CN111028263B - 一种基于光流颜色聚类的运动物体分割方法及其系统 - Google Patents

一种基于光流颜色聚类的运动物体分割方法及其系统 Download PDF

Info

Publication number
CN111028263B
CN111028263B CN201911036244.4A CN201911036244A CN111028263B CN 111028263 B CN111028263 B CN 111028263B CN 201911036244 A CN201911036244 A CN 201911036244A CN 111028263 B CN111028263 B CN 111028263B
Authority
CN
China
Prior art keywords
optical flow
images
flow field
dimensional
moving object
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
Application number
CN201911036244.4A
Other languages
English (en)
Other versions
CN111028263A (zh
Inventor
孙嘉宾
房明
蔡荣太
王泽远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Normal University
Original Assignee
Fujian Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Normal University filed Critical Fujian Normal University
Priority to CN201911036244.4A priority Critical patent/CN111028263B/zh
Publication of CN111028263A publication Critical patent/CN111028263A/zh
Application granted granted Critical
Publication of CN111028263B publication Critical patent/CN111028263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及分割技术领域，特别涉及一种基于光流颜色聚类的运动物体分割方法及其系统，通过获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；将计算得到的二维光流场进行光流场可视化处理，得到三维图像；将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体，能够克服现有技术的不足，提高了目标分割的准确度，在运动物体与静止背景分割步骤中使用颜色聚类方法，能够有效的分割出动态背景下的运动物体，从而实现运动目标和背景有效的分割。

Description

一种基于光流颜色聚类的运动物体分割方法及其系统
技术领域
本发明涉及分割技术领域，特别涉及一种基于光流颜色聚类的运动物体分割方法及其系统。
背景技术
运动物体分割在动态场景下的分割是数字图像处理的重要研究内容，是指在视频或者图像序列帧中检测出运动区域并将该区域从背景中提取出来，为跟踪目标识别和行为分析做好前提准备，因此将运动目标和背景有效的分割，从而准确的检测出该目标对后面的一系列操作意义重大。
由于相机的运动，动态场景下的背景和目标都在运动，相比于静态背景下的分割难度要大的多。动态场景常用的目标检测算法主要有3种：聚类法、光流法和运动背景补偿法。聚类法通过两帧之间的特征匹配计算特征点的运动速度来对其聚类分析，其缺点在于在动态场景下的动态目标的正确匹配难度很大，会导致后续的计算不准确；光流法表示了两幅图像上的所有像素点的运动信息，通过计算背景和目标的光流场的不同即可区分出两者，其缺点在于尺度问题，也就是说远处的物体光流会很小，而近处的物体光流会很大；运动背景补偿体现的是两帧之间的差别，通过一帧的各个像素与当前帧之间的关系的不同将相机运动产生的背景去除掉。
发明内容
本发明所要解决的技术问题是：提供一种能够提高分割准确度的基于光流颜色聚类的运动物体分割方法及其系统。
为了解决上述技术问题，本发明采用的第一种技术方案为：
一种基于光流颜色聚类的运动物体分割方法，包括以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
本发明采用的第二种技术方案为：
一种基于光流颜色聚类的运动物体分割系统，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
本发明的有益效果在于：
通过获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；将计算得到的二维光流场进行光流场可视化处理，得到三维图像；将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体，能够克服现有技术的不足，提高了目标分割的准确度，在运动物体与静止背景分割步骤中使用颜色聚类方法，能够有效的分割出动态背景下的运动物体，从而实现运动目标和背景有效的分割。
附图说明
图1为根据本发明的一种基于光流颜色聚类的运动物体分割方法的步骤流程图；
图2为根据本发明的一种基于光流颜色聚类的运动物体分割方法的实拍图像；
图3为根据本发明的一种基于光流颜色聚类的运动物体分割方法的实拍图像；
图4为根据本发明的一种基于光流颜色聚类的运动物体分割方法的分割后的图像。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明提供的一种技术方案：
一种基于光流颜色聚类的运动物体分割方法，包括以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
从上述描述可知，本发明的有益效果在于：
通过获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；将计算得到的二维光流场进行光流场可视化处理，得到三维图像；将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体，能够克服现有技术的不足，提高了目标分割的准确度，在运动物体与静止背景分割步骤中使用颜色聚类方法，能够有效的分割出动态背景下的运动物体，从而实现运动目标和背景有效的分割。
进一步的，步骤S1和步骤S2之间还包括以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
由上述描述可知，将计算得到的二维光流场进行中值滤波处理能够滤除得到的光流场中的噪声，进一步提高了目标分割的准确度，实现运动目标和背景有效的分割。
进一步的，所述二维光流场的计算方法为：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure BDA0002251576520000041
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure BDA0002251576520000042
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure BDA0002251576520000043
是一个高斯核函数，计算得到二维光流场。
由上述描述可知，通过上述二维光流场的计算方法得到的二维光流场更加准确，进一步提高了目标分割的准确度，实现运动目标和背景有效的分割。
进一步的，步骤S2具体为：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
进一步的，步骤S3具体为：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
本发明提供的另一种技术方案：
一种基于光流颜色聚类的运动物体分割系统，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
从上述描述可知，本发明的有益效果在于：
通过获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；将计算得到的二维光流场进行光流场可视化处理，得到三维图像；将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体，能够克服现有技术的不足，提高了目标分割的准确度，在运动物体与静止背景分割步骤中使用颜色聚类方法，能够有效的分割出动态背景下的运动物体，从而实现运动目标和背景有效的分割。
进一步的，所述处理器执行所述计算机程序时还实现以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
从上述描述可知，将计算得到的二维光流场进行中值滤波处理能够滤除得到的光流场中的噪声，进一步提高了目标分割的准确度，实现运动目标和背景有效的分割。
进一步的，所述处理器执行所述计算机程序时进一步实现以下步骤：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure BDA0002251576520000061
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure BDA0002251576520000062
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure BDA0002251576520000063
是一个高斯核函数，计算得到二维光流场。
从上述描述可知，通过上述二维光流场的计算方法得到的二维光流场更加准确，进一步提高了目标分割的准确度，实现运动目标和背景有效的分割。
进一步的，所述处理器执行所述计算机程序时进一步实现以下步骤：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
进一步的，所述处理器执行所述计算机程序时进一步实现以下步骤：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
请参照图1至图4，本发明的实施例一为：
请参照图1，一种基于光流颜色聚类的运动物体分割方法，包括以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
步骤S1和步骤S2之间还包括以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
所述二维光流场的计算方法为：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure BDA0002251576520000071
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure BDA0002251576520000072
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure BDA0002251576520000073
是一个高斯核函数，计算得到二维光流场。
步骤S2具体为：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
步骤S3具体为：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
请参照图2和图3，为拍摄的连续的两帧图像，其中行进的三辆车为运动物体，通过上述的基于光流颜色聚类的运动物体分割方法即可分割出目标物体(即运动物体，如图4所示)，图4中，白色的色块为三个运动物体，黑色的色块为背景。
上述的基于光流颜色聚类的运动物体分割方法的具体实施为：
步骤S1中所选择的数据集是相机在运动中拍摄的图像；
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure BDA0002251576520000081
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure BDA0002251576520000082
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure BDA0002251576520000091
是一个高斯核函数；
输入到一级能量最小框架，
Figure BDA0002251576520000092
其中M(u,v)表示数据项，
Figure BDA0002251576520000093
表示平滑项，β表示权重，得到uv二维光流场；u表示的横坐标上的变化量，v表示的纵坐标上的变化量；
使用加权中值滤波器对得到的uv二维光流场优化处理，滤波器的参数包括空间距离和回环状态，在本方案中滤波器的窗口大小为5*5；
将滤波后的二维光流场通过孟塞尔颜色系统得到可视化的RGB三维图像，孟塞尔颜色系统是色调、饱和度、数值三个维度来描述颜色的方法，因此可以将二维光流场u和v的数值大小和方向信息转化为颜色信息；
使用k近邻颜色聚类的分类方法将RGB图像中运动物体和背景分类，因为场景中运动的物体和背景不同，通过颜色转化后可以清晰的表现出来，通过对RGB图像的三通道分别用k近邻算法做分类处理，然后将三个通道重新合成新的RGB图像。
采用二值化方法将背景和运动分割出来。
本发明的实施例二为：
一种基于光流颜色聚类的运动物体分割系统，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
所述处理器执行所述计算机程序时还实现以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
所述处理器执行所述计算机程序时进一步实现以下步骤：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure BDA0002251576520000101
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure BDA0002251576520000102
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure BDA0002251576520000103
是一个高斯核函数，计算得到二维光流场。
所述处理器执行所述计算机程序时进一步实现以下步骤：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
所述处理器执行所述计算机程序时进一步实现以下步骤：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
综上所述，本发明提供的一种基于光流颜色聚类的运动物体分割方法及其系统，通过获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；将计算得到的二维光流场进行光流场可视化处理，得到三维图像；将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体，能够克服现有技术的不足，提高了目标分割的准确度，在运动物体与静止背景分割步骤中使用颜色聚类方法，能够有效的分割出动态背景下的运动物体，从而实现运动目标和背景有效的分割。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于光流颜色聚类的运动物体分割方法，其特征在于，包括以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；所述二维光流场的计算方法为：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure FDA0004056379670000011
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure FDA0004056379670000012
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure FDA0004056379670000013
是一个高斯核函数，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行颜色聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
2.根据权利要求1所述的基于光流颜色聚类的运动物体分割方法，其特征在于，步骤S1和步骤S2之间还包括以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
3.根据权利要求1所述的基于光流颜色聚类的运动物体分割方法，其特征在于，步骤S2具体为：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
4.根据权利要求1所述的基于光流颜色聚类的运动物体分割方法，其特征在于，步骤S3具体为：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
5.一种基于光流颜色聚类的运动物体分割系统，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
步骤S1、获取原始图像序列中的任意的连续两帧图像，并采集所述两帧图像中所有的像素点，计算得到二维光流场；所述二维光流场的计算方法为：
根据块匹配算法，计算得到连续两帧图像的第一匹配集M＝{(pm,p'm)}；所述pm和p’m分别表示连续两帧图像中各自的像素点；
根据RANSAC算法，从计算得到的连续两帧图像的第一匹配集中筛选出匹配点；
对连续两帧图像中的上一帧图像进行边缘提取处理；
计算pm和p’m两个像素点之间的距离；
根据像素点距离公式：
Figure FDA0004056379670000021
其中X表示像素点pm和p’m之间所有可能的路径集，C(ps)表示经过ps点的代价，计算得到pm点的k个最小近邻点；
将计算得到pm点的k个最小近邻点与连续两帧图像中的下一帧图像上对应的点匹配，得到连续两帧图像的第二匹配集；
根据匹配集估算公式：
Figure FDA0004056379670000031
其中，Nk(p)表示连续两帧图像的第二匹配集，
Figure FDA0004056379670000032
是一个高斯核函数，计算得到二维光流场；
步骤S2、将计算得到的二维光流场进行光流场可视化处理，得到三维图像；
步骤S3、将得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类处理后的图像；
步骤S4、将得到的聚类后的图像进行二值化处理，得到分割出来的运动物体。
6.根据权利要求5所述的基于光流颜色聚类的运动物体分割系统，其特征在于，所述处理器执行所述计算机程序时还实现以下步骤：
将计算得到的二维光流场进行中值滤波处理，得到滤波后的二维光流场。
7.根据权利要求5所述的基于光流颜色聚类的运动物体分割系统，其特征在于，所述处理器执行所述计算机程序时进一步实现以下步骤：
将计算得到的二维光流场通过孟塞尔颜色系统进行光流场可视化处理，得到三维图像。
8.根据权利要求5所述的基于光流颜色聚类的运动物体分割系统，其特征在于，所述处理器执行所述计算机程序时进一步实现以下步骤：
根据K近邻算法，对得到的三维图像中的运动物体和静止背景进行聚类处理，得到聚类后的图像。
CN201911036244.4A 2019-10-29 2019-10-29 一种基于光流颜色聚类的运动物体分割方法及其系统 Active CN111028263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911036244.4A CN111028263B (zh) 2019-10-29 2019-10-29 一种基于光流颜色聚类的运动物体分割方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911036244.4A CN111028263B (zh) 2019-10-29 2019-10-29 一种基于光流颜色聚类的运动物体分割方法及其系统

Publications (2)

Publication Number Publication Date
CN111028263A CN111028263A (zh) 2020-04-17
CN111028263B true CN111028263B (zh) 2023-05-05

Family

ID=70200735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911036244.4A Active CN111028263B (zh) 2019-10-29 2019-10-29 一种基于光流颜色聚类的运动物体分割方法及其系统

Country Status (1)

Country Link
CN (1) CN111028263B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111586363B (zh) * 2020-05-22 2021-06-25 深圳市睿联技术股份有限公司 基于对象的视频文件查看方法及系统
CN113129227A (zh) * 2021-03-29 2021-07-16 影石创新科技股份有限公司 图像处理方法、装置、计算机设备和存储介质
CN113965728A (zh) * 2021-10-20 2022-01-21 深圳龙岗智能视听研究院 一种双流的视频隐私保护方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020992A (zh) * 2012-11-12 2013-04-03 华中科技大学 一种基于运动颜色关联的视频图像显著性检测方法
CN103871076A (zh) * 2014-02-27 2014-06-18 西安电子科技大学 基于光流法和超像素分割的运动目标提取方法
CN104156932A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种基于光流场聚类的运动目标分割方法
CN107292266A (zh) * 2017-06-21 2017-10-24 吉林大学 一种基于光流聚类的车载行人区域估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6721448B2 (en) * 2001-02-20 2004-04-13 International Business Machines Corporation Color clustering and segmentation using sigma filtering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020992A (zh) * 2012-11-12 2013-04-03 华中科技大学 一种基于运动颜色关联的视频图像显著性检测方法
CN104156932A (zh) * 2013-05-13 2014-11-19 哈尔滨点石仿真科技有限公司 一种基于光流场聚类的运动目标分割方法
CN103871076A (zh) * 2014-02-27 2014-06-18 西安电子科技大学 基于光流法和超像素分割的运动目标提取方法
CN107292266A (zh) * 2017-06-21 2017-10-24 吉林大学 一种基于光流聚类的车载行人区域估计方法

Also Published As

Publication number Publication date
CN111028263A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
US11302315B2 (en) Digital video fingerprinting using motion segmentation
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
KR101932009B1 (ko) 다중 객체 검출을 위한 영상 처리 장치 및 방법
CN111028263B (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
JP4429298B2 (ja) 対象個数検出装置および対象個数検出方法
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
CN109685045B (zh) 一种运动目标视频跟踪方法及系统
CN110717896A (zh) 基于显著性标签信息传播模型的板带钢表面缺陷检测方法
US8488878B2 (en) Sky detection system used in image extraction device and method using sky detection system
Huynh-The et al. NIC: A robust background extraction algorithm for foreground detection in dynamic scenes
WO2019197021A1 (en) Device and method for instance-level segmentation of an image
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
Sakpal et al. Adaptive background subtraction in images
Lin et al. Cross camera people counting with perspective estimation and occlusion handling
CN108647605B (zh) 一种结合全局颜色与局部结构特征的人眼凝视点提取方法
CN111079516B (zh) 基于深度神经网络的行人步态分割方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
JP4918615B2 (ja) 対象個数検出装置および対象個数検出方法
Hu et al. Automatic spectral video matting
Pandey et al. Implementation of 5-block convolutional neural network (cnn) for saliency improvement on flying object detection in videos
JP4674920B2 (ja) 対象個数検出装置および対象個数検出方法
CN114820718A (zh) 一种视觉动态定位跟踪算法
CN114841941A (zh) 基于深度与彩色图像融合的运动目标检测算法
Holtzhausen et al. An illumination invariant framework for real-time foreground detection
CN113344905A (zh) 一种带材跑偏量检测方法及系统

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