 2005-06-17 | 2010-05-13 | Microsoft Corporation | Image segmentation |
CN102054277A (zh) * | 2009-11-09 | 2011-05-11 | 深圳市朗驰欣创科技有限公司 | 一种运动目标的检测方法、系统及视频分析系统 |
CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
CN103020987A (zh) * | 2012-11-27 | 2013-04-03 | 天津艾思科尔科技有限公司 | 基于多背景模型的快速前景检测方法 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
-
2015
- 2015-09-15 CN CN201510586052.6A patent/CN105184820B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100119147A1 (en) * | 2005-06-17 | 2010-05-13 | Microsoft Corporation | Image segmentation |
KR20070117393A (ko) * | 2006-06-08 | 2007-12-12 | 삼성전자주식회사 | 사전 모양 정보를 이용한 디지털 영상에서의 물체를추출하기 위한 방법 및 상기 방법을 수행하는 시스템 |
CN101609552A (zh) * | 2009-03-30 | 2009-12-23 | 浙江工商大学 | 有限复杂背景下视频目标的特征检测方法 |
CN102054277A (zh) * | 2009-11-09 | 2011-05-11 | 深圳市朗驰欣创科技有限公司 | 一种运动目标的检测方法、系统及视频分析系统 |
CN102629384A (zh) * | 2012-02-28 | 2012-08-08 | 成都三泰电子实业股份有限公司 | 视频监控中异常行为的检测方法 |
CN103020987A (zh) * | 2012-11-27 | 2013-04-03 | 天津艾思科尔科技有限公司 | 基于多背景模型的快速前景检测方法 |
CN104392468A (zh) * | 2014-11-21 | 2015-03-04 | 南京理工大学 | 基于改进视觉背景提取的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
左军毅 等: ""基于模型切换的自适应背景建模方法"", 《自动化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927178A (zh) * | 2019-11-21 | 2021-06-08 | 中移物联网有限公司 | 遮挡检测方法、装置、电子设备以及存储介质 |
CN111415370A (zh) * | 2020-04-13 | 2020-07-14 | 中山大学 | 一种基于嵌入式的红外复杂场景目标实时跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105184820B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018032660A1 (zh) | 一种运动目标检测方法及系统 | |
CN100544446C (zh) | 用于视频监控的实时运动检测方法 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN103477352A (zh) | 使用深度图像的姿势识别 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN102393901B (zh) | 基于混杂特征的交通流信息感知方法及系统 | |
CN104574440A (zh) | 一种视频运动目标跟踪方法及装置 | |
CN104252709B (zh) | 一种复杂背景下俯视群养猪多目标前景检测方法 | |
CN105163110A (zh) | 摄像头清洁度的检测方法、检测系统及拍摄终端 | |
CN102307274A (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN104318588A (zh) | 一种基于位置感知判别外观模型的多摄像机目标跟踪方法 | |
CN104835179A (zh) | 基于动态背景自适应的改进ViBe背景建模算法 | |
CN104700405A (zh) | 一种前景检测方法和系统 | |
CN104463165A (zh) | 一种融合Canny算子与Vibe算法的目标检测方法 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN105069441A (zh) | 一种基于背景更新与粒子群算法的运动车辆检测方法 | |
CN104331714A (zh) | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 | |
CN105303581A (zh) | 一种自适应参数的运动目标检测方法 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN103945089A (zh) | 基于亮度闪烁修正及IP camera的动态目标检测方法 | |
CN103679677A (zh) | 一种基于模型互更新的双模图像决策级融合跟踪方法 | |
CN108133491A (zh) | 一种实现动态目标跟踪的方法 | |
CN104574381A (zh) | 一种基于局部二值模式的全参考图像质量评价方法 | |
CN105321188A (zh) | 基于前景概率的目标跟踪方法 | |
CN109035296A (zh) | 一种改进的视频中运动物体检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |