CN110298847A - 一种长时间背景收集的背景建模方法 - Google Patents
一种长时间背景收集的背景建模方法 Download PDFInfo
- Publication number
- CN110298847A CN110298847A CN201910569645.XA CN201910569645A CN110298847A CN 110298847 A CN110298847 A CN 110298847A CN 201910569645 A CN201910569645 A CN 201910569645A CN 110298847 A CN110298847 A CN 110298847A
- Authority
- CN
- China
- Prior art keywords
- matrix
- background
- frame
- pixel
- value
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Studio Circuits (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种长时间背景收集的背景建模方法,包括如下步骤:步骤1:提取视频序列第一帧作为初始化图像矩阵initMat,initMat大小为width×height,单位为像素;步骤2:根据initMat初始化背景模型;步骤3:依次读取视频序列中的帧frame,进行背景建模;步骤4:输出mask与bk矩阵,mask中值为255的像素点即为移动物体的像素点、0为背景像素点,bk矩阵为背景模型。本发明的优点是:本发明能够在视屏序列中,在视频序列开始便可分离视频中的前景和背景,长时间收集背景像素后,可达到背景建模的效果。
Description
技术领域
本发明涉及视频序列自动检测技术领域,具体涉及一种长时间背景收集的背景建模方法。
背景技术
随着世界的发展,全球可用的摄像机数量急剧增加。这种增长导致数据的大量增加,这意味着视频数据无法存储或手动处理。
运动目标检测是计算机视觉领域的一个重要研究方向,是各种后续高级处理,如目标分类、行为理解等的基础,在安全监控、智能交通等领域都有着广泛的应用。而在计算机视觉以智能视屏监控等领域,背景建模是一项关键技术,是实现运动目标检测及跟踪的基础。因此,对于视屏背景建模的研究有着重要的意义。
背景建模是序列图像分析的基础性工作,是当今国内外学者研究的热点问题。建模的结果将对视频图像的运动检测、运动目标分类、跟踪及行为理解等后续处理产生重要影响。但是由于实际应用环境的不同和背景的多样性,难以建立良好的背景样本。所以,在实际应用中需要通过不同的算法来优化设计方案,才能得到较好的成果。
发明内容
为了将运动对象和静态或移动缓慢的场景部分区分开,本发明提供一种长时间背景收集的背景建模方法。
本发明的技术方案如下:
一种长时间背景收集的背景建模方法,其特征在于,包括如下步骤:
步骤1:提取视频序列第一帧作为初始化图像矩阵initMat,initMat大小为width×height,单位为像素;
步骤2:根据initMat初始化背景模型,具体步骤为:
步骤2.1:创建零矩阵bkC、一矩阵preBkV、零矩阵preBkC、零矩阵mask四个矩阵,四个矩阵的大小均为width×height;
步骤2.2:创建bk矩阵,bk大小为width×height,将initMat的值赋给bk;
步骤3:依次读取视频序列中的帧frame,进行背景建模,具体步骤如下:
步骤3.1:根据式(1)-(4)进行背景更新:
其中,r为行坐标,c为列坐标,R为阈值,bkr,c表示矩阵bk第r行第c列的值,bkCr,c表示矩阵bkC第r行第c列的值,preBkVr,c表示矩阵preBkV第r行第c列的值,preBkCr,c表示矩阵preBkC第r行第c列的值,u=framer,c,framer,c表示图像frame第r行第c列的像素值;
步骤3.2:扫描frame的每个像素framer,c,若满足式(5),则执行步骤3.1、设置maskr,c=0,同时再以1/M的概率执行步骤3.1,此时步骤3.1中的(r,c)取为(r8,c8),它表示(r,c)的八邻域的其中一个随机像素点的坐标;若式(5)无法满足,则直接执行步骤3.1,同时设置maskr,c=255;其中,M为事先设置的概率系数,maskr,c表示矩阵mask第r行第c列的值,D为阈值;
|framer,c-bkr,c|<D (5);
步骤4:输出mask与bk矩阵,mask中值为255的像素点即为移动物体的像素点、0为背景像素点,bk矩阵为背景模型。
本发明的有益效果是:本发明能够在视屏序列中,在视频序列开始便可分离视频中的前景和背景,长时间收集背景像素后,可达到背景建模的效果,并能够将背景显示出来以供其他算法使用,此外本发明运行速度快、占用内存小,对移动物体反应迅速,且能像素级分割出移动物体。
具体实施方式
下面结合实施例来详细阐述本发明的具体实施方式。
长时间背景收集的背景建模方法,具体步骤如下:
步骤1:提取视频序列第一帧作为初始化图像矩阵initMat,initMat大小为width×height,单位为像素;
步骤2:根据initMat初始化背景模型,具体步骤为:
步骤2.1:创建零矩阵bkC、一矩阵preBkV、零矩阵preBkC、零矩阵mask四个矩阵,四个矩阵的大小均为width×height;
步骤2.2:创建bk矩阵,bk大小为width×height,将initMat的值赋给bk;
步骤3:依次读取视频序列中的帧frame,进行背景建模,具体步骤如下:
步骤3.1:根据式(1)-(4)进行背景更新:
其中,r为行坐标,c为列坐标,R为阈值,bkr,c表示矩阵bk第r行第c列的值,bkCr,c表示矩阵bkC第r行第c列的值,preBkVr,c表示矩阵preBkV第r行第c列的值,preBkCr,c表示矩阵preBkC第r行第c列的值,u=framer,c,framer,c表示图像frame第r行第c列的像素值;
步骤3.2:扫描frame的每个像素framer,c,若满足式(5),则执行步骤3.1、设置maskr,c=0,同时再以1/M的概率执行步骤3.1,此时步骤3.1中的(r,c)取为(r8,c8),它表示(r,c)的八邻域的其中一个随机像素点的坐标;若式(5)无法满足,则直接执行步骤3.1,同时设置maskr,c=255;其中,M为事先设置的概率系数,maskr,c表示矩阵mask第r行第c列的值,D为阈值,在本实例中,D=20,M=16;
|framer,c-bkr,c|<D (5);
步骤4:输出mask与bk矩阵,mask中值为255的像素点即为移动物体的像素点、0为背景像素点,bk矩阵为背景模型。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种长时间背景收集的背景建模方法,其特征在于,包括如下步骤:
步骤1:提取视频序列第一帧作为初始化图像矩阵initMat,initMat大小为width×height,单位为像素;
步骤2:根据initMat初始化背景模型,具体步骤为:
步骤2.1:创建零矩阵bkC、一矩阵preBkV、零矩阵preBkC、零矩阵mask四个矩阵,四个矩阵的大小均为width×height;
步骤2.2:创建bk矩阵,bk大小为width×height,将initMat的值赋给bk;
步骤3:依次读取视频序列中的帧frame,进行背景建模,具体步骤如下:
步骤3.1:根据式(1)-(4)进行背景更新:
其中,r为行坐标,c为列坐标,R为阈值,bkr,c表示矩阵bk第r行第c列的值,bkCr,c表示矩阵bkC第r行第c列的值,preBkVr,c表示矩阵preBkV第r行第c列的值,preBkCr,c表示矩阵preBkC第r行第c列的值,u=framer,c,framer,c表示图像frame第r行第c列的像素值;
步骤3.2:扫描frame的每个像素framer,c,若满足式(5),则执行步骤3.1,并设置maskr,c=0,同时再以1/M的概率执行步骤3.1,此时步骤3.1中的(r,c)取为(r8,c8),(r8,c8)它表示(r,c)的八邻域的其中一个随机像素点的坐标;若式(5)无法满足,则直接执行步骤3.1,同时设置maskr,c=255;其中,M为事先设置的概率系数,maskr,c表示矩阵mask第r行第c列的值,D为阈值;
|framer,c-bkr,c|<D (5);
步骤4:输出mask与bk矩阵,mask中值为255的像素点即为移动物体的像素点、0为背景像素点,bk矩阵为背景模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569645.XA CN110298847B (zh) | 2019-06-27 | 2019-06-27 | 一种长时间背景收集的背景建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569645.XA CN110298847B (zh) | 2019-06-27 | 2019-06-27 | 一种长时间背景收集的背景建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298847A true CN110298847A (zh) | 2019-10-01 |
CN110298847B CN110298847B (zh) | 2021-06-04 |
Family
ID=68029309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569645.XA Active CN110298847B (zh) | 2019-06-27 | 2019-06-27 | 一种长时间背景收集的背景建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298847B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414834A (zh) * | 2007-10-19 | 2009-04-22 | 索尼株式会社 | 解码设备、解码方法和程序 |
CN104751485A (zh) * | 2015-03-20 | 2015-07-01 | 安徽大学 | 一种基于gpu自适应的前景提取方法 |
CN107657628A (zh) * | 2017-09-20 | 2018-02-02 | 中国科学院长春光学精密机械与物理研究所 | 一种实时彩色目标跟踪方法 |
CN108808706A (zh) * | 2018-07-13 | 2018-11-13 | 山东大学 | 基于sod-ps-ii-r算法的时滞电力系统机电振荡模式计算方法 |
US20180373164A1 (en) * | 2017-06-23 | 2018-12-27 | International Business Machines Corporation | Determination of lithography effective dose uniformity |
-
2019
- 2019-06-27 CN CN201910569645.XA patent/CN110298847B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101414834A (zh) * | 2007-10-19 | 2009-04-22 | 索尼株式会社 | 解码设备、解码方法和程序 |
CN104751485A (zh) * | 2015-03-20 | 2015-07-01 | 安徽大学 | 一种基于gpu自适应的前景提取方法 |
US20180373164A1 (en) * | 2017-06-23 | 2018-12-27 | International Business Machines Corporation | Determination of lithography effective dose uniformity |
CN107657628A (zh) * | 2017-09-20 | 2018-02-02 | 中国科学院长春光学精密机械与物理研究所 | 一种实时彩色目标跟踪方法 |
CN108808706A (zh) * | 2018-07-13 | 2018-11-13 | 山东大学 | 基于sod-ps-ii-r算法的时滞电力系统机电振荡模式计算方法 |
Non-Patent Citations (1)
Title |
---|
高飞等: ""城市交叉路口背景提取与车道标定算法"", 《中国图像图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298847B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101777129B (zh) | 一种基于特征检测的图像匹配方法 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN102789578B (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN109448326B (zh) | 一种基于快速图像识别的地质灾害智能群防监测系统 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及系统 | |
CN107403451B (zh) | 自适应二值特征单目视觉里程计方法及计算机、机器人 | |
CN110006444B (zh) | 一种基于优化混合高斯模型的抗干扰视觉里程计构建方法 | |
CN112085031A (zh) | 目标检测方法及系统 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN104951765A (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
CN103218601A (zh) | 检测手势的方法及装置 | |
CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
CN112652020A (zh) | 一种基于AdaLAM算法的视觉SLAM方法 | |
CN115205793B (zh) | 基于深度学习二次确认的电力机房烟雾检测方法及装置 | |
CN110298847A (zh) | 一种长时间背景收集的背景建模方法 | |
WO2019242388A1 (zh) | 一种基于深度图像的图书馆机器人障碍识别方法 | |
CN116740375A (zh) | 一种图像特征提取方法、系统及介质 | |
CN106228553A (zh) | 高分辨率遥感图像阴影检测装置与方法 | |
CN113284221B (zh) | 一种目标物检测方法、装置及电子设备 | |
CN111523583B (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 | |
CN103714552A (zh) | 运动阴影消除方法及装置和智能视频分析系统 | |
CN105205826B (zh) | 一种基于方向直线筛选的sar图像目标方位角估计方法 | |
Li et al. | Low-cost 3D building modeling via image processing | |
CN108058170A (zh) | 一种视觉机器人数据采集处理系统 |
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 |