CN107423693A - 一种基于背景重构的目标侦测方法 - Google Patents
一种基于背景重构的目标侦测方法 Download PDFInfo
- Publication number
- CN107423693A CN107423693A CN201710542906.XA CN201710542906A CN107423693A CN 107423693 A CN107423693 A CN 107423693A CN 201710542906 A CN201710542906 A CN 201710542906A CN 107423693 A CN107423693 A CN 107423693A
- Authority
- CN
- China
- Prior art keywords
- background
- frame
- image
- target
- difference 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于背景重构的目标侦测方法,根据侦测系统初始化的时间t和侦测系统中图像采集设备的帧频f,确定N的取值范围为ft~2ft;获取从k‑(N‑1)帧开始,到当前帧k的连续N帧视频图像,通过取像素均值,获得重构背景图像;对重构背景图像和当前帧k图像,采用背景差方法进行图像分割,并进行形态学滤波,得到背景差图像B(k);以r为帧差,r≥5,计算第k帧和第k‑r帧图像的差分图像D(k);最后通过比较背景差图像B(k)和差分图像D(k),确定目标位置。使用本发明能够获得较为理想的背景模型,从而提高检测结果的准确性。
Description
技术领域
本发明涉及运动目标自动检测技术领域,具体涉及一种基于背景重构的目标侦测方法。
背景技术
运动目标检测作为整个视频监控的基础工作,它的效果好坏影响着整个监控系统的性能,只有实时、准确、可靠地将运动目标从背景中分离出来,才能保证后续步骤的准确性。然而,运动目标的检测不是一件容易的事,它仍是一个具有挑战性的课题。在检测运动目标时,不能仅仅简单考虑图像中像素变化,运动物体对应像素变化,摄像头的抖动、天气情况、光线变化、阴影移动以及背景中的物体扰动等造成的像素变化都会给运动目标检测的实时性和可靠性带来影响。人们总希望一个好的视频目标检测和提取算法,能适用于监视各种环境,但实际应用中要解决这个问题是十分困难的,因为实际应用中不但要考虑到算法要尽量适应于多种环境,而且除非有专门的硬件支持,否则我们往往不得不在算法的复杂度、可靠性,以及实时性等方面折衷考虑。
目前,研究人员己经开发了多种运动目标检测的方法,包括帧间差分法、光流法和背景减除算法。根据实际应用需求的不同,不同的检测算法都是在可靠性、实时性和准确性之间折衷得到的。
帧间差分法算法简单,实时性高,但是,在背景存在变化和目标运动较为缓慢的情况下,该方法效果不佳。一是两帧间目标的重叠部分不容易被检测出来,即只检测出目标的一部分或者目标出现了较大比例的空洞,这是由于我们直接用相邻的两帧相减后,保留下来的部分是两帧中相对变化的部分,所以两帧间目标的重叠部分就很难被检测出来;二是检测目标在两帧中变化的信息,这样会存在较多的伪目标点,检测出的目标往往比实际的目标大一些,这是由于实际目标颜色或者灰度在一定的区域内较为均匀所导致的。
光流计算法的优点在于光流不仅携带了运动区域的运动信息,而且还携带了有关景物三维结构的丰富信息,它能够检测独立运动的对象,不需要预先知道场景的任何信息,并且能够适用于静止背景和运动背景两种环境,可用于摄像机运动的情况,有较好的适应性。但是当运动区域与背景图像的对比度太小,或图像存在噪音时,单纯的从图像灰度强度出发来探测运动区域的光流场方法将会导致很高的虚警率。另外,这种方法的计算复杂耗时,除非有特殊的硬件支持,很难实现实时运动区域的检测。从而导致光流计算法的实用性比较差。
背景减除算法的优点在于,它操作简单,计算量小,实时性较好,并且检测位置准确,一般能够提供最完全的运动目标信息,但通常的背景减除法对于动态场景的变化,如光照和外来无关事件的干扰等特别敏感,运动目标的阴影也常常被检测为运动目标的一部分,影响检测结果的准确性。背景减除法的困难之处不是当前图像与背景图像的差分本身,而在于为复杂场景寻找理想的背景模型,以及模型的建立、保持与更新。本发明主要研究基于背景减除的运动目标检测算法。
发明内容
有鉴于此,本发明提供了一种基于背景重构的目标侦测方法,能够获得较为理想的背景模型,从而提高检测结果的准确性。
为解决上述技术问题,本发明具体方法如下:
一种基于背景重构的目标侦测方法,包括如下步骤:
步骤一、根据侦测系统初始化的时间t和侦测系统中图像采集设备的帧频f,确定N的取值范围为ft~2ft;
步骤二、获取从k-(N-1)帧开始到当前帧k的连续N帧视频图像,通过取像素均值,获得重构背景图像;
步骤三、对重构背景图像和当前帧k图像,采用背景差方法进行图像分割,并进行形态学滤波,得到背景差图像B(k);
步骤四、以r为帧差,r≥5,计算第k帧和第k-r帧图像的差分图像D(k);
步骤五、通过比较背景差图像B(k)和差分图像D(k),获得目标。
较佳地,所述步骤五为:从背景差图像B(k)中分割出各个目标的位置作为疑似目标,以各疑似目标的中心点为中心,根据已知的目标大小构建疑似目标区域,判断差分图像D(k)中各疑似目标区域中的亮点数,如果亮点数大于设定阈值T,则表示该疑似目标区域确实存在真实目标,否则为确定存在假目标。
有益效果:
本发明通过构建合理的N值,通过N帧求平均实现背景重构,N值的构建考虑到系统初始化时间和图像采集设备的帧频,使得重构背景的偏差降低,且能够及时得到更新。而且求平均的N帧采用距离当前时间最近的N帧,从而使得重构背景进一步及时得到更新。
其次,本发明采用多帧差来代替两帧差,获得帧差图像,然后通过帧差图像与背景差图像的对比,最终确定目标位置,这样可以提升目标侦测的准确性。
附图说明
图1为背景差分法过程图;(a)为原始视频,(b)为重构后的背景,(c)为背景差分法获取的图像,(d)为形态学滤波后的图像;
图2为背景差分后虚假目标效果图;(a)为目标点的初始位置,(b)为目标移动后的位置,(c)为背景差分后的效果图;
图3为帧差法和背景法结合效果图;(a)为帧差法效果图,(b)为背景差和帧差法结合效果图;
图4为本发明的流程图。
具体实施方式
目前基于背景的建模方法较多,常用的是基于混合型高斯模型的背景建模方法。但这类方法对于模型参数的选取较为苛刻,不同的场景参数差别较大,适用性不强。因此,如何能快速的进行背景重构呢?显然,多帧求平均是一个不错的方法,即
其中,p(i,j)为重构后的背景,f(i,j)是视频图像帧,N为帧数。但是,该方法存在一个缺陷,即当N越大,背景对于扰动越不敏感,即当背景本身发生变化时,p(i,j)并不能及时的更新,这样就容易造成误检。但是,N的取值也不能过小,因为当一开始场景中便存在运动目标时,过小的N值会对运动目标无法“过滤”而导致背景重构发生偏差,造成检测失败。因此,N值的选取与帧数的更新是关键。
对于常用的运动目标检测系统来说,系统初始化的时间t一般在10s左右,因此,本发明假定普通的PAL摄像机的帧频f为25帧/S,则10s有250帧的数据。据此选择N的取值为ft~2ft即250-500为最佳。而如何选取帧频呢?显然离当前时间越近的帧频对于背景的重构更有价值,离当前时间越远的帧频可能越偏离背景本身。因此,在选取帧频进行更新时,获取从k-(N-1)帧开始到当前帧k的连续N帧视频图像进行平均,假设当前为第k帧,则
背景重构完成后,就可以对重构背景图像和当前帧k图像,通过背景差方法进行图像分割,并进行形态学滤波,得到背景差图像B(k)。实践证明,该方法简单易行,且行之有效。如图1所示,(a)为原始视频f(i,j),(b)为重构后的背景p(i,j),(c)为背景差分法获取的分割图像,(d)为分割图像进行形态学滤波后的图像,即背景差图像B(k)。
但是,该方法也存在一个缺陷,即当初始帧中原本存在一个静止的目标,当一定时间后,目标开始运动,此时,目标原本的区域会出现一个虚假的“目标”,如图2所示,(a)为目标点的初始位置,(b)为目标移动后的位置,(c)为背景差和形态学滤波后的图像,图2(c)最下面的两个目标点中,靠左边的目标点即为虚假目标。
针对这一问题,就需要利用“帧差法”来进行辅助处理。假设F(k)和F(k-1)表示第k帧和第k-1帧图像,则差分图像D(k)为:
D(k)=F(k)-F(k-1) (3)
通常情况下,相邻的两帧差对于快速运动的目标会有较好的效果,但是,对于慢速运动目标,则效果不佳。所以,在此基础上,本发明对帧差进行改进,使用多帧差来代替两帧差,获得帧差图像D(k):
D(k)=F(k)-F(k-r) (4)
其中,r≥5。比较帧差图像D(k)和背景差图像B(k),从背景差图像B(k)中,分割出各个目标的位置(X1,Y1),(X2,Y2),…,(Xn,Yn),作为疑似目标。以上述各疑似目标的中心点为中心,以已知的目标大小构建疑似目标区域,在相应的帧差图像D(k)中进行“确认”,判断疑似目标区域在帧差图像D(K)中的亮点数,如果该亮点数大于某一阈值T,则表示该区域确实存在真实目标,否则为“假目标”。图3(a)为帧差法效果图,图3(b)为本发明背景差和帧差法结合效果图,由此可见,背景差和帧差结合后可以有效的剔除虚假目标。图像分割完成后,即可方便的对目标进行检测。至此,整个目标检测算法完成。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于背景重构的目标侦测方法,其特征在于,包括如下步骤:
步骤一、根据侦测系统初始化的时间t和侦测系统中图像采集设备的帧频f,确定N的取值范围为ft~2ft;
步骤二、获取从k-(N-1)帧开始到当前帧k的连续N帧视频图像,通过取像素均值,获得重构背景图像;
步骤三、对重构背景图像和当前帧k图像,采用背景差方法进行图像分割,并进行形态学滤波,得到背景差图像B(k);
步骤四、以r为帧差,r≥5,计算第k帧和第k-r帧图像的差分图像D(k);
步骤五、通过比较背景差图像B(k)和差分图像D(k),获得目标。
2.如权利要求1所述的方法,其特征在于,所述步骤五为:从背景差图像B(k)中分割出各个目标的位置作为疑似目标,以各疑似目标的中心点为中心,根据已知的目标大小构建疑似目标区域,判断差分图像D(k)中各疑似目标区域中的亮点数,如果亮点数大于设定阈值T,则表示该疑似目标区域确实存在真实目标,否则为确定存在假目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710542906.XA CN107423693A (zh) | 2017-07-05 | 2017-07-05 | 一种基于背景重构的目标侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710542906.XA CN107423693A (zh) | 2017-07-05 | 2017-07-05 | 一种基于背景重构的目标侦测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107423693A true CN107423693A (zh) | 2017-12-01 |
Family
ID=60426971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710542906.XA Pending CN107423693A (zh) | 2017-07-05 | 2017-07-05 | 一种基于背景重构的目标侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107423693A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063534A (zh) * | 2018-05-25 | 2018-12-21 | 隆正信息科技有限公司 | 一种基于图像的购物识别和表意方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842036A (zh) * | 2011-11-30 | 2012-12-26 | 三峡大学 | 面向船闸视频监控的智能多目标检测方法 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN103971524A (zh) * | 2014-05-21 | 2014-08-06 | 电子科技大学 | 一种基于机器视觉的交通流量检测方法 |
CN105184824A (zh) * | 2015-09-30 | 2015-12-23 | 重庆师范大学 | 基于图像传感网的智能农业驱鸟系统和方法 |
-
2017
- 2017-07-05 CN CN201710542906.XA patent/CN107423693A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842036A (zh) * | 2011-11-30 | 2012-12-26 | 三峡大学 | 面向船闸视频监控的智能多目标检测方法 |
CN103714703A (zh) * | 2013-12-17 | 2014-04-09 | 重庆凯泽科技有限公司 | 一种基于视频图像处理的车流检测算法 |
CN103971524A (zh) * | 2014-05-21 | 2014-08-06 | 电子科技大学 | 一种基于机器视觉的交通流量检测方法 |
CN105184824A (zh) * | 2015-09-30 | 2015-12-23 | 重庆师范大学 | 基于图像传感网的智能农业驱鸟系统和方法 |
Non-Patent Citations (3)
Title |
---|
侯涛: "基于双背景建模与差分图像的轨道异物识别", 《兰州交通大学学报》 * |
屈晶晶: "连续帧间差分与背景差分相融合的运动", 《光子学报》 * |
王梦菊: "基于视频分析技术的长途客运汽车实载率监测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063534A (zh) * | 2018-05-25 | 2018-12-21 | 隆正信息科技有限公司 | 一种基于图像的购物识别和表意方法 |
CN109063534B (zh) * | 2018-05-25 | 2022-07-22 | 隆正信息科技有限公司 | 一种基于图像的购物识别和表意方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN111724439B (zh) | 一种动态场景下的视觉定位方法及装置 | |
CN106851049B (zh) | 一种基于视频分析的场景变更检测方法及装置 | |
CN105096321B (zh) | 一种基于图像边缘的低复杂度视频移动侦测方法 | |
CN105488811B (zh) | 一种基于深度梯度的目标跟踪方法与系统 | |
CN112036254B (zh) | 基于视频图像的运动车辆前景检测方法 | |
TW201118804A (en) | Method and system for object detection | |
CN103679749A (zh) | 一种基于运动目标跟踪的图像处理方法及装置 | |
CN104700430A (zh) | 机载显示器的运动检测方法 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN103093458B (zh) | 关键帧的检测方法及装置 | |
CN105374049B (zh) | 一种基于稀疏光流法的多角点跟踪方法及装置 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN112489055B (zh) | 融合亮度-时序特征的卫星视频动态车辆目标提取方法 | |
CN111524082B (zh) | 目标鬼影消除方法 | |
CN110231018A (zh) | 一种结构光测距方法、装置及计算机可读存储介质 | |
CN101715070A (zh) | 特定监控视频中的背景自动更新方法 | |
CN105844671B (zh) | 一种变光照条件下的快速背景减除法 | |
CN107423693A (zh) | 一种基于背景重构的目标侦测方法 | |
JP2019121356A (ja) | 干渉領域検出装置と方法及び電子機器 | |
CN103473753A (zh) | 一种基于多尺度小波阈值去噪的目标检测方法 | |
CN110858392A (zh) | 一种基于融合背景模型的监控目标定位方法 | |
CN105184245B (zh) | 一种多特征融合的人群密度估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171201 |
|
WD01 | Invention patent application deemed withdrawn after publication |