CN105631405B - 基于多级分块的交通视频智能识别背景建模方法 - Google Patents

基于多级分块的交通视频智能识别背景建模方法 Download PDF

Info

Publication number
CN105631405B
CN105631405B CN201510955922.2A CN201510955922A CN105631405B CN 105631405 B CN105631405 B CN 105631405B CN 201510955922 A CN201510955922 A CN 201510955922A CN 105631405 B CN105631405 B CN 105631405B
Authority
CN
China
Prior art keywords
background
characteristic value
block
cslbp
value
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.)
Active
Application number
CN201510955922.2A
Other languages
English (en)
Other versions
CN105631405A (zh
Inventor
谢寒
蒋阳升
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201510955922.2A priority Critical patent/CN105631405B/zh
Publication of CN105631405A publication Critical patent/CN105631405A/zh
Application granted granted Critical
Publication of CN105631405B publication Critical patent/CN105631405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多级分块的交通视频智能识别背景建模方法，用于解决现有技术中，视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果并不理想。该建模方法主要包括两个阶段：背景训练和前景提取两部分，两个阶段顺序进行，即首先通过训练阶段得出较为完整的背景模型，再进入前景检测阶段得到前景目标物。在背景训练中，本实施例融合了帧差法、对称局部二值法、分块密码本算法和分块法，采用多级的方式来对视频背景进行训练。对已经训练完成的背景采用背景差法提取前景目标物。

Description

基于多级分块的交通视频智能识别背景建模方法
技术领域
本发明涉及一种视频监控中的背景建模方法，尤其是涉及一种基于多级分块的交通视频智能识别背景建模方法。
背景技术
在智能视频监控领域，为了得到较为完整的前景目标物，较多采用背景差法。场景中较为固定的部分被认为是背景，由于前景目标物的存在，直接获取背景往往不可行，只有通过背景建模的方法来重建背景。因此，背景建模是视频智能识别的一项关键技术。国内外的研究已经提出大量的建模方法。但是，在复杂环境下，如前景目标物较多，背景有扰动的情况下，这些方法得出的前景目标物不太理想，直接导致前景目标物的误检、漏检。特别是在交通场景中，前景目标物较多、天气变化造成光线突变化等情况较多，使得背景建模和前景识别较为困难。前景目标物误检和漏检直接导致对交通流参数的统计不准确，进而直接导致智能交通监测、交通流预测以及交通事故预警等方面的效率低下。如何通过建立完整的背景模型而获取较好的前景目标物识别效果在交通视频智能监控中是非常关键的。
目前，背景建模方法建立在统计学基础上，从不同的层面考虑可以做不同的分类，如从模型参数的角度有关分为参数建模和非参数建模两类，从建模面积的角度分为像素建模和子块建模两类，从时空角度分为时域建模和空域建模两类等。不同角度的考虑带来不同建模分类，每个模型从不同的分类属于不同的类型。现有技术中，使用较多的是结合不同分类的不同模型来构建联合模型，所得模型的效果较相对单一的模型好。
早期采用较多的方法是均值法和中值法。这两种方法属于时域范围的基于像素的非参数建模方法，由于方法较为简单，到目前仍然在一定程度上使用。其中，均值法累加多帧像素再对其进行平均，累加的帧数决定了背景的质量；这种方法只需要进行累加，运算速度较快，一般来说，帧数累积越多，重建的背景越接近真实效果，同时图像越模糊。中值法对多帧视频像素取中值，需要较大的空间来进行视频帧的保存。均值法和中值法中对于前景目标较少的视频，得出的背景较为接近真实背景，然而，对于前景目标物较多的视频，所得到的背景均出现拖尾现象。之后，Stauffer等的混合高斯模型(Mixture Of Gaussian，MOG)出现，这种时域范围的基于像素的参数方法由于其采用学习策略来适应背景变化，相比之前的方法有较大改进，得到广泛使用。MOG模型采用多个高斯模型来描述单个像素，通过每个高斯模型的参数更新来适应背景的逐渐变化。但是，混合高斯模型比较适合缓慢变化的背景，而对变化剧烈背景(如光照、天气的剧烈变化)容易把背景和噪声检测为前景目标，而且算法较为复杂，参数建模所需运算量巨大，所需时间较多，同时需要保存视频帧，所需空间较大。
以上方法对于多个背景的情况效果不好，为了更好的适应多背景的情况，Kim等i采用了码本(codebook，CB)建模法，CB建模法是一种时域范围的基于像素的非参数建模方法。对视频图像的每个像素用码本表示，每个码本包含多个码字，码字由样本的颜色差和亮度差聚类而成，对多背景的处理较好，但其需要对图像的像素进行记录，占用存储空间较大。基于像素的建模方法至今使用的仍然很多，但是仅仅从单个像素来进行考虑和甄别，割裂图像的空间特性，导致前景目标物不完整，故而导致误检、漏检情况。早在1979年，RobertMitchell and Delp,Edward J.就提出块编码(block truncation coding，BTC)方法，主要用于图片编码和解码方面。BTC方法充分考虑了图形的空间特性，但是，解码出来的图像与编码前的图像相比存在分块的问题，特别是对图像的边缘部分，不是很准确。而BTC主要是从图像的像素方面着手考虑，故而对像素较为接近的前景和背景不能很好区分。直到MarkoHeikkila等才把局部二值模式(Local binary pattern,LBP)用于背景提取。LBP是一种空域的基于子块的非参数的背景建模法，通过对一定半径圆区域求解纹理，建立纹理直方图，把纹理的直方图作为特征向量，比对直方图，更新各个直方图的权重，得到B个假设为背景的纹理直方图。将新输入的视频帧与纹理直方图进行比对后可以识别前景目标和背景。接下来，张玲等证实了LBP算子对阴影的检测非常有效。但是，LBP算子直方图维数为2P(其中p为选取为邻域点的数量)，领域点的选取对于LBP算子来说很重要，如果领域点较少，得出的纹理不是很准确，领域点越多则得出的纹理越准确。随着领域点选取数量的增多，直方图维数激增，需要进行大量的计算。为了减少LBP直方图维数Heikkila等提出了对称二值模式算子(Center-symmetric Local binary pattern，CSLBP)，相比较之前LBP算子，采用对称算子纹理直方图仅为2p/2计算量大大减少，但由于该方法基于区域求解，目标前景的边缘处可能会包含较多背景。考虑图像同时具有时域和空域的特性，Guo J.M.等把CB建模法用于分块的基础上，采用BTC方法，把图像分成等大小不重叠的块，对每一块采用四个颜色均值参数来表征特征，组成特征向量，并对其赋予不同权重。新的视频帧输入时，通过对特征向量的匹配得出是背景还是前景的判断。该方法对图像进行区域考量，得出的前景目标出现块状特征。针对这一问题，解文华等结合参数和非参数建模以及像素和子块两个方面，提出对判断为前景的目标物及其周边像素采用高斯建模的方式进行进一步判断。得到较为光滑的前景目标物边缘。但是，该方法仅对前景目标进行像素级高斯建模，对于移动较快的前景目标物判断不是很准确。
综上所述，现有技术中，视频监控中的背景建模方法对于前景目标物较多或者光线变化的复杂环境效果并不理想。
发明内容
本发明的目的在于克服上述缺陷，提供一种适用于前景目标物较多或者光线变化的复杂环境的基于多级分块的交通视频智能识别背景建模方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于多级分块的交通视频智能识别背景建模方法，包括以下步骤：
(1)背景训练
(11)采用帧间差分法对视频图像进行处理，得到二值图像的步骤；
(12)分块：对二值图像进行多级分块的步骤；
(13)对分块所得的每一分块求取均值，所有像素点均值为0则进行CB特征向量以及CSLBP特征值的更新或/和记录的步骤：
(131)若某一分块中所有像素点均值为0，初步假设是背景，用CSLBP算法进行特征值提取；
(132)将提取的CSLBP特征值与该分块已有特征值进行比对，如果CSLBP特征值存在，则对CSLBP特征值进行更新，并用CB算法提取CB特征值，如果该CB特征值存在则直接更新，如果CB特征值不存在则对其进行记录；如果CSLBP特征值是不存在，则执行下一步；
(133)采用CB分块法提取CB特征值，将CB特征值与该分块已有特征值进行比对，如果是CB特征值存在，则对CB特征值进行更新，并对CSLBP特征值进行记录，如果CB特征值不存在，则进行下一步；
(14)重复步骤(11)～(13)，直至完成视频图像背景帧所有块的背景建模；
(2)前景检测
(21)对输入的每一帧采用背景差法求取二值图像；
(22)对步骤(21)所得到的二值图像每一个位置求取像素点均值，均值为0则假设为背景，进行背景比对，如果是已经存在的背景则确认为背景，如果该背景不存在，则进行CSLBP纹理和CB特征检测，只要有一个符合即认为是已有背景，否则进行记录和更新；对于均值不为0的部分进行CSLBP检测，如果不符合背景则认为是前景，如果符合背景纹理，则进行CB特征向量检测，如果亦符合则认为是背景，否则认为是前景。
(23)重复步骤(21)～(22)完成视频图像所有帧的前景检测。
式中，T表示纹理，gc是中心点，gi(i＝0,1,2,…,p-1)表示以gc为中心的邻域点；s(gi，gi+p/2)经过二值化处理的像素得到一个二值化的值，此处的处理的点是gc的对称领域点；CSLBP(gc)是对向量的各个元素使用因子2i的进行加权得到的CSLBP特征值；其中，P＝8。
所述步骤(132)中CB特征向量表征：v＝{μht，μhb，μlt，μlb}，采用以下面公式求得：
式中，xij为图像F(i,j)的第i行第j列的像素值，μht为较高亮度，μhb为高亮度，μlt为低亮度，μlb为较低亮度,μh为高亮度和μl为低亮度，μ为该块的平均像素
所述步骤(12)的具体方法如下：以9x9为最小块模板分为3层，第一层分为81x81的块，对于不能被81整除的部分则分为27x27和/或9x9的块。
在所述步骤(13)中：对每一分块求取像素点均值，均值为0则进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块，进入第二层；针对第一层均值不为0的块分为27x27，寻找均值为0的块进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块进入第三层，未寻找完的块分为9x9的块进行寻找，直到完全寻找到为止。
