CN106548488B - 一种基于背景模型及帧间差分的前景检测方法 - Google Patents
一种基于背景模型及帧间差分的前景检测方法 Download PDFInfo
- Publication number
- CN106548488B CN106548488B CN201610940393.3A CN201610940393A CN106548488B CN 106548488 B CN106548488 B CN 106548488B CN 201610940393 A CN201610940393 A CN 201610940393A CN 106548488 B CN106548488 B CN 106548488B
- Authority
- CN
- China
- Prior art keywords
- background
- point
- pixel
- background model
- foreground
- 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
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
该发明公开了一种基于背景模型及帧间差分的前景检测方法,属于图像处理,特别是前景检测领域。本发明针对光线变化时现有基于背景建模的前景检测方法易将背景检测为前景形成大片阴影或者大的“斑点”的缺陷,利用帧差法对于光线的不敏感性,提出了一种基于背景模型及帧间差分的前景检测方法,该方法的基本思路是利用背景建模对背景像素进行统计同时结合帧间差分判别形成实时的背景像素模型,主要包括背景初始化和背景模型更新。将帧间差分的多邻域像素判别方法融入背景模型的更新,解决现有背景建模方法对于光线的敏感问题。
Description
技术领域
本发明涉及图像处理,特别是前景检测领域。
背景技术
前景检测主要目的是将图像序列中变化区域或者运动目标从背景图像中提取出来。在智能视频处理中,对于监控视频的处理必须要将前景图像从背景中检测出来才能够对运动目标进行进一步的分析,因此前景检测是视频处理的一个关键技术,在视频内容分析、目标分类以及识别跟踪等方面有着重要应用。由于视频图像背景会随着光线、相机抖动等因素影响而发生变化,难以准确地将背景与前景分离开来,同时对于海量视频的处理,前景检测的快慢直接影响着视频处理速度,因此亟需一种快速准确的视频前景检测方法。
常见的前景检测主要有帧差法,背景减除法以及光流法。帧差法是利用两帧之间对应位置像素差来判断是否有图像序列之间是否有重复。操作比较简单,速度较快,但是容易形成双影和空洞,而且检测结果一般为目标轮廓。Horn和Schunck将二维速度场与灰度相联系,引入光流约束方程的算法,利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”,但是计算相当复杂复杂,计算量大,速度较慢。专利CN101635852A提出了一种基于自适应背景建模的实时运动目标检测方法,该方法主要基于差分图像提取运动目标和非运动目标,而针对非运动目标区域实时更新,从而获得自适应更新的实时背景,然后再利用差分图像获得前景图像。但是一般基于高斯背景建模的背景差分方法受环境、光线、抖动等影响较大,且速度较慢。Van Droogenbroeck等人提出了ViBe背景建模方法,但是对于光线变化相对比较敏感,因此,在此基础上我们提出一种基于背景模型及帧间差分的前景检测方法。
发明内容
本发明针对光线变化时现有基于背景建模的前景检测方法易将背景检测为前景形成大片阴影或者大的“斑点”的缺陷,利用帧差法对于光线的不敏感性,提出了一种基于背景模型及帧间差分的前景检测方法,该方法的基本思路是利用背景建模对背景像素进行统计同时结合帧间差分判别形成实时的背景像素模型,主要包括背景初始化和背景模型更新。将帧间差分的多邻域像素判别方法融入背景模型的更新,解决现有背景建模方法对于光线的敏感问题。
为解决以上问题,本发明的技术方案如下:
一种基于背景模型及帧间差分的前景检测方法,包括以下步骤:
步骤1,对背景模型进行初始化:
读取视频的第一帧图像,对每个像素点建立一个样本点集M(x)={V1,V2,...VN}作为初始化的背景模型,由于相邻像素点具有相似性质,在该初始化的背景模型中,V1,V2,...VN为当前像素点邻域点的像素值,N为选取的样本点的个数;
步骤2,判断当前帧的背景与前景;
步骤2-1:通过帧间差分方法判断该帧图像的动态前景;
步骤2-2:计算当前帧动态前景以外的其他像素点的像素值fn(x,y)与该点的对应步骤1获得的背景模型中的各样本点的距离,根据实际情况设定阈值半径R,统计比较结果,距离小于阈值半径的样本点数个为Nmat;
步骤2-3:根据实际情况设定匹配数阈值Nmin,将Nmat与Nmin比较,若Nmat大于Nmin,则判断当前点为背景点;否则判断该点为待定前景点;
