CN109151376B - 一种智能视频分析监控方法 - Google Patents
一种智能视频分析监控方法 Download PDFInfo
- Publication number
- CN109151376B CN109151376B CN201710500303.3A CN201710500303A CN109151376B CN 109151376 B CN109151376 B CN 109151376B CN 201710500303 A CN201710500303 A CN 201710500303A CN 109151376 B CN109151376 B CN 109151376B
- Authority
- CN
- China
- Prior art keywords
- image
- picture
- point
- noise
- background image
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/80—Camera processing pipelines; Components thereof
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种智能视频分析监控方法,属于图像处理技术领域,首先从视频信息中的多个图像中选出一张图像作为背景图像,然后在将被检测的图像与背景图像进行差值运算,最后判断出被检测的图像上是否有运动的目标,解决了在视频图像中进行判断移动物体的技术问题,本发明在选取背景图像时从鲁棒性的角度来生成背景,考虑了噪声因素,能适应光照的逐渐变化,能适应噪声环境,或者说能对噪声进行抑制。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种智能视频分析监控方法。
背景技术
目前,对视频图像进行处理,从而达到目标物体的识别、跟踪等各种监控目的,已经在诸多领域得到普及应用。现有技术中对视频图像中移动目标进行检测比较常用的方法是背景减法,但是在实际应用中一幅“纯净”的背景图像总是不容易得到的。
发明内容
本发明的目的是提供一种智能视频分析监控方法,解决了在视频图像中进行判断移动物体的技术问题。
为实现上述目的,本发明采用以下技术方案:
一种智能视频分析监控方法,包括如下步骤:
步骤1:建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统;所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器;
步骤2:监控中心服务器获取任意一个摄像头的视频信息后,从视频信息中的多个图像中选出一张图像作为背景图像,其具体步骤如下:
步骤S1:从视频信息中读入M张图片数据,M至少为2张;
步骤S2:将每一个图片栅格化,分成D×F大小的区域;所述D×F大小的区域内至少包含1个像素;根据D×F的区域的大小,将图片分成Z个区域,即,将图片栅格化;将Z个区域内的所有区域均进行编号,设定任意一个区域为k,0<i<Z;
步骤S3:计算每张图片第k个区域的均值μk和方差σk,并作为描述该区域的矢量,保存在相应的内存单元;
步骤S5:在所有的矢量(μk,σk)中寻找到一个矢量(μm,σm),k=1,……Z,m=1,……Z,使得它与平均矢量(A,B)的距离为最短距离;
设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像;如果d大于一个阈值T,就认为没有找到,沿用原来的该区域的背景图像;
步骤3:根据背景图像差分法来判定背景图像中的目标和运动的阴影,运动的目标;
步骤4:监控中心服务器在显示屏上标明运动的目标。
执行所述步骤3时,其具体步骤如下:
步骤S6:设定图像的噪声的像素为n(R,G,B),图像信号本身的像素为g(R,G,B),噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关,则噪声假设模型为:f(R,G,B)=g(R,G,B)+n(R,G,B);式中,f(R,G,B)为含噪声的图像,R、G和B表示三原色;
步骤S7:设定前景图为fF,背景图片为fB,差分图为fD;则在差分图上某点(x,y)处,差分后得的值为:
fD=fF-fB=gF(R,G,B)-gB(R,G,B)+nF(R,G,B)-nB(R,G,B);
其中,gF(R,G,B)为前景图中该点位置的图像信号本身的像素,nF(R,G,B)为前景图中该点位置的噪声的像素;gB(R,G,B)为背景图中该点位置的图像信号本身的像素,nB(R,G,B)为背景图中该点位置的噪声的像素;
如果该点为运动的目标上的点,则有:
fD=fF-fB=nF(R,G,B)-nB(R,G,B);
其中,fD的值为运动的目标点的判断的依据。
执行所述步骤2时,阈值T的选取看所获得的背景图象是否清晰真实可靠而取得的一个最小数字;首次运行时,在获取一张图像后,由于没有以前的该区域的背景,所以直接使用该图片的数据作为背景图像,不再作阈值T比较。
本发明所述的一种智能视频分析监控方法,解决了在视频图像中进行判断移动物体的技术问题,本发明在选取背景图像时从鲁棒性的角度来生成背景,考虑了噪声因素,能适应光照的逐渐变化,能适应噪声环境,或者说能对噪声进行抑制。
附图说明
图1是本发明的流程图。
具体实施方式
如图1所示的一种智能视频分析监控方法,包括如下步骤:
步骤1:建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统;所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器;
步骤2:监控中心服务器获取任意一个摄像头的视频信息后,从视频信息中的多个图像中选出一张图像作为背景图像,其具体步骤如下:
本发明主要从鲁棒性的角度来生成背景,要能满足以下的要求:
(1)要能适应光照的逐渐变化;
(2)能适应背景中景物的变化,包括场景中景物的移入移出,景物自身形状的变化等;
(3)能适应由于光照的突然变化或由于云层遮挡而引入的场景内的光照变化;
(4)能适应噪声环境,或者说要能对噪声进行抑制;
具体的思想是首先获取M张图片,将图像栅格化,分成D×F大小的块,计算出第i个区域的均值μi和方差σi,用一个矢量(μi,σi)来描述。把每张图片在该相应区域的矢量计算出来,对结果进行统计。大部分矢量分布相对集中,这可以认为是背景区域引起的,通过这种方法找到背景区域。
步骤S1:从视频信息中读入M张图片数据,M至少为2张;
步骤S2:将每一个图片栅格化,分成D×F大小的区域;所述D×F大小的区域内至少包含1个像素;根据D×F的区域的大小,将图片分成Z个区域,即,将图片栅格化;将Z个区域内的所有区域均进行编号,设定任意一个区域为k,0<i<Z;
步骤S3:计算每张图片第k个区域的均值μk和方差σk,并作为描述该区域的矢量,保存在相应的内存单元;
步骤S5:在所有的矢量(μk,σk)中寻找到一个矢量(μm,σm),k=1,……Z,m=1,……Z,使得它与平均矢量(A,B)的距离为最短距离;
设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像;如果d大于一个阈值T,就认为没有找到,沿用原来的该区域的背景图像;
步骤3:根据背景图像差分法来判定背景图像中的目标和运动的阴影,运动的目标;
步骤4:监控中心服务器在显示屏上标明运动的目标。
执行所述步骤3时,其具体步骤如下:
步骤S6:设定图像的噪声的像素为n(R,G,B),图像信号本身的像素为g(R,G,B),噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关,则噪声假设模型为:f(R,G,B)=g(R,G,B)+n(R,G,B);式中,f(R,G,B)为含噪声的图像,R、G和B表示三原色;n(x,y)服从N(0,σ2)分布,其中σ2是矢量:通常情况下,可以认为是σR,σG,σB相等的。
取两幅时间间隔较小的纯背景,
f1(R,G,B)=g(R,G,B)+n1(R,G,B);
f2(R,G,B)=g(R,G,B)+n1(R,G,B);
进行差分运算,得到:
N(R,G,B)=f1(R,G,B)-f2(R,G,B)=n1(R,G,B)-n2(R,G,B);
则N(R,G,B)服从N(0,2σ2)分布。对差分图进行极大似然估计,得到2σ2的估计值。
步骤S7:设定前景图为fF,背景图片为fB,差分图为fD;则在差分图上某点(x,y)处,差分后得的值为:
fD=fF-fB=gF(R,G,B)-gB(R,G,B)+nF(R,G,B)-nB(R,G,B);
其中,gF(R,G,B)为前景图中该点位置的图像信号本身的像素,nF(R,G,B)为前景图中该点位置的噪声的像素;gB(R,G,B)为背景图中该点位置的图像信号本身的像素,nB(R,G,B)为背景图中该点位置的噪声的像素;
如果该点为运动的目标上的点,则有:
fD=fF-fB=nF(R,G,B)-nB(R,G,B);
其中,fD的值为运动的目标点的判断的依据;也可以根据以下公式进行判定CD=|fDsinθB|=|(nF(R,G,B)-nB(R,G,B))sinθB|;其中CD的值为运动的目标点的判断的依据。
执行所述步骤2时,阈值T的选取看所获得的背景图象是否清晰真实可靠而取得的一个最小数字;首次运行时,在获取一张图像后,由于没有以前的该区域的背景,所以直接使用该图片的数据作为背景图像,不再作阈值T比较。
实际采集到的图像中不可避免地混有噪声,其来源于如下几个方面:敏感器件内部噪声、照相底片上感光材料的颗粒、传输通道的干扰及噪声等。噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。在本系统中,噪声n(x,y)的产生与图像信号本身g(x,y)无关,这种情况下,含噪声图像f(x,y)可表示为:
f(x,y)=g(x,y)+n(x,y);
对于大多数传感器而言,与信号伴生的传感器噪声可以模拟为高斯分布或泊松分布的随机过程。其中泊松分布的随机过程仅仅出现在照度非常小及用高倍电子线路放大的情况下,于是大多数情况下可以认为是加性高斯白噪声,并且是各态遍历的。
根据定理:设(X1,X2,X3,......Xn)是来自正态总体N(μ,σ2)的一个样本,a1,a2,a3,......an是已知的常数,则统计量服从正态分布对两幅在同一场景连续拍摄得到时间间隔很小的背景图进行差分运算,在各态遍历性假设下,差分后的图像的噪声方差为原噪声方差的2倍,均值为0。
高斯分布的随机变量还有三个重要数据:
P{μ-σ<X≤μ+σ}=φ(1)-φ(-1)=0.6826;
P{μ-2σ<X≤μ+2σ}=φ(2)-φ(-2)=0.9524;
P{μ-3σ<X≤μ+3σ}=φ(3)-φ(-3)=0.9974;
可以看到,对于高斯分布的随机变量而言,它的值落在区间
[μ-3σ,μ+3σ]的概率接近100%,这也就是所谓的“3σ规则”。
本发明所述的一种智能视频分析监控方法,解决了在视频图像中进行判断移动物体的技术问题,本发明在选取背景图像时从鲁棒性的角度来生成背景,考虑了噪声因素,能适应光照的逐渐变化,能适应噪声环境,或者说能对噪声进行抑制。
Claims (2)
1.一种智能视频分析监控方法,其特征在于:包括如下步骤:
步骤1:建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统;所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器;
步骤2:监控中心服务器获取任意一个摄像头的视频信息后,从视频信息中的多个图像中选出一张图像作为背景图像,其具体步骤如下:
步骤S1:从视频信息中读入M张图片数据,M至少为2张;
步骤S2:将每一个图片栅格化,分成D×F大小的区域;所述D×F大小的区域内至少包含1个像素;根据D×F的区域的大小,将图片分成Z个区域,即,将图片栅格化;将Z个区域内的所有区域均进行编号,设定任意一个区域为k,0<k<Z;
步骤S3:计算每张图片第k个区域的均值μk和方差σk,并作为描述该区域的矢量,保存在相应的内存单元;
步骤S5:在所有的矢量(μk,σk)中寻找到一个矢量(μm,σm),k=1,……Z,m=1,……Z,使得它与平均矢量(A,B)的距离为最短距离;
设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像;反之,就认为没有找到,沿用原来的该区域的背景图像;
步骤3:根据背景图像差分法来判定背景图像中的目标和运动的阴影,运动的目标;
步骤4:监控中心服务器在显示屏上标明运动的目标。
2.如权利要求1所述的一种智能视频分析监控方法,其特征在于:执行所述步骤3时,其具体步骤如下:
步骤S6:设定图像的噪声的像素为n(R,G,B),图像信号本身的像素为g(R,G,B),噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关,则噪声假设模型为:f(R,G,B)=g(R,G,B)+n(R,G,B);式中,f(R,G,B)为含噪声的图像,R、G和B表示三原色;
步骤S7:设定前景图为fF,背景图片为fB,差分图为fD;则在差分图上某点(x,y)处,差分后得的值为:
fD=fF-fB=gF(R,G,B)-gB(R,G,B)+nF(R,G,B)-nB(R,G,B);
其中,gF(R,G,B)为前景图中该点位置的图像信号本身的像素,nF(R,G,B)为前景图中该点位置的噪声的像素;gB(R,G,B)为背景图中该点位置的图像信号本身的像素,nB(R,G,B)为背景图中该点位置的噪声的像素;
如果该点为运动的目标上的点,则有:
fD=fF-fB=nF(R,G,B)-nB(R,G,B);
其中,fD的值为运动的目标点的判断的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710500303.3A CN109151376B (zh) | 2017-06-27 | 2017-06-27 | 一种智能视频分析监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710500303.3A CN109151376B (zh) | 2017-06-27 | 2017-06-27 | 一种智能视频分析监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109151376A CN109151376A (zh) | 2019-01-04 |
CN109151376B true CN109151376B (zh) | 2021-09-28 |
Family
ID=64805206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710500303.3A Active CN109151376B (zh) | 2017-06-27 | 2017-06-27 | 一种智能视频分析监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109151376B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103751A (zh) * | 2009-12-18 | 2011-06-22 | 华为技术有限公司 | 前景图像提取方法及装置 |
CN103177456A (zh) * | 2013-03-29 | 2013-06-26 | 上海理工大学 | 视频图像的运动目标检测方法 |
CN103179325A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 一种固定场景下低信噪比视频的自适应3d降噪方法 |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
CN105205833A (zh) * | 2015-09-15 | 2015-12-30 | 杭州中威电子股份有限公司 | 一种基于时空背景模型的运动目标检测方法及装置 |
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
CN106296626A (zh) * | 2016-08-11 | 2017-01-04 | 上海大学 | 一种基于梯度融合的夜间视频增强方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7359552B2 (en) * | 2004-12-15 | 2008-04-15 | Mitsubishi Electric Research Laboratories, Inc. | Foreground detection using intrinsic images |
-
2017
- 2017-06-27 CN CN201710500303.3A patent/CN109151376B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103751A (zh) * | 2009-12-18 | 2011-06-22 | 华为技术有限公司 | 前景图像提取方法及装置 |
CN103179325A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 一种固定场景下低信噪比视频的自适应3d降噪方法 |
CN103177456A (zh) * | 2013-03-29 | 2013-06-26 | 上海理工大学 | 视频图像的运动目标检测方法 |
CN104537684A (zh) * | 2014-06-17 | 2015-04-22 | 浙江立元通信技术股份有限公司 | 一种静态场景中的实时运动目标提取方法 |
CN105205833A (zh) * | 2015-09-15 | 2015-12-30 | 杭州中威电子股份有限公司 | 一种基于时空背景模型的运动目标检测方法及装置 |
CN105913441A (zh) * | 2016-04-27 | 2016-08-31 | 四川大学 | 一种用于改善视频中目标检测性能的阴影去除方法 |
CN106296626A (zh) * | 2016-08-11 | 2017-01-04 | 上海大学 | 一种基于梯度融合的夜间视频增强方法 |
Non-Patent Citations (3)
Title |
---|
基于背景建模的运动目标监控视频检测算法;陈星明;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160315(第3期);I138-7408 * |
监控视频中的前景提取和目标检测跟踪算法研究;郭达洁;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20160715(第7期);I138-1093 * |
监控视频的前景运动物体提取方法;肖碧波;《计算机工程与设计》;20160316;第37卷(第3期);696-699 * |
Also Published As
Publication number | Publication date |
---|---|
CN109151376A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9158985B2 (en) | Method and apparatus for processing image of scene of interest | |
Faro et al. | Adaptive background modeling integrated with luminosity sensors and occlusion processing for reliable vehicle detection | |
CN110008795B (zh) | 图像目标追踪方法及其系统与计算机可读取记录介质 | |
KR101223046B1 (ko) | 정지장면의 연속프레임 영상에 기반한 영상분할장치 및 방법 | |
CN106327488B (zh) | 一种自适应的前景检测方法及其检测装置 | |
JP2008192131A (ja) | 特徴レベル・セグメンテーションを実行するシステムおよび方法 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
EP3438929A1 (en) | Foreground and background detection method | |
Al-Najdawi et al. | An automated real-time people tracking system based on KLT features detection. | |
CN106991418B (zh) | 飞虫检测方法、装置及终端 | |
JP2020149642A (ja) | 物体追跡装置および物体追跡方法 | |
Denman et al. | Multi-spectral fusion for surveillance systems | |
Niu et al. | A moving objects detection algorithm based on improved background subtraction | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
US20110085026A1 (en) | Detection method and detection system of moving object | |
CN109819206B (zh) | 基于影像的物件追踪方法及其系统与电脑可读取存储媒体 | |
Siricharoen et al. | Robust outdoor human segmentation based on color-based statistical approach and edge combination | |
CN114842213A (zh) | 一种障碍物轮廓检测方法、装置、终端设备和存储介质 | |
CN109151376B (zh) | 一种智能视频分析监控方法 | |
Kim et al. | A method of counting pedestrians in crowded scenes | |
CN116883897A (zh) | 一种低分辨率目标识别方法 | |
Balcilar et al. | Extracting vehicle density from background estimation using Kalman filter | |
JP2009116686A (ja) | 撮像対象検出装置および方法 | |
Yu et al. | Accurate motion detection in dynamic scenes based on ego-motion estimation and optical flow segmentation combined method | |
CN110322474B (zh) | 一种基于无人机平台的图像动目标实时检测方法 |
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 |