CN108257157A - 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 - Google Patents
一种基于Lab色彩空间和ViBe改进的运动目标检测方法 Download PDFInfo
- Publication number
- CN108257157A CN108257157A CN201810143610.5A CN201810143610A CN108257157A CN 108257157 A CN108257157 A CN 108257157A CN 201810143610 A CN201810143610 A CN 201810143610A CN 108257157 A CN108257157 A CN 108257157A
- Authority
- CN
- China
- Prior art keywords
- pixel
- model
- background
- background model
- update
- 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
- G06T7/246—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
-
- 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
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
一种基于Lab色彩空间和ViBe改进的运动目标检测方法,首先利用二维高斯分布随机初始化ViBe的背景模型;然后在Lab色彩空间进行前景检测,同时引入背景的后验概率,并结合二维高斯分布来随机更新背景模型,本发明提高了运动目标检测的准确性有效的去除运动中的阴影区域和鬼影,提高了前景检测的准确率。
Description
技术领域
本发明为图像处理与视频处理技术相关领域,具体涉及一种基于Lab色彩空间和ViBe改进的运动目标检测方法。
背景技术
运动目标检测是图像处理和视频处理的关键性技术。它的本质是通过计算机视觉方法减少时间和空间上的冗余信息,非常有效地提取出运动目标。它是智能视频监控中最关键的问题,为后续的环节提供基础性的功能。
目前运动目标检测方法主要有:帧差法、背景差分法、光流法。帧差法算法简单,运行速度快,对光线不太敏感,但是不能提取完整的对象。光流法可以计算出物体的运动信息及三维结构信息,但是计算复杂度太高,实时性差。背景差分法是目前使用最多的目标检测算法,该算法复杂度低,而且具有很好的稳定性。
ViBe算法是2009年由Olivier Barnich等人提出的一种背景差分算法,该算法复杂度低,对内存消耗也很低,实时性很高。但是ViBe算法也有很多不足,首先,ViBe算法没有解决阴影对前景检测的影响,其次,ViBe算法容易出现鬼影。针对上述不足,本发明提出了一种基于Lab色彩空间和ViBe改进的运动目标检测方法。
发明内容
为了克服上述现有技术的关于运动目标检测算法的不足,本发明提出了一种基于Lab色彩空间和ViBe改进的运动目标检测方法,首先利用二维高斯分布随机初始化ViBe的背景模型;然后在Lab色彩空间进行前景检测,同时引入背景的后验概率,并结合二维高斯分布来随机更新背景模型,本发明提高了运动目标检测的准确性有效的去除运动中的阴影区域和鬼影,提高了前景检测的准确率。
为了实现哈桑数目的,本发明采用的技术方案是:
一种基于Lab色彩空间和ViBe改进的运动目标检测方法,采用二维高斯分布进行背景模型的初始化和更新,同时引入背景的后验概率进行背景模型的更新其特征在于,包括以下步骤:
1)色彩空间转换
将视频帧序列从RGB色彩空间转为Lab色彩空间,对于图像每一个像素(x′,y′),像素的Lab值为I(x′,y′)=(L(x′,y′),a(x′,y′),b(x′,y′));
2)背景模型初始化
利用第一帧视频图像进行背景模型的初始化,对于图像中的每一个像素点(x′,y′),背景模型初始化为B(x′,y′)={b1,b2,...,bN},
其中xi和yi由二维高斯分布随机生成,σ为给定的阈值;
3)前景检测
从第二帧视频图像开始,依次将图像每一个像素点(x′,y′)与像素对应的背景模型B(x′,y′)中的N个模型进行匹配,因为红绿通道a与阴影具有最大无关性,所以匹配公式如下:
其中ΔL(x′,y′),Δa(x′,y′),ΔL(x′,y′)分别为像素点(x′,y′)的I(x′,y′)与对应的背景模型中bi(i=1,2,…,N)的差值的L,a,b分量,Ω和THa均为给定的阈值;
当匹配到第K(K≤N)个模型时,如果匹配成功的次数达到指定的阈值MN,则停止匹配,并将像素(x′,y′)视为背景,即M(x′,y′)=0,C(x′,y′)=(N-K)/N,同时更新如果背景模型里的N个模型都匹配结束,匹配成功的次数仍未达到MN,则认为像素(x′,y′)为前景,即M(x′,y′)=255,并按下式更新EC(x′,y′)和E(x′,y′):
其中ε,THlow,THhigh均为给定的阈值,||I(x′,y′)-I′(x′,y′)||2为当前帧图像I和前一帧图像I′在像素(x′,y′)处的欧式距离,M(x′,y′)表示像素(x′,y′)的检测值;C(x′,y′)表示被检测为背景的像素(x′,y′)实际仍为背景的后验概率;EC(x′,y′)表示连续两帧图像在(x′,y′)像素处差值小于一定阈值的次数,E(x′,y′)表示被检测为前景的像素(x′,y′)实际却为背景的后验概率;
4)背景模型更新
以一定的概率PUPG选择更新图像中每一个点对应背景模型,当像素点(x′,y′)对应的背景模型被选中更新时,有以下更新规则:
其中,rand为0~1的随机数;
根据上述更新规则,若素点(x′,y′)对对应的背景模型需要更新时,更新该像素对应的背景模型B(x′,y′)和一个邻域像素(x′+x″,y′+y″)对应的背景模型B(x′+x″,y′+y″),其中(x″,y″)由二维高斯分布随机产生,更新方式是用当前像素的Lab值随机替换背景模型中的一个模型;
5)对前景检测结果进一步处理
当前帧的所有像素按上述方法进行背景更新后,对M(x′,y′)组成的检测值矩阵M进行闭运算、滤波等操作,然后再利用candy算子对结果进行边缘检测,最后对检测出的边缘进行填充以生成最后的前景。
本发明的有益效果是:
1)邻近的像素具有相似的背景模型,因此,利用二维高斯分布随机选择邻近的像素来初始化和更新模型,可以提高背景模型的正确性。
2)在Lab色彩空间对像素与其对应的背景模型进行匹配,并利用红绿通道a对阴影具有最大无关性,可以有效地去除阴影对前景检测的影响,以此提高了前景检测的准确性。
3)引入被检测为背景的像素实际仍为背景的后验概率,并根据此后验概率来决定是否更新该像素对应的背景模型,可以有效的减少背景噪声对背景模型的影响。
4)引入被检测为前景的像素实际却为背景的后验概率,根据此后验概率来决定是否更新该像素对应的背景模型,此举措可以快速的消除鬼影。
附图说明
图1为本发明基于Lab色彩空间的ViBe改进的运动目标检测方法流程图;
图2为本发明与ViBe,SuBSENSE,CodeBook在同一视频源下的测试结果图;其中,(a)列为原图,(b)列为本发明算法的运行结果,(c)列为ViBe算法的运行结果,(d)列为SuBSENSE算法运行结果,(e)列为CodeBook算法运行结果;
图3为本发明与ViBe,SuBSENSE,CodeBook在同一视频源下运行时间图;
图4为本发明与ViBe,SuBSENSE,CodeBook在同一视频源下召回率(Recall)和准确率(Precision)的结果图;
具体实施方式
以下结合附图对本发明进行进一步叙述。
如图1所示,一种基于Lab色彩空间和ViBe改进的运动目标检测方法,包括以下步骤:
1)色彩空间转换
将视频帧序列从RGB色彩空间转为Lab色彩空间。对于图像每一个像素(x′,y′),像素的Lab值为I(x′,y′)=(L(x′,y′),a(x′,y′),b(x′,y′))。
2)背景模型初始化
利用第一帧视频图像进行背景模型的初始化。对于图像中的每一个像素点(x′,y′),背景模型初始化为B(x′,y′)={b1,b2,...,bN},
其中xi和yi由二维高斯分布随机生成,σ为给定的阈值。本例中σ取值为2,N取值为20。
3)前景检测
M(x′,y′)表示像素(x′,y′)的检测值;C(x′,y′)表示被检测为背景的像素(x′,y′)实际仍为背景的后验概率;EC(x′,y′)表示连续两帧图像在(x′,y′)像素处差值小于一定阈值的次数。E(x′,y′)表示被检测为前景的像素(x′,y′)实际却为背景的后验概率。
从第二帧视频图像开始,依次将像素点(x′,y′)与该像素对应的背景模型B(x′,y′)中的N个模型进行匹配。因为红绿通道a与阴影具有最大无关性,所以匹配公式如下:
其中ΔL(x′,y′),Δa(x′,y′),ΔL(x′,y′)分别为像素点(x′,y′)的I(x′,y′)与对应的背景模型中bi(i=1,2,…,N)的差值的L,a,b分量,Ω和THa均为给定的阈值。本例Ω取值为30,THa取值为10。
当匹配到第K(K≤N)个模型时,如果匹配成功的次数达到指定的阈值MN,则停止匹配,并将像素(x′,y′)视为背景,即M(x′,y′)=0,C(x′,y′)=(N-K)/N,同时更新如果背景模型里的N个模型都匹配结束,匹配成功的次数仍未达到MN,则认为像素(x′,y′)为前景,即M(x′,y′)=255,并按下式更新EC(x′,y′)和E(x′,y′):
其中ε,THlow,THhigh均为给定的阈值,||I(x′,y′)-I′(x′,y′)||2为当前帧图像I和前一帧图像I′在像素(x′,y′)处的欧式距离。
本例MN取值为2,ε取值为15,THlow取值为60,THhigh取值为120。
4)背景模型更新
以一定的概率PUPG选择更新图像中每一个点对应背景模型,当像素(x′,y′)对应的背景模型被选中更新时,有以下更新规则:
其中rand为0~1的随机数。
根据上述更新规则,若(x′,y′)对应的背景模型需要更新时,更新该像素对应的背景模型B(x′,y′)和一个邻域像素(x′+x″,y′+y″)对应的背景模型B(x′+x″,y′+y″),其中(x″,y″)由二维高斯分布随机产生。更新方式是用当前像素的Lab值随机替换背景模型中的一个模型。
5)对前景检测结果进一步处理
当前帧的所有像素按上述方法进行背景更新后,对M(x′,y′)组成的检测值矩阵M进行闭运算、滤波等操作,然后再利用candy算子对结果进行边缘检测,最后对检测出的边缘进行填充以生成最后的前景。
本发明与ViBe,SuBSENSE,CodeBook算法进行了主观及客观的对比。图2为本发明与ViBe,SuBSENSE,CodeBook在同一视频源下运行结果图,(a)列为原图,(b)列为本发明算法的运行结果,(c)列为ViBe算法的运行结果,(d)列为SuBSENSE算法运行结果,(e)列为CodeBook算法运行结果。由图2可以发现,本算法不但可以有效的去除阴影,而且具有很好的抗噪声能力,同时本算法准确率也明显高于其他算法。
为了体现算法的效率,本发明与ViBe,SuBSENSE,CodeBook算法进行了运行时间上的对比,图3为本发明与ViBe,SuBSENSE,CodeBook在同一视频源下运行时间直方图。由图3可以明显看出本算法效率最高,运行时间与原始的ViBe算法基本持平,比SuBSENSE和CodeBook算法的运行效率高很多。
图4为本发明与ViBe,SuBSENSE,CodeBook算法在同一视频源下召回率(Recall)和准确率(Precision)的结果图。其中,召回率和准确率是目前公认的前景检测指标,其计算公式如下:
其中FN表示错误检测的背景数,FP表示错误检测的前景数,TP表示正确检测的前景数目。
由图4数据可以明显看出,本发明在召回率(Recall)和准确率(Precision)方面明显优于ViBe,SuBSENSE和CodeBook算法。
Claims (1)
1.一种基于Lab色彩空间和ViBe改进的运动目标检测方法,采用二维高斯分布进行背景模型的初始化和更新,同时引入背景的后验概率进行背景模型的更新其特征在于,包括以下步骤:
1)色彩空间转换
将视频帧序列从RGB色彩空间转为Lab色彩空间,对于图像每一个像素点(x′,y′),像素的Lab值为I(x′,y′)=(L(x′,y′),a(x′,y′),b(x′,y′));
2)背景模型初始化
利用第一帧视频图像进行背景模型的初始化,对于图像中的每一个像素点(x′,y′),背景模型初始化为B(x′,y′)={b1,b2,...,bN},
其中xi和yi由二维高斯分布随机生成,σ为给定的阈值;
3)前景检测
从第二帧视频图像开始,依次将图像每一个像素点(x′,y′)与该像素对应的背景模型B(x′,y′)中的N个模型进行匹配,因为红绿通道a与阴影具有最大无关性,所以匹配公式如下:
其中ΔL(x′,y′),Δa(x′,y′),ΔL(x′,y′)分别为像素点(x′,y′)的I(x′,y′)与对应的背景模型中bi(i=1,2,…,N)的差值的L,a,b分量,Ω和THa均为给定的阈值;
当匹配到第K(K≤N)个模型时,如果匹配成功的次数达到指定的阈值MN,则停止匹配,并将像素点(x′,y′)视为背景,即M(x′,y′)=0,C(x′,y′)=(N-K)/N,同时更新如果背景模型里的N个模型都匹配结束,匹配成功的次数仍未达到MN,则认为像素点(x′,y′)为前景,即M(x′,y′)=255,并按下式更新EC(x′,y′)和E(x′,y′):
其中ε,THlow,THhigh均为给定的阈值,||I(x′,y′)-I′(x′,y′)||2为当前帧图像I和前一帧图像I′在像素(x′,y′)处的欧式距离,M(x′,y′)表示像素点(x′,y′)的检测值;C(x′,y′)表示被检测为背景的像素(x′,y′)实际仍为背景的后验概率;EC(x′,y′)表示连续两帧图像在(x′,y′)像素处差值小于一定阈值的次数,E(x′,y′)表示被检测为前景的像素(x′,y′)实际却为背景的后验概率;
4)背景模型更新
以一定的概率PUPG选择更新图像中每一个点对应背景模型,当像素点(x′,y′)对应的背景模型被选中更新时,有以下更新规则:
其中,rand为0~1的随机数;
根据上述更新规则,若像素点(x′,y′)对对应的背景模型需要更新时,更新该像素对应的背景模型B(x′,y′)和一个邻域像素(x′+x″,y′+y″)对应的背景模型B(x′+x″,y′+y″),其中(x″,y″)由二维高斯分布随机产生,更新方式是用当前像素的Lab值随机替换背景模型中的一个模型;
5)对前景检测结果进一步处理
当前帧的所有像素按上述方法进行背景更新后,对M(x′,y′)组成的检测值矩阵M进行闭运算、滤波等操作,然后再利用candy算子对结果进行边缘检测,最后对检测出的边缘进行填充以生成最后的前景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810143610.5A CN108257157B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810143610.5A CN108257157B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108257157A true CN108257157A (zh) | 2018-07-06 |
CN108257157B CN108257157B (zh) | 2020-06-23 |
Family
ID=62744786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810143610.5A Active CN108257157B (zh) | 2018-02-09 | 2018-02-09 | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108257157B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035190A (zh) * | 2018-07-30 | 2018-12-18 | 安徽慧视金瞳科技有限公司 | 一种汽车仪表表盘背景合成方法 |
CN111815673A (zh) * | 2020-06-23 | 2020-10-23 | 四川虹美智能科技有限公司 | 运动目标检测方法、装置及可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
US8170642B2 (en) * | 2007-01-11 | 2012-05-01 | Siemens Aktiengesellschaft | Method and system for lymph node detection using multiple MR sequences |
CN103310638A (zh) * | 2013-05-24 | 2013-09-18 | 江苏引跑网络科技有限公司 | 基于虚拟线圈技术的视频车流量统计技术 |
CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
CN105184817A (zh) * | 2015-08-31 | 2015-12-23 | 清华大学深圳研究生院 | 一种克服静止前景运动目标检测的方法 |
CN106157332A (zh) * | 2016-07-07 | 2016-11-23 | 合肥工业大学 | 一种基于ViBe算法的运动检测优化方法 |
-
2018
- 2018-02-09 CN CN201810143610.5A patent/CN108257157B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8170642B2 (en) * | 2007-01-11 | 2012-05-01 | Siemens Aktiengesellschaft | Method and system for lymph node detection using multiple MR sequences |
CN102025981A (zh) * | 2010-12-23 | 2011-04-20 | 北京邮电大学 | 一种监控视频中的前景检测的方法 |
CN103310638A (zh) * | 2013-05-24 | 2013-09-18 | 江苏引跑网络科技有限公司 | 基于虚拟线圈技术的视频车流量统计技术 |
CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
CN105184817A (zh) * | 2015-08-31 | 2015-12-23 | 清华大学深圳研究生院 | 一种克服静止前景运动目标检测的方法 |
CN106157332A (zh) * | 2016-07-07 | 2016-11-23 | 合肥工业大学 | 一种基于ViBe算法的运动检测优化方法 |
Non-Patent Citations (3)
Title |
---|
JUN GAO等: "Moving object detection for video surveillance based on improved ViBe", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
刘璎瑛等: "基于改进的ViBe算法的园林游客检测研究", 《计算机科学》 * |
王娇等: "一种改进的ViBe运动目标检测算法", 《广西大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035190A (zh) * | 2018-07-30 | 2018-12-18 | 安徽慧视金瞳科技有限公司 | 一种汽车仪表表盘背景合成方法 |
CN109035190B (zh) * | 2018-07-30 | 2021-05-25 | 安徽慧视金瞳科技有限公司 | 一种汽车仪表表盘背景合成方法 |
CN111815673A (zh) * | 2020-06-23 | 2020-10-23 | 四川虹美智能科技有限公司 | 运动目标检测方法、装置及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108257157B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971386B (zh) | 一种动态背景场景下的前景检测方法 | |
CN105261037B (zh) | 一种自适应复杂场景的运动目标检测方法 | |
CN109919977B (zh) | 一种基于时间特征的视频运动人物跟踪与身份识别方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN110472667B (zh) | 基于反卷积神经网络的小目标分类方法 | |
CN108388885A (zh) | 面向大型直播场景的多人特写实时识别与自动截图方法 | |
Hillman et al. | Alpha channel estimation in high resolution images and image sequences | |
CN112418095A (zh) | 一种结合注意力机制的面部表情识别方法及系统 | |
CN109685045B (zh) | 一种运动目标视频跟踪方法及系统 | |
US20150125074A1 (en) | Apparatus and method for extracting skin area to block harmful content image | |
Vosters et al. | Background subtraction under sudden illumination changes | |
CN105279771B (zh) | 一种视频中基于在线动态背景建模的运动目标检测方法 | |
CN110120064A (zh) | 一种基于互强化与多注意机制学习的深度相关目标跟踪算法 | |
CN110111361A (zh) | 一种基于多阈值自优化背景建模的运动目标检测方法 | |
CN109308711A (zh) | 目标检测方法、装置及图像处理设备 | |
CN114463218B (zh) | 一种基于事件数据驱动的视频去模糊方法 | |
US11974050B2 (en) | Data simulation method and device for event camera | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN108257157A (zh) | 一种基于Lab色彩空间和ViBe改进的运动目标检测方法 | |
CN112633221A (zh) | 一种人脸方向的检测方法及相关装置 | |
CN110807738A (zh) | 一种基于边缘图块锐化的模糊图像非盲复原方法 | |
TW201032180A (en) | Method and device for keeping image background by multiple gauss models | |
CN104978734B (zh) | 前景图像的提取方法及装置 | |
CN109784215B (zh) | 一种基于改进的光流法的活体检测方法及系统 |
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 |