CN107194932B - 一种基于指数遗忘的自适应背景重建算法 - Google Patents
一种基于指数遗忘的自适应背景重建算法 Download PDFInfo
- Publication number
- CN107194932B CN107194932B CN201710271968.1A CN201710271968A CN107194932B CN 107194932 B CN107194932 B CN 107194932B CN 201710271968 A CN201710271968 A CN 201710271968A CN 107194932 B CN107194932 B CN 107194932B
- Authority
- CN
- China
- Prior art keywords
- motion
- image
- background
- template
- motion region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Closed-Circuit Television Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于指数遗忘的自适应背景重建算法,用于解决现有技术中计算复杂、鲁棒性差和检测效果差的问题。本发明相对现有背景更新方法在更新权重α的计算和背景更新的方法相对简单,对于更新权重α的计算,减小了视频序列处理的计算量,本发明的方法不仅能够对光线的变化、场景中物体的反复运动、物体通过背景杂乱区域、运动缓慢的物体以及从场景中移入或移除的物体都具有比较好的鲁棒性。本发明消除的传统更新算法中存在的“鬼影”现象并且建模后的背景非常稳定。鉴于以上理由,本发明可以广泛用于计算机图像处理技术和计算机图形学领域。
Description
技术领域
本发明涉及计算机图像处理技术和计算机图形学领域,特别是关于一种基于指数遗忘的自适应背景重建算法。
背景技术
近年来,城市的大规模发展过程中,车辆和道路的矛盾日益突出。频繁的交通事故、严重的交通堵塞成为城市发展的一个致命伤。然而,目前国内的智能交通系统研究还处于起步阶段。
根据车辆视频监测和传输特点,将从视频中采集得到的图像数据首先做背景重建,然后利用背景重建后得到的背景进行视频对象分割,最后将重建的背景、视频对象以及视频对象在视频图像中的位置保存,作为后续视频检测分析的依据。
针对视频对象分割的常用方法包括连续帧间差分法、背景差分法和光流法。其中,连续帧间差分法对于动态环境有很好的适应性,但在实际应用中,对目标运动速度很快或很慢时,往往检测到的区域和实际区域会出现很大的偏差,检测效果差。背景差分法能够提供比较完整的运动目标信息,但随着时间的推移,对光照和外部条件造成的动态场景变化比较敏感,鲁棒性差。光流法能够在不知道场景任何信息的情况下检测出运动目标,但是光流法对噪声比较敏感,鲁棒性差,且计算复杂,计算量非常大,不适于实时处理,且精度较低。
发明内容
本发明要解决的技术问题是:为了解决现有技术中计算复杂、鲁棒性差和检测效果差的问题,本发明提供一种基于指数遗忘的自适应背景重建算法来解决上述问题。
本发明解决其技术问题所采用的技术方案是:一种基于指数遗忘的自适应背景重建算法,用于针对将车辆监控视频分割成的连续多帧图像进行处理得到背景视频,包括以下步骤:1)采用当前帧图像In和原背景图像Bn-1做差分,得到临时运动区域模板Mn;其中,Mn(x,y)为临时运动区域模板Mn中(x,y)位置处的像素值;In(x,y)为当前帧图像In中(x,y)位置处的像素值;Bn-1(x,y)为原背景图像Bn-1中(x,y)位置处的像素值,且x=1,2,3,...,n,y=1,2,3,...,n;2)针对临时运动区域模板Mn中的空洞采用freeman链码提取算法进行填充,得到运动区域模板Mn';3)根据填充之后的运动区域模板Mn',计算原背景图像Bn-1的更新权重α,该更新权重α的公式如下:
其中,area of In为当前帧图像In中像素点数目,表示运动区域中的像素点数目占当前帧图像In像素点总数目的比重得到更新权重α;4)遍历运动区域模板Mn'中每一像素点,并判断运动区域模板Mn'中当前像素点是否是运动区域像素点?若当前像素点的像素值为1,则该像素点为运动区域像素点,进入步骤5);若当前像素点的像素值为0,则该像素点为非运动区域像素点,进入步骤6);5)将当前像素点在原背景图像Bn-1中的像素值赋给更新后背景图像Bn中对应的像素点,得到运动区域图像,进入步骤7);6)原背景图像Bn-1使用背景更新公式更新当前像素点,得到非运动领域图像,进入步骤7):其中,背景更新公式为
其中,Bn(x,y)为更新后背景(x,y)位置处的像素值;7)运动区域图像和非运动领域图像进行逻辑或运算;8)得到重建后的背景图像,并将该重建后的背景返回到步骤1)更新原背景图像Bn-1,即重建后的背景图像作为原背景图像Bn-1;9)重复步骤1)-步骤8)直至车辆监控视频结束,得到建模后的背景视频。
所述步骤2)包括以下步骤:21)找到临时运动区域模板Mn中任意一个运动区域的起始点;22)从起始点开始,根据方向编码对选定运动区域进行编码;23)编码后,从该运动区域的起始点围绕运动区域边缘,按顺时针方向取值,获得该运动区域的连通域编码串;24)按照步骤21)-步骤23)获取临时运动区域模板Mn中各个连通域编码串以及起始点,遍历临时运动区域模板Mn中每个连通域并对该连通域中的空洞进行填充,填充之后得到运动区域模板Mn'。
所述步骤21)中,起始点的像素值为1,且第一次出现。
本发明的有益效果是:本发明采用本发明首先通过当前帧图像与原图像进行差分运算并将结果取绝对值得到临时运动模板,对临时运动模板使用freeman链码提取算法得到临时运动模板中各个运动区域的连通域,然后遍历每个连通域进行空洞填补,保持了原移动领域大小形状不变,接着计算移动领域的像素点数目占整个图像像素点总数目的比重得到背景的新的更新权重,非运动区域根据新的更新权重、原背景、当前帧三个部分更新非运动区域背景,运动区域直接取与之对应的原背景像素值,最后将更新后的运动区域与更新后的非运动区域使用逻辑或运算得到重建后背景图像,用重建后的背景更新原背景。本发明相对现有背景更新方法在更新权重α的计算和背景更新的方法相对简单,对于更新权重α的计算,减小了视频序列处理的计算量,本发明的方法不仅能够对光线的变化、场景中物体的反复运动、物体通过背景杂乱区域、运动缓慢的物体以及从场景中移入或移除的物体都具有比较好的鲁棒性。本发明消除的传统更新算法中存在的“鬼影”现象并且建模后的背景非常稳定。鉴于以上理由,本发明可以广泛用于计算机图像处理技术和计算机图形学领域。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明主要流程图;
图2为本发明实施例示意图,其中,图2-1为当前帧图像,图2-2为原背景图像,图2-3为运动区域模板,图2-4为非运动领域图像,图2-5为运动区域图像,图2-6为更新后的背景图像;
图3为本发明采用的方向编码示意图;
图4为编码串示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1和图2所示,本发明一种基于指数遗忘的自适应背景重建算法,它包括以下步骤:
1)采用当前帧图像In和原背景图像Bn-1做差分,得到临时运动区域模板Mn;
由于车辆监控视频的相邻帧具有时间相关性,因此可以连续获取多帧相邻图像。
假定当前帧图像为In,In-1,In是连续的两帧图像,Bn为更新后的背景图像,Bn-1为原背景图像。
当n=1时,In=Bn-1=In-1;
当n>1时,遍历当前帧图像In(如图2-1所示)与原背景图像Bn-1(如图2-2所示)每个对应的像素点做差值运算,之后取绝对值,即差分运算:
若当前帧图像In与原背景图像Bn-1的对应像素点(x,y)像素值之差的绝对值小于阈值l,则该像素点为背景像素点,该像素点在临时运动区域模板Mn中的像素值为0;否则,该像素点为运动前景像素点,该像素点临时运动区域模板Mn中的像素值为1,进而得到当前帧图像In的临时运动区域模板Mn:
其中,Mn(x,y)为临时运动区域模板Mn中(x,y)位置处的像素值;In(x,y)为当前帧图像In中(x,y)位置处的像素值;Bn-1(x,y)为原背景图像Bn-1中(x,y)位置处的像素值,且x=1,2,3,...,n,y=1,2,3,...,n。
2)针对临时运动区域模板Mn中的空洞采用freeman链码提取算法进行填充,得到运动区域模板Mn'。
由于通过计算得到的临时运动区域模板Mn中的像素点并不是都被认定为运动区域的像素点,因此临时运动区域模板Mn对应实际运动区域内残存了空洞。
本发明采用freeman链码提取算法对临时运动区域模板Mn中的空洞进行填充,遍历临时运动区域模板Mn,其过程如下:
21)首先找到临时运动区域模板Mn中任意一个运动区域的起始点,即该点像素值为1并且该点第一次出现,并记录该起始点坐标,起始点可以是该运动区域边缘上的任意一点;
22)从起始点开始,根据方向编码(如图3所示)对选定运动区域(如图4所示)进行编码;
23)编码后,从该运动区域的起始点围绕运动区域边缘按顺时针方向取值即获得该运动区域的连通域编码串010707645443422,此时可以通过起始点求得连通域的边缘各个点的坐标,这样便于区别不同的连通域和填充连通域中存在的空洞。
24)按照步骤21)-步骤23)获取临时运动区域模板Mn中各个连通域编码串以及起始点的情况下,遍历临时运动区域模板Mn中每个连通域并对该连通域中的(黑色)空洞进行填充,在不改变运动区域大小的前提下填充空洞。填充之后得到没有空洞的封闭连通域,即运动区域模板Mn'(如图2-3所示)。
3)根据填充之后的运动区域模板Mn',计算原背景图像Bn-1的更新权重α,该更新权重α的公式如下:
其中,area of In为当前帧图像In中像素点数目,表示运动区域中的像素点数目占当前帧图像In像素点总数目的比重得到更新权重α。
α是一个连续更新的值,是原背景图像Bn-1对当前帧图像In的更新率由更新权重α控制着更新的敏感性,当前帧图像In与原背景图像Bn-1的亮度变化越快(或者出现移动物体),更新的速度越慢,(几乎接近为0)。所以此时原背景图像Bn-1的大部分都被当前帧图像In所影响着。
a、使用上述公式之后,整个背景重建更新的过程几乎是自动完成的。
b、使用公式后,可以适应所有可能出现的光照变化和移动状况。
4)遍历运动区域模板Mn'中每一像素点,并判断运动区域模板Mn'中当前像素点是否是运动区域像素点?若当前像素点的像素值为1,则该像素点为运动区域像素点,进入步骤5);若当前像素点的像素值为0,则该像素点为非运动区域(静止区域)像素点,进入步骤6);
5)将当前像素点在原背景图像Bn-1中的像素值赋给更新后背景图像Bn中对应的像素点,得到运动区域图像(如图2-5所示),进入步骤7);
6)原背景图像Bn-1使用背景更新公式更新当前像素点,得到非运动领域图像(如图2-4所示),进入步骤7)。
其中,背景更新公式:
其中,Bn(x,y)为更新后背景(x,y)位置处的像素值。
由于交通监控视频中车辆为图像序列的主要运动对象,而每一帧中车辆区域占整幅图像的比例不高于50%,一般为10%-20%,因此α的取值范围是0.8-0.9。背景建模过程中我们将当前帧图像In的更新权重设定为α,前一帧图像In-1对应的原背景图像Bn-1的更新权重1-α,因为若将更新权重对调,那么在背景建模过程中的误差在10帧以后α10在0.11-0.35范围内,按照现在的权重设定方案进行建模,10帧以后误差的残留几乎为0,即为本发明基于指数遗忘的体现。
7)运动区域图像和非运动领域图像进行逻辑或运算;
8)得到重建后的背景图像(如图2-6所示),并将该重建后的背景返回到步骤1)更新原背景图像Bn-1,即重建后的背景图像作为原背景图像Bn-1。
9)重复步骤1)-步骤8)直至车辆监控视频结束,得到建模后的背景视频。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (3)
1.一种基于指数遗忘的自适应背景重建方法,用于针对将车辆监控视频分割成的连续多帧图像进行处理得到背景视频,包括以下步骤:
1)采用当前帧图像In和原背景图像Bn-1做差分,得到临时运动区域模板Mn;
其中,Mn(x,y)为临时运动区域模板Mn中(x,y)位置处的像素值;In(x,y)为当前帧图像In中(x,y)位置处的像素值;Bn-1(x,y)为原背景图像Bn-1中(x,y)位置处的像素值,且x=1,2,3,...,m,y=1,2,3,...,m,m为自然数;
2)针对临时运动区域模板Mn中的空洞采用freeman链码提取算法进行填充,得到运动区域模板Mn';
3)根据填充之后的运动区域模板Mn',计算原背景图像Bn-1的更新权重α,该更新权重α的公式如下:
其中,area of In为当前帧图像In中像素点数目;
4)遍历运动区域模板Mn'中每一像素点,并判断运动区域模板Mn'中当前像素点是否是运动区域像素点,若当前像素点的像素值为1,则该像素点为运动区域像素点,进入步骤5);若当前像素点的像素值为0,则该像素点为非运动区域像素点,进入步骤6);
5)将当前像素点在原背景图像Bn-1中的像素值赋给更新后背景图像Bn中对应的像素点,得到运动区域图像,进入步骤7);
6)原背景图像Bn-1使用背景更新公式更新当前像素点,得到非运动区域图像,进入步骤7):
其中,背景更新公式为
其中,Bn(x,y)为更新后背景(x,y)位置处的像素值;
7)运动区域图像和非运动区域图像进行逻辑或运算;
8)得到重建后的背景图像,并将该重建后的背景返回到步骤1)更新原背景图像Bn-1,即重建后的背景图像作为原背景图像Bn-1;
9)重复步骤1)-步骤8)直至车辆监控视频结束,得到建模后的背景视频。
2.如权利要求1所述的一种基于指数遗忘的自适应背景重建方法,其特征在于:所述步骤2)包括以下步骤:
21)找到临时运动区域模板Mn中任意一个运动区域的起始点;
22)从起始点开始,根据方向编码对选定运动区域进行编码;
23)编码后,从该运动区域的起始点围绕运动区域边缘,按顺时针方向取值,获得该运动区域的连通域编码串;
24)按照步骤21)-步骤23)获取临时运动区域模板Mn中各个连通域编码串以及起始点,遍历临时运动区域模板Mn中每个连通域并对该连通域中的空洞进行填充,填充之后得到运动区域模板Mn'。
3.如权利要求2所述的一种基于指数遗忘的自适应背景重建方法,其特征在于:所述步骤21)中,所述起始点的像素值为1,且第一次出现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710271968.1A CN107194932B (zh) | 2017-04-24 | 2017-04-24 | 一种基于指数遗忘的自适应背景重建算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710271968.1A CN107194932B (zh) | 2017-04-24 | 2017-04-24 | 一种基于指数遗忘的自适应背景重建算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194932A CN107194932A (zh) | 2017-09-22 |
CN107194932B true CN107194932B (zh) | 2020-05-05 |
Family
ID=59873375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710271968.1A Active CN107194932B (zh) | 2017-04-24 | 2017-04-24 | 一种基于指数遗忘的自适应背景重建算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194932B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110021026B (zh) * | 2019-04-12 | 2021-07-23 | 武汉高德智感科技有限公司 | 一种图像背景重构方法及装置 |
CN111028176B (zh) * | 2019-12-10 | 2023-12-08 | 天津极豪科技有限公司 | 指纹图像处理方法、装置、电子设备及计算机可读介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216942A (zh) * | 2008-01-14 | 2008-07-09 | 浙江大学 | 一种自适应选取权重的增量式特征背景建模算法 |
TWI381717B (zh) * | 2008-03-31 | 2013-01-01 | Univ Nat Taiwan | 數位視訊動態目標物體分割處理方法及系統 |
CN101635852B (zh) * | 2009-08-26 | 2011-08-31 | 北京航空航天大学 | 一种基于自适应背景建模的实时运动目标检测方法 |
CN101751558B (zh) * | 2009-12-16 | 2011-12-14 | 北京智安邦科技有限公司 | 一种基于视频的隧道烟雾检测方法及装置 |
CN102289819B (zh) * | 2011-07-27 | 2013-05-08 | 中国电子科技集团公司第二十八研究所 | 一种背景自适应估计的红外运动目标实时检测方法 |
CN103164711B (zh) * | 2013-02-25 | 2016-08-03 | 昆山南邮智能科技有限公司 | 基于像素和支持向量机的区域人流密度估计的方法 |
CN103208126B (zh) * | 2013-04-17 | 2016-04-06 | 同济大学 | 一种自然环境下运动物体监测方法 |
CN103735253A (zh) * | 2014-01-17 | 2014-04-23 | 厦门强本科技有限公司 | 一种基于移动终端的中医舌象分析系统及方法 |
CN105303581B (zh) * | 2014-06-12 | 2018-12-14 | 南京理工大学 | 一种自适应参数的运动目标检测方法 |
-
2017
- 2017-04-24 CN CN201710271968.1A patent/CN107194932B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107194932A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106846359B (zh) | 基于视频序列的运动目标快速检测方法 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN108875595A (zh) | 一种基于深度学习和多层特征融合的驾驶场景目标检测方法 | |
CN107194932B (zh) | 一种基于指数遗忘的自适应背景重建算法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
CN103136537A (zh) | 一种基于支持向量机的车型识别方法 | |
CN105809715A (zh) | 一种基于帧间累计变化矩阵的视觉运动目标检测方法 | |
CN111582029A (zh) | 一种基于密集连接与注意力机制的交通标志识别方法 | |
CN101819681B (zh) | 权值自适应调整的加权平均背景更新方法 | |
CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
CN107945523A (zh) | 一种道路车辆检测方法、交通参数检测方法及装置 | |
Yang et al. | A new method for motion target detection by background subtraction and update | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN106934819A (zh) | 一种提高图像中运动物体检测精度的方法 | |
CN115830265A (zh) | 一种基于激光雷达的自动驾驶运动障碍物分割方法 | |
CN116503709A (zh) | 一种基于改进YOLOv5的雾霾天气下车辆检测方法 | |
CN112801021B (zh) | 基于多级语义信息的车道线检测方法及系统 | |
CN114757977A (zh) | 融合改进光流和目标检测网络的移动物体轨迹提取方法 | |
CN102609689A (zh) | 一种基于多帧统计的视频车道背景建模方法 | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
CN112085767A (zh) | 一种基于深度光流跟踪的客流统计方法及系统 | |
CN108510527B (zh) | 一种基于帧差法和运动点聚类的运动目标检测方法 | |
CN110858392A (zh) | 一种基于融合背景模型的监控目标定位方法 |
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 |