CN111553931A - 一种用于室内实时监控的ViBe-ID前景检测方法 - Google Patents

一种用于室内实时监控的ViBe-ID前景检测方法 Download PDF

Info

Publication number
CN111553931A
CN111553931A CN202010261465.8A CN202010261465A CN111553931A CN 111553931 A CN111553931 A CN 111553931A CN 202010261465 A CN202010261465 A CN 202010261465A CN 111553931 A CN111553931 A CN 111553931A
Authority
CN
China
Prior art keywords
pixel
foreground
image
vibe
background
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
Application number
CN202010261465.8A
Other languages
English (en)
Other versions
CN111553931B (zh
Inventor
张文韬
杨林权
罗际凡
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010261465.8A priority Critical patent/CN111553931B/zh
Publication of CN111553931A publication Critical patent/CN111553931A/zh
Application granted granted Critical
Publication of CN111553931B publication Critical patent/CN111553931B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

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

本发明提供一种用于室内实时监控的ViBe‑ID前景检测方法，包括：输入视频序列，使用结合三帧差法的背景建模方法进行背景建模，并用ViBe算法的前景检测算法进行前景提取，然后采用背景模型的分区更新策略完成背景模型更新，采用形态学方法完善前景区域，最后将前景区域输出，同时，在算法过程中还穿插了基于帧间灰度均值差的光照检测算法。本发明的有益效果：该方法在不牺牲原ViBe算法对于前景检测的实时性、准确性的基础上，有效消除“鬼影”和光照骤变带来的“泛白”现象，相比ViBe算法更适用于室内环境的前景检测。

