TW202018666A - 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統 - Google Patents

用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統 Download PDF

Info

Publication number
TW202018666A
TW202018666A TW108117889A TW108117889A TW202018666A TW 202018666 A TW202018666 A TW 202018666A TW 108117889 A TW108117889 A TW 108117889A TW 108117889 A TW108117889 A TW 108117889A TW 202018666 A TW202018666 A TW 202018666A
Authority
TW
Taiwan
Prior art keywords
pixel position
pixel
image frame
background
value
Prior art date
Application number
TW108117889A
Other languages
English (en)
Other versions
TWI726321B (zh
Inventor
賈各 葛蘭史特洛
喬亞金 貝爾特森
賽門 莫林
漢納 畢卓文多堤爾
Original Assignee
瑞典商安訊士有限公司
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 瑞典商安訊士有限公司 filed Critical 瑞典商安訊士有限公司
Publication of TW202018666A publication Critical patent/TW202018666A/zh
Application granted granted Critical
Publication of TWI726321B publication Critical patent/TWI726321B/zh

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
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本發明係關於影像中之背景相減之領域。特定言之，本發明係關於使用一視訊序列之一影像圖框中之像素位置之一經判定動態位準判定該等像素位置屬於一經擷取場景之一背景或一前景。

Description

用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統
本發明係關於影像中之背景相減之領域。特定言之，本發明係關於判定一視訊序列之一影像圖框中之像素位置屬於一經擷取場景之一背景或一前景。
在視訊監控中，能夠偵測如在一視訊序列中擷取之一場景中之移動物件係重要的。存在用於視訊中之運動偵測的許多工具。一些該等工具藉由跟隨視訊流中之特徵而逐圖框地追蹤物件。其他工具逐像素地比較一當前圖框與一靜態背景圖框。背景圖框係背景相減之基礎，背景相減旨在藉由偵測發生顯著變化之區帶而提取移動物件。移動物件被稱為前景，而靜態物件係背景之部分。
將移動物件與背景分離係一複雜問題，若背景係動態的(諸如若背景中存在搖曳之樹木或水波紋，或若照明變化)，則此變得甚至更加困難。特定言之，一動態背景可導致移動物件之錯誤偵測之數目增加。
在以下教科書中給出背景相減方法之一綜述：「Background Modeling and Foreground Detection for Video Surveillance」(編輯：Thierry Bouwmans、Fatih Porikli、Benjamin Höferlin及Antoine Vacavant), CRC Press, Taylor & Francis Group, Boca Raton, 2015。例如，參見第1章及第7章。
背景相減方法一般涉及比較一視訊流之一當前圖框與不具有移動物件之一參考背景圖框或模型。藉由比較一影像與背景圖框或模型，可判斷影像中之各像素是否屬於前景或背景。以此方式，可將影像劃分成兩組互補像素(前景及背景)。
背景相減需要定義一基礎背景模型及一更新策略以適應背景隨時間之變化。已在文獻中提出大量背景模型。此包含參數模型(例如，高斯(Gaussian)分佈)及非參數模型(例如，基於樣本之模型)。
然而，為達成背景與前景之間之一正確分離，無論採用何種方法進行背景模型化，表示多模態環境之一場景之區域(此意謂表示此等區域之像素值將很有可能在擷取該場景之視訊序列之圖框之間改變值)在涉及判定區域表示背景或前景時，相較於較靜態區域，歸因於將固有地存在於此等區域中之圖框之間之影像內容(由像素值表示)的較大差異而需要以不同方式處置。
因此需要在此內容背景中進行改良。
鑑於上文，因此本發明之一目的係克服或至少緩解上文論述之問題。特定言之，一目的係提供一種用於判定一視訊序列之一影像圖框中之像素位置屬於一經擷取場景之一背景或一前景的方法及裝置，其等認為存在對應像素位置在擷取該場景之該視訊序列之圖框之間改變值的不同機率。
根據本發明之一第一態樣，提供一種判定一視訊序列之一影像圖框中之像素位置屬於一經擷取場景之一背景或一前景的方法。該方法包括，針對該影像圖框中之各像素位置： - 接收該像素位置已被分類為之一類別，該類別表示該經擷取場景中之該像素位置處之一內容種類， - 使該像素位置與其對應類別之一動態位準相關聯，其中一類別之該動態位準反映屬於該類別之像素位置處之像素值在該視訊序列之圖框之間改變值的一機率， - 藉由比較該影像圖框中之該像素位置之該像素值與一背景模型及一臨限值而判定該影像圖框中之該像素位置屬於該經擷取場景之該背景或該前景，該背景模型包含表示一像素位置之一或多個值，其中若該像素值與表示該背景模型中之該位置之第一預定數目個值之間的一差小於用於該像素位置之該臨限值，則判定該像素屬於該背景。
若判定該影像圖框中之該像素位置屬於該背景，則該方法進一步包括： - 若該影像圖框中之該像素位置處之該像素值自一先前圖框以來已改變達多於一第二值，則按一增量增加特定於該像素位置之該臨限值，其中該增量被設定為取決於該像素位置之該動態位準，使得一較高動態位準導致一較高增量。
本發明源於以下認識：包括動態背景物件(諸如一樹木、水、旗幟等)之一場景的部分將導致表示此等部分之像素值在擷取該場景之視訊序列中之圖框之間的更大差異。因此，當判定一影像圖框中之一特定像素位置屬於經擷取場景之前景或背景時需要考量此。對於包括動態背景物件之一區域，應有利地容許影像中之一像素值與背景模型中之(若干)對應像素值之間之一較大差異，以降低將此等區域錯誤地判定屬於前景之機率。在本發明中，臨限值(其用於判定一像素位置之一像素值與用於此像素位置之一背景模型的類似程度)將隨著影像中之像素之位置而變化。特定言之，該臨限值可取決於該像素之位置處之背景在影像序列中之後續影像之間改變值的一趨勢而變化。改變值之一較高趨勢一般可給出一較高臨限值。此係有利的，因為前景分類可適應一動態背景，諸如搖曳的樹木、水波紋等。例如，相較於動態區，在非動態區中，用於判定一像素位置屬於前景之分類的靈敏度可增加。
此外，對於影像之動態區域，有利地在一較低值與一較高值之間更快地更新臨限值以容許視訊序列之影像圖框之間之增加的差異。有利地，此將導致在風開始在場景中吹動且樹木及水很快變得更加動態時對臨限值之迅速調適。此繼而將減少此等區域中之前景像素之錯誤分類之數目。
在本發明中，場景已被劃分成表示經擷取場景中之一內容種類之類別。此分類可被稱為語義分割、根據內容類型之分類等。藉由實例，可能類別包括汽車、樹木、水、道路、人、房屋等。此分類可由例如一操作者手動進行，或使用演算法進行，諸如(舉例而言)在如諸如「Fully Convolutional Networks for Semantic Segmentation」(Long等人)之研究文獻中描述之一深度學習神經網路中實施之一語義分割演算法。
對於場景之一視訊序列之一影像圖框中之各像素位置，接收此一類別且使用該類別以使該像素位置與其對應類別之一動態位準相關聯。此關聯可使用例如將預定義類別映射為不同動態位準之一表或定義一特定類別所表示之動態位準之任何其他資料結構進行。
因此，一類別之動態位準反映屬於該類別之像素位置處之像素值將在視訊序列之圖框之間改變值的一機率。作為一實例，分類為一樹木(一樹木之一樹冠)之一像素位置可具有一相對較高動態位準，而分類為一房屋之一像素位置可具有一相對較低動態位準。動態位準可跨越1至100、0至1、1至10或任何其他適合值範圍。
對於各像素位置，背景模型包括表示該像素位置之一或多個值(例如，該像素位置處之前導影像圖框之像素值)。背景模型進一步包括在判定像素位置屬於前景或背景時表示像素位置處之一像素值與背景模型中之對應位置之值之間之一可容許差的一臨限值。倘若該像素值與表示背景模型中之該位置之第一預定數目個值之間的差小於用於該像素位置之該臨限值，則判定該像素位置屬於背景。例如，倘若背景模型包括一像素位置之兩個值(例如，5及7)，且臨限值係2，第一預定數目係1且該像素位置處之像素值係9，則將判定該像素位置屬於前景，此係因為無差小於2。然而，若像素位置處之像素值係7，則將判定像素位置屬於背景。換言之，臨限值定義像素位置之值可具有之一值範圍之大小，該大小將導致判定像素位置屬於背景，其中該範圍隨著一增加的臨限值而增加。對於其中背景模型包括各像素位置之一個值之實施例，第一預定數目將始終為1。在其中背景模型包括各像素位置之複數個值之實施例中，預定數目將為介於1與各像素位置之值數之間之任何適合數目，此取決於在涉及判定前景像素時之使用案例及此使用案例之靈敏度要求。
若判定像素位置屬於背景，且影像圖框中之像素位置處之像素值相較於一先前圖框之一對應像素值之間的差大於一第二值，則應遞增臨限值以微調臨限值(即，基於此像素位置可能具有之一像素值範圍)。此處，動態位準開始起作用。對於一動態區域，歸因於此一動態區域中之像素值將很有可能改變，增量應有利地高於用於一靜態區域之增量。基於一像素位置之動態位準之此一變化增量可減少一視訊序列之影像圖框中之背景各自前景像素之錯誤判定之數目。
根據一些實施例，該方法進一步包括以下步驟：若判定影像圖框中之像素位置屬於背景，則若該影像圖框中之該像素位置處之像素值自一先前圖框以來已改變達少於第二值，則按一減量減小特定於該像素位置之臨限值，其中該減量被設定為取決於像素位置之動態位準，使得一較高動態位準導致一較低減量。類似於上文描述之在影像圖框中之像素位置處之像素值自一先前圖框以來已改變達多於第二值時對臨限值進行之微調，若例如一特定像素位置之兩個後續影像圖框之間的像素值之差小於第二值，則可執行臨限值之遞減。在此實施例中，歸因於此一動態區域中之像素值將很有可能改變，動態區域中之減量相較於靜態區域中之減量應較低。基於一像素位置之動態位準之此一變化減量可減少視訊序列之影像圖框中之背景各自前景像素之錯誤判定之數目。
在一些實施例中，用於一動態區域之減量低於對應增量。由於增量值大於減量值，故容許方法對背景中之增加的動態(此例如可歸因於改變場景中之風況)快速作出回應。同時，相較於靜態區域，動態區域之臨限值減小將較慢，此係有利的，因為動態背景移動有可能再次發生。
根據一些實施例，該方法進一步包括以下步驟： 將特定於像素位置之臨限值設定為一值，其中該值取決於該像素位置之動態位準，使得一較高動態位準導致一較高值。因此，此實施例定義臨限值之一初始化或臨限值之一重設，此可例如針對視訊流之一初始圖框及/或在擷取視訊序列之一視訊擷取裝置之一視野改變時執行。藉由取決於與一特定像素位置相關聯之動態位準針對該像素位置初始化/設定臨限值，將更快地執行在後續影像圖框期間執行之對臨限值之微調，此係因為臨限值將可能從一開始就更為正確(例如，與針對全部像素位置將臨限值設定為一預定值(諸如零)或一隨機值相比)。此實施例可進一步減少例如在開始視訊擷取或改變視野時之視訊序列之影像圖框中之背景各自前景像素之錯誤判定的數目。
根據一些實施例，該方法進一步包括取決於像素位置之動態位準設定特定於該像素位置之臨限值的一較低臨限值，該較低臨限值判定該臨限值之一最小可能值，使得一較高動態位準導致該較低臨限值之一較高值。即，臨限值不能低於該等較低臨限值，而導致背景模型始終對動態區域(諸如樹木)較不敏感。
根據一些實施例，若像素位置之對應類別屬於一第一預定義群組之類別，則像素位置與一第一動態位準相關聯，且若像素位置之對應類別屬於第二預定義群組之類別，則像素位置與一第二較高動態位準相關聯。例如，可僅定義兩個動態位準，一個用於一靜態類別(諸如表示場景中之房屋)且一個用於動態類別(諸如表示場景中之樹木或水)。在其他實施例中，實施一更精細(finer-grained)模型，例如，其定義表示場景中之一房屋之像素位置的一第一最低動態位準、表示場景中之水之像素位置的一第二中間動態位準及表示場景中之一樹木之像素位置的一第三最高動態位準。
根據一些實施例，若對應於像素位置之類別屬於一第三預定義群組之類別，則特定於像素位置之臨限值維持在一恆定位準。在此實施例中，被分類為屬於該第三預定義群組之類別之像素位置的臨限值維持在一恆定位準。
根據一些實施例，使用亦如上文例示之一語義分割演算法來判定像素位置已被分類為之類別。
根據一些實施例，對視訊流之一影像圖框子集運行語義分割演算法。在此實施例中，未針對視訊流中之每一影像圖框執行語義分割。可使用對視訊流之兩個語義分割操作之間之不同時間跨度，例如，幾分鐘或幾小時或甚至幾天。時間跨度可取決於在所擷取之場景之背景中發生多少操作。一較長時間跨度降低對方法之計算要求，此係因為語義演算法可能硬體要求相當高，而使得難以(或不可能)自演算法獲得即時結果。
根據一些實施例，使用來自用於來自該影像圖框子集中之複數個影像圖框之像素位置之語義演算法的結果之一組合來判定該像素位置已被分類為之類別。換言之，來自一特定像素位置之分類之先前結果可結合一新結果一起用於例如降低錯誤分類之風險。
根據一些實施例，背景模型包含表示一像素位置之複數個值，其中判定影像圖框中之像素位置屬於經擷取場景之背景或前景的步驟包括： - 計算該影像圖框中之該像素位置處之一像素值與該背景模型之對應像素位置處之該複數個值之間的一差， - 計算低於特定於該像素位置之臨限值之差的一數目， - 若該經計算數目超過值之第一預定數目，則判定該影像圖框中之該像素位置屬於背景，且否則該影像圖框中之該像素位置屬於前景。
取決於值之第一預定數目之值，此實施例可導致對當前處理之影像圖框之值與背景模型之值之間的差或多或少敏感之一判定。在一些實施例中，需要絕大部分差低於臨限值以導致一背景像素。在其他實施例中，需要1/3、2/3或任何其他適合數目差低於臨限值以導致一背景像素。在極端情況中，全部或僅一個差需要低於臨限值以導致一背景像素。
根據本發明之一第二態樣，上述目的係藉由一種包括一電腦可讀媒體之電腦程式產品達成，該電腦可讀媒體具有儲存於其上以在藉由具有處理能力之一裝置執行時實行第一態樣之方法的電腦程式碼指令。
根據本發明之一第三態樣，上述目的係藉由一種用於判定一視訊序列之一影像圖框中之像素位置屬於一經擷取場景之一背景或前景的裝置達成，該裝置包括一處理器，該處理器經調適用於： - 接收該像素位置已被分類為之一類別，該類別表示該經擷取場景中之該像素位置處之一物件類型， - 使該像素位置與基於其對應類別之一動態位準相關聯，其中一類別之該動態位準反映屬於該類別之像素位置處之像素值在該視訊序列之圖框之間改變值的一機率， - 藉由比較該影像圖框中之該像素位置之該像素值與一背景模型及一臨限值而判定該影像圖框中之該像素位置屬於該經擷取場景之該背景或該前景，該背景模型包含表示一像素位置之一或多個值，其中若該像素值與表示該背景模型中之該位置之第一預定數目個值之間的一差小於用於該像素位置之該臨限值，則判定像素屬於該背景。
該裝置之該處理器進一步經調適以，若判定影像圖框中之像素位置屬於背景，則： - 若像素值自一先前圖框以來已改變達多於一第二預定值，則按一增量增加特定於該像素位置之臨限值，其中該增量被設定為取決於像素位置之動態位準，使得一較高動態位準導致一較高增量。
根據本發明之一第四態樣，上述目的係藉由包括以下各者之系統達成： 一視訊擷取裝置，其經調適以連續地擷取描繪一場景之一視訊序列， 一第一裝置，其經調適以：自該視訊擷取裝置接收該視訊序列之一第一影像圖框；對該影像圖框中之各像素位置分類，類別表示該經擷取場景中之該像素位置處之一物件類型；及輸出該影像圖框中之各像素位置之一類別， 根據第三態樣之一第二裝置，該第二裝置經調適以自該視訊擷取裝置接收該視訊序列之一第二影像圖框且自該第一裝置接收該影像圖框中之各像素位置之一類別。
第二、第三及第四態樣可大體上具有與第一態樣相同之特徵及優點。進一步應注意，本發明係關於全部可能特徵組合，除非另有明確陳述。
現將在下文參考其中展示本發明之實施例之隨附圖式更充分描述本發明。將在操作期間描述本文中揭示之系統及裝置。
圖1展示包括兩個背景物件102、104之一場景101之一影像100。通常，此場景101亦將包括前景物件，但為便於說明省去此等前景物件。在場景中，第一背景物件102係一建築物。場景中之第二背景物件104係一樹木。建築物102通常為一非常靜態之物件，此意謂在時間
Figure 02_image001
拍攝之建築物之一影像與在一稍後時間
Figure 02_image003
拍攝之建築物之一影像之間存在極少差異或無差異。另一方面，樹木係一動態物件，特別是在風吹動時，其中樹木之樹葉及樹枝可隨時間大幅移動。換言之，在時間
Figure 02_image001
拍攝之樹木之一影像與在一稍後時間
Figure 02_image003
拍攝之樹木之一影像之間存在許多差異。例如，在偵測場景之影像中之移動時(例如，出於監控目的)需要考量此。此等移動通常僅在源於前景物件時才有意義，在此等情況中，應忽略背景中之移動。因此，需要實施補償動態物件使得此等動態物件仍將被偵測為背景以減少錯誤運動偵測及例如減少一監控應用中之錯誤警報之數目的一背景偵測演算法。
現將使用圖1結合圖4描述此等背景偵測演算法之實施例。
針對描繪場景101之(包含若干影像圖框之一視訊序列之)影像圖框100中之各像素位置，可藉由判定該像素位置已被分類為之一類別而達成經改良背景偵測，類別表示經擷取場景中之像素位置處之一內容種類。在圖1中，虛線方形106、108代表此分類，其中虛線方形106內部之像素(例如，一第一像素位置110處之一像素)被分類為例如一建築物，且其中虛線方形108內部之像素(例如，一第二像素位置112處之一像素)被分類為例如一樹木。應注意，為便於說明，藉由一矩形表示圍繞樹木104之標記108。在許多應用中，標記應遵循樹木104之輪廓。
此分類可為手動的，其中例如一操作者已將兩個物件102、104標記106、108為屬於不同類別，例如，一樹木類別及一建築物類別)。在其他實施例中，使用一語義分割演算法(例如，如上文描述之一神經網路實施方案)來判定像素位置已被分類為之類別。
在一些實施例中，可對視訊流之一影像圖框子集運行語義分割。通常，此等演算法(或手動工作)難以在一即時基礎上(即，針對一視訊序列之每一影像圖框)運行。有利的是，僅按特定時間間隔(例如，每分鐘、每小時、每天等)運行語義分割(分類)。換言之，彼此按一預定間隔對視訊流之影像圖框運行語義分割演算法。對於其餘影像圖框，可使用一兌現(cashed)結果(例如，來自最後執行之分類之結果)。在其他實施例中，使用來自用於來自該影像圖框子集中之複數個影像圖框之該像素位置之語義分割演算法的結果之一組合來判定像素位置已被分類為之類別，諸如該類別為絕大多數分類中之結果。在其他實施例中，一些類別定義為比其他類別「更重要」，其中若一像素位置之前已被分類為此等類別之一者，則即使語義分割演算法(或手動工作)在一些接下來的或先前分類程序中導致該像素位置之其他類別，仍將保持該分類。
通常，若擷取場景之一攝影機改變視野，則需要至少針對場景之先前未在視野中且因此未被分類的新部分再次執行分類。換言之，對在擷取視訊序列之一視訊擷取裝置之一視野改變時擷取的一影像圖框運行語義分割演算法。
接著，像素位置110、112之分類用於判定影像圖框100中之像素位置110、112屬於經擷取場景101之一背景或一前景。針對一特定像素位置，在此實例中被分類為一建築物像素之像素位置110 (在圖1之矩形106內部)，接收S302該類別(圖4展示方法300)。接著，使像素位置110與其對應類別之一動態位準相關聯S304，其中一類別之動態位準反映屬於該類別之像素位置處之像素值在視訊序列之圖框之間改變值的一機率。此可使用例如定義特定類別具有什麼動態位準之一表完成S304。經判定S304動態位準可在下文結合圖5進一步描述之一些情況中用於設定S306在判定影像圖框中之像素位置屬於背景或前景時將使用之一臨限值。
在一些實施例中，若像素位置之對應類別屬於一第一預定義群組之類別(即，包含建築物之一預定義群組之類別)，則像素位置與一第一動態位準相關聯，且若像素位置之對應類別屬於第二預定義群組之類別(即，包含樹木之一預定義群組之類別)，則像素位置與一第二較高動態位準相關聯。可實施類別與動態位準之間之更精細映射，即，包含3個、5個、10個等可能動態位準。
接著，判定S308影像圖框100中之像素位置110屬於背景或前景。此係藉由比較影像圖框100中之像素位置110之像素值與一背景模型及一臨限值而進行。圖2a、圖3a展示背景模型200之值202及用於像素位置110之一臨限值204之兩個不同實施例。在圖2a之實施例中，背景模型200之值202包含表示像素位置110之複數個像素值202 (在此實例中，四個，下文亦被稱為背景樣本)。在此實例中，藉由例如表示像素之光度之一個像素值表示各值202。在其他實例中，各值202可為表示像素位置之值之紅色、綠色及藍色(RGB)強度之一向量。
若像素值與表示背景模型200中之位置之(至少)第一預定數目個值(圖中未展示)之間的一差小於用於像素位置110之臨限值204，則判定像素位置屬於背景，且否則判定為前景。因此，若像素位置110之像素值係12.9，且第一預定數目係2，則將把像素位置判定為屬於前景，此係因為僅背景模型200中之值202之一者在來自像素位置110之像素值之臨限值204內。若第一預定數目係1，則將因此判定像素位置110屬於背景。倘若像素位置110之像素值係10，則無論第一預定數目為何，將判定像素位置屬於背景，等等。
更詳細地，藉由
Figure 02_image005
表示影像序列之在時間
Figure 02_image007
之像素
Figure 02_image009
中之觀察，且藉由
Figure 02_image011
表示像素
Figure 02_image013
之背景樣本202之集合。各觀察
Figure 02_image015
具有
Figure 02_image017
個通道(例如，在RGB色彩空間中，各觀察由三個通道R、G、B表達)。針對影像100中之像素位置110，比較該像素位置之影像資料(即，(若適用，各通道之)強度值)與背景模型200中之與像素位置110相關聯之各背景樣本202，以查看影像資料是否與背景樣本之各者相差小於一臨限值
Figure 02_image019
204。例如，根據以下方程式，與像素中之影像資料相差小於臨限值
Figure 02_image021
之背景樣本可與值「1」相關聯，且其他背景樣本可與值「0」相關聯：
Figure 02_image023
(1) 在圖2a、圖3a之實例中，
Figure 02_image025
。
若背景模型200中之與像素之影像資料相差小於臨限值
Figure 02_image027
之背景樣本202的數目高於或等於值之第一預定數目
Figure 02_image029
，則判定像素位置110處之像素屬於前景。
此可藉由計算一二元遮罩
Figure 02_image031
而實施，根據以下方程式，該二元遮罩
Figure 02_image031
在時間
Figure 02_image033
針對背景像素取得值「1」且針對前景像素取得值「0」：
Figure 02_image035
(2)
換言之，對背景模型200中之與像素位置110處之影像資料相差小於臨限值
Figure 02_image037
204之背景樣本202的數目進行計數。若該數目等於或超過值之一第一預定數目
Figure 02_image039
，則判定像素屬於背景，且否則屬於前景。因此，若發現背景模型200中之至少
Figure 02_image041
個背景樣本202 (在方程式1之意義上)類似於像素位置110處之影像資料，則將像素位置110處之像素分類為屬於背景，且否則屬於前景。
換言之，判定S308影像圖框100中之像素位置110屬於經擷取場景之背景或前景的步驟包括：計算影像圖框100中之像素位置110處之一像素值與背景模型200之對應像素位置處之複數個值202之間的一差；計算小於特定於該像素位置之臨限值204之差之一數目；及若該經計算數目超過或等於值之第一預定數目，則判定影像圖框中之像素位置屬於背景，且否則影像圖框中之像素位置屬於前景。
圖3a展示一背景模型200之另一實例。在此情況中，背景模型200包含表示像素位置110之一個值202，其中判定S308影像圖框100中之像素位置110屬於經擷取場景之背景或前景的步驟包括：計算影像圖框中之像素位置110處之一像素值與背景模型200之對應像素位置處之一值202之間的一差；及若該差低於特定於該像素位置之臨限值204，則判定影像圖框中之像素位置屬於背景，且否則影像圖框中之像素位置屬於前景。
圖2b及圖3b藉由實例展示像素位置112 (即，被分類為一樹木)之兩個背景模型200。如自圖2a、圖3a之實例可見，歸因於一較大臨限值204，容許背景模型200之(若干)值202與像素位置112處之像素值之間的(若干)差與上文關於被分類為一樹木之像素位置110描述之差相比更大。
可實施定義背景模型200之其他方式。例如，可藉由具有一平均值及一標準差之一高斯分佈來表示一像素位置之背景模型之值。在此情況中，判定S308影像圖框中之像素位置屬於經擷取場景之背景或前景的步驟包括：計算影像圖框中之像素位置處之一像素值與該平均值之間的一差；及藉由標準差來正規化該差；及若該經正規化差低於特定於該像素位置之臨限值，則判定影像圖框中之像素位置屬於背景，且否則影像圖框中之像素位置屬於前景。
有利地以規則間隔更新背景模型200之值202 (例如，(若干)像素值或高斯分佈)。例如，可將圖2a至圖2b之模型之像素值202實施為一FIFO佇列，每
Figure 02_image043
影像圖框運用此圖框中之像素位置之像素值或以任何其他適合方式更新該FIFO佇列。
為適應像素位置之動態位準，需要更新臨限值。此可藉由基於在特定時間之動態位準初始化或重設臨限值S306而完成(進一步參見下文)。在一些情形下亦可增加臨限值。明確言之，若判定像素位置屬於背景，則計算S312像素位置110、112之像素值與一先前圖框中之對應像素位置(即，相同像素位置)處之像素值之間的差。先前圖框可為緊接在當前影像圖框100之前之圖框，或為在當前影像圖框100之前之
Figure 02_image045
數目個圖框之一圖框，此取決於使用案例。若像素值自一先前圖框以來改變達多於一第二值，則按一增量增加S314特定於該像素位置之臨限值。為更快地適應特定像素位置之一相對較高動態位準，一較高動態位準導致一較高增量。因此，降低錯誤地判定此等像素位置屬於前景之機率，此係因為臨限值被設定為在上述情形下按一較高增量增加。第二值可經預定，且其係用於全部像素位置之一靜態值。第二值可設定為取決於對應像素位置之臨限值。第二值亦可設定為取決於與像素位置相關聯之動態位準。
在一些實施例中，若判定影像圖框中之像素位置屬於背景，則亦可減小S316臨限值。明確言之，若影像圖框中之像素位置處之像素值自一先前圖框以來已改變達少於第二值，則按一減量減小S316特定於該像素位置之臨限值，其中減量被設定為取決於像素位置之動態位準，使得一較高動態位準導致一較低減量。因此，僅因像素位置之像素值碰巧在圖框之間保持類似而不太快速地降低用於一動態像素位置之臨限值。此有利於例如在被分類為一樹木之像素位置之實施例中風再次開始吹動時之一情境中再次針對經增加差進行一快速調適。
通常，減量低於對應增量，此亦有利於上述情境中之一快速調適。
應注意，根據一些實施例，可能存在其之臨限值維持在一恆定位準之一類別(數個類別)。例如，倘若樹木之樹幹係與樹冠分離之一類別，則用於被分類為樹幹之像素位置之臨限值可保持靜態。換言之，若對應於像素位置之類別屬於一第三預定義群組之類別(在此實例中包含一樹木之一樹幹)，則特定於該像素位置之臨限值維持在一恆定位準。因此，可針對場景之特定部分停用動態背景而有利於背景偵測演算法之一增加的靈活性。
如上文描述，視需要，圖4中描述之演算法可包括針對各像素位置設定S306臨限值之步驟。應注意，根據其他實施例，設定臨限值之步驟係一強制步驟，且用於更新臨限值之步驟S310、S312、S314及S316係選用的。此等實施例將在下文結合圖5進行描述。在下文，亦將闡述針對各像素位置設定S306臨限值之步驟。因此，下文論述亦適用於圖4之方法之對應選用步驟S306。
圖5之方法400包括以下步驟：接收S302一像素位置之一類別；及判定/關聯S304像素位置之一動態位準。在此之後，判定是否應針對像素位置設定S404一新臨限值。若判定應針對像素位置設定一新臨限值，則將特定於該像素位置之臨限值設定S406為一值，其中該值取決於像素位置之動態位準，使得一較高動態位準導致一較高值。另外，倘若不應設定S406臨限值，則如上文描述般直接使用一當前臨限值來執行判定S308影像圖框中之像素位置屬於背景或前景之步驟。
根據一項實例，針對視訊流之一初始圖框執行設定S406臨限值之步驟。替代地或額外地，在擷取視訊序列之一視訊擷取裝置之一視野改變時執行設定S406臨限值之步驟。亦可彼此按一預定間隔對視訊流之影像圖框執行設定S406臨限值之步驟。
應注意，除上文描述之臨限值之外，可使用一像素位置之動態位準設定應如何偵測背景及前景之其他偏好。例如，本文中描述之方法可進一步包括取決於像素位置之動態位準設定特定於該像素位置之臨限值的一較低臨限值，該較低臨限值判定臨限值之一最小可能值，使得一較高動態位準導致較低臨限值之一較高值。此可降低減小S316臨限值之步驟在其中場景中之被定義為動態(透過分類)之一區域在一時段期間(幾乎)靜態之情景中導致一過低臨限值的風險。
上文描述之方法可在軟體及/或硬體(舉例而言，如包括具有指令之一電腦可讀儲存媒體之一電腦程式產品)中實施，該等指令經調適以在藉由具有處理能力之一裝置執行時實行本文中描述之方法。因此，可在包括經調適用於執行本文中描述之方法之一處理器的一裝置中實施方法。裝置可為裝置之一系統之部分，該系統將在下文結合圖6進行例示。
圖6之系統600包含經調適以連續地擷取描繪一場景101之一視訊序列(包含複數個影像圖框100a至100c)之一視訊擷取裝置。系統包括一第一裝置608 (在圖6中表示為一語義分析裝置)，第一裝置608經調適以：自視訊擷取裝置604接收視訊序列之一第一影像圖框100a；對影像圖框100a中之各像素位置進行分類，類別表示經擷取場景中之該像素位置處之一物件類型；及輸出609影像圖框100a中之各像素位置之一類別。如上文描述，第一裝置608可對基於若干先決條件(諸如是否與用於分類之一先前影像圖框間隔一特定時間間隔擷取圖框，或視訊擷取裝置604是否已改變視野等)選擇之影像圖框執行此分類。
系統進一步包括一第二裝置610 (在圖6中表示為一背景分類器)，第二裝置610經調適以：接收來自第一裝置608之輸出609 (即，來自第一裝置之第一影像圖框100a之各像素位置的一類別)及視訊擷取裝置之視訊序列之至少一第二影像圖框100b至100c；及對如上文描述之經接收第二影像圖框之像素執行背景分類(背景分析等)。應注意，當然亦可對第一影像圖框100a進行此背景分類。
根據一些實施例，第二裝置610亦自視訊擷取裝置604接收輸入612，輸入612用於判定是否應設定(圖4至圖5中之S306)臨限值，如上文描述。亦應注意，第一裝置608及第二裝置610可在一相同實體裝置中或在視訊擷取裝置604中實施。
將瞭解，熟習此項技術者可以許多方式修改上述實施例且仍使用如上文實施例中所展示之本發明之優點。
例如，根據一些實施例(圖6中未展示)，第二裝置經調適以輸出與第二影像圖框中之哪些像素位置屬於經擷取場景之背景及前景有關之資料。接著，系統可包括一第三裝置，該第三裝置經調適以：自視訊擷取裝置604接收視訊序列100a至100c；及偵測第二影像圖框中之運動且輸出與第二影像圖框中之經偵測運動有關之資料。可藉由一第四裝置接收此輸出，該第四裝置經調適以自第二裝置接收輸出資料及自第三裝置接收輸出資料，且使用經接收資料用於追蹤視訊流中之物件。
因此，本發明不應限於所展示實施例，而是應僅藉由隨附發明申請專利範圍定義。另外，如熟習此項技術者理解，可組合所展示實施例。
100:影像/影像圖框 100a:第一影像圖框 100b:第二影像圖框 100c:第二影像圖框 101:場景 102:第一背景物件/建築物 104:第二背景物件/樹木 106:虛線方形/標記/矩形 108:虛線方形/標記 110:第一像素位置 112:第二像素位置 200:背景模型 202:背景模型之值/像素值/背景樣本 204:臨限值 300:方法 400:方法 600:系統 604:視訊擷取裝置 608:第一裝置 609:輸出/類別 610:第二裝置 612:輸入 S302:接收 S304:判定/關聯 S306:設定 S308:判定 S310:步驟 S312:計算/步驟 S314:增加/步驟 S316:減小/步驟 S404:設定 S406:設定
參考隨附圖式，透過本發明之較佳實施例之以下闡釋性且非限制性詳細描述將更佳理解本發明之上述以及額外目的、特徵及優點，其中相同元件符號將用於類似元件，其中： 圖1展示包括具有不同動態位準之背景物件之一場景， 圖2 (包含圖2a及圖2b)及圖3 (包含圖3a及圖3b)展示一像素位置之一背景模型之實施例， 圖4展示根據實施例之判定一視訊序列之一影像圖框中之像素位置屬於一背景或一前景的一方法之一流程圖， 圖5展示根據其他實施例之判定一視訊序列之一影像圖框中之像素位置屬於一背景或一前景的一方法之一流程圖， 圖6藉由實例展示用於擷取一場景之一視訊序列及判定視訊序列之一影像圖框中之像素位置屬於一背景或一前景的一系統。
S302:接收
S304:判定/關聯
S306:設定
S308:判定
S310:步驟
S312:計算/步驟
S314:增加/步驟
S316:減小/步驟

Claims (15)

  1. 一種判定一視訊序列之一影像圖框(100)中之像素位置屬於一經擷取場景(101)之一背景或一前景之方法，該方法包括，針對該影像圖框中之各像素位置(110、112)： 接收(S302)該像素位置已被分類為之一類別，該類別表示該經擷取場景中之該像素位置處之一內容種類， 使該像素位置與其對應類別之一動態位準相關聯(S304)，其中一類別之該動態位準反映屬於該類別之像素位置處之像素值在該視訊序列之圖框之間改變值的一機率， 藉由比較該影像圖框中之該像素位置之該像素值與一背景模型(200)及一臨限值(204)而判定(S308)該影像圖框中之該像素位置屬於該經擷取場景之該背景或該前景，該背景模型包含表示一像素位置之一或多個值(202)，其中若該像素值與表示該背景模型中之該位置之該一或多個值當中之第一預定數目個值之間的一差小於用於該像素位置之該臨限值，則判定該像素位置屬於該背景， 若判定該影像圖框中之該像素位置屬於該背景，則： 若該影像圖框中之該像素位置處之該像素值自一先前圖框以來已改變達多於一第二值，則按一增量增加(S314)特定於該像素位置之該臨限值，其中該增量被設定為取決於該像素位置之該動態位準，使得一較高動態位準導致一較高增量。
  2. 如請求項1之方法，其進一步包括以下步驟： 若判定該影像圖框中之該像素位置屬於該背景，則： 若該影像圖框中之該像素位置處之該像素值自一先前圖框以來已改變達少於該第二值，則按一減量減小(S316)特定於該像素位置之該臨限值，其中該減量被設定為取決於該像素位置之該動態位準，使得一較高動態位準導致一較低減量。
  3. 如請求項1之方法，其進一步包括以下步驟： 將特定於該像素位置之該臨限值設定(S306)為一值，其中該值取決於該像素位置之該動態位準，使得一較高動態位準導致一較高值。
  4. 如請求項3之方法，其中針對該視訊流之一初始圖框執行設定該臨限值之該步驟。
  5. 如請求項3之方法，其中在擷取該視訊序列之一視訊擷取裝置之一視野改變時執行設定該臨限值之該步驟。
  6. 如請求項1之方法，其進一步包括取決於該像素位置之該動態位準設定特定於該像素位置之該臨限值的一較低臨限值，該較低臨限值判定該臨限值之一最小可能值，使得一較高動態位準導致該較低臨限值之一較高值。
  7. 如請求項1之方法，其中若該像素位置之對應類別屬於一第一預定義群組之類別，則該像素位置與一第一動態位準相關聯，若該像素位置之對應類別屬於第二預定義群組之類別，則該像素位置與一第二較高動態位準相關聯。
  8. 如請求項7之方法，其中若對應於該像素位置之該類別屬於一第三預定義群組之類別，則特定於該像素位置之該臨限值維持在一恆定位準。
  9. 如請求項1之方法，其中使用一語義分割演算法來判定該像素位置已被分類為之該類別。
  10. 如請求項9之方法，其中對該視訊流之一影像圖框子集運行該語義分割演算法。
  11. 如請求項10之方法，其中使用來自用於來自該影像圖框子集中之複數個影像圖框之該像素位置之該語義演算法的結果之一組合來判定該像素位置已被分類為之該類別。
  12. 如請求項1之方法，其中該背景模型包含表示一像素位置之複數個值，其中判定該影像圖框中之該像素位置屬於該經擷取場景之該背景或該前景的該步驟包括： 計算該影像圖框中之該像素位置處之一像素值與該背景模型之該對應像素位置處之該複數個值之各者之間的一差， 計算低於特定於該像素位置之該臨限值之差的一數目， 若該經計算數目超過或等於值之該第一預定數目，則判定該影像圖框中之該像素位置屬於該背景，且否則該影像圖框中之該像素位置屬於該前景。
  13. 一種具有記錄於其上之電腦可讀程式碼之非暫時性電腦可讀記錄媒體，該電腦可讀程式碼在於具有處理能力之一裝置上執行時經組態以執行如請求項1之方法。
  14. 一種用於判定一視訊序列之一影像圖框(100a、100b、100c)中之像素位置(110、112)屬於一經擷取場景之一背景或前景的裝置(610)，該裝置包括一處理器，該處理器經調適用於： 接收該像素位置已被分類為之一類別(609)，該類別表示該經擷取場景中之該像素位置處之一物件類型， 使該像素位置與基於其對應類別之一動態位準相關聯，其中一類別之該動態位準反映屬於該類別之像素位置處之像素值在該視訊序列之圖框之間改變值的一機率， 藉由比較該影像圖框中之該像素位置之該像素值與一背景模型及一臨限值而判定該影像圖框中之該像素位置屬於該經擷取場景之該背景或該前景，該背景模型包含表示一像素位置之一或多個值，其中若該像素值與表示該背景模型中之該位置之該一或多個值當中之第一預定數目個值之間的一差小於用於該像素位置之該臨限值，則判定該像素屬於該背景， 若判定該影像圖框中之該像素位置屬於該背景，則： 若該像素值自一先前圖框以來已改變達多於一第二值，則按一增量增加特定於該像素位置之該臨限值，其中該增量被設定為取決於該像素位置之該動態位準，使得一較高動態位準導致一較高增量。
  15. 一種系統，其包括： 一視訊擷取裝置(604)，其經調適以連續地擷取描繪一場景(101)之一視訊序列， 一第一裝置(608)，其經調適以：自該視訊擷取裝置接收該視訊序列之一第一影像圖框(100a)；對該影像圖框中之各像素位置進行分類，類別表示該經擷取場景中之該像素位置處之一物件類型；及輸出該影像圖框中之各像素位置之一類別， 如請求項14之一第二裝置(610)，該第二裝置經調適以自該視訊擷取裝置接收該視訊序列之一第二影像圖框(100b、100c)且自該第一裝置接收該第一影像圖框中之各像素位置之一類別。
TW108117889A 2018-06-14 2019-05-23 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統 TWI726321B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18177775.6 2018-06-14
EP18177775.6A EP3582181B1 (en) 2018-06-14 2018-06-14 Method, device and system for determining whether pixel positions in an image frame belong to a background or a foreground

Publications (2)

Publication Number Publication Date
TW202018666A true TW202018666A (zh) 2020-05-16
TWI726321B TWI726321B (zh) 2021-05-01

Family

ID=62636110

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108117889A TWI726321B (zh) 2018-06-14 2019-05-23 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統

Country Status (6)

Country Link
US (1) US10726561B2 (zh)
EP (1) EP3582181B1 (zh)
JP (1) JP6767541B2 (zh)
KR (1) KR102107334B1 (zh)
CN (1) CN110610507B (zh)
TW (1) TWI726321B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10839222B2 (en) * 2018-09-24 2020-11-17 Apical Limited Video data processing
JP7121277B2 (ja) * 2018-09-28 2022-08-18 日本電信電話株式会社 情報同期装置、情報同期方法及び情報同期プログラム
EP3800615A1 (en) * 2019-10-01 2021-04-07 Axis AB Method and device for image analysis
CN111429472B (zh) * 2020-03-16 2023-11-03 阿波罗智联(北京)科技有限公司 图像的识别方法、装置、电子设备和存储介质
JP7475959B2 (ja) 2020-05-20 2024-04-30 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム
CN112348842B (zh) * 2020-11-03 2023-07-28 中国航空工业集团公司北京长城航空测控技术研究所 一种从视频中自动快速获取场景背景的处理方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060067562A1 (en) * 2004-09-30 2006-03-30 The Regents Of The University Of California Detection of moving objects in a video
GB0424030D0 (en) 2004-10-28 2004-12-01 British Telecomm A method and system for processing video data
US20060210159A1 (en) * 2005-03-15 2006-09-21 Yea-Shuan Huang Foreground extraction approach by using color and local structure information
DE602007004841D1 (de) * 2007-07-08 2010-04-01 Univ Liege Extraktor für visuellen Hintergrund
JP5045371B2 (ja) 2007-10-30 2012-10-10 Ｋｄｄｉ株式会社 動画像の各画素の前景背景分類装置、方法及びプログラム
US8285046B2 (en) 2009-02-18 2012-10-09 Behavioral Recognition Systems, Inc. Adaptive update of background pixel thresholds using sudden illumination change detection
US8571261B2 (en) * 2009-04-22 2013-10-29 Checkvideo Llc System and method for motion detection in a surveillance video
JP4922472B1 (ja) * 2011-09-29 2012-04-25 楽天株式会社 情報処理装置、情報処理方法、情報処理装置用プログラム、および、記録媒体
US9530221B2 (en) 2012-01-06 2016-12-27 Pelco, Inc. Context aware moving object detection
JP6041515B2 (ja) * 2012-04-11 2016-12-07 キヤノン株式会社 画像処理装置および画像処理方法
US9412025B2 (en) * 2012-11-28 2016-08-09 Siemens Schweiz Ag Systems and methods to classify moving airplanes in airports
US9584814B2 (en) * 2014-05-15 2017-02-28 Intel Corporation Content adaptive background foreground segmentation for video coding
CN105825502B (zh) * 2016-03-12 2018-06-15 浙江大学 一种基于显著性指导的词典学习的弱监督图像解析方法
US10375399B2 (en) * 2016-04-20 2019-08-06 Qualcomm Incorporated Methods and systems of generating a background picture for video coding
EP3246874B1 (en) * 2016-05-16 2018-03-14 Axis AB Method and apparatus for updating a background model used for background subtraction of an image
EP3255585B1 (en) * 2016-06-08 2018-05-09 Axis AB Method and apparatus for updating a background model
US10301041B2 (en) * 2016-06-09 2019-05-28 California Institute Of Technology Systems and methods for tracking moving objects
US20180144476A1 (en) * 2016-11-23 2018-05-24 Qualcomm Incorporated Cascaded-time-scale background modeling
CN106897984B (zh) * 2017-01-05 2019-08-16 浙江大学 一种面向静态相机的非线性背景模型更新方法
EP3438929B1 (en) * 2017-08-04 2020-07-08 Université de Liège Foreground and background detection method
TWI668669B (zh) * 2018-05-31 2019-08-11 國立中央大學 物件追蹤系統及方法

Also Published As

Publication number Publication date
KR20190141577A (ko) 2019-12-24
US20190385312A1 (en) 2019-12-19
EP3582181A1 (en) 2019-12-18
CN110610507A (zh) 2019-12-24
JP6767541B2 (ja) 2020-10-14
KR102107334B1 (ko) 2020-05-06
JP2020024675A (ja) 2020-02-13
CN110610507B (zh) 2021-04-30
EP3582181B1 (en) 2020-04-01
TWI726321B (zh) 2021-05-01
US10726561B2 (en) 2020-07-28

Similar Documents

Publication Publication Date Title
TWI726321B (zh) 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統
CN110298297B (zh) 火焰识别方法和装置
CN106164980B (zh) 信息处理装置以及信息处理方法
CN113139521B (zh) 一种用于电力监控的行人越界标监测方法
US12002259B2 (en) Image processing apparatus, training apparatus, image processing method, training method, and storage medium
JP6482195B2 (ja) 画像認識装置、画像認識方法及びプログラム
US20090245571A1 (en) Digital video target moving object segmentation method and system
CN111062974B (zh) 一种使用去除鬼影对前景目标提取的方法及系统
CN108563979B (zh) 一种基于航拍农田图像判别水稻稻瘟病病情的方法
US20190012582A1 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
Song et al. Background subtraction based on Gaussian mixture models using color and depth information
Zhu et al. Automatic object detection and segmentation from underwater images via saliency-based region merging
CN105184771A (zh) 一种自适应运动目标检测系统及检测方法
CN111179302A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
Haque et al. A hybrid object detection technique from dynamic background using Gaussian mixture models
Zeng et al. Adaptive foreground object extraction for real-time video surveillance with lighting variations
Izadi et al. Robust region-based background subtraction and shadow removing using color and gradient information
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
Xie et al. Robust vehicles extraction in a video-based intelligent transportation systems
CN108875572B (zh) 基于背景抑制的行人重识别方法
CN106951831B (zh) 一种基于深度摄像机的行人检测跟踪方法
Wu et al. Real-time 2D hands detection and tracking for sign language recognition
CN108711164B (zh) 一种基于LBP和Color特征的运动检测方法
Shi et al. Moving objects detection by Gaussian Mixture Model: A comparative analysis
Ouivirach et al. Extracting the object from the shadows: Maximum likelihood object/shadow discrimination