CN107330923A - 一种动态背景图像的更新方法 - Google Patents

一种动态背景图像的更新方法 Download PDF

Info

Publication number
CN107330923A
CN107330923A CN201710423997.5A CN201710423997A CN107330923A CN 107330923 A CN107330923 A CN 107330923A CN 201710423997 A CN201710423997 A CN 201710423997A CN 107330923 A CN107330923 A CN 107330923A
Authority
CN
China
Prior art keywords
image
pixel
level
background
background image
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
CN201710423997.5A
Other languages
English (en)
Inventor
王东波
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.)
Taicang Chengze Network Technology Co Ltd
Original Assignee
Taicang Chengze Network Technology Co Ltd
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 Taicang Chengze Network Technology Co Ltd filed Critical Taicang Chengze Network Technology Co Ltd
Priority to CN201710423997.5A priority Critical patent/CN107330923A/zh
Publication of CN107330923A publication Critical patent/CN107330923A/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
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T7/194—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)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Studio Circuits (AREA)

Abstract

本发明提出一种动态背景图像的更新方法，通过摄像机采集实时图像，以首帧图像作为初始背景图像，对所采集图像做帧间差分和背景差分并进行综合分析，最后进行多层次自适应背景更新，进行像素级更新；本发明通过一种基于像素级和帧级的多层次动态自适应背景更新方法，在像素级更新那些可能由背景转化为前景的像素点，用来解决物体的移入移除，提高背景更新的响应速度问题；在帧级则进行整个背景的更新，用来解决如场景光线突变、场景大范围转换等全局变化问题。

Description

一种动态背景图像的更新方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种动态背景图像的更新方法。
背景技术
基于视频监控的目标检测技术发展很快，由于检测区域灵活，系统设置简单等突出的优点，已成为领域内的研究热点。监控系统中用到的技术主要是计算机视频处理。视频处理可以解释为应用计算机视觉以及图像分析方法对图像序列进行运动检测、运动目标分类、运动目标跟踪以及对监控场景中的目标行为进行分析。运动目标的检测主要有以下几种算法：
（1）光流法：光流是指图像亮度模式的表观运动。但是亮度比较均匀的区域或者 亮度值相同的点都无法确定其运动的对应性，但是运动时却可以观察到，这就说明光流与运动场不一定是唯一对应的，即有光流不一定就是运动物体产生的，反之物体发生了运动也不一定会产生光流。且这种方法计算复杂度较高，时间复杂度也较大，实时性和实用性都 不强。
（2）帧间差分法：是利用视频序列中的连续两帧或者几帧图像的差异来进行目标检测，可以很好的适应存在多个目标和摄像头移动的情况。但这种方法的处理效果和图像的采样频率以及被检测物体的运动速度有关。如果运动速度过快或者两帧之间时间间隔较长，可能造成两帧之间无覆盖区域；而运动速度过小或者两帧之间的时间间隔很小，可能造成两帧之间的过覆盖，从而导致检测出来的运动目标存在大面积的空洞。
（3）背景差分法 ：因为背景差分法简单、实时性强，检测准确，逐渐成为目标运动目 标检测算法中最常用且有较大发展潜力的方法，其检测效果主要是依赖背景建模技术。在实际应用中，背景是一个渐变的过程，自然场景中背景的动态变化如晃动的树叶、变化的光照以及波纹水面等如果不及时更新，都会对目标检测产生较大影响。还有一种情况即场景中原本没有的物体，经过一段时间后停留在场景中；场景中原本存在的物体经过一段时间 后离开监控区域。这两种情况都因为过程迅速且明显，会对后续的目标检测造成较大的影响。
常用的背景更新方法有多帧平均法、选择更新法、随机更新法等。多帧平均法较简单，但是计算量庞大，并且在多运动物体、运动速度缓慢的情况下，不能达到满意的效果。选择更新法于光线的变化有较强的适应性，但是在光线变化强烈的情况下，或者说在全场景光线变化的时候，会导致整个图像区域被认为是运动物体而不做更新，并且受阈值选取的影响较大。
因此，针对上述问题，本发明提出了一种新的技术方案。
发明内容
本发明的综合考虑到实际应用中背景图像要对背景变化， 响应速度足够快，提出了一种基于像素级和帧级的多层次自适应背景的动态背景图像的更新方法。
本发明是通过以下技术方案来实现的：
一种动态背景图像的更新方法，通过摄像机采集实时图像，以首帧图像作为初始背景图像，对所采集图像做帧间差分和背景差分并进行综合分析，最后进行多层次自适应背景更新，进行像素级更新；
所述像素级更新包括以下步骤：
a、以当前帧图像和背景图像做差分，通过二值化、形态学运算得到不变区域RbS，然后通过上述方法，将当前帧图像和前一帧图像做差分求得图像中的不变区域Rfs，然后计算两个不变区域的公共部分Rs，即Rs=RbS∩Rfs；
b、将背景中没有变化的区域Rs用确认的背景像素替代。
进一步地，所述步骤b中，对替换区域的边缘附近通过中值滤滤去除噪声，重新确定边缘的像素值。
进一步地，还包括帧级更新，所述帧级更新为：统计相邻帧间灰度突变像素的数目，将其与图像总像素数相除，当超过阈值Tf时，即Rs的像素灰度值突变的数目占了图像的大部分，可认为图像发生帧级变化。
进一步地，所述阈值Tf为0.6。
进一步地，所述初始背景图像可为任意图像。
本发明的有益效果是：本发明提出了一种基于像素级和帧级的多层次动态自适应背景更新方法，在像素级更新那些可能由背景转化为前景的像素点，用来解决物体的移入移除，提高背景更新的响应速度问题；在帧级则进行整个背景的更新，用来解决如场景光线突变、场景大范围转换等全局变化问题。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图说明对本发明做进一步地说明。
如图1所示，一种动态背景图像的更新方法，通过摄像机采集实时图像，以首帧图像作为初始背景图像，对所采集图像做帧间差分和背景差分并进行综合分析，最后进行多层次自适应背景更新，进行像素级更新；
所述像素级更新包括以下步骤：
a、以当前帧图像和背景图像做差分，通过二值化、形态学运算得到不变区域RbS，然后通过上述方法，将当前帧图像和前一帧图像做差分求得图像中的不变区域Rfs，然后计算两个不变区域的公共部分Rs，即Rs=RbS∩Rfs；
b、将背景中没有变化的区域Rs用确认的背景像素替代。
在本实施例中，所述步骤b中，对替换区域的边缘附近通过中值滤滤去除噪声，重新确定边缘的像素值。
在本实施例中，还包括帧级更新，所述帧级更新为：统计相邻帧间灰度突变像素的数目，将其与图像总像素数相除，当超过阈值Tf时，即Rs的像素灰度值突变的数目占了图像的大部分，可认为图像发生帧级变化。
在本实施例中，所述阈值Tf为0.6。
进一步地，所述初始背景图像可为任意图像。
本发明提出了一种基于像素级和帧级的多层次动态自适应背景更新方法，在像素级更新那些可能由背景转化为前景的像素点，用来解决物体的移入移除，提高背景更新的响应速度问题；在帧级则进行整个背景的更新，用来解决如场景光线突变、场景大范围转换等全局变化问题。

Claims (5)

1.一种动态背景图像的更新方法，其特征在于：通过摄像机采集实时图像，以首帧图像作为初始背景图像，对所采集图像做帧间差分和背景差分并进行综合分析，最后进行多层次自适应背景更新，进行像素级更新；
所述像素级更新包括以下步骤：
a、以当前帧图像和背景图像做差分，通过二值化、形态学运算得到不变区域RbS，然后通过上述方法，将当前帧图像和前一帧图像做差分求得图像中的不变区域Rfs，然后计算两个不变区域的公共部分Rs，即Rs=RbS∩Rfs；
b、将背景中没有变化的区域Rs用确认的背景像素替代。
2.根据权利要求1所述一种动态背景图像的更新方法，其特征在于：所述步骤b中，对替换区域的边缘附近通过中值滤滤去除噪声，重新确定边缘的像素值。
3.根据权利要求1所述一种动态背景图像的更新方法，其特征在于：还包括帧级更新，所述帧级更新为：统计相邻帧间灰度突变像素的数目，将其与图像总像素数相除，当超过阈值Tf时，即Rs的像素灰度值突变的数目占了图像的大部分，可认为图像发生帧级变化。
4.根据权利要求3所述一种动态背景图像的更新方法，其特征在于：所述阈值Tf为0.6。
5.根据权利要求1所述一种动态背景图像的更新方法，其特征在于：所述初始背景图像可为任意图像。
CN201710423997.5A 2017-06-07 2017-06-07 一种动态背景图像的更新方法 Pending CN107330923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710423997.5A CN107330923A (zh) 2017-06-07 2017-06-07 一种动态背景图像的更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710423997.5A CN107330923A (zh) 2017-06-07 2017-06-07 一种动态背景图像的更新方法

Publications (1)

Publication Number Publication Date
CN107330923A true CN107330923A (zh) 2017-11-07

Family

ID=60194531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710423997.5A Pending CN107330923A (zh) 2017-06-07 2017-06-07 一种动态背景图像的更新方法

Country Status (1)

Country Link
CN (1) CN107330923A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248165A (zh) * 2017-06-19 2017-10-13 太仓埃特奥数据科技有限公司 一种动态背景图像的更新方法
CN108133490A (zh) * 2017-12-22 2018-06-08 大连理工大学 一种晶体反应过程监测中的高效目标识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050286764A1 (en) * 2002-10-17 2005-12-29 Anurag Mittal Method for scene modeling and change detection
US20070126748A1 (en) * 2005-12-02 2007-06-07 Eric Jeffrey Hardware animation of a bouncing image
CN101127912A (zh) * 2007-09-14 2008-02-20 浙江大学 利用动态背景帧的视频编码方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050286764A1 (en) * 2002-10-17 2005-12-29 Anurag Mittal Method for scene modeling and change detection
US20070126748A1 (en) * 2005-12-02 2007-06-07 Eric Jeffrey Hardware animation of a bouncing image
CN101127912A (zh) * 2007-09-14 2008-02-20 浙江大学 利用动态背景帧的视频编码方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁伟才 等: "《一种有效的动态背景提取及更新方法》", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107248165A (zh) * 2017-06-19 2017-10-13 太仓埃特奥数据科技有限公司 一种动态背景图像的更新方法
CN108133490A (zh) * 2017-12-22 2018-06-08 大连理工大学 一种晶体反应过程监测中的高效目标识别方法

Similar Documents

Publication Publication Date Title
Elhoseny Multi-object detection and tracking (MODT) machine learning model for real-time video surveillance systems
CN107016691B (zh) 基于超像素特征的运动目标检测方法
CN105096321B (zh) 一种基于图像边缘的低复杂度视频移动侦测方法
CN108122206A (zh) 一种低照度图像降噪方法及装置
CN103456028A (zh) 一种运动目标检测方法
JP2004348732A (ja) シーンの背景を表現する背景画像を適応的に更新する方法
CN106210448B (zh) 一种视频图像抖动消除处理方法
CN104952256B (zh) 一种基于视频信息的交叉口处车辆的检测方法
CN102025981A (zh) 一种监控视频中的前景检测的方法
CN102930719A (zh) 用于交通路口场景并基于网络物理系统的视频图像前景检测方法
CN108615241B (zh) 一种基于光流的快速人体姿态估计方法
CN108876820A (zh) 一种基于均值漂移的遮挡条件下移动目标追踪方法
CN108010047A (zh) 一种结合样本一致性和局部二值模式的运动目标检测方法
Arseneau et al. Real-time image segmentation for action recognition
CN107330923A (zh) 一种动态背景图像的更新方法
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN102497497A (zh) 一种图像去噪算法中阈值动态调整的方法
CN108280841B (zh) 一种基于邻域像素强度校正的前景提取方法
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN107248165A (zh) 一种动态背景图像的更新方法
CN108898561A (zh) 一种含天空区域雾天图像的去雾方法、服务器及系统
CN112307895A (zh) 一种社区监控场景下人群聚集异常行为检测方法
Xiaoyang et al. A novel motion object detection method based on improved frame difference and improved Gaussian mixture model
CN104252695A (zh) 一种红外图像的自适应拉伸方法
Li et al. A shadow detection method based on improved Gaussian Mixture Model

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20171107

RJ01 Rejection of invention patent application after publication