CN107452005A - 一种结合边缘帧差和高斯混合模型的运动目标检测方法 - Google Patents
一种结合边缘帧差和高斯混合模型的运动目标检测方法 Download PDFInfo
- Publication number
- CN107452005A CN107452005A CN201710678856.8A CN201710678856A CN107452005A CN 107452005 A CN107452005 A CN 107452005A CN 201710678856 A CN201710678856 A CN 201710678856A CN 107452005 A CN107452005 A CN 107452005A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel
- value
- 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.)
- Granted
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
- G06T7/11—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
- G06T7/13—Edge detection
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T2207/20036—Morphological image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及的是一种结合边缘帧差和高斯混合模型的运动目标检测方法。通过将帧差法引入高斯混合模型,快速区分背景区域和运动目标区域,从而提取前景中完整的运动目标。结合视频图像序列帧差信息和边缘帧差信息,采用多种模型更新率和改进的高斯分布生成准则实现运动目标的提取。本发明能有效过滤前景噪声,有较好的抗干扰能力和模型收敛性,运算效率高,适用于复杂背景下的实时检测。
Description
技术领域
本发明涉及视频监控图像与视频处理技术领域,尤其涉及一种结合边缘帧差和高斯混合模型的运动目标检测方法。
背景技术
近年来,随着智能视频监控系统的高速发展,运动目标检测作为智能视频监控系统中重要环节,成为了当前计算机视觉的热点研究问题。运动目标检测是从视频序列帧中将前景运动区域从背景图像中分割提取出来。在智能视频监控系统中,运动目标检测效果对后期目标跟踪、行为理解、目标分类等有着决定性的作用。目前,视频运动目标检测方法主要包括光流法、帧间差分法、背景减除法等,其中,背景减除法由于计算量小、实时性好、运行效率高等特点,成为当前运动目标检测最常用的方法。
背景减除法的关键在于背景模型的建立与实时更新,只有保证背景模型的准确性,才能较好地检测出运动目标。在实际复杂环境中,背景模型抗干扰能力较差,易受外界光照变化,摄像机抖动等因素影响,导致背景模型与实际背景产生偏差,易将一些伪目标判定为目标对象。
发明内容
本发明针对现有技术中的上述问题,本发明提出一种结合边缘帧差和高斯混合模型的运动目标检测方法,适用于各种复杂环境下的实时检测,可以有效地抑制虚假目标的产生,消除光照突变对背景模型的影响。
本发明所采用的技术方案如下:
步骤(1)、获取视频图像序列初始帧,将初始帧二值化,为每个像素建立一个单高斯分布,以当前像素值作为均值,并定义初始方差和初始权值;
步骤(2)、获取后续图像帧,并做帧间差分处理,获取运动物体团块;
步骤(3)、根据所述步骤(2)中的帧间差分处理,将当前图像帧划分为背景区域和运动区域,不同区域的权值更新率赋予不同初始值,运动区域的权值更新率大于t1,加速背景模型收敛;背景区域的权值更新率小于t2,增加背景模型稳定性,其中t1、t2由用户指定,为经验常数,且t2<t1;
为当前图像帧的每个像素设定一个计数值C1,0≤C1≤m,其表示对该像素连续被判定为背景像素进行计数,初始化为0,若该像素被判定为背景像素,C1值加1,C1达到上限值则维持不变;若该像素被判定为前景像素,C1值重置为0,通过C1的变化,动态调整权值更新率:
其中,α为当前权值更新率;α′为计数值C1发生变化后,调整的权值更新率;m根据环境背景复杂度设定,为C1值上限;
基于改进的混合高斯模型进行背景更新,具体包括:
每个像素设定一个高斯分布数上限L,若后续图像帧的像素与某个高斯分布满足不等式|Xt-μi,t-1|≤2.5σi,t-1,则表示该像素与背景模型匹配,更新所述某个高斯分布各项参数:
其中,Xt表示t时刻图像帧的像素值,ωk,t表示t时刻第k个高斯分布的权重,Mk,t表示t时刻图像帧中当前像素点是否符合第k个高斯分布模型,符合时为1不符合时为0;μk,t表示t时刻第k个高斯分布的均值,表示t时刻所述第k个高斯分布的方差,α表示模型权值更新率,ρ表示参数学习率,η(Xt|μk,t,σk,t)表示t时刻图像帧中第k个高斯分布的概率模型。
若后续图像帧的像素与所述某个高斯分布不匹配,且该像素的高斯分布数小于L,则新建一个高斯分布,以后续图像帧当前像素值作为均值,定义新的方差和新的权值,并根据该像素所属区域初始化新的权值;若该像素高斯分布数等于L,则用新建的高斯分布取代权值最小的高斯分布;
为每个高斯分布设定一个生存值C2,初始值为0,当该高斯分布与后续图像帧的像素匹配,C2数值减1,若不匹配则增1,当C2为0时不变,若C2数值等于阈值Tm时,则删除该高斯分布;
步骤(4)、相邻帧ft、ft-1采用Canny算子提取边缘信息,Canny算子双门限比例按经验值3:1设置,将当前帧图像的边缘信息与前一帧图像的边缘信息进行差分计算获取边缘帧差图像,然后将边缘帧差图像的每一个像素值与阈值T比对,若该像素值大于阈值T,则将该像素值设定为255,否则设定为0,对边缘帧差图像像素与阈值T比对后获得的图像进行形态学膨胀处理,获得边缘前景图像;
步骤(5)、将帧间差分获取的运动物体团块、基于改进混合高斯模型检测得到的前景图像和所述边缘前景图像进行“与”运算并填补空洞处理获取最终检测结果。
1、根据权利要求1所述的结合边缘帧差和高斯混合模型的运动目标检测方法,其特征在于,所述步骤(2)中,帧间差分获取运动物体团块具体包括:
选取相邻两帧ft、ft-1,计算帧差阈值T:
其中,Tc选取固定值30,Tr为环境补充因子,随环境光照变化自行增减,N表示图像帧的像素点个数。
相邻帧ft、ft-1做帧间差分处理,得到完整帧差图像,将完整帧差图像的每一个像素与帧差阈值T比对,若该像素值大于帧差阈值T,则将该像素设定为255,否则设定为0,然后再调用OpenCV3.0内置函数dilate()时,设定膨胀值,对完整帧差图像像素与帧差阈值T比对后获得的图像进行形态学膨胀处理,获得运动物体团块图像。
本发明的有益效果是,相比传统高斯混合模型与背景减除法相结合算法,本发明提出一种结合边缘帧差和高斯混合模型的运动目标检测方法,可以有效地抑制虚假目标的产生,更好适应光照等外界环境因素变化,具有更好的模型收敛性,运算效率更高,运动目标检测效果更鲁棒。
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为本发明实施例的总体流程图
图2为本发明实施例运动区域与背景区域划分示例
图3为本发明实施例室外树叶摆动背景噪声示例
图4为本发明实施例室内灯光突变示例
图5为本发明实施例静止目标突然移动示例
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明,以下实施例不构成对本发明的限定。
如图1所示,本发明方法的实施流程具体包括以下步骤:
S1010:获取当前视频图像序列初始帧,将图像二值化,为每个像素建立一个高斯分布,以当前像素值作为均值,并定义较大方差和较小权值。
高斯模型的定义如下:
对于视频帧图像的所有像素,则有混合高斯模型为:
其中,K为像素高斯分布模型个数,本发明实际应用时可根据环境复杂程度调整,K值越大,波动处理能力越强,但计算复杂度越高;ωi,t和μi,t分别为t时刻第i个高斯分布的权重和均值,Σi,t为第i个高斯分布的协方差矩阵,n为Xt的维数。高斯混合模型背景建模过程包括模型初始化、模型匹配、参数更新和背景估计。
S1110:获取视频当前帧和前一帧图像,将图像进行二值化处理。为当前图像每个像素设定一个计数值C1(0≤C1≤m),表示该像素连续被判定为背景像素的计数值,初始化为0。若该像素被分割为背景像素,C1值加1,C1达到上限值则维持不变;若被分割为前景像素,C1值重置为0,通过C1的变化,按式(5)动态调整权值更新率。由式(5)可知,该像素若连续被分割为背景像素,权值更新率将持续缩小,保持变化较小或者变化缓慢的区域采用较小学习率,增强抗干扰能力;若该像素处于活动频率的运动区域,C1则始终维持较大值,保证该像素选取较大更新率,加速模型收敛。
具体实现方法如下:
选取相邻两帧ft、ft-1,按照以下公式(3)和公式(4)将图像划分为背景区域和运动区域并根据公式(5)进行相应数值处理:
其中,M为像素区域判定,M=0时,像素判定为背景区域,反之则为运动区域。Tc选取固定值30,Tr为环境补充因子,可随环境光照变化自行增减。m根据环境背景复杂度设定,为C1值上限,α为当前权值更新率;α′为计数值C1发生变化后,调整的权值更新率。
图像区域划分实际效果如图2所示,黑色表示背景区域,白色表示运动区域。
S1120:将获取的帧间差分图像像素与阈值T比对,若该像素值大于阈值T,则将当前像素设定为255,否则设定为0,然后对获取图像进行形态学膨胀处理,消除运动目标内部空洞。
S1140:图像膨胀处理后,获得当前运动目标团块。
S1130:改进高斯混合模型,根据S1110划分的背景区域和运动区域赋予不同的权值更新率,权值更新率背景区域初始化为0.01,运动区域初始设定为0.03。同时,如S1110所述,权值更新率可随像素前景分割情况,动态调整数值,适应复杂多变的环境。
此外,该改进高斯混合模型采用一种自适应的高斯分布准则,根据外界环境变化动态调整像素高斯分布数目,并对每个像素设定一个高斯分布上限L。背景模型更新时,将后续帧像素值与该像素模型高斯分布匹配验证,若像素值与某个高斯分布满足不等式|Xt-μi,t-1|≤2.5σi,t-1,则表示该像素与模型匹配,按式(6)更新该高斯分布各项参数;若该像素与高斯分布不匹配,且该像素高斯分布数小于L,则新建一个高斯分布,以当前像素值作为均值,定义较大方差并根据该像素所属区域初始化权值;若该像素高斯分布数等于L,则用新高斯分布取代权值最小分布。
其中,Xt表示t时刻图像帧的像素值,ωk,t表示t时刻第k个高斯分布的权重,Mk,t表示t时刻图像帧中当前像素点是否符合第k个高斯分布模型,符合时为1不符合时为0;μk,t表示t时刻第k个高斯分布的均值,表示t时刻所述第k个高斯分布的方差,α表示模型权值更新率,ρ表示参数学习率,η(Xt|μk,t,σk,t)表示t时刻图像帧中第k个高斯分布的概率模型。
此外,为防止像素高斯分布未达上限时,外界噪声或光线变化引入额外的高斯分布,增加无用的运算负担和内存消耗,本发明方法为每个高斯分布设定一个生存值C2,初始值为0。当该高斯分布与像素匹配,C2数值减1,当C2为0时不变,若不匹配则增1。若C2数值等于阈值Tm时,则删除该高斯分布,减少不必要高斯模型,降低内存消耗,加速算法运行速度。
以下表格数据为经典高斯混合模型与本发明方法采用PET2006数据库(分辨率为720*576)进行模拟实验,单帧运行时间和总高斯分布数对比。
根据表格数据可知,与经典高斯混合模型相比,本发明运行耗时平均降低12.97%,高斯分布数控制在改进前的70%以内,节约了内存空间,提高了算法的运行效率。
S1150:高斯混合模型趋于稳定后,将高斯分布按ω/σ大到小进行排序,从K个高斯分布中选择前B个高斯分布作为背景模型。
其中,Tn为背景阈值,可根据环境背景复杂度设定,选出最佳背景描述高斯分布所需。将当前图像像素值与背景模型匹配,若匹配则判定该像素点为背景点,像素值置为0,反之则为前景点,像素值置为255,由此获得所需前景图像。
S1210:获取图像帧采用Canny算子提取图像边缘信息,Canny算子双门限比例按经验值3:1设置。边缘检测图像只包含目标边缘信息,对外界噪声和光照突变敏感度较低,因此,提取的边缘图像对复杂多变的环境抗干扰能力较强。
S1220:将当前帧与前一帧图像边缘信息进行差分计算获取边缘帧差图像,然后将边缘帧差图像像素与阈值T比对,若该像素值大于阈值T,则将当前像素设定为255,否则设定为0。
S1230:调用OpenCV3.0内置函数dilate(),设定较大膨胀值,对S1220获取图像进行形态学膨胀处理,消除目标内部空洞。
S1240:图像膨胀处理后,获得当前边缘前景图像。
S1310:将S1140获取的运动物体团块图像、S1150获取的前景图像和S1310获取的边缘前景图像三者进行“与”运算。
S1410:调用形态学处理函数,对S1310获取做形态学综合处理,消除外界孤立点,填补目标内部空洞。
S1510:获取最终检测结果,运动目标检测图像。
为说明本发明方法处理结果的优越性,采取三个实际场景分别测试本发明方法在环境背景复杂多变、光照突变和静止物体突然移动的情况下的测试结果与经典高斯混合模型的检测结果进行比对。
如图3所示,采用中国科学院自动化研究所视频库验证,本发明方法与经典高斯混合模型算法检测结果,以第331帧为例。从图3可知本发明方法相比较经典高斯混合模型算法,能准确的将摆动的树叶分割为背景像素,外界噪声抗干扰能力更强。
如图4所示,采用九州大学视频库验证,本发明方法在使用室内灯光变化模拟外界光照突变的情况下的结果。如图4所示,在光照突变的情况下,经典高斯混合模型算法短时间内背景模型与实际背景会出现较大偏差,无法准确检测出运动物体,而本发明方法结合物体边缘信息对外界噪声和光照敏感度低的特点,加强了算法对光照突变影响的抑制作用,在光照突变的情况下能较准确地提取出运动目标轮廓。
如图5所示,采用数据库PETS2006图像序列第25帧作为起始帧,并多次重复输入第25帧作为背景模型训练帧,模拟静止目标突然运动的示例环境。由图5可知,本发明方法在图像序列第37帧开始,“拖影”就逐渐融入背景,在第53帧时完全融入背景中,而经典高斯混合模型,随着背景的自适应更新,直到83帧才完全融入背景,造成长时间误检。由此可见,本发明方法针对背景区域和运动区域选取不同更新率,并随环境变化动态调整值更新率,使背景模型收敛能力较强,能加速虚假目标的消除。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.一种结合边缘帧差和高斯混合模型的运动目标检测方法,其特征在于,包括以下步骤:
步骤(1)、获取视频图像序列初始帧,将初始帧二值化,为每个像素建立一个单高斯分布,以当前像素值作为均值,并定义初始方差和初始权值;
步骤(2)、获取后续图像帧,并做帧间差分处理,获取运动物体团块;
步骤(3)、根据所述步骤(2)中的帧间差分处理,将当前图像帧划分为背景区域和运动区域,不同区域的权值更新率赋予不同初始值,运动区域的权值更新率大于t1,加速背景模型收敛;背景区域的权值更新率小于t2,增加背景模型稳定性,其中t1、t2由用户指定,为经验常数,且t2<t1;
为当前图像帧的每个像素设定一个计数值C1,0≤C1≤m,其表示对该像素连续被判定为背景像素进行计数,初始化为0,若该像素被判定为背景像素,C1值加1,C1达到上限值则维持不变;若该像素被判定为前景像素,C1值重置为0,通过C1的变化,动态调整权值更新率:
<mrow>
<msup>
<mi>&alpha;</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>m</mi>
<mo>-</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
</mrow>
<mi>m</mi>
</mfrac>
<mo>&times;</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>&le;</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,α为当前权值更新率;α′为计数值C1发生变化后,调整的权值更新率;m根据环境背景复杂度设定,为C1值上限;
基于改进的混合高斯模型进行背景更新,具体包括:
每个像素设定一个高斯分布数上限L,若后续图像帧的像素与某个高斯分布满足不等式|Xt-μi,t-1|≤2.5σi,t-1,则表示该像素与背景模型匹配,更新所述某个高斯分布各项参数:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&rho;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&rho;</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&rho;</mi>
<mo>=</mo>
<mi>&alpha;</mi>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Xt表示t时刻图像帧的像素值,ωk,t表示t时刻第k个高斯分布的权重,Mk,t表示t时刻图像帧中当前像素点是否符合第k个高斯分布模型,符合时为1不符合时为0;μk,t表示t时刻第k个高斯分布的均值,表示t时刻所述第k个高斯分布的方差,α表示模型权值更新率,ρ表示参数学习率,η(Xt|μk,t,σk,t)表示t时刻图像帧中第k个高斯分布的概率模型;
若后续图像帧的像素与所述某个高斯分布不匹配,且该像素的高斯分布数小于L,则新建一个高斯分布,以后续图像帧当前像素值作为均值,定义新的方差和新的权值,并根据该像素所属区域初始化新的权值;若该像素高斯分布数等于L,则用新建的高斯分布取代权值最小的高斯分布;
为每个高斯分布设定一个生存值C2,初始值为0,若该高斯分布与后续图像帧的像素匹配,C2数值减1,若不匹配则增1,当C2为0时不变,若C2数值等于阈值Tm时,则删除该高斯分布。
步骤(4)、相邻帧ft、ft-1采用Canny算子提取边缘信息,Canny算子双门限比例按经验值3:1设置,将当前帧图像的边缘信息与前一帧图像的边缘信息进行差分计算获取边缘帧差图像,然后将边缘帧差图像的每一个像素值与阈值T1比对,若该像素值大于阈值T1,则将该像素值设定为255,否则设定为0,对边缘帧差图像像素与阈值T比对后获得的图像进行形态学膨胀处理,获得边缘前景图像;
步骤(5)、将帧间差分获取的运动物体团块、基于改进混合高斯模型检测得到的前景图像和所述边缘前景图像进行“与”运算并填补空洞处理获取最终检测结果。
2.根据权利要求1所述的结合边缘帧差和高斯混合模型的运动目标检测方法,其特征在于,所述步骤(2)中,帧间差分获取运动物体团块具体包括:
选取相邻两帧ft、ft-1,计算帧差阈值T:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>c</mi>
</msub>
<mo>+</mo>
<msub>
<mi>T</mi>
<mi>r</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>T</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mi>&Sigma;</mi>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,Tc选取固定值30,Tr为环境补充因子,随环境光照变化自行增减,N表示图像帧的像素点个数;
相邻帧ft、ft-1做帧间差分处理,得到完整帧差图像,将完整帧差图像的每一个像素与帧差阈值T比对,若该像素值大于帧差阈值T,则将该像素设定为255,否则设定为0,然后再调用OpenCV3.0内置函数dilate()时,设定膨胀值,对完整帧差图像像素与帧差阈值T比对后获得的图像进行形态学膨胀处理,获得运动物体团块图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710678856.8A CN107452005B (zh) | 2017-08-10 | 2017-08-10 | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710678856.8A CN107452005B (zh) | 2017-08-10 | 2017-08-10 | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107452005A true CN107452005A (zh) | 2017-12-08 |
CN107452005B CN107452005B (zh) | 2018-06-22 |
Family
ID=60491958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710678856.8A Active CN107452005B (zh) | 2017-08-10 | 2017-08-10 | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107452005B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765463A (zh) * | 2018-05-30 | 2018-11-06 | 河海大学常州校区 | 一种结合区域提取与改进纹理特征的运动目标检测方法 |
CN109063602A (zh) * | 2018-07-13 | 2018-12-21 | 北京理工大学 | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 |
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 |
CN110378928A (zh) * | 2019-04-29 | 2019-10-25 | 北京佳讯飞鸿电气股份有限公司 | 一种动静匹配的目标检测与跟踪方法 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN111383250A (zh) * | 2020-03-20 | 2020-07-07 | 内蒙古工业大学 | 基于改进混合高斯模型的运动目标检测方法及装置 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN111598906A (zh) * | 2020-03-31 | 2020-08-28 | 广州杰赛科技股份有限公司 | 车辆检测方法、系统、设备和存储介质 |
CN112184759A (zh) * | 2020-09-18 | 2021-01-05 | 深圳市国鑫恒运信息安全有限公司 | 一种基于视频的运动目标检测与跟踪方法及系统 |
CN112348842A (zh) * | 2020-11-03 | 2021-02-09 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种从视频中自动快速获取场景背景的处理方法 |
CN112802054A (zh) * | 2021-02-04 | 2021-05-14 | 重庆大学 | 一种融合图像分割的混合高斯模型前景检测方法 |
CN113177960A (zh) * | 2021-05-28 | 2021-07-27 | 高小翎 | 边缘支持背景建模的roi监控视频提取平台 |
CN113554685A (zh) * | 2021-08-02 | 2021-10-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 |
CN113822161A (zh) * | 2021-08-23 | 2021-12-21 | 河北大学 | 肤色与三级背景更新模型融合的动态手部检测方法及装置 |
CN115273565A (zh) * | 2022-06-24 | 2022-11-01 | 苏州数智源信息技术有限公司 | 一种基于ai大数据的飞机坪预警方法、装置及终端 |
CN117975373A (zh) * | 2024-03-29 | 2024-05-03 | 济南大学 | 一种电力基建现场高空抛物目标检测与追踪方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129688A (zh) * | 2011-02-24 | 2011-07-20 | 哈尔滨工业大学 | 一种针对复杂背景的运动目标检测方法 |
CN102592125A (zh) * | 2011-12-20 | 2012-07-18 | 福建省华大数码科技有限公司 | 基于标准差特征的运动目标检测方法 |
-
2017
- 2017-08-10 CN CN201710678856.8A patent/CN107452005B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129688A (zh) * | 2011-02-24 | 2011-07-20 | 哈尔滨工业大学 | 一种针对复杂背景的运动目标检测方法 |
CN102592125A (zh) * | 2011-12-20 | 2012-07-18 | 福建省华大数码科技有限公司 | 基于标准差特征的运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
苏剑臣 等: "基于边缘帧差和高斯混合模型的行人目标检测", 《计算机应用研究》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765463B (zh) * | 2018-05-30 | 2021-11-16 | 河海大学常州校区 | 一种结合区域提取与改进纹理特征的运动目标检测方法 |
CN108765463A (zh) * | 2018-05-30 | 2018-11-06 | 河海大学常州校区 | 一种结合区域提取与改进纹理特征的运动目标检测方法 |
CN109063602A (zh) * | 2018-07-13 | 2018-12-21 | 北京理工大学 | 基于路径连贯性函数的星空背景下的目标跟踪方法和装置 |
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 |
CN109472808B (zh) * | 2018-11-23 | 2022-03-04 | 东北大学 | 一种获取视频中运动目标的检测方法 |
CN110378928A (zh) * | 2019-04-29 | 2019-10-25 | 北京佳讯飞鸿电气股份有限公司 | 一种动静匹配的目标检测与跟踪方法 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN110443830B (zh) * | 2019-08-14 | 2022-12-02 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN111383250A (zh) * | 2020-03-20 | 2020-07-07 | 内蒙古工业大学 | 基于改进混合高斯模型的运动目标检测方法及装置 |
CN111598906A (zh) * | 2020-03-31 | 2020-08-28 | 广州杰赛科技股份有限公司 | 车辆检测方法、系统、设备和存储介质 |
CN111507977A (zh) * | 2020-04-28 | 2020-08-07 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111507977B (zh) * | 2020-04-28 | 2024-04-02 | 同济大学 | 一种图像中钡剂信息提取方法 |
CN111524158A (zh) * | 2020-05-09 | 2020-08-11 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN111524158B (zh) * | 2020-05-09 | 2023-03-24 | 黄河勘测规划设计研究院有限公司 | 水利工程复杂场景下的前景目标检测方法 |
CN112184759A (zh) * | 2020-09-18 | 2021-01-05 | 深圳市国鑫恒运信息安全有限公司 | 一种基于视频的运动目标检测与跟踪方法及系统 |
CN112348842A (zh) * | 2020-11-03 | 2021-02-09 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种从视频中自动快速获取场景背景的处理方法 |
CN112802054A (zh) * | 2021-02-04 | 2021-05-14 | 重庆大学 | 一种融合图像分割的混合高斯模型前景检测方法 |
CN112802054B (zh) * | 2021-02-04 | 2023-09-01 | 重庆大学 | 一种融合图像分割的混合高斯模型前景检测方法 |
CN113177960A (zh) * | 2021-05-28 | 2021-07-27 | 高小翎 | 边缘支持背景建模的roi监控视频提取平台 |
CN113554685A (zh) * | 2021-08-02 | 2021-10-26 | 中国人民解放军海军航空大学航空作战勤务学院 | 遥感卫星运动目标检测方法、装置、电子设备及存储介质 |
CN113822161B (zh) * | 2021-08-23 | 2023-07-25 | 河北大学 | 肤色与三级背景更新模型融合的动态手部检测方法及装置 |
CN113822161A (zh) * | 2021-08-23 | 2021-12-21 | 河北大学 | 肤色与三级背景更新模型融合的动态手部检测方法及装置 |
CN115273565A (zh) * | 2022-06-24 | 2022-11-01 | 苏州数智源信息技术有限公司 | 一种基于ai大数据的飞机坪预警方法、装置及终端 |
CN117975373A (zh) * | 2024-03-29 | 2024-05-03 | 济南大学 | 一种电力基建现场高空抛物目标检测与追踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107452005B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107452005B (zh) | 一种结合边缘帧差和高斯混合模型的运动目标检测方法 | |
US8280165B2 (en) | System and method for segmenting foreground and background in a video | |
CN106997597B (zh) | 一种基于有监督显著性检测的目标跟踪方法 | |
CN108537147B (zh) | 一种基于深度学习的手势识别方法 | |
CN101299268B (zh) | 适于低景深图像的语义对象分割方法 | |
CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
CN104182772A (zh) | 一种基于深度学习的手势识别方法 | |
CN103119625B (zh) | 一种视频人物分割的方法及装置 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN107833241A (zh) | 对环境光照变化具有鲁棒性的实时视觉目标检测方法 | |
CN112686276A (zh) | 一种基于改进RetinaNet网络的火焰检测方法 | |
CN103729862A (zh) | 基于码本背景模型的自适应阈值运动目标检测方法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN106952294A (zh) | 一种基于rgb‑d数据的视频跟踪方法 | |
CN113807188A (zh) | 基于锚框匹配和Siamese网络的无人机目标跟踪方法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN111709911B (zh) | 一种基于神经网络的卵巢卵泡自动计数的方法 | |
CN115205903B (zh) | 一种基于身份迁移生成对抗网络的行人重识别方法 | |
CN105046202A (zh) | 自适应的人脸识别光照处理方法 | |
CN111986126A (zh) | 一种基于改进vgg16网络的多目标检测方法 | |
CN114708615B (zh) | 基于图像增强的低照度环境下人体检测方法、电子设备及储存介质 | |
CN113963333B (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN108053418B (zh) | 一种动物背景建模方法及装置 | |
Silva et al. | Online weighted one-class ensemble for feature selection in background/foreground separation | |
Wang et al. | Regularized online mixture of gaussians for background subtraction |
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 |