在背景训练中，在每一次新的二值图像输入时，对之前已经找到过的分块求像素点均值，均值为0则进行CSLBP纹理直方图比对，采用巴氏距离进行匹配，更新向量及权值。
H1，t＝(1-α)H1，t+1+αH2，t (12)
式中，d(H1，H2)巴氏距离，H1为已经存在的直方图，H2为新输入帧的直方图。当距离d<D时认为达到匹配。其中，D为经验阈值，D为0是认为全匹配，为0.55时为半匹配，经过对多个视频进行检测，发现，D取0.4时效果最好，故算法中D取0.4。对于匹配的背景，H1，t为更新后的直方图，H1，t+1为更新前的直方图，H2，t为新输入的直方图，α为学习因子。
不论CSLBP直方图比对是否匹配，都必须进行CB特征向量比对。如果CSLBP直方图匹配，直接进行CB特征向量比对，如果CB特征向量匹配，则直接进行权值和向量的更新。如果CSLBP特征值匹配，而CB特征值不匹配，则对CB特征值直接记录。如果CSLBP特征值不匹配，CB特征向量匹配则对CB特征向量和权值进行更新，并对CSLBP特征值进行记录。如果CSLBP特征值不匹配，CB特征向量也不匹配则继续寻找。CB特征向量的匹配与更新以及CB特征向量的权重更新如下列公式所示：
式中，为欧式距离，如果小于距离阈值TD则认为与背景匹配，否则进行背景添加。表示第i个子块的第t+1个时刻的第k个特征向量，表示已有的第i个子块的第t个时刻的第k个特征向量，表示目前检测到的第i个子块的第t个时刻的第k个特征向量。αv为模型的学习因子。更新后第k个特征向量的权重，为更新前第k个特征向量的权重，αω为模型的学习因子，Mk为匹配值，特征向量匹配时为1，否则为0。
与现有技术相比，本发明的有益效果在于：
本发明融合了帧差法、对称局部二值法、分块密码本算法和分块法，采用多级的方式来对视频背景进行训练，对已经训练完成的背景采用背景差法提取前景目标物，可完成效果良好的前景目标物较多或者光线变化的复杂环境效果下的建模，从而有效地克服了现有技术所存在的缺陷。
附图说明
图1为本发明的流程示意图。
图2为测试例1中实验对比图。
具体实施方式
下面结合实施例对本发明作进一步说明。本发明的实施方式包括但不限于下列实施例。
实施例
参阅图1，本实施例提供了一种基于多级分块的交通视频智能识别背景建模方法，该方法主要包括，两个阶段：背景训练和前景提取两部分，两个阶段顺序进行，即首先通过训练阶段得出较为完整的背景模型，再进入前景检测阶段得到前景目标物。在背景训练中，本实施例融合了帧差法、对称局部二值法、分块密码本算法和分块法，采用多级的方式来对视频背景进行训练。对已经训练完成的背景采用背景差法提取前景目标物。
下面对每个阶段进行详细描述：
背景训练
(11)采用帧间差分法对视频图像进行处理，得到二值图像的步骤；
(12)分块：对二值图像进行多级分块的步骤；
分块的具体方法如下：以9x9为最小块模板分为3层，第一层分为81x81的块，对于不能被81整除的部分则分为27x27和/或9x9的块。
(13)对分块所得的每一分块求取均值，所有像素点均值为0则进行CB特征向量以及CSLBP特征值的更新或/和记录的步骤，其具体方法如下：
(131)若某一分块中所有像素点均值为0，初步假设是背景，用CSLBP方法进行特征值提取；
(132)将提取的CSLBP特征值与该分块已有特征值进行比对，如果CSLBP特征值存在，则对CSLBP特征值进行更新，比对CB特征向量，如果CB特征向量存在，则直接更新，如果CB特征向量不存在则直接进行记录，如果CSLBP特征值是不存在，则执行下一步；
(133)采用CB分块法提取CB特征值，将CB特征值与该分块已有特征值进行比对，如果是CB特征值存在，则对CB特征值进行更新，并对CSLBP特征值进行记录，如果CB特征值不存在，则进行下一步；
在本步骤中，对每一分块求取像素点均值，均值为0则进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块，进入第二层；针对第一层均值不为0的块分为27x27，寻找均值为0的块进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块进入第三层，未寻找完的块分为9x9的块进行寻找，直到完全寻找到为止。
在每一次新的二值图像输入时，对之前已经找到过的块求均值，均值为0则进行CSLBP纹理直方图用巴氏距离进行比对，新出现的直方图进行记录。
上述步骤(131)中，CSLBP特征值由以下公式求得
所述步骤(132)中,CB特征向量表征：v＝{μht，μhb，μ1t，μ1b}，采用以下面公式求得：
式中，xij为图像F(i,j)的第i行第j列的像素值，μlt、μht、μhb、μlb为四个不同亮度的相对等级，其中，μht为较高亮度，μhb为高亮度，μlt为低亮度，μlb为较低亮度，μh为高亮度和μl为低亮度，μ为该块的平均像素。
上述公式均由现有的分块CB建模法和CSLPB算子得到，本实施例的创新不在于公式本身，而在于将多种算法进行融合使用。
(14)重复步骤(11)～(13)，直至完成视频图像背景帧所有块的背景建模。
完成背景训练建模后，基本完成建模的大体框架，再在背景训练的基础上，对前景物进行赛选、检测：
(21)对输入的每一帧采用背景差法求取二值图像；
(22)对步骤(21)所得到的二值图像每一个位置求取像素点均值，均值为0则假设为背景，进行背景比对，如果是已经存在的背景则确认为背景，如果该背景不存在，则进行CSLBP纹理和CB特征检测，只要有一个符合即认为是已有背景，否则进行记录和更新；对于均值不为0的部分进行CSLBP检测，如果不符合背景则认为是前景，如果符合背景纹理，则进行CB特征向量检测，如果亦符合则认为是背景，否则认为是前景。
(3)重复步骤(21)～(22)完成视频图像所有帧的前景检测。
测试例1
将LBP、CSLBP和CB算法与本算法在进行比较。在实验阶段，测试平台处理器为Intel Core i5-4210，内存为4G，操作系统为Windows 7。本测试例采用的软件平台为Visual C++和Open CV。测试所使用的视频是从多个交通视频中提取出3个比较具有代表性的视频。选取的3个视频均为自行拍摄，选择时主要考虑了背景的复杂程度、不同的光线变化以及前景目标物数量等情况。以本方法训练完成背景所需要的帧数作为采用四种方法获取背景所需帧数来对每一种方法进行背景建模。四种方法均以完成背景建模所需帧数的下一帧作为测试帧来进行前景目标物提取。结果如图2所示，从上到下，第一行到第三行分别为三个不同的视频。从光线变化的角度，视频1中光线变化较大，出现背景较多，且呈非周期性变化。视频2和视频3中光线变化较为稳定，无较大突变。从前景目标物的多少的角度来看，视频1中前景目标物相对视频2和视频3较少，视频3中的前景目标最多。采用本文方法获取背景帧数分别为4263、6375和9135帧。图2中所示图像分别为4264帧、6376帧和9136帧。从左到右第一列为原始图像，第二列到第五列为四种方法提取的前景目标物图像。其中，第二列和第三列使用的LBP和CSLBP采用P＝8，n＝3。从图2中可见，使用LBP方法和CSLBP方法所提取的前景目标基本相同，对比原图可以发现所提取的目标物不是很清晰，基本上呈现颗粒块状，体现了算法的子块状特征。第四列使用的CB方法采用的对每一个像素进行建模，K＝3。如图2所示，使用CB提取的前景目标基本准确，但是由于目标物的颜色有的时候和背景很相似，目标相比较不是很完整，呈现点状，这主要是由算法采用针对像素来进行分析造成的。最后一列为本方法提取的前景目标，从图2中可见，前景目标提取较为清晰完整，不存在块状的情况。
测试例2
采用了普遍采用的打分的方式对模型进行打分，其中，涉及到索引率和准确率。索引率指的是正确检测前景点占所有正确前景点的比率，准确率指的是正确检测前景点与所有检测的前景点的比率。这三个指标能够较为客观的评价算法。如以下公式所示。
其中，F为打分的分值，p为索引率，r为准确率。式中，TP为算法检测出的正确检测的前景点，FP为算法检测出的错误检测的前景点，FN为算法检测出的检测为背景的前景点。各种方法的索引率p，准确率r以及打分结果F见表1。
表1 4种方法打分表
从表1中可见，本方法打分明显高于LBP、CSLBP和CB方法。其中，LBP和CSLBP两种算法的打分非常接近，说明这两种算法基本相似。CSLBP本身来源于LBP，CSLBP较好的继承了LBP的特性且计算量小于LBP算法。CB算法在四种方法中打分最低，主要是因为，CB方法仅仅考虑了图像颜色。而图像颜色与背景颜色较为相近时就会失效，出现漏检。本方法结合了颜色和纹理的考虑，并且从整体到部分均进行了考虑。故而各项指标明显较好。
按照上述实施例，便可很好地实现本发明。值得说明的是，基于上述设计原理的前提下，为解决同样的技术问题，即使在本发明所公开的结构基础上做出的一些无实质性的改动或润色，所采用的技术方案的实质仍然与本发明一样，故其也应当在本发明的保护范围内。

Claims (7)

1.一种基于多级分块的交通视频智能识别背景建模方法，其特征在于,包括以下步骤：
(1)背景训练
(11)采用帧差分法对视频图像进行处理，得到二值图像的步骤；
(12)分块：对二值图像进行多级分块的步骤；
(13)对分块所得的每一分块求取均值，所有像素点均值为0则进行CSLBP特征值以及CB特征向量的更新或/和记录的步骤：
(131)若某一分块中所有像素点均值为0，初步假设是背景，用CSLBP算法进行特征值提取；
(132)将提取的CSLBP特征值与该分块已有特征值进行比对，如果CSLBP特征值存在，则对CSLBP特征值进行更新，并用CB算法提取CB特征值，如果该CB特征值存在则直接更新，如果CB特征值不存在则对其进行记录；如果CSLBP特征值是不存在，则执行下一步；
(133)采用CB分块法提取CB特征值，将CB特征值与该分块已有特征值进行比对，如果是CB特征值存在，则对CB特征值进行更新，并对CSLBP特征值进行记录，如果CB特征值不存在，则进行下一步；
(14)重复步骤(11)～(13)，直至完成视频图像背景帧所有块的CSLBP和CB特征值检测，得到完整的背景；
(2)前景检测
(21)对输入的每一帧采用背景差法求取二值图像；
(22)对步骤(21)所得到的二值图像每一个位置求取像素点均值，均值为0则假设为背景，进行背景比对，如果是已经存在的背景则确认为背景，如果该背景不存在，则进行CSLBP纹理和CB特征比对，只要有一个符合即认为是已有背景，否则进行记录和更新；对于均值不为0的部分进行CSLBP比对，如果不符合背景则认为是前景，如果符合背景纹理，则进行CB特征向量比对，如果亦符合则认为是背景，否则认为是前景；
(23)重复步骤(21)～(22)完成视频图像所有帧的前景检测。
2.根据权利要求1所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，所述步骤(131)CSLBP特征值由以下公式求得：
式中，T表示纹理，gc是中心点，gi(i＝0,1,2,…,p-1)表示以gc为中心的邻域点；s(gi，gi+p/2)经过二值化处理的像素得到一个二值化的值，此处的处理的点是gc的对称领域点；CSLBP(gc)是对向量的各个元素使用因子2i的进行加权得到的CSLBP特征值；其中，P＝8。
3.根据权利要求2所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，所述步骤(132)中CB特征向量表征：V＝{μht，μhb，μlt，μlb}，采用以下面公式求得：
式中，xij为图像F(i,j)的第i行第j列的像素值，μht为较高亮度，μhb为高亮度，μlt为低亮度，μlb为较低亮度,μh为高亮度、μl为低亮度，μ为该块的平均像素。
4.根据权利要求3所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，所述步骤(12)的具体方法如下：以9x9为最小块模板分为3层，第一层分为81x81的块，对于不能被81整除的部分则分为27x27和/或9x9的块。
5.根据权利要求4所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，在所述步骤(13)中：对每一分块求取像素点均值，均值为0则进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块，进入第二层；针对第一层均值不为0的块分为27x27，寻找均值为0的块进行CB特征向量以及CSLBP特征值的更新或/和记录，直到找不到均值为0的块进入第三层，未寻找完的块分为9x9的块进行寻找，直到完全寻找到为止。
6.根据权利要求5所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，在背景训练中，在每一次新的二值图像输入时，对之前已经找到过的分块求像素点均值，均值为0则进行CSLBP纹理直方图比对，采用巴氏距离进行匹配，更新向量及权值，并对CB特征向量进行比对和更新。
7.根据权利要求6所述的基于多级分块的交通视频智能识别背景建模方法，其特征在于，CSLBP特征值比对和更新通过下式实现：
H1，t＝(1-α)H1，t+1+αH2，t (12)
式中，d(H1，H2)为巴氏距离，H1为已经存在的直方图，H2为新输入帧的直方图，H1，t为更新后的直方图，H1，t+1为更新前的直方图，H2，t为新输入的直方图，α为学习因子；
CB特征向量比对通过下列公式实现：
式中，为欧式距离，表示第i个子块的第t+1个时刻的第k个特征向量，表示已有的第i个子块的第t个时刻的第k个特征向量，表示目前检测到的第i个子块的第t个时刻的第k个特征向量，αv为模型的学习因子，更新后第k个特征向量的权重，为更新前第k个特征向量的权重，αω为模型的学习因子，Mk为匹配值，特征向量匹配时为1，否则为0。
CN201510955922.2A 2015-12-17 2015-12-17 基于多级分块的交通视频智能识别背景建模方法 Active CN105631405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510955922.2A CN105631405B (zh) 2015-12-17 2015-12-17 基于多级分块的交通视频智能识别背景建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510955922.2A CN105631405B (zh) 2015-12-17 2015-12-17 基于多级分块的交通视频智能识别背景建模方法

Publications (2)

Publication Number Publication Date
CN105631405A CN105631405A (zh) 2016-06-01
CN105631405B true CN105631405B (zh) 2018-12-07

Family

ID=56046318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510955922.2A Active CN105631405B (zh) 2015-12-17 2015-12-17 基于多级分块的交通视频智能识别背景建模方法

Country Status (1)

Country Link
CN (1) CN105631405B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389031B (zh) * 2018-08-27 2021-12-03 浙江大丰实业股份有限公司 演出人员自动定位机构
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法
CN113011218B (zh) * 2019-12-19 2024-03-01 合肥君正科技有限公司 一种车内监控检测中应对人员上下车自动更新背景的方法
CN111539273B (zh) * 2020-04-12 2023-05-16 南京理工大学 一种交通视频背景建模方法及系统
CN112889786B (zh) * 2021-01-15 2023-04-28 吉林农业大学 一种实时追踪田间作物苗区的喷药系统及控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101645171A (zh) * 2009-09-15 2010-02-10 湖北莲花山计算机视觉和信息科学研究院 基于时空视频块与在线子空间学习的背景建模方法(视频运动目标分割方法)
CN102314691A (zh) * 2011-06-30 2012-01-11 北京平安视讯科技有限公司 一种基于多信息融合的背景模型
CN104077788A (zh) * 2014-07-10 2014-10-01 中国科学院自动化研究所 融合颜色和纹理信息进行块背景建模的运动目标检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101645171A (zh) * 2009-09-15 2010-02-10 湖北莲花山计算机视觉和信息科学研究院 基于时空视频块与在线子空间学习的背景建模方法(视频运动目标分割方法)
CN102314691A (zh) * 2011-06-30 2012-01-11 北京平安视讯科技有限公司 一种基于多信息融合的背景模型
CN104077788A (zh) * 2014-07-10 2014-10-01 中国科学院自动化研究所 融合颜色和纹理信息进行块背景建模的运动目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EFFECTIVE MULTI-RESOLUTION BACKGROUND SUBTRACTION;LingFeng Wang 等;《National Laboratory of Pattern recognition》;20111231;第909-912页 *
一种分步的融合时空信息的背景建模;储珺 等;《自动化学报》;20140430;第40卷(第4期);第731-743页 *
基于像素与子块的背景建模级联算法;解文华;《通信学报》;20130430;第34卷(第4期);第194-200页 *
基于背景差法的几种背景建模方法的研究;李海霞 等;《工业控制计算机》;20121231;第25卷(第7期);第62-66页 *

Also Published As

Publication number Publication date
CN105631405A (zh) 2016-06-01

Similar Documents

Publication Publication Date Title
Luo et al. A vision methodology for harvesting robot to detect cutting points on peduncles of double overlapping grape clusters in a vineyard
CN105631405B (zh) 基于多级分块的交通视频智能识别背景建模方法
CN107578418B (zh) 一种融合色彩和深度信息的室内场景轮廓检测方法
WO2021003824A1 (zh) 基于图像识别的违章建筑识别方法、装置
CN108665487B (zh) 基于红外和可见光融合的变电站作业对象和目标定位方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
Jidong et al. Recognition of apple fruit in natural environment
CN105404847B (zh) 一种遗留物实时检测方法
CN109145708B (zh) 一种基于rgb和d信息融合的人流量统计方法
CN110490158B (zh) 一种基于多级模型的鲁棒人脸对齐方法
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
JP2017531883A (ja) 画像の主要被写体を抽出する方法とシステム
CN103413120A (zh) 基于物体整体性和局部性识别的跟踪方法
CN105513053B (zh) 一种用于视频分析中背景建模方法
CN108198201A (zh) 一种多目标跟踪方法、终端设备及存储介质
CN107633226A (zh) 一种人体动作跟踪识别方法及系统
CN107066969A (zh) 一种人脸识别方法
CN107564035B (zh) 基于重要区域识别和匹配的视频跟踪方法
CN114758288A (zh) 一种配电网工程安全管控检测方法及装置
CN109460764A (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN108537143B (zh) 一种基于重点区域特征比对的人脸识别方法与系统
CN110956158A (zh) 一种基于教师学生学习框架的遮挡行人再标识方法
CN107895379A (zh) 一种视频监控中前景提取的改进算法
CN114495170A (zh) 一种基于局部抑制自注意力的行人重识别方法及系统
CN107358635B (zh) 一种基于模糊相似性的彩色形态学图像处理方法

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