CN109919964A - 基于数学形态学的高斯背景建模技术进行图像处理的方法 - Google Patents
基于数学形态学的高斯背景建模技术进行图像处理的方法 Download PDFInfo
- Publication number
- CN109919964A CN109919964A CN201910156077.0A CN201910156077A CN109919964A CN 109919964 A CN109919964 A CN 109919964A CN 201910156077 A CN201910156077 A CN 201910156077A CN 109919964 A CN109919964 A CN 109919964A
- Authority
- CN
- China
- Prior art keywords
- mode
- weight
- gaussian
- value
- image procossing
- 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
Landscapes
- Image Analysis (AREA)
Abstract
基于数学形态学的高斯背景建模技术进行图像处理的方法,先采集图像上的每个新像素值Xt,同当前K个模型式进行比较,直到找到匹配新像素的分布模型,各模式权值进行更新,然后各模式的权重进行归一化,如果无任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值,随后,各模式根据w/α2按降序排列,权重大、标准差小的模式排列靠前。本发明摆脱了传统的高斯模型和混合高斯模型进行图像处理的格式,运用数学形态学的处理,有效的减少了在背景更新过程中要计算的工作量,并且满足了实时更新的需求,提高了数据更新速度,极大的降低了高斯模型中参数学习率的数量,提高了工作效率,弱化了运算过程。
Description
技术领域
本发明涉及图像处理技术领域,尤其是基于数学形态学的高斯背景建模技术进行图像处理的方法。
背景技术
数学形态学是是一门建立在格论和拓扑学基础之上的图像分析学科,是数学形态学图像处理的基本理论。而高斯模型就是用高斯概率密度函数,即正态分布曲线来精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数形成的模型。混合高斯背景建模是基于像素样本统计信息的背景表示方法,利用像素在较长时间内大量样本值的概率密度等统计信息,如模式数量、每个模式的均值和标准差来表示背景,然后使用统计差分,如3σ原则进行目标像素判断,可以对复杂动态背景进行建模。在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律。
但是传统的混合高斯模型在获得新的视频帧图像时都要对图像内的所有像素点的所有高斯函数的参数进行更新,计算量大且运算过程复杂,所以,就需对传统的运用高斯背景建模来实现图像处理的方法进行改进,减少其运算流程,简化其运算量,达到实用性强且提高效率的目的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可以应用高斯背景建模技术来对图像处理的方法。
本发明解决其技术问题是采取以下技术方案实现的:
基于数学形态学的高斯背景建模技术进行图像处理的方法,包括以下步骤:第一步,采集图像上的每个新像素值Xt,同当前K个模型式进行比较,直到找到匹配新像素的分布模型,即同该模型的均值偏差在2.5σ内,
|Xt-μi,t-1|≤2.5σi,t-1;
第二步,如所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;
第三步,各模式权值按下列公式更新,其中α是学习速率,对于匹配的模式Mk,t=1,否则Mk,t=0,然后各模式的权重进行归一化,wk,t=(1-α)*wk,t-1+α*Mk,t;
第四步,未匹配模式的均值μ与标准差σ不变,匹配模式下的参数按照A公式更新;
第五步,如果第一步中无任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值;
第六步,各模式根据w/α2按降序排列,权重大、标准差小的模式排列靠前;
第七步,选前B个模式作为背景,B满足下列公式,参数T为背景所占比例,
优选的,所述的第四步中的A公式为
ρ=α*η(Xt|μk,σk),
μt=(1-ρ)*μt-1+ρ*Xt,
其中,μt为均值,为方差。
优选的,当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{X1,X2,...,XN},Xt=(rt,gt,bt)为t时刻像素的样本,则单个采样点Xt其服从的混合高斯分布概率密度函数为
优选的,所述的k为分布模式总数,所述的η(Xt,μi,t,τi,t)为t时刻第i个高斯分布,所述的μi,t为其均值,τi,t为其协方差矩阵,δi,t为方差,I为三维单位矩阵,所述的wi,t为t时刻第i个高斯分布的权重。
本发明的优点和积极效果是:
本发明摆脱了传统的高斯模型和混合高斯模型进行图像处理的格式,运用数学形态学的处理,有效的减少了在背景更新过程中要计算的工作量,并且满足了实时更新的需求,提高了数据更新速度,极大的降低了高斯模型中参数学习率的数量,提高了工作效率,弱化了运算过程。
附图说明
图1是本发明的步骤流程示意图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:
如图1所示,本发明所述的基于数学形态学的高斯背景建模技术进行图像处理的方法如下,对图像背景建立高斯模型的原理及过程通过图像灰度直方图反映的是图像中某个灰度值出现的频次,也可以认为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相比比较大,且背景区域和目标区域在灰度上有一定的差异,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另一个峰对应于背景的中心灰度。对于复杂的图像,尤其是医学图像,一般是多峰的。通过将直方图的多峰特性看作是多个高斯分布的叠加,可以解决图像的分割问题。
在智能监控系统中,对于运动目标的检测是中心内容,而在运动目标检测提取中,背景目标对于目标的识别和跟踪至关重要。而建模正是背景目标提取的一个重要环节,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。建模的基本思想是从当前帧中提取前景,其目的是使背景更接近当前视频帧的背景。即利用当前帧和视频序列中的当前背景帧进行加权平均来更新背景。
混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。通观整个高斯模型,主要是有方差和均值两个参数决定,对均值和方差的学习,采取不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。由于我们是对运动目标的背景提取建模,因此需要对高斯模型中方差和均值两个参数实时更新。为提高模型的学习能力,改进方法对均值和方差的更新采用不同的学习率;为提高在繁忙的场景下,大而慢的运动目标的检测效果,引入权值均值的概念,建立背景图像并实时更新,然后结合权值、权值均值和背景图像对像素点进行前景和背景的分类。所以,上述流程可以简化为以下几个阶段,首先初始化预先定义的几个高斯模型,对高斯模型中的参数进行初始化,并求出之后将要用到的参数。其次,对于每一帧中的每一个像素进行处理,看其是否匹配某个模型,若匹配,则将其归入该模型中,并对该模型根据新的像素值进行更新,若不匹配,则以该像素建立一个高斯模型,初始化参数,代理原有模型中最不可能的模型。最后选择前面几个最有可能的模型作为背景模型,为背景目标提取做铺垫。
对于多峰高斯分布模型,图像的每一个像素点按不同权值的多个高斯分布的叠加来建模,每种高斯分布对应一个可能产生像素点所呈现颜色的状态,各个高斯分布的权值和分布参数随时间更新。当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{X1,X2,...,XN},Xt=(rt,gt,bt)为t时刻像素的样本,则单个采样点Xt其服从的混合高斯分布概率密度函数:
其中k为分布模式总数,η(Xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为其均值,τi,t为其协方差矩阵,δi,t为方差,I为三维单位矩阵,wi,t为t时刻第i个高斯分布的权重。
具体实施时:
第一步,每个新像素值Xt同当前K个模型式进行比较,直到找到匹配新像素的分布模型,即同该模型的均值偏差在2.5σ内,|Xt-μi,t-1|≤2.5σi,t-1;
第二步,如所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;
第三步,各模式权值按下列公式更新,其中α是学习速率,对于匹配的模式Mk,t=1,否则Mk,t=0,然后各模式的权重进行归一化,
wk,t=(1-α)*wk,t-1+α*Mk,t;
第四步,未匹配模式的均值μ与标准差σ不变,匹配模式下的参数按照下列公式更新,
ρ=α*η(Xt|μk,σk),
μt=(1-ρ)*μt-1+ρ*Xt,
第五步,如果第一步中无任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值;
第六步,各模式根据w/α2按降序排列,权重大、标准差小的模式排列靠前;
第七步,选前B个模式作为背景,B满足下列公式,参数T为背景所占比例,
本发明摆脱了传统的高斯模型和混合高斯模型进行图像处理的格式,运用数学形态学的处理,有效的减少了在背景更新过程中要计算的工作量,并且满足了实时更新的需求,提高了数据更新速度,极大的降低了高斯模型中参数学习率的数量,提高了工作效率,弱化了运算过程。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.基于数学形态学的高斯背景建模技术进行图像处理的方法,其特征在于:
第一步,采集图像上的每个新像素值Xt,同当前K个模型式进行比较,直到找到匹配新像素的分布模型,即同该模型的均值偏差在2.5σ内,|Xt-μi,t-1|≤2.5σi,t-1;
第二步,如所匹配的模式符合背景要求,则该像素属于背景,否则属于前景;
第三步,各模式权值按下列公式更新,其中α是学习速率,对于匹配的模式Mk,t=1,否则Mk,t=0,然后各模式的权重进行归一化,
wk,t=(1-α)*wk,t-1+α*Mk,t;
第四步,未匹配模式的均值μ与标准差σ不变,匹配模式下的参数按照A公式更新;
第五步,如果第一步中无任何模式匹配,则权重最小的模式被替换,即该模式的均值为当前像素值,标准差为初始较大值,权重为较小值;
第六步,各模式根据w/α2按降序排列,权重大、标准差小的模式排列靠前;
第七步,选前B个模式作为背景,B满足下列公式,参数T为背景所占比例,
2.根据权利要求1所述的基于数学形态学的高斯背景建模技术进行图像处理的方法,其特征在于:所述的第四步中的A公式为
ρ=α*η(Xt|μk,σk),
μt=(1-ρ)*μt-1+ρ*Xt,
其中,μt为均值,为方差。
3.根据权利要求1所述的基于数学形态学的高斯背景建模技术进行图像处理的方法,其特征在于:当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差。对于随机变量X的观测数据集{X1,X2,…,XN},Xt=(rt,gt,bt)为t时刻像素的样本,则单个采样点Xt其服从的混合高斯分布概率密度函数为
4.根据权利要求3所述的基于数学形态学的高斯背景建模技术进行图像处理的方法,其特征在于:所述的k为分布模式总数,所述的η(Xt,μi,t,τi,t)为t时刻第i个高斯分布,所述的μi,t为其均值,τi,t为其协方差矩阵,δi,t为方差,I为三维单位矩阵,所述的wi,t为t时刻第i个高斯分布的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156077.0A CN109919964A (zh) | 2019-03-01 | 2019-03-01 | 基于数学形态学的高斯背景建模技术进行图像处理的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156077.0A CN109919964A (zh) | 2019-03-01 | 2019-03-01 | 基于数学形态学的高斯背景建模技术进行图像处理的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919964A true CN109919964A (zh) | 2019-06-21 |
Family
ID=66962895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910156077.0A Pending CN109919964A (zh) | 2019-03-01 | 2019-03-01 | 基于数学形态学的高斯背景建模技术进行图像处理的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919964A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233137A (zh) * | 2020-11-19 | 2021-01-15 | 成都寰蓉光电科技有限公司 | 一种高性能的带权标准差背景建模方法 |
CN113362375A (zh) * | 2021-06-16 | 2021-09-07 | 江铃汽车股份有限公司 | 用于车辆的运动目标检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN108537823A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 基于混合高斯模型的运动目标检测方法 |
-
2019
- 2019-03-01 CN CN201910156077.0A patent/CN109919964A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017054455A1 (zh) * | 2015-09-30 | 2017-04-06 | 深圳大学 | 一种监控视频中运动目标的阴影检测方法、系统 |
CN106780548A (zh) * | 2016-11-16 | 2017-05-31 | 南宁市浩发科技有限公司 | 基于交通视频的运动车辆检测方法 |
CN108537823A (zh) * | 2017-03-03 | 2018-09-14 | 防城港市港口区思达电子科技有限公司 | 基于混合高斯模型的运动目标检测方法 |
Non-Patent Citations (4)
Title |
---|
仲莉恩等: "基于高斯混合模型阴影消除算法研究", 《中国电力教育》, 1 December 2009 (2009-12-01) * |
候强等: "《统计信号分析与处理》", pages: 40 - 42 * |
唐洪良等: "改进的自适应高斯混合模型运动目标检测算法", 《现代电子技术》 * |
唐洪良等: "改进的自适应高斯混合模型运动目标检测算法", 《现代电子技术》, no. 11, 1 June 2017 (2017-06-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112233137A (zh) * | 2020-11-19 | 2021-01-15 | 成都寰蓉光电科技有限公司 | 一种高性能的带权标准差背景建模方法 |
CN113362375A (zh) * | 2021-06-16 | 2021-09-07 | 江铃汽车股份有限公司 | 用于车辆的运动目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537743B (zh) | 一种基于生成对抗网络的面部图像增强方法 | |
WO2021208275A1 (zh) | 一种交通视频背景建模方法及系统 | |
CN104504394B (zh) | 一种基于多特征融合的密集人数估计方法和系统 | |
CN105513053B (zh) | 一种用于视频分析中背景建模方法 | |
CN105740945B (zh) | 一种基于视频分析的人群计数方法 | |
CN103839065B (zh) | 人群动态聚集特征提取方法 | |
CN110276264B (zh) | 一种基于前景分割图的人群密度估计方法 | |
CN108648161B (zh) | 非对称核卷积神经网络的双目视觉障碍物检测系统及方法 | |
CN103208123B (zh) | 图像分割方法与系统 | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN104599290B (zh) | 一种面向视频感知节点的目标检测方法 | |
CN106169081A (zh) | 一种基于不同照度的图像分类及处理方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN104778481A (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
CN109902558A (zh) | 一种基于cnn-lstm的人体健康深度学习预测方法 | |
CN109214298A (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN104599291B (zh) | 基于结构相似度和显著性分析的红外运动目标检测方法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN109902613A (zh) | 一种基于迁移学习和图像增强的人体特征提取方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN104751111A (zh) | 识别视频中人体行为的方法和系统 | |
CN107871315B (zh) | 一种视频图像运动检测方法和装置 | |
CN111192206A (zh) | 一种提高图像清晰度的方法 |
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 |