CN110858392A - 一种基于融合背景模型的监控目标定位方法 - Google Patents
一种基于融合背景模型的监控目标定位方法 Download PDFInfo
- Publication number
- CN110858392A CN110858392A CN201810958024.6A CN201810958024A CN110858392A CN 110858392 A CN110858392 A CN 110858392A CN 201810958024 A CN201810958024 A CN 201810958024A CN 110858392 A CN110858392 A CN 110858392A
- Authority
- CN
- China
- Prior art keywords
- background
- background model
- slow
- updating
- fast
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000003068 static effect Effects 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于融合背景模型的监控目标定位方法，读入监控视频，创建两个背景模型，两个背景模型分别为快更新背景模型和慢更新背景模型；根据快更新背景模型和慢更新背景模型，实时检测图像中出现稳定变化的区域；使用上一步的背景模型输出结果，得到两个更新速率不同的前后背景分割结果：快更新背景结果和慢更新背景结果；判定区域是否出现物体丢失，若是，保存物体丢失的相关视频帧、发出警报。
Description
技术领域
本发明涉及智能视频监控、计算机视觉领域，具体涉及一种基于融合背景模型的监控目标定位方法。
背景技术
监控目标定位是安防智能监测预警系统中的一个重要应用，可应用于地铁、机场、体育场等公共场合下对重要物体的智能监测和保护。目前，监控目标定位主要有两种方式：第一种是直接对比局部图像变化判定目标物体是否丢失，该类方法需针对特定的监控画面指定监控位置，且易受到行人、车辆等移动物体的暂时性遮挡而出现误判；另一种是结合机器学习的方法进行目标检测，然后对感兴趣目标进行实时跟踪从而判定是否移除，这种方式则需要巨大的运算量，难以满足实时性的要求。所以，如何在较复杂环境下保证监控视频中物体移除检测的准确性、实时性是有待解决的问题。
发明内容
为解决上述技术问题，本发明的目的在于提供一种基于融合背景模型的监控目标定位方法，准确、实时的检测监控目标。
本发明的技术方案如下：
一种基于融合背景模型的监控目标定位方法，其特征在于包括以下步骤：
(1)读入监控视频，创建两个背景模型，两个背景模型分别为快更新背景模型和慢更新背景模型；利用摄像头获得监控视频的图像数据，并将第一帧图像作为开始两个模型的背景图像，然后使用后续N帧图像更新，使得模型适应当前的光照变化；
(2)根据快更新背景模型和慢更新背景模型，实时检测图像中出现稳定变化的区域；使用上一步的背景模型输出结果，得到两个更新速率不同的前后背景分割结果：快更新背景结果和慢更新背景结果；
(3)判定区域是否出现物体丢失，若是，保存物体丢失的相关视频帧、发出警报，转步骤(4)；否则转步骤(2)；
(4)更新双背景模型。
上述方法中，步骤(1)中创建两个背景模型的方法为：
两个背景模型分别为快更新背景模型和慢更新背景模型，使用相同的创建机制——混合高斯背景建模，但更新速率不同；快更新背景模型使用较大学习率，检测短时间内的前后背景；慢更新背景模型使用较小的学习率，检测较长时间内的前后背景。
上述方法中，步骤(2)中检测图像中出现稳定变化的区域的方法为：
快、慢背景模型分别输出值为0、1的分割结果，0表示背景，1表示前景，那么对于监控画面特定位置的像素点，当快背景模型为0、慢背景模型为1时，表示该位置目前是静止态，但在过去的一段时间内是运动态，即为候选的变化区域；快、慢背景模型值分别为1、1时，则表示运动态；为减少噪音干扰，设置有限状态机进行变化区域筛选，当像素点的快、慢背景模型值从11态切换到10态，且10态维持某一固定帧数时，则认为该位置为稳定变化的区域，持续统计满足这样要求的像素点数，若像素数目基本维持稳定，则可以确定发生稳定变化的区域。
上述方法中，步骤(3)中判定区域是否出现物体丢失的方法为：
根据监控视频的特点，一般发生稳定变化的位置在视频画面中的背景为地面、墙面，若是发生物体移除，在视频中的表现是：该区域从具有明显物体轮廓的画面，变化为均匀、连续的背景画面，梯度会降低，根据这个特点，对判定为稳定变化的区域进行梯度值计算，与前N帧的对应位置进行比较。若梯度值为降低趋势，则判定为物体丢失。
上述方法中，步骤(4)中双背景模型的更新方法为：
快背景模型变化及时，判定为物体移除后基本不会对后续的判定造成影响，而慢更新背景模型会在较长时间内，在变化区域保留原来的像素信息，后续在相同位置发生物体移除时会受到干扰，因此，仅更新慢背景模型，更新方法为：构造发生物体移除位的位置掩模，对掩模位置的混合高斯背景模型相关参数重置为初始状态，其他位置保持不变，得到新的慢更新背景图像。
本发明与现有技术对比，具有以下良好效果：
1、本发明将融合背景模型的遗留物检测方法应用于物体移除检测，取代了通过对比局部图像变化的物体移除检测方法，具有更好的鲁棒性和抗干扰性。
2、本发明结合监控视频的实际应用场景，通过边缘检测的方法区分物体的遗留和移除，在保证较高准确性的同时，相比于实时跟踪的方法提高了检测系统实时性。
附图说明
图1是本发明的实现流程图；
图2是是判定区域发生稳定变化的有限状态机图。
具体实施方式
以下结合附图和具体实施对本发明进行详细描述，但不作为对本发明的限定。
如图1，本方法的实现步骤如下：
(1)读入监控视频，创建两个背景模型：
利用摄像头获得监控视频的图像数据，并将第一帧图像作为开始两个模型的背景图像，然后使用后续N帧图像更新，使得模型适应当前的光照变化。N取300帧左右可使得后续检测取得较好效果。
(2)检测图像中出现稳定变化的区域。
使用上一步的背景模型输出结果，得到两个更新速率不同的前后背景分割结果——快更新背景结果和慢更新背景结果。其中，快更新背景结果的更新速率是28秒/次，慢更新背景结果的更新速率是0.5秒/次。快更新背景模型与慢更新背景模型的更新速率在40:1到80:1之间比较合适，这个比值可以根据具体的实际环境设定。对给定的输入视频，快、慢背景模型分别给出的前后背景分割结果，两个存在一定时间上的差异：当视频中的运动对象放下包裹，由于包裹在短时间内已经静止，于是快背景模型中只有运动的人；而从长期来看，包裹静止是暂时性的，在一定的时间阈值内，它仍然是运动态，于是慢背景模型中既包含了人，也包含有包裹。
两个模型的背景分割结果可用01矩阵表示，0表示分割结果为背景，1表示为前景，则快、慢背景模型的某一像素在特定时刻的状态共有四种：
00：表示该像素为背景；
01：表示可能发生移除的稳定变化区域；
10：表示被覆盖的静态前景；
11：表示该像素为运动物体；
通过像素点的状态转换可判定稳定变化的区域，如图2所示。当视频帧画面中像素的状态由运动态A(11)转换到可能目标B(10)，统计B连续出现的次数，当B状态出现次数达到设定阈值n时，像素状态转变为C，即认为该像素为稳定变化区域的组成像素。
根据监控视频的随时间变化的特点，统计不同时刻状态C像素的总数，当C状态像素总数达到稳定且覆盖区域在设定的阈值范围之内时，则认为C状态像素区域为稳定变化的区域。
(3)判定区域是否出现物体移除：
可通过梯度值变化检测进行物体移除的判定。若是出现物体移除，留下则是变化均匀、连续的背景画面，梯度会降低。保存当前帧图片及其前k张帧图像，统计这段时间内所有的帧图像在对应位置的梯度值，若出现梯度下降趋势则认为是物体移除。
(4)双背景模型的更新：
快背景模型变化及时，判定为物体移除后基本不会对后续的判定造成影响。而慢更新背景模型会在较长时间内，在变化区域保留原来的像素信息，后续在相同位置发生物体移除时会受到干扰。因此，仅更新慢背景模型，更新方法为：构造发生物体移除位的位置掩模，对掩模位置的混合高斯背景模型相关参数重置为初始状态，其他位置保持不变，得到新的慢更新背景图像。
Claims (4)
1.一种基于融合背景模型的监控目标定位方法，其特征在于包括以下步骤：
(1)读入监控视频，创建两个背景模型，两个背景模型分别为快更新背景模型和慢更新背景模型，使用相同的创建机制——混合高斯背景建模，但更新速率不同；快更新背景模型使用较大学习率，检测短时间内的前后背景；慢更新背景模型使用较小的学习率，检测较长时间内的前后背景；利用摄像头获得监控视频的图像数据，并将第一帧图像作为开始两个模型的背景图像，然后使用后续N帧图像更新，使得模型适应当前的光照变化；
(2)根据快更新背景模型和慢更新背景模型，实时检测图像中出现稳定变化的区域；使用上一步的背景模型输出结果，得到两个更新速率不同的前后背景分割结果：快更新背景结果和慢更新背景结果；
(3)判定区域是否出现物体丢失，若是，保存物体丢失的相关视频帧、发出警报，转步骤(4)；否则转步骤(2)；
(4)更新双背景模型。
2.根据权利要求1所述的基于融合背景模型的监控目标定位方法，其特征在于，步骤(1)中检测图像中出现稳定变化的区域的方法为：
快、慢背景模型分别输出值为0、1的分割结果，0表示背景，1表示前景，那么对于监控画面特定位置的像素点，当快背景模型为0、慢背景模型为1时，表示该位置目前是静止态，但在过去的一段时间内是运动态，即为候选的变化区域；快、慢背景模型值分别为1、1时，则表示运动态；为减少噪音干扰，设置有限状态机进行变化区域筛选，当像素点的快、慢背景模型值从11态切换到10态，且10态维持某一固定帧数时，则认为该位置为稳定变化的区域，持续统计满足这样要求的像素点数，若像素数目基本维持稳定，则可以确定发生稳定变化的区域。
3.根据权利要求1所述的基于融合背景模型的监控目标定位方法，其特征在于，步骤(1)中判定区域是否出现物体丢失的方法为：
根据监控视频的特点，一般发生稳定变化的位置在视频画面中的背景为地面、墙面，若是发生物体移除，在视频中的表现是：该区域从具有明显物体轮廓的画面，变化为均匀、连续的背景画面，梯度会降低，根据这个特点，对判定为稳定变化的区域进行梯度值计算，与前N帧的对应位置进行比较。若梯度值为降低趋势，则判定为物体丢失。
4.根据权利要求1所述的基于融合背景模型的监控目标定位方法，其特征在于，步骤(1)中双背景模型的更新方法为：
快背景模型变化及时，判定为物体移除后基本不会对后续的判定造成影响，而慢更新背景模型会在较长时间内，在变化区域保留原来的像素信息，后续在相同位置发生物体移除时会受到干扰，因此，仅更新慢背景模型，更新方法为：构造发生物体移除位的位置掩模，对掩模位置的混合高斯背景模型相关参数重置为初始状态，其他位置保持不变，得到新的慢更新背景图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810958024.6A CN110858392A (zh) | 2018-08-22 | 2018-08-22 | 一种基于融合背景模型的监控目标定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810958024.6A CN110858392A (zh) | 2018-08-22 | 2018-08-22 | 一种基于融合背景模型的监控目标定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110858392A true CN110858392A (zh) | 2020-03-03 |
Family
ID=69635902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810958024.6A Pending CN110858392A (zh) | 2018-08-22 | 2018-08-22 | 一种基于融合背景模型的监控目标定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110858392A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111968181A (zh) * | 2020-08-21 | 2020-11-20 | 中科微至智能制造科技江苏股份有限公司 | 一种基于图像处理的包裹位置实时检测方法及系统 |
| CN113392677A (zh) * | 2020-03-12 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 目标对象的检测方法及装置、存储介质、终端 |
| CN116704268A (zh) * | 2023-08-04 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
-
2018
- 2018-08-22 CN CN201810958024.6A patent/CN110858392A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392677A (zh) * | 2020-03-12 | 2021-09-14 | 阿里巴巴集团控股有限公司 | 目标对象的检测方法及装置、存储介质、终端 |
| CN111968181A (zh) * | 2020-08-21 | 2020-11-20 | 中科微至智能制造科技江苏股份有限公司 | 一种基于图像处理的包裹位置实时检测方法及系统 |
| CN116704268A (zh) * | 2023-08-04 | 2023-09-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
| CN116704268B (zh) * | 2023-08-04 | 2023-11-10 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 面向动态变化复杂场景的强鲁棒目标检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang | Real-time moving vehicle detection with cast shadow removal in video based on conditional random field | |
| CN104392468B (zh) | 基于改进视觉背景提取的运动目标检测方法 | |
| US8571261B2 (en) | System and method for motion detection in a surveillance video | |
| JP2009533778A (ja) | 統計的画素モデリングを使った映像セグメント化 | |
| CN111723644A (zh) | 一种监控视频遮挡检测方法及系统 | |
| CN109919053A (zh) | 一种基于监控视频的深度学习车辆停车检测方法 | |
| CN103729858A (zh) | 一种视频监控系统中遗留物品的检测方法 | |
| CN110858392A (zh) | 一种基于融合背景模型的监控目标定位方法 | |
| Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
| KR20210101286A (ko) | 장면 내 물체를 추적하는 방법 | |
| Sharma | Human detection and tracking using background subtraction in visual surveillance | |
| Yaghoobi Ershadi et al. | Vehicle tracking and counting system in dusty weather with vibrating camera conditions | |
| JP7163718B2 (ja) | 干渉領域検出装置と方法及び電子機器 | |
| Hardas et al. | Moving object detection using background subtraction shadow removal and post processing | |
| Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
| Verma et al. | Analysis of moving object detection and tracking in video surveillance system | |
| CN107301655B (zh) | 一种基于背景建模的视频移动目标侦测方法 | |
| Chen et al. | Moving objects detection based on background subtraction combined with consecutive frames subtraction | |
| Fu et al. | An effective background subtraction method based on pixel change classification | |
| Muniruzzaman et al. | Deterministic algorithm for traffic detection in free-flow and congestion using video sensor | |
| JP2004208209A (ja) | 移動体監視装置および移動体監視方法 | |
| Liu et al. | Real-Time Shadow Detection from Live Outdoor Videos for Augmented Reality | |
| Makawana et al. | Moving vehicle detection and speed measurement in video sequence | |
| CN104732558B (zh) | 运动目标检测装置 | |
| CN109712106A (zh) | 一种用于监控视频物体移除检测的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200303 |
|
| WD01 | Invention patent application deemed withdrawn after publication |