CN108875736B - 基于背景预测的水面移动目标检测方法 - Google Patents

基于背景预测的水面移动目标检测方法 Download PDF

Info

Publication number
CN108875736B
CN108875736B CN201810582612.4A CN201810582612A CN108875736B CN 108875736 B CN108875736 B CN 108875736B CN 201810582612 A CN201810582612 A CN 201810582612A CN 108875736 B CN108875736 B CN 108875736B
Authority
CN
China
Prior art keywords
detected
pixel
video frame
background
target detection
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.)
Expired - Fee Related
Application number
CN201810582612.4A
Other languages
English (en)
Other versions
CN108875736A (zh
Inventor
朱华生
谢开岩
叶军
王军
徐晨光
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.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
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 Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN201810582612.4A priority Critical patent/CN108875736B/zh
Publication of CN108875736A publication Critical patent/CN108875736A/zh
Application granted granted Critical
Publication of CN108875736B publication Critical patent/CN108875736B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于背景预测的水面移动目标检测方法。本发明针对水面移动目标检测过程中背景图像变化的问题，利用背景图像的历史检测数据来对当前的背景图像进行预测，进而获得初始的移动目标检测结果，从而可大幅降低水面移动目标检测的误检率；本发明进一步利用目标位置预测模型来对初始目标检测结果进行修正，从而有效提高检测精度。相比现有技术，本发明可大幅降低水面移动目标检测的误检率，有效提高检测精度。

Description

基于背景预测的水面移动目标检测方法
技术领域
本发明涉及一种移动目标检测方法，尤其涉及一种水面移动目标检测方法，属于视频移动目标检测技术领域。
背景技术
随着视频多媒体的不断发展,视频中的移动目标检测技术，已经成为计算机视觉研究的核心课题之一。它在视频监控、人机交互、环境监测、军事等领域都有着极为广泛的应用前景。
目前，基于移动目标提取主要有:背景差分法、时域差分运动检测法和光流法等。其中，背景差分法是视觉检测算法中最常用的一种方法，它利用当前图像与背景图像的差分来检测运动区域，其关键在于背景的提取及更新，由于一般的背景建模方法对突发运动和光照突变敏感，又不能区分移动目标和移动阴影，从而导致误检率较高。时域差分运行检测法对动态环境具有较强的自适应性，鲁棒性较好，能够适应多种动态环境，但不能完整提取出相关的特征像素点，在运动实体内容易产生空洞。光流法能够在预先不知道场景任何信息的条件下检测出独立运动对像，但其抗噪性能差，计算复杂，若无特别的硬件装置作为支撑，其处理速度相当慢，难以达到实时处理的要求。
作为其中一个应用场景，水面移动目标检测在许多领域也有着非常广泛的应用，如：水利自然保护区野生水鸟的自动监测和统计，水面漂浮物的自动监测和统计等等；又如：在河流或海岸沿线对过往船只的自动监控和流量统计等。在对水面移动目标进行检测时，由于大多数的水面并非静止的，总是会有不同程度的波浪存在，并且水面上经常有一定的浪花，这就导致水面监控视频中的背景不同于其他场景，其背景是在不断变化着的。经大量实践发现，采用现有目标检测方法用于水面移动目标检测时，会出现较高的误检率，检测效果难以令人满意。
发明内容
本发明所要解决的技术问题在于克服现有技术不足，提供一种基于背景预测的水面移动目标检测方法，可大幅降低水面移动目标检测的误检率，有效提高检测精度。
本发明具体采用以下技术方案解决上述技术问题：
基于背景预测的水面移动目标检测方法，首先，按照以下方法对当前待检测视频帧进行初始目标检测：对当前待检测视频帧进行逐点扫描检测：对于当前待检测像素，以该待检测视频帧的前N帧背景图像中对应位置像素的像素值构成该待检测像素的预测背景时间序列，从该待检测视频帧的连续K帧历史背景图像中对应位置像素的像素值所构成的时间序列中搜索出与所述预测背景时间序列最相似的子时间序列，并以搜索出的子时间序列之后的第一个数据作为该待检测像素的背景预测值；判断该待检测像素的实际像素值与其背景预测值之间差值的绝对值是否大于预设阈值，如是，则判断该待检测像素为移动目标像素，否则为背景像素；其中，K和N均为大于1的正整数，且K>>N；
然后，对当前待检测视频帧的初始目标检测结果进行修正，从而得到当前待检测视频帧的最终目标检测结果。
优选地，利用下式对当前待检测视频帧的初始目标检测结果进行修正：
T＝T0&M
式中，T为当前待检测视频帧的最终目标检测结果；T0为当前待检测视频帧的初始目标检测结果；“&”表示逻辑“与”；M为目标位置预测模型，利用下式得到：
Figure BDA0001688660470000021
其中，E为与当前待检测视频帧等大的预设目标位置模板图像，其中自边缘向内的n个像素为移动目标像素，其余像素为背景像素；T′为当前待检测视频帧的前一帧的最终目标检测结果；
Figure BDA0001688660470000022
表示对T′进行结构元素为S的膨胀变换；“|”表示逻辑“或”。
或者，使用以下方法对当前待检测视频帧的初始目标检测结果进行修正：对初始目标检测结果进行腐蚀变换，以去除孤立小噪声。
相比现有技术，本发明技术方案具有以下有益效果：
本发明针对水面移动目标检测过程中背景图像变化的问题，利用背景图像的历史检测数据来对当前的背景图像进行预测，进而获得初始的移动目标检测结果，从而可大幅降低水面移动目标检测的误检率；本发明进一步利用目标位置预测模型来对初始目标检测结果进行修正，从而有效提高检测精度。
附图说明
图1为本发明水面移动目标检测方法的原理示意图；
图2为本发明水面移动目标检测方法一个优选实施例的流程示意图。
具体实施方式
针对水面移动目标检测过程中背景图像变化的问题，本发明的思路是利用背景图像的历史检测数据来对当前的背景图像进行预测，进而获得初始的移动目标检测结果，然后对其进行修正，去除噪声干扰，从而可大幅降低水面移动目标检测的误检率，有效提高检测精度。
如图1所示，对于水面监测视频而言，其中任意一段连续视频的图像帧均可构成一段连续的时间序列，同样的，这段连续视频帧中的任意一个位置处的像素也可组成一段连续的时间序列。假设要从时刻t的视频帧ft开始对监测视频进行移动目标检测，则可取视频帧ft前的一段连续视频，将这段连续视频中坐标为(i，j)的像素所构成的时间序列作为视频帧ft中坐标为(i，j)的像素的预测背景时间序列，从背景图像历史数据中搜索出与该预测背景时间序列最相似的子时间序列，并以搜索出子时间序列的下一个像素值作为视频帧ft中坐标为(i，j)的像素的背景预测值，再结合其实际像素值，从而初步判断该像素是属于背景还是属于移动目标。
本发明基于背景预测的水面移动目标检测方法具体如下：
首先，按照以下方法对当前待检测视频帧进行初始目标检测：对当前待检测视频帧进行逐点扫描检测：对于当前待检测像素，以该待检测视频帧的前N帧背景图像中对应位置像素的像素值构成该待检测像素的预测背景时间序列，从该待检测视频帧的连续K帧历史背景图像中对应位置像素的像素值所构成的时间序列中搜索出与所述预测背景时间序列最相似的子时间序列，并以搜索出的子时间序列之后的第一个数据作为该待检测像素的背景预测值；判断该待检测像素的实际像素值与其背景预测值之间差值的绝对值是否大于预设阈值，如是，则判断该待检测像素为移动目标像素，否则为背景像素；其中，K和N均为大于1的正整数，且K>>N；
然后，对当前待检测视频帧的初始目标检测结果进行修正，从而得到当前待检测视频帧的最终目标检测结果。
其中，时间序列间的相似性可采用现有的空间距离、相关系数等度量方式；优选采用欧式距离、曼哈顿距离、切比雪夫距离等空间距离度量方式。
作为背景预测的基础，所述连续K帧历史背景图像应尽可能准确，因此，可以通过从监测视频中选取无移动目标出现的一段连续视频帧来得到，也可以通过对一段随机选取的连续视频帧进行人工标定的方式得到。
上述技术方案中的修正步骤是为了消除初始目标检测结果中可能存在的噪声干扰，可以采用现有的方法，例如，可以通过对初始目标检测结果进行腐蚀变换，以去除孤立小噪声。为了进一步提升去噪效果，本发明针对水面移动目标检测的场景特点，提出了一种基于目标位置预测模型的修正方法，具体为：利用下式对当前待检测视频帧的初始目标检测结果进行修正：
T＝T0&M
式中，T为当前待检测视频帧的最终目标检测结果；T0为当前待检测视频帧的初始目标检测结果；“&”表示逻辑“与”；M为目标位置预测模型，利用下式得到：
Figure BDA0001688660470000041
其中，E为与当前待检测视频帧等大的预设目标位置模板图像，其中自边缘向内的n个像素为移动目标像素，其余像素为背景像素；T′为当前待检测视频帧的前一帧的最终目标检测结果；
Figure BDA0001688660470000042
表示对T′进行结构元素为S的膨胀变换；“|”表示逻辑“或”。
发明人发现在视频监控中，每一帧中的移动目标通常来自2个地方：一是从边缘进入的目标，它出现的位置只能在边缘一定范围内；另一个是前一帧已存在的目标，它出现的位置只能在它自己周边的一定范围内。其它位置不应该出现移动目标，如果有，则可认为是出现的干扰。根据这一特性，本申请设计了以上位置预测模型，其中，E是边缘位置预测部分，
Figure BDA0001688660470000043
是前一帧已存在的目标位置预测部分，最后将这2部分合成为位置预测模型M，来消除初始目标检测结果中可能存在的噪声干扰。
图2显示了本发明水面移动目标检测方法一个优选实施例的流程。其具体实现算法具体如下：
步骤A、初始化
步骤A1、初始化背景数据预测模型：取连续的K帧历史背景图像b1～bK作为背景数据预测模型B的初始化数据，并取第一帧待检测视频帧ft的前N帧背景图像ft-N,…,ft-1作为预测背景时间序列F。则有：
B＝{b1,…,bK} (1)
F＝{ft-N,…,ft-1} (2)
步骤A2、初始化目标位置预测模型：使用公式(3)初始化目标位置模板图像E，将T′全部置零(本实施例中用1表示移动目标像素，用0表示背景像素，即假设开始时没有移动目标)；通过公式(4)求出目标位置预测模型M。
Figure BDA0001688660470000051
Figure BDA0001688660470000052
其中，E(i，j)为目标位置模板图像E中坐标为(i，j)的像素值；X、Y分别为目标位置模板图像E的长、宽；n为预设正整数，优选的取值为3～5；
Figure BDA0001688660470000053
表示对T′进行结构元素为S的膨胀变换；“|”表示逻辑“或”。
步骤B、目标初始检测
步骤B1、在检测区域内，按逐点扫描的顺序，逐个像素点进行移动目标检测。
步骤B2、从B中取出待检测像素点(i，j)对应位置像素的像素值所构成的时间序列，将其表示为Bi,j。
步骤B3、从F中取出待检测像素点(i，j)的预测背景时间序列，将其表示为Fi,j。
步骤B4、在Bi,j中找到与Fi,j最相似的子序列，表示为
Figure BDA0001688660470000054
将最相似子序列
Figure BDA0001688660470000061
后面的数据作为待检测像素点(i，j)的背景预测值，表示为
Figure BDA0001688660470000062
步骤B5、读取待检测像素点的实际像素值，表示为
Figure BDA0001688660470000063
求实际值
Figure BDA0001688660470000064
与预测值
Figure BDA0001688660470000065
之差的绝对值，如果差的绝对值小于预设的阈值T，则判定待检测像素点是背景像素，否则判定为移动目标像素。
步骤B6、判断所有像素点是否检测完成，如果没有，则返回步骤B1；否则，将所有像素点的检测结果组合成初始移动目标检测结果T0。
步骤C、对初始移动目标检测结果进行修正，以消除噪声干扰
步骤C1、通过公式(5)，将初始的目标图像T0通过目标位置预测模型M去除干扰，得到最终的移动目标检测结果T：
T＝T0&M (5)
步骤C2、令T′＝T，然后利用公式(4)更新目标位置预测模型M。
步骤D、如果要继续检测下一帧，则用当前待检测帧的前N帧背景图像对预测背景时间序列F进行更新，然后返回步骤B；否则结束检测。

Claims (5)

1.基于背景预测的水面移动目标检测方法，其特征在于，首先，按照以下方法对当前待检测视频帧进行初始目标检测：对当前待检测视频帧进行逐点扫描检测：对于当前待检测像素，以该待检测视频帧的前N帧背景图像中对应位置像素的像素值构成该待检测像素的预测背景时间序列，从该待检测视频帧的连续K帧历史背景图像中对应位置像素的像素值所构成的时间序列中搜索出与所述预测背景时间序列最相似的子时间序列，并以搜索出的子时间序列之后的第一个数据作为该待检测像素的背景预测值；判断该待检测像素的实际像素值与其背景预测值之间差值的绝对值是否大于预设阈值，如是，则判断该待检测像素为移动目标像素，否则为背景像素；其中，K和N均为大于1的正整数，且K>>N；
然后，对当前待检测视频帧的初始目标检测结果进行修正，从而得到当前待检测视频帧的最终目标检测结果。
2.如权利要求1所述方法，其特征在于，利用下式对当前待检测视频帧的初始目标检测结果进行修正：
T＝T0&M
式中，T为当前待检测视频帧的最终目标检测结果；T0为当前待检测视频帧的初始目标检测结果；“&”表示逻辑“与”；M为目标位置预测模型，利用下式得到：
Figure FDA0002933322240000011
其中，E为与当前待检测视频帧等大的预设目标位置模板图像，其中自边缘向内的n个像素为移动目标像素，其余像素为背景像素；T′为当前待检测视频帧的前一帧的最终目标检测结果；
Figure FDA0002933322240000012
表示对T′进行结构元素为S的膨胀变换；“|”表示逻辑“或”。
3.如权利要求2所述方法，其特征在于，n的取值范围为3～5。
4.如权利要求1所述方法，其特征在于，使用以下方法对当前待检测视频帧的初始目标检测结果进行修正：对初始目标检测结果进行腐蚀变换，以去除孤立小噪声。
5.如权利要求1所述方法，其特征在于，使用欧式距离，或曼哈顿距离，或切比雪夫距离，来度量时间序列间的相似性。
CN201810582612.4A 2018-06-07 2018-06-07 基于背景预测的水面移动目标检测方法 Expired - Fee Related CN108875736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810582612.4A CN108875736B (zh) 2018-06-07 2018-06-07 基于背景预测的水面移动目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810582612.4A CN108875736B (zh) 2018-06-07 2018-06-07 基于背景预测的水面移动目标检测方法

Publications (2)

Publication Number Publication Date
CN108875736A CN108875736A (zh) 2018-11-23
CN108875736B true CN108875736B (zh) 2021-03-30

Family

ID=64337362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810582612.4A Expired - Fee Related CN108875736B (zh) 2018-06-07 2018-06-07 基于背景预测的水面移动目标检测方法

Country Status (1)

Country Link
CN (1) CN108875736B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044151A (zh) * 2010-10-14 2011-05-04 吉林大学 基于光照可见度辨识的夜间车辆视频检测方法
CN104182959A (zh) * 2013-05-22 2014-12-03 浙江大华技术股份有限公司 目标搜索方法及装置
CN107154051A (zh) * 2016-03-03 2017-09-12 株式会社理光 背景剪除方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4631806B2 (ja) * 2006-06-05 2011-02-16 日本電気株式会社 物体検出装置、物体検出方法および物体検出プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102044151A (zh) * 2010-10-14 2011-05-04 吉林大学 基于光照可见度辨识的夜间车辆视频检测方法
CN104182959A (zh) * 2013-05-22 2014-12-03 浙江大华技术股份有限公司 目标搜索方法及装置
CN107154051A (zh) * 2016-03-03 2017-09-12 株式会社理光 背景剪除方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Small and dim target detection by background estimation;Jing Hu et al.;《Infrared Physics & Technology》;20150930;全文 *

Also Published As

Publication number Publication date
CN108875736A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN109816641B (zh) 基于多尺度形态学融合的加权局部熵红外小目标检测方法
CN110120064B (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
CN107016691B (zh) 基于超像素特征的运动目标检测方法
CN106778712B (zh) 一种多目标检测与跟踪方法
Pan et al. Robust occlusion handling in object tracking
CN104835145B (zh) 基于自适应Codebook背景模型的前景检测方法
CN105574891B (zh) 检测图像中的运动目标的方法及系统
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN105374049B (zh) 一种基于稀疏光流法的多角点跟踪方法及装置
CN111259866B (zh) 一种基于改进背景差分法的海上舰船目标检测方法
CN112509003B (zh) 解决目标跟踪框漂移的方法及系统
CN107622507B (zh) 一种基于深度学习的空中目标跟踪方法
CN110717934B (zh) 一种基于strcf的抗遮挡目标跟踪方法
CN111353496B (zh) 一种红外弱小目标实时检测方法
Lian et al. A novel method on moving-objects detection based on background subtraction and three frames differencing
CN103945228A (zh) 基于时空关联性的视频帧内copy-move篡改检测方法
Xiao et al. An enhanced adaptive coupled-layer LGTracker++
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN111881837A (zh) 基于阴影提取的视频sar运动目标检测方法
CN110363197B (zh) 基于改进视觉背景提取模型的视频感兴趣区域提取方法
CN109949344B (zh) 一种基于颜色概率目标建议窗口的核相关滤波跟踪方法
CN110853077A (zh) 一种基于形态变化估计的自适应红外动态帧特征提取方法
Li et al. The integration adjacent frame difference of improved ViBe for foreground object detection
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
CN110751671A (zh) 一种基于核相关滤波与运动估计的目标跟踪方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210330