CN107993254A - 基于关联帧差分法的运动目标检测方法 - Google Patents
基于关联帧差分法的运动目标检测方法 Download PDFInfo
- Publication number
- CN107993254A CN107993254A CN201711337002.XA CN201711337002A CN107993254A CN 107993254 A CN107993254 A CN 107993254A CN 201711337002 A CN201711337002 A CN 201711337002A CN 107993254 A CN107993254 A CN 107993254A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- differential
- similarity
- detected
- 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
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明旨在提供一种基于关联帧差分法的运动目标检测方法,包括以下步骤:A、将视频图像进行灰度处理、均衡化处理以及中值滤波得到预处理图像;B、选取相邻的任意三帧的预处理图像作为待检测图像,预设图像相似度阈值;计算相邻两帧待检测图像的相似度,当均小于图像相似度阈值,执行步骤C;C、计算得到相邻两帧待检测图像的差分图像;D、预设差分阈值,对相邻两帧待检测图像的差分图像进行二值化处理得到差分二值化图像;E、将相邻两帧待检测图像的各个像素点的值进行叠加,得到初步检测结果图,对初步检测结果图轮廓填充后,得到最终检测结果图。该方法克服现有技术的缺陷,具有减少目标拉伸、准确率更高的特点。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种基于关联帧差分法的运动目标检测方法。
背景技术
随着人类社会的快速发展及智能化服务的提升,刑事侦查、道路交通监控、智能家居监控等领域越来越离不开视频监控系统。而视频监控系统主要由运动目标检测及跟踪、目标行为分析、目标出现场景的理解及后续行为分析等方面组成。基于视频图像的运动目标检测及跟踪、分析与理解是计算机视觉和数字图像处理技术最为复杂的一个研究方向。
由于帧间差分运动目标检测算法实现简单且运算速度快,对动态环境的自适应能力强,受光照与复杂背景等干扰因素的影响比较小,但是检测出的运动目标容易产生拖影现象及存在一定程度的空洞等缺陷。
发明内容
本发明旨在提供一种基于关联帧差分法的运动目标检测方法,该方法克服现有技术的缺陷,具有减少目标拉伸、准确率更高的特点。
本发明的技术方案如下:
A、将视频图像进行灰度处理后得到灰度图像,利用灰度直方图对灰度图像进行均衡化处理得到均衡化图像,最后对均衡化图像进行中值滤波得到预处理图像;
B、选取相邻的三帧预处理图像作为待检测图像,预设图像相似度阈值;提取待检测图像的颜色特征向量并根据颜色特征向量计算相邻两帧待检测图像的相似度,并与图像相似度阈值进行对比,若均大于图像相似度阈值则执行步骤C的操作,反之则重新选取待检测图像再次进行上述相似度计算以及阈值判断;
C、令三帧待检测图像分别为图像k-1、图像k、图像k+1;
将图像k-1、图像k中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k-1、图像k的差分图像;
将图像k、图像k+1中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k、图像k+1的差分图像;
D、预设差分阈值,利用差分阈值分别对图像k-1、k的差分图像与图像k、图像k+1的差分图像进行二值化处理,分别得到图像k-1、图像k的差分图像与图像k、图像k+1的差分图像中各个像素点的二值化值,分别构成图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像;
E、将图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像中的各个像素点的值进行叠加,得到初步检测结果图,对初步检测结果图进行轮廓填充后,得到最终检测结果图。
优选地,所述的步骤B具体为:
相邻两帧待检测图像的相似度计算如下:
其中S(F1,F2)为图像k-1与图像k的相似度,S(F2,F3)为图像k与图像k+1的相似度,F1(i),F2(i),F3(i)分别为图像k-1、图像k、图像k+1的颜色特征向量,i为颜色特征向量的元素序号;
所述的阈值判断如下:
当S(F1,F2)>T1;S(F2,F3)>T1;则执行步骤C;
当S(F1,F2)<T1或S(F2,F3)<T1;则再次执行步骤B;
其中,T1为图像相似度阈值。
优选地,所述的步骤C具体为:
所述的图像k-1、图像k中各像素点的差分值D1(x,y)为:
D1(x,y)=|f2(x,y)-f1(x,y)| (3);
所述的图像k、图像k+1中各像素点的差分值D2(x,y)为:
D2(x,y)=|f3(x,y)-f2(x,y)| (4);
其中f1(x,y)、f2(x,y)、f3(x,y)分别为图像k-1、图像k、图像k+1各个像素点的灰度值。
优选地,所述的步骤D具体为:
所述的图像k-1、图像k的差分图像与图像k、图像k+1的差分图像的二值化处理如下:
图像k-1、k的差分图像中各个像素点的二值化值R1(x,y)为:
图像k、k+1的差分图像中各个像素点的二值化值R2(x,y)为:
其中T2为差分阈值。
优选地,所述的步骤E具体为:
初步检测结果图中各个像素点的灰度值Targ(x,y)为:
Targ(x,y)=R1(x,y)∩R2(x,y) (7)。
所述的轮廓填充具体为:对初步检测结果图进行判断,当内轮廓面积小于等于面积阈值时,利用OPENCV软件的功能函数FillInternalContours和cvDrawContours进行轮廓填充。
本发明检测方案采用相邻图像的颜色特征向量来计算相邻图像的相似度,并结合图像相似度阈值来判断所选取的待检测图像的相似性,从而避免选取到不相关联的图像,从图像源头保证后续检测结果的准确性,同时也克服了可能出现拖影、空洞现象的缺陷;后续帧间差分计算中采用差分阈值来进行二值化处理,通过“双阈值”兼顾了相邻图像的关联性以及目标检测的准确性。
附图说明
图1为本发明提供的基于关联帧差分法的运动目标检测方法的目标检测结果图I;
图2为本发明提供的基于关联帧差分法的运动目标检测方法的目标检测结果图II。
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
本实施例提供的基于关联帧差分法的运动目标检测方法,包括以下步骤:
A、将视频图像进行灰度处理后得到灰度图像,利用灰度直方图对灰度图像进行均衡化处理得到均衡化图像,最后对均衡化图像进行中值滤波得到预处理图像;
B、选取相邻的三帧预处理图像作为待检测图像,预设图像相似度阈值;提取待检测图像的颜色特征向量并根据颜色特征向量计算相邻两帧待检测图像的相似度,并与图像相似度阈值进行对比,若均大于图像相似度阈值则执行步骤C的操作,反之则重新选取待检测图像再次进行上述相似度计算以及阈值判断;
所述的步骤B具体为:
相邻两帧待检测图像的相似度计算如下:
其中S(F1,F2)为图像k-1与图像k的相似度,S(F2,F3)为图像k与图像k+1的相似度,F1(i),F2(i),F3(i)分别为图像k-1、图像k、图像k+1的颜色特征向量,i为颜色特征向量的元素序号;
所述的阈值判断如下:
当S(F1,F2)>T1;S(F2,F3)>T1;则执行步骤C;
当S(F1,F2)<T1或S(F2,F3)<T1;则再次执行步骤B;
其中,T1为图像相似度阈值;
C、令三帧待检测图像分别为图像k-1、图像k、图像k+1;
将图像k-1、图像k中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k-1、图像k的差分图像;
将图像k、图像k+1中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k、图像k+1的差分图像;
所述的步骤C具体为:
所述的图像k-1、图像k中各像素点的差分值D1(x,y)为:
D1(x,y)=|fk(x,y)-fk-1(x,y)| (3);
所述的图像k、图像k+1中各像素点的差分值D2(x,y)为:
D2(x,y)=|fk+1(x,y)-fk(x,y)| (4);
其中fk-1(x,y)、fk(x,y)、fk+1(x,y)分别为图像k-1、图像k、图像k+1各个像素点的灰度值;
D、预设差分阈值,利用差分阈值分别对图像k-1、k的差分图像与图像k、图像k+1的差分图像进行二值化处理,分别得到图像k-1、图像k的差分图像与图像k、图像k+1的差分图像中各个像素点的二值化值,分别构成图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像;
所述的步骤D具体为:
所述的图像k-1、图像k的差分图像与图像k、图像k+1的差分图像的二值化处理如下:
图像k-1、k的差分图像中各个像素点的二值化值R1(x,y)为:
图像k、k+1的差分图像中各个像素点的二值化值R2(x,y)为:
其中T2为差分阈值;
E、将图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像中的各个像素点的值进行叠加,得到初步检测结果图,对初步检测结果图进行轮廓填充后,得到最终检测结果图;
所述的步骤E具体为:
初步检测结果图中各个像素点的灰度值Targ(x,y)为:
Targ(x,y)=R1(x,y)∩R2(x,y) (7);
本实施例中,图像相似度阈值T1取为0.95,差分阈值T2取为0.9,所述的轮廓填充具体为:对初步检测结果图进行判断,当内轮廓面积小于等于面积阈值时,利用OPENCV软件的功能函数FillInternalContours和cvDrawContours进行轮廓填充,本实施例的面积阈值取为200平方像素。
图1-2为本实施例提供的基于关联帧差分法的运动目标检测方法的目标检测结果图,由图1可以看出,本实施例提供的目标检测方法能够有效地检测出运动目标。
Claims (6)
1.基于关联帧差分法的运动目标检测方法,其特征在于包括以下步骤:
A、将视频图像进行灰度处理后得到灰度图像,利用灰度直方图对灰度图像进行均衡化处理得到均衡化图像,最后对均衡化图像进行中值滤波得到预处理图像;
B、选取相邻的三帧预处理图像作为待检测图像,预设图像相似度阈值;提取待检测图像的颜色特征向量并根据颜色特征向量计算相邻两帧待检测图像的相似度,并与图像相似度阈值进行对比,若均大于图像相似度阈值则执行步骤C的操作,反之则重新选取待检测图像再次进行上述相似度计算以及阈值判断;
C、令三帧待检测图像分别为图像k-1、图像k、图像k+1;
将图像k-1、图像k中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k-1、图像k的差分图像;
将图像k、图像k+1中相同坐标的像素点的灰度值求差后取绝对值,得到该像素点的差分值,上述各个像素点的差分值构成图像k、图像k+1的差分图像;
D、预设差分阈值,利用差分阈值分别对图像k-1、k的差分图像与图像k、图像k+1的差分图像进行二值化处理,分别得到图像k-1、图像k的差分图像与图像k、图像k+1的差分图像中各个像素点的二值化值,分别构成图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像;
E、将图像k-1、图像k的差分二值化图像以及图像k、图像k+1的差分二值化图像中的各个像素点的值进行叠加,得到初步检测结果图,对初步检测结果图进行轮廓填充后,得到最终检测结果图。
2.如权利要求1所述的基于关联帧差分法的运动目标检测方法,其特征在于:
所述的步骤B具体为:
相邻两帧待检测图像的相似度计算如下:
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mfrac>
<msqrt>
<mrow>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>F</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>F</mi>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msqrt>
<mrow>
<mn>1</mn>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mfrac>
<msqrt>
<mrow>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>F</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>F</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>F</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中S(F1,F2)为图像k-1与图像k的相似度,S(F2,F3)为图像k与图像k+1的相似度,F1(i),F2(i),F3(i)分别为图像k-1、图像k、图像k+1的颜色特征向量,i为颜色特征向量的元素序号;
所述的阈值判断如下:
当S(F1,F2)>T1;S(F2,F3)>T1;则执行步骤C;
当S(F1,F2)<T1或S(F2,F3)<T1;则再次执行步骤B;
其中,T1为图像相似度阈值。
3.如权利要求2所述的基于关联帧差分法的运动目标检测方法,其特征在于:
所述的步骤C具体为:
所述的图像k-1、图像k中各像素点的差分值D1(x,y)为:
D1(x,y)=|f2(x,y)-f1(x,y)| (3);
所述的图像k、图像k+1中各像素点的差分值D2(x,y)为:
D2(x,y)=|f3(x,y)-f2(x,y)| (4);
其中f1(x,y)、f2(x,y)、f3(x,y)分别为图像k-1、图像k、图像k+1各个像素点的灰度值。
4.如权利要求3所述的基于关联帧差分法的运动目标检测方法,其特征在于:
所述的步骤D具体为:
所述的图像k-1、图像k的差分图像与图像k、图像k+1的差分图像的二值化处理如下:
图像k-1、k的差分图像中各个像素点的二值化值R1(x,y)为:
<mrow>
<msub>
<mi>R</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
图像k、k+1的差分图像中各个像素点的二值化值R2(x,y)为:
<mrow>
<msub>
<mi>R</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中T2为差分阈值。
5.如权利要求4所述的基于关联帧差分法的运动目标检测方法,其特征在于:
所述的步骤E具体为:
初步检测结果图中各个像素点的灰度值Targ(x,y)为:
Targ(x,y)=R1(x,y)∩R2(x,y) (7)。
6.如权利要求1所述的基于关联帧差分法的运动目标检测方法,其特征在于:
所述的轮廓填充具体为:对初步检测结果图进行判断,当内轮廓面积小于等于面积阈值时,利用OPENCV软件的功能函数FillInternalContours和cvDrawContours进行轮廓填充。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337002.XA CN107993254A (zh) | 2017-12-14 | 2017-12-14 | 基于关联帧差分法的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711337002.XA CN107993254A (zh) | 2017-12-14 | 2017-12-14 | 基于关联帧差分法的运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107993254A true CN107993254A (zh) | 2018-05-04 |
Family
ID=62038380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711337002.XA Pending CN107993254A (zh) | 2017-12-14 | 2017-12-14 | 基于关联帧差分法的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993254A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921834A (zh) * | 2018-06-27 | 2018-11-30 | 肖金保 | 一种人体前景检测系统 |
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN111062415A (zh) * | 2019-11-12 | 2020-04-24 | 中南大学 | 基于对比差异的目标对象图像提取方法、系统及存储介质 |
CN114326418A (zh) * | 2021-11-30 | 2022-04-12 | 重庆电子工程职业学院 | 智能家居设备控制系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN106204658A (zh) * | 2016-07-21 | 2016-12-07 | 北京邮电大学 | 运动图像跟踪方法及装置 |
CN107133972A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种视频运动目标检测方法 |
CN107169996A (zh) * | 2017-05-15 | 2017-09-15 | 华侨大学 | 一种视频中动态人脸识别方法 |
-
2017
- 2017-12-14 CN CN201711337002.XA patent/CN107993254A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1885346A (zh) * | 2006-06-01 | 2006-12-27 | 电子科技大学 | 一种复杂背景下红外图像序列中运动目标的检测方法 |
CN106204658A (zh) * | 2016-07-21 | 2016-12-07 | 北京邮电大学 | 运动图像跟踪方法及装置 |
CN107133972A (zh) * | 2017-05-11 | 2017-09-05 | 南宁市正祥科技有限公司 | 一种视频运动目标检测方法 |
CN107169996A (zh) * | 2017-05-15 | 2017-09-15 | 华侨大学 | 一种视频中动态人脸识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921834A (zh) * | 2018-06-27 | 2018-11-30 | 肖金保 | 一种人体前景检测系统 |
CN109146860A (zh) * | 2018-08-03 | 2019-01-04 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109146860B (zh) * | 2018-08-03 | 2021-04-27 | 北京工商大学 | 全自动机械设备安装泄露检测方法及装置 |
CN109740413A (zh) * | 2018-11-14 | 2019-05-10 | 平安科技(深圳)有限公司 | 行人重识别方法、装置、计算机设备及计算机存储介质 |
CN111062415A (zh) * | 2019-11-12 | 2020-04-24 | 中南大学 | 基于对比差异的目标对象图像提取方法、系统及存储介质 |
CN114326418A (zh) * | 2021-11-30 | 2022-04-12 | 重庆电子工程职业学院 | 智能家居设备控制系统 |
CN114326418B (zh) * | 2021-11-30 | 2023-06-20 | 重庆电子工程职业学院 | 智能家居设备控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107993254A (zh) | 基于关联帧差分法的运动目标检测方法 | |
Huang et al. | An advanced single-image visibility restoration algorithm for real-world hazy scenes | |
CN107330390B (zh) | 一种基于图像分析和深度学习的人数统计方法 | |
CN108257165B (zh) | 图像立体匹配方法、双目视觉设备 | |
CN110610150B (zh) | 一种目标运动物体的跟踪方法、装置、计算设备和介质 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
TWI620149B (zh) | 預處理視訊串流以用於後續移動偵測處理之方法、裝置與系統 | |
Lee et al. | An intelligent depth-based obstacle detection system for visually-impaired aid applications | |
CN105741319B (zh) | 基于盲目更新策略和前景模型的改进视觉背景提取方法 | |
Krishnan et al. | A survey on different edge detection techniques for image segmentation | |
CN104268899A (zh) | 基于帧间差分和背景差分的运动目标检测方法 | |
WO2018000882A1 (zh) | 基于监控视频的视频前景提取方法 | |
CN102982537A (zh) | 一种检测场景变换的方法和系统 | |
CA2704037A1 (en) | Method for detecting a target | |
CN109658441B (zh) | 基于深度信息的前景检测方法及装置 | |
CN107067417A (zh) | Lk光流法和三帧差法结合的运动目标检测方法 | |
Radzi et al. | Extraction of moving objects using frame differencing, ghost and shadow removal | |
GB2572243A (en) | Region of interest determination in video | |
Sun | Image edge detection based on relative degree of grey incidence and Sobel operator | |
CN106951831B (zh) | 一种基于深度摄像机的行人检测跟踪方法 | |
CN117561540A (zh) | 使用帧序列执行计算机视觉任务的系统和方法 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN114841941A (zh) | 基于深度与彩色图像融合的运动目标检测算法 | |
CN113893517A (zh) | 基于差帧法的跳绳真假判断方法及系统 | |
Wang et al. | Low-light traffic objects detection for automated vehicles |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |