CN106469311A - 目标检测方法及装置 - Google Patents
目标检测方法及装置 Download PDFInfo
- Publication number
- CN106469311A CN106469311A CN201510510563.XA CN201510510563A CN106469311A CN 106469311 A CN106469311 A CN 106469311A CN 201510510563 A CN201510510563 A CN 201510510563A CN 106469311 A CN106469311 A CN 106469311A
- Authority
- CN
- China
- Prior art keywords
- image
- background
- dynamic
- prospect
- carried out
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种目标检测方法及装置,所述方法包括:对当前帧图像进行预处理,得到当前帧灰度图像;获取动态背景和参考背景;对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;将所述当前帧灰度图像和更新后的动态背景进行背景差分处理及图像分割处理,得到动态前景图像;判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。本申请提供的目标检测方法及装置,计算量小,光照突变处理能力强,静止目标判定可控。
Description
技术领域
本申请涉及图像检测领域,尤其涉及一种目标检测方法及装置。
背景技术
随着数字图像处理技术的不断进步,视频监控早已从模拟监控发展到数字监控阶段,并从常规监控发展到智能监控层次。常规监控通过人脑实现对图像进行分析,智能监控则通过计算机自动实现图像分析功能。图像分析指对视频图像中感兴趣的目标,进行检测、跟踪、识别、行为分析等处理工作。该技术融合了计算机视觉、模式识别、人工智能等技术,又常称为图像智能分析。图像智能分析能够识别传感器无法检测出的异常事件,提高视频监控系统的智能化程度。图像智能分析技术被广泛应用于包括安全防范、道路交通监控、远程无人值守、停车场管理以及武器智能化在内的多个领域。
图像智能分析的处理流程主要包括目标检测、目标跟踪、行为分析三个阶段。目标检测是搜索图像中感兴趣的区域,以获得静止目标或运动目标的客观信息。目标跟踪是对感兴趣的目标进行跟踪,以获取其运动状态、运动轨迹等信息。行为分析是利用目标运动信息和目标特征,对照行为状态模型,以识别或理解目标的行为类型。目标检测、目标跟踪是行为分析的基础,三者是相辅相成的关系。
现有技术中,常用的运动目标检测方法包括背景差分法和帧间差分法。背景差分法实现简单,但单纯采用背景差分法对场景中光照等背景扰动比较敏感,光照突变处理能力弱,常通过复杂的背景模型来弥补,计算量大。帧间差分法实现简单,受光线变化影响小,但检测出的运动目标不完整,需要通过复杂手段来弥补。对于静止目标判定,现有技术采用设置较快背景更新速度,缓存静止目标、进行时长计数,时长到达设定值时输出静止目标,这种延时控制的实现开销较大,方案的性能较差。
发明内容
本申请的目的是提供一种目标检测方法及装置,以解决现有技术中的目标检测方法计算量大,光照突变处理能力弱,静止目标判定不可控的问题。
为实现上述目的,本申请提供了一种目标检测方法,所述方法包括:
对当前帧图像进行预处理,得到当前帧灰度图像;
获取动态背景和参考背景;
对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;
对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;
将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像;
判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
另一方面,本申请还提供了一种目标检测装置,所述装置包括:
第一处理单元,用于对当前帧图像进行预处理,得到当前帧灰度图像;
获取单元,用于获取动态背景和参考背景;
第二处理单元,用于对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;
第三处理单元,用于对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;
第四处理单元,用于将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像;
第五处理单元,判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
本申请提供的目标检测方法及装置,背景差分处理采用动态背景和参考背景,实现运动目标和静止目标区分;在图像分割阶段处理光照突变,利用参考背景进行动态背景更新,通过图像的重新差分,进行运动前景的精确检测,计算量小,光照突变处理能力强;对于静止目标判定,通过引入转换延时帧数参数,实现静止目标转换延时的可控性。
附图说明
图1为本申请实施例一提供的目标检测方法流程图;
图2为本申请实施例二提供的目标检测方法流程图;
图3为本申请实施例三提供的目标检测装置示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请技术方案的应用场景为:视频图像为静态背景,有光照、树枝摇动等影响因素。本申请技术方案涉及的目标为运动目标和静止目标,静止目标是由运动目标停止运动产生的,例如人或遗留物品等。目标数量可以为多个、运动速度可以为人行走速度。
图1为本申请实施例一提供的目标检测方法流程图。如图1所示,所述方法包括:
步骤101,对当前帧图像进行预处理,得到当前帧灰度图像。
具体地,对视频图像的当前帧图像进行去噪和灰度化处理,得到当前帧灰度图像。
步骤102,获取动态背景和参考背景。
具体地,在视频图像初始化过程中,获取动态背景和参考背景。
动态背景用于检测运动目标,动态背景中包含静止目标;参考背景中不包含静止目标,与动态背景进行比较,通过差异来实现静止目标检测。
为了克服光照渐变、树枝摇动等背景扰动,参考背景支持多个背景状态(例如,白天、夜晚、刮风天等),背景状态个数由算法外部参数确定(缺省值为3),以提高算法的可用性。动态背景只需一个背景状态,可通过背景的快速更新来适应参考背景的多个背景状态。
为了实现背景的快速更新,动态背景采用滑动平均模型,可大幅减少背景更新的计算量,以提高更新速度。滑动平均模型中,动态改变更新系数α,以提高动态背景更新的收敛速度。当静止目标移动、光照突变时用参考背景修正、调整动态背景,可提高背景更新的收敛速度,增加目标检测的精确性。
参考背景采用多个单高斯模型,以支持不包含静止目标的多个背景模型状态,且可以适应背景场景缓慢变化。
步骤103,对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像。
具体地,为了能够检测运动目标和静止目标,采用背景差分法进行目标检测。将当前帧和动态背景帧所有像素点灰度值相减,得到第一差分图像。
步骤104,对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新。
具体地,计算第一差分图像所有像素点与动态背景的灰度差分均值、二值图的运动区域比例,如果灰度差分均值大于预设阈值,则表示像素点灰度发生同向变化,则判定图像存在光照突变现象。
当存在光照突变时,由于参考背景模型中包含光照时的背景,利用参考背景来覆盖动态背景,可使动态背景立即调整为光照突变后的背景,模型与真实背景的精确性、模型更新的收敛性达到极限。
本申请的参考背景采用多个单高斯模型,以支持不包含静止目标的多个背景状态,且可以适应背景场景缓慢变化。将多个单高斯模型中的一个单高斯模型初始化为光照时的背景,来实现参考背景对光照突变的有效处理,同时可以为动态背景的光照突变处理提供支持。参考背景更新时,仅更新真正的背景,真正背景的灰度变化服从高斯分布,因此,更新区域为参考背景中剔除静止前景的区域,更新条件是像素点灰度服从多个单高斯模型中的一个单高斯模型的高斯分布,由于只更新一个单高斯模型,因此,背景更新计算量仅为一个单高斯模型的计算量。
高斯模型使用背景与像素的均方差来更新背景,即μi+1(x,y)=(1-ρ)μi(x,y)+ρIi(x,y),其中更新率ρ=αη(Ii(x,y),μi(x,y),Σi(x,y)),α为更新系数,η为高斯函数,Σ为协方差矩阵。
当第一差分图像不存在光照突变时,提取动态前景,执行步骤106。
步骤105,将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像。
具体地,光照突变时,需要将动态背景调整为光照时的背景,再重新进行背景差分运算和图像分割处理,才能有效地提取动态前景,提高动态前景检测的精确度。
在动态背景更新以后,进行基于动态背景的图像差分,能够有效检测出光照突变时的真实前景,从而有效处理光照突变带来的干扰。
对于静态背景,由于参考背景模型中包含了光照时的背景,因此,同样进行参考背景更新即可。
本申请中,光照突变时,使用参考背景进行动态背景调整,可显著提高动态背景的精确性、更新收敛性。而增加的算法开销仅为重新进行背景差分、图像分割,光照突变检测在图像分割中一并实现,不增加算法复杂度。
步骤106,判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
其中,虚假前景是指静止目标重新运动时产生的前景,虚假前景的特征是该区域的背景的灰度值为静止目标灰度值、当前帧图像的灰度值为参考背景的灰度值。通过以上虚假前景的特征来判断动态前景图像是否存在虚假前景,如果不存在虚假前景,则对动态前景图像进行图像后处理,得到运动目标。
当动态前景存在虚假前景时,进行虚假前景去除处理;对处理后的该区域的动态背景利用参考背景进行修正,以保证下一帧图像目标检测的正确性。对修正后图像进行图像后处理,得到运动目标。图像后处理包括:检测出前景、剔除无用目标、将碎片处理成整体等。
步骤106之后,所述方法还包括:
根据图像后处理结果,利用滑动平均模型进行动态背景更新,通过改变动态背景更新的参数,控制运动目标转换为静止目标的时间。
滑动平均模型使用背景值与当前帧像素值的均差来进行背景更新,即像素点(x,y)的背景值μi+1(x,y)=μi(x,y)+α[Ii(x,y)-μi(x,y)],其中μi(x,y)为背景值、Ii(x,y)当前帧像素值,α为更新系数(0<α<1)。
为了实现静止目标判定可控,引入一个外部参数延时帧数(delay framenumber,DFN),保持静止状态帧数超过DFN的运动目标,才转变为静止目标。利用DFN改变静止目标判定的规则,提高了方案的可用性。根据具体情况,目标检测的帧间隔不同,因此,用帧数代替时长,既有利于应用,又实现了算法与硬件的独立性。
为了实现目标转换延时的控制,通过DFN来调整动态背景所用滑动平均模型的更新系数α,以控制静止前景融入动态背景的收敛速度。即静止前景的更新系数α=k/DFN,其中k为常数,静止前景渐变为动态背景的速度与DFN成反比。而保持运动状态的运动目标,其像素点每帧均产生突变,因此不会受DFN的限制。
为了提高动态背景更新的收敛速度,运动前景、静止前景、参考背景的更新系数α各不相同。运动前景的α较小,便于提高检测准确率;静止前景的α由参数DFN决定,便于实现判定规则可控;参考背景的α略大,便于提高背景收敛速度。通过修改背景模型的更新参数实现延时控制,不增加算法的复杂度。
本申请提供的目标检测方法,背景差分处理采用动态背景和参考背景,实现运动目标和静止目标区分;在图像分割阶段处理光照突变,利用参考背景进行动态背景更新,通过图像的重新差分,进行运动前景的精确检测,计算量小,光照突变处理能力强;对于静止目标判定,通过引入转换延时帧数参数,实现静止目标转换延时的可控性。
图2为本申请实施例二提供的目标检测方法流程图。如图2所示,所述方法包括:
步骤201,对当前帧图像进行预处理,得到当前帧灰度图像。
具体地,对视频图像的当前帧图像进行去噪和灰度化处理,得到当前帧灰度图像。
步骤202,获取动态背景和参考背景。
具体地,在视频图像初始化过程中,获取动态背景和参考背景。
动态背景用于检测运动目标,动态背景中包含静止目标;参考背景中不包含静止目标,与动态背景进行比较,通过差异来实现静止目标检测。
为了克服光照渐变、树枝摇动等背景扰动,参考背景支持多个背景状态,背景状态个数由算法外部参数确定(缺省值为3),以提高算法的可用性。动态背景只需一个背景状态,可通过背景的快速更新来适应参考背景的多个背景状态。
为了实现背景的快速更新,动态背景采用滑动平均模型,可大幅减少背景更新的计算量,以提高更新速度。滑动平均模型中,动态改变更新系数α,以提高动态背景更新的收敛速度。当静止目标移动、光照突变时用参考背景修正、调整动态背景,可提高背景更新的收敛速度,增加目标检测的精确性。
参考背景采用多个单高斯模型,以支持不包含静止目标的多个背景状态,且可以适应背景场景缓慢变化。
步骤202之后,所述方法还包括:对当前帧灰度图像和所述参考背景进行背景差分处理,得到第二差分图像;
对第二差分图像进行图像分割;
当分割后图像中只有背景时,利用单高斯模型对分割后图像进行参考背景更新。
步骤203,对所述动态背景和所述参考背景进行背景差异比较,得到静止前景图像。
步骤204,对所述静止前景图像进行图像后处理,得到静止目标。
本申请提供的目标检测方法,背景差分处理采用动态背景和参考背景,实现运动目标和静止目标区分;在图像分割阶段处理光照突变,利用参考背景进行动态背景更新,通过图像的重新差分,进行运动前景的精确检测,计算量小,光照突变处理能力强;对于静止目标判定,通过引入转换延时帧数参数,实现静止目标转换延时的可控性。
图3为本申请实施例三提供的目标检测装置示意图。如图3所示,所述装置包括:第一处理单元301、获取单元302、第二处理单元303、第三处理单元304、第四处理单元305和第五处理单元306。
第一处理单元301,用于对当前帧图像进行预处理,得到当前帧灰度图像;
获取单元302,用于获取动态背景和参考背景;
第二处理单元303,用于对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;
第三处理单元304,用于对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;
第四处理单元305,用于将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像;
第五处理单元306,判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
可选地,所述装置还包括:
第六处理单元307,用于对所述动态背景和所述参考背景进行背景差异比较,得到静止前景图像;
还用于对所述静止前景图像进行图像后处理,得到静止目标。
可选地,所述装置还包括:
第七处理单元308,用于对所述当前帧灰度图像和所述参考背景进行背景差分处理,得到第二差分图像;
还用于对所述第二差分图像进行图像分割;
还用于判断分割后图像是否只有背景,如果是,则进行参考背景更新。
可选地,所述第七处理单元308具体用于:
判断分割后图像是否只有背景,如果是,则利用单高斯模型对分割后图像进行参考背景更新。
可选地,所述装置还包括:
提取单元309,用于当所述第一差分图像不存在光照突变时,提取动态前景;
还用于判断所述动态前景是否存在虚假前景,如果否,则对所述动态前景进行图像后处理,得到运动目标。
可选地,所述装置还包括:
第八处理单元310,用于当所述动态前景存在虚假前景时,进行虚假前景去除处理;
还用于对处理后的动态前景进行动态背景修正。
可选地,所述装置还包括:
动态背景更新单元311,用于根据图像后处理结果进行动态背景更新;
还用于通过改变动态背景更新的参数,控制运动目标转换为静止目标的时间。
可选地,动态背景更新单元311具体用于:
根据图像后处理结果,利用滑动平均模型进行动态背景更新。
本申请实施例三提供的装置植入了本申请实施例一提供的方法,因此,本申请提供的装置的具体工作过程,在此不复赘述。
本申请提供的目标检测装置,背景差分处理采用动态背景和参考背景,实现运动目标和静止目标区分;在图像分割阶段处理光照突变,利用参考背景进行动态背景更新,通过图像的重新差分,进行运动前景的精确检测,计算量小,光照突变处理能力强;对于静止目标判定,通过引入转换延时帧数参数,实现静止目标转换延时的可控性。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的对象及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施方式而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (16)
1.一种目标检测方法,其特征在于,所述方法包括:
对当前帧图像进行预处理,得到当前帧灰度图像;
获取动态背景和参考背景;
对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;
对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;
将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像;
判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述动态背景和所述参考背景进行背景差异比较,得到静止前景图像;
对所述静止前景图像进行图像后处理,得到静止目标。
3.根据权利要求1所述的方法,其特征在于,还包括:
对所述当前帧灰度图像和所述参考背景进行背景差分处理,得到第二差分图像;
对所述第二差分图像进行图像分割;
判断分割后图像是否只有背景,如果是,则进行参考背景更新。
4.根据权利要求3所述的方法,其特征在于,所述判断分割后图像是否只有背景,如果是,则进行参考背景更新具体包括:
判断分割后图像是否只有背景,如果是,则利用单高斯模型对分割后图像进行参考背景更新。
5.根据权利要求1所述的方法,其特征在于,还包括:
当所述第一差分图像不存在光照突变时,提取动态前景;
判断所述动态前景是否存在虚假前景,如果否,则对所述动态前景进行图像后处理,得到运动目标。
6.根据权利要求1所述的方法,其特征在于,还包括:
当所述动态前景存在虚假前景时,进行虚假前景去除处理;
对处理后的动态前景进行动态背景修正。
7.根据权利要求5所述的方法,其特征在于,在对所述动态前景进行图像后处理,得到运动目标之后,所述方法还包括:
根据图像后处理结果进行动态背景更新;
通过改变动态背景更新的参数,控制运动目标转换为静止目标的时间。
8.根据权利要求7所述的方法,其特征在于,所述根据图像后处理结果进行动态背景更新具体包括:
根据图像后处理结果,利用滑动平均模型进行动态背景更新。
9.一种目标检测装置,其特征在于,所述装置包括:
第一处理单元,用于对当前帧图像进行预处理,得到当前帧灰度图像;
获取单元,用于获取动态背景和参考背景;
第二处理单元,用于对所述当前帧灰度图像和所述动态背景进行背景差分处理,得到第一差分图像;
第三处理单元,用于对所述第一差分图像进行图像分割处理,并判断是否存在光照突变,如果是,则利用所述参考背景进行动态背景更新;
第四处理单元,用于将所述当前帧灰度图像和更新后的动态背景进行差分处理及图像分割处理,得到动态前景图像;
第五处理单元,判断所述动态前景图像是否存在虚假前景,如果否,则对所述动态前景图像进行图像后处理,得到运动目标。
10.根据权利要求9所述的装置,其特征在于,还包括:
第六处理单元,用于对所述动态背景和所述参考背景进行背景差异比较,得到静止前景图像;
还用于对所述静止前景图像进行图像后处理,得到静止目标。
11.根据权利要求9所述的装置,其特征在于,还包括:
第七处理单元,用于对所述当前帧灰度图像和所述参考背景进行背景差分处理,得到第二差分图像;
还用于对所述第二差分图像进行图像分割;
还用于判断分割后图像是否只有背景,如果是,则进行参考背景更新。
12.根据权利要求11所述的装置,其特征在于,所述第七处理单元具体用于:
判断分割后图像是否只有背景,如果是,则利用单高斯模型对分割后图像进行参考背景更新。
13.根据权利要求9所述的装置,其特征在于,还包括:
提取单元,用于当所述第一差分图像不存在光照突变时,提取动态前景;
还用于判断所述动态前景是否存在虚假前景,如果否,则对所述动态前景进行图像后处理,得到运动目标。
14.根据权利要求9所述的装置,其特征在于,还包括:
第八处理单元,用于当所述动态前景存在虚假前景时,进行虚假前景去除处理;
还用于对处理后的动态前景进行动态背景修正。
15.根据权利要求9所述的装置,其特征在于,还包括:
动态背景更新单元,用于根据图像后处理结果进行动态背景更新;
还用于通过改变动态背景更新的参数,控制运动目标转换为静止目标的时间。
16.根据权利要求15所述的装置,其特征在于,所述动态背景更新单元具体用于:
根据图像后处理结果,利用滑动平均模型进行动态背景更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510510563.XA CN106469311B (zh) | 2015-08-19 | 2015-08-19 | 目标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510510563.XA CN106469311B (zh) | 2015-08-19 | 2015-08-19 | 目标检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106469311A true CN106469311A (zh) | 2017-03-01 |
CN106469311B CN106469311B (zh) | 2019-11-05 |
Family
ID=58214808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510510563.XA Active CN106469311B (zh) | 2015-08-19 | 2015-08-19 | 目标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106469311B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280842A (zh) * | 2017-12-29 | 2018-07-13 | 广州海昇计算机科技有限公司 | 一种克服光照突变的前景分割方法 |
CN108596910A (zh) * | 2018-03-14 | 2018-09-28 | 浙江大学 | 一种基于单高斯模型的三维声纳点云图像分割方法 |
CN109409315A (zh) * | 2018-11-07 | 2019-03-01 | 浩云科技股份有限公司 | 一种atm机面板区域遗留物检测方法及系统 |
US10776665B2 (en) | 2018-04-26 | 2020-09-15 | Qualcomm Incorporated | Systems and methods for object detection |
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113129227A (zh) * | 2021-03-29 | 2021-07-16 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
US20120177254A1 (en) * | 2009-12-18 | 2012-07-12 | Microsoft Corporation | Motion detection using depth images |
CN102938152A (zh) * | 2012-10-15 | 2013-02-20 | 山东大学 | 一种视频监控中的背景建模方法 |
US20130064295A1 (en) * | 2011-09-09 | 2013-03-14 | Sernet (Suzhou) Technologies Corporation | Motion detection method and associated apparatus |
CN103208126A (zh) * | 2013-04-17 | 2013-07-17 | 同济大学 | 一种自然环境下运动物体监测方法 |
CN104835179A (zh) * | 2015-03-30 | 2015-08-12 | 复旦大学 | 基于动态背景自适应的改进ViBe背景建模算法 |
-
2015
- 2015-08-19 CN CN201510510563.XA patent/CN106469311B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120177254A1 (en) * | 2009-12-18 | 2012-07-12 | Microsoft Corporation | Motion detection using depth images |
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
US20130064295A1 (en) * | 2011-09-09 | 2013-03-14 | Sernet (Suzhou) Technologies Corporation | Motion detection method and associated apparatus |
CN102938152A (zh) * | 2012-10-15 | 2013-02-20 | 山东大学 | 一种视频监控中的背景建模方法 |
CN103208126A (zh) * | 2013-04-17 | 2013-07-17 | 同济大学 | 一种自然环境下运动物体监测方法 |
CN104835179A (zh) * | 2015-03-30 | 2015-08-12 | 复旦大学 | 基于动态背景自适应的改进ViBe背景建模算法 |
Non-Patent Citations (1)
Title |
---|
高斌: "交通图像序列的分割与目标跟踪", 《中国优秀硕士学位全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280842A (zh) * | 2017-12-29 | 2018-07-13 | 广州海昇计算机科技有限公司 | 一种克服光照突变的前景分割方法 |
CN108280842B (zh) * | 2017-12-29 | 2020-07-10 | 广州海昇计算机科技有限公司 | 一种克服光照突变的前景分割方法 |
CN108596910A (zh) * | 2018-03-14 | 2018-09-28 | 浙江大学 | 一种基于单高斯模型的三维声纳点云图像分割方法 |
CN108596910B (zh) * | 2018-03-14 | 2020-05-29 | 浙江大学 | 一种基于单高斯模型的三维声纳点云图像分割方法 |
US10776665B2 (en) | 2018-04-26 | 2020-09-15 | Qualcomm Incorporated | Systems and methods for object detection |
CN109409315A (zh) * | 2018-11-07 | 2019-03-01 | 浩云科技股份有限公司 | 一种atm机面板区域遗留物检测方法及系统 |
CN109409315B (zh) * | 2018-11-07 | 2022-01-11 | 浩云科技股份有限公司 | 一种atm机面板区域遗留物检测方法及系统 |
CN113052047A (zh) * | 2021-03-18 | 2021-06-29 | 北京百度网讯科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113052047B (zh) * | 2021-03-18 | 2023-12-29 | 阿波罗智联(北京)科技有限公司 | 交通事件的检测方法、路侧设备、云控平台及系统 |
CN113129227A (zh) * | 2021-03-29 | 2021-07-16 | 影石创新科技股份有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106469311B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106469311A (zh) | 目标检测方法及装置 | |
WO2021208275A1 (zh) | 一种交通视频背景建模方法及系统 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN111062974B (zh) | 一种使用去除鬼影对前景目标提取的方法及系统 | |
CN103530893B (zh) | 相机抖动场景下基于背景差和运动信息的前景检测方法 | |
CN105513053B (zh) | 一种用于视频分析中背景建模方法 | |
CN110599523A (zh) | 一种融合帧间差分法的ViBe鬼影抑制方法 | |
CN112906485A (zh) | 基于改进的yolo模型的视障人士辅助障碍物感知方法 | |
Suo et al. | An improved adaptive background modeling algorithm based on Gaussian Mixture Model | |
CN108596157B (zh) | 一种基于运动检测的人群惊扰场景检测方法及系统 | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及系统 | |
CN104952256A (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN104463186B (zh) | 一种目标特征检测方法及装置 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN112927262A (zh) | 一种基于视频的相机镜头遮挡检测方法及系统 | |
Zhao et al. | Research of fire smoke detection algorithm based on video | |
CN107301655B (zh) | 一种基于背景建模的视频移动目标侦测方法 | |
Gao et al. | Moving object detection for video surveillance based on improved ViBe | |
Chen et al. | Moving objects detection based on background subtraction combined with consecutive frames subtraction | |
CN106875423A (zh) | 一种用于海量视频流中的移动物体检测与跟踪方法 | |
CN103218916B (zh) | 基于复杂高动态环境建模的闯红灯检测方法及系统 | |
CN111275642A (zh) | 一种基于显著性前景内容的低光照图像增强方法 | |
Wang et al. | Moving target detection based on the improved gaussian mixture model background difference method | |
CN113011228A (zh) | 基于图像处理的地铁车内人群拥挤度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |