CN109493366A - 基于探鸟雷达图像的背景建模方法、系统及介质 - Google Patents

基于探鸟雷达图像的背景建模方法、系统及介质 Download PDF

Info

Publication number
CN109493366A
CN109493366A CN201811224368.0A CN201811224368A CN109493366A CN 109493366 A CN109493366 A CN 109493366A CN 201811224368 A CN201811224368 A CN 201811224368A CN 109493366 A CN109493366 A CN 109493366A
Authority
CN
China
Prior art keywords
image
pixel
connected domain
indicates
background modeling
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
Application number
CN201811224368.0A
Other languages
English (en)
Inventor
林德银
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.)
Shanghai Eagle Technology Co Ltd
Original Assignee
Shanghai Eagle Technology Co Ltd
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 Shanghai Eagle Technology Co Ltd filed Critical Shanghai Eagle Technology Co Ltd
Priority to CN201811224368.0A priority Critical patent/CN109493366A/zh
Publication of CN109493366A publication Critical patent/CN109493366A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

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

Abstract

本发明提供了一种基于探鸟雷达图像的背景建模方法、系统及介质，包括：步骤1：进行多帧平均的背景建模，获得处理后的图像Q′i；步骤2：进行单高斯背景建模，获得处理后的图像Wi；步骤3：根据处理后的图像Q′i与Wi，求取共同区域，获得前景区域图像Ui；步骤4：根据获得的前景区域图像Ui，进行连续性检测，获取重合点；步骤5：根据获取的重合点，获得最终的前景区域图像。本发明基于多帧平均的背景建模方法与单高斯建模方法相结合，并求取其共同的前景区域，从而实现较高的检测准确度。

Description

基于探鸟雷达图像的背景建模方法、系统及介质
技术领域
本发明涉及图像处理与计算机视觉检测领域，具体地，基于探鸟雷达图像的背景建模方法、系统及介质。
背景技术
随着社会的进步，航空工业也在快速的发展。但是，在航空工业中，鸟类撞机等行为是极大威胁航空安全的重要因素之一。由于鸟类动物的体型较小且对于不同种类的鸟类来说，其飞行的高度也是不一样的，所以，我们无法采用人眼获取机场周围区域的鸟类活动的区域位置。
目前航空工业大多数采用雷达来预测和判断机场周围的鸟类的区域位置。雷达设备的发射机通过天线把电磁波能量射向空间某一方向，处在此方向上的物体反射碰到的电磁波；雷达天线接收此反射波，送至接收设备进行处理，提取有关该物体的某些信息(目标物体至雷达的距离，距离变化率或径向速度、方位、高度等)。通过以上方法，我们便可以获取到鸟类的大致位置，然后驱赶鸟类离开机场空域。
由于机场空域周围的障碍物(建筑物以及其他非鸟类动物的物体)等的干扰，使得在我们获取到的探鸟雷达图中，存在许多噪声(非鸟类物体的成像)，这无疑给我们在图像中鉴定鸟类物体带来了影响。目前现有的检测鸟类物体位置的方法，大多数算法复杂度较大。
基于此，本专利提出一种相对简单且准确率较高的背景建模方法，从而从原始雷达图像中，获取鸟类目标的位置。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于探鸟雷达图像的背景建模方法、系统及介质。
根据本发明提供的一种基于探鸟雷达图像的背景建模方法，包括：
步骤1：进行多帧平均的背景建模，获得处理后的图像Q′i；
步骤2：进行单高斯背景建模，获得处理后的图像Wi；
步骤3：根据处理后的图像Q′i与Wi，求取共同区域，获得前景区域图像Ui；
步骤4：根据获得的前景区域图像Ui，进行连续性检测，获取重合点；
步骤5：根据获取的重合点，获得最终的前景区域图像。
优选地，所述步骤1包括：
步骤1.1：根据以下公式计算背景模板图像：
其中，
T表示求取的所有帧的图像总和；
t表示总的探鸟雷达图像的个数；
m表示图像的长度；
n表示图像的宽度；
Fi(x,y)表示在第i帧鸟雷达图像中(x,y)处的像素值；
下标i表示当前雷达图片的标号索引，其中1≤i≤t；
(x,y)表示在雷达图像中，坐标点横坐标为x，竖坐标为y的坐标位置，其中0≤x≤m-1,0≤y≤n-1；
S表示背景模板图像；
S(x,y)表示背景模板图像中(x,y)处的像素值；
T表示求取的所有帧的图像总和；
T(x,y)表示在所有帧的图像总和T中，(x,y)处的像素值。
步骤1.2：根据以下公式计算单帧图像的前景区域，所述前景区域为疑似鸟类物体区域：
其中，
Qi表示第i帧的前景区域图像；
步骤1.3：对获得的前景区域图像Qi进行阈值化处理，判断前景区域图像的每个像素点对应的像素值是否大于预设阈值：若是，则将像素值大于预设阈值的像素点的像素置为1；
否则，将小于预设阈值的像素点的像素置为0；
获得处理后的图像Q′i，图像Q′i中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
优选地，所述步骤2包括：
步骤2.1：初始化背景模型，初始化均值和方差，初始化方差σ(x,y)为a，均值μ(x,y)的值为F1(x,y)；
步骤2.2：根据下列计算公式检测前景区域：
其中，
Gi(x,y)表示在标号为i帧图像中，坐标点(x,y)处求取的像素值；
π表示圆周率；
e表示自然常数；
μ(x,y)表示前景区域图像的均值；
判断Gi(x,y)是否大于预设阈值Threshold：若是，则判定点(x,y)为背景点，将第i帧的前景区域图像中(x,y)处的像素值Wi(x,y)的值记为0；
否则，则判定为前景点，将像素值Wi(x,y)的值记为1；
获得处理后的图像Wi，所述处理后的图像Wi中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
步骤2.3：μ(x,y)根据以下公式更新均值：
p*μ(x,y)+(1-p)*Fi(x,y)
其中，
p表示更新率，0＜p＜1；
*表示乘法操作；
根据更新后的均值μ(x,y)，返回步骤2.2继续执行。
优选地，所述步骤3包括：
通过下列计算公式计算处理后的图像Q′i与Wi之间的共同区域：
Ui(x,y)＝Q′i(x,y)·Wi(x,y)
获得前景区域图像Ui；
其中·表示与操作，判断Q′i(x,y)和Wi(x,y)的值是否均为1：若是，则Ui(x,y)的值为1；否则，则Ui(x，y)的值为0；
Q′i(x，y)表示第i帧处理后的图像Q′i中(x，y)处的像素值；
Wi(x，y)表示第i帧处理后的图像Wi中(x，y)处的像素值
Ui表示第i帧的前景区域图像；
Ui(x，y)表示在第i帧前景区域图像中(x，y)处的像素值。
优选地，所述步骤4包括：
步骤4.1：逐像素点遍历图像Ui及Ui-1，获得图像Ui及Ui-1的连通域；
步骤4.2：根据获得的连通域，进行位置交叠性分析，判断是否存在重合：则获得重合点；否则，则进入步骤4.3继续执行；
步骤4.3：进行新出现点检测。
优选地，所述步骤4.1包括：
逐像素点遍历图像Ui及Ui-1，若图像Ui及Ui-1中相邻的两个像素点的像素值均不为0，则将这两个像素划入到同一个连通域中，获得图像Ui及Ui-1的连通域；
所述连通域包括一个或多个连通域。
优选地，所述步骤4.2包括：
逐一遍历图像Ui中的所有连通域，对于每一个连通域执行如下操作：
使该图像Ui中的连通域与图像Ui-1中的所有连通域进行逐一匹配操作；
步骤a：对于匹配过程中的两个连通域区域，如果两个连通域区域相交的像素点个数记为n1，两个连通域区域并集的像素点个数记为n2，则当重合系数大于预设值的时候，则认为这两个连通域区域是重合的，匹配成功，进入步骤b继续执行；否则，则认为是暂时不重合，将图像Ui中与图像Ui-1中不重合的连通域记为非重合连通域，进入步骤4.3继续执行；
步骤b：如果在匹配的过程中，图像Ui中某一个连通域区域与图像Ui-1中的多个连通域的重复系数都大于0.05，则选择重合系数最大的那个连通域区域作为重合点，将其余的连通域区域舍弃，输出重合点，进入步骤5继续执行。
优选地，所述步骤4.3包括：
将获取的非重合连通域，与图像Ui后的连续5帧的前景区域图像中的所有连通域进行匹配，判断是否均存在重合：若是，则判定所述不存在重合的连通域为新出现的干扰物，输出重合点，进入步骤5继续执行；否则，则判定所述非重合连通域为噪声点，结束流程。
所述步骤5包括：
根据重合点，获得重合点对应的连通域，将重合点对应的连通域作为前景区域图像Ui的前景区域，所述前景区域图像Ui的前景区域即干扰物所在区域。
根据本发明提供的一种基于探鸟雷达图像的背景建模系统，包括：
平均背景建模模块：进行多帧平均的背景建模，获得处理后的图像Q′i；
单高斯背景建模模块：进行单高斯背景建模，获得处理后的图像Wi；
共同区域求取模块：根据处理后的图像与Wi，求取共同区域，获得前景区域图像；
连续性检测模块：根据获得的前景区域图像，进行连续性检测，获取重合点；
最终图像获取模块：根据获取的重合点，获得最终的前景区域图像。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于探鸟雷达图像的背景建模方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于多帧平均的背景建模方法与单高斯建模方法相结合，并求取其共同的前景区域(鸟类物体)，从而实现较高的检测准确度。
2、本发明针对鸟类运动具有的连续性，且鸟类运动的速度有限，对于相邻两帧雷达图像，鸟类物体移动的距离不可能过大，从而删除移动距离过大的噪声点，进一步提高了检测的准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例1提供的基于探鸟雷达图像的背景建模方法的整体流程示意图。
图2为本发明实施例1提供的基于探鸟雷达图像的背景建模方法的多帧平均流程示意图。
图3为本发明实施例1提供的基于探鸟雷达图像的背景建模方法的单高斯建模流程示意图。
图4为本发明实施例1提供的基于探鸟雷达图像的背景建模方法的连续性检测流程示意图。
图5为本发明实施例1提供的基于探鸟雷达图像的背景建模方法的相邻像素定义示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于探鸟雷达图像的背景建模方法，包括：
步骤1：进行多帧平均的背景建模，获得处理后的图像Q′i；
步骤2：进行单高斯背景建模，获得处理后的图像Wi；
步骤3：根据处理后的图像Q′i与Wi，求取共同区域，获得前景区域图像Ui；
步骤4：根据获得的前景区域图像Ui，进行连续性检测，获取重合点；
步骤5：根据获取的重合点，获得最终的前景区域图像。
具体地，所述步骤1包括：
步骤1.1：根据以下公式计算背景模板图像：
其中，
T表示求取的所有帧的图像总和；
t表示总的探鸟雷达图像的个数；
m表示图像的长度；
n表示图像的宽度；
Fi(x，y)表示在第i帧鸟雷达图像中(x，y)处的像素值；
下标i表示当前雷达图片的标号索引，其中1≤i≤t；
(x，y)表示在雷达图像中，坐标点横坐标为x，竖坐标为y的坐标位置，其中0≤x≤m-1，0≤y≤n-1；
S表示背景模板图像；
S(x，y)表示背景模板图像中(x，y)处的像素值；
T表示求取的所有帧的图像总和；
T(x，y)表示在所有帧的图像总和T中，(x，y)处的像素值。
步骤1.2：根据以下公式计算单帧图像的前景区域，所述前景区域为疑似鸟类物体区域：
其中，
Qi表示第i帧的前景区域图像；
步骤1.3：对获得的前景区域图像Qi进行阈值化处理，判断前景区域图像的每个像素点对应的像素值是否大于预设阈值：若是，则将像素值大于预设阈值的像素点的像素置为1；
否则，将小于预设阈值的像素点的像素置为0；
获得处理后的图像Q′i，图像Q′i中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
具体地，所述步骤2包括：
步骤2.1：初始化背景模型，初始化均值和方差，初始化方差σ(x，y)为a，均值μ(x，y)的值为F1(x，y)；
步骤2.2：根据下列计算公式检测前景区域：
其中，
Gi(x，y)表示在标号为i帧图像中，坐标点(x，y)处求取的像素值；
π表示圆周率；
e表示自然常数；
μ(x，y)表示前景区域图像的均值；
判断Gi(x，y)是否大于预设阈值Threshold：若是，则判定点(x，y)为背景点，将第i帧的前景区域图像中(x，y)处的像素值Wi(x，y)的值记为0；
否则，则判定为前景点，将像素值Wi(x，y)的值记为1；
获得处理后的图像Wi，所述处理后的图像Wi中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
步骤2.3：μ(x，y)根据以下公式更新均值：
p*μ(x，y)+(1-p)*Fi(x，y)
其中，
p表示更新率，0＜p＜1；
*表示乘法操作；
根据更新后的均值μ(x，y)，返回步骤2.2继续执行。
具体地，所述步骤3包括：
通过下列计算公式计算处理后的图像Q′i与Wi之间的共同区域：
Ui(x，y)＝Q′i(x，y)·Wi(x，y)
获得前景区域图像Ui；
其中·表示与操作，判断Q′i(x，y)和Wi(x，y)的值是否均为1：若是，则Ui(x，y)的值为1；否则，则Ui(x，y)的值为0；
Q′i(x，y)表示第i帧处理后的图像Q′i中(x，y)处的像素值；
Wi(x，y)表示第i帧处理后的图像Wi中(x，y)处的像素值
Ui表示第i帧的前景区域图像；
Ui(x，y)表示在第i帧前景区域图像中(x，y)处的像素值。
具体地，所述步骤4包括：
步骤4.1：逐像素点遍历图像Ui及Ui-1，获得图像Ui及Ui-1的连通域；
步骤4.2：根据获得的连通域，进行位置交叠性分析，判断是否存在重合：则获得重合点；否则，则进入步骤4.3继续执行；
步骤4.3：进行新出现点检测。
具体地，所述步骤4.1包括：
逐像素点遍历图像Ui及Ui-1，若图像Ui及Ui-1中相邻的两个像素点的像素值均不为0，则将这两个像素划入到同一个连通域中，获得图像Ui及Ui-1的连通域；
所述连通域包括一个或多个连通域。
具体地，所述步骤4.2包括：
逐一遍历图像Ui中的所有连通域，对于每一个连通域执行如下操作：
使该图像Ui中的连通域与图像Ui-1中的所有连通域进行逐一匹配操作；
步骤a：对于匹配过程中的两个连通域区域，如果两个连通域区域相交的像素点个数记为n1，两个连通域区域并集的像素点个数记为n2，则当重合系数大于预设值的时候，则认为这两个连通域区域是重合的，匹配成功，进入步骤b继续执行；否则，则认为是暂时不重合，将图像Ui中与图像Ui-1中不重合的连通域记为非重合连通域，进入步骤4.3继续执行；进一步地，所述预设值为0.05。
步骤b：如果在匹配的过程中，图像Ui中某一个连通域区域与图像Ui-1中的多个连通域的重复系数都大于0.05，则选择重合系数最大的那个连通域区域作为重合点，将其余的连通域区域舍弃，输出重合点，进入步骤5继续执行。
具体地，所述步骤4.3包括：
将获取的非重合连通域，与图像Ui后的连续5帧的前景区域图像中的所有连通域进行匹配，判断是否均存在重合：若是，则判定所述不存在重合的连通域为新出现的干扰物，输出重合点，进入步骤5继续执行；否则，则判定所述非重合连通域为噪声点，结束流程。
所述步骤5包括：
根据重合点，获得重合点对应的连通域，将重合点对应的连通域作为前景区域图像Ui的前景区域，所述前景区域图像Ui的前景区域即干扰物所在区域。
本发明提供的基于探鸟雷达图像的背景建模系统，可以通过本发明给的基于探鸟雷达图像的背景建模方法的步骤流程实现。本领域技术人员可以将所述基于探鸟雷达图像的背景建模方法，理解为所述基于探鸟雷达图像的背景建模系统的一个优选例。
根据本发明提供的一种基于探鸟雷达图像的背景建模系统，包括：
平均背景建模模块：进行多帧平均的背景建模，获得处理后的图像Q′i；
单高斯背景建模模块：进行单高斯背景建模，获得处理后的图像Wi；
共同区域求取模块：根据处理后的图像与Wi，求取共同区域，获得前景区域图像；
连续性检测模块：根据获得的前景区域图像，进行连续性检测，获取重合点；
最终图像获取模块：根据获取的重合点，获得最终的前景区域图像。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述任一项所述的基于探鸟雷达图像的背景建模方法的步骤。
下面通过优选例，对本发明进行更为具体地说明。
实施例1：
如图1所示，本基于探鸟雷达图像的背景建模方法的整体流程包括：
如图2所示，多帧平均的背景建模流程包括：
A、求取背景模板
在背景建模技术中，要想获取一个比较稳定的前景区域，则首先需要获取一个较为稳定的背景区域。基于此，在本模块中，我们将所有帧的雷达图像，进行求取平均值，然后记为背景模板，则这样的背景模板结合所有帧的雷达图像信息，故背景模板图像较为稳定。计算方法如公式(1)-(2)所示，其中S表示背景模板图像，T表示求取的所有帧的图像总和，Fi(x，y)表示在第i幅探鸟雷达图像中(x，y)处的像素值，m表示图像的长度，n表示图像的宽度，t表示总的探鸟雷达图像的个数。
S(x，y)＝T(x，y)/t (2)
B、获取单帧图像的前景区域(疑似鸟类物体区域)
计算方法如公式(3)所示，其中，S(x，y)表示在背景模板图像中(x，y)处的像素值；Qi代表第i帧的前景区域图像。
C、阈值化
对于图像Qi中的每个像素点(x，y)，如果该点对应的像素值大于20(经验值)，则将该点(x，y)作为前景像素保留下来，并将该点的像素值置为1，如果该点对应的像素值小于20，将该点的像素值变成0，二值化后的图像记为Q′i。在图像Q′i中，像素值为1点的坐标点将会显示为白色，否则，则会显示为黑色。
如图3所示，单高斯背景建模流程包括：
在单高斯背景模型中，对于一张背景图像，求图像中像素点的灰度值是服从高斯分布的，其是存在着两个属性，均值和方差，具体执行如下。
A、初始化背景模型
初始化均值和方差，方差σ(x，y)的值为400，均值μ(x，y)的值为F1(x，y)，即对于雷达图像来说，每个像素位置的均值是不一样的。位于图像中(x，y)处的μ(x，y)的值初始化为第一张图像中(x，y)处的像素值。
B、检测前景区域
计算第i帧图像中(x，y)处的Gi(x，y)，具体如公式(4)所示。
如果Gi(x，y)大于阈值Threshold，则认为点(x，y)为背景点，Wi(x，y)的值记为0，否则为前景点，Wi(x，y)的值记为1。其中，Threshold的值为20(经验值)，Wi(x，y)表示在第i帧的前景区域图像中(x，y)处的像素值。
C、更新相关参数
当完成步骤B之后，在检测下一帧中的前景点与背景点前，我们需要对均值进行更新。具体操作如公式(5)所示，其中，p为更新率，其值介于0-1之间，p值越大，表示更新越快。在本方法中，p取值为0.01，*表示乘法操作。
μ(x，y)＝p*μ(x，y)+(1-p)*Fi(x，y) (5)
求取共同区域步骤流程包括：
求取共同区域的计算如公式(6)所示，其中·表示与操作，只有当Q/i(x，y)和Wi(x，y)的值均为1的时候，Ui(x，y)的值才为1，否则为0。
Ui(x，y)＝Q′i(x，y)·Wi(x，y) (6)
如图4所示，连续性检测步骤流程包括：
对于上个步骤中，获取的前景区域图像Ui来说，其中的前景区域点，只能算作疑似鸟类物体，也可能是其他噪声点(比如障碍物等)，接下来我们需要通过连续性检测，筛选最终的前景区域点。
对于连续获取的多帧探鸟雷达图像来说，在雷达图像中，鸟类物体的运动是具有连续性，且移动的步长不会太大，因此，我们可以根据此来进行筛选。
A、生成连通域
对于每张图像Ui，生成该图像中的连通域，具体如下：
逐像素点遍历图像Ui，如果相邻的两个像素其像素值都不为0，则将这两个像素划入到同一个连通域中，最终我们可得多个连通域。两个像素相邻的定义如图5所示。对于像素x，像素1-8均是其相邻的像素。
B、位置交叠性分析
1、逐一遍历图像Ui中的所有连通域。
2、针对图像Ui中的某一个连通域，使其与图像Ui-1中的所有连通域进行逐一匹配操作。
3、对于匹配过程中的两个连通域区域，如果两个区域相交的像素点个数记为n1，两个区域并集的像素点个数记为n2，则当重合系数的时候，则认为这两个区域是重合的，匹配成功，否则认为是暂时不重合。
4、如果在匹配的过程中，图像Ui中某一个连通域区域与图像Ui-1中的多个连通域的重复系数都大于0.05，则选择重合系数最大的那个区域，作为是最可能的重合点，将其余的区域舍弃。
C、新出现点检测
对于图像Ui来说，如果某个连通域L在图像Ui-1没有找到对重合的轨迹点，则该连通域可能是噪声点也可能是新出现的鸟群，我们需要对其进行下一步的判断。
对于接下来的连续5帧前景区域图像来说，都没有找到对应的连通域使其和连通域L匹配，则认为该连通域L是噪声点，将其舍弃，否则，该区域是新出现的鸟群，故将其保留。
对于图像Ui来说，当完成所有遍历操作后，最终保留下的连通域，则为当前图像Ui中的前景区域，也就是最终的鸟类物体。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于探鸟雷达图像的背景建模方法，其特征在于，包括：
步骤1：进行多帧平均的背景建模，获得处理后的图像Q′i；
步骤2：进行单高斯背景建模，获得处理后的图像Wi；
步骤3：根据处理后的图像Q′i与Wi，求取共同区域，获得前景区域图像Ui；
步骤4：根据获得的前景区域图像Ui，进行连续性检测，获取重合点；
步骤5：根据获取的重合点，获得最终的前景区域图像。
2.根据权利要求1所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤1包括：
步骤1.1：根据以下公式计算背景模板图像：
S(x，y)＝T(x，y)/t
其中，
T表示求取的所有帧的图像总和；
t表示总的探鸟雷达图像的个数；
m表示图像的长度；
n表示图像的宽度；
Fi(x，y)表示在第i帧鸟雷达图像中(x，y)处的像素值；
下标i表示当前雷达图片的标号索引，其中1≤i≤t；
(x，y)表示在雷达图像中，坐标点横坐标为x，竖坐标为y的坐标位置，其中0≤x≤m-1，0≤y≤n-1；
S表示背景模板图像；
S(x，y)表示背景模板图像中(x，y)处的像素值；
T表示求取的所有帧的图像总和；
T(x，y)表示在所有帧的图像总和T中，(x，y)处的像素值。
步骤1.2：根据以下公式计算单帧图像的前景区域，所述前景区域为疑似鸟类物体区域：
其中，
Qi表示第i帧的前景区域图像；
步骤1.3：对获得的前景区域图像Qi进行阈值化处理，判断前景区域图像的每个像素点对应的像素值是否大于预设阈值：若是，则将像素值大于预设阈值的像素点的像素置为1；
否则，将小于预设阈值的像素点的像素置为0；
获得处理后的图像Q′i，图像Q′i中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
3.根据权利要求2所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤2包括：
步骤2.1：初始化背景模型，初始化均值和方差，初始化方差σ(x，y)为a，均值μ(x，y)的值为F1(x，y)；
步骤2.2：根据下列计算公式检测前景区域：
其中，
Gi(x，y)表示在标号为i帧图像中，坐标点(x，y)处求取的像素值；
π表示圆周率；
e表示自然常数；
μ(x，y)表示前景区域图像的均值；
判断Gi(x，y)是否大于预设阈值Threshold：若是，则判定点(x，y)为背景点，将第i帧的前景区域图像中(x，y)处的像素值Wi(x，y)的值记为0；
否则，则判定为前景点，将像素值Wi(x，y)的值记为1；
获得处理后的图像Wi，所述处理后的图像Wi中，像素值为1的像素点显示为白色，像素值为0的像素点显示为黑色。
步骤2.3：μ(x，y)根据以下公式更新均值：
p*μ(x，y)+(1-p)*Fi(x，y)
其中，
p表示更新率，0＜p＜1；
*表示乘法操作；
根据更新后的均值μ(x，y)，返回步骤2.2继续执行。
4.根据权利要求3所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤3包括：
通过下列计算公式计算处理后的图像Q′i与Wi之间的共同区域：
Ui(x，y)＝Q′i(x，y)·Wi(x，y)
获得前景区域图像Ui；
其中·表示与操作，判断Q′i(x，y)和Wi(x，y)的值是否均为1：若是，则Ui(x，y)的值为1；否则，则Ui(x，y)的值为0；
Q′i(x，y)表示第i帧处理后的图像Q′i中(x，y)处的像素值；
Wi(x，y)表示第i帧处理后的图像Wi中(x，y)处的像素值
Ui表示第i帧的前景区域图像；
Ui(x，y)表示在第i帧前景区域图像中(x，y)处的像素值。
5.根据权利要求4所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤4包括：
步骤4.1：逐像素点遍历图像Ui及Ui-1，获得图像Ui及Ui-1的连通域；
步骤4.2：根据获得的连通域，进行位置交叠性分析，判断是否存在重合：则获得重合点；否则，则进入步骤4.3继续执行；
步骤4.3：进行新出现点检测。
6.根据权利要求5所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤4.1包括：
逐像素点遍历图像Ui及Ui-1，若图像Ui及Ui-1中相邻的两个像素点的像素值均不为0，则将这两个像素划入到同一个连通域中，获得图像Ui及Ui-1的连通域；
所述连通域包括一个或多个连通域。
7.根据权利要求6所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤4.2包括：
逐一遍历图像Ui中的所有连通域，对于每一个连通域执行如下操作：
使该图像Ui中的连通域与图像Ui-1中的所有连通域进行逐一匹配操作；
步骤a：对于匹配过程中的两个连通域区域，如果两个连通域区域相交的像素点个数记为n1，两个连通域区域并集的像素点个数记为n2，则当重合系数大于预设值的时候，则认为这两个连通域区域是重合的，匹配成功，进入步骤b继续执行；否则，则认为是暂时不重合，将图像Ui中与图像Ui-1中不重合的连通域记为非重合连通域，进入步骤4.3继续执行；
步骤b：如果在匹配的过程中，图像Ui中某一个连通域区域与图像Ui-1中的多个连通域的重复系数都大于0.05，则选择重合系数最大的那个连通域区域作为重合点，将其余的连通域区域舍弃，输出重合点，进入步骤5继续执行。
8.根据权利要求7所述的基于探鸟雷达图像的背景建模方法，其特征在于，所述步骤4.3包括：
将获取的非重合连通域，与图像Ui后的连续5帧的前景区域图像中的所有连通域进行匹配，判断是否均存在重合：若是，则判定所述不存在重合的连通域为新出现的干扰物，输出重合点，进入步骤5继续执行；否则，则判定所述非重合连通域为噪声点，结束流程。
所述步骤5包括：
根据重合点，获得重合点对应的连通域，将重合点对应的连通域作为前景区域图像Ui的前景区域，所述前景区域图像Ui的前景区域即干扰物所在区域。
9.一种基于探鸟雷达图像的背景建模系统，其特征在于，包括：
平均背景建模模块：进行多帧平均的背景建模，获得处理后的图像Q′i；
单高斯背景建模模块：进行单高斯背景建模，获得处理后的图像Wi；
共同区域求取模块：根据处理后的图像与Wi，求取共同区域，获得前景区域图像；
连续性检测模块：根据获得的前景区域图像，进行连续性检测，获取重合点；
最终图像获取模块：根据获取的重合点，获得最终的前景区域图像。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的基于探鸟雷达图像的背景建模方法的步骤。
CN201811224368.0A 2018-10-19 2018-10-19 基于探鸟雷达图像的背景建模方法、系统及介质 Pending CN109493366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811224368.0A CN109493366A (zh) 2018-10-19 2018-10-19 基于探鸟雷达图像的背景建模方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811224368.0A CN109493366A (zh) 2018-10-19 2018-10-19 基于探鸟雷达图像的背景建模方法、系统及介质

Publications (1)

Publication Number Publication Date
CN109493366A true CN109493366A (zh) 2019-03-19

Family

ID=65692433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811224368.0A Pending CN109493366A (zh) 2018-10-19 2018-10-19 基于探鸟雷达图像的背景建模方法、系统及介质

Country Status (1)

Country Link
CN (1) CN109493366A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930435A (zh) * 2019-11-24 2020-03-27 北京长峰科威光电技术有限公司 多背景集成的红外序列运动物体检测方法
CN115410370A (zh) * 2022-08-31 2022-11-29 南京慧尔视智能科技有限公司 一种异常停车检测方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040228530A1 (en) * 2003-05-12 2004-11-18 Stuart Schwartz Method and apparatus for foreground segmentation of video sequences
CN102509306A (zh) * 2011-10-08 2012-06-20 西安理工大学 一种基于视频的特定目标的跟踪方法
CN105096336A (zh) * 2014-05-19 2015-11-25 上海悠络客电子科技有限公司 一种基于背景差分和单高斯模型相结合的目标提取和跟踪方法
CN107204006A (zh) * 2017-06-01 2017-09-26 大连海事大学 一种基于双背景差分的静止目标检测方法
CN108254747A (zh) * 2017-12-04 2018-07-06 国网江西省电力有限公司电力科学研究院 一种基于雷达的鸟群监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040228530A1 (en) * 2003-05-12 2004-11-18 Stuart Schwartz Method and apparatus for foreground segmentation of video sequences
CN102509306A (zh) * 2011-10-08 2012-06-20 西安理工大学 一种基于视频的特定目标的跟踪方法
CN105096336A (zh) * 2014-05-19 2015-11-25 上海悠络客电子科技有限公司 一种基于背景差分和单高斯模型相结合的目标提取和跟踪方法
CN107204006A (zh) * 2017-06-01 2017-09-26 大连海事大学 一种基于双背景差分的静止目标检测方法
CN108254747A (zh) * 2017-12-04 2018-07-06 国网江西省电力有限公司电力科学研究院 一种基于雷达的鸟群监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余慧玲: "视频图像中的运动目标检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）计算机软件及计算机应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930435A (zh) * 2019-11-24 2020-03-27 北京长峰科威光电技术有限公司 多背景集成的红外序列运动物体检测方法
CN110930435B (zh) * 2019-11-24 2023-08-04 北京长峰科威光电技术有限公司 多背景集成的红外序列运动物体检测方法
CN115410370A (zh) * 2022-08-31 2022-11-29 南京慧尔视智能科技有限公司 一种异常停车检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US11709058B2 (en) Path planning method and device and mobile device
Stoica et al. A Gibbs point process for road extraction from remotely sensed images
CN110378297B (zh) 基于深度学习的遥感图像目标检测方法、装置、及存储介质
CN114419825B (zh) 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法
CN111899568B (zh) 桥梁防撞预警系统、方法、装置和存储介质
Jiaqiu et al. A novel ship wake CFAR detection algorithm based on SCR enhancement and normalized Hough transform
CN109919862B (zh) 雷达图像去噪系统、方法及计算机设备
CN110516560B (zh) 基于fpga异构深度学习的光学遥感图像目标检测方法
Dan et al. Automatic recognition of surface cracks in bridges based on 2D-APES and mobile machine vision
CN103049788B (zh) 基于计算机视觉的待过行人数目的检测系统及方法
Li et al. Gated auxiliary edge detection task for road extraction with weight-balanced loss
Qi et al. Small infrared target detection utilizing local region similarity difference map
CN109493366A (zh) 基于探鸟雷达图像的背景建模方法、系统及介质
Amo-Boateng et al. Instance segmentation scheme for roofs in rural areas based on Mask R-CNN
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
CN111323757A (zh) 一种航海雷达目标检测方法及装置
CN111323756A (zh) 一种基于深度学习的航海雷达目标检测方法及装置
CN111582382B (zh) 状态识别方法、装置以及电子设备
JP2021032879A (ja) レーダーに基づく姿勢認識装置、方法及び電子機器
Zhang et al. A scheme for ship detection in inhomogeneous regions based on segmentation of SAR images
CN110363128A (zh) 基于生物视觉的机场跑道异物检测方法、系统及介质
CN115331162A (zh) 一种跨尺度红外行人检测方法、系统、介质、设备及终端
CN112396031B (zh) 基于异构运算平台的目标检测方法及系统
Wang et al. Improved SSD Framework for Automatic Subsurface Object Indentification for GPR Data Processing
CN111542828A (zh) 线状物识别方法及装置、系统和计算机存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190319