步骤2-4:在待定前景点中当Nmat小于Nmin时,统计该像素点及其邻域点中值为0的个数,分别表示为a、b,设定a和b所占的权重比为k:1,M=ka+b,根据实际情况设置阈值T2,若M大于阈值T2,则判断该点为背景点,否则为前景点;
步骤3:将该帧图像中前景点区域进行形态学处理,获取前景点区域图像的轮廓图像;判断轮廓内像素值为255的个数Nunzero,若Nunzero在最小前景阈值Tmin与Tmax之间,则该轮廓为前景;若Nunzero小于Tmin或者大于Tmax,表明该轮廓为背景,Tmin与Tmax的值根据实际情况设定;
步骤4:采用步骤2获得背景点更新步骤1中的背景模型;
步骤5:在连续Nmax帧判断同一点为前景点时,设置该点为背景点,再进行背景模型的更新。
本发明的核心是在于提出了新的背景模型更新规则并进行相关图像处理。主要针对现有前景检测方法对于光线变化的敏感性,利用帧差对于光线变化的不敏感性,在背景模型的更新中融合了帧差法,通过帧差对前景和背景进行进一步探讨,并结合像素邻域帧差的不同结果对背景模型进行不同概率的更新。本发明可以改善光线变化下的前景提取效果。
附图说明
图1为基于背景模型的前景检测流程;
图2为背景建模原理;
图3基于帧间差分的背景模型更新原理。
具体实施方案
为使本发明的具体步骤流程更加清晰,以下结合具体实施例,参照附图对本发明进行进一步详细说明。
下面结合附图对本发明作进一步说明:
如图1所示,基于背景模型及帧间差分的前景检测流程如图1所示。首先输入待处理视频,读取视频第一帧,对第一帧进行背景初始化;然后依次读取视频更新背景模型;最后进行形态学处理,先腐蚀再膨胀,去除小的噪声,再针对大的噪点,先提取前景外轮廓,统计每个轮廓内像素为255的数量,设定最大和最小阈值,保留数量在阈值范围内的轮廓内前景。
算法原理如图2所示,(C1,C2)表示二维欧几里德颜色空间,sR(v(x))为以x为中心R为半径的区域。首先对第一帧进行初始化背景建模,每个像素点的背景模型中样本点为其领域点像素值,在步骤1中,一般样本点个数N为20。然后后面每一帧对背景模型进行更新,将每个待判定的像素点x的像素值v(x)与样本集中的像素点进行比较,即判该点是否在x处的背景样本集中,V1,V2,...VN为当前像素点的背景样本集。以x为中心R(一般设为20)为半径的圆形区域中,如果距离差值大于一个给定的阈值T,那么就认为x点属于背景点。该点有1/rate的概率更新其背景样本集以及领域点的背景样本集,一般rate取16。若小于,进行图3所示的背景更新判定。
在基于背景模型及帧间差分的前景检测方法中,首先求出两帧的帧差二值图diff,然后统计该点以及其8领域点中像素为0的个数分别为a,b,其中a=0或1,0≤b≤8。k一般取值为8。因此M=8a+b(M≤rate),若M大于一个阈值T2(0<T2<16),则判断该点仍为背景点,像素值设为0。该点有M/16的概率去更新该点以及邻域点的像素背景样本集中的一个随机像素值;否则,判段为前景点,像素值设为255。同时,对像素点连续判断为前景点的次数进行统计,记为F(x,y),F(x,y)大于最大累积次数Nmax,一般设为50左右,则证明该点可能为鬼影,将该点重新判断为背景点,并参与其背景样本集及领域点样本集的更新。
如图3(a)所示,设阈值T2=8。在帧差二值图diff中,点v1处的像素值为0,即a=1,8领域中0像素值的个数为6,即b=6,所以M=14,M>T2,判断该点为背景点,并且它有14/16的概率去更新当前帧图像中该点及其领域点的背景样本集。
如图3(b)中,v2处的像素值为255,即a=0,b=5,则M=5,M<T2,判断该点为前景点。
Claims (1)
1.一种基于背景模型及帧间差分的前景检测方法,包括以下步骤:
步骤1,对背景模型进行初始化:
读取视频的第一帧图像,对每个像素点建立一个样本点集M(x)={V1,V2,...VN}作为初始化的背景模型,由于相邻像素点具有相似性质,在该初始化的背景模型中,V1,V2,...VN为当前像素点邻域点的像素值,N为选取的样本点的个数;
步骤2,判断当前帧的背景与前景;
步骤2-1:通过帧间差分方法判断该帧图像的动态前景;
步骤2-2:计算当前帧动态前景以外的其他像素点的像素值fn(x,y)与该点的对应步骤1获得的背景模型中的各样本点的距离,根据实际情况设定阈值半径R,统计比较结果,距离小于阈值半径的样本点数个为Nmat;
步骤2-3:根据实际情况设定匹配数阈值Nmin,将Nmat与Nmin比较,若Nmat大于Nmin,则判断当前点为背景点;否则判断该点为待定前景点;
步骤2-4:在待定前景点中当Nmat小于Nmin时,统计该像素点的个数a,及其邻域点中值为0的个数b,设定a和b所占的权重比为k:1,M=ka+b,根据实际情况设置阈值T2,若M大于阈值T2,则判断该点为背景点,否则为前景点;
步骤3:将该帧图像中前景点区域进行形态学处理,获取前景点区域图像的轮廓图像;判断轮廓内像素值为255的个数Nunzero,若Nunzero在最小前景阈值Tmin与Tmax之间,则该轮廓为前景;若Nunzero小于Tmin或者大于Tmax,表明该轮廓为背景,Tmin与Tmax的值根据实际情况设定;
步骤4:采用步骤2获得背景点更新步骤1中的背景模型;
步骤5:在连续Nmax帧判断同一点为前景点时,设置该点为背景点,再进行背景模型的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610940393.3A CN106548488B (zh) | 2016-10-25 | 2016-10-25 | 一种基于背景模型及帧间差分的前景检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610940393.3A CN106548488B (zh) | 2016-10-25 | 2016-10-25 | 一种基于背景模型及帧间差分的前景检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106548488A CN106548488A (zh) | 2017-03-29 |
CN106548488B true CN106548488B (zh) | 2019-02-15 |
Family
ID=58393095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610940393.3A Active CN106548488B (zh) | 2016-10-25 | 2016-10-25 | 一种基于背景模型及帧间差分的前景检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106548488B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169985A (zh) * | 2017-05-23 | 2017-09-15 | 南京邮电大学 | 一种基于对称帧间差分和背景更新的运动目标检测方法 |
CN108537821A (zh) * | 2018-04-18 | 2018-09-14 | 电子科技大学 | 一种基于视频的运动目标检测方法 |
CN110348327A (zh) * | 2019-06-24 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 实现监控场景中遗留物品检测的方法及装置 |
CN110599523A (zh) * | 2019-09-10 | 2019-12-20 | 江南大学 | 一种融合帧间差分法的ViBe鬼影抑制方法 |
CN110751635B (zh) * | 2019-10-12 | 2024-03-19 | 湖南师范大学 | 一种基于帧间差分和hsv颜色空间的口腔检测方法 |
CN110798592B (zh) * | 2019-10-29 | 2022-01-04 | 普联技术有限公司 | 基于视频图像的物体移动侦测方法、装置、设备及存储介质 |
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 |
CN113132617B (zh) * | 2019-12-31 | 2023-04-07 | 北京中安未来科技有限公司 | 图像抖动判断方法及装置、图像识别触发方法及装置 |
CN111667498B (zh) * | 2020-05-14 | 2023-07-18 | 武汉大学 | 一种面向光学卫星视频的运动舰船目标自动检测方法 |
CN111917976A (zh) * | 2020-07-21 | 2020-11-10 | 青岛聚好联科技有限公司 | 电子设备及图像中运动对象提取方法 |
CN113487559A (zh) * | 2021-07-02 | 2021-10-08 | 南京杰迈视讯科技有限公司 | 一种变电站隔离开关开合状态实时检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331905A (zh) * | 2014-10-31 | 2015-02-04 | 浙江大学 | 一种基于运动物体检测的监控视频摘要提取方法 |
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 |
CN104680521A (zh) * | 2015-02-06 | 2015-06-03 | 哈尔滨工业大学深圳研究生院 | 一种改进的背景建模及前景检测方法 |
WO2015186347A1 (ja) * | 2014-06-03 | 2015-12-10 | 日本電気株式会社 | 検出システム、検出方法及びプログラム記憶媒体 |
CN105931267A (zh) * | 2016-04-15 | 2016-09-07 | 华南理工大学 | 一种基于改进ViBe算法的运动物体检测跟踪方法 |
-
2016
- 2016-10-25 CN CN201610940393.3A patent/CN106548488B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015186347A1 (ja) * | 2014-06-03 | 2015-12-10 | 日本電気株式会社 | 検出システム、検出方法及びプログラム記憶媒体 |
CN104331905A (zh) * | 2014-10-31 | 2015-02-04 | 浙江大学 | 一种基于运动物体检测的监控视频摘要提取方法 |
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 |
CN104680521A (zh) * | 2015-02-06 | 2015-06-03 | 哈尔滨工业大学深圳研究生院 | 一种改进的背景建模及前景检测方法 |
CN105931267A (zh) * | 2016-04-15 | 2016-09-07 | 华南理工大学 | 一种基于改进ViBe算法的运动物体检测跟踪方法 |
Non-Patent Citations (1)
Title |
---|
一种基于帧差法改进的 VIBE 运动目标检测算法;潘璠 等;《电子技术与软件工程》;20160701;第115-116页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106548488A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106548488B (zh) | 一种基于背景模型及帧间差分的前景检测方法 | |
CN111126152B (zh) | 一种基于视频的多目标行人检测与跟踪的方法 | |
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 | |
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN106327520B (zh) | 一种运动目标检测方法及系统 | |
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN102799883B (zh) | 一种从视频图像中提取运动目标的方法及装置 | |
CN104899866B (zh) | 一种智能化的红外小目标检测方法 | |
CN104835145B (zh) | 基于自适应Codebook背景模型的前景检测方法 | |
CN109934224B (zh) | 基于马尔科夫随机场和视觉对比机制的小目标检测方法 | |
Wang et al. | Fire smoke detection based on texture features and optical flow vector of contour | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN108022249A (zh) | 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 | |
CN107564035B (zh) | 基于重要区域识别和匹配的视频跟踪方法 | |
CN103413149B (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN105741319B (zh) | 基于盲目更新策略和前景模型的改进视觉背景提取方法 | |
CN101715070B (zh) | 特定监控视频中的背景自动更新方法 | |
Xia et al. | A novel algorithm for ship detection based on dynamic fusion model of multi-feature and support vector machine | |
CN106204594A (zh) | 一种基于视频图像的弥散性运动物体的方向检测方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN108596157A (zh) | 一种基于运动检测的人群惊扰场景检测方法及系统 | |
Ying-hong et al. | An improved Gaussian mixture background model with real-time adjustment of learning rate | |
CN109035296A (zh) | 一种改进的视频中运动物体检测方法 |
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 |