CN105894531A - 一种低照度下的运动目标提取方法 - Google Patents
一种低照度下的运动目标提取方法 Download PDFInfo
- Publication number
- CN105894531A CN105894531A CN201410810949.8A CN201410810949A CN105894531A CN 105894531 A CN105894531 A CN 105894531A CN 201410810949 A CN201410810949 A CN 201410810949A CN 105894531 A CN105894531 A CN 105894531A
- Authority
- CN
- China
- Prior art keywords
- background
- pixel
- frame
- moving target
- threshold 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种低照度下视频图像运动目标提取方法。所述方法采用非参数背景建模,并使用非线性相似度函数进行背景判定;通过计算亮度增益,区分真正的运动目标和因为光照产生的虚警;最后对于光照产生的虚警和其他情况产生的连续虚警,通过随机的方法主动更新背景模型。本发明具有如下优点:对背景自身的扰动具有较强的抗干扰能力,在提升低照度下运动目标的检测精度的同时,减少因光照突变产生和虚警和运动目标静止后产生的虚警。
Description
技术领域
本发明涉及一种监控视频图像中运动目标提取方法,尤其是涉及低照度下的运动目标提取方法。
背景技术
[1]Ojala T.,M.,andT.Multiresolution gray-scale and rotation invariant textureclassification with local binary pattern[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987
[2]T.Horprasert,D.Harwood,Larry S.Davis,A Statistical Approach for Real-time Robust BackgroundSubtraction and Shadow Detection[C],Proceedings of IEEE ICCV 1999FRAME-RATE Workshop,1999
[3]K.Kim,T.H.Chalidabhongse,D.Harwood and L.Davis,″Real-time Foreground-BackgroundSegmentation using Codebook Model″,Real-time Imaging,Volume 11,Issue 3,Pages 167-256,June 2005
[4]O.Barnich and M.Van Droogenbroeck.ViBe:A universal background subtraction algorithm for videosequences.In IEEE Transactions on Image Processing,20(6):1709-1724,June 2011
运动目标提取在智能视频监控、视频压缩、人机交互等领域有广泛的应用,是计算机视觉领域基础的研究课题。运动目标提取一般处于整个视频处理系统的底层,属于系统的预处理模块。运动目标提取算法的性能直接影响到后续的目标检测、跟踪和识别等上层应用。
运动目标提取方法按照是否使用背景建模可分为两大类。
不使用背景建模的方法如光流法、帧间差法和背景减除法等。光流法利用图像序列中像素在相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而得到运动信息;帧间差法通过当前帧和上一帧对应像素值的差得到运动目标;背景减除法和帧间差法类似,通过当前帧和背景帧对应像素值的差得到运动目标。这类算法的主要问题是没有考虑背景的变化,因此抗干扰能力差,对于监控视频中经常出现的光影变化、水波流动和树叶晃动等情况会产生大量的虚警。
为了具有更好的鲁棒性,目前主流的运动目标提取方法大多基于背景建模的方法。背景建模方法按照使用模型的类型可分为两大类:参数模型和非参数模型。经典的参数模型方法包括单高斯模型、混合高斯模型和线性预测模型等。参数模型的优点是存储空间小、有完整的理论框架;缺点是模型的假设强、计算复杂度较高。非参数模型不对模型做过多假设,原理简单、工程上可解释性好、计算复杂度低,实际使用效果一般优于参数模型。目前经常使用的非参数模型包括LBP纹理模型[1]、色调亮度模型[2]、码本模型[3]和ViBe[4]等。
针对低照度下的运动目标提取,现有技术存在以下缺陷:首先,低照度下无法提取有效的纹理和颜色特征,因此LBP纹理模型和色调亮度模型无法使用。其次,码本模型和ViBe直接计算像素的差值,并使用相同的阈值判断一个像素是否属于运动目标,没有考虑不同环境下运动目标与背景的差异。例如,在照明充足的情况下,运动目标与背景的灰度差值可以达到50;而在低照度情况下,灰度差值可能仅有10。使用相同的阈值很容易造成夜间监控画面中高亮度区域(如路灯下)的虚警或者低照度区域的漏检。最后,码本模型和ViBe对光照的突变十分敏感,夜间行驶车辆的车灯所产生的光影会产生大量虚警。
发明内容
本发明主要解决现有技术存在的技术问题,针对低照度环境,提供一种鲁棒的运动目标提取方法。本发明的优点是可以有效提取低照度下的运动目标,并减少正常光照条件下的虚警;同时有效减少因车灯光影产生的虚警。
本发明的上述技术问题主要通过下述技术方案得以解决:
低照度下的运动目标提取方法,其特征在于,包括以下步骤。因为运动目标的提取是基于像素的,所以下面描述仅针对一个像素,对一帧图像的每个像素点做同样的操作即可得到当前帧的运动目标。
