CN108198204B - 一种零阈值的核密度估计运动目标检测方法 - Google Patents
一种零阈值的核密度估计运动目标检测方法 Download PDFInfo
- Publication number
- CN108198204B CN108198204B CN201711390527.XA CN201711390527A CN108198204B CN 108198204 B CN108198204 B CN 108198204B CN 201711390527 A CN201711390527 A CN 201711390527A CN 108198204 B CN108198204 B CN 108198204B
- Authority
- CN
- China
- Prior art keywords
- image
- map
- frame
- pixel
- zero
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000005260 corrosion Methods 0.000 claims abstract description 4
- 230000007797 corrosion Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种零阈值的核密度估计运动目标检测方法,包括以下步骤:读取图像序列,提取相应的图像信息;应用迭代求和作差法计算出第N帧图像的判断值P(N);根据判断值P(N)对图像像素进行二值化处理;对二值图像进行腐蚀处理,输出结果。本发明能够有效的检测静态背景和动态背景中的目标,并提高检测准确率。
Description
技术领域
本发明涉及运动目标检测技术领域,特别是涉及一种零阈值的核密度估计运动目标检测方法。
背景技术
随着计算机视觉、机器人技术和自动化技术的发展,视觉图像系统广泛应用于微电子、环境检测、自动驾驶、抢险救灾、印刷、科学研究和军事等领域。机器视觉相关技术在中国蓬勃发展,越来越需要掌握相关技能的专业人才。
目前计算机视觉图像系统已经朝着更加智能化的方向发展,其目的是能自主监视环境并根据相应的情况做出特定的决策。为了达到这个目的,系统必须能够准确检测出环境中的特定目标,这个为后续的更多高级应用打下坚实的基础。
运动目标检测是计算机视觉和数字图像处理的一个热门方向,因此,运动目标检测也就成为了近年来理论和应用的研究热点,它是图像处理和计算机视觉学科的重要分支,也是智能监控系统的核心部分。它的目的就是如何准确、快速地检测出监控视频中的动态目标,即从序列图像中将运动目标提取出来。
发明内容
本发明所要解决的技术问题是提供一种零阈值的核密度估计运动目标检测方法,能够有效的检测静态背景和动态背景中的目标,并提高了检测准确率。
本发明解决其技术问题所采用的技术方案是:提供一种零阈值的核密度估计运动目标检测方法,包括以下步骤:
(1)读取图像序列,提取相应的图像信息,并基于高斯核函数的三通道彩色图像像素值的概率密度估计函数对当前某帧图像的像素密度进行计算;
(2)应用迭代求和作差法计算出第N帧图像的判断值P(N);
(3)根据判断值P(N)对图像像素进行二值化处理;
(4)对二值图像进行腐蚀处理,输出结果。
所述步骤(2)具体包括以下步骤:将前N帧图像的像素密度进行累加,得到F(1),F(2),...,F(N),其中,F(N)=S(1)+S(2)+…+S(N),S(N)为第N帧图像的像素密度;计算前N帧图像的人物累加后的像素密度,得到map(1),map(2),...,map(N),其中,map(N)=F(1)+F(2)+…+F(N);利用作差法的方式得到每一帧图像的判断值P(N),P(N)=map(N)-map(N-1),其中,map(0)为全零矩阵。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明根据给定的输入图像序列构建基于核密度估计的背景模型,在建立模型的过程中,对每一帧像素密度进行迭代求和,再相邻作差,根据对应的差值对图像进行二值化处理,避免了人工划分前后景阈值的过程。本发明能够有效的检测静态背景和动态背景中的目标,降低了阈值划分带来的误差。另一方面,本发明提高了对动态背景的适应能力,可以兼顾动态背景抑制和正确前景提取,有效的降低了“鬼影”空洞对背景模型的影响,检测方法更智能、更便捷,效果更佳。
附图说明
图1是本发明的流程图;
图2是第一帧图片人物像素密度与第一帧图片加第二帧图片密度概率和的累加后的效果图;
图3是动态背景下(树叶抖动)的人物检测效果图;
图4是动态背景下(水波)的人物检测效果图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种零阈值的核密度估计运动目标检测方法,如图1所示,具体包括以下步骤:读取图像序列,提取相应的图像信息;应用迭代求和作差法计算出第N帧图像的判断值P(N);根据判断值P(N)对图像像素进行二值化处理;对二值图像进行腐蚀处理,输出结果。
其具体为:当前第t帧图是前1,2,...,t-1帧图密度估计值的迭代累加和为St,而第t-1帧图是1,2,...,t-2帧图密度估计值的迭代累加和为St-1,则当前第t帧图的密度估计就为:Mapt=St-St-1。
其中,Mapt是核密度估计图谱。该方法的优点在于不用人为分析核密度估计中进行前后景划分的阈值到底为多少,因为阈值等于零。
本实施方式中基于高斯核函数的三通道彩色图像像素值的概率密度估计函数,对当前某个像素概率密度采用标准的KDE算法计算可得其中,Xt为当前像素值,N为图像序列个数,3表示每个像素的向量维度,由于本实施方式是对于(R,G,B)彩色图像因此每个像素的向量维度为3,h为每个向量维度上的方差,通过每次对连续的两帧图像进行采样,计算两帧特征值差的绝对中值m来确定,即其中m也可以采用图片的平均灰度图来代替,xtj表示第t帧图片像素的第j通道、xij表示第i帧图片像素的第j通道。
为了说明该算法,也便于观察,本实施方式采用了高清的测试图进行了测试,见图2。其中,(a)是第一帧RGB原图,(b)第二帧RGB原图,(c)本实施方式下的第二帧的密度图,其中较浅的黑色表示背景,较深的黑色表示前景人物,从中可以看出(c)中人物是(a)和(b)人物累加和,所以可以用帧2的累加密度图与帧1的累加密度图做差,就可以得到帧2的前景目标正如公式Mapt=St-St-1所示。
迭代求和作差法的具体步骤如下:
1)
F(1)=S(1)
F(2)=S(1)+S(2)
F(3)=S(1)+S(2)+S(3)
…
F(N)=S(1)+S(2)+S(3)+…+S(N)
其中,F(N)为前N帧图像的像素密度的累加。
2)
map(1)=F(1)
map(2)=F(1)+F(2)
…
map(N)=F(1)+F(2)+…+F(N)
其中,map(N)为前N帧图像的人物累加后的像素密度,map(0)为初始化设置,设为全零矩阵。
3)
P(1)=map(1)-map(0)
P(2)=map(2)-map(1)
…
P(N)=map(N)-map(N-1)
其中,P(N)为判断第N帧图像是否为前景的依据,如果小于0则为前景,反之为背景。
通过上述方法,对动态背景图片中运动目标检测的效果如图3和图4所示,其中,白色的为前景,黑色的为背景,由此可见本方法具有良好的检测效果。
Claims (2)
1.一种零阈值的核密度估计运动目标检测方法,其特征在于,包括以下步骤:
(1)读取图像序列,提取相应的图像信息,并基于高斯核函数的三通道彩色图像像素值的概率密度估计函数对当前某帧图像的像素密度进行计算;
(2)应用迭代求和作差法计算出第N帧图像的判断值P(N);具体包括以下步骤:将前N帧图像的像素密度进行累加,得到F(1),F(2),...,F(N),其中,F(N)=S(1)+S(2)+…+S(N),S(N)为第N帧图像的像素密度;计算前N帧图像的人物累加后的像素密度,得到map(1),map(2),...,map(N),其中,map(N)=F(1)+F(2)+…+F(N);利用作差法的方式得到每一帧图像的判断值P(N),P(N)=map(N)-map(N-1),其中,map(0)为全零矩阵;
(3)根据判断值P(N)对图像像素进行二值化处理;
(4)对二值图像进行腐蚀处理,输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711390527.XA CN108198204B (zh) | 2017-12-21 | 2017-12-21 | 一种零阈值的核密度估计运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711390527.XA CN108198204B (zh) | 2017-12-21 | 2017-12-21 | 一种零阈值的核密度估计运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108198204A CN108198204A (zh) | 2018-06-22 |
CN108198204B true CN108198204B (zh) | 2021-11-23 |
Family
ID=62577136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711390527.XA Active CN108198204B (zh) | 2017-12-21 | 2017-12-21 | 一种零阈值的核密度估计运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108198204B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110196166B (zh) * | 2019-05-28 | 2020-09-29 | 重庆邮电大学 | 一种滚动轴承高速运动滚动体的定位方法 |
US20230237728A1 (en) * | 2022-01-27 | 2023-07-27 | Lemon Inc. | Renderer using explicit object represention via rays tracing volume density aggregation |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957997B (zh) * | 2009-12-22 | 2012-02-22 | 北京航空航天大学 | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 |
US9158988B2 (en) * | 2013-06-12 | 2015-10-13 | Symbol Technclogies, LLC | Method for detecting a plurality of instances of an object |
SG10201507049XA (en) * | 2014-09-10 | 2016-04-28 | Agency Science Tech & Res | Method and system for automatically assigning class labels to objects |
CN106851302B (zh) * | 2016-12-22 | 2019-06-25 | 国网浙江省电力公司杭州供电公司 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
-
2017
- 2017-12-21 CN CN201711390527.XA patent/CN108198204B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108198204A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Single image rain streak decomposition using layer priors | |
US10872262B2 (en) | Information processing apparatus and information processing method for detecting position of object | |
Shin et al. | Estimation of ambient light and transmission map with common convolutional architecture | |
CN108694705B (zh) | 一种多帧图像配准与融合去噪的方法 | |
CN106296725B (zh) | 运动目标实时检测与跟踪方法及目标检测装置 | |
WO2018032660A1 (zh) | 一种运动目标检测方法及系统 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
Jia et al. | A two-step approach to see-through bad weather for surveillance video quality enhancement | |
Ju et al. | BDPK: Bayesian dehazing using prior knowledge | |
CN112861830B (zh) | 特征提取方法、装置、设备、存储介质以及程序产品 | |
CN108198204B (zh) | 一种零阈值的核密度估计运动目标检测方法 | |
CN110619647A (zh) | 基于边缘点频域空域特征结合图像模糊区域定位方法 | |
Kim et al. | A novel framework for extremely low-light video enhancement | |
CN112766028B (zh) | 人脸模糊处理方法、装置、电子设备及存储介质 | |
Zhu et al. | A hybrid algorithm for automatic segmentation of slowly moving objects | |
CN111488779A (zh) | 视频图像超分辨率重建方法、装置、服务器及存储介质 | |
Semenishchev | Algorithm combination of deblurring and denoising on video frames using the method search of local features on image | |
JP6963038B2 (ja) | 画像処理装置および画像処理方法 | |
CN111709359A (zh) | 复杂动态背景下基于群稀疏的运动目标检测方法 | |
Gao et al. | Traffic video-based moving vehicle detection and tracking in the complex environment | |
Li et al. | Fast visual tracking using motion saliency in video | |
Pandey et al. | Implementation of 5-block convolutional neural network (cnn) for saliency improvement on flying object detection in videos | |
Hakozaki et al. | Swimmer's Stroke Estimation Using CNN and MultiLSTM | |
RU2718429C1 (ru) | Устройство обнаружения локально-стационарных областей на изображении | |
JP2001307104A (ja) | 動画像のオブジェクト抽出装置 |
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 |