Description

一种用于室内实时监控的ViBe-ID前景检测方法
技术领域
本发明涉及移动目标检测领域，尤其涉及一种用于室内实时监控的ViBe-ID前景检测方法。
背景技术
目前主流的移动目标检测技术主要包括帧间差分法、光流法、背景差分法，其中，帧间差分法是一种利用两帧相邻图像中同一像素点的灰度值进行差分运算，并通过判断灰度差是否大于阈值从而对前景像素和背景像素进行二值分类的方法，该方法运算量小、适用性广，但划分的前景区域往往不够完整；光流法是一种通过研究视频图像序列的光流场，利用图像中运动物体的光流信息和背景的光流信息的差异性来确定运动物体的位置，进而检测运动目标的方法，该方法准确率较高，对于光照的鲁棒性较强，但算法的时间复杂度很高，对于硬件环境的要求很高，不适用于实际；背景差分法是一种先建立背景模型，然后将视频的每一帧图像与背景图像在相同像素点的灰度值进行差分运算，并通过比较阈值来确定背景、前景区域的方法，该方法相比于光流法运算速度更快，相比于帧间差分法能更好的提取前景区域，所以被广泛运用于实际生活中。
背景差分法的主要步骤包括背景建模、背景更新、目标检测三个部分，其中，背景建模的好坏直接影响到前景检测的精确率，是最关键的部分。传统的背景建模方法有：均值法、中值法、单高斯模型法、混合高斯模型法、码本模型法等。其中，均值法和中值法是将前景视作噪声，针对连续图像序列中的像素，用累计平均值或取中值去除噪声的建模方法；单高斯模型法和混合高斯模型法是利用单个或多个高斯函数对背景进行拟合的背景建模方法；码本模型法则是为每个像素建立时间序列模型从而构建背景模型的方法。然而，上述背景建模方法都需要足够时长的视频序列进行背景建模，这意味着这些背景建模方法由于初始化时间太长而不能有效运用于实时的运动目标检测。
ViBe(Visual Background Extractor)算法较为有效地解决了上述问题，ViBe算法是一种针对像素级建立背景模型并和当前帧作背景差分的算法。该算法利用像素在同一区域内具有相近像素值这一特点，仅选取视频的第一帧图像进行背景初始化，但该方法也存在两点不足：(1)当视频的第一帧图像中存在运动目标时，前景像素被当成背景像素融入到背景建模中，这将会造成“鬼影”现象；(2)当视频图像的光照强度突变时，比如室内的开关灯操作造成的光照骤变现象，图像的大部分区域会被检测为前景，产生“泛白”现象。
发明内容
有鉴于此，本发明提供了一种用于室内实时监控的ViBe-ID前景检测方法，在不牺牲原ViBe算法对于前景检测的实时性、准确性的基础上，有效消除“鬼影”和光照骤变带来的“泛白”现象，相比ViBe算法更适用于室内环境的前景检测。
本发明提供一种用于室内实时监控的ViBe-ID前景检测方法，包括以下步骤：
S1、实时获取室内监控视频并做灰度化处理，将当前帧的前一帧图像、当前帧图像以及当前帧的后三帧图像存储在队列中；
S2、采用三帧差法处理队列中的前三帧图像，得到前景区域，然后获取将所述前景区域包括在内的框选矩形，对于所述框选矩形外的区域，采用ViBe算法进行背景建模，并为图像中的每一像素点设置初始值为0的滞留值；
S3、选取队列中的前两帧图像，采用帧间灰度均值差法判断所述前两帧图像是否发生了光照骤变，若是，则利用队列中的后三帧图像重新进行步骤S2中的背景建模，然后执行步骤S4，否则继续执行步骤S4；
S4、对于当前帧图像中位于框选矩形区域内的像素，采用三帧差法进行前景检测，对于当前帧图像中位于框选矩形区域外的像素，采用ViBe算法进行前景检测；若像素被检测为前景像素，则该像素的滞留值加1，若像素被检测为背景像素，则该像素的滞留值清零；若某像素的滞留值超过阈值，则该像素被强制判定为背景像素；
S5、使用背景模型分区更新策略进行背景模型更新，并判断当前帧图像中位于框选矩形内的区域是否连续n帧均未检测到前景像素，若是，回到步骤S2重新进行背景建模，否则继续执行步骤S6；
S6、对完成背景模型更新后的当前帧图像进行形态学处理，得到二值化的前景图像，完成对当前帧图像的处理过程；继续实时获取监控视频中的图像并做灰度化处理，将下一帧图像作为当前帧图像对队列进行更新，回到步骤S3。
进一步地，所述步骤S2的具体过程为：
S21、采用三帧差法对所述队列中的前三帧图像进行处理，得到前景区域；
S22、采用OpenCV库提供的boundingRect方法获取能框选所述前景区域的最小轮廓的矩形的左上点像素坐标(p0,q0)以及所述矩形的宽w、高h，并利用横向补偿值l1以及纵向补偿值l2扩大所述矩形区域，得到框选矩形的左上点像素坐标(p0-l1,q0-l2)及右下点像素坐标(p0+w+l1,q0+h+l2)；
S23、判断图像中的任一像素v(x)是否位于所述框选矩形外，若是，则建立所述像素对应的样本集Sample(v(x))＝{vi|i＝1,2,…,N,β}，其中，vi表示样本，N表示样本个数，β表示初始值为0的滞留值，所述样本由像素v(x)的邻域八像素中随机选取N次得到；否则，为该像素设置初始值为0的滞留值；对图像中的所有像素进行判断，完成背景模型的建立。
进一步地，所述步骤S21中，采用三帧差法对所述前三帧图像进行处理的过程为：对图像中的任一像素点(p,q)，根据像素值计算：
Figure BDA0002439456260000041
D(p,q)＝δ1(p,q)|δ2(p,q)，
其中，f0(p,q)、f1(p,q)、f2(p,q)依次表示当前帧的前一帧图像、当前帧图像、当前帧的后一帧图像中像素点(p,q)处的像素值，T表示设定的像素差阈值；|表示逻辑或操作，D(p,q)表示像素点(p,q)处的判断值，若D(p,q)＝1，则该像素点(p,q)为前景像素，对图像中的所有像素进行判断，得到前景区域。
进一步地，所述步骤S3中，所述帧间灰度均值差法的判断公式为：
|mean0-mean1|>Y，
式中，mean1表示当前帧图像的像素灰度均值，mean0表示当前帧的前一帧图像的像素灰度均值，Y表示设定的光照阈值；若所述判断公式成立，则认为发生了光照骤变，否则，认为未发生光照骤变。
进一步地，所述步骤S4中，采用ViBe算法进行前景检测的过程为：
#{SR(v(x))∩{v1,v2,…,vN}}<#min，
式中，v(x)表示框选矩形区域外的待检测像素，SR(v(x))表示图像中与所述待检测像素v(x)的欧氏距离小于R的区域，{v1,v2,…,vN}表示像素v(x)对应的样本集，#{·}表示求集合内元素数目，#min表示设定的前景检测阈值；若所述样本集中与所述待检测像素v(x)的欧氏距离小于R的像素的个数小于阈值#min，则所述待检测像素v(x)为前景像素，否则为背景像素。
进一步地，所述步骤S5中，所述背景模型分区更新策略具体为：
对于当前帧图像中位于框选矩形外的区域，若像素被检测为背景像素，则所述像素有
Figure BDA0002439456260000042
的概率更新其对应的样本集，
Figure BDA0002439456260000043
表示设定的更新值；若像素被检测为前景像素，则不进行背景模型更新；
对于当前帧图像中位于框选矩形内的区域，不参与背景模型更新。
进一步地，所述当框选矩形外的像素被检测为背景像素时，所述像素有
Figure BDA0002439456260000051
的概率随机替换其对应的样本集中的某一元素，从而完成对样本集的更新。
进一步地，所述步骤S6中，所述形态学处理的过程包括先膨胀后腐蚀，然后进行连通性检测，最后剔除图像中面积小于阈值的前景区域。
本发明提供的技术方案带来的有益效果是：在不损失ViBe原算法的实时性、准确性的基础上，能有效消除“鬼影”和光照骤变带来的“泛白”现象。
附图说明
图1是本发明实施例提供的用于室内实时监控的ViBe-ID前景检测方法的流程图；
图2是本发明实施例提供的采用ViBe算法建立背景模型时样本数据的选取示意图；
图3是本发明实施例提供的采用ViBe算法进行前景检测的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种用于室内实时监控的ViBe-ID前景检测方法，包括以下步骤：
S1、实时获取室内监控视频并做灰度化处理，将当前帧的前一帧图像f0、当前帧图像f1、以及当前帧的后三帧图像f2、f3、f4存储在队列中。
S2、结合三帧差法进行背景建模：利用三帧差法处理队列中的前三帧图像f0、f1、f2得到前景区域，然后利用OpenCV库获取将所述前景区域包括在内的框选矩形，对于所述框选矩形外的区域，采用ViBe算法进行背景建模，并为图像中的每一像素点设置初始值为0的滞留值。具体地，所述步骤S2的过程为：
S21、采用三帧差法对所述前三帧图像f0、f1、f2进行处理，具体地，根据像素值计算：
Figure BDA0002439456260000061
D(p,q)＝δ1(p,q)|δ2(p,q)，
其中，f0(p,q)、f1(p,q)、f2(p,q)依次表示当前帧的前一帧图像、当前帧图像、当前帧的后一帧图像中像素点(p,q)处的像素值，T表示设定的像素差阈值；|表示逻辑或操作，D(p,q)表示像素点(p,q)处的判断值，若D(p,q)＝1，则该像素点(p,q)为前景像素，对图像中的所有像素进行判断，得到前景区域。
S22、采用OpenCV库提供的boundingRect方法获取能框选前景区域的最小轮廓的矩形的左上点像素坐标(p0,q0)以及所述矩形的宽w、高h，并利用横向补偿值l1以及纵向补偿值l2扩大所述矩形区域，得到最终框选矩形的左上点像素坐标(p0-l1,q0-l2)及右下点像素坐标(p0+w+l1,q0+h+l2)。
S23、判断图像中的任一像素v(x)是否位于所述框选矩形外，若是，则建立所述像素对应的样本集Sample(v(x))＝{vi|i＝1,2,…,N,β}，其中，vi表示样本，N表示样本个数，β表示初始值为0的滞留值，请参考图2，对于像素v(x)，其样本集中的元素从所述像素v(x)的邻域八像素{vN(1),vN(2),…,vN(8)}中随机选取N次得到；否则，为该像素设置初始值为0的滞留值；对图像中的所有像素进行判断，从而完成背景模型的建立。
S3、选取队列中的前两帧图像f0、f1，采用帧间灰度均值差法判断所述前两帧图像是否发生了光照骤变，其中，所述帧间灰度均值差法的判断公式为：
|mean0-mean1|>Y，
式中，mean1表示当前帧图像的像素灰度均值，mean0表示当前帧的前一帧图像的像素灰度均值，Y表示设定的光照阈值；若所述判断公式成立，则认为当前帧图像f1相对于上一帧图像f0发生了光照骤变，采用队列中的前三帧图像进行步骤S2中的背景建模不合适，会造成“泛白”现象，因此利用队列中的后三帧图像f2、f3、f4重新进行步骤S2中的背景建模，然后执行步骤S4；否则，继续执行步骤S4。
S4、对于当前帧图像f1中位于框选矩形区域内的像素，采用三帧差法进行前景检测；对于当前帧图像f1中位于框选矩形区域外的像素，请参考图3，采用ViBe算法进行前景检测：
#{SR(v(x))∩{v1,v2,…,vN}}<#min，
式中，v(x)表示框选矩形区域外的待检测像素，SR(v(x))表示与所述待检测像素v(x)的欧氏距离小于R的区域，{v1,v2,…,vN}表示像素v(x)对应的样本集，#{·}表示求集合内元素数目，#min表示设定的前景检测阈值；若所述样本集中与所述待检测像素v(x)的欧氏距离小于R的像素的个数小于阈值#min，则所述待检测像素v(x)为前景像素，否则为背景像素。
若像素被检测为前景像素，则该像素的滞留值加1，若像素被检测为背景像素，则该像素的滞留值清零；若某像素的滞留值超过阈值M，则该像素被强制判定为背景像素；将前景像素的灰度值设置为255，将背景像素的灰度值设置为0。
S5、使用背景模型分区更新策略进行背景模型更新。其中，所述背景模型分区更新策略为：
对于当前帧图像f1中位于框选矩形外的区域，当所述框选矩形外的像素v(x)被检测为背景像素时，该像素v(x)有
Figure BDA0002439456260000071
的概率更新其对应的样本集，即利用像素v(x)随机替换其样本集中的某一元素，
Figure BDA0002439456260000072
表示设定的更新值；当像素v(x)被检测为前景像素时，则不进行背景模型更新；
对于当前帧图像f1中位于框选矩形内的区域，判断所述框选矩形内的区域是否连续n帧均未检测到前景像素，若是，回到步骤S2重新进行背景建模，否则继续执行步骤S6。其中，所述n的数值根据视频的码率决定。
S6、对完成背景模型更新后的当前帧图像进行形态学处理，输出二值化的前景图像，继续实时获取监控视频中的图像并做灰度化处理，将下一帧图像作为当前帧图像对队列进行更新，回到步骤S3。优选地，本发明先膨胀后腐蚀，然后进行连通性检测，最后剔除图像中面积小于S的前景区域。
在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于室内实时监控的ViBe-ID前景检测方法，其特征在于，包括以下步骤：
S1、实时获取室内监控视频中的图像并做灰度化处理，将当前帧的前一帧图像、当前帧图像以及当前帧的后三帧图像存储在队列中；
S2、采用三帧差法处理队列中的前三帧图像，得到前景区域，然后获取将所述前景区域包括在内的框选矩形，对于所述框选矩形外的区域，采用ViBe算法进行背景建模，并为图像中的每一像素点设置初始值为0的滞留值；
S3、选取队列中的前两帧图像，采用帧间灰度均值差法判断所述前两帧图像是否发生了光照骤变，若是，则利用队列中的后三帧图像重新进行步骤S2中的背景建模，然后执行步骤S4，否则继续执行步骤S4；
S4、对于当前帧图像中位于框选矩形区域内的像素，采用三帧差法进行前景检测，对于当前帧图像中位于框选矩形区域外的像素，采用ViBe算法进行前景检测；若像素被检测为前景像素，则该像素的滞留值加1，若像素被检测为背景像素，则该像素的滞留值清零；若某像素的滞留值超过阈值，则该像素被强制判定为背景像素；
S5、使用背景模型分区更新策略进行背景模型更新，并判断当前帧图像中位于框选矩形内的区域是否连续n帧均未检测到前景像素，若是，回到步骤S2重新进行背景建模，否则继续执行步骤S6；
S6、对完成背景模型更新后的当前帧图像进行形态学处理，得到二值化的前景图像，完成对当前帧图像的处理过程；继续实时获取监控视频中的图像并做灰度化处理，将下一帧图像作为当前帧图像对队列进行更新，回到步骤S3。
2.根据权利要求1所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S2的具体过程为：
S21、采用三帧差法对所述队列中的前三帧图像进行处理，得到前景区域；
S22、采用OpenCV库提供的boundingRect方法获取能框选所述前景区域的最小轮廓的矩形的左上点像素坐标(p0,q0)以及所述矩形的宽w、高h，并利用横向补偿值l1以及纵向补偿值l2扩大所述矩形区域，得到框选矩形的左上点像素坐标(p0-l1,q0-l2)及右下点像素坐标(p0+w+l1,q0+h+l2)；
S23、判断图像中的任一像素v(x)是否位于所述框选矩形外，若是，则建立所述像素对应的样本集Sample(v(x))＝{vi|i＝1,2,…,N,β}，其中，vi表示样本，N表示样本个数，β表示初始值为0的滞留值，所述样本由像素v(x)的邻域八像素中随机选取N次得到；否则，为该像素设置初始值为0的滞留值；对图像中的所有像素进行判断，完成背景模型的建立。
3.根据权利要求2所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S21中，采用三帧差法对所述前三帧图像进行处理的过程为：对图像中的任一像素点(p,q)，根据像素值计算：
Figure RE-FDA0002551179720000021
D(p,q)＝δ1(p,q)|δ2(p,q)，
其中，f0(p,q)、f1(p,q)、f2(p,q)依次表示当前帧的前一帧图像、当前帧图像、当前帧的后一帧图像中像素点(p,q)处的像素值，T表示设定的像素差阈值；|表示逻辑或操作，D(p,q)表示像素点(p,q)处的判断值，若D(p,q)＝1，则该像素点(p,q)为前景像素，对图像中的所有像素进行判断，得到前景区域。
4.根据权利要求1所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S3中，所述帧间灰度均值差法的判断公式为：
|mean0-mean1|＞Y，
式中，mean1表示当前帧图像的像素灰度均值，mean0表示当前帧的前一帧图像的像素灰度均值，Y表示设定的光照阈值；若所述判断公式成立，则认为发生了光照骤变，否则，认为未发生光照骤变。
5.根据权利要求1所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S4中，采用ViBe算法进行前景检测的过程为：
#{SR(v(x))∩{v1,v2,…,vN}}＜#min，
式中，v(x)表示框选矩形区域外的待检测像素，SR(v(x))表示图像中与所述待检测像素v(x)的欧氏距离小于R的区域，{v1,v2,…,vN}表示像素v(x)对应的样本集，#{·}表示求集合内元素数目，#min表示设定的前景检测阈值；若所述样本集中与所述待检测像素v(x)的欧氏距离小于R的像素的个数小于阈值#min，则所述待检测像素v(x)为前景像素，否则为背景像素。
6.根据权利要求1所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S5中，所述背景模型分区更新策略具体为：
对于当前帧图像中位于框选矩形外的区域，若像素被检测为背景像素，则所述像素有
Figure RE-FDA0002551179720000031
的概率更新其对应的样本集，
Figure 1
表示设定的更新值；若像素被检测为前景像素，则不进行背景模型更新；
对于当前帧图像中位于框选矩形内的区域，不参与背景模型更新。
7.根据权利要求6所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述当框选矩形外的像素被检测为背景像素时，所述像素有
Figure RE-FDA0002551179720000033
的概率随机替换其对应的样本集中的某一元素，从而完成对样本集的更新。
8.根据权利要求1所述的用于室内实时监控的ViBe-ID前景检测方法，其特征在于，所述步骤S6中，所述形态学处理的过程包括先膨胀后腐蚀，然后进行连通性检测，最后剔除图像中面积小于阈值的前景区域。
CN202010261465.8A 2020-04-03 2020-04-03 一种用于室内实时监控的ViBe-ID前景检测方法 Active CN111553931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010261465.8A CN111553931B (zh) 2020-04-03 2020-04-03 一种用于室内实时监控的ViBe-ID前景检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010261465.8A CN111553931B (zh) 2020-04-03 2020-04-03 一种用于室内实时监控的ViBe-ID前景检测方法

Publications (2)

Publication Number Publication Date
CN111553931A true CN111553931A (zh) 2020-08-18
CN111553931B CN111553931B (zh) 2022-06-24

Family

ID=72000351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010261465.8A Active CN111553931B (zh) 2020-04-03 2020-04-03 一种用于室内实时监控的ViBe-ID前景检测方法

Country Status (1)

Country Link
CN (1) CN111553931B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617632A (zh) * 2013-11-19 2014-03-05 浙江工业大学 一种结合相邻帧差法和混合高斯模型的运动目标检测方法
WO2018133101A1 (zh) * 2017-01-23 2018-07-26 富士通株式会社 图像前景检测装置及方法、电子设备
CN108805897A (zh) * 2018-05-22 2018-11-13 安徽大学 一种改进的运动目标检测vibe算法
CN109978916A (zh) * 2019-03-11 2019-07-05 西安电子科技大学 基于灰度图像特征匹配的Vibe运动目标检测方法
CN110580709A (zh) * 2019-07-29 2019-12-17 浙江工业大学 一种基于ViBe和三帧差分融合的目标检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617632A (zh) * 2013-11-19 2014-03-05 浙江工业大学 一种结合相邻帧差法和混合高斯模型的运动目标检测方法
WO2018133101A1 (zh) * 2017-01-23 2018-07-26 富士通株式会社 图像前景检测装置及方法、电子设备
CN108805897A (zh) * 2018-05-22 2018-11-13 安徽大学 一种改进的运动目标检测vibe算法
CN109978916A (zh) * 2019-03-11 2019-07-05 西安电子科技大学 基于灰度图像特征匹配的Vibe运动目标检测方法
CN110580709A (zh) * 2019-07-29 2019-12-17 浙江工业大学 一种基于ViBe和三帧差分融合的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张荣刚等: "基于ViBe的动态目标检测算法优化", 《机械与电子》 *

Also Published As

Publication number Publication date
CN111553931B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
CN107016691B (zh) 基于超像素特征的运动目标检测方法
CN102170574B (zh) 一种实时视频去雾处理系统
US11538175B2 (en) Method and apparatus for detecting subject, electronic device, and computer readable storage medium
CN104835145B (zh) 基于自适应Codebook背景模型的前景检测方法
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及系统
CN112184759A (zh) 一种基于视频的运动目标检测与跟踪方法及系统
US11836903B2 (en) Subject recognition method, electronic device, and computer readable storage medium
CN107833242A (zh) 一种基于边缘信息和改进vibe运动目标检测方法
CN112288642A (zh) 鬼影检测方法、图像融合方法及对应装置
CN103729828B (zh) 视频去雨方法
CN112417955B (zh) 巡检视频流处理方法及装置
CN115004227A (zh) 图像处理方法、装置及设备
Yuan et al. A confidence prior for image dehazing
CN112949453A (zh) 烟火检测模型的训练方法、烟火检测方法及设备
JP2020504383A (ja) 画像前景の検出装置、検出方法及び電子機器
CN114842213A (zh) 一种障碍物轮廓检测方法、装置、终端设备和存储介质
CN108010050B (zh) 一种基于自适应背景更新和选择性背景更新的前景检测方法
CN109308709B (zh) 基于图像分割的Vibe运动目标检测算法
CN111553931B (zh) 一种用于室内实时监控的ViBe-ID前景检测方法
JP2002269545A (ja) 顔画像処理方法及び顔画像処理装置
CN110852228B (zh) 监控视频中的动态背景提取及前景物体检测方法及系统
JP2009065283A (ja) 画像ぶれ補正装置
CN111768426A (zh) 一种运动目标的检测方法、装置、设备及存储介质
CN112802055B (zh) 一种目标鬼影检测及边缘传播抑制算法

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