CN107169997A - 面向夜间环境下的背景减除算法 - Google Patents

面向夜间环境下的背景减除算法 Download PDF

Info

Publication number
CN107169997A
CN107169997A CN201710399189.XA CN201710399189A CN107169997A CN 107169997 A CN107169997 A CN 107169997A CN 201710399189 A CN201710399189 A CN 201710399189A CN 107169997 A CN107169997 A CN 107169997A
Authority
CN
China
Prior art keywords
pixel
pixels
location
classified
background
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
Application number
CN201710399189.XA
Other languages
English (en)
Other versions
CN107169997B (zh
Inventor
王斌
曹峰银
吴芬
林俪
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710399189.XA priority Critical patent/CN107169997B/zh
Publication of CN107169997A publication Critical patent/CN107169997A/zh
Application granted granted Critical
Publication of CN107169997B publication Critical patent/CN107169997B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
    • 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
    • G06T2207/20004—Adaptive image processing
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction

Abstract

本公开内容涉及一种面向夜间环境下的背景减除算法，该方法包括接收用于AMBER的背景模型以及当前帧；利用LBSP算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。依据本公开内容的背景减除方法利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。

Description

面向夜间环境下的背景减除算法
技术领域
本公开内容涉及背景减除方法，更具体地涉及一种综合了现有的适应性多分辨率背景提取（AMBER）背景减除方法以及利用局部二值相似性模式（LBSP）算子的背景减除方法的优点的新型的面向夜间环境下的背景减除算法。
背景技术
背景减除方法是一类将不感兴趣的区域剔除而只将感兴趣的前景目标保留的目标检测算法的总称。随着计算机视觉的发展，诸如目标跟踪和目标识别等高层次的应用逐渐成为某些应用场景中最为基本的需求。目标检测是这些高层次计算机视觉应用的基础，因此有必要探索检测结果更加精确、实时性更好、鲁棒性更强的背景减除方法，以满足高层次计算机视觉应用的需求。
在现有技术中，例如论文“AMBER: Adapting Multi-Resolution BackgroundExtractor，IEEE International Conference on Image Processing， ICIP 2013，Melbourne， Australia”（作者：B. Wang和P. Dudek）提出了一种适应性多分辨率背景提取（AMBER）背景减除方法，该背景减除算法只将像素值作为构建模型的唯一依据，因此当该背景减除算法应用在前景像素值与背景像素值差别并不大的夜间环境下时，其检测结果自然不会很精确。而论文“SubSENSE：A Universal Change Detection Method With LocalAdaptive Sensitivity，IEEE Transactions on Image Processing，Vol.24，No. 1，January 2015（作者：Pierre-Luc St-Charles，G.A.Bilodeau，R.Bergevin）”虽然将LBSP算子加入到背景模型中，并且在模型更新阶段使用了八邻域空间一致性，但仅仅只在像素分类阶段考虑像素间的空间一致性，并且空间一致性的考虑范围仅仅限定在八邻域的空间是不足以得到更好的检测结果的。更为重要的是，虽然该算法考虑到动态调整像素点分类时的阈值及背景模型更新率，但没有考虑到其他行为类似的像素位置也应该一同调整像素分类阈值及模型更新率。
综上所述，现有技术中的背景减除方法应用在夜晚环境下拍摄的视频序列时，并不能给出效果很好的检测结果。
发明内容
基于上述技术问题，本公开内容期望提出了一种更适合在夜间条件下应用的背景减除方法，其能够针对已有背景减除方法在夜间环境下对前景感兴趣目标的检测结果并不精确而做出改进，从而获得更好的检测效果。
依据根据本公开内容的一个示例性方面，面向夜间环境下的背景减除算法包括：
接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；
利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；
将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及
针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。
在依据本公开内容的一种实施方式中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：
当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类。
在依据本公开内容的一种实施方式中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：
当所述当前帧的像素不满足第一预定条件或不满足第二预定条件时，所述当前帧的所述像素被分类为前景点类。
在依据本公开内容的一种实施方式中，将所述前景点类进一步分类为感兴趣的目标以及闪烁像素进一步包括：
当所述当前帧的所述像素被分类为前景点类并且所述当前帧的所述像素不是闪烁像素时，所述当前帧的所述像素被分类为感兴趣的目标；否则
所述当前帧的所述像素被分类为闪烁像素。
在依据本公开内容的一种实施方式中，所述背景减除方法还包括：针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率，其中，
针对被分类为感兴趣的目标的像素位置及所述被分类为感兴趣的目标的像素位置周围与其具有第一行为相似度的像素位置，以第一幅度降低像素分类阈值和背景模型的更新率；
针对所述被分类为感兴趣的目标的像素位置周围与其具有第二行为相似度的像素位置，以第二幅度降低像素分类阈值和背景模型的更新率，其中，所述第一行为相似度高于所述第二行为相似度并且所述第一幅度大于所述第二幅度。
在依据本公开内容的一种实施方式中，针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率进一步包括：
针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率；
针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第四行为相似度的像素位置，以第四幅度增大像素分类阈值和背景模型的更新率，其中，所述第三行为相似度高于所述第四行为相似度并且所述第三幅度大于所述第四幅度。
在依据本公开内容的一种实施方式中，针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率进一步包括：
当被分类为闪烁像素的像素位置经过第一预定次数的调整之后仍被分类为闪烁像素时，所述第三幅度依次递增。
在依据本公开内容的一种实施方式中，当被分类为闪烁像素的像素位置经过第二预定次数的调整之后仍被分类为闪烁像素时，删除该像素位置，其中，所述第二预定次数多于所述第一预定次数。
在依据本公开内容的一种实施方式中，所述闪烁像素的像素位置根据当前帧以及所述当前帧的前两帧进行判断。
在依据本公开内容的一种实施方式中，所述闪烁像素包括：
- 全分辨率下的检测结果和低分辨率下的检测结果之间的差异；
- 全分辨率下的检测结果和经过后处理的全分辨率下的检测结果之间的差异；以及
- 低分辨率下的检测结果和经过后处理的低分辨率下的检测结果之间的差异。
依据本公开内容的背景减除方法综合了背景技术中所提及的两种背景减除方法的优点并克服了它们的不足，利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。
附图说明
图1示出了依据本公开内容的面向夜间环境下的背景减除算法的流程图100；
图2示出了依据图1的背景减除方法的方框示意图200；
图3示出了针对每个像素位置进行分类的方框示意图300；
图4示出了针对前景点类的像素位置的像素分类阈值以及背景模型的更新率的动态学习过程的方框示意图400。
具体实施方式
本公开内容所提出的背景减除方法通过学习关联区域并利用学习结果动态调整周边一定范围内像素的像素分类阈值及背景模型的更新率。具体说来，需要动态调整的是前景点类，而前景点类按性质可分为背景动态和感兴趣的目标。在调整时需要对标记为背景动态的像素位置增大像素分类阈值和背景模型的更新率，而感兴趣的目标则降低阈值和背景模型的更新率。
此外，本公开内容所提出的用于背景减除方法的动态调整吸纳了超像素的观点不再受限于像素间八邻域的几何关系，而是从像素位置间行为的相似程度出发，从而扩大了像素位置间的空间一致性，进而将行为相似的像素整体作为超像素群动态调整。
通过学习关联区域，也即是学习像素在被分类为前景点类的情况下，分别作为真正感兴趣前景和背景动态的情况。对某一像素位置，通过学习关联区域的“分群”结果可能不唯一，某位置像素点可能与某些像素点组成的超像素群是紧耦合的，也就是说这些像素点间行为相似程度很高；反之，该位置像素点有可能与另一些像素点组成的超像素群是松耦合的，也就是说这些像素点间行为相似程度较低。因此，每次动态调整的范围不仅与前景像素的性质有关，还与当前像素位置和不同超像素群间的行为相似度有关。
如前所述，若某像素位置为感兴趣的检测目标，则与其行为相似度高的像素群及其本身均以相同的较大幅度分别降低像素分类阈值及模型更新率；而与该像素位置行为相似度较低的像素群则以相同的较小幅度降低像素分类阈值及模型更新率。
反之，若某像素位置为背景动态，则与其行为相似度较高的像素群及其本身均以相同较大幅度分别增大像素分类阈值及模型更新率；而与该像素位置行为相似度较低的像素群则以相同的较小幅度增大像素分类阈值及模型更新率。若某像素位置在一定时间内保持同一种状态不变，则调整该像素位置阈值及模型更新率取值范围的上下边界。
再者，本公开内容重新定义了“闪烁像素（Blinking Pixel）”，具体定义如下：闪烁像素不仅包含了全分辨率下的检测结果和低分辨率下的检测结果之间的差异，还包含了全分辨下的检测结果和经过简单后处理的全分辨率下的检测结果之间的差异，以及低分辨率下的检测结果和经过简单后处理的低分辨率下的检测结果之间的差异；
若用（t-2，t-1，t）表示连续三帧，某像素位置分别对应于t-2帧、t-1帧以及当前帧t取值有如下之一的特征（0，255，0）或（255，0，255）。以上两部分合并起来的结果就是本文中定义的“闪烁像素（Blinking Pixel）”。采用连续三帧的原因是考虑到在连续两帧中可能会出现突然运动的背景物体或运动的物体进入场景的情况。
通过重新定义，将噪声和背景动态引发的前景归并在一起。在动态调整以及后处理阶段，通过使这两部分性质不同的前景每次调整的幅度、调整后的取值范围最大最小值的不同以及超过不同的阈值后从检测结果中剔除，这三个不同的部分达到分别处理两部不同性质前景的目的，以使检测结果更加准确、噪声干扰更加不明显的。
对于被标记为“闪烁像素（Blinking Pixel）”的像素位置，若连续经过一定次数的调整之后，该像素位置仍旧被标记为“闪烁像素（Blinking Pixel）”，则采用分段式调整策略。在分段式调整策略中，每次调整阈值增加的幅度依次增大，直至该位置性质改变。
针对通过一系列后处理和反馈机制都无法消除的“顽固”前景区域：若是“闪烁像素（Blinking Pixel）”并且没有被从检测结果中消除，则直接将其从检测结果中去除，并且不再计算该像素位置的LBSP；一旦该像素位置不再闪烁，则意味着该像素位置此时变为真正的前景点类，则在检测结果中将其恢复，同时恢复该像素位置的LBSP检测；若不是“闪烁像素（Blinking Pixel）”，但较长时间内的真实值却在某几个取值区间不停"波动"，则将其视为闪烁，先将该区域所有前景像素标记为“闪烁像素（Blinking Pixel）”，若一定时间后依然保持闪烁状态，则按"顽固"前景点类处理。
针对由于间歇运动造成的“ghost”问题，若运动的物体突然在某区域静止，则存储该区域前一时刻的真实值，若物体一旦继续运动，则立即将该区域存储的值添加进模型，起到迅速恢复模型的作用；若是由于初始化造成的“ghost”，只针对视频序列的前几帧而言，若当前帧某区域为前景，但在之后一帧通过将该区域每个像素位置与周围区域的比较发现该区域实质应为背景区域，则立即将该区域的模型值舍弃，用新的真实值作为模型的值。
抽象而言，依据本公开内容的背景减除方法通过LBSP纹理和边缘信息加强像素间关联区域的学习过程，以期通过更为精确的学习结果对模型的像素分类阈值和模型更新率的动态调整，获得更好的检测结果。此外，依据本公开内容的背景减除方法对背景模型的进一步改进，其将当前帧中的边缘信息加入模型或另行采用边缘信息构建模型。通过边缘信息的加入，使检测结果中感兴趣的前景区域更加完整同时有效的防止了错误的像素分类在后续视频中的传播。 如若对LBSP纹理特征、边缘信息、像素灰度值等要素分别构建背景模型，通过“仲裁”机制的使用，对每一个像素点的分类更加准确，检测结果更加精确。再者，依据本公开内容的背景减除方法进一步扩大了“闪烁像素（Blinking Pixel）”的定义范围，统计在基于像素值判定过程被分类为背景点类、而在LBSP检测过程却被分类为前景点类的像素的次数，一旦该统计值达到某阈值后，则将该像素点添加进“Blinking Pixel”中。
以下将结合所附附图，进一步详细描述依据本公开内容的背景减除方法，图1示出了依据本公开内容的面向夜间环境下的背景减除算法的流程图100，从图中可以看出，依据本公开内容的面向夜间环境下的背景减除算法100首先在方法步骤110中接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；然后，在接下来的方法步骤120中利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；然后，在方法步骤130中将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及最后在方法步骤140中针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。依据本公开内容的背景减除方法综合了背景技术中所提及的两种背景减除方法的优点并克服了它们的不足，利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。在本公开内容的上下文中，术语“闪烁像素”和“背景动态”表示同一概念。
以下将结合图2进一步描述依据图1的背景减除方法，图2示出了依据图1的背景减除方法的方框示意图200，从图中可以看出，依据本公开内容的面向夜间环境下的背景减除算法首先接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧，然后针对该当前帧中的每个像素位置实施像素分类过程，具体而言，在实施像素分类过程中，首先利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类，然后，再将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；并且随后针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。该像素分类阈值将会随着场景复杂度的变化进行动态调整，与之相对应地，背景模型的更新率也会会随着场景复杂度的变化进行动态调整。
接下来，图3示出了针对每个像素位置进行分类的方框示意图300。从图中可以看出，针对所接收到的背景模型和当前帧，为背景模型与当前帧对应位置的像素值进行条件判断，具体而言，当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类；当所述当前帧的像素不满足第一预定条件或不满足第二预定条件时，所述当前帧的所述像素被分类为前景点类。在此，从图中可以看出，该处的第一预定条件为|P-Bk|<Thcolor，而第二预定条件为H(LBSPf，LBSPM)≤ThLBSP。当所述当前帧的所述像素被分类为前景点类并且所述当前帧的所述像素不是闪烁像素时，所述当前帧的所述像素被分类为感兴趣的目标；否则所述当前帧的所述像素被分类为闪烁像素。
图4示出了针对前景点类的像素位置的像素分类阈值以及背景模型的更新率的动态学习过程的方框示意图400。从图中可以看出，针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率，其中，针对被分类为感兴趣的目标的像素位置及所述被分类为感兴趣的目标的像素位置周围与其具有第一行为相似度的像素位置，以第一幅度降低像素分类阈值和背景模型的更新率；针对所述被分类为感兴趣的目标的像素位置周围与其具有第二行为相似度的像素位置，以第二幅度降低像素分类阈值和背景模型的更新率，其中，所述第一行为相似度高于所述第二行为相似度并且所述第一幅度大于所述第二幅度。针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率进一步包括：针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率；针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第四行为相似度的像素位置，以第四幅度增大像素分类阈值和背景模型的更新率，其中，所述第三行为相似度高于所述第四行为相似度并且所述第三幅度大于所述第四幅度。针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率进一步包括：当被分类为闪烁像素的像素位置经过第一预定次数的调整之后仍被分类为闪烁像素时，所述第三幅度依次递增。当被分类为闪烁像素的像素位置经过第二预定次数的调整之后仍被分类为闪烁像素时，删除该像素位置，其中，所述第二预定次数多于所述第一预定次数。
依据本公开内容的背景减除方法综合了背景技术中所提及的两种背景减除方法的优点并克服了它们的不足，利用原AMBER背景减除方法中的背景模型并将LBSP算子引入像素分类阶段，进而通过学习关联区域并利用学习结果动态调整特定的像素位置及其周边的像素位置的像素分类阈值及背景模型的更新率，从而使得应用在夜间拍摄的视频序列中时能够获得更为精确的检测结果。
尽管出于图释本公开内容的目的已经示出了某些典型的实施方式和细节，但是对于本领域技术人员而言显而易见的是，在没有脱离本公开内容范围的情况下在此公开的方法和装置可以进行各种变化。

Claims (10)

1.一种面向夜间环境下的背景减除算法，所述方法包括：
接收用于适应性多分辨率背景提取（AMBER）的背景模型以及当前帧；
利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素位置分类为背景点类和前景点类；
将所述前景点类进一步分类为感兴趣的目标以及闪烁像素；以及
针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和所述背景模型的更新率。
2.根据权利要求1所述的背景减除方法，其中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：
当所述当前帧的像素满足第一预定条件并且满足第二预定条件时，所述当前帧的所述像素被分类为背景点类。
3.根据权利要求1或2所述的背景减除方法，其中，利用局部二值相似性模式（LBSP）算子并根据像素分类阈值将所述当前帧的像素分类为背景点类和前景点类进一步包括：
当所述当前帧的像素不满足第一预定条件或不满足第二预定条件时，所述当前帧的所述像素被分类为前景点类。
4.根据权利要求3所述的背景减除方法，其中，将所述前景点类进一步分类为感兴趣的目标以及闪烁像素进一步包括：
当所述当前帧的所述像素被分类为前景点类并且所述当前帧的所述像素不是闪烁像素时，所述当前帧的所述像素被分类为感兴趣的目标；否则
所述当前帧的所述像素被分类为闪烁像素。
5.根据权利要求1所述的背景减除方法，其中，所述背景减除方法还包括：针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率，其中，
针对被分类为感兴趣的目标的像素位置及所述被分类为感兴趣的目标的像素位置周围与其具有第一行为相似度的像素位置，以第一幅度降低像素分类阈值和背景模型的更新率；
针对所述被分类为感兴趣的目标的像素位置周围与其具有第二行为相似度的像素位置，以第二幅度降低像素分类阈值和背景模型的更新率，其中，所述第一行为相似度高于所述第二行为相似度并且所述第一幅度大于所述第二幅度。
6.根据权利要求1所述的背景减除方法，其中，针对被分类为闪烁像素的像素位置学习关联区域并根据关联区域的学习结果动态更新所述像素分类阈值和背景模型的更新率进一步包括：
针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率；
针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第四行为相似度的像素位置，以第四幅度增大像素分类阈值和背景模型的更新率，其中，所述第三行为相似度高于所述第四行为相似度并且所述第三幅度大于所述第四幅度。
7.根据权利要求6所述的背景减除方法，其中，针对被分类为闪烁像素的像素位置及所述被分类为闪烁像素的像素位置周围与其具有第三行为相似度的像素位置，以第三幅度增大像素分类阈值和所述背景模型的更新率进一步包括：
当被分类为闪烁像素的像素位置经过第一预定次数的调整之后仍被分类为闪烁像素时，所述第三幅度依次递增。
8.根据权利要求7所述的方法，其中，当被分类为闪烁像素的像素位置经过第二预定次数的调整之后仍被分类为闪烁像素时，删除该像素位置，其中，所述第二预定次数多于所述第一预定次数。
9.根据权利要求1所述的背景减除方法，其中，所述闪烁像素的像素位置根据当前帧以及所述当前帧的前两帧进行判断。
10.根据权利要求1至9中任一项所述的背景减除方法，其中，所述闪烁像素包括：
全分辨率下的检测结果和低分辨率下的检测结果之间的差异；
全分辨率下的检测结果和经过后处理的全分辨率下的检测结果之间的差异；以及
低分辨率下的检测结果和经过后处理的低分辨率下的检测结果之间的差异。
CN201710399189.XA 2017-05-31 2017-05-31 面向夜间环境下的背景减除方法 Active CN107169997B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710399189.XA CN107169997B (zh) 2017-05-31 2017-05-31 面向夜间环境下的背景减除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710399189.XA CN107169997B (zh) 2017-05-31 2017-05-31 面向夜间环境下的背景减除方法

Publications (2)

Publication Number Publication Date
CN107169997A true CN107169997A (zh) 2017-09-15
CN107169997B CN107169997B (zh) 2020-04-21

Family

ID=59822197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710399189.XA Active CN107169997B (zh) 2017-05-31 2017-05-31 面向夜间环境下的背景减除方法

Country Status (1)

Country Link
CN (1) CN107169997B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060278A (zh) * 2019-04-22 2019-07-26 新疆大学 基于背景减法的运动目标的检测方法及装置
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208986A1 (en) * 2009-02-18 2010-08-19 Wesley Kenneth Cobb Adaptive update of background pixel thresholds using sudden illumination change detection
CN102622576A (zh) * 2011-01-31 2012-08-01 索尼公司 背景建模的方法和装置及检测视频中背景的方法和装置
KR101268596B1 (ko) * 2011-07-28 2013-06-04 광주과학기술원 정사각 코드북과 다중 경계 값이 적용된 텍스쳐 특징을 이용한 전경 검출 장치 및 방법
US20130162867A1 (en) * 2011-12-21 2013-06-27 Canon Kabushiki Kaisha Method and system for robust scene modelling in an image sequence
CN105205832A (zh) * 2015-08-31 2015-12-30 清华大学深圳研究生院 一种运动目标检测的方法
CN105513053A (zh) * 2015-11-26 2016-04-20 河海大学 一种用于视频分析中背景建模方法
CN105741319A (zh) * 2016-01-22 2016-07-06 浙江工业大学 基于盲目更新策略和前景模型的改进视觉背景提取方法
CN105894534A (zh) * 2016-03-25 2016-08-24 中国传媒大学 一种基于ViBe的改进运动目标检测方法
CN106023249A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于局部二值相似性模式的运动目标检测方法
CN106056062A (zh) * 2016-05-27 2016-10-26 东南大学 一种基于自适应局部特征背景模型的车辆检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100208986A1 (en) * 2009-02-18 2010-08-19 Wesley Kenneth Cobb Adaptive update of background pixel thresholds using sudden illumination change detection
CN102622576A (zh) * 2011-01-31 2012-08-01 索尼公司 背景建模的方法和装置及检测视频中背景的方法和装置
KR101268596B1 (ko) * 2011-07-28 2013-06-04 광주과학기술원 정사각 코드북과 다중 경계 값이 적용된 텍스쳐 특징을 이용한 전경 검출 장치 및 방법
US20130162867A1 (en) * 2011-12-21 2013-06-27 Canon Kabushiki Kaisha Method and system for robust scene modelling in an image sequence
CN105205832A (zh) * 2015-08-31 2015-12-30 清华大学深圳研究生院 一种运动目标检测的方法
CN105513053A (zh) * 2015-11-26 2016-04-20 河海大学 一种用于视频分析中背景建模方法
CN105741319A (zh) * 2016-01-22 2016-07-06 浙江工业大学 基于盲目更新策略和前景模型的改进视觉背景提取方法
CN105894534A (zh) * 2016-03-25 2016-08-24 中国传媒大学 一种基于ViBe的改进运动目标检测方法
CN106023249A (zh) * 2016-05-13 2016-10-12 电子科技大学 一种基于局部二值相似性模式的运动目标检测方法
CN106056062A (zh) * 2016-05-27 2016-10-26 东南大学 一种基于自适应局部特征背景模型的车辆检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
BIN WANG 等: "AMBER: ADAPTING MULTI-RESOLUTION BACKGROUND EXTRACTOR", 《ICIP 2013》 *
GUILLAUME-ALEXANDRE BILODEAU 等: "Change Detection in Feature Space using Local Binary Similarity Patterns", 《2013 INTERNATIONAL CONFERENCE ON COMPUTER AND ROBOT VISION》 *
M. VAN DROOGENBROECK 等: "Background Subtraction: Experiments and Improvements for ViBe", 《CHANGE DETECTION WORKSHOP》 *
PIERRE-LUC ST-CHARLES 等: "SuBSENSE: A Universal Change Detection Method With Local Adaptive Sensitivity", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
任典元 等: "基于颜色和局部二值相似模式的背景减除", 《计算机科学》 *
李伟生 等: "一种基于自适应混合模型的背景减除法", 《计算机工程与科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060278A (zh) * 2019-04-22 2019-07-26 新疆大学 基于背景减法的运动目标的检测方法及装置
CN110060278B (zh) * 2019-04-22 2023-05-12 新疆大学 基于背景减法的运动目标的检测方法及装置
CN111062974A (zh) * 2019-11-27 2020-04-24 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及系统
CN111062974B (zh) * 2019-11-27 2022-02-01 中国电力科学研究院有限公司 一种使用去除鬼影对前景目标提取的方法及系统

Also Published As

Publication number Publication date
CN107169997B (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
Ding et al. Context contrasted feature and gated multi-scale aggregation for scene segmentation
CN109409366B (zh) 基于角点检测的畸变图像校正方法及装置
CN109272509B (zh) 一种连续图像的目标检测方法、装置、设备及存储介质
Wang et al. Towards dense moving object segmentation based robust dense RGB-D SLAM in dynamic scenarios
TW202101371A (zh) 視訊流的處理方法和裝置
CN101470809B (zh) 一种基于扩展混合高斯模型的运动目标检测方法
US7982774B2 (en) Image processing apparatus and image processing method
CN108734711A (zh) 对图像进行语义分割的方法
CN105005992A (zh) 一种基于深度图的背景建模和前景提取的方法
CN110378837B (zh) 基于鱼眼摄像头的目标检测方法、装置和存储介质
CN108805016B (zh) 一种头肩区域检测方法及装置
US10896495B2 (en) Method for detecting and tracking target object, target object tracking apparatus, and computer-program product
CN109635634B (zh) 一种基于随机线性插值的行人再识别数据增强方法
CN111126412B (zh) 基于特征金字塔网络的图像关键点检测方法
CN111192294B (zh) 一种基于目标检测的目标跟踪方法及系统
CN106204586A (zh) 一种基于跟踪的复杂场景下的运动目标检测方法
CN110599516A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN111027555B (zh) 一种车牌识别方法、装置及电子设备
CN104091350A (zh) 一种利用运动模糊信息的物体跟踪方法
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN107169997A (zh) 面向夜间环境下的背景减除算法
CN109766938A (zh) 基于场景标签约束深度网络的遥感影像多类目标检测方法
CN107292910A (zh) 一种基于像素建模的移动相机下运动目标检测方法
CN113627481A (zh) 一种面向智慧园林的多模型组合的无人机垃圾分类方法
CN113409353A (zh) 运动前景检测方法、装置、终端设备及存储介质

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