CN112347899A - 一种运动目标图像提取方法、装置、设备及存储介质 - Google Patents

一种运动目标图像提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112347899A
CN112347899A CN202011213219.1A CN202011213219A CN112347899A CN 112347899 A CN112347899 A CN 112347899A CN 202011213219 A CN202011213219 A CN 202011213219A CN 112347899 A CN112347899 A CN 112347899A
Authority
CN
China
Prior art keywords
value
distance
pixel point
frame
formula
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
CN202011213219.1A
Other languages
English (en)
Other versions
CN112347899B (zh
Inventor
林凡
张秋镇
黄富铿
周芳华
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.)
GCI Science and Technology Co Ltd
Original Assignee
GCI Science and Technology Co Ltd
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 GCI Science and Technology Co Ltd filed Critical GCI Science and Technology Co Ltd
Priority to CN202011213219.1A priority Critical patent/CN112347899B/zh
Publication of CN112347899A publication Critical patent/CN112347899A/zh
Application granted granted Critical
Publication of CN112347899B publication Critical patent/CN112347899B/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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像数据处理技术领域，公开了一种运动目标图像提取方法、装置、设备及存储介质，所述方法包括：获取视频图像当前帧的前景像素点；使用无监督学习算法将运动目标图像提取出来。本发明实施例提供的一种运动目标图像提取方法、装置、设备及存储介质，能够精确提取得到运动目标图像，解决了对形状复杂的目标建模困难而不易提取的难题。

Description

一种运动目标图像提取方法、装置、设备及存储介质
技术领域
本发明涉及图像数据处理技术领域，特别是涉及一种运动目标图像提取方法、装置、设备及存储介质。
背景技术
在工厂日常工作画面中，运动物体的出现常常伴随着阴影的出现，而我国还有很大一部分工厂使用的还是采用灰度分辨率的普通彩色摄像机，在进行运动目标图像提取的时候，待筛除部分阴影常常阻碍了真实运动目标形状及大小的检测，这给真实运动目标的识别工作带来了困难。
目前，主流的运动目标提取方法都是基于模型的判断方法。基于模型的算法假定运动目标的形状和光源都是已知的，在建模时待筛除部分的形状和位置可以通过精确计算得到。这种算法有两个主要的缺陷：1)对形状复杂的运动目标建模很困难；2)在动态场景中不易获取运动目标真实形状。
发明内容
本发明实施例所要解决的技术问题是：提供一种运动目标图像提取方法、装置、设备及存储介质，先对视频图像进行前景提取，再对前景图像进行图像分割，精确提取得到运动目标图像。
为了解决上述技术问题，第一方面，本发明实施例提供一种运动目标图像提取方法，所述方法包括：
步骤S11：获取视频图像当前帧的前景像素点；
步骤S12：将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
步骤S13：随机生成第一簇中心以及第二簇中心；
步骤S14：分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
步骤S15：将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
步骤S16：重复步骤S14、步骤S15，直至所述第一簇中心以及所述第二簇中心的值不变；
步骤S17：分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
步骤S18：提取出打上第三标签的像素点，得到运动目标图像。
作为一个优选方案，所述步骤S11具体包括：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-β)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy (5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure BDA0002757911930000031
选择权值ω0,xy、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure BDA0002757911930000032
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
作为一个优选方案，高斯分布的个数M的取值范围为3～5。
作为一个优选方案，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
为了解决上述技术问题，第二方面，本发明实施例提供一种运动目标图像提取装置，所述装置包括：
前景像素点获取模块，用于获取视频图像当前帧的前景像素点；
比例值计算模块，用于将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
簇中心生成模块，用于随机生成第一簇中心以及第二簇中心；
第一距离计算模块，用于分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
赋值模块，用于将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
簇中心更新模块，用于对所述第一簇中心以及所述第二簇中心进行更新，直至所述第一簇中心以及所述第二簇中心的值不变；
第二距离计算模块，用于分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
运动目标图像提取模块，用于提取出打上第三标签的像素点，得到运动目标图像。
作为一个优选方案，所述前景像素点提取模块具体用于执行如下步骤：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-βi)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy(5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure BDA0002757911930000051
选择权值ω0,xy、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure BDA0002757911930000061
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
作为一个优选方案，高斯分布的个数M的取值范围为3～5。
作为一个优选方案，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
为了解决上述技术问题，第三方面，本发明实施例提供一种运动目标图像提取设备，所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序由所述处理器执行时实现如第一方面任意一项所述的运动目标图像提取方法。
为了解决上述技术问题，第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现如第一方面任意一项所述的运动目标图像提取方法。
与现有技术相比，本发明实施例提供的一种运动目标图像提取方法、装置、设备及存储介质，其有益效果在于：首先通过视频图像中的正态分布群特性进行前景像素点的获取，然后再采用无监督学习算法将运动目标和待筛除部分进行图像分割，能够精确提取出运动目标图像，解决了对形状复杂的目标建模困难而不易提取的难题。
附图说明
为了更清楚地说明本发明实施例的技术特征，下面将对本发明实施例中所需要使用的附图做简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域技术人员来说，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。
图1是本发明提供的一种运动目标图像提取方法的一个优选实施例的流程示意图；
图2是本发明提供的一种运动目标图像提取装置的一个优选实施例的结构示意图；
图3是本发明提供的一种运动目标图像提取设备的一个优选实施例的结构示意图。
具体实施方式
为了对本发明的技术特征、目的、效果有更加清楚的理解，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例仅用于说明本发明，但是不用来限制本发明的保护范围。基于本发明的实施例，本领域技术人员在没有付出创造性劳动的前提下所获得的其他实施例，都应属于本发明的保护范围。
在本发明的描述中，应当理解的是，本文中的编号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有顺序或者技术含义，不能理解为规定或者暗示所描述的对象的重要性。
图1所示为本发明提供的一种运动目标图像提取方法的一个优选实施例的流程示意图。
如图1所示，所述方法包括：
步骤S11：获取视频图像当前帧的前景像素点；
步骤S12：将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
步骤S13：随机生成第一簇中心以及第二簇中心；
步骤S14：分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
步骤S15：将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
步骤S16：重复步骤S14、步骤S15，直至所述第一簇中心以及所述第二簇中心的值不变；
步骤S17：分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
步骤S18：提取出打上第三标签的像素点，得到运动目标图像。
具体而言，本发明实施例在获取了视频图像当前帧的前景像素点fqj(x,y)之后，将其与背景图像的相应位置的像素灰度值fbj(x,y)进行求比例运算，得到比例值L(x,y)，即L(x,y)＝fqj(x,y)/fbj(x,y)，当前景像素点有H(H>0)个时，对应运算得到H个比例值，并记为{L(1)(x1,y1),L(2)(x2,y2),…,L(H)(xH,yH)}。
再随机生成第一簇中心以及第二簇中心{u1,u2}，分别计算出第i(i≤H)个比例值与两个簇中心的第一距离以及第二距离，若|L(i)(xi,yi)-u1|2>|L(i)(xi,yi)-u2|2，那么对该比例值L(i)(xi,yi)打上第二标签2，表示为
Figure BDA0002757911930000091
否则打上第一标签1，表示为
Figure BDA0002757911930000092
接着进行簇中心的更新，将所有打上标签2的
Figure BDA0002757911930000093
相加并求第二均值，将得出的第二均值赋值给u2，成为新的第二簇中心，将所有打上标签1的
Figure BDA0002757911930000094
相加并求第一均值，将得出的第一均值赋值给u1，成为新的第一簇中心，更新过程在两个簇中心的值不变时结束。
最后再分别计算出第i(i≤H)个比例值与更新后的两个簇中心的第三距离以及第四距离，若|L(i)(xi,yi)-u1′|2>|L(i)(xi,yi)-u2′|2，那么对该比例值L(i)(xi,yi)打上第四标签，表示为
Figure BDA0002757911930000095
否则打上第三标签3，表示为
Figure BDA0002757911930000096
此时已经将所有前景像素点分成两类：待筛除部分和运动目标部分，其中，
Figure BDA0002757911930000097
属于较小类别为运动目标部分，
Figure BDA0002757911930000098
属于较大部分为待筛除部分，只需将打上第四标签的像素点去掉、提取出打上第三标签的像素点，即可提取得到运动目标图像。
本发明实施例提供的运动目标图像提取方法，首先获取视频图像中的前景像素点，然后再采用无监督学习算法将运动目标和待筛除部分进行图像分割，能够精确提取出运动目标图像，解决了对形状复杂的目标建模困难而不易提取的难题。
在一个优选实施例中，所述步骤S11具体包括：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-βi)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy (5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure BDA0002757911930000101
选择权值ω0,xy(0<ω0,xy≤1)、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure BDA0002757911930000111
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
具体而言，对图像帧的每个像素点，设置多个高斯分布来描述它的可能状态。正态分布群模型使用M个正态分布模型来表征图像中各个像素点的特征，在新一帧图像获得后更新正态分布群模型，用当前图像中的每个像素点与正态分布群模型匹配，如果成功则判定该点为背景像素点，否则为前景像素点。
其中，在步骤S113中，It,xy代入式(1)时进行M次计算，在M次计算中，有一次满足式(1)即可认为其满足式(1)。
在步骤S115中仅按式(5)进行参数更新是因为此时的高斯分布的均值和方差不改变。
在步骤S116中，“最小可能”表示偏差最大，例如，可用第t帧的(x,y)点的灰度值与高斯分布的均值作比较，差值最大的高斯分布即为最小可能的高斯分布。
优选地，高斯分布的个数M的取值范围为3～5。
优选地，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
综合上述，本发明实施例提供的一种运动目标图像提取方法，首先通过视频图像中的正态分布群特性进行前景像素点的获取，然后再采用无监督学习算法将运动目标和待筛除部分进行图像分割，能够精确提取出运动目标图像，解决了对形状复杂的目标建模困难而不易提取的难题。
应当理解，本发明实现上述运动目标图像提取方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述运动目标图像提取方法的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
图2是本发明提供的一种运动目标图像提取装置的一个优选实施例的结构示意图，所述装置能够实现上述任意一个实施例所述的运动目标图像提取方法的全部流程。
如图2所示，所述装置包括：
前景像素点获取模块，用于获取视频图像当前帧的前景像素点；
比例值计算模块，用于将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
簇中心生成模块，用于随机生成第一簇中心以及第二簇中心；
第一距离计算模块，用于分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
赋值模块，用于将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
簇中心更新模块，用于对所述第一簇中心以及所述第二簇中心进行更新，直至所述第一簇中心以及所述第二簇中心的值不变；
第二距离计算模块，用于分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
运动目标图像提取模块，用于提取出打上第三标签的像素点，得到运动目标图像。
优选地，所述前景像素点提取模块具体用于执行如下步骤：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-βi)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy (5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure BDA0002757911930000141
选择权值ω0,xy、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure BDA0002757911930000142
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
优选地，高斯分布的个数M的取值范围为3～5。
优选地，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
本发明实施例提供的一种运动目标图像提取装置，首先通过视频图像中的正态分布群特性进行前景像素点的获取，然后再采用无监督学习算法将运动目标和待筛除部分进行图像分割，能够精确提取出运动目标图像，解决了对形状复杂的目标建模困难而不易提取的难题。
图3所示为本发明提供的一种运动目标图像提取设备的一个优选实施例的结构示意图，所述设备能够实现上述任意一个实施例所述的运动目标图像提取方法的全部流程。
如图3所示，所述设备包括：存储器、处理器；其中，所述存储器中存储有计算机程序，所述计算机程序被配置为由所述处理器执行，且被所述处理器执行时实现如上述任意一个实施例所述的运动目标图像提取方法。
本发明实施例提供的运动目标图像提取设备，能够精确提取运动目标的图像。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述运动目标图像提取设备中的执行过程。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述逆光判断设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述运动目标图像提取设备包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构示意图仅仅是上述运动目标图像提取设备的示例，并不构成对运动目标图像提取设备的限定，可以包括比图示更多部件，或者组合某些部件，或者不同的部件。
以上所述，仅是本发明的优选实施方式，但本发明的保护范围并不局限于此，应当指出，对于本领域技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干等效的明显变形和/或同等替换，这些明显变形和/或同等替换也应视为本发明的保护范围。

Claims (10)

1.一种运动目标图像提取方法，其特征在于，所述方法包括：
步骤S11：获取视频图像当前帧的前景像素点；
步骤S12：将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
步骤S13：随机生成第一簇中心以及第二簇中心；
步骤S14：分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
步骤S15：将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
步骤S16：重复步骤S14、步骤S15，直至所述第一簇中心以及所述第二簇中心的值不变；
步骤S17：分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
步骤S18：提取出打上第三标签的像素点，得到运动目标图像。
2.根据权利要求1所述的运动目标图像提取方法，其特征在于，所述步骤S11具体包括：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-βi)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy (5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure FDA0002757911920000021
选择权值ω0,xy、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure FDA0002757911920000031
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
3.根据权利要求2所述的运动目标图像提取方法，其特征在于，高斯分布的个数M的取值范围为3～5。
4.根据权利要求2或3所述的运动目标图像提取方法，其特征在于，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
5.一种运动目标图像提取装置，其特征在于，所述装置包括：
前景像素点获取模块，用于获取视频图像当前帧的前景像素点；
比例值计算模块，用于将所述前景像素点与背景图像相应位置的像素点的灰度值进行求比例运算，得到比例值；
簇中心生成模块，用于随机生成第一簇中心以及第二簇中心；
第一距离计算模块，用于分别计算出所述比例值与所述第一簇中心的第一距离以及所述比例值与所述第二簇中心的第二距离，当所述第一距离不大于所述第二距离时，对所述比例值打上第一标签，否则，打上第二标签；
赋值模块，用于将打上第一标签的比例值相加并求第一均值，将所述第一均值赋值给所述第一簇中心，将打上第二标签的比例值相加并求第二均值，将所述第二均值赋值给所述第二簇中心；
簇中心更新模块，用于对所述第一簇中心以及所述第二簇中心进行更新，直至所述第一簇中心以及所述第二簇中心的值不变；
第二距离计算模块，用于分别计算出所述比例值与更新后的第一簇中心的第三距离以及所述比例值与更新后的第二簇中心的第四距离，当所述第三距离不大于所述第四距离时，对所述比例值打上第三标签，否则，打上第四标签；
运动目标图像提取模块，用于提取出打上第三标签的像素点，得到运动目标图像。
6.根据权利要求5所述运动目标图像提取装置，其特征在于，所述前景像素点提取模块具体用于执行如下步骤：
步骤S111：定义如下公式：
|It,xy-μi,t-1,xy|≤λσi,t-1,xy (1)
ωi,t,xy＝(1-α)ωi,t-1,xy+α (2)
μi,t,xy＝(1-β)μi,t-1,xy+βiIt,xy (3)
σ2 i,t,xy＝(1-βi)σ2 i,t-1,xy+βi(It,xy-μi,t,xy) (4)
ωi,t,xy＝(1-α)ωi,t-1,xy (5)
其中i∈[1,M]，It,xy为第t帧、像素点(x,y)的灰度值，μi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的均值，λ为经验阈值，σi,t-1,xy为在第t-1帧中像素点(x,y)处的第i个高斯分布的标准差，ωi,t,xy为在第t帧中像素点(x,y)处的第i个高斯分布的权重，α为权重更新率，βi为第i个高斯分布的参数学习率；
步骤S112：选取所述视频图像的第一帧图像的像素灰度值的均值以及方差作为M个高斯分布的均值μ0,xy以及方差
Figure FDA0002757911920000041
选择权值ω0,xy、阈值λ，对每个像素设置一个标签flag，并令flag＝0；
步骤S113：将第t帧的像素点的灰度值It,xy代入式(1)，当其满足式(1)时，令flag＝1，转入步骤S114，否则，转入步骤S115；
步骤S114：按式(2)、式(3)以及式(4)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S115：按式(5)进行参数更新；检测i的大小，若i≤M，则转入步骤S113，否则，转入步骤S116；
步骤S116：若flag＝1，判定第t帧的(x,y)点为背景像素点；若flag＝0，则判定第t帧的(x,y)点的灰度值与M个高斯分布不匹配，将最小可能的高斯分布删除并更换一新的高斯分布；其中，新的高斯分布的均值μ′＝It,xy、方差σ′≥10、权值ω′<ω0,xy；
步骤S117：对M个权值进行归一化处理，即
Figure FDA0002757911920000051
若flag＝0且i≤M，再次利用式(1)进行计算，若满足，则判定该点为背景像素点，否则，判定该点为前景像素点。
7.根据权利要求6所述的运动目标图像提取方法，其特征在于，高斯分布的个数M的取值范围为3～5。
8.根据权利要求6或7所述的运动目标图像提取方法，其特征在于，第i个高斯分布的参数学习率βi的取值规则为：
当1/t≤0.001，令βi＝1/t；
当1/t>0.001时，令βi＝0.001。
9.一种运动目标图像提取设备，其特征在于，所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述计算机程序由所述处理器执行时实现如权利要求1至4任意一项所述的运动目标图像提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现如权利要求1至4任意一项所述的运动目标图像提取方法。
CN202011213219.1A 2020-11-03 2020-11-03 一种运动目标图像提取方法、装置、设备及存储介质 Active CN112347899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011213219.1A CN112347899B (zh) 2020-11-03 2020-11-03 一种运动目标图像提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011213219.1A CN112347899B (zh) 2020-11-03 2020-11-03 一种运动目标图像提取方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112347899A true CN112347899A (zh) 2021-02-09
CN112347899B CN112347899B (zh) 2023-09-19

Family

ID=74355973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011213219.1A Active CN112347899B (zh) 2020-11-03 2020-11-03 一种运动目标图像提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112347899B (zh)

Citations (10)

* 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
CN107305691A (zh) * 2016-04-19 2017-10-31 中兴通讯股份有限公司 基于图像匹配的前景分割方法及装置
CN107507221A (zh) * 2017-07-28 2017-12-22 天津大学 结合帧差法和混合高斯模型的运动目标检测与跟踪方法
CN108898057A (zh) * 2018-05-25 2018-11-27 广州杰赛科技股份有限公司 跟踪目标检测的方法、装置、计算机设备和存储介质
CN109948625A (zh) * 2019-03-07 2019-06-28 上海汽车集团股份有限公司 文本图像清晰度评估方法及系统、计算机可读存储介质
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110969642A (zh) * 2019-12-19 2020-04-07 深圳云天励飞技术有限公司 视频过滤方法、装置、电子设备及存储介质
CN111161307A (zh) * 2019-12-19 2020-05-15 深圳云天励飞技术有限公司 图像分割方法、装置、电子设备及存储介质
CN111242027A (zh) * 2020-01-13 2020-06-05 北京工业大学 一种融合语义信息的无监督学习场景特征快速提取方法
US20200285917A1 (en) * 2019-03-08 2020-09-10 Beijing Boe Optoelectronics Technology Co., Ltd. Image classification method, computer device and medium

Patent Citations (10)

* 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
CN107305691A (zh) * 2016-04-19 2017-10-31 中兴通讯股份有限公司 基于图像匹配的前景分割方法及装置
CN107507221A (zh) * 2017-07-28 2017-12-22 天津大学 结合帧差法和混合高斯模型的运动目标检测与跟踪方法
CN108898057A (zh) * 2018-05-25 2018-11-27 广州杰赛科技股份有限公司 跟踪目标检测的方法、装置、计算机设备和存储介质
CN109948625A (zh) * 2019-03-07 2019-06-28 上海汽车集团股份有限公司 文本图像清晰度评估方法及系统、计算机可读存储介质
US20200285917A1 (en) * 2019-03-08 2020-09-10 Beijing Boe Optoelectronics Technology Co., Ltd. Image classification method, computer device and medium
CN110097109A (zh) * 2019-04-25 2019-08-06 湖北工业大学 一种基于深度学习的道路环境障碍物检测系统及方法
CN110969642A (zh) * 2019-12-19 2020-04-07 深圳云天励飞技术有限公司 视频过滤方法、装置、电子设备及存储介质
CN111161307A (zh) * 2019-12-19 2020-05-15 深圳云天励飞技术有限公司 图像分割方法、装置、电子设备及存储介质
CN111242027A (zh) * 2020-01-13 2020-06-05 北京工业大学 一种融合语义信息的无监督学习场景特征快速提取方法

Also Published As

Publication number Publication date
CN112347899B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111145209B (zh) 一种医学图像分割方法、装置、设备及存储介质
CN108197644A (zh) 一种图像识别方法和装置
CN109117857B (zh) 一种生物属性的识别方法、装置及设备
CN110969046B (zh) 人脸识别方法、设备及计算机可读存储介质
CN110532950B (zh) 基于微表情视频的视频特征提取方法、微表情识别方法
CN111860496A (zh) 车牌识别方法、装置、设备及计算机可读存储介质
CN110956080A (zh) 一种图像处理方法、装置、电子设备及存储介质
CN114444565B (zh) 一种图像篡改检测方法、终端设备及存储介质
CN113221601B (zh) 字符识别方法、装置及计算机可读存储介质
CN110163206B (zh) 车牌识别方法、系统、存储介质和装置
CN111178153A (zh) 一种交通标志检测方法及系统
CN112101148B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN116071625B (zh) 深度学习模型的训练方法、目标检测方法及装置
CN111898408A (zh) 一种快速人脸识别方法及装置
CN112347899B (zh) 一种运动目标图像提取方法、装置、设备及存储介质
CN108133210B (zh) 一种图像格式识别方法及装置
CN112733670A (zh) 指纹特征提取方法、装置、电子设备及存储介质
CN112288748A (zh) 一种语义分割网络训练、图像语义分割方法及装置
CN112069885A (zh) 人脸属性识别方法、装置及移动终端
CN113222826A (zh) 文档阴影去除方法及装置
CN111815689A (zh) 一种半自动化标注方法、设备、介质及装置
CN117392658B (zh) 基于注意力机制优化的轻量化车辆车牌颜色识别方法
CN114240988B (zh) 一种基于非线性尺度空间的图像分割方法
CN116311262B (zh) 一种仪器仪表信息的识别方法、系统、设备和存储介质
CN113569737B (zh) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质

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