CN108022249B - 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 - Google Patents

一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 Download PDF

Info

Publication number
CN108022249B
CN108022249B CN201711223774.0A CN201711223774A CN108022249B CN 108022249 B CN108022249 B CN 108022249B CN 201711223774 A CN201711223774 A CN 201711223774A CN 108022249 B CN108022249 B CN 108022249B
Authority
CN
China
Prior art keywords
image
interest
moving vehicle
area
target
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.)
Active
Application number
CN201711223774.0A
Other languages
English (en)
Other versions
CN108022249A (zh
Inventor
王桂周
康金忠
何国金
尹然宇
江威
张兆明
彭燕
程博
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201711223774.0A priority Critical patent/CN108022249B/zh
Publication of CN108022249A publication Critical patent/CN108022249A/zh
Application granted granted Critical
Publication of CN108022249B publication Critical patent/CN108022249B/zh
Active 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
    • G06T7/10—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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明是一种遥感视频卫星中运动车辆目标感兴趣区域自动提取方法，首先用检测速度较快的帧间差分法对一段视频卫星数据进行快速初检测；其次使用最大类间方差法(OTSU方法)将每幅差分图像自动分为前景车辆和背景两类，并生成二值图像；进而对每幅二值图像采用形态学处理消除小的孤立点或者洞对车辆目标整体性的影响，并将所有二值检测结果叠加到一起形成该段视频内运动目标总的感兴趣区域；最后对总感兴趣区域图进行连通域分析得到连通域的面积、长宽比，通过对连通区域的长宽比和面积设置限定条件，最终得到运动车辆目标的感兴趣区域。

Description

一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法
技术领域
本发明是一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法，基于一段遥感视频卫星数据快速自动得到运动车辆目标的感兴趣区域。本发明可广泛用于遥感视频卫星数据运动车辆目标检测、跟踪与车流量分析等研究。
背景技术
遥感视频卫星作为一种新型对地观测数据获取手段，通过对特定区域采取“视频录像”的方式，既可以实现大范围覆盖又弥补了传统卫星受重访周期限制无法对特定区域或目标进行高频次观测的不足，可用于大尺度范围内动态目标检测、跟踪及其瞬时特性分析。遥感视频卫星可以快速直观获得大范围运动车辆目标的信息，可作为智能交通系统等车辆信息新的数据来源。然而相比于传统的视频监控数据，遥感卫星视频数据具有以下特点：首先，视频卫星在成像的过程中，传感器的缓慢移动导致视频中的建筑物和树木发生位移变化，出现了很多伪运动目标，使背景变的更加复杂；其次，视频卫星成像空间分辨率的限制使得车辆在视频中仅为几个到十几个像素大小并且与背景的对比性较低，无法获取车辆更多的细节信息。因此，如何从遥感视频卫星数据中快速提取运动车辆目标同时抑制其它伪运动物体的干扰成为视频卫星数据应用研究的热点与难点。
视频卫星成像传感器的移动、光照变化和树木的摆动等不稳定因素导致卫星视频数据中背景动态变化，伪运动目标增多，增加了运动车辆目标检测的复杂度。对卫星视频数据直接应用传统监控视频运动目标检测方法导致误检率高。然而运动车辆通常沿道路行驶，如果能在运动车辆目标感兴趣区域的约束下进行运动目标进行检测则可以有效的抑制由于背景动态变化导致的伪目标。通过手动绘制或者利用GIS矢量辅助数据可以获取感兴趣区域的掩膜，但这些方法都需要依靠先验知识且实时性差，很难实现感兴趣区域的快速自动获取。针对以上不足，本发明提出了一种遥感视频卫星中运动车辆感兴趣区域自动提取方法，获取的感应兴趣区域用于约束运动车辆目标检测的区域，可以有效消除由于背景动态变化导致的伪目标，对于促进遥感视频卫星数据的深入应用具有重要意义。
发明内容
本发明是一种遥感视频卫星中运动车辆目标感兴趣区域自动提取方法，首先用检测速度较快的帧间差分法对一段视频卫星数据进行快速初检测；其次使用最大类间方差法(OTSU方法)将每幅差分图像自动分为前景车辆和背景两类，并生成二值图像；进而对每幅二值图像采用形态学处理消除小的孤立点或者洞对车辆目标整体性的影响，并将所有二值检测结果叠加到一起形成该段视频内运动目标总的感兴趣区域；最后对总感兴趣区域图进行连通域分析得到连通域的面积、长宽比，通过对连通区域的长宽比和面积设置限定条件，最终得到运动车辆目标的感兴趣区域。
方法具体的步骤为：
第一步:基于帧间差分方法实现一段卫星视频数据中每帧图像中运动目标的初检测
从视频数据的第二帧开始，将当前帧与前一帧图像分别做差值运算，求得图像对应位置像素值差的绝对值，得到帧间差分结果。
第二步:采用OTSU算法将每幅差分图像实现前景车辆和背景的二分类，并生成二值化图像，
具体步骤如下：
(1)对于帧间差分图像I(x,y)，图像大小为M*N，前景运动车辆和背景的分割阈值记作T，图像中像素的灰度值大于阈值T的像素个数记作N0，像素灰度小于等于阈值T的像素个数记作N1，则属于前景的像素点数占整幅图像的比例记为W0，W0＝N0/(M*N)，平均灰度值记作U0；属于背景的像素点数占整幅图像的比例记为W1，W1＝N1/(M*N)，平均灰度值记作U1；图像总的平均灰度记为U。
(2)图像的类间方差记为V，V＝W0(U0-U)2+W1(U1-U)2。
(3)对所有灰度级进行遍历，在遍历过程中将当前灰度级的灰度值赋值给阈值Ti，计算将当前阈值Ti下图像分成两类的类间方差Vi，并返回最大类间方差Vmax对应的阈值Tmax。
(4)用阈值Tmax对帧间差分图像进行二值化，得到前景运动车辆与背景的二值化图像，前景赋值为1，背景为0。
第三步:对每幅二值图像采用形态学处理消除小的孤立点或者洞对车辆目标整体性的影响，并
将所有二值检测结果叠加到一起形成该段视频内运动目标总的感兴趣区域
(1)对每幅二值图像进行形态开运算，消除小的孤立的点，结构元素采用3*3圆形模板结构。
(2)对开运算处理后的二值图像进行形态学闭运算，去除小洞对车辆目标整体性的影响，结构元素采用3*3圆形模板结构。
(3)对形态学处理后的所有帧间差分检测结果进行叠加，形成运动车辆目标总的感兴趣区域初始图。
第四步:对总感兴趣区域初始图进行连通域分析并优选，得到运动车辆目标最终的感兴趣区域(1)对总的感兴趣区域图进行连通域分析，并统计每个连通域的面积、长宽比；
(2)设定长宽比和面积的筛选条件，长宽比阈值设定为2，面积阈值设定为5000个像素，保留长宽比大于2同时面积大于5000个像素的区域，得到运动车辆目标的最终感兴趣区域。
附图说明
附图1为本发明所设计的运动车辆感兴趣区域自动提取流程图。
附图2一段视频内Skybox-1视频图像所有帧帧间差分结果的叠加图。
附图3是对叠加图进行连通域分析后的统计图。
附图4为依据长宽比和面积筛选后的运动目标感兴趣区域图。
具体实施方式
1、对一段遥感卫星视频数据的每帧数据分别进行帧间差分计算；
2、采用OTSU算法将每帧的差分图像进行前景运动车辆和背景二分类处理并进行二值化，并进行形态学处理消除孤立的点或者洞对目标整体性影响，进而将该段视频内形态学处理后的检测结果进行叠加形成运动车辆目标初始感兴趣区域叠加图，如附图2所示，白色表示运动车辆目标感兴趣区域；
3、对运动车辆目标初始感兴趣区域图进行连通域分析，并统计每个连通域的面积和长宽比，如附图3所示；
4、通过限定连通域的面积大于5000个像元，长宽比大于2，来进行连通域的优选，得到最终的运动目标感兴趣区域图，如附图4所示。

Claims (1)

1.一种遥感视频卫星中运动车辆目标感兴趣区域自动提取方法，其特征在于，步骤为：
第一步:基于帧间差分方法实现一段卫星视频数据中每帧图像中运动目标的初检测：
从卫星视频数据的第二帧开始，将当前帧与前一帧图像分别做差值运算，求得图像对应位置像素值差的绝对值，得到帧间差分结果；
第二步:采用OTSU算法将每幅差分图像实现前景车辆和背景的二分类，并生成二值化图像，具体步骤如下：
(1)对于帧间差分图像I(x,y)，图像大小为M*N，前景运动车辆和背景的分割阈值记作T，图像中像素的灰度值大于分割阈值T的像素个数记作N0，像素的灰度值小于等于分割阈值T的像素个数记作N1，则属于前景的像素点数占整幅图像的比例记为W0，W0＝N0/(M*N)，平均灰度值记作U0；属于背景的像素点数占整幅图像的比例记为W1，W1＝N1/(M*N)，平均灰度值记作U1；图像总的平均灰度记为U；
(2)图像的类间方差记为V，V＝W0(U0-U)2+W1(U1-U)2；
(3)对所有灰度级进行遍历，在遍历过程中将当前灰度级的灰度值赋值给阈值Ti，计算将当前阈值Ti下图像分成两类的类间方差Vi，并返回最大类间方差Vmax对应的阈值Tmax；
(4)用阈值Tmax对帧间差分图像进行二值化，得到前景运动车辆与背景的二值化图像，前景赋值为1，背景为0；
第三步:对每幅二值化图像采用形态学处理消除小的孤立点或者洞对车辆目标整体性的影响，并将所有二值检测结果叠加到一起形成该段卫星视频数据内运动目标总的感兴趣区域：
(1)对每幅二值化图像进行形态学开运算，消除小的孤立的点，结构元素采用3*3圆形模板结构；
(2)对开运算处理后的二值化图像进行形态学闭运算，去除小洞对车辆目标整体性的影响，结构元素采用3*3圆形模板结构；
(3)对形态学闭运算后的所有帧间差分检测结果进行叠加，形成运动车辆目标总的感兴趣区域初始图；
第四步:对总的感兴趣区域初始图进行连通域分析并优选，得到运动车辆目标最终的感兴趣区域：
(1)对总的感兴趣区域初始图进行连通域分析，并统计每个连通域的面积、长宽比；
(2)设定长宽比和面积的筛选条件，长宽比阈值设定为2，面积阈值设定为5000个像素，保留长宽比大于2同时面积大于5000个像素的区域，得到运动车辆目标的最终感兴趣区域。
CN201711223774.0A 2017-11-29 2017-11-29 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法 Active CN108022249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711223774.0A CN108022249B (zh) 2017-11-29 2017-11-29 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711223774.0A CN108022249B (zh) 2017-11-29 2017-11-29 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法

Publications (2)

Publication Number Publication Date
CN108022249A CN108022249A (zh) 2018-05-11
CN108022249B true CN108022249B (zh) 2020-05-22

Family

ID=62077409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711223774.0A Active CN108022249B (zh) 2017-11-29 2017-11-29 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法

Country Status (1)

Country Link
CN (1) CN108022249B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876807B (zh) * 2018-05-31 2021-07-23 长春博立电子科技有限公司 一种实时星载卫星图像运动对象检测跟踪方法
CN109544580A (zh) * 2018-11-15 2019-03-29 武汉大势智慧科技有限公司 一种基于旋转拍摄图像前背景自动分离方法
CN109584266B (zh) * 2018-11-15 2023-06-09 腾讯科技（深圳）有限公司 一种目标检测方法及装置
CN110175495A (zh) * 2019-01-04 2019-08-27 北京理工大学 一种光学遥感图像的弱小动目标检测方法
CN109919008A (zh) * 2019-01-23 2019-06-21 平安科技（深圳）有限公司 运动目标检测方法、装置、计算机设备及存储介质
CN110148151A (zh) * 2019-04-08 2019-08-20 中国航空工业集团公司洛阳电光设备研究所 一种运动目标提取方法与装置
CN111931754B (zh) * 2020-10-14 2021-01-15 深圳市瑞图生物技术有限公司 一种样本中目标物的识别方法、系统和可读存储介质
CN112418105B (zh) * 2020-11-25 2022-09-27 湖北工业大学 基于差分方法的高机动卫星时间序列遥感影像运动舰船目标检测方法
CN116718791B (zh) * 2023-04-13 2024-04-26 东莞市杜氏诚发精密弹簧有限公司 扭矩弹簧的转速检测方法、设备、系统及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469105A (zh) * 2015-11-13 2016-04-06 燕山大学 一种基于视频监控的香烟烟雾检测方法
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130039574A1 (en) * 2011-08-09 2013-02-14 James P. McKay System and method for segmenting water, land and coastline from remote imagery

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469105A (zh) * 2015-11-13 2016-04-06 燕山大学 一种基于视频监控的香烟烟雾检测方法
CN107341795A (zh) * 2017-06-30 2017-11-10 武汉大学 一种知识驱动的高空间分辨率遥感影像自动变化检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高分辨率光学遥感图像中典型人造目标检测技术研究;王慧利;《中国博士学位论文全文数据库 信息科技辑,2017年第08期, I140-68》;20170815;全文 *

Also Published As

Publication number Publication date
CN108022249A (zh) 2018-05-11

Similar Documents

Publication Publication Date Title
CN108022249B (zh) 一种遥感视频卫星运动车辆目标感兴趣区域自动提取方法
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
US8571261B2 (en) System and method for motion detection in a surveillance video
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN108052917B (zh) 一种基于新旧时相变化发现的违章建筑自动识别的方法
Desa et al. Image subtraction for real time moving object extraction
CN111738342B (zh) 一种受电弓异物检测方法、存储介质及计算机设备
CN108765453B (zh) 基于视频流数据的高速公路团雾识别方法
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN110874592A (zh) 一种基于总有界变分的森林火灾烟雾图像检测方法
Xia et al. A novel sea-land segmentation algorithm based on local binary patterns for ship detection
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN103679196A (zh) 视频监控中的人车自动分类方法
CN110728668A (zh) 一种小目标形态保持的空域高通滤波器
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN111539980A (zh) 一种基于可见光的多目标追踪方法
CN107301655B (zh) 一种基于背景建模的视频移动目标侦测方法
CN103473753A (zh) 一种基于多尺度小波阈值去噪的目标检测方法
Meshram et al. Vehicle detection and tracking techniques used in moving vehicles
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
CN110348317A (zh) 一种基于mser区域的城市道路鲁棒检测方法
Koneru et al. Detection and enumeration of trees using cartosat2 high resolution satellite imagery
Fakharian et al. Hybrid object detection using improved Gaussian mixture model
CN112634299A (zh) 一种排除飞虫干扰的遗留物检测方法

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