CN108520259A - 一种前景目标的提取方法、装置、设备及存储介质 - Google Patents
一种前景目标的提取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108520259A CN108520259A CN201810331228.7A CN201810331228A CN108520259A CN 108520259 A CN108520259 A CN 108520259A CN 201810331228 A CN201810331228 A CN 201810331228A CN 108520259 A CN108520259 A CN 108520259A
- Authority
- CN
- China
- Prior art keywords
- background model
- foreground
- input image
- contour
- foreground contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种前景目标的提取方法、装置、设备及存储介质。该方法包括:根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;根据所述第二前景轮廓生成低阈值边缘图曲线;按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。本发明实施例通过分别根据梯度特征和颜色特征进行前景轮廓提取,结合两个前景轮廓,确定最终的前景目标,能够很好地克服现有技术中的前景提取算法不能很好地适应各种情形的问题,能够更准确地去除背景,获得前景目标。
Description
技术领域
本发明实施例涉及图像处理技术,尤其涉及一种前景目标的提取方法、装置、设备及存储介质。
背景技术
在视频处理领域,背景去除是视频处理的基本问题,广泛应用于视频监控等领域。目前大多数的背景去除算法,或称变化检测算法或前景提取算法,都是像素级的,例如混合高斯模型法、Vibe、SubSense等算法。这些算法虽然运算速度较快,但是也存在一定的缺陷,不能很好地适应现实中的各种情形,比如相机噪声、光照变化、前景目标伪装、动态背景或BootStrap情形等;并且这些算法需要较长的建模和适应过程。因此,如何研究提出一种准确的背景去除方法是亟待解决的课题。
发明内容
本发明实施例提供一种前景目标的提取方法、装置、设备及存储介质,以实现在多种情形下进行准确的背景去除,得到更符合真实情况的前景目标。
第一方面,本发明实施例提供了一种前景目标的提取方法,该方法包括:
根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
根据所述第二前景轮廓生成低阈值边缘图曲线;
按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
第二方面,本发明实施例还提供了一种前景目标的提取装置,该装置包括:
轮廓获取模块,用于根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
角点提取模块,用于提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
曲线生成模块,用于根据所述第二前景轮廓生成低阈值边缘图曲线;
前景获取模块,用于按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任意实施例中任一所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例中任一所述的方法。
本发明实施例的技术方案,通过分别根据梯度特征和颜色特征进行前景轮廓提取,结合两个前景轮廓,确定最终的前景目标,能够很好地克服现有技术中的前景提取算法不能很好地适应各种情形的问题,能够更准确地去除背景,获得前景目标。
附图说明
图1是本发明实施例一提供的一种前景目标的提取方法的流程图;
图2是本发明实施例二提供的一种前景目标的提取装置的结构示意图;
图3是本发明实施例三提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
对于视频画面而言,轮廓、颜色或纹理,均是人眼主要感知的特征,轮廓能够克服像素级的背景去除方法的缺陷。本发明实施例提供一种基于轮廓提取的前景目标提取方法,具体地,图1是本发明实施例一提供的一种前景目标的提取方法的流程图,本实施例可适用于对视频进行处理的情况,该方法可以由前景目标的提取装置来执行,该装置可由软件和/或硬件来实现,该方法具体包括如下步骤:
S110、根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓。
其中,第一前景轮廓可以理解为基于梯度特征提取到的前景目标的粗略轮廓,若需要更为细致的轮廓,需要结合第二情景轮廓,对轮廓进行补齐。可以理解的是,获取第一前景轮廓与获取第二前景轮廓的过程可以相同,区别提醒在需要将获取第一前景轮廓时采用的梯度特征,替换为颜色特征。可选的,所述根据至少一帧输入图像的梯度特征获取第一前景轮廓,包括:初始化至少一个背景模型,保存与所述背景模型对应的置信度矩阵;迭代更新所述背景模型和所述置信度矩阵,直至遍历所有输入图像;选取满足第二预设条件的背景模型作为待比较背景模型;将所述输入图像与所述待比较背景模型进行比较,提取第一前景轮廓。具体地,根据第一帧输入图像,进行背景模型Bi的初始化,i=[1,M],M为背景模型的个数,可选的,M的值可以取5。每个背景模型Bi都是与输入图像大小相同的矩阵。相当于每个像素位置处都保存其附近M个像素的梯度特征值来作为背景模型。同时,保持M个同样大小的矩阵,对应每个模型作为背景的置信度矩阵,记为Wi,Wi中每个像素的值区间为[0,1]。在新的一帧输入图像输入时,迭代更新背景模型和置信度矩阵,具体过程可以是:首先计算输入图像与背景模型的梯度特征差异函数,具体可以按照以下方式进行计算:r为正奇数,p为自然数,典型的设置可以为r=3,p=2。需要说明的是,将r设为正奇数时,基于梯度特征进行提取,可以提取出前景中梯度大于背景的部分,在针对BootStrap情形,例如图中的目标在视频开始之后突然移动的情形,能够清楚地提取出属于前景部分的目标,并且梯度特征在光照发生变化的时候并不敏感,结果更加稳健。而表示梯度特征,计算方式为在计算梯度特征差异函数后,确定差异函数最小值对应的背景模型的序号m。在迭代更新背景模型的过程中,各背景模型的更新方式相同,采用如下公式进行迭代更新所述背景模型:其中,t是当前输入图像的时间序号,αc为常数,表示的是输入图像,是时间序号为t的输入图像对应的背景模型。而在更新迭代置信度矩阵的过程中,对于对应于最小差异函数的背景模型,也就是序号m的背景模型,采用i=m这一公式进行迭代更新置信度矩阵。而对于除m以外的背景模型,采用,i≠m这一公式进行置信度矩阵的迭代更新。当背景模型和置信度矩阵迭代更新遍历所有输入图像后,按照一定条件选取其中的一部分背景模型作为待比较背景模型,具体可以是将置信度矩阵中的置信度进行降序排序,将排序后队列中置信度的累加和占总比为Tp以内的背景模型作为待比较模型,Tp具体可以选为85%,待比较模型的个数可以是M。计算待比较模型和输入图像之间的差异函数,并计算差异函数最小值即i∈[1,M]。再利用来确定第一前景轮廓具体地,所述提取第一前景轮廓,具体为:根据公式获取第一前景轮廓;其中,表示第一前景轮廓,i∈[1,M],Tf为常数,一般可取105。通过这种机制,在达到稳定时,静态的区域将只会有一个模型在起作用,而存在动态背景的区域将会有多个模型在起作用。另外,为了达到更好的效果,也可以采用相应措施去除噪声的影响,可对进行去除小面积连通区域的处理,例如可将面积小于5个像素的连通区域去除。
S120、提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点。
其中,可以采用Harris角点提取算法进行第一前景轮廓中角点的确定,再按照预设条件进行目标角点的选取。第一预设条件可以根据实际需求进行确定,例如可以是距离不超过一定数值的角点,该数值可以根据图像大小和目标大小进行确定。优选地,还可以在提取目标角点之前,还可以对第一前景轮廓应用填充算法,具体为
S130、根据所述第二前景轮廓生成低阈值边缘图曲线。
本实施例中,采用以上方式获取第一前景轮廓后,第一前景轮廓能够体现处前景目标的大部分边缘,而存在部分失败的可能,不足以利用填充算法来得到完整的前景区域,那么就需要用前景边缘将前景轮廓闭合起来。本发明实施例中借助第二前景轮廓,对第一前景轮廓进行完善。需要说明的是,获取第二前景轮廓的方式与获取第一前景轮廓的方式相同,区别只在于将梯度特征替换为颜色特征,其余部分参考第一前景轮廓的提取过程,在此不再赘述。获取第二前景轮廓后,再进行低阈值边缘图曲线的生成。
所述根据所述第二前景轮廓生成低阈值边缘图曲线,具体为:按照如下公式生成低阈值边缘图曲线:
其中,表示低阈值边缘图曲线,表示第二前景轮廓,Tm为常数,具体是一个数值较低的常数阈值,取值能够保证前景的轮廓能全部出现。表示梯度特征,计算方式为:其中,c为颜色通道的序号,表示的第c个颜色通道的x方向导数,表示的第c个颜色通道的y方向导数,是图中像素的位置。利用低阈值边缘曲线来实现将第一前景轮廓变为封闭轮廓。
S140、按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
其中,低阈值边缘曲线能够限定各目标角点之间的关系,简单地说就是可以确定当前目标角点与哪个目标角点相连,按照低阈值边缘曲线连接目标角点,再进行填充算法,获得最终前景目标,此处的填充算法与上文提到的填充算法相同,可以选择常用的填充算法。
本发明实施例的技术方案,通过分别根据梯度特征和颜色特征进行前景轮廓提取,结合两个前景轮廓,确定最终的前景目标,能够很好地克服现有技术中的前景提取算法不能很好地适应各种情形的问题,能够更准确地去除背景,获得前景目标。
实施例二
图2是本发明实施例二提供的一种前景目标的提取装置的结构示意图,该装置可执行本发明实施例提供的任意一种前景目标的提取方法,该装置可由软件和/或硬件来实现,该装置具体包括:
轮廓获取模块210,用于根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
角点提取模块220,用于提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
曲线生成模块230,用于根据所述第二前景轮廓生成低阈值边缘图曲线;
前景获取模块240,用于按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
进一步地,轮廓获取模块210,包括:
模型初始化单元,用于初始化至少一个背景模型,保存与所述背景模型对应的置信度矩阵;
迭代更新单元,用于迭代更新所述背景模型和所述置信度矩阵,直至遍历所有输入图像;
背景模型选取单元,用于选取满足第二预设条件的背景模型作为待比较背景模型;
轮廓获取单元,用于将所述输入图像与所述待比较背景模型进行比较,提取第一前景轮廓。
进一步地,所述迭代更新单元,具体用于:
计算所述至少一个输入图像与所述背景模型的梯度特征差异函数;
采用如下公式进行迭代更新所述背景模型:
其中,t是当前输入图像的时间序号,αc为常数,表示的是输入图像,是时间序号为t的输入图像对应的背景模型;
以及,对于对应于最小差异函数的背景模型,采用如下公式迭代更新所述置信度矩阵:i=m;
其中,i是背景模型的序号,m是对应于最小差异函数的背景模型的序号,是时间序号为t的输入图像对应的序号为m的背景模型的置信度矩阵;
对于其他背景模型,采用如下公式进行所述置信度矩阵的迭代:i≠m。
进一步地,所述轮廓提取单元,具体用于:根据公式获取第一前景轮廓;
其中,表示第一前景轮廓,i=[1,M],Tf为常数,表示的是和的差异函数。
进一步地,曲线生成模块230,具体用于:按照如下公式生成低阈值边缘图曲线:
其中,表示低阈值边缘图曲线,表示第二前景轮廓,Tm为常数,表示梯度特征,计算方式为:
其中,c为颜色通道的序号,表示的第c个颜色通道的x方向导数,表示的第c个颜色通道的y方向导数,是图中像素的位置。
上述前景目标提取装置可执行本发明任意实施例所提供的前景目标提取方法,具备执行前景目标提取方法相应的功能模块和有益效果。
实施例三
图3是本发明实施例三提供的一种计算机设备的结构示意图。图3示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图3显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示,通常称为“硬盘驱动器”)。尽管图3中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图3中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的前景目标的提取方法:
也即,所述处理单元执行所述程序时实现:
根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
根据所述第二前景轮廓生成低阈值边缘图曲线;
按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
实施例四
本发明实施例四提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有发明实施例提供的前景目标的提取方法。
也即,该程序被处理器执行时实现:
根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
根据所述第二前景轮廓生成低阈值边缘图曲线;
按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种前景目标的提取方法,其特征在于,包括:
根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
根据所述第二前景轮廓生成低阈值边缘图曲线;
按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
2.根据权利要求1所述的方法,其特征在于,所述根据至少一帧输入图像的梯度特征获取第一前景轮廓,包括:
初始化至少一个背景模型,保存与所述背景模型对应的置信度矩阵;
迭代更新所述背景模型和所述置信度矩阵,直至遍历所有输入图像;
选取满足第二预设条件的背景模型作为待比较背景模型;
将所述输入图像与所述待比较背景模型进行比较,提取第一前景轮廓。
3.根据权利要求2所述的方法,其特征在于,所述迭代更新所述背景模型和所述置信度矩阵,包括:
计算所述至少一个输入图像与所述背景模型的梯度特征差异函数;
采用如下公式进行迭代更新所述背景模型:
其中,t是当前输入图像的时间序号,αc为常数,表示的是输入图像,是时间序号为t的输入图像对应的背景模型;
以及,对于对应于最小差异函数的背景模型,采用如下公式迭代更新所述置信度矩阵:
其中,i是背景模型的序号,m是对应于最小差异函数的背景模型的序号,是时间序号为t的输入图像对应的序号为m的背景模型的置信度矩阵;
对于其他背景模型,采用如下公式进行所述置信度矩阵的迭代:
4.根据权利要求2或3所述的方法,其特征在于,所述提取第一前景轮廓,具体为:根据公式获取第一前景轮廓;
其中,表示第一前景轮廓,Tf为常数,表示的是和的差异函数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二前景轮廓生成低阈值边缘图曲线,具体为:按照如下公式生成低阈值边缘图曲线:
其中,表示低阈值边缘图曲线,表示第二前景轮廓,Tm为常数,表示梯度特征,计算方式为:
其中,c为颜色通道的序号,表示的第c个颜色通道的x方向导数,表示的第c个颜色通道的y方向导数,是图中像素的位置。
6.一种前景目标的提取装置,其特征在于,包括:
轮廓获取模块,用于根据至少一帧输入图像的梯度特征获取第一前景轮廓,以及根据至少一帧输入图像的颜色特征获取第二前景轮廓;
角点提取模块,用于提取所述第一前景轮廓中满足第一预设条件的角点,作为目标角点;
曲线生成模块,用于根据所述第二前景轮廓生成低阈值边缘图曲线;
前景获取模块,用于按照所述低阈值边缘曲线连接所述目标角点,并对连接得到的前景轮廓进行填充,获得最终前景目标。
7.根据权利要求6所述的装置,其特征在于,所述轮廓获取模块,包括:
模型初始化单元,用于初始化至少一个背景模型,保存与所述背景模型对应的置信度矩阵;
迭代更新单元,用于迭代更新所述背景模型和所述置信度矩阵,直至遍历所有输入图像;
背景模型选取单元,用于选取满足第二预设条件的背景模型作为待比较背景模型;
轮廓获取单元,用于将所述输入图像与所述待比较背景模型进行比较,提取第一前景轮廓。
8.根据权利要求7所述的装置,其特征在于,所述迭代更新单元,具体用于:
计算所述至少一个输入图像与所述背景模型的梯度特征差异函数;
采用如下公式进行迭代更新所述背景模型:
其中,t是当前输入图像的时间序号,αc为常数,表示的是输入图像,是时间序号为t的输入图像对应的背景模型;
以及,对于对应于最小差异函数的背景模型,采用如下公式迭代更新所述置信度矩阵:
其中,i是背景模型的序号,m是对应于最小差异函数的背景模型的序号,是时间序号为t的输入图像对应的序号为m的背景模型的置信度矩阵;
对于其他背景模型,采用如下公式进行所述置信度矩阵的迭代:
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331228.7A CN108520259B (zh) | 2018-04-13 | 2018-04-13 | 一种前景目标的提取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331228.7A CN108520259B (zh) | 2018-04-13 | 2018-04-13 | 一种前景目标的提取方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108520259A true CN108520259A (zh) | 2018-09-11 |
CN108520259B CN108520259B (zh) | 2021-05-25 |
Family
ID=63432496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810331228.7A Active CN108520259B (zh) | 2018-04-13 | 2018-04-13 | 一种前景目标的提取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108520259B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192250A (zh) * | 2019-12-30 | 2020-05-22 | 合肥联宝信息技术有限公司 | 一种数据处理方法、装置及计算机存储介质和计算机 |
CN113407289A (zh) * | 2021-07-13 | 2021-09-17 | 上海米哈游璃月科技有限公司 | 壁纸切换方法、壁纸生成方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298781A (zh) * | 2011-08-16 | 2011-12-28 | 长沙中意电子科技有限公司 | 基于颜色和梯度特征的运动阴影检测方法 |
CN103679704A (zh) * | 2013-11-22 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种基于光照补偿的视频运动阴影检测方法 |
CN105590309A (zh) * | 2014-10-23 | 2016-05-18 | 株式会社理光 | 前景图像分割方法和装置 |
US20160189388A1 (en) * | 2014-12-24 | 2016-06-30 | Canon Kabushiki Kaisha | Video segmentation method |
US20160267346A1 (en) * | 2015-03-12 | 2016-09-15 | Adobe Systems Incorporated | Generation of salient contours using live video |
EP3070669A1 (en) * | 2015-03-18 | 2016-09-21 | Thomson Licensing | Method and apparatus for color smoothing in an alpha matting process |
CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
CN107527054A (zh) * | 2017-09-19 | 2017-12-29 | 西安电子科技大学 | 基于多视角融合的前景自动提取方法 |
CN107895377A (zh) * | 2017-11-15 | 2018-04-10 | 国光电器股份有限公司 | 一种前景目标提取方法、装置、设备及存储介质 |
-
2018
- 2018-04-13 CN CN201810331228.7A patent/CN108520259B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298781A (zh) * | 2011-08-16 | 2011-12-28 | 长沙中意电子科技有限公司 | 基于颜色和梯度特征的运动阴影检测方法 |
CN103679704A (zh) * | 2013-11-22 | 2014-03-26 | 中国人民解放军第二炮兵工程大学 | 一种基于光照补偿的视频运动阴影检测方法 |
CN105590309A (zh) * | 2014-10-23 | 2016-05-18 | 株式会社理光 | 前景图像分割方法和装置 |
US20160189388A1 (en) * | 2014-12-24 | 2016-06-30 | Canon Kabushiki Kaisha | Video segmentation method |
CN105989594A (zh) * | 2015-02-12 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
US20160267346A1 (en) * | 2015-03-12 | 2016-09-15 | Adobe Systems Incorporated | Generation of salient contours using live video |
EP3070669A1 (en) * | 2015-03-18 | 2016-09-21 | Thomson Licensing | Method and apparatus for color smoothing in an alpha matting process |
CN107527054A (zh) * | 2017-09-19 | 2017-12-29 | 西安电子科技大学 | 基于多视角融合的前景自动提取方法 |
CN107895377A (zh) * | 2017-11-15 | 2018-04-10 | 国光电器股份有限公司 | 一种前景目标提取方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
ANDREA KOVACS等: "Harris function based active contour external force for image segmentation", 《PATTERN RECOGNITION LETTERS》 * |
GIANNI ALLEBOSCH等: "C-EFIC: Color and Edge Based Foreground Background Segmentation with Interior Classification", 《10TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS, VISIGRAPP 2015》 * |
TIN TIN YU等: "Condensed Object Representation with Corner HOG Features for Object Classification in Outdoor Scenes", 《2017 18TH IEEE/ACIS INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING, ARTIFICIAL INTELLIGENCE, NETWORKING AND PARALLEL/DISTRIBUTED COMPUTING (SNPD)》 * |
YI-CHAN WU等: "Motion Clustering with Hybrid-sample-based Foreground Segmentation for Moving Cameras", 《2017 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》 * |
余瑞星等: "基于边缘与角点相结合的目标提取与匹配算法", 《西北工业大学学报》 * |
邓宇等: "图切割支持的融合颜色和梯度特征的实时背景减除方法", 《计算机辅助设计与图形学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192250A (zh) * | 2019-12-30 | 2020-05-22 | 合肥联宝信息技术有限公司 | 一种数据处理方法、装置及计算机存储介质和计算机 |
CN111192250B (zh) * | 2019-12-30 | 2022-02-08 | 合肥联宝信息技术有限公司 | 电脑b面边框检测方法、装置及计算机存储介质和计算机 |
CN113407289A (zh) * | 2021-07-13 | 2021-09-17 | 上海米哈游璃月科技有限公司 | 壁纸切换方法、壁纸生成方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108520259B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984556B2 (en) | Method and apparatus for calibrating relative parameters of collector, device and storage medium | |
CN109753971B (zh) | 扭曲文字行的矫正方法及装置、字符识别方法及装置 | |
US9076205B2 (en) | Edge direction and curve based image de-blurring | |
US10726599B2 (en) | Realistic augmentation of images and videos with graphics | |
CN107895377B (zh) | 一种前景目标提取方法、装置、设备及存储介质 | |
CN112215773B (zh) | 基于视觉显著性的局部运动去模糊方法、装置及存储介质 | |
WO2019041842A1 (zh) | 一种图像处理方法及装置、存储介质和计算机设备 | |
CN103020888B (zh) | 图像平移更新显示方法和系统 | |
US9824267B2 (en) | Writing board detection and correction | |
CN114511041B (zh) | 模型训练方法、图像处理方法、装置、设备和存储介质 | |
CN112435278B (zh) | 一种基于动态目标检测的视觉slam方法及装置 | |
CN114511661A (zh) | 图像渲染方法、装置、电子设备及存储介质 | |
CN108961293B (zh) | 一种背景减除的方法、装置、设备及存储介质 | |
CN111870953B (zh) | 一种高度图生成方法、装置、设备及存储介质 | |
CN108520259B (zh) | 一种前景目标的提取方法、装置、设备及存储介质 | |
CN109766896A (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
CN116468632A (zh) | 一种基于自适应特征保持的网格去噪方法及装置 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN112380940B (zh) | 一种高空抛物监控图像的处理方法、装置、电子设备和存储介质 | |
JPWO2020066755A1 (ja) | 学習モデル生成装置、地物変化判定装置、学習モデル生成方法、地物変化判定方法、及びプログラム | |
CN112465692A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113963000B (zh) | 图像分割方法、装置、电子设备及程序产品 | |
TWI757965B (zh) | 擴增實境體感遊戲機之深度學習方法 | |
US9785856B2 (en) | Repairing holes in images |
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 |