CN108010054B - 分段混合高斯模型的视频图像运动目标提取方法及系统 - Google Patents

分段混合高斯模型的视频图像运动目标提取方法及系统 Download PDF

Info

Publication number
CN108010054B
CN108010054B CN201711161436.9A CN201711161436A CN108010054B CN 108010054 B CN108010054 B CN 108010054B CN 201711161436 A CN201711161436 A CN 201711161436A CN 108010054 B CN108010054 B CN 108010054B
Authority
CN
China
Prior art keywords
gaussian mixture
mixture model
frame
extracting
segmented
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.)
Expired - Fee Related
Application number
CN201711161436.9A
Other languages
English (en)
Other versions
CN108010054A (zh
Inventor
王媛妮
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201711161436.9A priority Critical patent/CN108010054B/zh
Publication of CN108010054A publication Critical patent/CN108010054A/zh
Application granted granted Critical
Publication of CN108010054B publication Critical patent/CN108010054B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了分段混合高斯模型的视频图像运动目标提取方法及系统，所述方法包括步骤：训练并得到有效的混合高斯模型；采用帧差分法对视频图像中的帧进行分段；在每段分好的帧内调整混合高斯模型的局部阈值；根据调整好的混合高斯模型的局部阈值，在每段分好的帧内将像素点分类，最终提取运动目标。分段混合高斯模型的视频图像运动目标提取系统，用来实现所述方法。本发明在提取运动目标时对动态干扰有较好的抑制作用。

Description

分段混合高斯模型的视频图像运动目标提取方法及系统
技术领域
本发明涉及图像处理领域，具体涉及分段混合高斯模型的视频图像运动目标提取方法及系统。
背景技术
目前，视频序列图像中运动目标的提取常采用帧差分、背景差分、高斯模型等方法提取运动的目标，但是帧差分易产生空洞；背景差分在运用时要求运动物体像素的灰度值和背景像素的灰度值存在一定的差别；高斯模型在动态场景下不能记忆目标的相关特征信息。实际中，运动目标检测背景都有一些小的干扰的因素(如树叶的晃动)、环境背景中光线的变化等，因此，针对有风吹树叶扰动、光照突变等噪声干扰的复杂背景，如何能够高效精确的提取运动目标就成为业界关注的问题。
发明内容
本发明提供了分段混合高斯模型的视频图像运动目标提取方法及系统，可以有效解决上述问题。
本发明提供的技术方案是：分段混合高斯模型的视频图像运动目标提取方法，所述方法包括步骤：训练并得到有效的混合高斯模型；在训练好的混合高斯模型中加入分段技术，包括采用帧差分法对视频图像中的帧进行分段；在每段分好的帧内调整混合高斯模型的局部阈值；根据调整好的混合高斯模型的局部阈值，在每段分好的帧内将像素点分类，最终提取运动目标。其中，采用帧差分法对视频图像中的帧进行分段包括以下步骤：
S301：设定图像帧峰值信噪比突变阈值和帧新区域连通数突变阈值；
S302：判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值；
S303：若未超过，则将当前帧分配为一段并继续判断下一帧的图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值；
S304：若超过，则记录当前帧并设置新段开始标识；
S305：判断当前帧是否为最后一帧；
S306：若不是，则返回判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值继续执行；
S307：若是，则分段步骤完成。
本发明公开的一种分段混合高斯模型的视频图像运动目标提取系统，所述系统包括处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的分段混合高斯模型的视频图像运动目标提取方法。
本发明的有益效果是：本发明提供了分段混合高斯模型的视频图像运动目标提取方法及系统，通过在混合高斯模型中加入分段技术，可以在动态背景下存在树叶等小的干扰因素时，获得较好的视频图像运动目标检测与提取结果，完美地消除了少许的孤立噪声点和树叶的干扰。其相对于帧差分、背景差分、混合高斯模型而言，对有风吹树叶扰动的背景抵抗力更强，过滤掉了大部分的误检点，在提取运动目标时对动态干扰有较好的抑制作用。
附图说明
图1是本发明实施例中分段混合高斯模型的视频图像运动目标提取方法的整体流程图；
图2是本发明实施例中训练并得到有效的混合高斯模型具体步骤流程图；
图3是本发明实施例采用帧差分法对视频图像中的帧进行分段具体步骤流程图；
图4是本发明实施例中使用不同方法提取运动目标效果图；
图5是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了分段混合高斯模型的视频图像运动目标提取方法及系统。请参阅图1，图1是本发明实施例中分段混合高斯模型的视频图像运动目标提取方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：
S101：训练并得到有效的混合高斯模型，所述混合高斯模型由K个高斯模型组合而成。
S102：在训练好的混合高斯模型中加入分段技术，包括采用帧差分法对视频图像中的帧进行分段。
S103：在每段分好的帧内调整混合高斯模型的局部阈值。
S104：根据调整好的混合高斯模型的局部阈值，在每段分好的帧内将像素点分类，最终提取运动目标。像素点分类结束后采用K-Means法剔除离群点优化提取的运动目标。所述像素点分类包括：与混合高斯模型匹配的点作为背景像素点；与混合高斯模型不匹配的点作为前景像素点。
参见图2，图2是本发明实施例中训练并得到有效的混合高斯模型具体步骤流程图，包括：
S201：提取背景像素点。
S202：预定义混合高斯模型。
S203：判断所述预定义混合高斯模型与一像素点是否匹配。
S204：若匹配，则判断下一像素点是否匹配。
S205：若不匹配，则以不匹配像素点为基础建立新的高斯模型并取代原混合高斯模型中权值最小的模型得到新的混合高斯模型。
S206：判断像素点是否为最后一像素点。
S207：若不是，则继续判断新的混合高斯模型与下一像素点是否匹配。
S208：若是，则对新的混合高斯模型进行权值归一化处理最终得到权值归一化混合高斯模型。所述权值归一化提高了混合高斯模型的处理效率；所述权值归一化将权值范围固定在0～1之间。
参见图3，图3是本发明实施例采用帧差分法对视频图像中的帧进行分段具体步骤流程图，包括：
S301：设定图像帧峰值信噪比突变阈值和帧新区域连通数突变阈值。
S302：判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值。
S303：若未超过，则将当前帧分配为一段并继续判断下一帧的图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值。
S304：若超过，则记录当前帧并设置新段开始标识。
S305：判断当前帧是否为最后一帧。
S306：若不是，则返回判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值继续执行。
S307：若是，则分段步骤完成。
参见图4，图4是本发明实施例中使用不同方法提取运动目标效果图，包括：帧间差分法401、背景差分法402、混合高斯模型法403及分段式混合高斯模型法404。从提取结果来看，四者均能提取出运动目标，但是提取效果明显不一样。使用帧间差分法进行视频图像运动目标检测与提取时，实现简单，但是从选取的三个区段不同帧的效果图可以明显看出树叶对运动目标提取的干扰。使用背景差分法进行视频图像运动目标检测与提取时，以均值法为例，效果较差，除了运动目标，静态背景大部分也在其中。在背景差分法中，复杂多变的场景将使得背景的构建和模拟变得困难，而且由于背景图像的动态变化，需要通过视频序列的帧间信息来估计和恢复背景，即背景重建，所以要选择性的更新背景。背景差分法的效果与选择的背景建模方法有关，效果在有些情况下表现不佳，甚至比帧间差分法效果还差。使用混合高斯模型法进行视频图像运动目标检测与提取时，从选取某个区段帧的效果图可以看出仍然有细微的树叶对运动目标产生干扰。
通过比较帧间差分法，背景差分法与混合高斯模型法，可以得出在动态背景下，帧间差分法与背景差分法进行视频图像运动目标检测与提取的效果较差，树叶的等一些小的干扰干扰因素比较明显，而混合高斯法对于树叶等一些小的干扰因素去除效果比帧差法和背景差分法好很多，但仍然不能完全去除树叶的干扰。
从基于分段式混合高斯模型提取效果图可以看出改进的混合高斯法对动态背景下存在树叶等小的干扰因素时，基于分段式混合高斯模型的视频图像运动目标检测与提取算法，获得了较好的视频图像运动目标检测与提取结果，完美地消除了少许的孤立噪声点和树叶的干扰。其相对于帧差分、背景差分、混合高斯模型而言，对有风吹树叶扰动的背景抵抗力更强，过滤掉了大部分的误检点。
因而，基于分段式混合高斯模型的提取方法适用于对光照渐变、树叶摇摆等复杂背景进行准确建模，并具有一定的优越性。
参见图5，图5是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：分段混合高斯模型的视频图像运动目标提取系统501、处理器502及存储设备503。
分段混合高斯模型的视频图像运动目标提取系统501：所述分段混合高斯模型的视频图像运动目标提取系统501实现所述分段混合高斯模型的视频图像运动目标提取方法。
处理器502：所述处理器502加载并执行所述存储设备503中的指令及数据用于实现所述的分段混合高斯模型的视频图像运动目标提取方法。
存储设备503：所述存储设备503存储指令及数据；所述存储设备503用于实现所述的分段混合高斯模型的视频图像运动目标提取方法。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了分段混合高斯模型的视频图像运动目标提取方法及系统，通过在混合高斯模型中加入分段技术，可以在动态背景下存在树叶等小的干扰因素时，获得较好的视频图像运动目标检测与提取结果，完美地消除了少许的孤立噪声点和树叶的干扰。其相对于帧差分、背景差分、混合高斯模型而言，对有风吹树叶扰动的背景抵抗力更强，过滤掉了大部分的误检点，在提取运动目标时对动态干扰有较好的抑制作用。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (7)