步骤1,如果当前帧为第一帧,则跳转到步骤5,否则跳转到步骤2;
步骤2,背景检测:计算当前帧的像素值与每一个背景点的相似度,如果存在一个相似度大于Ts的背景点,则判定该像素为背景,跳转到步骤5,否则为运动目标或者光影,跳转到步骤3;
步骤3,计算亮度增益:即当前帧像素的灰度值与上一帧对应像素灰度值的比值,如果增益小于阈值Tb,则判定该像素为运动目标,跳转到步骤4,否则为光影,跳转到步骤5;
步骤4,更新该像素被检测为运动目标的时长:L=L+1,如果成为运动目标的时长大于Tl,则跳转到步骤5,否则跳转到步骤6;
步骤5,更新背景模型:把当前像素点加入背景模型,并把目标时长置为0;
步骤6,后处理:对当前帧的运动目标做腐蚀膨胀操作,去除面积小于Ta的运动目标,得到最终的运动目标;
步骤7,保存当前一帧灰度图,作为下一轮计算亮度增益的参考帧,并跳转至步骤1。
在上述低照度下的运动目标提取方法,其特征在于,所述步骤2中,采用了一种考虑背景点亮度级别的相似度量方法,进一步包括以下子步骤:
步骤2.1,在RGB三个通道分别计算当前像素点与背景点的相似度,即Sr,Sg和Sb。对于其中一个通道c,假设当前像素值为xc,第i个背景点像素值为则相似度的定义如下式:
步骤2.2,当前像素与第i个背景点的相似度定义为如果存在一个背景点使得Si>Ts,则判定当前像素点为背景,否则判定当前像素点为运动目标或者光影。
在上述低照度下的运动目标提取方法,其特征在于,所述步骤5中,进一步包括以下子步骤:
步骤5.1,如果当前帧为第一帧,则直接把当前像素点(RGB三个颜色)加入到背景模型,成为背景点;如果当前帧不是第一帧,则以概率P把当前像素点加入背景模型,成为背景点,并把目标时长置为0;
步骤5.2,如果当前背景点个数大于K个,则随机抛弃一个背景点。
因此,本发明具有如下优点:
1.非参数背景建模,对水流波动、树枝摆动等背景变化的情况具有很强的抗干扰能力;
2.通过引入非线性相似度度量,减少低照度区域的漏检和其他区域的虚警;
3.检测亮度增益变化,减少因灯光照射产生亮度突变而引发的虚警;
4.主动背景更新解决了目标进入画面停止运动后仍然被检测为运动目标的问题。
附图说明
图1是本发明的一种方法流程示意图。
图2是本发明步骤2中背景检测效果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本发明采用非参数背景建模,考虑了不同光照条件下运动目标和背景的对比度差异,低照度情况下灯光产生的亮度突变,以及运动目标停止运动等情况,可以有效提取低照度下运动目标并减少虚警。
以下将结合图1示意的流程图对低照度下的运动目标提取方法做进一步的详细描述。包含以下步骤:
步骤1,如果当前帧为第一帧,则跳转到步骤5.1,否则跳转到步骤2;
步骤2.1,在RGB三个通道分别计算当前帧像素与背景点的相似度,即Sr,Sg和Sb。对其中一个通道c,假设当前像素值为xc,第i个背景点像素值为则相似度的定义如下式:
使用上式非线性相似度量考虑了低照度下运动目标和背景点对比度较小的特点,例如:假设背景点像素值为20,运动目标像素值为30,则相似度为0.02;假设背景点像素值为150,运动目标像素值为160,则相似度为0.0005。设置合适的阈值可保证低照度下运动目标的检出并避免正常照度情况下背景扰动造成的虚警。
步骤2.2,当前像素与第i个背景点的相似度定义为如果存在一个背景点使得Si>Ts,则判定当前像素为背景,跳转到步骤5.1;否则判定当前像素为运动目标或者光影,跳转到步骤3。在具体实施时,给定Ts后,可对所有可能的背景点像素值制作查找表,这样背景点的判定可通过一次查表完成,避免每次计算相似度时耗时的开根号处理,加快计算速度。图2为背景检测效果图,其中图2(a)为输入帧,图2(b)和图2(c)直接利用像素差值判断背景,图2(d)使用非线性相似度函数判断背景。图2(b)使用较小的阈值,产生了大量的虚警;而图2(c)使用较大的阈值,导致运动目标提取不完整。图2(d)在完整提取运动目标的同时有效抑制了虚警。
步骤3,计算亮度增益:首先把当前帧由彩色图转化为灰度图,然后计算当前帧像素的灰度值与上一帧对应像素灰度值的比值,如果增益小于阈值Tb,则判定该像素为运动目标,跳转到步骤4,否则为光影,跳转到步骤5.1;
步骤4,更新该像素被检测为运动目标的时长:L=L+1。时长阈值Tl和目标的运动速度相关,其取值需大于运动目标通过任意一个像素点的时间,实验显示Tl取1秒可适合大部分的场景。如果成为运动目标大于Tl,说明可能因为背景模型不适当而产生了虚警,所以需要主动更新背景模型,跳转到步骤5.1;否则跳转到步骤6;
步骤5.1,如果当前帧为第一帧,则直接把当前像素点(RGB三个颜色)加入到背景模型,成为背景点;如果当前帧不是第一帧,则以概率P把当前像素点加入背景模型,成为背景点,并把目标时长置为0;
步骤5.2,如果当前背景点个数大于K个,则随机抛弃一个背景点。
步骤6,后处理:对当前帧的运动目标做腐蚀膨胀操作,去除面积小于Ta的运动目标,得到最终的运动目标;
步骤7,保存当前一帧灰度图,作为下一轮计算亮度增益的参考帧,并跳转至步骤1。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方法替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种低照度下的运动目标提取方法,其特征在于,利用像素值逐帧逐像素进行计算,采用背景检测、计算亮度增益、更新目标时长方法,获得运动目标或更新背景模型。
2.如权利要求1所述的方法,其特征在于:
如果当前帧为第一帧,保存当前一帧灰度图,作为下一轮计算亮度增益的参考帧;
如果当前帧非第一帧,则进行背景检测。
3.如权利要求1、2所述的方法,其特征在于,所述背景检测,包括:
计算当前帧的像素值与每一个背景点的相似度;
如果存在一个相似度大于阈值的背景点,则更新背景模型;
如果不存在一个相似度大于阈值的背景点,则计算亮度增益。
4.如权利要求1、3所述的方法,其特征在于,所述计算亮度增益,包括:
计算当前帧像素的灰度值与上一帧对应像素灰度值的比值;
如果增益小于阈值,则判定该像素为运动目标,更新目标时长;
如果增益大于阈值,则判定该像素非运动目标,更新背景模型。
5.如权利要求1、4所述的方法,其特征在于,所述更新目标时长,包括:
如果成为运动目标的时长大于阈值,则更新背景模型;
如果成为运动目标的时长大于阈值,则进行后处理。
6.如权利要求1、3、4、5所述的方法,其特征在于,所述更新背景模型,包括:
以概率P把当前像素加入背景模型,并把目标时长置为0;该方法还包括:
如果该像素背景模型中背景点的个数大于K,则随机去掉一个背景点。
7.如权利要求5所述的方法,其特征在于,所述后处理,包括:
对当前帧的运动目标做腐蚀膨胀操作,去除面积小于阈值的运动目标,得到最终的运动目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410810949.8A CN105894531A (zh) | 2014-12-24 | 2014-12-24 | 一种低照度下的运动目标提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410810949.8A CN105894531A (zh) | 2014-12-24 | 2014-12-24 | 一种低照度下的运动目标提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105894531A true CN105894531A (zh) | 2016-08-24 |
Family
ID=56700263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410810949.8A Pending CN105894531A (zh) | 2014-12-24 | 2014-12-24 | 一种低照度下的运动目标提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894531A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529506A (zh) * | 2003-09-29 | 2004-09-15 | �Ϻ���ͨ��ѧ | 基于运动检测的视频对象分割方法 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
CN103456028A (zh) * | 2013-08-30 | 2013-12-18 | 浙江立元通信技术有限公司 | 一种运动目标检测方法 |
CN103700116A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种用于运动目标检测的背景建模方法 |
CN103955949A (zh) * | 2014-04-04 | 2014-07-30 | 哈尔滨工程大学 | 基于Mean-shift算法的运动目标检测方法 |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
-
2014
- 2014-12-24 CN CN201410810949.8A patent/CN105894531A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1529506A (zh) * | 2003-09-29 | 2004-09-15 | �Ϻ���ͨ��ѧ | 基于运动检测的视频对象分割方法 |
CN102073852A (zh) * | 2011-01-14 | 2011-05-25 | 华南理工大学 | 基于最优阈值和随机标号法的多车辆分割方法 |
CN103700116A (zh) * | 2012-09-27 | 2014-04-02 | 中国航天科工集团第二研究院二O七所 | 一种用于运动目标检测的背景建模方法 |
CN103456028A (zh) * | 2013-08-30 | 2013-12-18 | 浙江立元通信技术有限公司 | 一种运动目标检测方法 |
CN103955949A (zh) * | 2014-04-04 | 2014-07-30 | 哈尔滨工程大学 | 基于Mean-shift算法的运动目标检测方法 |
CN103971386A (zh) * | 2014-05-30 | 2014-08-06 | 南京大学 | 一种动态背景场景下的前景检测方法 |
Non-Patent Citations (8)
Title |
---|
KYUNGNAM KIMA 等: "Real-time foreground–background segmentation using codebook model", 《REAL-TIME IMAGING》 * |
OLIVIER BARNICH 等: "ViBe: A Universal Background Subtraction Algorithm for Video Sequences", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
RITA CUCCHIARA 等: "Detecting Moving Objects, Ghosts and Shadows in Video Streams", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
THANARAT HORPRASERT 等: "A Statistical Approach for Real-time Robust Background Subtraction and Shadow Detection", 《PROCEEDINGS OF IEEE ICCV 1999 FRAME-RATE WORKSHOP》 * |
TIMO OJALA 等: "Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
孙明玉 等: "一种自适应阈值的运动目标提取算法", 《计算机应用研究》 * |
李强 等: "基于背景差分的动目标检测算法研究", 《遥测遥控》 * |
李毅 等: "一种改进的帧差和背景减相结合的运动检测方法", 《中国图象图形学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Multi-feature fusion based fast video flame detection | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
Yi et al. | Moving object detection based on running average background and temporal difference | |
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
Hu et al. | Robust real-time ship detection and tracking for visual surveillance of cage aquaculture | |
CN102968625B (zh) | 基于轨迹的船舶识别与跟踪方法 | |
CN106934374B (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
CN105427626A (zh) | 一种基于视频分析的车流量统计方法 | |
Wang et al. | A video-based traffic violation detection system | |
Malhi et al. | Vision based intelligent traffic management system | |
CN103530640A (zh) | 基于AdaBoost与SVM的无牌车辆检测方法 | |
Lee | An accident detection system on highway using vehicle tracking trace | |
Diaz-Cabrera et al. | Traffic light recognition during the night based on fuzzy logic clustering | |
CN1988653A (zh) | 基于视觉特性的夜间目标检测和跟踪方法 | |
Dong et al. | Detection method for vehicles in tunnels based on surveillance images | |
Yuan et al. | Day and night vehicle detection and counting in complex environment | |
Zhao et al. | An Improved Method for Infrared Vehicle and Pedestrian Detection Based on YOLOv5s | |
Batista et al. | A dual-stage robust vehicle detection and tracking for real-time traffic monitoring | |
CN112115767B (zh) | 基于Retinex和YOLOv3模型的隧道异物检测方法 | |
CN105894531A (zh) | 一种低照度下的运动目标提取方法 | |
abd el Azeem Marzouk | Modified background subtraction algorithm for motion detection in surveillance systems | |
Patil et al. | Moving vehicle detection: A review | |
Yu et al. | A Video-Based Method for Traffic Flow Detection of Multi-lane Road | |
Slimani et al. | Traffic Monitoring System for Vehicle Detection in Day and Night Conditions | |
Nataprawira et al. | Pedestrian Detection in Different Lighting Conditions Using Deep Neural Networks. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
DD01 | Delivery of document by public notice |
Addressee: Beijing Mingjing Technology Co., Ltd. Document name: Notification of Publication of the Application for Invention |
|
SE01 | Entry into force of request for 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: 20160824 |