CN110458045A - 响应概率直方图的获取方法、图像处理方法以及装置 - Google Patents
响应概率直方图的获取方法、图像处理方法以及装置 Download PDFInfo
- Publication number
- CN110458045A CN110458045A CN201910662530.5A CN201910662530A CN110458045A CN 110458045 A CN110458045 A CN 110458045A CN 201910662530 A CN201910662530 A CN 201910662530A CN 110458045 A CN110458045 A CN 110458045A
- Authority
- CN
- China
- Prior art keywords
- probability histogram
- probability
- histogram
- prospect
- response
- 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
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种响应概率直方图的获取方法、图像处理方法以及装置,该响应概率直方图的获取方法包括:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。通过上述方式,削弱背景图像对前景图像的影响,从而使得前景图像更为明显,进而容易实现前景图像的定位、检测或跟踪。
Description
技术领域
本申请涉及安全技术领域,特别是涉及一种响应概率直方图的获取方法、图像处理方法以及装置。
背景技术
智能视频监控是利用计算机视觉技术对输入视频信号进行处理、分析和理解,通过对图像序列的智能分析,实现对监控场景中的感兴趣区域的定位、检测和跟踪等功能。其中目标跟踪是其重要组成部分,目前目标跟踪的主流方法包括深度学习,相关滤波等,DAT(Double Array Trie)是一种现有的目标跟踪方案,由于其使用颜色信息,因此在目标形变和运动模糊情况下具有更好的效果。
现有技术中,DAT中的贝叶斯模型是强制认为目标框中心60%的像素是目标概率更高,其权重是不变的,然而我们跟踪的目标框内除了目标还含有很多背景部分同时在实际工程使用中目标框比实际目标大多少是不一定的,这些背景部分可能干扰最终的跟踪结果。
发明内容
为解决上述问题,本申请提供了一种响应概率直方图的获取方法、图像处理方法以及装置,能够削弱背景图像对前景图像的影响,从而使得前景图像更为明显,进而容易实现前景图像的定位、检测或跟踪。
本申请采用的一个技术方案是:提供一种响应概率直方图的获取方法,该方法包括:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。
其中,确定待处理图像帧的前景概率直方图和背景概率直方图,包括:在待处理图像帧上确定前景图像;对前景图像进行放大处理,以得到背景图像;基于前景图像得到前景概率直方图,以及基于背景图像得到背景概率直方图。
其中,对前景图像进行放大处理,以得到背景图像,包括:对前景图像进行1.8倍至2倍放大处理,以得到背景图像。
其中,对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图,包括:根据背景概率直方图中的多个概率值,确定概率最小值;基于概率最小值和多个概率值,确定权值向量;基于权值向量对前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图。
其中,基于概率最小值和多个概率值,确定权值向量,包括:采用以下的公式计算前景直方图的权值向量:pi=min(h(S-O)min/h(S-O)i),i∈{0,B};其中,h(S-O)min为背景概率直方图中的概率最小值,h(S-O)i为背景概率直方图中第i个像素区域的概率值,B为概率直方图中的像素区域的数量。
其中,基于权值向量对前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图,包括:采用以下公式计算加权处理后的前景概率直方图:hoi'=pi×hoi;其中,hoi为前景概率直方图中第i个像素区域的概率值,pi为前景概率直方图中第i个像素区域的权值。
其中,基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图,包括:采用以下公式计算响应概率直方图:其中,x表示像素,I(x)表示像素x的像素值,P(x∈O)表示像素x是前景的概率,HO表示前景概率直方图,HS-O表示背景概率直方图。
本申请采用的另一个技术方案是:提供一种图像处理方法,该方法包括:获取待处理图像帧;判断待处理图像帧是否为第一帧;若是,则采用如上述的方法确定待处理图像帧的最终响应概率直方图;若否,则判断响应概率直方图是否需要更新;若需要更新,则采用如上述的方法确定待处理图像帧的当前响应概率直方图,并利用前一图像帧的响应概率直方图对当前响应概率直方图进行更新,以得到最终响应概率直方图;若不需要更新,则直接采用前一图像帧的响应概率直方图作为最终响应概率直方图;基于最终响应概率直方图,对待处理图像帧进行处理,以得到响应图像帧。
其中,利用前一图像帧的响应概率直方图对当前响应概率直方图进行更新,以得到最终响应概率直方图,包括:采用以下公式计算最终响应概率直方图:P'=(1-η)P+ηP;其中,P'为当前响应概率直方图,P为前一图像帧的响应概率直方图,η为更新参数。
其中,基于最终响应概率直方图,对待处理图像帧进行处理,以得到响应图像帧,包括:将响应概率直方图映射到待处理图像帧上,以得到响应图像帧。
本申请采用的另一个技术方案是:提供一种图像处理装置,该图像处理装置包括处理器以及与处理器连接的存储器,存储器用于存储程序数据,处理器用于执行程序数据以实现如上述的方法。
本申请采用的另一个技术方案是:提供一种计算机存储介质,该计算机存储介质中存储有程序数据,程序数据在被处理器执行时,用以实现如上述的方法。
本申请提供的响应概率直方图的获取方法包括:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。通过上述方式,使用背景图像来计算权重,并通过加权的方式削弱背景图像对前景图像的影响,从而使得前景图像更为明显,进而容易实现前景图像的定位、检测或跟踪。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请实施例提供的响应概率直方图的获取方法的流程示意图;
图2是本申请实施例提供的前景图和背景图的示意图;
图3是本申请实施例提供的加权处理的流程示意图;
图4是本申请实施例提供的一种背景概率直方图;
图5是本申请实施例提供的图像处理方法的流程示意图;
图6是本申请实施例提供的图像处理装置的结构示意图;
图7是本申请实施例提供的计算机存储介质的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参阅图1,图1是本申请实施例提供的响应概率直方图的获取方法的流程示意图,该方法包括:
步骤11:确定待处理图像帧的前景概率直方图和背景概率直方图。
其中,在待处理图像帧中确定目标图像框,该目标图像框中包括需要进行定位、检测或跟踪的目标,例如,人、车辆等,该目标图像框即为前景图。
可选地,在一实施例中,对前景图像进行放大处理,以得到背景图像。具体地,对目标图像框进行放大,然后将当前的目标图像框的区域减去前景图像的区域,得到背景图像的区域。例如,放大倍数可以根据经验来设置,在一具体的实施例中,该放大倍数为1.8至2被,例如,可以为1.9倍。
如图2所示,图2是本申请实施例提供的前景图和背景图的示意图。例如,待处理图像帧20中的前景图像21为矩形区域O,对矩形区域O进行放大处理,形成矩形区域S,矩形区域S与矩形区域O的差值,区域S-O即为背景图像22。
概率直方图就是将彩色图像的颜色空间(或者灰度图像的灰度空间)划分为若干小的区间,即直方图的bin,通过计算在每个小区间内的像素得到直方图,bin越多,直方图对像素值/灰度值的分辨率越强。例如,以256个像素值为例,可以将彩色图像的像素值分为8个bin,每个bin包括32个像素值。
进一步,直方图就是对数据进行统计,将统计值组织到一系列事先定义好的bin中。bin中的数值就是从数据中计算出的特征的统计量,这些数据可以是诸如梯度、方向、色彩或任何其他特征。无论如何,直方图获得的是数据分布的统计图。直方图实际上是一个方便表示图像特征的手段。而概率直方图,则是对像素值出现的概率的统计。
步骤12:对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图。
可选地,如图3所示,图3是本申请实施例提供的加权处理的流程示意图,步骤12可以具体包括:
步骤121:根据背景概率直方图中的多个概率值,确定概率最小值。
如图4所示,图4是本申请实施例提供的一种背景概率直方图。其中,分别对比每个bin对应的概率值,确定其中的概率最小值h(S-O)min。
步骤122:基于概率最小值和多个概率值,确定权值向量。
可选地,在本实施例中,采用以下的公式计算前景直方图的权值向量:
pi=min(h(S-O)min/h(S-O)i),i∈{0,B};
其中,h(S-O)min为背景概率直方图中的概率最小值,h(S-O)i为背景概率直方图中第i个像素区域的概率值,B为概率直方图中的像素区域的数量。
以图4中的第一个bin为例,其对应的概率值为h(S-O)min,则其对应的权值为p1=h(S-O)min/h(S-O)min=1。
从图4中可以看出,原来背景图像的主成分是前景的概率被大大降低,从而削弱目标框内的背景图像对最终结果的影响。
步骤123:基于权值向量对前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图。
可选地,采用以下公式计算加权处理后的前景概率直方图:
hoi'=pi×hoi;
其中,hoi为前景概率直方图中第i个像素区域的概率值,pi为前景概率直方图中第i个像素区域的权值。
步骤13:基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。
可选地,采用以下公式计算响应概率直方图:
其中,x表示像素,I(x)表示像素x的像素值,P(x∈O)表示像素x是前景的概率,HO表示前景概率直方图,HS-O表示背景概率直方图。
通过步骤13得到每一个像素值是前景的概率,搜索区域内依据概率大小得到响应图即可找到目标。
本实施例提供的响应概率直方图的获取方法包括:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。通过上述方式,使用背景图像来计算权重,并通过加权的方式削弱背景图像对前景图像的影响,从而使得前景图像更为明显,进而容易实现前景图像的定位、检测或跟踪。
参阅图5,图5是本申请实施例提供的图像处理方法的流程示意图,该方法包括:
步骤51:获取待处理图像帧。
步骤52:判断待处理图像帧是否为第一帧。
若该待处理图像帧为第一帧,则执行步骤53,若该待处理图像帧不是第一帧,则执行步骤54。
步骤53:确定待处理图像帧的最终响应概率直方图。
其中,步骤53中确定待处理图像帧的最终响应概率直方图,即是采用如上述的实施例中的步骤。具体为:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。
步骤54:判断响应概率直方图是否需要更新。
判别此帧响应概率直方图是否更新的目的是,当目标不断发生形变例如人转身时,由于目标图像框大小不变而目标发生了改变其响应概率直方图是发生改变的,如果不间断更新可能引入更多的背景等不良信息,因此通过最终响应概率直方图置信度确定响应直方图是否更新,当响应图置信度较高时说明其准确度较高适宜更新,否则以之前的模型继续定位、检测或跟踪,能够在频繁形变等场景获取更好的结果。
若需要更新,则执行步骤55,若不需要更新,则执行步骤56。
步骤55:确定待处理图像帧的当前响应概率直方图,并利用前一图像帧的响应概率直方图对当前响应概率直方图进行更新,以得到最终响应概率直方图。
可选地,采用以下公式计算最终响应概率直方图:
P'=(1-η)P+ηP;
其中,P'为当前响应概率直方图,P为前一图像帧的响应概率直方图,η为更新参数。
步骤56:直接采用前一图像帧的响应概率直方图作为最终响应概率直方图。
步骤57:基于最终响应概率直方图,对待处理图像帧进行处理,以得到响应图像帧。
其中,将响应概率直方图映射到待处理图像帧上,以得到响应图像帧。
本实施例提供的图像处理方法,其中包括了上述实施例中的响应概率直方图的获取方法,使用背景图像来计算权重,并通过加权的方式削弱背景图像对前景图像的影响,从而使得前景图像更为明显,进而容易实现前景图像的定位、检测或跟踪。另外,通过判断是否需要更新,不使用逐帧更新的方式进行模型更新,效果更为稳定。
参阅图6,图6是本申请实施例提供的图像处理装置的结构示意图,该图像处理装置60包括处理器61以及与处理器61连接的存储器62,存储器62用于存储程序数据。
可选地,在一实施例中,处理器61用于执行程序数据以实现如下的方法:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。
可选地,在待处理图像帧上确定前景图像;对前景图像进行放大处理,以得到背景图像;基于前景图像得到前景概率直方图,以及基于背景图像得到背景概率直方图。
可选地,对前景图像进行1.8倍至2倍放大处理,以得到背景图像。
可选地,根据背景概率直方图中的多个概率值,确定概率最小值;基于概率最小值和多个概率值,确定权值向量;基于权值向量对前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图。
可选地,采用以下的公式计算前景直方图的权值向量:pi=min(h(S-O)min/h(S-O)i),i∈{0,B};其中,h(S-O)min为背景概率直方图中的概率最小值,h(S-O)i为背景概率直方图中第i个像素区域的概率值,B为概率直方图中的像素区域的数量。
可选地,采用以下公式计算加权处理后的前景概率直方图:hoi'=pi×hoi;其中,hoi为前景概率直方图中第i个像素区域的概率值,pi为前景概率直方图中第i个像素区域的权值。
可选地,采用以下公式计算响应概率直方图:其中,x表示像素,I(x)表示像素x的像素值,P(x∈O)表示像素x是前景的概率,HO表示前景概率直方图,HS-O表示背景概率直方图。
可选地,在另一实施例中,处理器61用于执行程序数据以实现如下的方法:获取待处理图像帧;判断待处理图像帧是否为第一帧;若是,则确定待处理图像帧的最终响应概率直方图;若否,则判断响应概率直方图是否需要更新;若需要更新,则确定待处理图像帧的当前响应概率直方图,并利用前一图像帧的响应概率直方图对当前响应概率直方图进行更新,以得到最终响应概率直方图;若不需要更新,则直接采用前一图像帧的响应概率直方图作为最终响应概率直方图;基于最终响应概率直方图,对待处理图像帧进行处理,以得到响应图像帧。
可选地,采用以下公式计算最终响应概率直方图:P'=(1-η)P+ηP;其中,P'为当前响应概率直方图,P为前一图像帧的响应概率直方图,η为更新参数。
参阅图7,图7是本申请实施例提供的计算机存储介质的结构示意图,该计算机存储介质70中存储有程序数据71。
可选地,在一实施例中,程序数据71在被处理器执行时,用以实现如下的方法:确定待处理图像帧的前景概率直方图和背景概率直方图;对前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;基于加权处理后的前景概率直方图和背景概率直方图,得到响应概率直方图。
可选地,在另一实施例中,程序数据71在被处理器执行时,用以实现如下的方法:获取待处理图像帧;判断待处理图像帧是否为第一帧;若是,则确定待处理图像帧的最终响应概率直方图;若否,则判断响应概率直方图是否需要更新;若需要更新,则确定待处理图像帧的当前响应概率直方图,并利用前一图像帧的响应概率直方图对当前响应概率直方图进行更新,以得到最终响应概率直方图;若不需要更新,则直接采用前一图像帧的响应概率直方图作为最终响应概率直方图;基于最终响应概率直方图,对待处理图像帧进行处理,以得到响应图像帧。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是根据本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种响应概率直方图的获取方法,其特征在于,所述方法包括:
确定待处理图像帧的前景概率直方图和背景概率直方图;
对所述前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图;
