CN110414535B - 一种基于背景区分的手工初始框修正方法及系统 - Google Patents
一种基于背景区分的手工初始框修正方法及系统 Download PDFInfo
- Publication number
- CN110414535B CN110414535B CN201910591436.5A CN201910591436A CN110414535B CN 110414535 B CN110414535 B CN 110414535B CN 201910591436 A CN201910591436 A CN 201910591436A CN 110414535 B CN110414535 B CN 110414535B
- Authority
- CN
- China
- Prior art keywords
- initial
- rectangular frame
- module
- frame
- histogram
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种基于背景区分的手工初始框修正方法及系统,该方法包括如下步骤:对接收的目标图像进行预处理;判断目标图像是否大于100像素,如果是,则接收手工框定矩形框为初始矩形框的指令;接收并执行将初始矩形框扩大1.5倍的指令,获取候选初始框的提取区域;计算候选初始矩形框前景直方图与背景直方图的巴氏系数BC1;根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;根据巴氏距离修正手工初始矩形框;如果否,则接收并执行形态学处理指令,获取修正后初始矩形框。本发明可提高初始区域的准确性,减少跟踪算法初始化时的矩形框与真实目标矩形框之间的偏差,提高算法准确率,进而提高目标跟踪准确率。
Description
技术领域
本发明涉及计算机视觉领域,特别是一种基于背景区分的手工初始框修正方法及系统。
背景技术
如何提高运动目标的跟踪效率,跟踪精度,降低成本成为近些年来计算机视觉领域的重要研究方向。一般采用ASMS算法对目标进行跟踪计算,其直接用手工框定的区域进行算法初始化,通过该区域内的像素点提取出的灰度直方图获得目标模板,后续帧的跟踪基于此模板。ASMS算法默认了输入的初始矩形框为“准确”的目标外接矩形框,而后进行跟踪,然而在实际情况中,由于手工框定矩形框不一定“准确”,与真实初始框存在着一定的偏差,因此易受影响而降低算法跟踪准确率,即该算法对初始扰动敏感。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于背景区分的手工初始框修正方法及系统,可提高初始区域的准确性,减少实际矩形框与真实初始框之间的偏差,提高算法准确率,进而提高目标跟踪准确率。
本发明采用的技术方案是:
一种基于背景区分的手工初始框修正方法,包括如下步骤:
S1、对接收的目标图像进行预处理;
S2、判断目标图像是否大于100像素,如果是,则进入步骤S3;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
S3、接收手工框定矩形框为初始矩形框的指令;
S4、接收并执行将初始矩形框扩大1.5倍的指令,获取用于进行手工初始框修正的候选初始框的提取区域;
S5、计算初始矩形框前景直方图与背景直方图的巴氏系数;
S6、根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
S7、根据巴氏距离调整初始矩形框。
对传入的图像进行预处理,即先对图像进行灰度化处理,并进行中值滤波,抑制背景噪声;对于小于或等于100像素的小目标采用传统的Area算法,即采用形态学处理,通过背景抑制、二值化、轮廓提取等方法得到许多小、亮而集中的目标区域,算法会先在手工框定的初始框内进行一次形态学处理,通过处理得到的目标轮廓来“准确”框定目标,作为初始矩形框,再进行跟踪;对于大于100像素的较大目标图像,需要将手工框定初始框做修正处理,将其扩大1.5倍,获取候选初始框的提取区域,通过计算候选初始矩形框前景直方图与背景直方图的巴氏系数及巴氏距离来衡量准确性,进而选取最佳的候选框来调整手工初始框的大小位置,提高跟踪准确率。
进一步地,步骤S5还包括如下步骤:
S51、接收并执行将初始矩形框缩小的指令,获取候选初始框;
S52、接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
S53、计算候选初始框前景直方图与背景直方图的巴氏系数BC2;
S54、判断BC2是否小于BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,并进入步骤S6;如果否,则进入步骤S6。
通过缩小初始矩形框,获取候选初始框,记录多个候选初始框前景直方图与背景直方图的巴氏系数,将巴氏系数最小值赋予给初始矩形框的巴氏系数,可得到更加准确的结果,提高准确率。
进一步地,步骤S5还包括如下步骤:
