CN107169985A - 一种基于对称帧间差分和背景更新的运动目标检测方法 - Google Patents

一种基于对称帧间差分和背景更新的运动目标检测方法 Download PDF

Info

Publication number
CN107169985A
CN107169985A CN201710368657.7A CN201710368657A CN107169985A CN 107169985 A CN107169985 A CN 107169985A CN 201710368657 A CN201710368657 A CN 201710368657A CN 107169985 A CN107169985 A CN 107169985A
Authority
CN
China
Prior art keywords
moving target
pixel
frame
mrow
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
Application number
CN201710368657.7A
Other languages
English (en)
Inventor
季露
陈志�
岳文静
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.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201710368657.7A priority Critical patent/CN107169985A/zh
Publication of CN107169985A publication Critical patent/CN107169985A/zh
Pending legal-status Critical Current

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
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics

Abstract

本发明公开一种基于对称帧间差分和背景更新的运动目标检测方法。该方法首先对对称帧间差分法进行改进，将相邻四帧图像两两差分后对得到的差分图像两两进行“或”运算提取运动目标轮廓；接着将第一帧图像当做初始背景，结合当前帧图像和前一帧的背景图像进行背景图像的更新，通过背景差分提取运动目标轮廓；最后将两次提取出的运动目标轮廓进行“与”运算并进行连通性分析和形态学处理，准确地提取到运动目标的完整轮廓。本发明方法解决了对称帧间差分法造成的运动目标拉长、轮廓模糊问题，又避免了滑动平均背景差分法因光线和背景变动的干扰导致运动目标提取不准确，有效地提取出运动目标的完整轮廓，具有较好的实时性和鲁棒性。

Description

一种基于对称帧间差分和背景更新的运动目标检测方法
技术领域
本发明属于图像处理、视频检测和人工智能交叉技术应用领域，尤其涉及一种基于对称帧间差分和背景更新的运动目标检测方法。
背景技术
运动目标检测的目的是从序列图像中将运动目标从背景图像中提取出来，日益成为计算机视觉领域的一个热点问题，在交通监管、公共场所监控等方面有着广泛的应用。静态背景下常用的运动目标检测算法有三种：光流法、背景差分法和帧间差分法。
(1)光流法：利用灰度图像中的像素值变化和目标运动两者之间的关系来检测运动目标，其效果依赖光流估计的准确度，优点是在不需要知道场景任何信息的情况下，能够检测出运动目标，但是计算复杂度高，实时性差，对硬件有较高的要求。
(2)背景差分法：利用当前帧与背景图像相减，并结合阈值检测出运动目标，关键在于如何建立准确的背景模型，实现背景的实时更新。优点是对于复杂背景下的运动目标检测能够提供最完整的特征数据，计算复杂度低，实时性好，但是容易受到光照变化以及天气等自然因素的影响，对环境噪声比较敏感。
(3)帧间差分法：通过对视频图像序列中相邻两帧作差分运算来获得运动目标轮廓，帧间差分法对动态环境有较强的自适应性，对光照变化不敏感，能快速检测出运动目标，但是在目标重叠时形成空洞,导致分割结果不连通，同时无法检测出静止的运动目标。
发明内容
本发明的目的在于弥补现有运动目标检测技术的不足，提出了一种基于对称帧间差分和背景更新的运动目标检测方法。该方法将改进的对称帧间差分法和滑动平均背景差分法相结合，解决了对称帧间差分法造成的运动目标拉长、轮廓模糊，又避免了滑动平均背景差分法因光线和背景变动的干扰导致运动目标提取不准确。本发明有效地提取出运动目标的完整轮廓，具有良好的实时性和鲁棒性。
本发明所述一种融合改进对称帧间差分和背景更新的运动目标检测方法包括以下步骤：
一种基于对称帧间差分和背景更新的运动目标检测方法，具体包含以下步骤：
步骤1，用户输入视频镜头S，定义S＝{f1,f2,...,fn}，fn为第n个镜头帧，fn用大小为r*l的二维矩阵表示，其中，n为正整数，r为矩阵行数，l为矩阵列数；
步骤2，对视频镜头S进行预处理获得运动目标轮廓；具体步骤如下：
步骤2.1，对视频镜头S中的fk-1，fk，fk+1，fk+2进行灰度化处理得到灰度差值图像f′k-1，fk'，f′k+1，f′k+2，对f′k-1，fk'，f′k+1，f′k+2中的每个像素点j进行如下计算：
Dq(j)＝fq'(j)-f′q-1(j)
若Dq(j)＞T,则Gq(j)取值1，则判定j为前景点；
若Dq(j)≤T,则Gq(j)取值0，则判定j为背景点；
则Gq(j)取值1的构成目标轮廓Gq；
其中，2≤k≤n，k≤q≤k+2，fq'(j)为第q帧灰度差值图像fq'第j个像素点的色彩值，f′q-1(j)为第q-1帧灰度差值图像f′q-1第j个像素点的色彩值，Dq(j)为第q帧差分图像中第j个像素点的色彩值，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，T为大津法最优阈值；
步骤2.2，对步骤2.1获取的运动目标轮廓Gq-1、Gq和Gq+1进行如下的逻辑或运算，获得运动目标轮廓Fq；具体计算如下：
则Fq(j)取值1的构成运动目标轮廓Fq；
其中，k+1≤q≤k+2，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，Gq-1(j)为第q-1帧二值图像中运动目标轮廓第j个像素点的色彩值，Fq(j)为处理后第q帧二值图像中运动目标轮廓第j个像素点的色彩值；
步骤3，用滑动平均背景差分法处理视频镜头S获取运动目标轮廓W；
步骤4，对步骤2获取的运动目标轮廓F和步骤3获取的运动目标轮廓W进行处理构建出运动目标的外接矩阵，具体步骤如下：
步骤4.1，对步骤2获取的第k帧运动目标轮廓Fk和步骤3获取的第k帧运动目标轮廓Wk进行逻辑与运算，得到运动目标轮廓Mk，具体计算如下：
则Mk(j)取值1的构成运动目标轮廓Mk；
其中，2≤k≤n，Mk(j)为处理后第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Fk(j)为步骤2检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Wk(j)为步骤3检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；
步骤4.2，对第k帧中运动目标轮廓Mk基于八连通序贯算法进行区域连通性分析构建出运动目标的外接矩阵，具体过程如下：
步骤4.21，从左至右，从上到下对图像进行搜索，寻找灰度值为255且没有标记过的像素点，标记该像素点为A，记录其坐标值；
步骤4.22，在像素点A附近按上、下、左、右、左斜上、左斜下、右斜上、右斜下进行搜索，寻找灰度值为255且没有标记过的像素点，将该像素送入堆栈；
步骤4.23，搜索像素点A的八个方向结束后，取出栈顶的像素点，重复步骤4.21、步骤4.22直至无法搜索到没有标记的像素点为止；
步骤4.24，完成上述过程后，统计标记的像素点并与设定的像素阈值T”相比较，如果大于该阈值，则检测到运动目标；
步骤4.25，区域标记完成后，对整个图像从左到右，从上到下进行一次扫描，找出每个区域中横纵坐标的最大值和最小值，构建出运动目标最小外接矩形。
作为本发明一种基于对称帧间差分和背景更新的运动目标检测方法的进一步优选方案，所述步骤3具体包含如下步骤：
步骤3.1，确定初始背景图像：获取当前镜头帧f，判断f是否等于f1，如果等于，将f1作为初始背景图像b0，否则转到步骤3.2；
步骤3.2，分离运动目标和背景图像：定义背景模型为b，当前镜头帧为f，对f中的每个像素点j，计算：
Q(j)＝f(j)-b(j)；
若Q(j)＞T'，则W(j)取值为1，判定j为前景点；
若Q(j)≤T'，则W(j)取值为0，判定j为背景点；
则W(j)取值为1的构成运动目标轮廓W；
其中，f(j)为当前镜头帧f第j个像素点的色彩值，b(j)为背景模型b第j个点的像素值，T'为色差阈值；
步骤3.3，在第k个镜头帧fk中，对判断为运动目标的像素点，保持原来的背景灰度值；对判断为背景图像的像素点，按照设定的更新速率更新，具体计算公式如下：
bk(j)＝(1-α)bk-1(j)+α·fk(j)
其中2≤k≤n，bk(j)是第k帧背景图像bk第j个点的像素值，fk(j)为第k个镜头帧fk第j个点的像素值，bk-1(j)是第k-1帧背景图像bk-1第j个点的像素值，α为调节更新率，即移动平均时第k帧占的权重，α值越大，第k帧图像前景变化对背景模型的影响越大。
作为本发明一种基于对称帧间差分和背景更新的运动目标检测方法的进一步优选方案，步骤3.2)中，色差阈值T′取30。
作为本发明一种基于对称帧间差分和背景更新的运动目标检测方法的进一步优选方案，步骤3.3)中，调节更新率α取0.01。
作为本发明一种基于对称帧间差分和背景更新的运动目标检测方法的进一步优选方案，步骤4.24)中，像素阈值T″取1000。
本发明提出的一种融合改进对称帧间差分和背景更新的运动目标检测方法，具体有益效果如下：
(1)本发明通过改进对称帧间差分法改善了运动目标出现空洞的问题，减少了光线和背景噪声的干扰，具有良好的实时性和鲁棒性，有效的检测出运动目标完整轮廓；
(2)本发明将三次帧间差分结果进行逻辑“或”运算，有效地改善了运动目标的空洞，最后将改进对称差分结果和滑动平均背景差分结果进行逻辑“与”运算，避免了像素的误检，准确地将运动目标和背景图像分离；
(3)本发明解决了对称帧间差分法造成的运动目标拉长、轮廓模糊和提取运动目标不完整等问题，同时避免了滑动平均背景差分法因背景变动和光线变化导致的运动目标提取不准确，能够获取完整的运动目标信息。
附图说明
图1是改进对称帧间差分法提取运动目标轮廓流程图。
图2是滑动平均背景差分法提取运动目标轮廓流程图。
图3是一种融合改进对称帧间差分和背景更新的运动目标检测方法实现流程图。
具体实施方式
下面对本发明附图的某些实施例作更加详细的描述。
1)输入一个视频序列S＝{f1,f2,...,f30}，fi为第i个镜头帧，用大小为30*30的二维矩阵表示，用改进对称帧间差分法处理视频镜头S提取运动目标轮廓，其算法流程图如图1所示，具体步骤如下：
1.1)以视频镜头S中的f1，f2，f3，f4为例进行灰度化处理得到灰度差值图像f1'，f2'，f3'，f4'，对f1'，f2'，f3'，f4'中的每个像素点j进行如下计算：依次对S中其余元素做同样处理：
Dq(j)＝fq'(j)-f′q-1(j)
若Dq(j)＞T,则Gq(j)取值1，则判定j为前景点；
若Dq(j)≤T,则Gq(j)取值0，则判定j为背景点；
则Gq(j)取值1的构成目标轮廓Gq；
其中，2≤k≤n，k≤q≤k+2，fq'(j)为第q帧灰度差值图像fq'第j个像素点的色彩值，f′q-1(j)为第q-1帧灰度差值图像f′q-1第j个像素点的色彩值，Dq(j)为第q帧差分图像中第j个像素点的色彩值，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，T为大津法最优阈值；
差分图像中大于阈值T就取“1”，表示运动目标；小于阈值T的就取“0”，表示背景图像。因此提取运动目标的准确性就取决于分割阈值，阈值越小，视频中的背景噪声反映比较明显，阈值越大，提取的运动目标空洞越大。本发明采用大津法进行阈值分割，此算法的原理是以最佳门限阈值将图像的灰度值分割成两类，使得两部分的类间方差最大，即背景图像和运动目标分离最明显；
步骤1.2，对步骤1.1获取的运动目标轮廓Gq-1、Gq和Gq+1进行如下的逻辑或运算，获得运动目标轮廓Fq；具体计算如下：
则Fq(j)取值1的构成运动目标轮廓Fq；
其中，k+1≤q≤k+2，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，Gq-1(j)为第q-1帧二值图像中运动目标轮廓第j个像素点的色彩值，Fq(j)为处理后第q帧二值图像中运动目标轮廓第j个像素点的色彩值；经过逻辑“或”运算可以进一步改善了运动目标的空洞现象，获得完整的连通域和运动目标轮廓，但是却造成了运动目标拉长、轮廓模糊，
2)用滑动平均背景差分法处理视频镜头S提取出运动目标轮廓，其算法流程图如图2所示，具体步骤如下：
2.1)确定初始背景图像：获取当前帧f，判断是否是f1，如果是，将f1作为初始背景图像b0，否则转到2.2)；
2.2)：分离运动目标和背景图像：定义背景模型为b，当前帧为f，以当前帧f＝f1为例，计算f中的像素点和b中像素点的色彩差异值：
Q(j)＝f(j)-b(j)
若Q(j)＞T'，则W(j)取值为1，判定j为前景点；
若Q(j)≤T'，则W(j)取值为0，判定j为背景点；
则W(j)取值为1的构成运动目标轮廓W；对S中其余元素做同样处理。
其中，f(j)为当前镜头帧f第j个像素点的色彩值，b(j)为背景模型b第j个点的像素值，T'为色差阈值；
2.3)：背景更新模型：在交通道路上的背景不是固定不变的，背景可能受到一些噪声的干扰，比如天气的变化，摄像机的抖动等等。如果背景不进行更新，则会影响到运动目标估计的准确性，所以背景模型要能够对外界环境变化具有自适应性，实时地对背景模型进行更新。
具体更新方法是：在当前帧中，对于已经判断为运动目标的像素点，仍保持原来的背景灰度值，该区域不予更新；对于已经判断为是背景图像的像素点，则以预先设定的更新速率进行更新，具体计算公式如下：
bk(j)＝0.99bk-1(j)+0.01·fk(j)
其中2≤k≤30，bk(j)是第k帧背景图像bk第j个点的像素值，fk(j)为第k帧图像fk第j个点的像素值，bk-1(j)是第k-1帧背景图像bk-1第j个点的像素值。
滑动平均背景法通过构建背景模型来得到运动目标轮廓，减少了运动目标的空洞现象，避免了运动目标被拉长，轮廓也较清晰，较好的保存了运动目标的完整性。但是由于滑动平均背景法对光线较为敏感，在光线发生变化时会出现部分噪点。
3)：对步骤1)和步骤2)所得运动目标轮廓进行相应的处理，得到完整而又准确的运动目标轮廓，其算法流程图如图3所示，具体步骤如下：
3.1)：对对步骤1)获取的第k帧运动目标轮廓Fk和步骤2)获取的第k帧运动目标轮廓Wk进行逻辑与运算，得到运动目标轮廓Mk，具体计算如下：
则Mk(j)取值1的构成运动目标轮廓Mk；
其中，2≤k≤n，Mk(j)为处理后第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Fk(j)为步骤2检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Wk(j)为步骤3检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；
3.2)：对第k帧中运动目标轮廓Mk基于八连通序贯算法进行区域连通性分析构建出运动目标的外接矩阵，具体过程如下：
3.21)：从左至右，从上到下对图像进行搜索，寻找灰度值为255且没有标记过的像素点，标记该像素点为A，记录其坐标值；
3.22)：，在像素点A附近按上、下、左、右、左斜上、左斜下、右斜上、右斜下进行搜索，寻找灰度值为255且没有标记过的像素点，将该像素送入堆栈；
3.23)：搜索像素点A的八个方向结束后，取出栈顶的像素点，重复步骤4.21、步骤4.22直至无法搜索到没有标记的像素点为止；
3.24)：完成上述过程后，统计标记的像素点并与设定的像素阈值T”相比较，如果大于该阈值，则检测到运动目标；
3.25)：区域标记完成后，对整个图像从左到右，从上到下进行一次扫描，找出每个区域中。
综上所述，本发明通过改进对称帧间差分法改善了运动目标出现空洞的问题，减少了光线和背景噪声的干扰，具有良好的实时性和鲁棒性，有效的检测出运动目标完整轮廓；本发明将三次帧间差分结果进行逻辑“或”运算，有效地改善了运动目标的空洞，最后将改进对称差分结果和滑动平均背景差分结果进行逻辑“与”运算，避免了像素的误检，准确地将运动目标和背景图像分离；本发明解决了对称帧间差分法造成的运动目标拉长、轮廓模糊和提取运动目标不完整等问题，同时避免了滑动平均背景差分法因背景变动和光线变化导致的运动目标提取不准确，能够获取完整的运动目标信息。

Claims (5)

1.一种基于对称帧间差分和背景更新的运动目标检测方法，其特征在于，具体包含以下步骤：
步骤1，用户输入视频镜头S，定义S＝{f1,f2,...,fn}，fn为第n个镜头帧，fn用大小为r*l的二维矩阵表示，其中，n为正整数，r为矩阵行数，l为矩阵列数；
步骤2，对视频镜头S进行预处理获得运动目标轮廓；具体步骤如下：
步骤2.1，对视频镜头S中的fk-1，fk，fk+1，fk+2进行灰度化处理得到灰度差值图像f′k-1，f′k，f′k+1，f′k+2，对f′k-1，f′k，f′k+1，f′k+2中的每个像素点j进行如下计算：
Dq(j)＝f′q(j)-f′q-1(j)
<mrow> <msub> <mi>G</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <msub> <mi>D</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&gt;</mo> <mi>T</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <msub> <mi>D</mi> <mi>q</mi> </msub> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mi>T</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
若Dq(j)＞T,则Gq(j)取值1，则判定j为前景点；
若Dq(j)≤T,则Gq(j)取值0，则判定j为背景点；
则Gq(j)取值1的构成目标轮廓Gq；
其中，2≤k≤n，k≤q≤k+2，f′q(j)为第q帧灰度差值图像fq'第j个像素点的色彩值，f′q-1(j)为第q-1帧灰度差值图像f′q-1第j个像素点的色彩值，Dq(j)为第q帧差分图像中第j个像素点的色彩值，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，T为大津法最优阈值；
步骤2.2，对步骤2.1获取的运动目标轮廓Gq-1、Gq和Gq+1进行如下的逻辑或运算，获得运动目标轮廓Fq；具体计算如下：
则Fq(j)取值1的构成运动目标轮廓Fq；
其中，k+1≤q≤k+2，Gq(j)为第q帧二值图像中运动目标轮廓第j个像素点的色彩值，Gq-1(j)为第q-1帧二值图像中运动目标轮廓第j个像素点的色彩值，Fq(j)为处理后第q帧二值图像中运动目标轮廓第j个像素点的色彩值；
步骤3，用滑动平均背景差分法处理视频镜头S获取运动目标轮廓W；
步骤4，对步骤2获取的运动目标轮廓F和步骤3获取的运动目标轮廓W进行处理构建出运动目标的外接矩阵，具体步骤如下：
步骤4.1，对步骤2获取的第k帧运动目标轮廓Fk和步骤3获取的第k帧运动目标轮廓Wk进行逻辑与运算，得到运动目标轮廓Mk，具体计算如下：
则Mk(j)取值1的构成运动目标轮廓Mk；
其中，2≤k≤n，Mk(j)为处理后第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Fk(j)为步骤2检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；Wk(j)为步骤3检测出的第k帧二值图像中运动目标轮廓第j个像素点的色彩值；
步骤4.2，对第k帧中运动目标轮廓Mk基于八连通序贯算法进行区域连通性分析构建出运动目标的外接矩阵，具体过程如下：
步骤4.21，从左至右，从上到下对图像进行搜索，寻找灰度值为255且没有标记过的像素点，标记该像素点为A，记录其坐标值；
步骤4.22，在像素点A附近按上、下、左、右、左斜上、左斜下、右斜上、右斜下进行搜索，寻找灰度值为255且没有标记过的像素点，将该像素送入堆栈；
步骤4.23，搜索像素点A的八个方向结束后，取出栈顶的像素点，重复步骤4.21、步骤4.22直至无法搜索到没有标记的像素点为止；
步骤4.24，完成上述过程后，统计标记的像素点并与设定的像素阈值T”相比较，如果大于该阈值，则检测到运动目标；
步骤4.25，区域标记完成后，对整个图像从左到右，从上到下进行一次扫描，找出每个区域中横纵坐标的最大值和最小值，构建出运动目标最小外接矩形。
2.根据权利要求1所述的一种基于对称帧间差分和背景更新的运动目标检测方法，其特征在于，所述步骤3具体包含如下步骤：
步骤3.1，确定初始背景图像：获取当前镜头帧f，判断f是否等于f1，如果等于，将f1作为初始背景图像b0，否则转到步骤3.2；
步骤3.2，分离运动目标和背景图像：定义背景模型为b，当前镜头帧为f，对f中的每个像素点j，计算：
Q(j)＝f(j)-b(j)；
<mrow> <mi>W</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msup> <mi>T</mi> <mo>&amp;prime;</mo> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> <mi>Q</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <msup> <mi>T</mi> <mo>&amp;prime;</mo> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
若Q(j)＞T'，则W(j)取值为1，判定j为前景点；
若Q(j)≤T'，则W(j)取值为0，判定j为背景点；
则W(j)取值为1的构成运动目标轮廓W；
其中，f(j)为当前镜头帧f第j个像素点的色彩值，b(j)为背景模型b第j个点的像素值，T'为色差阈值；
步骤3.3，在第k个镜头帧fk中，对判断为运动目标的像素点，保持原来的背景灰度值；对判断为背景图像的像素点，按照设定的更新速率更新，具体计算公式如下：
bk(j)＝(1-α)bk-1(j)+α·fk(j)
其中2≤k≤n，bk(j)是第k帧背景图像bk第j个点的像素值，fk(j)为第k个镜头帧fk第j个点的像素值，bk-1(j)是第k-1帧背景图像bk-1第j个点的像素值，α为调节更新率，即移动平均时第k帧占的权重，α值越大，第k帧图像前景变化对背景模型的影响越大。
3.根据权利要求2所述的一种基于对称帧间差分和背景更新的运动目标检测方法，其特征在于，步骤3.2)中，色差阈值T′取30。
4.根据权利要求2所述的一种基于对称帧间差分和背景更新的运动目标检测方法，其特征在于，步骤3.3)中，调节更新率α取0.01。
5.根据权利要求1所述的一种基于对称帧间差分和背景更新的运动目标检测方法，其特征在于，步骤4.24)中，像素阈值T″取1000。
CN201710368657.7A 2017-05-23 2017-05-23 一种基于对称帧间差分和背景更新的运动目标检测方法 Pending CN107169985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710368657.7A CN107169985A (zh) 2017-05-23 2017-05-23 一种基于对称帧间差分和背景更新的运动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710368657.7A CN107169985A (zh) 2017-05-23 2017-05-23 一种基于对称帧间差分和背景更新的运动目标检测方法

Publications (1)

Publication Number Publication Date
CN107169985A true CN107169985A (zh) 2017-09-15

Family

ID=59820463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710368657.7A Pending CN107169985A (zh) 2017-05-23 2017-05-23 一种基于对称帧间差分和背景更新的运动目标检测方法

Country Status (1)

Country Link
CN (1) CN107169985A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886086A (zh) * 2017-12-01 2018-04-06 中国农业大学 一种基于图像视频的目标动物检测方法及装置
CN108564599A (zh) * 2018-04-08 2018-09-21 广东省智能制造研究所 一种人体运动速度估计方法
CN109035287A (zh) * 2018-07-02 2018-12-18 广州杰赛科技股份有限公司 前景图像提取方法和装置、运动车辆识别方法和装置
CN109146860A (zh) * 2018-08-03 2019-01-04 北京工商大学 全自动机械设备安装泄露检测方法及装置
CN109472808A (zh) * 2018-11-23 2019-03-15 东北大学 一种获取视频中运动目标的检测方法
CN110009800A (zh) * 2019-03-14 2019-07-12 北京京东尚科信息技术有限公司 一种识别方法和设备
CN110175495A (zh) * 2019-01-04 2019-08-27 北京理工大学 一种光学遥感图像的弱小动目标检测方法
CN110349189A (zh) * 2019-05-31 2019-10-18 广州铁路职业技术学院（广州铁路机械学校） 一种基于连续帧间差分的背景图像更新方法
CN110634152A (zh) * 2019-08-08 2019-12-31 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
CN111242051A (zh) * 2020-01-16 2020-06-05 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN111310643A (zh) * 2020-02-12 2020-06-19 北京师范大学 一种基于点云数据的车辆计数方法、装置及电子设备
CN111415372A (zh) * 2020-03-20 2020-07-14 桂林电子科技大学 一种基于hsi颜色空间和上下文信息的运动目标归并方法
CN112446889A (zh) * 2020-07-01 2021-03-05 龚循安 一种基于超声的医学视频读取方法
CN112883924A (zh) * 2021-03-23 2021-06-01 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN113487635A (zh) * 2021-07-01 2021-10-08 盛视科技股份有限公司 一种基于图像差分的仰卧起坐计数方法
TWI756723B (zh) * 2020-06-29 2022-03-01 大陸商北京集創北方科技股份有限公司 用於摺疊式觸控顯示裝置之疊屏誤觸識別方法、摺疊式觸控顯示裝置及資訊處理裝置
CN114283356A (zh) * 2021-12-08 2022-04-05 上海韦地科技集团有限公司 一种移动图像的采集分析系统及方法
CN117132948A (zh) * 2023-10-27 2023-11-28 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621615A (zh) * 2009-07-24 2010-01-06 南京邮电大学 一种自适应背景建模及运动目标检测方法
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
CN105472204A (zh) * 2014-09-05 2016-04-06 南京理工大学 基于运动检测的帧间降噪方法
CN106548488A (zh) * 2016-10-25 2017-03-29 电子科技大学 一种基于背景模型及帧间差分的前景检测方法
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101621615A (zh) * 2009-07-24 2010-01-06 南京邮电大学 一种自适应背景建模及运动目标检测方法
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
CN105472204A (zh) * 2014-09-05 2016-04-06 南京理工大学 基于运动检测的帧间降噪方法
CN106548488A (zh) * 2016-10-25 2017-03-29 电子科技大学 一种基于背景模型及帧间差分的前景检测方法
CN106846359A (zh) * 2017-01-17 2017-06-13 湖南优象科技有限公司 基于视频序列的运动目标快速检测方法

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107886086A (zh) * 2017-12-01 2018-04-06 中国农业大学 一种基于图像视频的目标动物检测方法及装置
CN108564599B (zh) * 2018-04-08 2020-11-24 广东省智能制造研究所 一种人体运动速度估计方法
CN108564599A (zh) * 2018-04-08 2018-09-21 广东省智能制造研究所 一种人体运动速度估计方法
CN109035287A (zh) * 2018-07-02 2018-12-18 广州杰赛科技股份有限公司 前景图像提取方法和装置、运动车辆识别方法和装置
CN109035287B (zh) * 2018-07-02 2021-01-12 广州杰赛科技股份有限公司 前景图像提取方法和装置、运动车辆识别方法和装置
CN109146860A (zh) * 2018-08-03 2019-01-04 北京工商大学 全自动机械设备安装泄露检测方法及装置
CN109146860B (zh) * 2018-08-03 2021-04-27 北京工商大学 全自动机械设备安装泄露检测方法及装置
CN109472808A (zh) * 2018-11-23 2019-03-15 东北大学 一种获取视频中运动目标的检测方法
CN110175495A (zh) * 2019-01-04 2019-08-27 北京理工大学 一种光学遥感图像的弱小动目标检测方法
CN110009800A (zh) * 2019-03-14 2019-07-12 北京京东尚科信息技术有限公司 一种识别方法和设备
CN110009800B (zh) * 2019-03-14 2023-04-07 北京京东乾石科技有限公司 一种识别方法和设备
CN110349189A (zh) * 2019-05-31 2019-10-18 广州铁路职业技术学院（广州铁路机械学校） 一种基于连续帧间差分的背景图像更新方法
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
CN110634152A (zh) * 2019-08-08 2019-12-31 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
CN111242051A (zh) * 2020-01-16 2020-06-05 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN111242051B (zh) * 2020-01-16 2023-09-15 广州杰赛科技股份有限公司 一种车辆识别优化方法、装置及存储介质
CN111310643A (zh) * 2020-02-12 2020-06-19 北京师范大学 一种基于点云数据的车辆计数方法、装置及电子设备
CN111310643B (zh) * 2020-02-12 2023-08-29 北京师范大学 一种基于点云数据的车辆计数方法、装置及电子设备
CN111415372B (zh) * 2020-03-20 2023-04-25 桂林电子科技大学 一种基于hsi颜色空间和上下文信息的运动目标归并方法
CN111415372A (zh) * 2020-03-20 2020-07-14 桂林电子科技大学 一种基于hsi颜色空间和上下文信息的运动目标归并方法
TWI756723B (zh) * 2020-06-29 2022-03-01 大陸商北京集創北方科技股份有限公司 用於摺疊式觸控顯示裝置之疊屏誤觸識別方法、摺疊式觸控顯示裝置及資訊處理裝置
CN112446889A (zh) * 2020-07-01 2021-03-05 龚循安 一种基于超声的医学视频读取方法
CN112883924A (zh) * 2021-03-23 2021-06-01 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN112883924B (zh) * 2021-03-23 2022-08-30 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN113487635A (zh) * 2021-07-01 2021-10-08 盛视科技股份有限公司 一种基于图像差分的仰卧起坐计数方法
CN114283356A (zh) * 2021-12-08 2022-04-05 上海韦地科技集团有限公司 一种移动图像的采集分析系统及方法
CN117132948A (zh) * 2023-10-27 2023-11-28 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机
CN117132948B (zh) * 2023-10-27 2024-01-30 南昌理工学院 景区游客流量监控方法、系统、可读存储介质及计算机

Similar Documents

Publication Publication Date Title
CN107169985A (zh) 一种基于对称帧间差分和背景更新的运动目标检测方法
CN111126472B (zh) 一种基于ssd改进的目标检测方法
Changzhen et al. A traffic sign detection algorithm based on deep convolutional neural network
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN107273896A (zh) 一种基于图像识别的车牌检测识别方法
CN105427626B (zh) 一种基于视频分析的车流量统计方法
CN102521616B (zh) 基于稀疏表示的行人检测方法
CN106022232A (zh) 基于深度学习的车牌检测方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
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
CN110889398B (zh) 一种基于相似度网络的多模态图像能见度检测方法
CN105046206B (zh) 基于视频中运动先验信息的行人检测方法及装置
CN112200143A (zh) 一种基于候选区域网络和机器视觉的道路病害检测方法
CN104751466B (zh) 一种基于显著性的形变物体跟踪方法及其系统
CN104156731A (zh) 基于人工神经网络的车牌识别系统与方法
CN112766136B (zh) 一种基于深度学习的空间车位检测方法
CN109377511B (zh) 基于样本组合和深度检测网络的运动目标跟踪方法
CN107038416A (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN101727654A (zh) 一种并行流水线实现的点目标连通域实时标记与识别方法
CN108256462A (zh) 一种商场监控视频中的人数统计方法
US20220315243A1 (en) Method for identification and recognition of aircraft take-off and landing runway based on pspnet network
CN105469111A (zh) 基于改进的mfa和迁移学习的小样本集的物体分类方法
CN106570885A (zh) 基于亮度和纹理融合阈值的背景建模方法
CN103310006A (zh) 一种车辆辅助驾驶系统中的感兴趣区域提取方法
CN113610024B (zh) 一种多策略的深度学习遥感影像小目标检测方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170915

WD01 Invention patent application deemed withdrawn after publication