1.分段混合高斯模型的视频图像运动目标提取方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：训练并得到有效的混合高斯模型；在训练好的混合高斯模型中加入分段技术，包括采用帧差分法对视频图像中的帧进行分段，在每段分好的帧内调整混合高斯模型的局部阈值，根据调整好的混合高斯模型的局部阈值，在每段分好的帧内将像素点分类，最终提取运动目标；其中，采用帧差分法对视频图像中的帧进行分段包括以下步骤：
S301：设定图像帧峰值信噪比突变阈值和帧新区域连通数突变阈值；
S302：判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值；
S303：若未超过，则将当前帧分配为一段并继续判断下一帧的图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值；
S304：若超过，则记录当前帧并设置新段开始标识；
S305：判断当前帧是否为最后一帧；
S306：若不是，则返回判断当前帧图像峰值信噪比突变值和帧新区域连通数是否同时超过各自阈值继续执行；
S307：若是，则分段步骤完成。
2.如权利要求1所述的分段混合高斯模型的视频图像运动目标提取方法，其特征在于：所述训练并得到有效的混合高斯模型具体步骤包括：提取背景像素点；预定义混合高斯模型；判断所述预定义混合高斯模型与一像素点是否匹配；若匹配，则判断下一像素点是否匹配；若不匹配，则以不匹配像素点为基础建立新的高斯模型并取代原混合高斯模型中权值最小的模型得到新的混合高斯模型；判断像素点是否为最后一像素点；若不是，则继续判断新的混合高斯模型与下一像素点是否匹配；若是，则对新的混合高斯模型进行权值归一化处理最终得到权值归一化混合高斯模型。
3.如权利要求1所述的分段混合高斯模型的视频图像运动目标提取方法，其特征在于：所述混合高斯模型由K个高斯模型组合而成。
4.如权利要求2所述的分段混合高斯模型的视频图像运动目标提取方法，其特征在于：所述权值归一化提高了混合高斯模型的处理效率；所述权值归一化将权值范围固定在0～1之间。
5.如权利要求1所述的分段混合高斯模型的视频图像运动目标提取方法，其特征在于：像素点分类结束后采用K-Means法剔除离群点优化提取的运动目标。
6.如权利要求1所述的分段混合高斯模型的视频图像运动目标提取方法，其特征在于：所述像素点分类包括：与混合高斯模型匹配的点作为背景像素点；与混合高斯模型不匹配的点作为前景像素点。
7.分段混合高斯模型的视频图像运动目标提取系统，其特征在于：包括：处理器及存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现如权利要求1～6所述的任意一种分段混合高斯模型的视频图像运动目标提取方法。
CN201711161436.9A 2017-11-15 2017-11-15 分段混合高斯模型的视频图像运动目标提取方法及系统 Expired - Fee Related CN108010054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711161436.9A CN108010054B (zh) 2017-11-15 2017-11-15 分段混合高斯模型的视频图像运动目标提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711161436.9A CN108010054B (zh) 2017-11-15 2017-11-15 分段混合高斯模型的视频图像运动目标提取方法及系统

Publications (2)

Publication Number Publication Date
CN108010054A CN108010054A (zh) 2018-05-08
CN108010054B true CN108010054B (zh) 2020-11-27

Family

ID=62052957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711161436.9A Expired - Fee Related CN108010054B (zh) 2017-11-15 2017-11-15 分段混合高斯模型的视频图像运动目标提取方法及系统

Country Status (1)

Country Link
CN (1) CN108010054B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641869B (zh) * 2020-06-04 2022-01-04 虎博网络技术(上海)有限公司 视频分镜方法、装置、电子设备和计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964113A (zh) * 2010-10-02 2011-02-02 上海交通大学 光照突变场景下的运动目标检测方法
CN102903124A (zh) * 2012-09-13 2013-01-30 苏州大学 一种运动目标检测方法
CN103347167A (zh) * 2013-06-20 2013-10-09 上海交通大学 一种基于分段的监控视频内容描述方法
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101964113A (zh) * 2010-10-02 2011-02-02 上海交通大学 光照突变场景下的运动目标检测方法
CN102903124A (zh) * 2012-09-13 2013-01-30 苏州大学 一种运动目标检测方法
CN103347167A (zh) * 2013-06-20 2013-10-09 上海交通大学 一种基于分段的监控视频内容描述方法
CN104123544A (zh) * 2014-07-23 2014-10-29 通号通信信息集团有限公司 基于视频分析的异常行为检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于场景突变的码率控制算法;吴军等;《江西理工大学学报》;20150630;第36卷(第3期);第89-94页 *
改进的混合高斯背景建模算法;罗超宇等;《计算机应用与软件》;20151031;第32卷(第10期);第209-213页 *

Also Published As

Publication number Publication date
CN108010054A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
KR101891225B1 (ko) 배경 모델을 업데이트하기 위한 방법 및 장치
CN111723644A (zh) 一种监控视频遮挡检测方法及系统
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及系统
US8553086B2 (en) Spatio-activity based mode matching
CN102222214A (zh) 快速物体识别算法
CN105574891B (zh) 检测图像中的运动目标的方法及系统
CN106778712A (zh) 一种多目标检测与跟踪方法
JP2008021225A (ja) 画像処理装置および方法、並びにプログラム
CN111445424B (zh) 图像处理和移动终端视频处理方法、装置、设备和介质
AU2011265429A1 (en) Method and system for robust scene modelling in an image sequence
Vosters et al. Background subtraction under sudden illumination changes
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
CN102930559B (zh) 图像处理的方法及装置
CN110060278B (zh) 基于背景减法的运动目标的检测方法及装置
CN109727202B (zh) 气体红外视频增强方法、装置及存储介质
CN111460964A (zh) 一种广电传输机房低照度条件下运动目标检测方法
Liu et al. Scene background estimation based on temporal median filter with Gaussian filtering
CN108010054B (zh) 分段混合高斯模型的视频图像运动目标提取方法及系统
Hardas et al. Moving object detection using background subtraction shadow removal and post processing
CN108961293B (zh) 一种背景减除的方法、装置、设备及存储介质
Geng et al. Real time foreground-background segmentation using two-layer codebook model
Alawi et al. Performance comparison of background estimation algorithms for detecting moving vehicle
Warhade et al. Performance evaluation of shot boundary detection metrics in the presence of object and camera motion
CN110580706A (zh) 一种视频背景模型的提取方法及装置
Fakharian et al. Hybrid object detection using 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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201127

Termination date: 20211115

CF01 Termination of patent right due to non-payment of annual fee