S55、接收并执行将候选初始框进行移动的指令;
S56、判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则进入步骤S57;如果否,则进入步骤S54;
S57、接收并执行将候选初始框放大的指令;
S58、判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则进入步骤S6;如果否,则进入步骤S52。
通过移动放大初始矩形框,获取候选初始框,记录多个数值,进一步获取最小巴氏系数值,提高准确率。
进一步地,步骤S7包括如下步骤:
S71、判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则进入步骤S72;如果否,则提示重新标定初始矩形框位置,并进入步骤S3;
S72、获取巴氏系数值最小的候选初始框,调整初始矩形框。
根据巴氏距离调整初始矩形框的大小位置,提高准确性,有利于进行下一步的目标跟踪,提高跟踪效果。
一种基于背景区分的手工初始框修正系统,包括图像预处理模块、判断图像像素模块、初始矩形框模块、提取区域模块、巴氏系数模块、巴氏距离模块及调整模块,其中:
图像预处理模块,用于对接收的目标图像进行预处理;
判断图像像素模块,用于判断目标图像是否大于100像素,如果是,则初始矩形框模块工作;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
初始矩形框模块,用于接收手工框定矩形框为初始矩形框的指令;
提取区域模块,用于接收并执行将初始矩形框扩大1.5倍的指令,获取候选初始框的提取区域;
巴氏系数模块,用于计算初始矩形框前景直方图与背景直方图的巴氏系数BC1;
巴氏距离模块,用于根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
调整模块,用于根据巴氏距离调整初始矩形框。
对接收的目标图像进行预处理,即先对图像进行灰度化处理,并进行中值滤波,抑制背景噪声;对于小于或等于100像素的小目标采用传统的Area算法,即采用形态学处理,通过背景抑制、二值化、轮廓提取等方法得到许多小、亮而集中的目标区域,算法会先在初始框内进行一次形态学处理,通过处理得到的目标轮廓来“准确”框定目标,作为初始矩形框,再进行跟踪;对于大于100像素的较大目标图像,将手工框定矩形框作为初始矩形框,将初始矩形框扩大1.5倍,获取提取区域,通过计算初始矩形框前景直方图与背景直方图的巴氏系数及巴氏距离进而调整初始矩形框的大小位置,提高跟踪准确率。
进一步地,所述巴氏系数模块还包括缩小子模块、灰度直方图子模块、计算子模块及第一判断子模块,其中:
缩小子模块,用于接收并执行将初始矩形框缩小的指令,获取候选初始框;
灰度直方图子模块,用于接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
计算子模块,用于计算候选初始框前景直方图与背景直方图的巴氏系数BC2;
第一判断子模块,用于判断BC2是否小于BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,巴氏距离模块工作;如果否,则巴氏距离模块工作。
通过缩小初始矩形框,获取候选初始框,记录多个候选初始框前景直方图与背景直方图的巴氏系数,将巴氏系数最小值赋予给初始矩形框的巴氏系数,可得到更加准确的结果,提高准确率。
进一步地,所述巴氏系数模块还包括移动子模块、第二判断子模块、放大子模块及第三判断子模块,其中:
移动子模块,用于接收并执行将候选初始框进行移动的指令;
第二判断子模块,用于判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则放大子模块工作;如果否,则第一判断子模块工作;
放大子模块,用于接收并执行将候选初始框放大的指令;
第三判断子模块,用于判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则巴氏距离模块工作;如果否,则灰度直方图子模块工作。
通过移动放大初始矩形框,获取候选初始框,记录多个数值,进一步获取最小巴氏系数值,提高准确率。
进一步地,所述调整模块包括第四判断子模块和调整子模块,其中:
第四判断子模块,用于判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则调整子模块工作;如果否,则提示重新标定初始矩形框位置,并等待一段时间,初始矩形框工作;
调整子模块,用于获取巴氏系数值最小的候选初始框,调整初始矩形框。
根据巴氏距离调整初始矩形框的大小位置,提高准确性,有利于进行下一步的目标跟踪,提高跟踪效果。
本发明的有益效果是:
1、通过巴氏系数和巴氏距离指标对手工初始框的“准确性”进行判定,并据此来调整初始框的位置和大小,解决目标跟踪算法在实际应用中由于手工框定的初始框的不确定性,导致的跟踪算法初始化时的“目标”与真实的目标存在一定偏差的问题,具有很高的实用价值;
2、通过自动修正手工初始框,提高跟踪算法进行初始化时的准确性,进而提高目标跟踪过程的鲁棒性和准确率;
3、通过移动和缩放初始框,获取若干候选初始框,记录多个数值,进一步获取最小巴氏系数值,提高准确率;
4、根据巴氏距离指标调整初始矩形框的大小位置,提高准确性,有利于进行下一步的目标跟踪,提高跟踪效果。
附图说明
图1为本发明实施例一种基于背景区分的手工初始框修正方法的流程图;
图2为本发明实施例一种基于背景区分的手工初始框修正方法中缩小初始矩形框的流程图;
图3为本发明实施例一种基于背景区分的手工初始框修正方法中移动放大初始矩形框的流程图;
图4为本发明实施例一种基于背景区分的手工初始框修正方法中调整初始矩形框的流程图;
图5为本发明实施例目标初始框的巴氏距离对算法跟踪长度的影响折线图;
图6为本发明实施例一种基于背景区分的手工初始框修正系统的原理图。
附图标记说明:
10、图像预处理模块;20、判断图像像素模块;30、初始矩形框模块;40、提取区域模块;50、巴氏系数模块;501、缩小子模块;502、灰度直方图子模块;503、计算子模块;504、第一判断子模块;505、移动子模块;506、第二判断子模块;507、放大子模块;508、第三判断子模块;60、巴氏距离模块;70、调整模块;701、第四判断子模块;702、调整子模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示,一种基于背景区分的手工初始框修正方法,包括如下步骤:
S1、对接收的目标图像进行预处理;
S2、判断目标图像是否大于100像素,如果是,则进入步骤S3;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
S3、接收手工框定矩形框为初始矩形框的指令;
S4、接收并执行将初始矩形框扩大1.5倍的指令,获取用于进行手工初始框修正的候选初始框的提取区域;
S5、计算初始矩形框前景直方图与背景直方图的巴氏系数;
S6、根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
S7、根据巴氏距离调整初始矩形框。
对传入的图像进行预处理,即先对图像进行灰度化处理,并进行中值滤波,抑制背景噪声;对于小于或等于100像素的小目标采用传统的Area算法,即采用形态学处理,通过背景抑制、二值化、轮廓提取等方法得到许多小、亮而集中的目标区域,算法会先在手工框定的初始框内进行一次形态学处理,通过处理得到的目标轮廓来“准确”框定目标,作为初始矩形框,再进行跟踪。
对于大于100像素的较大目标,需要将手工框定的初始框做修正处理,将初始矩形框扩大1.5倍,获取候选初始框的提取区域,通过在提取区域内进行初始矩形框的移动和缩放提取出若干候选初始框,同时计算各候选初始框的前景直方图与背景直方图的巴氏系数BC和巴氏距离DB,根据巴氏距离DB来衡量准确性,进而选取最佳的候选框来调整手工初始框的大小位置,提高跟踪准确率。BC值越小,代表该矩形框定的“目标”的前景与背景的差异性越大,说明该矩形框定区域与真实想跟踪的目标区域越吻合,跟踪效果越好。
现对前景直方图与背景直方图做出说明:矩形框内区域即为前景区域,将矩形框按中心点向外扩大2倍并抠去前景区域后,余下的环状区域为背景区域。而后,从前景区域中提取前景直方图p(p是一维数组),从背景区域中提取背景直方图q(q是与p同样大小的一维数组),根据公式公式计算该矩形框前景直方图与背景直方图的巴氏系数BC,根据公式DB(p,q)=-ln(BC(p,q))计算巴氏距离。
在其中一个实施例中,如图2所示,步骤S5还包括如下步骤:
S51、接收并执行将初始矩形框缩小的指令,将初始矩形框缩小至原矩形框的0.8倍,获取候选初始框;
S52、接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
S54、判断候选初始框的巴氏系数BC2是否小于初始矩形框的巴氏系数BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,并进入步骤S6;如果否,则进入步骤S6。
通过缩小初始矩形框,获取候选初始框,记录多个候选初始框前景直方图与背景直方图的巴氏系数,将巴氏系数最小值赋予给初始矩形框的巴氏系数,可得到更加准确的结果,提高准确率。
在其中一个实施例中,如图3所示,步骤S5还包括如下步骤:
S55、接收并执行将候选初始框进行移动的指令,将候选初始框从左至右从上至下随机移动1至5个像素。
S56、判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则进入步骤S57;如果否,则进入步骤S54;
S57、接收并执行将候选初始框放大的指令,将候选初始框随机放大1%至3%;
S58、判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则进入步骤S6;如果否,则进入步骤S52。
通过移动放大初始矩形框,获取候选初始框,记录多个数值,进一步获取最小巴氏系数值,提高准确率。
在其中一个实施例中,如图4所示,步骤S7包括如下步骤:
S71、判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则进入步骤S72;如果否,则提示重新标定初始矩形框位置,并进入步骤S3;
S72、获取巴氏系数值最小的候选初始框,调整初始矩形框。
将随机移动缩放矩形框过程中记录的巴氏系数值最小的矩形框作为最佳初始矩形框,根据公式DB(p,q)=-ln(BC(p,q))计算巴氏距离,若巴氏距离大于1.5,则说明目标与背景区域具有显著差异性,将最佳初始矩形框作为首帧目标的准确位置,并执行ASMS目标跟踪算法;若巴氏距离小于1.5,则说明该初始框内的目标前景与背景区域有较高的相似度,很有可能跟踪失败,可能是手工初始矩形框标定不好,提示重新标定初始矩形框位置。根据巴氏距离调整初始矩形框的大小位置,提高准确性,有利于进行下一步的目标跟踪,提高跟踪效果。
对于巴氏距离阈值取1.5的说明:目标跟踪算法在跟踪过程会很快丢失目标,这种情况可认为是进行跟踪初始化时的矩形框不准确造成的。对这种典型情况进行了大量实验,在不同巴氏距离的初始框下执行相同的ASMS目标跟踪算法,获取了各巴氏距离对应的算法稳定跟踪长度(帧数),做出了相关曲线图,如图5所示。从图中可看出,初始框的巴氏距离小于1.5时,算法很快就跟踪失败了;巴氏距离大于1.5时,算法的稳定跟踪长度有了显著提升。由此,将衡量初始框准确性指标的巴氏距离阈值设为1.5,当修正后初始框的巴氏距离大于1.5时才执行跟踪任务。
如图6所示,一种基于背景区分的手工初始框修正系统,包括图像预处理模块10、判断图像像素模块20、初始矩形框模块30、提取区域模块40、巴氏系数模块50、巴氏距离模块60及调整模块70,其中:
图像预处理模块10,用于对接收的目标图像进行预处理;
判断图像像素模块20,用于判断目标图像是否大于100像素,如果是,则初始矩形框模块30工作;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
初始矩形框模块30,用于接收手工框定矩形框为初始矩形框的指令;
提取区域模块40,用于接收并执行将初始矩形框扩大1.5倍的指令,获取候选初始框的提取区域;
巴氏系数模块50,用于计算初始矩形框前景直方图与背景直方图的巴氏系数BC1;
巴氏距离模块60,用于根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
调整模块70,用于根据巴氏距离调整初始矩形框。
图像预处理模块10对接收的目标图像进行预处理,即先对图像进行灰度化处理,并进行中值滤波,抑制背景噪声;判断图像像素模块20判断目标图像是否大于100像素,对于小于或等于100像素的小目标采用形态学处理,通过背景抑制、二值化等方法得到许多小、亮而集中的目标区域,再通过轮廓提取获得目标的轮廓,轮廓的最小外接矩形框作为修正后的初始矩形框,由此框进行跟踪初始化,进行跟踪任务;对于大于100像素的较大目标,采用基于背景区分的手工初始框修正方法,从初始矩形框模块30开始实施。
在其中一个实施例中,如图6所示,所述巴氏系数模块50还包括缩小子模块501、灰度直方图子模块502、计算子模块503及第一判断子模块504,其中:
缩小子模块501,用于接收并执行将初始矩形框缩小的指令,将初始矩形框缩小至原矩形框的0.8倍,获取候选初始框;
灰度直方图子模块502,用于接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
计算子模块503,用于计算候选初始框前景直方图与背景直方图的巴氏系数BC2;
第一判断子模块504,用于判断BC2是否小于BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,巴氏距离模块60工作;如果否,则巴氏距离模块60工作。
通过缩小初始矩形框,获取候选初始框,记录多个候选初始框前景直方图与背景直方图的巴氏系数,将巴氏系数最小值赋予给初始矩形框的巴氏系数,可得到更加准确的结果,提高准确率。
在其中一个实施例中,如图6所示,所述巴氏系数模块50还包括移动子模块505、第二判断子模块506、放大子模块507及第三判断子模块508,其中:
移动子模块505,用于接收并执行将候选初始框进行移动的指令,将候选初始框从左至右从上至下随机移动1至5个像素。
第二判断子模块506,用于判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则放大子模块507工作;如果否,则第一判断子模块504工作。
放大子模块507,用于接收并执行将候选初始框放大的指令,将候选初始框随机放大1%至3%。
第三判断子模块508,用于判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则巴氏距离模块60工作;如果否,则灰度直方图子模块502工作。
通过移动放大初始矩形框,获取候选初始框,记录多个数值,进一步获取最小巴氏系数值,提高准确率。
在其中一个实施例中,如图6所示,所述调整模块70包括第四判断子模块701和调整子模块702,其中:
第四判断子模块701,用于判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则调整子模块702工作;如果否,则提示重新标定初始矩形框位置,并等待一段时间,初始矩形框工作;
调整子模块702,用于获取巴氏系数值最小的候选初始框,调整初始矩形框。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于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,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (2)
1.一种基于背景区分的手工初始框修正方法,其特征在于,包括如下步骤:
S1、对接收的目标图像进行预处理;
S2、判断目标图像是否大于100像素,如果是,则进入步骤S3;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
S3、接收手工框定矩形框为初始矩形框的指令;
S4、接收并执行将初始矩形框扩大1.5倍的指令,获取用于进行手工初始框修正的候选初始框的提取区域;
S5、计算初始矩形框前景直方图与背景直方图的巴氏系数BC1;
S6、根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
S7、根据巴氏距离调整初始矩形框;
步骤S5还包括如下步骤:
S51、接收并执行将初始矩形框缩小的指令,获取候选初始框;
S52、接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
S53、计算候选初始框前景直方图与背景直方图的巴氏系数BC2;
S54、判断BC2是否小于BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,并进入步骤S6;如果否,则进入步骤S6;
步骤S5还包括如下步骤:
S55、接收并执行将候选初始框进行移动的指令;
S56、判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则进入步骤S57;如果否,则进入步骤S54;
S57、接收并执行将候选初始框放大的指令;
S58、判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则进入步骤S6;如果否,则进入步骤S52;
步骤S7包括如下步骤:
S71、判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则进入步骤S72;如果否,则提示重新标定初始矩形框位置,并等待一段时间,进入步骤S3;
S72、获取巴氏系数值最小的候选初始框,调整初始矩形框。
2.一种基于背景区分的手工初始框修正系统,其特征在于,包括图像预处理模块、判断图像像素模块、初始矩形框模块、提取区域模块、巴氏系数模块、巴氏距离模块及调整模块,其中:
图像预处理模块,用于对接收的目标图像进行预处理;
判断图像像素模块,用于判断目标图像是否大于100像素,如果是,则初始矩形框模块工作;如果否,则接收并执行形态学处理指令,获取初始矩形框,执行结束;
初始矩形框模块,用于接收手工框定矩形框为初始矩形框的指令;
提取区域模块,用于接收并执行将初始矩形框扩大1.5倍的指令,获取候选初始框的提取区域;
巴氏系数模块,用于计算初始矩形框前景直方图与背景直方图的巴氏系数BC1;
巴氏距离模块,用于根据巴氏系数计算初始矩形框前景直方图与背景直方图的巴氏距离;
调整模块,用于根据巴氏距离调整初始矩形框;
所述巴氏系数模块还包括缩小子模块、灰度直方图子模块、计算子模块及第一判断子模块,其中:
缩小子模块,用于接收并执行将初始矩形框缩小的指令,获取候选初始框;
灰度直方图子模块,用于接收并执行将候选初始框移动至提取区域左上角的指令,并计算候选初始框灰度直方图;
计算子模块,用于计算候选初始框前景直方图与背景直方图的巴氏系数BC2;
第一判断子模块,用于判断BC2是否小于BC1,如果是,则接收并执行将BC2的值赋予给BC1的指令,巴氏距离模块工作;如果否,则巴氏距离模块工作;
所述巴氏系数模块还包括移动子模块、第二判断子模块、放大子模块及第三判断子模块,其中:
移动子模块,用于接收并执行将候选初始框进行移动的指令;
第二判断子模块,用于判断移动后的候选初始框是否超出提取区域右下角边界,如果是,则放大子模块工作;如果否,则第一判断子模块工作;
放大子模块,用于接收并执行将候选初始框放大的指令;
第三判断子模块,用于判断候选初始框的尺寸是否为原初始矩形框尺寸的1.25倍,如果是,则巴氏距离模块工作;如果否,则灰度直方图子模块工作;
所述调整模块包括第四判断子模块和调整子模块,其中:
第四判断子模块,用于判断初始矩形框前景直方图与背景直方图的巴氏距离是否大于1.5,如果是,则调整子模块工作;如果否,则提示重新标定初始矩形框位置,并等待一段时间,初始矩形框工作;
调整子模块,用于获取巴氏系数值最小的候选初始框,调整初始矩形框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910591436.5A CN110414535B (zh) | 2019-07-02 | 2019-07-02 | 一种基于背景区分的手工初始框修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910591436.5A CN110414535B (zh) | 2019-07-02 | 2019-07-02 | 一种基于背景区分的手工初始框修正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414535A CN110414535A (zh) | 2019-11-05 |
CN110414535B true CN110414535B (zh) | 2023-04-28 |
Family
ID=68360170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910591436.5A Active CN110414535B (zh) | 2019-07-02 | 2019-07-02 | 一种基于背景区分的手工初始框修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414535B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793260B (zh) * | 2021-07-30 | 2022-07-22 | 武汉高德红外股份有限公司 | 半自动修正目标跟踪框的方法、装置及电子设备 |
CN114998701B (zh) * | 2022-07-13 | 2022-11-18 | 山东智驱力人工智能科技有限公司 | 基于像素特征匹配的目标检测损失优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074000A (zh) * | 2010-11-23 | 2011-05-25 | 天津市亚安科技电子有限公司 | 一种利用方差率最优解自适应调整窗宽的跟踪方法 |
CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
CN106651909A (zh) * | 2016-10-20 | 2017-05-10 | 北京信息科技大学 | 一种基于背景加权的尺度方向自适应均值漂移方法 |
CN106709456A (zh) * | 2016-12-27 | 2017-05-24 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的无人机目标跟踪框初始化方法 |
CN106780558A (zh) * | 2016-12-27 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的点生成无人机目标初始跟踪框的方法 |
CN108764343A (zh) * | 2018-05-29 | 2018-11-06 | 西安电子科技大学 | 一种跟踪算法中的跟踪目标框的定位方法 |
CN109472813A (zh) * | 2018-10-25 | 2019-03-15 | 中国科学院光电技术研究所 | 一种基于背景加权的Mean Shift算法和Kalman预测融合的遮挡跟踪方法 |
CN109684986A (zh) * | 2018-12-19 | 2019-04-26 | 新大陆数字技术股份有限公司 | 一种基于车辆检测跟踪的车辆分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2885719B1 (fr) * | 2005-05-10 | 2007-12-07 | Thomson Licensing Sa | Procede et dispositif de suivi d'objets dans une sequence d'images |
-
2019
- 2019-07-02 CN CN201910591436.5A patent/CN110414535B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074000A (zh) * | 2010-11-23 | 2011-05-25 | 天津市亚安科技电子有限公司 | 一种利用方差率最优解自适应调整窗宽的跟踪方法 |
CN103198493A (zh) * | 2013-04-09 | 2013-07-10 | 天津大学 | 一种基于多特征自适应融合和在线学习的目标跟踪方法 |
CN106651909A (zh) * | 2016-10-20 | 2017-05-10 | 北京信息科技大学 | 一种基于背景加权的尺度方向自适应均值漂移方法 |
CN106709456A (zh) * | 2016-12-27 | 2017-05-24 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的无人机目标跟踪框初始化方法 |
CN106780558A (zh) * | 2016-12-27 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于计算机视觉的点生成无人机目标初始跟踪框的方法 |
CN108764343A (zh) * | 2018-05-29 | 2018-11-06 | 西安电子科技大学 | 一种跟踪算法中的跟踪目标框的定位方法 |
CN109472813A (zh) * | 2018-10-25 | 2019-03-15 | 中国科学院光电技术研究所 | 一种基于背景加权的Mean Shift算法和Kalman预测融合的遮挡跟踪方法 |
CN109684986A (zh) * | 2018-12-19 | 2019-04-26 | 新大陆数字技术股份有限公司 | 一种基于车辆检测跟踪的车辆分析方法及系统 |
Non-Patent Citations (3)
Title |
---|
Integrating color and shape-texture features for adaptive real-time object tracking;Junqiu Wang等;《IEEE Transactions on Image Processing》;20080114;第17卷(第02期);235-240 * |
内河航道船舶检测与跟踪算法研究;汪荣琪;《中国硕士学位论文全文数据库(信息科技辑)》;20190215(第2019(02)期);I138-1968 * |
融合深度视频与跟踪学习的运动人体检测方法研究与实现;许宏伟;《中国硕士学位论文全文数据库(信息科技辑)》;20150415(第2015(04)期);I138-1039 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414535A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493367B (zh) | 一种对目标对象进行跟踪的方法和设备 | |
JP2021082316A5 (zh) | ||
CN110414535B (zh) | 一种基于背景区分的手工初始框修正方法及系统 | |
CN109102518A (zh) | 一种图像边缘检测的方法、系统及相关组件 | |
CN113240693B (zh) | 芯片切割控制方法、系统、设备及计算机可读存储介质 | |
CN112085700B (zh) | X射线图像中焊缝区域的自动化提取方法、系统及介质 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN102982534A (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN105389793A (zh) | 一种自动识别物体表面裂缝走向及宽度的方法 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN113450402A (zh) | 用于蔬菜大棚巡检机器人的导航中心线提取方法 | |
CN110163894B (zh) | 基于特征匹配的亚像素级目标跟踪方法 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN115409831A (zh) | 基于最优背景估计的星点质心提取方法及系统 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN117593323A (zh) | 一种基于非局部特征的图像分割方法、系统、介质和设备 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN109426770B (zh) | 虹膜识别方法 | |
CN112581487B (zh) | 自动提取检测区域及定位核的方法 | |
CN109272540B (zh) | 一种图卡图像的sfr自动提取与分析方法 | |
CN114554188A (zh) | 基于图像传感器像素阵列的手机摄像头检测方法及装置 | |
CN113554695A (zh) | 零件孔位智能识别定位方法 | |
JP6580201B2 (ja) | 被写体検出装置、被写体検出方法及びプログラム | |
CN117495863B (zh) | 一种视觉辅助的三极管封装质量检测方法 |
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 |