基于所述加权处理后的前景概率直方图和所述背景概率直方图,得到响应概率直方图。
2.根据权利要求1所述的方法,其特征在于,
所述确定待处理图像帧的前景概率直方图和背景概率直方图,包括:
在所述待处理图像帧上确定前景图像;
对所述前景图像进行放大处理,以得到背景图像;
基于所述前景图像得到前景概率直方图,以及基于所述背景图像得到背景概率直方图。
3.根据权利要求2所述的方法,其特征在于,
所述对所述前景图像进行放大处理,以得到背景图像,包括:
对所述前景图像进行1.8倍至2倍放大处理,以得到背景图像。
4.根据权利要求1所述的方法,其特征在于,
所述对所述前景概率直方图进行加权处理,以得到加权处理后的前景概率直方图,包括:
根据所述背景概率直方图中的多个概率值,确定概率最小值;
基于所述概率最小值和所述多个概率值,确定权值向量;
基于所述权值向量对所述前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图。
5.根据权利要求4所述的方法,其特征在于,
所述基于所述概率最小值和所述多个概率值,确定权值向量,包括:
采用以下的公式计算所述前景直方图的权值向量:
pi=min(h(S-O)min/h(S-O)i),i∈{0,B};
其中,h(S-O)min为所述背景概率直方图中的概率最小值,h(S-O)i为所述背景概率直方图中第i个像素区域的概率值,B为概率直方图中的像素区域的数量。
6.根据权利要求5所述的方法,其特征在于,
所述基于所述权值向量对所述前景概率直方图中的多个概率值进行加权处理,以得到加权处理后的前景概率直方图,包括:
采用以下公式计算加权处理后的前景概率直方图:
hoi'=pi×hoi;
其中,hoi为所述前景概率直方图中第i个像素区域的概率值,pi为所述前景概率直方图中第i个像素区域的权值。
7.根据权利要求1所述的方法,其特征在于,
所述基于所述加权处理后的前景概率直方图和所述背景概率直方图,得到响应概率直方图,包括:
采用以下公式计算响应概率直方图:
其中,x表示像素,I(x)表示像素x的像素值,P(x∈O)表示像素x是前景的概率,HO表示前景概率直方图,HS-O表示背景概率直方图。
8.一种图像处理方法,其特征在于,所述方法包括:
获取待处理图像帧;
判断所述待处理图像帧是否为第一帧;
若是,则采用如权利要求1-8任一项所述的方法确定所述待处理图像帧的最终响应概率直方图;
若否,则判断所述响应概率直方图是否需要更新;
若需要更新,则采用如权利要求1-8任一项所述的方法确定所述待处理图像帧的当前响应概率直方图,并利用前一图像帧的响应概率直方图对所述当前响应概率直方图进行更新,以得到最终响应概率直方图;
若不需要更新,则直接采用前一图像帧的响应概率直方图作为最终响应概率直方图;
基于所述最终响应概率直方图,对所述待处理图像帧进行处理,以得到响应图像帧。
9.根据权利要求8所述的方法,其特征在于,
所述利用前一图像帧的响应概率直方图对所述当前响应概率直方图进行更新,以得到最终响应概率直方图,包括:
采用以下公式计算最终响应概率直方图:
P'=(1-η)P+ηP;
其中,P'为所述当前响应概率直方图,P为前一图像帧的响应概率直方图,η为更新参数。
10.根据权利要求8所述的方法,其特征在于,
所述基于所述最终响应概率直方图,对所述待处理图像帧进行处理,以得到响应图像帧,包括:
将所述响应概率直方图映射到所述待处理图像帧上,以得到响应图像帧。
11.一种图像处理装置,其特征在于,所述图像处理装置包括处理器以及与所述处理器连接的存储器,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如权利要求1-10任一项所述的方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有程序数据,所述程序数据在被所述处理器执行时,用以实现如权利要求1-10任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910662530.5A CN110458045A (zh) | 2019-07-22 | 2019-07-22 | 响应概率直方图的获取方法、图像处理方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910662530.5A CN110458045A (zh) | 2019-07-22 | 2019-07-22 | 响应概率直方图的获取方法、图像处理方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458045A true CN110458045A (zh) | 2019-11-15 |
Family
ID=68481607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910662530.5A Pending CN110458045A (zh) | 2019-07-22 | 2019-07-22 | 响应概率直方图的获取方法、图像处理方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458045A (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256626A (zh) * | 2008-02-28 | 2008-09-03 | 王路 | 基于计算机视觉的入侵监控方法 |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
US8243987B2 (en) * | 2008-06-06 | 2012-08-14 | International Business Machines Corporation | Object tracking using color histogram and object size |
US8594423B1 (en) * | 2012-01-12 | 2013-11-26 | Google Inc. | Automatic background identification in video images |
CN103927762A (zh) * | 2013-01-11 | 2014-07-16 | 浙江大华技术股份有限公司 | 一种目标车辆自动跟踪方法及装置 |
CN104143077A (zh) * | 2013-05-09 | 2014-11-12 | 深圳先进技术研究院 | 基于图像的行人目标检索方法和系统 |
CN104167006A (zh) * | 2014-07-10 | 2014-11-26 | 华南理工大学 | 一种任意手形的手势跟踪方法 |
CN104298996A (zh) * | 2014-08-08 | 2015-01-21 | 中国科学院自动化研究所 | 一种应用于仿生机器鱼的水下主动视觉跟踪方法 |
US20150117706A1 (en) * | 2013-10-28 | 2015-04-30 | Ming Chuan University | Visual object tracking method |
US9076076B1 (en) * | 2012-03-30 | 2015-07-07 | Google Inc. | Image similarity determination |
CN105321188A (zh) * | 2014-08-04 | 2016-02-10 | 江南大学 | 基于前景概率的目标跟踪方法 |
US9292743B1 (en) * | 2013-03-14 | 2016-03-22 | Puretech Systems, Inc. | Background modeling for fixed, mobile, and step- and-stare video camera surveillance |
CN105787961A (zh) * | 2016-02-21 | 2016-07-20 | 上海大学 | 基于背景颜色信息加权的目标直方图的Camshift运动目标跟踪方法 |
CN107403175A (zh) * | 2017-09-21 | 2017-11-28 | 昆明理工大学 | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
CN108492313A (zh) * | 2018-02-05 | 2018-09-04 | 绍兴文理学院 | 一种基于中智相似度量的尺度自适应视觉目标跟踪方法 |
CN108876816A (zh) * | 2018-05-31 | 2018-11-23 | 西安电子科技大学 | 基于自适应目标响应的目标跟踪方法 |
-
2019
- 2019-07-22 CN CN201910662530.5A patent/CN110458045A/zh active Pending
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256626A (zh) * | 2008-02-28 | 2008-09-03 | 王路 | 基于计算机视觉的入侵监控方法 |
US8243987B2 (en) * | 2008-06-06 | 2012-08-14 | International Business Machines Corporation | Object tracking using color histogram and object size |
CN101996410A (zh) * | 2010-12-07 | 2011-03-30 | 北京交通大学 | 动态背景下的运动目标检测方法及系统 |
CN102081801A (zh) * | 2011-01-26 | 2011-06-01 | 上海交通大学 | 多特征自适应融合船舶跟踪和航迹检测方法 |
US8594423B1 (en) * | 2012-01-12 | 2013-11-26 | Google Inc. | Automatic background identification in video images |
US9076076B1 (en) * | 2012-03-30 | 2015-07-07 | Google Inc. | Image similarity determination |
CN103927762A (zh) * | 2013-01-11 | 2014-07-16 | 浙江大华技术股份有限公司 | 一种目标车辆自动跟踪方法及装置 |
US9292743B1 (en) * | 2013-03-14 | 2016-03-22 | Puretech Systems, Inc. | Background modeling for fixed, mobile, and step- and-stare video camera surveillance |
CN104143077A (zh) * | 2013-05-09 | 2014-11-12 | 深圳先进技术研究院 | 基于图像的行人目标检索方法和系统 |
US20150117706A1 (en) * | 2013-10-28 | 2015-04-30 | Ming Chuan University | Visual object tracking method |
CN104167006A (zh) * | 2014-07-10 | 2014-11-26 | 华南理工大学 | 一种任意手形的手势跟踪方法 |
CN105321188A (zh) * | 2014-08-04 | 2016-02-10 | 江南大学 | 基于前景概率的目标跟踪方法 |
CN104298996A (zh) * | 2014-08-08 | 2015-01-21 | 中国科学院自动化研究所 | 一种应用于仿生机器鱼的水下主动视觉跟踪方法 |
CN105787961A (zh) * | 2016-02-21 | 2016-07-20 | 上海大学 | 基于背景颜色信息加权的目标直方图的Camshift运动目标跟踪方法 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107403175A (zh) * | 2017-09-21 | 2017-11-28 | 昆明理工大学 | 一种运动背景下的视觉跟踪方法及视觉跟踪系统 |
CN108492313A (zh) * | 2018-02-05 | 2018-09-04 | 绍兴文理学院 | 一种基于中智相似度量的尺度自适应视觉目标跟踪方法 |
CN108447078A (zh) * | 2018-02-28 | 2018-08-24 | 长沙师范学院 | 基于视觉显著性的干扰感知跟踪算法 |
CN108876816A (zh) * | 2018-05-31 | 2018-11-23 | 西安电子科技大学 | 基于自适应目标响应的目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
刘芳 等: "基于背景加权空间直方图的目标跟踪", 《应用光学》 * |
朱宇: "基于动态特征融合与模型更新的目标跟踪算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Reinforcement cutting-agent learning for video object segmentation | |
US20210248378A1 (en) | Spatiotemporal action detection method | |
CN108062574B (zh) | 一种基于特定类别空间约束的弱监督目标检测方法 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
Jeong et al. | Stereo saliency map considering affective factors and selective motion analysis in a dynamic environment | |
CN111709285A (zh) | 一种基于无人机的疫情防护监控方法、装置和存储介质 | |
CN110222572A (zh) | 跟踪方法、装置、电子设备及存储介质 | |
CN110310305B (zh) | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 | |
Ramirez-Alonso et al. | Temporal weighted learning model for background estimation with an automatic re-initialization stage and adaptive parameters update | |
CN112036381B (zh) | 视觉跟踪方法、视频监控方法及终端设备 | |
CN111209774A (zh) | 目标行为识别及显示方法、装置、设备、可读介质 | |
CN111899285B (zh) | 目标对象的跟踪轨迹的确定方法和装置、存储介质 | |
CN111199175A (zh) | 一种目标检测网络模型的训练方法及装置 | |
CN114255434A (zh) | 一种多目标跟踪方法及装置 | |
CN115147745A (zh) | 一种基于城市无人机图像的小目标检测方法 | |
Howard et al. | Pragmatic genetic programming strategy for the problem of vehicle detection in airborne reconnaissance | |
CN107403451A (zh) | 自适应二值特征单目视觉里程计方法及计算机、机器人 | |
CN114677754A (zh) | 行为识别方法、装置、电子设备及计算机可读存储介质 | |
CN111260687B (zh) | 一种基于语义感知网络和相关滤波的航拍视频目标跟踪方法 | |
CN113065397A (zh) | 行人检测方法及装置 | |
CN104021395B (zh) | 一种基于高阶偏最小二乘法的目标跟踪算法 | |
WO2022152009A1 (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN116977674A (zh) | 图像匹配方法、相关设备、存储介质及程序产品 | |
CN114169425A (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |