CN109166080A - 阴影的消除方法、装置和存储介质 - Google Patents
阴影的消除方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109166080A CN109166080A CN201810934216.3A CN201810934216A CN109166080A CN 109166080 A CN109166080 A CN 109166080A CN 201810934216 A CN201810934216 A CN 201810934216A CN 109166080 A CN109166080 A CN 109166080A
- Authority
- CN
- China
- Prior art keywords
- hybrid models
- gauss
- parameter
- gauss hybrid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241001504505 Troglodytes troglodytes Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种阴影的消除方法、装置和存储介质,该方法包括:获取序列图像,序列图像中包括多帧图像;根据序列图像,建立高斯混合模型,并对高斯混合模型的参数进行估计;根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标;利用色调‑饱和度‑亮度HSV颜色模型消除前景目标中的阴影。本发明不仅实现了序列图像中提取的前景目标的阴影消除,而且提高了前景目标阴影消除的准确度和速度。
Description
技术领域
本发明涉及序列图像处理技术领域,尤其涉及一种阴影的消除方法、装置和存储介质。
背景技术
在序列图像的处理过程中,为了获取所需要的目标信息,需要分离和提取前景目标。而在对前景目标的提取过程中,由于背景的变化,如光照、动态环境、阴影等多种因素的影响,都可能造成帧间的较大差异。为了实时准确地检测物体变化,1997年Wren(Pfinder:Real-time tracking of the human body.IEEE Trans.Patt.)提出为图像中的每个像素建立颜色模型,该模型服从高斯分布。但是单高斯模型(Single Gaussian model,SGM)对户外环境的处理效果并不理想。1999年Stauffer和Grimson(Adaptive background mixturemodels for real-time tracking,CVPR,1999.IEEE Computer Society Conference on.)提出了混合高斯模型(Gaussian mixture model,GMM)的算法,并广泛应用于鲁棒的复杂场景背景建模。实际应用中,由于背景变化可能造成帧间的较大差异,使用混合高斯模型分离和提取前景目标,前景目标中可能存在阴影,影响目标检测的准确率。
现有技术中,在对序列图像进行背景减除提取前景目标的过程中,通常是先对图像进行阴影消除,消除图像中的阴影部分,然后再根据混合高斯模型建模进行背景减除,以提高目标检测的准确率。
然而,现有技术中,由于先对图像进行阴影消除,然后再提取前景目标,当阴影和运动物体不容易区分或者背景与运动物体相近时,提取的前景目标容易出现拖影或者空洞等情况,使物体存在阴影或形态不完整,造成前景目标中阴影消除的准确度较低,且运算速度较慢。
发明内容
为解决现有技术中存在的问题,本发明提供一种阴影的消除方法、装置和存储介质,以提高前景目标中阴影消除的准确度和速度。
第一方面,本发明实施例提供一种阴影的消除方法,包括:
获取序列图像,所述序列图像中包括多帧图像;
根据所述序列图像,建立高斯混合模型,并对所述高斯混合模型的参数进行估计;
根据参数估计后的高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标;
利用色调-饱和度-亮度(Hue-Saturation-Value,HSV)颜色模型消除所述前景目标中的阴影。
本方案中,通过对获取的序列图像建立高斯混合模型,并对高斯混合模型进行参数估计,然后进行背景减除,获得前景目标,最后再利用HSV颜色模型对提取的前景目标进行阴影消除,不仅实现了序列图像的背景减除,消除前景目标中的阴影,而且提高了背景减除的准确率和速度
可选的,所述对所述高斯混合模型的参数进行估计,包括:
步骤A:根据所述序列图像,确定高斯混合模型参数估计的初值;
步骤B:根据所述初值,计算后验概率期望;
步骤C:根据所述后验概率期望和最大化似然函数,更新高斯混合模型参数的值;
步骤D:将更新后的所述高斯混合模型参数的值作为新的所述初值,重复执行步骤B-步骤D,直至所述高斯混合模型的参数收敛,以对所述高斯混合模型的参数进行估计。
本方案中,通过根据序列图像选择合适的初值,对高斯混合模型的参数进行期望最大化(Expectation-Maximum,EM)参数估计,使混合高斯模型的参数收敛,解决了混合高斯模型实时性较差的问题。
可选的,所述根据所述序列图像,确定高斯混合模型参数估计的初值,包括:
分别建立所述序列图像的前t帧图像对应的单高斯模型;
根据前t帧图像对应的单高斯模型,更新所述高斯混合模型参数,并将t的值加一,并重复执行此步骤,直至t的值等于预设值时,确定所述高斯混合模型参数。
本方案中,通过使用前t帧图像对应的单高斯模型参数,确定高斯混合模型的参数,并作为高斯混合模型参数估计的初值,缩小了参数估计的运算范围,极大的降低了计算量,提高了高斯混合模型参数估计的运算速度。
可选的,所述根据前t帧图像对应的单高斯模型,更新所述高斯混合模型参数,包括:
判断|xt-μt-1,i|是否小于或等于k∑t-1,i,其中,xt为第t帧图像中的任意像素点的灰度值,μt-1,i为第i个所述单高斯模型的均值,∑t-1,i为第i个所述单高斯模型的方差,k为判定阈值;
若|xt-μt-1,i|小于或等于k∑t-1,i,则确定所述第t帧图像中的任意像素点符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt更新所述混合高斯模型的参数;
若|xt-μt-1,i|大于k∑t-1,i,则确定所述第t帧图像中的任意像素点不符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt建立新的单高斯模型。
可选的,所述根据参数估计后的高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标,包括:
判断|xt-μt-1,i|是否大于或等于k∑t-1,i;
若|xt-μt-1,i|大于或等于k∑t-1,i,则确定所述像素点为所述前景目标对应的像素点。
可选的,所述根据参数估计后的高斯混合模型对所述序列图像进行背景减除之前,所述方法还包括:
确定各图像对应的单高斯模型中的权值和方差的比值;
将各单高斯模型对应的比值按照从大到小的顺序排序,选择前n个单高斯模型;
根据所述前n个单高斯模型,确定所述参数估计后的高斯混合模型。
在本方案中,通过根据单高斯模型中的权值和方差的比值,选择在混合高斯模型中判定为背景的贡献值较大的单高斯模型,可以去掉一些权值较小,方差较大的单高斯模型,解决了由于突发情况可能对背景判断失误的问题。
第二方面,本发明实施例提供一种阴影的消除装置,包括:
获取模块,用于获取序列图像,所述序列图像中包括多帧图像;
处理模块,用于根据所述序列图像,建立高斯混合模型,并对所述高斯混合模型的参数进行估计;
减除模块,用于根据参数估计后的高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标;
消除模块,用于利用HSV颜色模型消除所述前景目标中的阴影。
可选的,所述处理模块,具体用于:
步骤A:根据所述序列图像,确定高斯混合模型参数估计的初值;
步骤B:根据所述初值,计算后验概率期望;
步骤C:根据所述后验概率期望和最大化似然函数,更新高斯混合模型参数的值;
步骤D:将更新后的所述高斯混合模型参数的值作为新的所述初值,重复执行步骤B-步骤D,直至所述高斯混合模型的参数收敛,以对所述高斯混合模型的参数进行估计。
可选的,所述处理模块,具体用于:
分别建立所述序列图像的前t帧图像对应的单高斯模型;
根据前t帧图像对应的单高斯模型,更新所述高斯混合模型参数,并将t的值加一,并重复执行此步骤,直至t的值等于预设值时,确定所述高斯混合模型参数。
可选的,所述处理模块,具体用于:
判断|xt-μt-1,i|是否小于或等于k∑t-1,i,其中,xt为第t帧图像中的任意像素点的灰度值,μt-1,i为第i个所述单高斯模型的均值,∑t-1,i为第i个所述单高斯模型的方差,k为判定阈值;
若|xt-μt-1,i|小于或等于k∑t-1,i,则确定所述第t帧图像中的任意像素点符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt更新所述混合高斯模型的参数;
若|xt-μt-1,i|大于k∑t-1,i,则确定所述第t帧图像中的任意像素点不符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt建立新的单高斯模型。
可选的,所述减除模块,具体用于:
判断|xt-μt-1,i|是否大于或等于k∑t-1,i;
若|xt-μt-1,i|大于或等于k∑t-1,i,则确定所述像素点为所述前景目标对应的像素点。
可选的,所述装置还包括:确定模块和选择模块;其中,
所述确定模块,用于确定各图像对应的单高斯模型中的权值和方差的比值;
选择模块,用于将各单高斯模型对应的比值按照从大到小的顺序排序,选择前n个单高斯模型;
所述确定模块,还用于根据所述前n个单高斯模型,确定所述参数估计后的高斯混合模型。
第三方面,本发明实施例提供一种服务器,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如第一方面所述的方法的指令。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行第一方面所述的方法。
本发明提供的阴影的消除方法、装置和存储介质,通过获取序列图像,该序列图像中包括多帧图像;首先根据该序列图像,建立高斯混合模型,并对该高斯混合模型的参数进行估计;然后根据参数估计后的高斯混合模型对该序列图像进行背景减除,获得该序列图像中的前景目标;最后利用HSV颜色模型消除该前景目标中的阴影。由于通过建立高斯混合模型的方法,对该序列图像进行背景减除,获得序列图像中的前景目标,然后再针对前景目标进行阴影减除,不仅提高了提取前景目标的准确率,而且提高了背景减除的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的阴影的消除方法实施例一的流程示意图;
图2为本发明实施例提供的阴影的消除装置实施例一的结构示意图;
图3为本发明实施例提供的阴影的消除装置实施例二的结构示意图;
图4为本发明实施例提供的服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”或“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在对序列图像的处理过程中,通过背景减除的方法来分离和提取前景目标,以获取所需要的目标信息,而在对前景目标的提取过程中,由于背景的变化,如光照、动态环境、阴影等多种因素的影响,都可能造成帧间的较大差异。因此,在实现前景目标提取的基础上,如何消除阴影对结果的干扰,以提高目标检测的准确率,成为本领域一个亟待解决的问题。为了解决上述问题,本发明提供一种阴影的消除方法、装置和储存介质,以实现对前景目标的提取和阴影消除,而且还提高了前景目标提取的速度和准确率。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图1为本发明实施例提供的阴影的消除方法实施例一的流程示意图,如图1所示,本发明实施例提供的阴影的消除方法步骤如下:
步骤101、获取序列图像,所述序列图像中包括多帧图像。
在本步骤中,序列图像是在不同时间、不同方位对目标依序连续获取的系列图像,其中,该序列图像中包括有多帧图像。在序列图像的各帧图像中均包括有背景和前景,其中,前景是指在假设背景为静止的情况下,任何有意义的运动物体即为前景。为了提取所需要的目标信息,需要分离和提取前景目标。在前景目标的提取过程中,由于背景的变化,如光照、动态环境、阴影等多种因素的影响,都可能造成帧间的较大差异,从而影响提取前景目标的准确性,因此,对于前景目标的分离和提取,需要采用更加准确的背景建模方法,进行背景减除。
步骤102、根据所述序列图像,建立高斯混合模型,并对所述高斯混合模型的参数进行估计。
在本步骤中,通过根据序列图像建立高斯混合模型的方法,解决由于背景变化造成帧间的差异较大的问题。其中,高斯混合模型是多个满足高斯分布的单高斯模型的加权和,通过对图像中的任一像素点建立多个单高斯模型,然后根据每个像素点的多个单高斯模型建立高斯混合模型。
具体的,GMM是m个满足高斯分布的SGM的加权和,在多帧d维序列图像中,t时刻图像上的任意像素点灰度值xt的出现的概率表示为:
式中,αi表示第i个单高斯模型的权值,且θi表示第i个单高斯模型的参数向量,包含权值αi、均值μi和协方差∑i;N是高斯密度函数,表示为:
式中x为某一点的d维灰度向量,μ为密度函数的均值向量;∑为该密度函数的协方差矩阵;当基于灰度图像建立GMM时,维度d为1。
其中,本发明实施例对于单高斯模型的个数m不做具体限制,具体单高斯模型的数量可以根据实际情况进行设定,在一种可能的实施方式中,每个像素点的单高斯模型可以选择为4-6个。
进一步地,在根据序列图像建立高斯混合模型的过程中,还需要对高斯混合模型的参数进行估计,以使该高斯混合模型参数收敛。在一种可能的实施方式中,对该高斯混合模型的参数进行估计,可以通过如下方式进行:
步骤A:根据所述序列图像,确定高斯混合模型参数估计的初值。
在本步骤中,对高斯混合模型参数估计可以采用EM参数估计,但EM算法对输入初始值比较敏感,不同的初始值对应的聚类结果往往差别较大,因此选择合适的初始值,不仅可以提高对高斯混合模型参数估计的准确率,而且可以提高参数估计的速度。
为了使高斯混合模型参数估计的初值更加合理化,在一种可能的实施方式中,根据序列图像,确定高斯混合模型参数估计的初值,包括:
首先,分别建立序列图像的前t帧图像对应的单高斯模型。
具体的,建立序列图像的前t帧图像对应的单高斯模型,是根据前t帧图像,对前t帧图像中的每一帧图像中的任意像素点分别建立单高斯模型。
其次,根据前t帧图像对应的单高斯模型,更新高斯混合模型参数,并将t的值加一,并重复执行此步骤,直至t的值等于预设值时,确定高斯混合模型参数。
具体的,对任意像素点从序列图像的第一帧图像开始建立第一个单高斯模型,然后依次根据第二帧图像建立第二个单高斯模型,一直到第t帧图像分别建立第t个单高斯模型,此时是首先根据序列图像的前几帧图像建立单高斯模型,根据前t帧图像对应的单高斯模型,更新高斯混合模型参数,然后令t=t+1,直至t的值等于预设值时,停止更新高斯混合模型参数,并确定此时的高斯混合模型参数为高斯混合模型参数估计的初值。
在分别建立序列图像的前t帧图像对应的单高斯模型后,需要对这t个单高斯模型进行加权,建立混合高斯模型,得到混合高斯模型的参数,并作为高斯混合模型参数估计的初值。
其中,t的预设值可以根据实际情况进行设定,本发明实施例对此不做具体限制,在一种可能的实施方式中,t的预设值可以为15,取序列图像的前15帧图像建立混合高斯模型。
为了使高斯混合模型参数估计的初值更加合理化,在一种可能的实施方式中,根据前t帧图像对应的单高斯模型,更新所述高斯混合模型参数,包括如下方式:
判断|xt-μt-1,i|是否小于或等于k∑t-1,i,其中,xt为第t帧图像中的任意像素点灰度值,μt-1,i为第i个所述单高斯模型的均值,∑t-1,i为第i个所述单高斯模型的方差,k为判定阈值。
通过计算第t帧图像中的任意像素点的灰度值与第i个单高斯模型的均值的差值的绝对值,并将该绝对值与第i个所述单高斯模型的方差进行比较,判断第t帧图像中的任意像素点是否符合第i个单高斯模型的分布,并根据判断结果进行更新混合高斯模型参数。
在本发明中,对定阈值k的大小不做限制,具体大小可以根据实际情况进行设定,只要能够满足可以判断第t帧图像中的任意像素点xt是否符合第i个单高斯模型的分布即可。
若|xt-μt-1,i|小于或等于k∑t-1,i,则确定第t帧图像中的任意像素点xt符合第i个单高斯模型的分布,且根据第t帧图像中的任意像素点xt更新混合高斯模型的参数。
具体的,若|xt-μt-1,i|小于或等于k∑t-1,i,则确定第t帧图像中的任意像素点符合第i个单高斯模型的分布,不需要重新建立新的单高斯模型,只需要增大混合高斯模型中第i个单高斯模型的权值即可。
若|xt-μt-1,i|大于k∑t-1,i,则确定第t帧图像中的任意像素点不符合第i个单高斯模型的分布,且根据第t帧图像中的任意像素点灰度值xt建立新的单高斯模型。
具体的,若|xt-μt-1,i|大于k∑t-1,i,则确定第t帧图像中的任意像素点不符合第i个单高斯模型的分布,则需要根据该像素点的灰度值,令μi,t=xt建立新的单高斯模型,同时减小混合高斯模型权值αi,并满足所有高斯模型权值αi和为1。然后将该新的单高斯模型的参数,加权到混合高斯模型中,更新混合高斯模型的参数。
步骤B:根据初值,计算后验概率期望。
在本步骤中,根据步骤A中确定的高斯混合模型参数初值,采用EM算法进行参数估计,进行计算后验概率期望p(zi|xt,θ),zi表示xt符合第i个SGM分布,p(zi|xt,θ)为当前像素点xt属于类别zi的概率,作为隐性变量的最新估计值:
其中,p(xt|θi)表示t时刻图像上的任意像素灰度值xt出现的概率。
步骤C:根据后验概率期望和最大化似然函数,更新高斯混合模型参数的值。
在本步骤中,最大化似然函数,得到新的模型参数:
其中,p(xt,zi|θ)为样本xt关于θ的概率函数,根据步骤C更新高斯混合模型参数。
步骤D:将更新后的高斯混合模型参数的值作为新的初值,重复执行步骤B-步骤D,直至高斯混合模型的参数收敛,以对高斯混合模型的参数进行估计。
通过迭代计算,直到高斯混合模型的参数收敛,最终得到的高斯混合模型参数为参数估计的结果。
经过对高斯混合模型的参数估计,建立的高斯混合模型可以更加准确的描述序列图像中的背景信息,可以在背景减除的过程中,准确的分离背景和前景目标。
步骤103、根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标。
在本步骤中,在对高斯混合模型的参数进行估计后,将根据参数估计后的高斯混合模型对序列图像中的各帧图像进行背景减除,以提取出各帧图像中的前景目标。
可选的,根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标,可以包括:
判断|xt-μt-1,i|是否大于或等于k∑t-1,i。
若|xt-μt-1,i|大于或等于k∑t-1,i,则确定像素点xt为前景目标对应的像素点。
具体的,根据公式|xt-μt-1,i|≥k∑t-1,i,判断当前像素点是否为目标,若公式成立,则确定第t帧图像中的任意像素点灰度值xt为前景目标对应的像素点,输出该像素点,通过对整个图像中所有的像素点通过上述公式进行判断,从而可以判断出整个图像中每个像素点是否为目标,由此可以确定出前景目标的像素点,即可以提取前景目标,也相当于背景减除。
为了避免由于某帧异常图像,对背景减除的影响,在一种可能的实施方式中,根据参数估计后的高斯混合模型对序列图像进行背景减除之前,还可以确定各图像对应的单高斯模型中的权值和方差的比值;将各单高斯模型对应的比值按照从大到小的顺序排序,选择前n个单高斯模型;根据前n个单高斯模型,确定参数估计后的高斯混合模型。
具体的,计算通过计算各图像对应的单高斯模型中的权值和方差的比值,对于第i个单高斯模型,令si=αi/∑i,权值和方差的比值si越大,则方差∑i越小,权值αi越大,说明在混合高斯模型中该单高斯模型对该点判定为背景的贡献越大;然后将建立的m个SGM的si值从大到小排列,选取前n个模型描述背景,n的值可以根据以下公式进行计算:
其中,Cf为统计参数,具体大小根据实际需要进行设置,r为使得上式不等式成立的最小值,具体大小根据实际情况进行设置,用来调节单高斯模型个数。
根据上述方法,合理的排除了由于某帧图像异常,对高斯混合模型产生的不良影响,可以更加准确的描述背景模型。
步骤104、利用色调-饱和度-亮度HSV颜色模型消除前景目标中的阴影。
具体的,针对获取到的前景目标,先根据如下公式将前景目标图像由RGB空间转换到HSV空间:
V=Max(R,G,B)
然后,根据如下公式,检测阴影区域:
其中,Vf和Hf分别表示包含阴影的目标区域V和H分量,Vb和Hb分别表示背景的V和H分量,TV表示阴影检测中V分量的判定阈值,TH表示阴影检测中H分量的判定阈值。
若满足且条件时,判断该区域为阴影,并对阴影区域进行消除,若不满足或不满足条件,则该区域为目标,通过利用HSV颜色模型消除前景目标中的阴影,提高了阴影消除的速度。
本发明实施例提供的阴影的消除方法,通过获取序列图像,序列图像中包括多帧图像;然后根据序列图像,建立高斯混合模型,并对高斯混合模型的参数进行估计;进而根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标;最后利用HSV颜色模型消除前景目标中的阴影。由于通过建立高斯混合模型的方法,对该序列图像进行背景减除,获得序列图像中的前景目标,然后再针对前景目标进行阴影减除,不仅提高了提取前景目标的准确率,而且提高了背景减除的速度。
图2为本发明实施例提供的阴影的消除装置实施例一的结构示意图,该阴影的消除装置可以为独立的服务器,也可以为集成在服务器中的装置,该装置可以通过软件、硬件或者软硬件结合的方式实现。如图2所示,该装置包括:
获取模块21,用于获取序列图像,序列图像中包括多帧图像;
处理模块22,用于根据序列图像,建立高斯混合模型,并对高斯混合模型的参数进行估计;
减除模块23,用于根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标;
消除模块24,用于利用HSV颜色模型消除前景目标中的阴影。
本发明实施例提供的阴影的消除装置,通过获取模块获取序列图像,序列图像中包括多帧图像,然后通过处理模块根据序列图像,建立高斯混合模型,并对高斯混合模型的参数进行估计,进一步的,通过减除模块根据参数估计后的高斯混合模型对序列图像进行背景减除,获得序列图像中的前景目标,最后通过消除模块利用HSV颜色模型消除前景目标中的阴影。由于通过建立高斯混合模型的方法,对该序列图像进行背景减除,获得序列图像中的前景目标,然后再针对前景目标进行阴影减除,不仅提高了提取前景目标的准确率,而且提高了背景减除的速度。
可选的,处理模块22,具体用于:
步骤A:根据序列图像,确定高斯混合模型参数估计的初值;
步骤B:根据初值,计算后验概率期望;
步骤C:根据后验概率期望和最大化似然函数,更新高斯混合模型参数的值;
步骤D:将更新后的高斯混合模型参数的值作为新的初值,重复执行步骤B-步骤D,直至高斯混合模型的参数收敛,以对高斯混合模型的参数进行估计。
可选的,处理模块22,具体用于:
分别建立序列图像的前t帧图像对应的单高斯模型;
根据前t帧图像对应的单高斯模型,更新高斯混合模型参数,并将t的值加一,并重复执行此步骤,直至t的值等于预设值时,确定高斯混合模型参数。
可选的,处理模块22,具体用于:
判断|xt-μt-1,i|是否小于或等于k∑t-1,i,其中,xt为第t帧图像中的任意像素点灰度值,μt-1,i为第i个单高斯模型的均值,∑t-1,i为第i个单高斯模型的方差,k为判定阈值;
若|xt-μt-1,i|小于或等于k∑t-1,i,则确定第t帧图像中的任意像素点符合第i个单高斯模型的分布,且根据第t帧图像中的任意像素点灰度值xt更新混合高斯模型的参数;
若|xt-μt-1,i|大于k∑t-1,i,则确定第t帧图像中的任意像素点不符合第i个单高斯模型的分布,且根据第t帧图像中的任意像素点灰度值xt建立新的单高斯模型。
可选的,减除模块,具体用于:
判断|xt-μt-1,i|是否大于或等于k∑t-1,i;
若|xt-μt-1,i|大于或等于k∑t-1,i,则确定像素点为前景目标对应的像素点。
可选的,图3为本发明实施例提供的阴影的消除装置实施例二的结构示意图,在图2的基础上,该装置还包括:确定模块和选择模块;其中,
确定模块31,用于确定各图像对应的单高斯模型中的权值和方差的比值;
选择模块32,用于将各单高斯模型对应的比值按照从大到小的顺序排序,选择前n个单高斯模型;
确定模块31,还用于根据前n个单高斯模型,确定参数估计后的高斯混合模型。
图4为本发明实施例提供的服务器的结构示意图。该服务器包括:处理器;存储器以及计算机程序,其中,该计算机程序被存储在存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如上任一实施例所述的方法的指令。
本发明实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行前述任一实施例提供的数据查询方法。其中,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种阴影的消除方法,其特征在于,包括:
获取序列图像,所述序列图像中包括多帧图像;
根据所述序列图像,建立高斯混合模型,并对所述高斯混合模型的参数进行估计;
根据参数估计后的所述高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标;
利用色调-饱和度-亮度HSV颜色模型消除所述前景目标中的阴影。
2.根据权利要求1所述的方法,其特征在于,所述对所述高斯混合模型的参数进行估计,包括:
步骤A:根据所述序列图像,确定所述高斯混合模型参数估计的初值;
步骤B:根据所述初值,计算后验概率期望;
步骤C:根据所述后验概率期望和最大化似然函数,更新所述高斯混合模型参数的值;
步骤D:将更新后的所述高斯混合模型参数的值作为新的所述初值,重复执行步骤B-步骤D,直至所述高斯混合模型的参数收敛,以对所述高斯混合模型的参数进行估计。
3.根据权利要求2所述的方法,其特征在于,所述根据所述序列图像,确定所述高斯混合模型参数估计的初值,包括:
分别建立所述序列图像的前t帧图像对应的单高斯模型;
根据前t帧图像对应的所述单高斯模型,更新所述高斯混合模型参数,并将t的值加一,并重复执行此步骤,直至t的值等于预设值时,确定所述高斯混合模型参数。
4.根据权利要求3所述的方法,其特征在于,所述根据前t帧图像对应的单高斯模型,更新所述高斯混合模型参数,包括:
判断|xt-μt-1,i|是否小于或等于k∑t-1,i,其中,xt为第t帧图像中的任意像素点灰度值,μt-1,i为第i个所述单高斯模型的均值,∑t-1,i为第i个所述单高斯模型的方差,k为判定阈值;
若|xt-μt-1,i|小于或等于k∑t-1,i,则确定所述第t帧图像中的任意像素点符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt更新所述混合高斯模型的参数;
若|xt-μt-1,i|大于k∑t-1,i,则确定所述第t帧图像中的任意像素点不符合第i个所述单高斯模型的分布,且根据所述第t帧图像中的任意像素点灰度值xt建立新的单高斯模型。
5.根据权利要求4所述的方法,其特征在于,所述根据参数估计后的高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标,包括:
判断|xt-μt-1,i|是否大于或等于k∑t-1,i;
若|xt-μt-1,i|大于或等于k∑t-1,i,则确定所述像素点为所述前景目标对应的像素点。
6.根据权利要求3所述的方法,其特征在于,所述根据参数估计后的高斯混合模型对所述序列图像进行背景减除之前,所述方法还包括:
确定各图像对应的所述单高斯模型中的权值和方差的比值;
将各所述单高斯模型对应的比值按照从大到小的顺序排序,选择前n个单高斯模型;
根据所述前n个单高斯模型,确定所述参数估计后的高斯混合模型。
7.一种阴影的消除装置,其特征在于,包括:
获取模块,用于获取序列图像,所述序列图像中包括多帧图像;
处理模块,用于根据所述序列图像,建立高斯混合模型,并对所述高斯混合模型的参数进行估计;
减除模块,用于根据参数估计后的高斯混合模型对所述序列图像进行背景减除,获得所述序列图像中的前景目标;
消除模块,用于利用HSV颜色模型消除所述前景目标中的阴影。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,具体用于:
步骤A:根据所述序列图像,确定高斯混合模型参数估计的初值;
步骤B:根据所述初值,计算后验概率期望;
步骤C:根据所述后验概率期望和最大化似然函数,更新高斯混合模型参数的值;
步骤D:将更新后的所述高斯混合模型参数的值作为新的所述初值,重复执行步骤B-步骤D,直至所述高斯混合模型的参数收敛,以对所述高斯混合模型的参数进行估计。
9.一种服务器,其特征在于,包括:
处理器;
存储器;以及
计算机程序;
其中,所述计算机程序被存储在所述存储器中,并且被配置为由所述处理器执行,所述计算机程序包括用于执行如权利要求1-6任一项所述的方法的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序使得服务器执行权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810934216.3A CN109166080A (zh) | 2018-08-16 | 2018-08-16 | 阴影的消除方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810934216.3A CN109166080A (zh) | 2018-08-16 | 2018-08-16 | 阴影的消除方法、装置和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109166080A true CN109166080A (zh) | 2019-01-08 |
Family
ID=64895905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810934216.3A Pending CN109166080A (zh) | 2018-08-16 | 2018-08-16 | 阴影的消除方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166080A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649804A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 油位监测方法、设备及具有存储功能的装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160037481A (ko) * | 2014-09-29 | 2016-04-06 | 에스케이텔레콤 주식회사 | 영상 인식을 위한 그림자 제거 방법 및 이를 위한 그림자 제거 장치 |
CN106339995A (zh) * | 2016-08-30 | 2017-01-18 | 电子科技大学 | 一种基于时空多特征的车辆阴影消除方法 |
CN107230188A (zh) * | 2017-04-19 | 2017-10-03 | 湖北工业大学 | 一种视频运动阴影消除的方法 |
-
2018
- 2018-08-16 CN CN201810934216.3A patent/CN109166080A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160037481A (ko) * | 2014-09-29 | 2016-04-06 | 에스케이텔레콤 주식회사 | 영상 인식을 위한 그림자 제거 방법 및 이를 위한 그림자 제거 장치 |
CN106339995A (zh) * | 2016-08-30 | 2017-01-18 | 电子科技大学 | 一种基于时空多特征的车辆阴影消除方法 |
CN107230188A (zh) * | 2017-04-19 | 2017-10-03 | 湖北工业大学 | 一种视频运动阴影消除的方法 |
Non-Patent Citations (2)
Title |
---|
胡皓然,王颖: "结合HSV空间阴影消除的高斯混合模型背景减除方法", 《电子设计工程》 * |
胡皓然: "基于HSV的高斯混合模型背景减除方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111649804A (zh) * | 2020-06-02 | 2020-09-11 | 浙江大华技术股份有限公司 | 油位监测方法、设备及具有存储功能的装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723860B (zh) | 一种目标检测方法及装置 | |
KR101640998B1 (ko) | 화상 처리 장치 및 화상 처리 방법 | |
CN108090470B (zh) | 一种人脸对齐方法及装置 | |
US8379994B2 (en) | Digital image analysis utilizing multiple human labels | |
CN108198207A (zh) | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 | |
CN107872644A (zh) | 视频监控方法及装置 | |
CN111062974B (zh) | 一种使用去除鬼影对前景目标提取的方法及系统 | |
CN110852316A (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
JP2016057918A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN109002755B (zh) | 基于人脸图像的年龄估计模型构建方法及估计方法 | |
CN108629370B (zh) | 一种基于深度置信网络的分类识别算法及装置 | |
CN112419170A (zh) | 遮挡检测模型的训练方法及人脸图像的美化处理方法 | |
CN112446302B (zh) | 一种人体姿态检测方法、系统、电子设备和存储介质 | |
CN109711283A (zh) | 一种联合双字典和误差矩阵的遮挡表情识别算法 | |
CN109903242A (zh) | 一种图像生成方法及装置 | |
CN111145188A (zh) | 一种基于ResNet与UNet模型的图像分割方法 | |
CN113128478A (zh) | 模型训练方法、行人分析方法、装置、设备及存储介质 | |
CN111860077A (zh) | 人脸检测方法、装置、计算机可读存储介质及设备 | |
CN113298186A (zh) | 融合流模型对抗生成网络和聚类算法的网络异常流量检测方法 | |
EP2523162B1 (en) | Learning device, identification device, learning identification system and learning identification device | |
Gurrala et al. | A new segmentation method for plant disease diagnosis | |
CN113379789B (zh) | 一种复杂环境下运动目标跟踪方法 | |
CN109166080A (zh) | 阴影的消除方法、装置和存储介质 | |
CN117253071B (zh) | 基于多级伪标签增强的半监督目标检测方法及系统 | |
US9495612B2 (en) | Accelerated object recognition in an image |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |