CN112036254A - 基于视频图像的运动车辆前景检测方法 - Google Patents

基于视频图像的运动车辆前景检测方法 Download PDF

Info

Publication number
CN112036254A
CN112036254A CN202010787487.8A CN202010787487A CN112036254A CN 112036254 A CN112036254 A CN 112036254A CN 202010787487 A CN202010787487 A CN 202010787487A CN 112036254 A CN112036254 A CN 112036254A
Authority
CN
China
Prior art keywords
image
background
frame
difference
frame image
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
CN202010787487.8A
Other languages
English (en)
Other versions
CN112036254B (zh
Inventor
胡伍生
余倩
余龙飞
张志伟
沙月进
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010787487.8A priority Critical patent/CN112036254B/zh
Publication of CN112036254A publication Critical patent/CN112036254A/zh
Priority to PCT/CN2021/071366 priority patent/WO2022027931A1/zh
Application granted granted Critical
Publication of CN112036254B publication Critical patent/CN112036254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了基于视频图像的运动车辆前景检测方法，步骤：对彩色视频帧图像进行预处理：将彩色图转换为灰度图，然后利用中值滤波对灰度图进行降噪处理；对经预处理后的视频帧图像进行改进的五帧差分法处理；对经预处理后的视频帧图像进行背景建模，得到背景差分图像，将该背景差分图像二值化后设置成掩膜并与当前帧图像进行背景更新；将五帧差分法结果与背景差分法结果进行逻辑“或”运算，并进行形态学处理，提取完整的前景目标图像。本发明相比于传统方法，可以在光照变化、背景扰动等情况下提高前景检测的准确度。

Description

基于视频图像的运动车辆前景检测方法
技术领域
本发明属于图像处理领域，特别涉及了一种运动车辆前景检测方法。
背景技术
视频监控技术与人们的生活息息相关，大量应用于金融、公安、交通等领域，随着计算机技术的发展，视频监控越来越智能化，在道路交通方面智能视频监控能及时发现各种异常行驶的车辆，及时预警，减少交通事故的发生，并且发现交通事故发生能快速进行处理，缩短清理事故现场时间，缓解暂时的交通拥堵，降低因事故对道路交通的影响。运动目标检测是视频监控处理的基本步骤，运动目标检测就是将视频序列中变化的目标从背景中提取出来，为下一步目标分类、跟踪等处理做准备。
在真实的环境中，由于受到光照的影响、相机的抖动、背景中树叶等的抖动干扰，会对运动目标检测效果产生影响。传统的前景提取方法包括光流法、帧间差分法和背景差分法。光流法即对图像中的每一个像素点赋予一个初始速度矢量，动态分析图像中各像素点的速度矢量特性，找出变化的像素点构成的区域即为运动目标前景区域，光流法算法计算复杂，难以实现实时检测；帧间差分法即将视频序列的相邻帧图像进行差分，算法原理简单易于实现，处理速度快，缺点是检测的目标会出现空洞现象；背景差分法即建立一个背景模型，将视频序列当前帧与背景差分，背景模型建立方法有：均值背景建模、中值背景建模、vibe算法和混合高斯背景建模GMM，背景差分法检测到的区域较为完整，但会受到光照变化、外界噪声等的干扰，会使背景发生变化导致检测的目标不准确。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了基于视频图像的运动车辆前景检测方法。
为了实现上述技术目的，本发明的技术方案为：
基于视频图像的运动车辆前景检测方法，包括以下步骤：
(1)对彩色视频帧图像进行预处理：将彩色图转换为灰度图，然后利用中值滤波对灰度图进行降噪处理；
(2)对经步骤(1)预处理后的视频帧图像进行改进的五帧差分法处理；
(3)对经步骤(1)预处理后的视频帧图像进行背景建模，得到背景差分图像，将该背景差分图像二值化后设置成掩膜并与当前帧图像进行背景更新；
(4)将步骤(2)得到的结果与步骤(3)得到的结果进行逻辑“或”运算，并进行形态学处理，提取完整的前景目标图像。
进一步地，在步骤(2)中，所述改进的五帧差分法的步骤如下：
(201)选取视频帧中相邻的5帧图像，将第k帧当作中间帧分别与前两帧图像和后两帧图像进行帧差运算：
dk,k-2(x,y)＝|Ik(x,y)-Ik-2(x,y)|
dk,k-1(x,y)＝|Ik(x,y)-Ik-1(x,y)|
dk+1,k(x,y)＝|Ik+1(x,y)-Ik(x,y)|
dk+2,k(x,y)＝|Ik+2(x,y)-Ik(x,y)|
上式中，Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)、Ik+2(x,y)表示相邻5帧图像，dk,k-2(x,y)表示第k帧图像与第k-2帧图像的差分结果，dk,k-1(x,y)表示第k帧图像与第k-1帧图像的差分结果，dk+1,k(x,y)表示第k+1帧图像与第k帧图像的差分结果，dk+2,k(x,y)表示第k+2帧图像与第k帧图像的差分结果；
(202)将dk,k-2(x,y)与dk+2,k(x,y)、dk,k-1(x,y)与dk+1,k(x,y)分别进行逻辑“或”运算：
g1(x,y)＝dk,k-2(x,y)∪dk+2,k(x,y)
g2(x,y)＝dk,k-1(x,y)∪dk+1,k(x,y)
上式中，g1(x,y)为dk,k-2(x,y)与dk+2,k(x,y)逻辑“或”运算结果，g2(x,y)为dk,k-1(x,y)与dk+1,k(x,y)逻辑“或”运算结果；
(203)将g1(x,y)与g2(x,y)进行逻辑“与”运算结果，得到第k帧图像的目标轮廓：
Gk(x,y)＝g1(x,y)∩g2(x,y)
上式中，Gk(x,y)为第k帧图像的目标轮廓；
(204)将Gk(x,y)二值化处理后与边缘检测算子结合，得到相邻5帧图像中间帧的前景区域。
进一步地，在步骤(204)中，对Gk(x,y)进行二值化处理的方法如下：
Figure BDA0002622531430000031
上式中，b(x,y)为二值化图像，T为分割阈值。
进一步地，在步骤(204)中，采用prewitt边缘检测算子对第k帧图像进行边缘提取，获得目标的边缘信息，并对边缘信息进行二值化处理获得目标的前景边缘图Bp(x,y)，然后将前景边缘图Bp(x,y)与Gk(x,y)二值化处理后的图像进行逻辑“与”运算。
进一步地，在步骤(3)中，所述背景建模的步骤如下：
(301)选取视频序列前K帧连续图像，将其求和后取平均值，得到的均值图像作为初始背景图像：
Figure BDA0002622531430000032
上式中，BK(x,y)为初始背景图像，fi(x,y)为第i帧视频图像，K为视频图像帧数；
(302)读取当前帧图像，将当前帧图像与初始背景图像作差运算得到背景差分图像：
IK(x,y)＝Fi(x,y)-BK(x,y)
上式中，IK(x,y)为背景差分图像，Fi(x,y)为当前帧图像；
(303)将背景差分图像二值化处理后设置成掩模，进行背景更新。
进一步地，在步骤(303)中，掩模中像素灰度值为0的区域代表背景区域，像素灰度值为1的区域代表前景区域。
进一步地，在步骤(303)中，将掩模中像素灰度值为1的像素点替换成当前视频帧像素点，得到当前帧图像对应掩模中的前景区域部分Gd(x,y)；再次将掩模中每一个像素灰度值为1的像素点替换成初始背景图像像素点，得到初始背景图像对应掩模中的前景区域部分Gb(x,y)；将掩模取逻辑“非”运算，得到像素灰度值为1的背景区域，像素灰度值为0的前景区域；然后提取当前帧图像对应掩模中的背景区域Bd(x,y)，初始背景图像对应掩模中的背景区域Bb(x,y)；最后按照下式进行背景更新：
Figure BDA0002622531430000041
上式中，B(x,y)为更新后的背景图像，α为更新速率；
将更新后的背景图像与与下一帧图像进行差分运算得到下一帧背景差分图像，再进行背景更新，直到输入视频序列最后一帧图像为止。
进一步地，在步骤(4)中，所述形态学处理包括采用膨胀操作填充目标空洞部分以及采用腐蚀操作消除背景中的噪声点。
采用上述技术方案带来的有益效果：
本发明将帧间差分法和背景差分法结合起来，克服了单一方法的不足，在光照变化、背景扰动等情况下提高前景检测的准确度，提出新的背景更新策略，能保证得到的新的背景图像一定是干净的背景，提高背景建模的准确性。
附图说明
图1是本发明的整体流程图；
图2是本发明中改进的五帧差分法流程图；
图3是本发明中改进的背景差分法流程图；
图4是实施例中测试结果图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了基于视频图像的运动车辆前景检测方法，如图1所示，步骤如下：
步骤1：对彩色视频帧图像进行预处理：将彩色图转换为灰度图，然后利用中值滤波对灰度图进行降噪处理。
步骤2：对经步骤1预处理后的视频帧图像进行改进的五帧差分法处理。
步骤3：对经步骤1预处理后的视频帧图像进行背景建模，得到背景差分图像，将该背景差分图像二值化后设置成掩膜并与当前帧图像进行背景更新。
步骤4：将步骤2得到的结果与步骤3得到的结果进行逻辑“或”运算，并进行形态学处理，提取完整的前景目标图像。
本实施例采用2012年CVPR国际会议IEEE Change Detection Workshop上推出的Changedetection数据集，该数据集的优点是视频场景较丰富，每帧都有精确的人工标注，并且在其官网上公布了多种算法的评测结果。
在本实施例中，上述步骤1涉及的具体内容如下：
现有大部分彩色图像都是RGB彩色图像，R、G、B三原色之间存在相关性，直接用彩色图像检测效果较差，因此将彩色图按下式转换为灰度图：
f(x,y)＝0.30R(x,y)+0.59G(x,y)+0.11B(x,y)
上式中，f(x,y)表示点(x,y)处的灰度值，R(x,y)表示该点的R通道值，G(x,y)表示该点的G通道值，B(x,y)表示该点的B通道值；0.30、0.59、0.11表示各通道分量的比例。再将灰度化图像进行中值滤波去噪处理。
在本实施例中，如图1所示，上述步骤2涉及的具体内容如下：
步骤201、选取视频帧中相邻的5帧图像，将第k帧当作中间帧分别与前两帧图像和后两帧图像进行帧差运算：
dk,k-2(x,y)＝|Ik(x,y)-Ik-2(x,y)|
dk,k-1(x,y)＝|Ik(x,y)-Ik-1(x,y)|
dk+1,k(x,y)＝|Ik+1(x,y)-Ik(x,y)|
dk+2,k(x,y)＝|Ik+2(x,y)-Ik(x,y)|
上式中，Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)、Ik+2(x,y)表示相邻5帧图像，dk,k-2(x,y)表示第k帧图像与第k-2帧图像的差分结果，dk,k-1(x,y)表示第k帧图像与第k-1帧图像的差分结果，dk+1,k(x,y)表示第k+1帧图像与第k帧图像的差分结果，dk+2,k(x,y)表示第k+2帧图像与第k帧图像的差分结果。
步骤202、将dk,k-2(x,y)与dk+2,k(x,y)、dk,k-1(x,y)与dk+1,k(x,y)分别进行逻辑“或”运算：
g1(x,y)＝dk,k-2(x,y)∪dk+2,k(x,y)
g2(x,y)＝dk,k-1(x,y)∪dk+1,k(x,y)
上式中，g1(x,y)为dk,k-2(x,y)与dk+2,k(x,y)逻辑“或”运算结果，g2(x,y)为dk,k-1(x,y)与dk+1,k(x,y)逻辑“或”运算结果。
步骤203、为克制逻辑“或”运算造成的目标重叠现象，将g1(x,y)与g2(x,y)进行逻辑“与”运算结果，得到第k帧图像的目标轮廓：
Gk(x,y)＝g1(x,y)∩g2(x,y)
上式中，Gk(x,y)为第k帧图像的目标轮廓。
步骤204、将Gk(x,y)二值化处理后与边缘检测算子结合，得到相邻5帧图像中间帧的前景区域。具体地，采用prewitt边缘检测算子对第k帧图像进行边缘提取，获得目标的边缘信息，并对边缘信息进行二值化处理获得目标的前景边缘图Bp(x,y)，然后将前景边缘图Bp(x,y)与Gk(x,y)二值化处理后的图像进行逻辑“与”运算。
在本实施例中，如图2所示，上述步骤3涉及的具体内容如下：
步骤301、选取视频序列前K帧连续图像，将其求和后取平均值，得到的均值图像作为初始背景图像：
Figure BDA0002622531430000071
上式中，BK(x,y)为初始背景图像，fi(x,y)为第i帧视频图像，K为视频图像帧数。
步骤302、读取当前帧图像，将当前帧图像与初始背景图像作差运算得到背景差分图像：
IK(x,y)＝Fi(x,y)-BK(x,y)
上式中，IK(x,y)为背景差分图像，Fi(x,y)为当前帧图像。
步骤303、将背景差分图像二值化处理后设置成掩模，进行背景更新。掩模中像素灰度值为0的区域代表背景区域，像素灰度值为1的区域代表前景区域。具体地，将掩模中像素灰度值为1的像素点替换成当前视频帧像素点，得到当前帧图像对应掩模中的前景区域部分Gd(x,y)；再次将掩模中每一个像素灰度值为1的像素点替换成初始背景图像像素点，得到初始背景图像对应掩模中的前景区域部分Gb(x,y)；将掩模取逻辑“非”运算，得到像素灰度值为1的背景区域，像素灰度值为0的前景区域；然后提取当前帧图像对应掩模中的背景区域Bd(x,y)，初始背景图像对应掩模中的背景区域Bb(x,y)；最后按照下式进行背景更新：
Figure BDA0002622531430000072
上式中，B(x,y)为更新后的背景图像，α为更新速率。
将更新后的背景图像与与下一帧图像进行差分运算得到下一帧背景差分图像，再进行背景更新，直到输入视频序列最后一帧图像为止。
在本实施例中，上述步骤4涉及的具体内容如下：
所述形态学处理包括采用膨胀操作填充目标空洞部分以及采用腐蚀操作消除背景中的噪声点，使原来的前景二值图像更加完整，去除边缘的不连续和空洞现象，得到前景目标图像。
图4为本发明与其他算法的效果对比图，图4中的(a)为输入原始图，(b)为三帧差分法检测结果图，(c)为五帧差分法检测结果图，(d)为背景差分法检测结果图，(e)为本发明算法检测结果图。根据图4结果可见，三帧差分法检测出运动车辆空洞现象严重，距离摄像头较远的车辆基本未能检测出来，五帧差分法和背景差分法受道路旁晃动的树叶、光照等影响，检测出的噪声点比较多，本发明算法能检测出更为完整的车辆，检测到的车辆轮廓比其他方法清晰，并且克服了周围环境的影响，检测出的噪声点有所下降。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (8)

1.基于视频图像的运动车辆前景检测方法，其特征在于，包括以下步骤：
(1)对彩色视频帧图像进行预处理：将彩色图转换为灰度图，然后利用中值滤波对灰度图进行降噪处理；
(2)对经步骤(1)预处理后的视频帧图像进行改进的五帧差分法处理；
(3)对经步骤(1)预处理后的视频帧图像进行背景建模，得到背景差分图像，将该背景差分图像二值化后设置成掩膜并与当前帧图像进行背景更新；
(4)将步骤(2)得到的结果与步骤(3)得到的结果进行逻辑“或”运算，并进行形态学处理，提取完整的前景目标图像。
2.根据权利要求1所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(2)中，所述改进的五帧差分法的步骤如下：
(201)选取视频帧中相邻的5帧图像，将第k帧当作中间帧分别与前两帧图像和后两帧图像进行帧差运算：
dk,k-2(x,y)＝|Ik(x,y)-Ik-2(x,y)|
dk,k-1(x,y)＝|Ik(x,y)-Ik-1(x,y)|
dk+1,k(x,y)＝|Ik+1(x,y)-Ik(x,y)|
dk+2,k(x,y)＝|Ik+2(x,y)-Ik(x,y)|
上式中，Ik-2(x,y)、Ik-1(x,y)、Ik(x,y)、Ik+1(x,y)、Ik+2(x,y)表示相邻5帧图像，dk,k-2(x,y)表示第k帧图像与第k-2帧图像的差分结果，dk,k-1(x,y)表示第k帧图像与第k-1帧图像的差分结果，dk+1,k(x,y)表示第k+1帧图像与第k帧图像的差分结果，dk+2,k(x,y)表示第k+2帧图像与第k帧图像的差分结果；
(202)将dk,k-2(x,y)与dk+2,k(x,y)、dk,k-1(x,y)与dk+1,k(x,y)分别进行逻辑“或”运算：
g1(x,y)＝dk,k-2(x,y)∪dk+2,k(x,y)
g2(x,y)＝dk,k-1(x,y)∪dk+1,k(x,y)
上式中，g1(x,y)为dk,k-2(x,y)与dk+2,k(x,y)逻辑“或”运算结果，g2(x,y)为dk,k-1(x,y)与dk+1,k(x,y)逻辑“或”运算结果；
(203)将g1(x,y)与g2(x,y)进行逻辑“与”运算结果，得到第k帧图像的目标轮廓：
Gk(x,y)＝g1(x,y)∩g2(x,y)
上式中，Gk(x,y)为第k帧图像的目标轮廓；
(204)将Gk(x,y)二值化处理后与边缘检测算子结合，得到相邻5帧图像中间帧的前景区域。
3.根据权利要求2所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(204)中，对Gk(x,y)进行二值化处理的方法如下：
Figure FDA0002622531420000021
上式中，b(x,y)为二值化图像，T为分割阈值。
4.根据权利要求2所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(204)中，采用prewitt边缘检测算子对第k帧图像进行边缘提取，获得目标的边缘信息，并对边缘信息进行二值化处理获得目标的前景边缘图Bp(x,y)，然后将前景边缘图Bp(x,y)与Gk(x,y)二值化处理后的图像进行逻辑“与”运算。
5.根据权利要求2所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(3)中，所述背景建模的步骤如下：
(301)选取视频序列前K帧连续图像，将其求和后取平均值，得到的均值图像作为初始背景图像：
Figure FDA0002622531420000022
上式中，BK(x,y)为初始背景图像，fi(x,y)为第i帧视频图像，K为视频图像帧数；
(302)读取当前帧图像，将当前帧图像与初始背景图像作差运算得到背景差分图像：
IK(x,y)＝Fi(x,y)-BK(x,y)
上式中，IK(x,y)为背景差分图像，Fi(x,y)为当前帧图像；
(303)将背景差分图像二值化处理后设置成掩模，进行背景更新。
6.根据权利要求5所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(303)中，掩模中像素灰度值为0的区域代表背景区域，像素灰度值为1的区域代表前景区域。
7.根据权利要求5所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(303)中，将掩模中像素灰度值为1的像素点替换成当前视频帧像素点，得到当前帧图像对应掩模中的前景区域部分Gd(x,y)；再次将掩模中每一个像素灰度值为1的像素点替换成初始背景图像像素点，得到初始背景图像对应掩模中的前景区域部分Gb(x,y)；将掩模取逻辑“非”运算，得到像素灰度值为1的背景区域，像素灰度值为0的前景区域；然后提取当前帧图像对应掩模中的背景区域Bd(x,y)，初始背景图像对应掩模中的背景区域Bb(x,y)；最后按照下式进行背景更新：
Figure FDA0002622531420000031
上式中，B(x,y)为更新后的背景图像，α为更新速率；
将更新后的背景图像与与下一帧图像进行差分运算得到下一帧背景差分图像，再进行背景更新，直到输入视频序列最后一帧图像为止。
8.根据权利要求1所述基于视频图像的运动车辆前景检测方法，其特征在于，在步骤(4)中，所述形态学处理包括采用膨胀操作填充目标空洞部分以及采用腐蚀操作消除背景中的噪声点。
CN202010787487.8A 2020-08-07 2020-08-07 基于视频图像的运动车辆前景检测方法 Active CN112036254B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010787487.8A CN112036254B (zh) 2020-08-07 2020-08-07 基于视频图像的运动车辆前景检测方法
PCT/CN2021/071366 WO2022027931A1 (zh) 2020-08-07 2021-01-13 基于视频图像的运动车辆前景检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010787487.8A CN112036254B (zh) 2020-08-07 2020-08-07 基于视频图像的运动车辆前景检测方法

Publications (2)

Publication Number Publication Date
CN112036254A true CN112036254A (zh) 2020-12-04
CN112036254B CN112036254B (zh) 2023-04-18

Family

ID=73582652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010787487.8A Active CN112036254B (zh) 2020-08-07 2020-08-07 基于视频图像的运动车辆前景检测方法

Country Status (2)

Country Link
CN (1) CN112036254B (zh)
WO (1) WO2022027931A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581490A (zh) * 2020-12-28 2021-03-30 西安理工大学 一种复杂曲面干涉测量中前景区域提取方法
CN112883924A (zh) * 2021-03-23 2021-06-01 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN113362375A (zh) * 2021-06-16 2021-09-07 江铃汽车股份有限公司 用于车辆的运动目标检测方法
WO2022027931A1 (zh) * 2020-08-07 2022-02-10 东南大学 基于视频图像的运动车辆前景检测方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567773B (zh) * 2022-02-23 2023-03-24 珠海科技学院 视频处理算法仿真方法、系统、装置及存储介质
CN114567794B (zh) * 2022-03-11 2023-06-30 浙江理工大学 一种直播视频背景替换方法
CN114821391B (zh) * 2022-03-15 2024-02-27 西北工业大学 一种基于改进视觉背景提取法的运动目标检测方法
CN114973175A (zh) * 2022-05-24 2022-08-30 深圳市航盛电子股份有限公司 运动物体检测方法、装置、终端设备以及存储介质
CN117636687A (zh) * 2024-01-25 2024-03-01 江西方兴科技股份有限公司 一种隧道紧急停车带的预警方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107154053A (zh) * 2017-05-11 2017-09-12 南宁市正祥科技有限公司 静态背景下的运动目标检测方法
CN107895379A (zh) * 2017-10-24 2018-04-10 天津大学 一种视频监控中前景提取的改进算法
US20180253866A1 (en) * 2017-03-03 2018-09-06 General Electric Company Image analysis neural network systems
CN110349189A (zh) * 2019-05-31 2019-10-18 广州铁路职业技术学院（广州铁路机械学校） 一种基于连续帧间差分的背景图像更新方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260684A (zh) * 2020-03-02 2020-06-09 成都信息工程大学 基于帧差法和背景差分法结合的前景像素提取方法及系统
CN112036254B (zh) * 2020-08-07 2023-04-18 东南大学 基于视频图像的运动车辆前景检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180253866A1 (en) * 2017-03-03 2018-09-06 General Electric Company Image analysis neural network systems
CN107154053A (zh) * 2017-05-11 2017-09-12 南宁市正祥科技有限公司 静态背景下的运动目标检测方法
CN107895379A (zh) * 2017-10-24 2018-04-10 天津大学 一种视频监控中前景提取的改进算法
CN110349189A (zh) * 2019-05-31 2019-10-18 广州铁路职业技术学院（广州铁路机械学校） 一种基于连续帧间差分的背景图像更新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘峥嵘;钟珍珍;张宁;: "改进的背景减法与五帧差分法相结合的运动目标检测" *
郭春凤;: "基于改进的五帧差分与MeanShift的目标跟踪算法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022027931A1 (zh) * 2020-08-07 2022-02-10 东南大学 基于视频图像的运动车辆前景检测方法
CN112581490A (zh) * 2020-12-28 2021-03-30 西安理工大学 一种复杂曲面干涉测量中前景区域提取方法
CN112883924A (zh) * 2021-03-23 2021-06-01 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN112883924B (zh) * 2021-03-23 2022-08-30 南京邮电大学 一种固定摄像下监控视频环境中对运动污染物的检测方法
CN113362375A (zh) * 2021-06-16 2021-09-07 江铃汽车股份有限公司 用于车辆的运动目标检测方法

Also Published As

Publication number Publication date
WO2022027931A1 (zh) 2022-02-10
CN112036254B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112036254B (zh) 基于视频图像的运动车辆前景检测方法
CN101739550B (zh) 运动目标检测方法及系统
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
CN100545867C (zh) 航拍交通视频车辆快速检测方法
CN109684996B (zh) 基于视频的实时车辆进出识别方法
US8019157B2 (en) Method of vehicle segmentation and counting for nighttime video frames
Kaur et al. An efficient approach for number plate extraction from vehicles image under image processing
CN109087363B (zh) 一种基于hsv颜色空间的污水排放检测方法
CN110619651B (zh) 一种基于监控视频的行车道路分割方法
CN113239733B (zh) 一种多车道车道线检测方法
CN111985314B (zh) 一种基于ViBe与改进LBP的烟雾检测方法
CN110782409B (zh) 一种去除多运动物体阴影的方法
CN111369570B (zh) 一种视频图像的多目标检测跟踪方法
CN106934819A (zh) 一种提高图像中运动物体检测精度的方法
CN111539980A (zh) 一种基于可见光的多目标追踪方法
CN107066929B (zh) 一种融合多种特征的高速公路隧道停车事件分级识别方法
CN109859149B (zh) 一种设定目标查找区域小动物运动跟踪方法
Davix et al. License plate localization by sobel vertical edge detection method
CN110705492A (zh) 一种舞台移动机器人障碍目标检测方法
CN112802348B (zh) 一种基于混合Gaussian模型的车流量计数方法
CN109741350B (zh) 基于形态学变化与活动点填充的交通视频背景提取方法
CN114373147A (zh) 一种用于低纹理视频车牌的检测方法
Kaur et al. An Efficient Method of Number Plate Extraction from Indian Vehicles Image
Phan et al. Improved shadow removal algorithm for vehicle classification in traffic surveillance system
CN114519694A (zh) 基于深度学习的七段数码管液晶显示屏识别方法及系统

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