CN106327520A - 一种运动目标检测方法及系统 - Google Patents
一种运动目标检测方法及系统 Download PDFInfo
- Publication number
- CN106327520A CN106327520A CN201610692267.0A CN201610692267A CN106327520A CN 106327520 A CN106327520 A CN 106327520A CN 201610692267 A CN201610692267 A CN 201610692267A CN 106327520 A CN106327520 A CN 106327520A
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- collection
- grey
- diversity
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/223—Analysis of motion using block-matching
- G06T7/231—Analysis of motion using block-matching using full search
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30221—Sports video; Sports image
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种运动目标检测方法,包括:预先确定与视频监控设备的监控场景所对应的背景图像;对待检测灰度图像和背景图像进行相减处理,得到相应的差分图像;对差分图像进行二值化处理,确定出待检测灰度图像上的运动目标;其中,背景图像的确定过程包括,分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用第一图像块集和第二图像块集之间的差异性,确定出背景图像。本申请公开的技术方案提升了运动目标的检测效果并降低了检测过程的复杂程度。另外,本申请还相应公开了一种运动目标检测系统。
Description
技术领域
本发明涉及监控画面处理技术领域,特别涉及一种运动目标检测方法及系统。
背景技术
随着计算机技术的飞速发展与各种监控设备成本的不断降低,视频监控系统已经在金融、交通、军事等领域得到了广泛应用。视频序列中运动目标的检测和跟踪技术也已成为计算机视觉领域中一个非常重要的研究课题。
针对运动目标检测问题,近几年有很多学者提出了解决方法,比如:混合高斯模型算法(GMM),码本算法(Codebook),视觉背景提取算法(Vibe)和GMG算法。其中,混合高斯模型算法对每个像素建立多个独立的高斯分布,在复杂场景下能较好地分割出运动目标但是,该算法需要一段时间来训练样本,而且由于参数是固定的,当光照发生突变时混合高斯模型很难建立有效的背景模型。码本算法为每个像素建立一个码本结构,实时性较强,但需要消耗大量内存,同时易受背景中存在的细微扰动影响。视觉背景提取算法采用随机样本模型,能较快地分割出完整的运动目标,对噪声也具备一定的抗扰能力,而缺点是重复选取背景模型的样本值,固定的分割阈值无法适应复杂视频场景中背景的动态变化,固定的更新因子无法有效地消除光照变化所引起的噪点。GMG算法是一种非参数的方法,它采用贝叶斯来推理产生一个随时间变化的背景模型,此算法在光照变化场景中表现出较差的性能。
可见,现有技术对视频监控画面中的运动目标进行检测的过程相对比较繁琐,并且检测效果也有待进一步改善。
综上所述可以看出,如何提升运动目标的检测效果并降低检测过程的复杂程度是目前有待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种运动目标检测方法及系统,提升了运动目标的检测效果并降低了检测过程的复杂程度。其具体方案如下:
一种运动目标检测方法,包括:
预先确定与视频监控设备的监控场景所对应的背景图像;
对待检测灰度图像和所述背景图像进行相减处理,得到相应的差分图像;
对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标;
其中,所述背景图像的确定过程包括,分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像。
优选的,所述待检测灰度图像的采集时刻大于或等于所述第一灰度图像帧的采集时刻,所述第一灰度图像帧的采集时刻大于所述第二灰度图像帧的采集时刻,并且,所述第一灰度图像帧和所述第二灰度图像帧之间相隔了N帧灰度图像帧,N为正整数。
优选的,所述分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理的过程,包括:
基于不重叠不遗漏的划分原则,将所述第一灰度图像帧和所述第二灰度图像帧均分别划分成K个图像块,K为正整数,相应地得到所述第一图像块集和所述第二图像块集,其中,每个图像块的尺寸均相同,并且,所述第一图像块集中的K个图像块分别与所述第二图像块集中的K个图像块一一对应。
优选的,所述利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像的过程,包括:
计算所述第一图像块集和所述第二图像块集之间的差异性;
利用所述差异性和所述第一图像块集,得到所述背景图像。
优选的,所述计算所述第一图像块集和所述第二图像块集之间的差异性的过程,包括:
计算所述第一图像块集上的每个图像块与所述第二图像块集上相应的图像块之间的图像块灰度差,得到相应的图像块灰度差集合;其中,所述图像块灰度差集合中的第i个元素的计算公式为:
di=|gt,i-gt-N,i|;
式中,gt,i表示gt上的第i个图像块,gt表示所述第一图像块集,gt-N,i表示gt-N上的第i个图像块,gt-N表示所述第二图像块集,di表示所述第一图像块集上的第i个图像块和所述第二图像块集上的第i个图像块之间的图像块灰度差,i=1,2,...,K;
利用所述图像块灰度差集合,计算所述第一图像块集上的每个图像块与所述第二图像块集上相应的图像块之间的差异性,得到相应的差异性集合;其中,所述差异性集合中的第i个元素的计算公式为:
式中,n表示每一图像块的长度,m表示每一图像块的宽度,n和m均以像素为单位,di(x,y)表示di中的与图像块上的第(x,y)个像素点所对应的灰度差,si表示所述第一图像块集上的第i个图像块和所述第二图像块集上的第i个图像块之间的差异性。
优选的,所述利用所述差异性和所述第一图像块集,得到所述背景图像的过程,包括:
利用预设的转换公式,将所述差异性集合转换成判定集合;其中,所述转换公式为:
式中,TH1表示预设的差异性阈值,wi表示所述判断集合中的第i个判定元素;
将所述判定集合和所述第一图像块集输入预设的第一背景图像构造公式,得到所述背景图像;其中,所述第一背景图像构造公式为:
式中,bi表示所述背景图像中的第i个图像块,bi′表示上一个背景图像中的第i个图像块。
优选的,所述利用所述差异性和所述第一图像块集,得到所述背景图像的过程,包括:
将所述差异性集合和所述第一图像块集输入预设的第二背景图像构造公式,得到所述背景图像;其中,所述第二背景图像构造公式为:
式中,TH1表示预设的差异性阈值,bi表示所述背景图像中的第i个图像块,bi′表示上一个背景图像中的第i个图像块。
优选的,若所述上一个背景图像为最初的背景图像,则所述最初的背景图像为所有像素点的灰度均为0的图像。
优选的,所述对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标的过程,包括:
利用预设的二值化处理公式,对所述差分图像进行二值化处理,得到相应的二值化图像;其中,所述二值化处理公式为:
式中,TH2表示预设的灰度阈值,F(p,q)表示F上第(p,q)个像素点所对应的灰度,F表示所述差分图像,F′(p,q)表示所述二值化图像上第(p,q)个像素点所对应的灰度;
将所述二值化图像上灰度为255的所有像素点提取出来,以得到所述待检测灰度图像上的运动目标。
本发明还公开了一种运动目标检测系统,包括:
背景图像确定模块,用于预先确定与视频监控设备的监控场景所对应的背景图像;
差分图像获取模块,用于对待检测灰度图像和所述背景图像进行相减处理,得到相应的差分图像;
运动目标确定模块,用于对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标;
其中,所述背景图像确定模块对所述背景图像进行确定的过程包括,分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像。
本发明中,预先对已采集的灰度图像帧序列中的两个灰度图像帧进行图像块划分处理,然后利用上述划分处理后得到的两组图像块集之间的差异性,确定出相应的背景图像,由此可见,本发明是基于图像块之间的差异性来确定背景图像的,相对于基于像素点之间的差异性来确定背景图像的方案,显然,本发明大幅降低了数据处理量,并且,本发明构建背景图像时所需要的图像帧均是灰度类型的图像帧,由于灰度图像的信息量相对较少,所以从整体上看,本发明在确定背景图像时所需的数据处理量较少,有利于降低运动目标检测的复杂度。另外,在确定完背景图像后,本发明对待检测灰度图像与上述背景图像进行相减处理,得到差分图像,进而对差分图像进行二值化处理,便可确定出上述待检测灰度图像上的运动目标,由上可见,本发明在构建背景图像、计算差分图像以及二值化处理的过程中,所处理的数据均为灰度数据,这样能够提升本发明中运动目标检测过程对外界环境干扰因素的影响,从而提升了运动目标的检测效果。综上,本发明提升了运动目标的检测效果并降低了检测过程的复杂程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种运动目标检测方法流程图;
图2为本发明实施例公开的一种运动目标检测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种运动目标检测方法,参见图1所示,该方法包括:
步骤S11:预先确定与视频监控设备的监控场景所对应的背景图像。其中,背景图像的确定过程包括,分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用第一图像块集和第二图像块集之间的差异性,确定出背景图像。
本实施例中,上述第一灰度图像帧和第二灰度图像帧是上述已采集的灰度图像帧序列中的两个灰度图像帧。本实施例在确定背景图像的过程中,首先对上述第一灰度图像帧和上述第二灰度图像帧进行图像块划分,也即,分别将上述第一灰度图像帧和上述第二灰度图像帧划分成多个图像块,相应地得到第一图像块集和第二图像块集,可以理解的是,上述两个图像块集中的每个图像块均是灰度图像块。然后利用上述两个图像块集之间的差异性,也即,利用上述两个图像块集在灰度上的差异性,来确定出上述背景图像。
需要进一步说明的是,本实施例中,在监控场景变化较少的情况下,可以只进行一次背景图像的确定,例如,在对上午时段的校门口进行监视时,由于上午期间师生通常在学校里上课,校门口处的流动车辆和人员较少,所以,此时为了减少数据处理量,只需进行一次背景图像的确定,对上午时段内的监控画面上的运动目标进行检测时,所用的背景图像均是同一个背景图像。而在监控场景变化较多的情况下,可以定期地对上一个背景图像进行更新,以得到当前最新的背景图像,然后利用当前的背景图像进行后续的运动目标的检测。例如,可以定期地对上述第一灰度图像帧和第二灰度图像帧进行更新处理,然后利用更新后的第一灰度图像帧和第二灰度图像帧,对上一个背景图像进行更新,得到当前最新的背景图像。
另外,可以理解的是,上述经过图像块划分处理后的第一图像块集和第二图像块集中均分别包括多张图像块,其中,每张图像块中均包括多个像素点。为了减少整个检测过程的数据处理量以及确保具有较好的检测效果,本发明实施例中每个图像块的大小不宜过大,也不宜过小,例如,本发明实施例中的每张图像块的尺寸大小均可以设为16像素×16像素,当然,也可以根据实际情况进行适当地增大或减少,本实施例不对图像块的尺寸进行具体的限定。另外,上述第一图像块集中的所有图像块与上述第二图像块集中的所有图像块之间成一一对应的关系,可以理解的是,在上述第一图像块集和第二图像块集中,任意两个相对应的图像块之间的尺寸大小均相同,而并不相对应的两个图像块之间的尺寸大小可以不相同,当然也可以相同;这意味着,在任一图像块集中,不同的图像块之间的尺寸大小可以相同,也可以不相同。本发明实施例可以通过确定上述两个图像块集中相对应的图像块之间的差异性,来最终确定上述两个图像块集之间的差异性。
步骤S12:对待检测灰度图像和背景图像进行相减处理,得到相应的差分图像。
本实施例中,上述待检测灰度图像的采集时刻通常大于上述第一灰度图像帧和第二灰度图像帧的采集时刻,也即,上述第一灰度图像帧和第二灰度图像帧的采集时间要早于上述待检测灰度图像的采集时间。当然,本实施例中,上述待检测灰度图像本身也可以用来确定上述背景图像,也即,将上述待检测灰度图像作为上述第一灰度图像帧或第二灰度图像帧,此时,上述第一灰度图像帧或第二灰度图像帧与上述待检测灰度图像是同一帧图像。另外,在监控场景变化较少的情况下,上述待检测灰度图像的采集时刻也可以小于上述第一灰度图像帧和/或上述第二灰度图像帧的采集时刻。
另外,需要说明的是,上述待检测灰度图像和背景图像进行相减处理,是指对待检测灰度图像和背景图像上每对应的两个像素点之间的灰度值进行相减处理,并求出每个相减结果的绝对值,从而得到上述差分图像。
步骤S13:对差分图像进行二值化处理,确定出待检测灰度图像上的运动目标。
通常情况下,对上述差分图像进行二值化处理时,是将疑似为运动目标的区域上的灰度统一设为255,将疑似为静态背景的区域上的灰度统一设为0,然后将灰度为255的所有像素点提取出来,便可得到待检测灰度图像上的运动区域。当然,本发明实施例也可以在对上述差分图像进行二值化处理的过程中,将疑似为运动目标的区域上的灰度统一设为0,将疑似为静态背景的区域上的灰度统一设为255,然后将灰度为0的所有像素点提取出来,这样也可以确定出待检测灰度图像上的运动区域。甚至,本实施例也可以将疑似为运动目标的区域上的灰度统一设为A值,将疑似为静态背景的区域上的灰度统一设为B值,然后将灰度为A值的所有像素点提取出来,以得到待检测灰度图像上的运动区域,可以理解的是,上述A值和B值是不相同的值,并且A和B值均小于或等于255,并且大于或等于0。
本发明实施例中,预先对已采集的灰度图像帧序列中的两个灰度图像帧进行图像块划分处理,然后利用上述划分处理后得到的两组图像块集之间的差异性,确定出相应的背景图像,由此可见,本发明实施例是基于图像块之间的差异性来确定背景图像的,相对于基于像素点之间的差异性来确定背景图像的方案,显然,本发明实施例大幅降低了数据处理量,并且,本发明实施例构建背景图像时所需要的图像帧均是灰度类型的图像帧,由于灰度图像的信息量相对较少,所以从整体上看,本发明实施例在确定背景图像时所需的数据处理量较少,有利于降低运动目标检测的复杂度。另外,在确定完背景图像后,本发明实施例对待检测灰度图像与上述背景图像进行相减处理,得到差分图像,进而对差分图像进行二值化处理,便可确定出上述待检测灰度图像上的运动目标,由上可见,本发明实施例在构建背景图像、计算差分图像以及二值化处理的过程中,所处理的数据均为灰度数据,这样能够提升本发明中运动目标检测过程对外界环境干扰因素的影响,从而提升了运动目标的检测效果。综上,本发明实施例提升了运动目标的检测效果并降低了检测过程的复杂程度。
本发明实施例公开了一种具体的运动目标检测方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
上一实施例中,需要预先利用第一灰度图像帧和第二灰度图像帧来确定背景图像,然后对待检测灰度图像和上述背景图像进行相减处理,得到差分图像。本实施例中,上述待检测灰度图像的采集时刻大于或等于上述第一灰度图像帧的采集时刻,上述第一灰度图像帧的采集时刻大于上述第二灰度图像帧的采集时刻,也即,上述待检测灰度图像的采集时间要晚于或等于上述第一灰度图像帧的采集时间,上述第一灰度图像帧的采集时间要晚于上述第二灰度图像帧的采集时间,并且,上述第一灰度图像帧和上述第二灰度图像帧之间相隔了N帧灰度图像帧,N为正整数。例如,上述第一灰度图像帧和上述第二灰度图像帧之间相隔40帧灰度图像帧,当然,根据实际情况的不同,上述N的值也可以适当地增大或减少,在此不对上述N值进行具体限定。
上一实施例中,在确定背景图像的过程中,需要分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,然后利用划分处理后得到的第一图像块集和第二图像块集之间的差异性来确定背景图像。本实施例中,分别对上述第一灰度图像帧和第二灰度图像帧进行图像块划分处理的过程,具体包括:
基于不重叠不遗漏的划分原则,将第一灰度图像帧和第二灰度图像帧均分别划分成K个图像块,K为正整数,相应地得到第一图像块集和第二图像块集,其中,每个图像块的尺寸均相同,并且,第一图像块集中的K个图像块分别与第二图像块集中的K个图像块一一对应。当然,在任一图像块集中,不同图像块之间的尺寸也可以不相同,只需确保在上述第一图像块集和第二图像块集中,任意两个相对应的图像块之间的尺寸大小相同即可。
另外,本实施例中,上述利用第一图像块集和第二图像块集之间的差异性,确定出背景图像的过程,具体包括下面步骤S01和步骤S02:
步骤S01:计算第一图像块集和第二图像块集之间的差异性;
步骤S02:利用上述差异性和第一图像块集,得到背景图像。
更具体的,上述步骤S01中,计算第一图像块集和第二图像块集之间的差异性的过程,具体包括下面步骤S011和步骤S012:
步骤S011:计算第一图像块集上的每个图像块与第二图像块集上相应的图像块之间的图像块灰度差,得到相应的图像块灰度差集合;其中,图像块灰度差集合中的第i个元素的计算公式为:
di=|gt,i-gt-N,i|;
式中,gt,i表示gt上的第i个图像块,gt表示第一图像块集,gt-N,i表示gt-N上的第i个图像块,gt-N表示第二图像块集,di表示第一图像块集上的第i个图像块和第二图像块集上的第i个图像块之间的图像块灰度差,i=1,2,...,K;
步骤S012:利用图像块灰度差集合,计算第一图像块集上的每个图像块与第二图像块集上相应的图像块之间的差异性,得到相应的差异性集合;其中,差异性集合中的第i个元素的计算公式为:
式中,n表示每一图像块的长度,m表示每一图像块的宽度,n和m均以像素为单位,本实施例中,上述n和m值均可设为16,di(x,y)表示di中的与图像块上的第(x,y)个像素点所对应的灰度差,si表示第一图像块集上的第i个图像块和第二图像块集上的第i个图像块之间的差异性。
进一步的,上述步骤S02中,利用差异性和第一图像块集,得到背景图像的过程,具体包括下面步骤S021和步骤S022:
步骤S021:利用预设的转换公式,将差异性集合转换成判定集合;其中,转换公式为:
式中,TH1表示预设的差异性阈值,在上述n和m值均设为16的情况下,本实施例可以将TH1设为500,可以理解的是,本实施例中的TH1值的大小会随着上述每个图像块的尺寸大小的不同而有所不同,上式中的wi表示判断集合中的第i个判定元素;
步骤S022:将判定集合和第一图像块集输入预设的第一背景图像构造公式,得到背景图像;其中,第一背景图像构造公式为:
式中,bi表示背景图像中的第i个图像块,bi′表示上一个背景图像中的第i个图像块。
由上可见,上述步骤S02是先按照预设的转换公式,将上述差异性集合转换成了判定集合,然后根据该判定集合以及上述第一图像块集确定出背景图像。上述判定集合的确定,有利于人们明显看出第一图像块集中有哪些图像块需要被用来当作背景图像上的内容,以及有哪些图像块不需要被用来当作背景图像上的内容。不过,需要说明的是,上述判定集合在上述确定背景图像的过程中仅仅起到了一个辅助作用的中间角色,并非是必须的。例如,上述步骤S02中,还可以具体通过如下方式来得到背景图像:
步骤S023:将差异性集合和第一图像块集输入预设的第二背景图像构造公式,得到背景图像;其中,第二背景图像构造公式为:
式中,TH1表示预设的差异性阈值,bi表示背景图像中的第i个图像块,bi′表示上一个背景图像中的第i个图像块。
另外,如果上述步骤S022或步骤S023中所提到的上一个背景图像是最初的背景图像,则最初的背景图像为所有像素点的灰度均为0的图像,其中,所有像素点的灰度均为0的图像即为全黑图像,也即,本实施例中,最开始创建的背景图像为全黑图像。
另外,上一实施例步骤S13中,对差分图像进行二值化处理,确定出待检测灰度图像上的运动目标的过程,具体包括下面步骤S131和步骤S132:
步骤S131:利用预设的二值化处理公式,对差分图像进行二值化处理,得到相应的二值化图像;其中,二值化处理公式为:
式中,TH2表示预设的灰度阈值,F(p,q)表示F上第(p,q)个像素点所对应的灰度,F表示差分图像,F′(p,q)表示二值化图像上第(p,q)个像素点所对应的灰度;
步骤S132:将二值化图像上灰度为255的所有像素点提取出来,以得到待检测灰度图像上的运动目标。
相应的,本发明实施例还公开了一种运动目标检测系统,参见图2所示,该系统包括:
背景图像确定模块21,用于预先确定与视频监控设备的监控场景所对应的背景图像;
差分图像获取模块22,用于对待检测灰度图像和背景图像进行相减处理,得到相应的差分图像;
运动目标确定模块23,用于对差分图像进行二值化处理,确定出待检测灰度图像上的运动目标;
其中,背景图像确定模块21对背景图像进行确定的过程包括,分别对视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用第一图像块集和第二图像块集之间的差异性,确定出背景图像。
关于上述各个模块的更加详细的工作过程可参考前述实施例中公开的相应内容,在此不再进行赘述。
本发明实施例中,预先对已采集的灰度图像帧序列中的两个灰度图像帧进行图像块划分处理,然后利用上述划分处理后得到的两组图像块集之间的差异性,确定出相应的背景图像,由此可见,本发明实施例是基于图像块之间的差异性来确定背景图像的,相对于基于像素点之间的差异性来确定背景图像的方案,显然,本发明实施例大幅降低了数据处理量,并且,本发明实施例构建背景图像时所需要的图像帧均是灰度类型的图像帧,由于灰度图像的信息量相对较少,所以从整体上看,本发明实施例在确定背景图像时所需的数据处理量较少,有利于降低运动目标检测的复杂度。另外,在确定完背景图像后,本发明实施例对待检测灰度图像与上述背景图像进行相减处理,得到差分图像,进而对差分图像进行二值化处理,便可确定出上述待检测灰度图像上的运动目标,由上可见,本发明实施例在构建背景图像、计算差分图像以及二值化处理的过程中,所处理的数据均为灰度数据,这样能够提升本发明中运动目标检测过程对外界环境干扰因素的影响,从而提升了运动目标的检测效果。综上,本发明实施例提升了运动目标的检测效果并降低了检测过程的复杂程度。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种运动目标检测方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种运动目标检测方法,其特征在于,包括:
预先确定与视频监控设备的监控场景所对应的背景图像;
对待检测灰度图像和所述背景图像进行相减处理,得到相应的差分图像;
对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标;
其中,所述背景图像的确定过程包括,分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像。
2.根据权利要求1所述的运动目标检测方法,其特征在于,
所述待检测灰度图像的采集时刻大于或等于所述第一灰度图像帧的采集时刻,所述第一灰度图像帧的采集时刻大于所述第二灰度图像帧的采集时刻,并且,所述第一灰度图像帧和所述第二灰度图像帧之间相隔了N帧灰度图像帧,N为正整数。
3.根据权利要求2所述的运动目标检测方法,其特征在于,所述分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理的过程,包括:
基于不重叠不遗漏的划分原则,将所述第一灰度图像帧和所述第二灰度图像帧均分别划分成K个图像块,K为正整数,相应地得到所述第一图像块集和所述第二图像块集,其中,每个图像块的尺寸均相同,并且,所述第一图像块集中的K个图像块分别与所述第二图像块集中的K个图像块一一对应。
4.根据权利要求3所述的运动目标检测方法,其特征在于,所述利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像的过程,包括:
计算所述第一图像块集和所述第二图像块集之间的差异性;
利用所述差异性和所述第一图像块集,得到所述背景图像。
5.根据权利要求4所述的运动目标检测方法,其特征在于,所述计算所述第一图像块集和所述第二图像块集之间的差异性的过程,包括:
计算所述第一图像块集上的每个图像块与所述第二图像块集上相应的图像块之间的图像块灰度差,得到相应的图像块灰度差集合;其中,所述图像块灰度差集合中的第i个元素的计算公式为:
di=|gt,i-gt-N,i|;
式中,gt,i表示gt上的第i个图像块,gt表示所述第一图像块集,gt-N,i表示gt-N上的第i个图像块,gt-N表示所述第二图像块集,di表示所述第一图像块集上的第i个图像块和所述第二图像块集上的第i个图像块之间的图像块灰度差,i=1,2,...,K;
利用所述图像块灰度差集合,计算所述第一图像块集上的每个图像块与所述第二图像块集上相应的图像块之间的差异性,得到相应的差异性集合;其中,所述差异性集合中的第i个元素的计算公式为:
式中,n表示每一图像块的长度,m表示每一图像块的宽度,n和m均以像素为单位,di(x,y)表示di中的与图像块上的第(x,y)个像素点所对应的灰度差,si表示所述第一图像块集上的第i个图像块和所述第二图像块集上的第i个图像块之间的差异性。
6.根据权利要求5所述的运动目标检测方法,其特征在于,所述利用所述差异性和所述第一图像块集,得到所述背景图像的过程,包括:
利用预设的转换公式,将所述差异性集合转换成判定集合;其中,所述转换公式为:
式中,TH1表示预设的差异性阈值,wi表示所述判断集合中的第i个判定元素;
将所述判定集合和所述第一图像块集输入预设的第一背景图像构造公式,得到所述背景图像;其中,所述第一背景图像构造公式为:
式中,bi表示所述背景图像中的第i个图像块,b′i表示上一个背景图像中的第i个图像块。
7.根据权利要求5所述的运动目标检测方法,其特征在于,所述利用所述差异性和所述第一图像块集,得到所述背景图像的过程,包括:
将所述差异性集合和所述第一图像块集输入预设的第二背景图像构造公式,得到所述背景图像;其中,所述第二背景图像构造公式为:
式中,TH1表示预设的差异性阈值,bi表示所述背景图像中的第i个图像块,b′i表示上一个背景图像中的第i个图像块。
8.根据权利要求6或7所述的运动目标检测方法,其特征在于,若所述上一个背景图像为最初的背景图像,则所述最初的背景图像为所有像素点的灰度均为0的图像。
9.根据权利要求6或7所述的运动目标检测方法,其特征在于,所述对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标的过程,包括:
利用预设的二值化处理公式,对所述差分图像进行二值化处理,得到相应的二值化图像;其中,所述二值化处理公式为:
式中,TH2表示预设的灰度阈值,F(p,q)表示F上第(p,q)个像素点所对应的灰度,F表示所述差分图像,F′(p,q)表示所述二值化图像上第(p,q)个像素点所对应的灰度;
将所述二值化图像上灰度为255的所有像素点提取出来,以得到所述待检测灰度图像上的运动目标。
10.一种运动目标检测系统,其特征在于,包括:
背景图像确定模块,用于预先确定与视频监控设备的监控场景所对应的背景图像;
差分图像获取模块,用于对待检测灰度图像和所述背景图像进行相减处理,得到相应的差分图像;
运动目标确定模块,用于对所述差分图像进行二值化处理,确定出所述待检测灰度图像上的运动目标;
其中,所述背景图像确定模块对所述背景图像进行确定的过程包括,分别对所述视频监控设备已采集的灰度图像帧序列中的第一灰度图像帧和第二灰度图像帧进行图像块划分处理,相应地得到第一图像块集和第二图像块集,然后利用所述第一图像块集和所述第二图像块集之间的差异性,确定出所述背景图像。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610692267.0A CN106327520B (zh) | 2016-08-19 | 2016-08-19 | 一种运动目标检测方法及系统 |
PCT/CN2016/108836 WO2018032660A1 (zh) | 2016-08-19 | 2016-12-07 | 一种运动目标检测方法及系统 |
EP16907680.9A EP3336804A4 (en) | 2016-08-19 | 2016-12-07 | METHOD AND SYSTEM FOR DETECTING A MOBILE TARGET |
US15/737,155 US10410361B2 (en) | 2016-08-19 | 2016-12-07 | Moving object detection method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610692267.0A CN106327520B (zh) | 2016-08-19 | 2016-08-19 | 一种运动目标检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106327520A true CN106327520A (zh) | 2017-01-11 |
CN106327520B CN106327520B (zh) | 2020-04-07 |
Family
ID=57744481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610692267.0A Active CN106327520B (zh) | 2016-08-19 | 2016-08-19 | 一种运动目标检测方法及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10410361B2 (zh) |
EP (1) | EP3336804A4 (zh) |
CN (1) | CN106327520B (zh) |
WO (1) | WO2018032660A1 (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273779A (zh) * | 2017-06-12 | 2017-10-20 | 广州川鸿电子有限公司 | 一种条码图像识别方法、系统及装置 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN111371962A (zh) * | 2020-04-20 | 2020-07-03 | 北京英迈琪科技有限公司 | 一种视频图像传输方法及传输系统 |
CN111526417A (zh) * | 2020-04-20 | 2020-08-11 | 北京英迈琪科技有限公司 | 一种视频图像传输方法及传输系统 |
CN111754477A (zh) * | 2020-06-19 | 2020-10-09 | 北京交通大学 | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 |
CN112037266A (zh) * | 2020-11-05 | 2020-12-04 | 北京软通智慧城市科技有限公司 | 一种下落物体的识别方法、装置、终端设备及存储介质 |
CN114714355A (zh) * | 2022-04-14 | 2022-07-08 | 广州东焊智能装备有限公司 | 自主移动焊接机器人嵌入式视觉跟踪控制系统 |
CN115330834A (zh) * | 2022-07-13 | 2022-11-11 | 广东交通职业技术学院 | 一种运动目标检测方法、系统、装置及存储介质 |
CN115657580A (zh) * | 2022-12-14 | 2023-01-31 | 北京交科公路勘察设计研究院有限公司 | 基于组合算法的隧道消防水池监控方法及系统 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447674B (zh) * | 2016-09-30 | 2020-01-14 | 北京大学深圳研究生院 | 一种视频的背景去除方法 |
US10373458B2 (en) * | 2017-04-20 | 2019-08-06 | Deep Sentinel Corp. | Automatic threat detection based on video frame delta information in compressed video streams |
CN109978907A (zh) * | 2019-03-22 | 2019-07-05 | 南京邮电大学 | 一种面向家居场景的学生坐姿检测方法 |
CN110634152B (zh) * | 2019-08-08 | 2023-07-04 | 西安电子科技大学 | 一种基于背景建模和多帧确认的目标检测方法 |
CN111191517B (zh) * | 2019-12-06 | 2023-02-28 | 清华大学合肥公共安全研究院 | 雪强检测图像处理方法及系统 |
CN111340795B (zh) * | 2020-03-09 | 2023-11-10 | 珠海格力智能装备有限公司 | 物品质量的确定方法及装置 |
EP3985957B1 (en) * | 2020-10-14 | 2022-11-30 | Axis AB | Method and system for motion segmentation |
CN113435287A (zh) * | 2021-06-21 | 2021-09-24 | 深圳拓邦股份有限公司 | 草地障碍物识别方法、装置、割草机器人及可读存储介质 |
CN115270894B (zh) * | 2022-09-27 | 2022-12-27 | 山东行创科技有限公司 | 用于甲醇发电机的异常振动信号提取方法 |
CN116884236B (zh) * | 2023-06-26 | 2024-04-16 | 中关村科学城城市大脑股份有限公司 | 交通流量采集设备和交通流量采集方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
CN101587646A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于视频识别技术的车流量检测方法及系统 |
CN101827204A (zh) * | 2010-04-19 | 2010-09-08 | 成都索贝数码科技股份有限公司 | 一种运动目标侦测方法及系统 |
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 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201046961Y (zh) * | 2007-02-13 | 2008-04-16 | 南京林业大学 | 平动式固态物料发酵罐 |
KR101130963B1 (ko) | 2010-05-24 | 2012-04-04 | 중앙대학교 산학협력단 | 형태와 특징 정보를 이용한 비정형 객체 추적 장치 및 그 방법 |
-
2016
- 2016-08-19 CN CN201610692267.0A patent/CN106327520B/zh active Active
- 2016-12-07 US US15/737,155 patent/US10410361B2/en active Active
- 2016-12-07 WO PCT/CN2016/108836 patent/WO2018032660A1/zh unknown
- 2016-12-07 EP EP16907680.9A patent/EP3336804A4/en not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587646A (zh) * | 2008-05-21 | 2009-11-25 | 上海新联纬讯科技发展有限公司 | 基于视频识别技术的车流量检测方法及系统 |
CN101510358A (zh) * | 2009-03-20 | 2009-08-19 | 吉林大学 | 采用视频图像处理实时统计车流量的方法及装置 |
CN101827204A (zh) * | 2010-04-19 | 2010-09-08 | 成都索贝数码科技股份有限公司 | 一种运动目标侦测方法及系统 |
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 |
CN104700430A (zh) * | 2014-10-05 | 2015-06-10 | 安徽工程大学 | 机载显示器的运动检测方法 |
Non-Patent Citations (2)
Title |
---|
张涛 等: "动态场景中运动目标快速检测算法", 《北京工业大学学报》 * |
汪兰: "基于稀疏表示和压缩感知的目标检测与跟踪研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273779A (zh) * | 2017-06-12 | 2017-10-20 | 广州川鸿电子有限公司 | 一种条码图像识别方法、系统及装置 |
CN107886080A (zh) * | 2017-11-23 | 2018-04-06 | 同济大学 | 一种泊车位检测方法 |
CN110687123A (zh) * | 2019-09-24 | 2020-01-14 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN110687123B (zh) * | 2019-09-24 | 2022-04-19 | 西安工程大学 | 基于图像重构和分块阈值分割的钢轨缺陷检测方法 |
CN111371962B (zh) * | 2020-04-20 | 2021-09-07 | 广州市星飞达电子科技有限公司 | 一种视频图像传输方法及传输系统 |
CN111526417A (zh) * | 2020-04-20 | 2020-08-11 | 北京英迈琪科技有限公司 | 一种视频图像传输方法及传输系统 |
CN111526417B (zh) * | 2020-04-20 | 2021-09-17 | 河北达实信息技术有限公司 | 一种视频图像传输方法及传输系统 |
CN111371962A (zh) * | 2020-04-20 | 2020-07-03 | 北京英迈琪科技有限公司 | 一种视频图像传输方法及传输系统 |
CN111754477A (zh) * | 2020-06-19 | 2020-10-09 | 北京交通大学 | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 |
CN111754477B (zh) * | 2020-06-19 | 2024-02-09 | 北京交通大学 | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 |
CN112037266A (zh) * | 2020-11-05 | 2020-12-04 | 北京软通智慧城市科技有限公司 | 一种下落物体的识别方法、装置、终端设备及存储介质 |
CN112037266B (zh) * | 2020-11-05 | 2021-02-05 | 北京软通智慧城市科技有限公司 | 一种下落物体的识别方法、装置、终端设备及存储介质 |
CN114714355A (zh) * | 2022-04-14 | 2022-07-08 | 广州东焊智能装备有限公司 | 自主移动焊接机器人嵌入式视觉跟踪控制系统 |
CN114714355B (zh) * | 2022-04-14 | 2023-08-08 | 广州东焊智能装备有限公司 | 自主移动焊接机器人嵌入式视觉跟踪控制系统 |
CN115330834A (zh) * | 2022-07-13 | 2022-11-11 | 广东交通职业技术学院 | 一种运动目标检测方法、系统、装置及存储介质 |
CN115657580A (zh) * | 2022-12-14 | 2023-01-31 | 北京交科公路勘察设计研究院有限公司 | 基于组合算法的隧道消防水池监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US10410361B2 (en) | 2019-09-10 |
EP3336804A4 (en) | 2019-04-17 |
WO2018032660A1 (zh) | 2018-02-22 |
EP3336804A1 (en) | 2018-06-20 |
US20180365845A1 (en) | 2018-12-20 |
CN106327520B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106327520A (zh) | 一种运动目标检测方法及系统 | |
CN111209810B (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
Yuan et al. | Large-scale solar panel mapping from aerial images using deep convolutional networks | |
Pontius Jr et al. | Detecting important categorical land changes while accounting for persistence | |
CN102208019B (zh) | 基于车载摄像机的车辆变道检测方法 | |
CN109147368A (zh) | 基于车道线的智能驾驶控制方法装置与电子设备 | |
CN106841216A (zh) | 基于全景图像cnn的隧道病害自动识别装置 | |
CN105894701B (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN106803069A (zh) | 基于深度学习的人群高兴程度识别方法 | |
CN102750535B (zh) | 自动提取图像前景的方法和系统 | |
CN104299006A (zh) | 一种基于深度神经网络的车牌识别方法 | |
CN111179244B (zh) | 一种基于空洞卷积的自动化裂缝检测方法 | |
CN105163110A (zh) | 摄像头清洁度的检测方法、检测系统及拍摄终端 | |
CN108960261A (zh) | 一种基于注意力机制的显著物体检测方法 | |
CN104156731A (zh) | 基于人工神经网络的车牌识别系统与方法 | |
CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
CN105354791A (zh) | 一种改进的自适应混合高斯前景检测方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN112633149A (zh) | 一种域自适应雾天图像目标检测方法和装置 | |
CN105654516A (zh) | 基于目标显著性的卫星图像对地面弱小运动目标检测方法 | |
CN112329533A (zh) | 一种基于图像分割的局部路面附着系数估计方法 | |
CN106778540A (zh) | 停车检测准确的基于双层背景的停车事件检测方法 | |
CN113449811A (zh) | 一种基于ms-wsda的低照度目标检测方法 | |
CN111735815A (zh) | 一种输电线路小金具缺陷检测方法、装置及存储介质 | |
CN108984531A (zh) | 基于语文教材的图书阅读难度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |