CN108711164B - 一种基于LBP和Color特征的运动检测方法 - Google Patents

一种基于LBP和Color特征的运动检测方法 Download PDF

Info

Publication number
CN108711164B
CN108711164B CN201810589563.7A CN201810589563A CN108711164B CN 108711164 B CN108711164 B CN 108711164B CN 201810589563 A CN201810589563 A CN 201810589563A CN 108711164 B CN108711164 B CN 108711164B
Authority
CN
China
Prior art keywords
background
pixel
motion detection
histogram
pixels
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
CN201810589563.7A
Other languages
English (en)
Other versions
CN108711164A (zh
Inventor
彭绍湖
邓铭杰
刘长红
杨钊
王力
胡晓
范俊宇
利恒浩
林生益
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN201810589563.7A priority Critical patent/CN108711164B/zh
Publication of CN108711164A publication Critical patent/CN108711164A/zh
Application granted granted Critical
Publication of CN108711164B publication Critical patent/CN108711164B/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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

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

Abstract

本发明提供了一种基于LBP和Color特征的运动检测方法，包括：获取视频文件的前N帧视频帧图片，并对视频帧图片的每个像素建立基于LBP和Color的背景模型，每个背景模型中包括N个背景样本；对N个背景样本按照权重降序排列，建立运动检测模型；将视频文件的像素与运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素；对背景像素的运动检测模型进行更新；对前景像素的背景模型中的背景样本进行更新；对所述前景像素和背景像素进行滤波；该方法能够有效提高运动检测的准确性。

Description

一种基于LBP和Color特征的运动检测方法
技术领域
本发明涉及计算机视觉领域，尤其涉及一种基于LBP和Color特征的运动检测方法。
背景技术
运动检测作为计算机视觉重要的技术，能够区分出运动与静止物体，被应用在视频监控、视频压缩等领域。尤其是在视频监控领域，通过运动检测算法，可有效检测到运动物体，用于下一步物体跟踪、行为识别、物体识别等。运动检测是视频监控中重要的预处理步骤。在运动检测中，运动物体被称为前景，静止物体被称为背景。光流法是经典的运动检测算法，能准确检测视频中的运动物体，但算法运算量大，运行速度慢，无法运用于实际的系统中。ViBe算法是一个非参数化、轻量级的算法，能较为完整地显示前景，算法运行快，在相机有一定抖动的情况下，依旧能有较好的前景背景分割效果，但在光照变化的环境下效果较差，会错误地将背景识别成前景。目前提出的许多算法，都只使用了单一的特征，如饱和度或者边缘特征，当前景与背景相似时，容易将前景误识别为背景；当运动物体突然停止不动时，算法容易出现错误的判断。
发明内容
本发明的目的在于针对上述现有技术中的运动检测准确性低的问题，提出一种基于LBP和Color特征的运动检测方法，能够有效提高运动检测的准确性。
一种基于LBP和Color特征的运动检测方法，包括：
获取视频文件的前N帧视频帧图片，并对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，每个所述背景模型中包括N个背景样本；
对所述N个背景样本按照权重降序排列，建立运动检测模型；
将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素；
对背景像素的运动检测模型进行更新；
对前景像素的背景模型中的背景样本进行更新；
对所述前景像素和背景像素进行滤波。
进一步地，对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，包括：
对每一帧视频帧图片的每个像素计算LBP特征，获得对应的直方图；
对每一帧视频帧图片的每个像素计算Color特征，获得对应的RGB向量；
将所述直方图和RGB向量作为背景样本，并对所述背景样本赋初始权重。
进一步地，对每一帧视频帧图片计算LBP特征，获得对应的直方图，包括：
将所述视频帧图片中的每个像素与周围八个像素进行颜色强度值大小对比产生LBP特征，将所述LBP特征转换为十进制数字，统计每个数字出现的次数，生成直方图；
对每一帧视频帧图片计算Color特征，获得对应的RGB向量，包括：
将像素的R通道值赋值给R分量，将像素的G通道赋值给G分量，将像素的B通道赋值给B分量，获得RGB向量；
对所述背景样本赋初始权重，包括：
将所述背景样本按照视频帧图片的时间顺序从大到小赋初始权重值。
进一步地，建立运动检测模型，包括：
选取初始权重大小前M个背景样本作为所述运动检测模型，其中，M<N。
进一步地，将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素，包括：
对视频文件的像素进行LBP特征运算，获得像素直方图；
将所述像素直方图与所述运动检测模型中背景样本的直方图进行比较，获得LBP特征差值；
将视频文件的像素的RGB通道值与所述运动检测模型中背景样本的RGB向量值进行比较，获得Color特征差值；
将所述LBP特征差值和所述Color差值相加获得像素与背景样本之间的第一总差值距离；
将所述第一总差值距离与预设阈值进行比较，如果所述第一总差值距离小于所述预设阈值，则确定所述像素为背景像素；如果所述第一总差值距离大于或等于所述预设阈值，则将所述像素与运动检测模型的下一个背景样本进行LBP比较和Color比较，若遍历完所有背景样本后所述第一总差值距离均大于或等于所述预设阈值，则确定所述像素为前景像素。
进一步地，将所述像素直方图与所述运动检测模型中背景样本的直方图进行比较，获得LBP特征差值，包括：
将所述像素直方图和运动检测模型中背景样本的直方图的每个bin对应的数值相减后取绝对值，将所有绝对值相加后获得所述LBP特征差值。
进一步地，对背景像素的运动检测模型进行更新，包括：
随机选取所述背景像素的运动检测模型中的一个背景样本进行更新；
将所述背景像素的RGB通道值赋值给被更新的背景样本的RGB向量；
对所述背景像素进行LBP特征运算获得背景像素直方图，并以所述背景像素直方图替代被更新背景样本的直方图；
将被更新的背景样本的权重值加大第一预设数值，并将其余未被更新的背景样本的权重值减少第二预设数值；
将所述背景样本按照权重大小重新降序排列，选取权重大小前M个背景样本作为新的运动检测模型。
进一步地，对前景像素的背景模型中的背景样本进行更新，包括：
将所述前景像素与运动检测模型以外的N-M个背景样本进行比较，计算第二总差值距离；
将所述第二总差值距离与预设阈值进行比较，若存在一个背景样本与前景像素的第二总差值距离小于所述预设阈值，则对所述背景样本给予10％的可能性进行更新，所述更新包括:将所述前景像素的直方图替代所述背景样本的直方图，将所述前景像素的RGB通道赋值给被更新背景样本的RGB向量，将被更新背景样本的权重增加第三预设数值；
若不存在背景样本与前景像素的第二总差值距离小于所述预设阈值，则新建背景样本，并赋予初始权重，用所述新建背景样本替代另外N-M个背景样本中权重最小的背景样本。
本发明提供的基于LBP和Color特征的运动检测方法，采用LBP特征和Color特征相结合，能够有效识别出与背景有着相似Color特征的前景物体，并有效应对光照干扰；采用部分背景样本作为运动检测模型并进行更新，避免背景像素被误识别成前景，提高运动检测的准确性。
附图说明
图1为本发明提供的基于LBP和Color特征的运动检测方法一种实施例的流程图。
图2为本发明提供的基于LBP和Color特征的运动检测方法中LBP特征算法一种实施例的示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参考图1，本实施例提供一种基于LBP和Color特征的运动检测方法，包括：
步骤S1，获取视频文件的前N帧视频帧图片，并对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，每个所述背景模型中包括N个背景样本；
步骤S2，对所述N个背景样本按照权重降序排列，建立运动检测模型；
步骤S3，将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素；
步骤S4，对背景像素的运动检测模型进行更新；
步骤S5，对前景像素的背景模型中的背景样本进行更新；
步骤S6，对所述前景像素和背景像素进行滤波。
具体地，步骤S1中，以视频文件的前N帧视频帧图片作为背景模型的初始化阶段，其中N的取值为大于1的整数且为5的倍数，优选地，N可以取值15。
进一步地，步骤S1中，对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，包括：
步骤S11，对每一帧视频帧图片的每个像素计算LBP特征，获得对应的直方图；具体为，参考图2，图2为计算每个像素LBP特征的示意图，将每个像素与周围八个像素进行颜色强度值对比，产生一个LBP特征，并对周围八个像素进行同样的操作：将周围八个像素中的每个像素与其周围的八个像素进行颜色强度值大小对比，产生其余八个LBP特征，一共九个LBP特征。将九个LBP特征分别转换为十进制数字，并用直方图统计每个数字出现的次数，进而生成直方图。
步骤S12，对每一帧视频帧图片的每个像素计算Color特征，获得对应的RGB向量；具体为，将像素的R通道值赋值给R分量，将像素的G通道赋值给G分量，将像素的B通道赋值给B分量，获得RGB向量。
步骤S13，将所述直方图和RGB向量作为背景样本，并对所述背景样本赋初始权重；具体为，将所述背景样本按照视频帧图片的时间顺序从大到小赋初始权重值，时间在前的初始权重大，例如第一帧0.8，第二帧0.79，第三帧0.78……第十五帧0.66。
至此，完成步骤S1后，每个位置的像素都有一个背景模型，一帧视频帧图片可以生成一个背景样本，一个背景模型中包含N个背景样本，每个背景样本包含一个直方图、一个RGB向量和一个权重值。
进一步地，步骤S2中，运用归并排序法，对所述N个背景样本按照权重降序排列，选取初始权重大小前M个背景样本作为所述运动检测模型，用于判断前景像素和背景像素，其中，M<N,更优选地，M的取值可以为接近N的一半，例如N取15，则M取值为7。
进一步地，步骤S3中，将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素，包括：
步骤S31，对视频文件的像素进行LBP特征运算，获得像素直方图；具体为，将像素与周围八个像素进行颜色额强度值大小比较，得到一个LBP特征，再将该像素周围的八个像素进行同样的操作，得到另外八个LBP特征，将九个LBP特征转换成十进制数字，用直方图统计每个数字出现的次数，生成像素直方图。
步骤S32，将所述像素直方图与所述运动检测模型中背景样本的直方图进行比较，获得LBP特征差值；具体为，将所述像素直方图和运动检测模型中背景样本的直方图的每个bin对应的数值相减后取绝对值，将所有绝对值相加后获得所述LBP特征差值DL。
步骤S33，将视频文件的像素的RGB通道值与所述运动检测模型中背景样本的RGB向量值进行比较，获得Color特征差值；具体为，运用欧式距离公式，计算视频文件的像素的RGB通道值与所述运动检测模型中背景样本的RGB向量值之间的差值，即可得出二者的Color特征差值DC。
步骤S34，将所述LBP特征差值和所述Color差值相加获得像素与背景样本之间的第一总差值距离DLC1；
步骤S35，将所述第一总差值距离DLC1与预设阈值DT进行比较，如果所述第一总差值距离DLC1小于所述预设阈值DT，则确定所述像素为背景像素；如果第一总差值距离DLC1大于或等于所述预设阈值DT，则将所述像素与运动检测模型的下一个背景样本进行LBP比较和Color比较，若遍历完所有背景样本后所述第一总差值距离DLC1均大于或等于所述预设阈值DT，则确定所述像素为前景像素。
目前许多运动检测算法以Color为单一的特征，去判断视频中是否有运动物体。当前景物体与背景有较大的颜色差异时，算法能很好地检测出前景物体，因为这时候前景物体与背景模型的背景样本之间算出的差值距离通常大于阈值，像素与运动检测模型不符而被认为是前景。当前景物体与背景有相似的颜色特征时，前景物体容易被误识别为背景。本实施例提供的运动检测算法在Color特征的基础上，加入了LBP特征。LBP特征代表着物体的纹理信息(Texture)，即使前景物体与背景有相似的Color特征，但不一定有相似的纹理，在LBP特征上表现为较大差异，这时就能将与背景有着相似Color特征的前景物体检测出来。除此之外，LBP特征有光照不变性，在光照变化的情况下，LBP特征依旧可以保持不变，可有效应对光照干扰。
进一步地，步骤S4中，对背景像素的运动检测模型进行更新，包括：
步骤S41，随机选取所述背景像素的运动检测模型中的一个背景样本进行更新；
步骤S42，将所述背景像素的RGB通道值赋值给被更新的背景样本的RGB向量；
步骤S43，对所述背景像素进行LBP特征运算获得背景像素直方图，并以所述背景像素直方图替代被更新背景样本的直方图；
步骤S44，将被更新的背景样本的权重值加大第一预设数值，并将其余未被更新的背景样本的权重值减少第二预设数值；具体地，第一预设数值可以为0.1，第二预设数值可以为0.03；
步骤S45，将所述背景样本按照权重大小重新降序排列，选取权重大小前M个背景样本作为新的运动检测模型。
进一步地，步骤S5中，对前景像素的背景模型中的背景样本进行更新，包括：
步骤S51，将所述前景像素与运动检测模型以外的N-M个背景样本进行比较，计算第二总差值距离DLC2；
步骤S52，将所述第二总差值距离DLC2与预设阈值DT进行比较，若存在一个背景样本与前景像素的第二总差值距离DLC2小于所述预设阈值DT，则对所述背景样本给予10％的可能性进行更新，所述更新包括:将所述前景像素的直方图替代所述背景样本的直方图，将所述前景像素的RGB通道赋值给被更新背景样本的RGB向量，将被更新背景样本的权重增加第三预设数值；第二预设数值可以为0.02；
步骤S53，若不存在背景样本与前景像素的第二总差值距离DLC2小于所述预设阈值DT，则新建背景样本，并赋予初始权重，用所述新建背景样本替代另外N-M个背景样本中权重最小的背景样本。
前景物体运动的时候突然停下来时，由于处在静止状态，前景物体容易被误识别成背景。因此对于前景像素，给予10％的概率进行背景模型的更新，有利于减缓前景像素的背景模型被更新的速度，从而延长前景像素被正确识别成前景的时间，减少误识别率。
目前的许多算法将所有的背景样本都作为运动检测模型，其中一个缺点就是当背景像素被误识别成前景的时候，由于前景像素无法用于运动检测模型的更新，而且所有的样本都是作为运动检测模型的一部分，因此背景像素会一直被误识别为前景。因此本实施例提供的运动检测方法采用部分背景样本，而不是全部背景样本，作为运动检测模型。当背景像素被误识别成前景时，该像素无法对运动检测模型进行更新，但可以创建一个新的背景样本，替代运动检测模型以外的样本，或者直接进行更新，并在后面的视频帧中不断更新该背景样本，以加大权重，使得该背景样本成为运动检测模型的一部分。此时，被误识别成前景的背景像素与该背景样本进行比较时，计算出来的总差值距离小于预设阈值，从而被正确归类成背景。
进一步地，步骤S6中，对前景像素和背景像素进行7*7中值滤波，消除噪点。
本实施例提供的基于LBP和Color特征的运动检测方法，采用LBP特征和Color特征相结合，能够有效识别出与背景有着相似Color特征的前景物体，并有效应对光照干扰；采用部分背景样本作为运动检测模型并进行更新，避免背景像素被误识别成前景，提高运动检测的准确性。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于LBP和Color特征的运动检测方法，其特征在于，包括：
获取视频文件的前N帧视频帧图片，并对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，每个所述背景模型中包括N个背景样本；
对所述N个背景样本按照权重降序排列，建立运动检测模型；
将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素；
对背景像素的运动检测模型进行更新；
对前景像素的背景模型中的背景样本进行更新；
对所述前景像素和背景像素进行滤波；
其中，对所述视频帧图片的每个像素建立基于LBP和Color的背景模型，包括：
对每一帧视频帧图片的每个像素计算LBP特征，获得对应的直方图；
对每一帧视频帧图片的每个像素计算Color特征，获得对应的RGB向量；
将所述直方图和RGB向量作为背景样本，并对所述背景样本赋初始权重；
其中，对每一帧视频帧图片计算LBP特征，获得对应的直方图，包括：
将所述视频帧图片中的每个像素与周围八个像素进行颜色强度值大小对比产生LBP特征，将所述LBP特征转换为十进制数字，统计每个数字出现的次数，生成直方图；
对每一帧视频帧图片计算Color特征，获得对应的RGB向量，包括：
将像素的R通道值赋值给R分量，将像素的G通道赋值给G分量，将像素的B通道赋值给B分量，获得RGB向量；
对所述背景样本赋初始权重，包括：
将所述背景样本按照视频帧图片的时间顺序从大到小赋初始权重值；
其中，建立运动检测模型，包括：
选取初始权重大小前M个背景样本作为所述运动检测模型，其中，M<N；
其中，将视频文件的像素与所述运动检测模型的背景样本进行LBP比较和Color比较，根据比较结果获得前景像素和背景像素，包括：
对视频文件的像素进行LBP特征运算，获得像素直方图；
将所述像素直方图与所述运动检测模型中背景样本的直方图进行比较，获得LBP特征差值；
将视频文件的像素的RGB通道值与所述运动检测模型中背景样本的RGB向量值进行比较，获得Color特征差值；
将所述LBP特征差值和所述Color差值相加获得像素与背景样本之间的第一总差值距离；
将所述第一总差值距离与预设阈值进行比较，如果所述第一总差值距离小于所述预设阈值，则确定所述像素为背景像素；如果所述第一总差值距离大于或等于所述预设阈值，则将所述像素与运动检测模型的下一个背景样本进行LBP比较和Color比较，若遍历完所有背景样本后所述第一总差值距离均大于或等于所述预设阈值，则确定所述像素为前景像素。
2.根据权利要求1所述的基于LBP和Color特征的运动检测方法，其特征在于，将所述像素直方图与所述运动检测模型中背景样本的直方图进行比较，获得LBP特征差值，包括：
将所述像素直方图和运动检测模型中背景样本的直方图的每个bin对应的数值相减后取绝对值，将所有绝对值相加后获得所述LBP特征差值。
3.根据权利要求2所述的基于LBP和Color特征的运动检测方法，其特征在于，对背景像素的运动检测模型进行更新，包括：
随机选取所述背景像素的运动检测模型中的一个背景样本进行更新；
将所述背景像素的RGB通道值赋值给被更新的背景样本的RGB向量；
对所述背景像素进行LBP特征运算获得背景像素直方图，并以所述背景像素直方图替代被更新背景样本的直方图；
将被更新的背景样本的权重值加大第一预设数值，并将其余未被更新的背景样本的权重值减少第二预设数值；
将所述背景样本按照权重大小重新降序排列，选取权重大小前M个背景样本作为新的运动检测模型。
4.根据权利要求3所述的基于LBP和Color特征的运动检测方法，其特征在于，对前景像素的背景模型中的背景样本进行更新，包括：
将所述前景像素与运动检测模型以外的N-M个背景样本进行比较，计算第二总差值距离；
将所述第二总差值距离与预设阈值进行比较，若存在一个背景样本与前景像素的第二总差值距离小于所述预设阈值，则对所述背景样本给予10％的可能性进行更新，所述更新包括:将所述前景像素的直方图替代所述背景样本的直方图，将所述前景像素的RGB通道赋值给被更新背景样本的RGB向量，将被更新背景样本的权重增加第三预设数值；
若不存在背景样本与前景像素的第二总差值距离小于所述预设阈值，则新建背景样本，并赋予初始权重，用所述新建背景样本替代另外N-M个背景样本中权重最小的背景样本。
CN201810589563.7A 2018-06-08 2018-06-08 一种基于LBP和Color特征的运动检测方法 Active CN108711164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810589563.7A CN108711164B (zh) 2018-06-08 2018-06-08 一种基于LBP和Color特征的运动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810589563.7A CN108711164B (zh) 2018-06-08 2018-06-08 一种基于LBP和Color特征的运动检测方法

Publications (2)

Publication Number Publication Date
CN108711164A CN108711164A (zh) 2018-10-26
CN108711164B true CN108711164B (zh) 2020-07-31

Family

ID=63872433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810589563.7A Active CN108711164B (zh) 2018-06-08 2018-06-08 一种基于LBP和Color特征的运动检测方法

Country Status (1)

Country Link
CN (1) CN108711164B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109859236B (zh) * 2019-01-02 2021-04-23 广州大学 运动物体检测方法、系统、计算设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324927A (zh) * 2008-07-18 2008-12-17 北京中星微电子有限公司 一种阴影检测方法及装置
CN103810722A (zh) * 2014-02-27 2014-05-21 云南大学 结合改进的lbp纹理和色度信息的运动目标检测方法
CN104077776A (zh) * 2014-06-27 2014-10-01 深圳市赛为智能股份有限公司 一种基于颜色空间自适应更新的视觉背景提取算法
CN105741324A (zh) * 2016-03-11 2016-07-06 江苏物联网研究发展中心 移动平台上的运动目标检测识别与跟踪方法
CN106384359A (zh) * 2016-09-23 2017-02-08 青岛海信电器股份有限公司 运动目标跟踪方法和电视
CN106558069A (zh) * 2016-10-10 2017-04-05 广东技术师范学院 一种基于视频监控下的目标跟踪方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130085316A (ko) * 2012-01-19 2013-07-29 한국전자통신연구원 원거리 사람 식별을 위한 다중 카메라 기반의 얼굴영상 획득 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324927A (zh) * 2008-07-18 2008-12-17 北京中星微电子有限公司 一种阴影检测方法及装置
CN103810722A (zh) * 2014-02-27 2014-05-21 云南大学 结合改进的lbp纹理和色度信息的运动目标检测方法
CN104077776A (zh) * 2014-06-27 2014-10-01 深圳市赛为智能股份有限公司 一种基于颜色空间自适应更新的视觉背景提取算法
CN105741324A (zh) * 2016-03-11 2016-07-06 江苏物联网研究发展中心 移动平台上的运动目标检测识别与跟踪方法
CN106384359A (zh) * 2016-09-23 2017-02-08 青岛海信电器股份有限公司 运动目标跟踪方法和电视
CN106558069A (zh) * 2016-10-10 2017-04-05 广东技术师范学院 一种基于视频监控下的目标跟踪方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
a universal background subtraction algorithm for video sequences;Barnich O 等;《IEEE Trans Image Process》;20111230;1709–1724 *
基于LBP纹理和色度信息的运动目标检测与跟踪方法研究;冯玉玺;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20180415;I138-3098 *
基于颜色分割和LBP纹理检测的运动目标提取;胡孟凌 等;《计算机工程与设计》;20150716;1825-1828、1864 *

Also Published As

Publication number Publication date
CN108711164A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
Sajid et al. Universal multimode background subtraction
US9710716B2 (en) Computer vision pipeline and methods for detection of specified moving objects
CN106164980B (zh) 信息处理装置以及信息处理方法
US7742650B2 (en) Object detection in images
US8238605B2 (en) Digital video target moving object segmentation method and system
CN106327488B (zh) 一种自适应的前景检测方法及其检测装置
CN110298297B (zh) 火焰识别方法和装置
US9633264B2 (en) Object retrieval using background image and query image
US8553086B2 (en) Spatio-activity based mode matching
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及系统
KR102107334B1 (ko) 이미지 프레임에서의 픽셀 위치가 배경 또는 전경에 속하는지를 결정하기 위한 방법, 장치 및 시스템
JP6565600B2 (ja) アテンション検出装置及びアテンション検出方法
CN112883902B (zh) 视频检测方法、装置、电子设备及存储介质
WO2019197021A1 (en) Device and method for instance-level segmentation of an image
TW202004667A (zh) 物件追蹤系統及方法
EP3495989A1 (en) Best image crop selection
CN112749596A (zh) 异常画面检测方法、装置、电子设备和存储介质
CN115049954A (zh) 目标识别方法、装置、电子设备和介质
CN109543487B (zh) 一种基于条码边缘分割的自动感应触发方法及其系统
CN108711164B (zh) 一种基于LBP和Color特征的运动检测方法
Sahoo et al. A fast valley-based segmentation for detection of slowly moving objects
Xie et al. Robust vehicles extraction in a video-based intelligent transportation systems
US11288816B2 (en) Image detection device, image detection method and storage medium storing program
Geng et al. Real time foreground-background segmentation using two-layer codebook model
JP2011087144A (ja) テロップ文字領域検出方法，テロップ文字領域検出装置およびテロップ文字領域検出プログラム

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