TWI821597B - 用於影像分析之方法及裝置 - Google Patents

用於影像分析之方法及裝置 Download PDF

Info

Publication number
TWI821597B
TWI821597B TW109132918A TW109132918A TWI821597B TW I821597 B TWI821597 B TW I821597B TW 109132918 A TW109132918 A TW 109132918A TW 109132918 A TW109132918 A TW 109132918A TW I821597 B TWI821597 B TW I821597B
Authority
TW
Taiwan
Prior art keywords
algorithm
foreground
area
image
image data
Prior art date
Application number
TW109132918A
Other languages
English (en)
Other versions
TW202121884A (zh
Inventor
史蒂芬 倫得堡
嵩 袁
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 TW202121884A publication Critical patent/TW202121884A/zh
Application granted granted Critical
Publication of TWI821597B publication Critical patent/TWI821597B/zh

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—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
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本發明係關於一種用於一視訊序列中之影像圖框(30)之影像分析之方法。該方法(100、200)包括：藉由將一第一演算法應用(215)於複數個該等影像圖框(30)來界定(110)該視訊序列之一背景模型，該背景模型針對該等影像圖框(30)中之複數個空間區域(10)之各空間區域(10)界定該空間區域(10)屬於該視訊序列中之一背景(22)或一前景(24)，其中一影像圖框(30)中之一空間區域(10)中之影像資料相對於一先前影像圖框(30)中之該空間區域(10)中之影像資料偵測到之一顯著變化指示該空間區域(10)屬於該前景(24)；指示(120)該等界定前景區域(24)之一閒置區域(12)將自該前景(24)轉變(150)為該背景(22)；及藉由將一第二演算法應用(235)於該視訊序列之一影像圖框(30)之影像資料來判定(130)該閒置區域(12)是否將被轉變(150)，該影像資料至少部分對應於該閒置區域(12)；其中在判定該閒置區域(12)不會被轉變(150)之後，使該閒置區域(12)維持(140)為該背景模型中之一前景區域(24)。

Description

用於影像分析之方法及裝置
本發明係關於視訊處理。更特定言之，本發明係關於一種用於影像分析之方法及一種包括經組態以執行用於影像分析之一方法之一控制單元之視訊攝影機。
現今，視訊處理十分常見，然而，諸多實施方案需要或受益於預處理步驟。一常見此步驟係界定一背景模型及將其應用於一視訊序列。背景模型界定視訊序列之影像圖框之哪些部分在影像圖框之間改變。基於界定，影像圖框可分成一閒置背景及一變化前景。背景模型之結果允許視訊處理聚焦於影像圖框之相關部分，例如僅變化前景中之部分。
例如，視訊監視變得越來越常見，然而，在記錄時提供遮蔽人及其他敏感物體以保護人們隱私之可能性變得越來越重要。吾人已知使用非複雜演算法來即時遮蔽人及其他敏感物體以分析影像圖框中之前景/背景部分及其變化。演算法可為快速的且需要低量處理，但可被視為過於簡單且不是非常精確。
在已知隱私遮蔽方法中，移動物體通常被偵測為前景且因此被遮蔽。背景未經隱私遮蔽處理。然而，當一物體長時間靜止時，會出現一問題。物體首先將為前景之一部分，且因此被遮蔽，然而，過了一會兒，非移動物體將被視為背景且因此變成不被遮蔽，即使物體仍存在且仍應被遮蔽。
因此，需要就此進行改良。
鑑於上文，本發明之一目的係消除或至少緩解此項技術中之上文識別缺陷或問題之一或多者，諸如前景物體變成背景之部分之問題。特定言之，本發明之一目的係提供一種用於區分一背景物體與一閒置前景物體之影像分析之方法。本發明之一讀者將明白本發明之進一步及/或替代目的。
根據本發明之一第一態樣，提供一種用於一視訊序列中之影像圖框之影像分析之方法。該方法包括：藉由將一第一演算法應用於複數個該等影像圖框來界定該視訊序列之一背景模型，該背景模型針對該視訊序列中之複數個空間區域之各空間區域界定該空間區域屬於該視訊序列中之一背景或一前景，其中一影像圖框中之一空間區域中之影像資料相對於一先前影像圖框中之該空間區域中之一影像資料偵測到之一顯著變化指示該空間區域屬於該前景；指示該等界定前景區域之一閒置區域將自該前景轉變為該背景；及藉由將一第二演算法應用於該視訊序列之一影像圖框之影像資料來判定該閒置區域是否將被轉變，該影像資料至少部分對應於該閒置區域；其中在判定該閒置區域不會被轉變之後，使該閒置區域維持為該背景模型中之一前景區域。
本發明者已意識到，一正確界定前景可節省相當多時間及運算能力，因為其允許由相對適度硬體應用相對較高運算要求視訊處理方法。此係因為由高要求視訊處理方法處理之影像圖框之區域可被減小至僅前景或背景。針對諸多應用，僅前景或背景之一者係相關的，因此若背景模型可靠，則另一者可由視訊處理方法安全忽略。
在本申请案之內文中，用語「背景模型」應被解釋為針對視訊序列中之複數個空間區域之各空間區域判定該空間區域屬於視訊序列中之一背景或一前景之一資料模型。資料模型可進一步依各種方式儲存此資訊或處理其。
在本申请案之內文中，用語「背景」應被解釋為包含其影像資料十分類似於一先前影像圖框中之一對應區域之一影像圖框之任何區域。通常，背景意欲對應於在監視情境中與影像分析不是特別相關之一監視場景中之區域。在一實際及簡化情境中，背景應對應於一監視佈景。
在本申请案之內文中，用語「前景」應被解釋為包含其影像資料完全不同於一先前影像圖框中之一對應區域之一影像圖框之任何區域。前景物體通常處於運動中或在監視持續時間內具有一運動歷史。在一實際及簡化情境中，前景應對應於諸如人、車、物品等等之監視物體。
在本申请案之內文中，用語「空間區域」應被解釋為可根據(例如)一形狀或屬於一單一物體來進一步分組之一影像圖框中之任何數目個像素或子像素。應注意，形狀無需具有銳緣，一形狀可具有軟緣或基於一α遮蔽之所謂之透視邊緣，其中邊緣在數個像素上自全可見性逐漸衰弱至低可見性以避免物體周圍看起來很清晰之假影。
在本申请案之內文中，用語「演算法」應被解釋為經特別調適以可預測地執行資料分析之一方法或電路。
在一些實施例中，在指示一閒置區域將自前景轉變為背景之後，將第二演算法僅應用於一影像圖框之影像資料。
在存在指示之條件下應用第二演算法係有益的，因為僅在需要時應用第二演算法。若第二演算法比第一演算法(例如)運算要求更高及/或更不可靠，則主要依靠第一演算法係有益的。
在一些實施例中，僅在第二演算法已判定影像圖框之閒置區域將被轉變之後執行一空間區域自背景模型中之前景轉變為背景。
在第二演算法已判定閒置區域將被轉變之條件下執行轉變係有益的，因為除非由第二演算法驗證，否則物體不會被移動至背景，此减少來自第一演算法之誤報之影響。此允許一簡單第一演算法(其可經設計以即時執行於適度硬體上)，因為第二演算法驗證是否將執行一閒置區域自背景轉變為前景。
在一些實施例中，第一演算法包括複數個計時器，各計時器與複數個空間區域之一空間區域相關聯；其中若在一預定時間限制之前一影像圖框之一空間區域之影像資料未相對於一先前影像圖框之該空間區域之影像資料發生顯著變化，則將該空間區域界定為背景模型中之一閒置區域。
計時器係有益的，因為其簡單及運算高效。與類似演算法相比，實施臨限值及/或操控結果係容易的。
在一些實施例中，其中在由第二演算法判定閒置區域不會被轉變之後，重設或暫停與該閒置區域相關聯之計時器，或增大與該閒置區域相關聯之計時器之時間限制。
將計時器操控為對判定步驟之一回應係有益的，因為其係使閒置區域維持為背景模型中之一前景區域之一簡單及高效方法。其亦允許對先前已由第二演算法判定為不會被轉變之空間區域進行特殊處理，例如藉由將計時器重設為不同於其開始計時數之一數值。此係有益的，例如，若一特定空間區域更傾向於閒置(諸如對應於前景人可休息之一座椅或床)，則一較長計時器可减少誤報。
在一些實施例中，當與一閒置區域相關聯之第一演算法之一計時器達到低於預定時間限制之一指示臨限值時，執行指示閒置區域將自前景轉變為背景之步驟。
指示臨限值係有益的，因為第二演算法要花費一些時間，因此藉由使用一指示臨限值，可在第一演算法之計時器達到預定時間限制之前完成判定步驟。
在一些實施例中，在應用第二演算法之步驟期間判定一影像圖框中之閒置區域中之影像資料相對於一先前影像圖框中之該閒置區域中之影像資料顯著變化之後，中止應用第二演算法之步驟且使閒置區域維持為背景模型中之一前景區域。
中止應用第二演算法之步驟係有益的，因為可節省時間及運算能力。
在一些實施例中，第二演算法比第一演算法運算要求更高。
第二演算法運算要求更高係有益的，因為其比第一演算法使用更少，因此可節省相當多運算能力。運算要求更高之演算法可進一步經特別調適以减少來自不複雜第一演算法之誤報，因此更適合於一第二級實施方案，即，在一第一演算法之後應用。
在一些實施例中，當更多運算資源可用時，在一稍後時間應用第二演算法。
在更多運算資源可用時在一稍後時間應用第二演算法係有益的，因為此檢查可經排定為稍後完成，且允許使用較低級硬體來應用第二演算法。例如，當一裝置中實施方法之可用運算資源大於總運算資源之一臨限百分比時或當可用運算資源超過一臨限量時，可應用第二演算法。
在一些實施例中，應用第二演算法之步驟包括應用一影像分割演算法來定位影像資料中之一物體，該物體至少部分延伸至閒置區域中，其中對應於定位物體之影像資料界定應用第二演算法之影像資料。
影像分割演算法係有益的，因為其可提高第二演算法之可靠性且更正確地判定前景。
在一些實施例中，第二演算法經調適以執行以下之至少一者：人臉辨識、頭部偵測、身體偵測、車輛偵測、車牌偵測、運動分析、物體追蹤及其他預登記重要物體之偵測。
此等類型之影像分析係有益的，因為其很常用且其在某種程度上完全受益於處於一第二級實施方案中。在一些實施例中，影像分析經調適以識別形成一人識別符(即，可用於識別一人)之物體部分。人識別符之非限制實例係人臉、眼睛、指紋、員工制服、身份證及支付卡。
在一些實施例中，方法進一步包括遮蔽為前景之部分之空間區域。
遮蔽係有益的，因為其允許隱私及/或減少所顯示之資訊用於簡化進一步分析。遮蔽亦可添加顯示(例如)物體類型之一般圖形或資訊以便於場景理解且不揭示物體之身份。不同物體類型可具有使用不同圖示及/或色彩之遮蔽。
在一些實施例中，方法進一步包括藉由追蹤為視訊序列中前景之部分之空間區域中之對應影像資料來追蹤視訊序列中所描繪之一物體。
追蹤係有益的，因為當正確區分前景時，物體追蹤被簡化。物體追蹤可進一步用於改良第二演算法以確保前景係正確的。
根據本發明之一第二態樣，提供一種非暫時性電腦可讀記錄媒體，其上記錄有用於在執行於具有處理能力之一裝置上時實施根據第一態樣之方法之一程式。
根據本發明之一第三態樣，提供一種視訊攝影機，其擷取一視訊序列中之影像圖框。該視訊攝影機包括一控制單元，其經組態以：藉由將一第一演算法應用於複數個該等影像圖框來界定該視訊序列之一背景模型，該背景模型針對該等影像圖框中之複數個空間區域之各空間區域界定該空間區域屬於該視訊序列中之一背景或一前景，其中一影像圖框中之一空間區域中之影像資料相對於一先前影像圖框中之該空間區域中之影像資料偵測到之一顯著變化指示該空間區域屬於該前景；指示該等界定前景區域之一閒置區域將自該前景轉變為該背景；及藉由將一第二演算法應用於該視訊序列之一影像圖框之影像資料來判定該閒置區域是否將被轉變，該影像資料至少部分對應於該閒置區域；其中在判定該閒置區域不會被轉變之後，使該閒置區域維持為該背景模型中之一前景區域。
在一些實施例中，該控制單元進一步經組態以將該第一演算法及該第二演算法即時應用於該視訊序列中之複數個該等影像圖框。
即時應用該等演算法係有益的，因為其允許即時隱私遮蔽及/或物體追蹤。該等演算法依使得總體影像分析非常高效之一方式應用且因此可在無任何改變及/或折損之情況下由大多數視訊攝影機即時應用。
第一態樣之上述特徵亦視情況應用於此第三態樣，且反之亦然。為避免過度重複，參考上文。
將自下文給出之詳細描述明白本發明之進一步適用範疇。然而，應瞭解，詳細描述及具體實例儘管指示本發明之較佳實施例，但其僅供說明，因為熟習技術者將自此詳細描述明白本發明之範疇內之各種改變及修改。
因此，應瞭解，本發明不受限於所描述之裝置之特定組件部分或所描述之方法之步驟，因為此裝置及方法可變動。亦應瞭解，本文中所使用之術語僅用於描述特定實施例，且不意在限制。必須注意，本說明書及隨附申請專利範圍中所使用之冠詞「一」及「該」意欲意謂存在一或多個元件，除非內文另有清楚指示。因此，例如，參考「一單元」或「該單元」可包含若干裝置及其類似者。此外，用語「包括」、「包含」、「含有」及類似用語不排除其他元件或步驟。
現將在下文參考附圖更完全描述本發明，附圖中展示本發明之當前較佳實施例。然而，本發明可依諸多不同形式體現且不應被解釋為受限於本文中所闡述之實施例；確切而言，提供此等實施例係為了透徹及完整且向熟習技術者傳達本發明之範疇。
現將結合圖3至圖4描述圖1之方法100。圖1係用於一視訊序列中之影像圖框30a至30c之影像分析之一方法100之一方塊圖。圖4a至圖4b之影像圖框30a至30c自左至右展示一時間流逝。方法100包括可依一特定順序(例如圖1中所展示之順序或任何其他適合順序)執行之數個步驟。在以下實例中，除非另有指定，否則假定影像圖框30c係當前經處理/分析影像圖框。
界定步驟110包括界定視訊序列之一背景模型。背景模型針對影像圖框30a至30c中之複數個空間區域10之各空間區域10界定該空間區域10屬於視訊序列中之一背景22或一前景24。一當前經處理影像圖框30c中之一空間區域10中之影像資料相對於一先前影像圖框30a至30b中之該空間區域10中之影像資料偵測到之一顯著變化指示該空間區域10屬於前景24。
背景模型係使不同視訊處理構件區分在一時間週期期間無顯著變化以藉此屬於背景22之空間區域10與在一時間週期期間顯著變化以藉此屬於前景24之空間區域10之一工具。
就其最簡單形式而言，一背景模型可包括用於一影像圖框30a至30c之空間區域10中之各像素位置之一像素值。若當前影像圖框30c (即，當前被分析之影像圖框30c)中一對應位置處之一像素值與一先前影像圖框30a至30b (即，當前影像圖框30c之前的一影像圖框30a至30b)中一對應位置處之一像素值相差超過一臨限值(即，顯著不同)，則當前影像圖框30c中之像素位置將被視為屬於前景24。否則，其將被視為屬於背景22。接著，基於當前影像圖框30c中之像素值更新背景模型。
應注意，一空間區域10可包括數個像素。例如，若一個像素中之雜訊太大，則同時比較數個像素，因為多個像素之平均值將具有較低雜訊。此避免其中自影像感測器均勻擴散之雜訊引起圖框中之一切轉變為前景之情形。分組在一起之像素之數目可取決於(例如)光度或歸因於不同雜訊位準而不同。
在其中空間區域10可包括若干像素之實施例中，空間區域10可包括屬於背景22之像素及屬於前景24之像素。在此一情況中，兩個群組之一者(即，背景22或前景24)可用作一預設，若一空間區域10包括屬於兩個群組之像素。在另一實施例中，兩個群組之最普遍者可判定空間區域10屬於背景22或前景24。在另一實施例中，將包括屬於兩個群組之像素之一空間區域10分成各僅包括屬於一個群組之像素之若干空間區域10。
在另一實施例中，背景模型包括每像素位置之複數個像素值，例如，在像素位置處界定最後X個影像圖框30a至30c之像素值。若當前影像圖框30之像素位置處之像素值顯著不同於背景模型中之對應像素位置之像素值(由(例如)基於像素值之一變異數、一臨限值或任何其他統計量測之一代表性像素值表示)，則當前影像圖框30c中之像素位置被視為屬於前景24，否則屬於背景22。接著，基於當前影像圖框中之像素值更新背景模型。應注意，存在不同於本文中所例示之方式之實施一背景模型之諸多方式。
若視訊序列由(例如)一固定監視攝影機擷取，則視訊序列之影像圖框30a至30c之背景22對應於被監視之場景之靜態背景。監視可僅關注背景22或前景24，取決於(例如)監視人或貨物。
在一些實施例中，前景24可包括靜態區域。例如，若被監視之場景包括一停車場，則瀝青及牆壁可被界定為背景22且停放之閒置車可被界定為前景24。為此，可如本文中所描述般使用經特別調適以防止將閒置車轉變為背景22之一第二演算法。此等第二演算法之實例包括車牌偵測及/或影像分割。
因此，背景模型可用於濾除不相關資訊且改良可對視訊序列執行之任何視訊處理。
指示步驟120包括接收界定前景24之一閒置區域12將自前景24轉變150為背景22之一指示。
可在界定步驟110中提供指示，例如，在發現一閒置區域12之後。可基於界定步驟110中用於區分背景22與前景24之任何條件將一空間區域10界定為一閒置區域12。例如，可將一空間區域10識別為閒置12，例如若當前影像圖框30c之空間區域10中之影像資料相對於一先前影像圖框30a至30b中之空間區域10中之影像資料未偵測到顯著變化。
指示可包括使用(例如)元資料或一單獨查找表將一空間區域10標記為一閒置區域12。
指示可由分析背景模型及提供指示之一單元/程序/演算法在需要時傳送。在其他實施例中，背景模型本身包括用於提供指示之構件。
可藉由僅指示120界定前景區域24之空間區域10中之閒置區域12來節省運算能力。此係因為屬於背景22之空間區域10被認為是閒置的且已為背景22之部分。
判定步驟130包括判定閒置區域12是否將被轉變150。
判定步驟130可包括分析視訊序列之任何影像圖框30a至30c，而非僅分析其中空間區域10對應於一閒置區域12之影像圖框。此係有益的，因為資訊最多影像圖框30a至30c未必為最新者或最類似於當前分析者30c之影像圖框。作為一實例，可藉由分析其中空間區域10不對應於一閒置區域12之影像圖框30a至30c來較容易地發現已運動過且目前閒置之一前景物體。
一維持步驟140包括使閒置區域12維持為背景模型中之一前景區域24。維持步驟140較佳地發生於判定130閒置區域12不會被轉變150之後。
維持140之步驟可藉由不做任何事情或與包括背景模型之電路系統或任何其他適合處理構件通信以防止可能已開始之一轉變150來達成。
維持140之步驟可進一步包括操控界定步驟110以確保維持閒置區域12留在前景24中。
一轉變步驟150包括將閒置區域12轉變為背景模型中之背景22，即，在判定130閒置區域12將被轉變150之後。
轉變步驟150可包括使用(例如)元資料或一單獨查找表將閒置區域12標記為背景22。應用轉變之電路系統可與包括背景模型之電路系統及/或(例如)執行方法100之另一步驟或擷取視訊序列之一單獨處理器通信。在一實施例中，包含背景模型之電路系統與應用轉變之電路系統相同，藉此無需通信。
轉變步驟150可進一步受來自背景模型及/或(例如)執行方法100之另一步驟或擷取視訊序列之一單獨處理器之一通信影響。
在一較佳實施例中，執行維持步驟140及轉變步驟150之僅一者。
圖2係用於一視訊序列中之影像圖框30a至30c之影像分析之一方法200之一方塊圖，方法200進一步包括應用215、235一第一演算法及第二演算法、遮蔽260及/或追蹤270前景24之部分及循環。現將結合圖3至圖4描述圖2之方法200。
界定步驟110包括將一第一演算法應用215於複數個影像圖框30a至30c。第一演算法用於判定各影像圖框30a至30c之空間區域10屬於背景模型中之背景22或前景24。第一演算法可進一步偵測一空間區域10何時變成一閒置區域12。
第一演算法可經組態以偵測當前經分析影像圖框30c中之一空間區域10中之影像資料相對於一先前影像圖框30a至30b中之空間區域10中之影像資料之一顯著變化以(例如)界定屬於背景22之任何空間區域10是否將被轉變為前景24。
另外，第一演算法可經組態以特別偵測一當前影像圖框30c中之一空間區域10中之影像資料未相對於一先前影像圖框30a至30b中之空間區域10中之影像資料發生顯著變化以(例如)界定屬於前景24之任何空間區域10是否將被轉變為背景22。
第一演算法可(例如)包括分析當前影像圖框30c中之一空間區域10中之影像資料且比較其與一或多個先前影像圖框30a至30b中之一對應空間區域10。若該影像資料在空間區域10之間顯著不同，則根據第一演算法將空間區域10視為屬於前景24。
判定步驟130包括將一第二演算法應用235於視訊序列之一影像圖框30a至30c之影像資料，影像資料至少部分對應於閒置區域12。
第二演算法可經組態以判定一閒置區域12 (如指示步驟120中所指示)是否將被轉變150。
第二演算法可應用於視訊序列之影像圖框30a至30c之任何一或若干者，而非僅應用於具有閒置區域12之影像圖框。
對應於閒置區域12之影像資料可包括於一先前影像圖框30a至30b中之一不同空間區域10中，例如，若前景24物體已移動。因此，第二演算法可應用於不同影像圖框30a至30c中之不同空間區域10之影像資料。
第二演算法可經調適以在存在一閒置區域12將自前景24轉變為背景22之指示之條件下應用235於一影像圖框30a至30c之影像資料。
僅在指示步驟120之後應用235第二演算法係有益的，因為僅在需要時使用第二演算法。若第二演算法(例如)比第一演算法運算要求更高及/或更不可靠，則主要依靠第一演算法係有益的。
方法200進一步允許使用比第一演算法相對更耗時之一第二演算法，使得與第一演算法一樣經常應用235第二演算法將是無效或不合理的。
當有足够運算資源可用時，可在一稍後時間應用235第二演算法。
因為一物體歸因於低活動性而可能自前景24轉變為背景22，所以此檢查可經排定為稍後完成。第二演算法無需即時完成，第二演算法可(例如)保持追蹤標記為待檢查潜在轉變之所有區域及標記為正在檢查之區域。當有足够(例如超過一臨限值)運算資源可用時，可應用第二演算法。
可在第二演算法已判定130影像圖框30c之閒置區域12將被轉變150之條件下執行一空間區域10自背景模型中之前景24轉變150為背景22。
僅在判定步驟130之後執行轉變150係有益的，因為除非由第二演算法驗證，否則物體不會移動至背景22，此减少來自第一演算法之誤報之影響。
在其中判定步驟130包括在一稍後時間應用235一第二演算法之實施例中，歸因於節省運算能力之排定或歸因於第二演算法因其複雜性而花費一長時間，僅在應用235第二演算法之後執行轉變步驟150。
誤報可為有害的，例如，在具有隱私遮蔽260之實施例中，如相對於圖3a所討論。
作為一替代，若藉由使用第二演算法來判定130影像圖框30c之閒置區域12不會被轉變150，則判定步驟130可引起轉變150反轉，若已執行或啟動轉變150。
第二演算法可比第一演算法運算要求更高。
第二演算法運算要求更高係有益的，因為其比第一演算法更少使用，因此可節省相當多運算能力。
第二演算法可進一步比第一演算法產生更少漏報結果，因此適合於驗證第一演算法之結果。
應用235第二演算法之步驟可包括應用一影像分割演算法來定位影像資料中之一物體，該物體至少部分延伸至閒置區域12中，其中對應於定位物體之影像資料界定應用235第二演算法之影像資料。
影像分割演算法係有益的，因為其可提高第二演算法之可靠性且更正確地判定前景24。
影像分割包括定位一或多個影像圖框30a至30c之影像資料中之物體及邊界。
若一前景物體(例如)包括一大單色正方形，則正方形可經放置使得一空間區域10之影像資料不顯著改變(例如，影像資料中小於臨限數目個像素顯著改變，或空間區域10之影像資料之像素與背景模型之間的一彙總差低於一臨限差，等等)，即使物體及正方形移動。因此，影像分割可定位整個物體以發現即使該空間區域10閒置，但物體不閒置。藉由應用於整個物體，第二演算法可更容易地判定130閒置區域12應被維持140，因為其係一前景物體之部分。
第二演算法經調適以執行以下之至少一者：人臉辨識、頭部偵測、身體偵測、車輛偵測、車牌偵測、運動分析、物體追蹤270及其他預登記重要物體之偵測。
第二演算法可經調適以執行人臉辨識。人臉辨識用於發現前景24之空間區域10是否包括一人臉。若空間區域10包括人臉，則其被認為是活的且因此為前景24之部分。藉此判定130包括一人臉之任何閒置區域12維持140為前景24。
人臉辨識較佳地與影像分割及/或身體偵測組合以發現人臉所屬之人或動物，使得判定人或動物之整個影像區域維持140為前景24。
第二演算法可經調適以執行頭部或身體偵測。頭部或身體偵測用於發現前景24之空間區域10是否包括一人或動物頭部或身體。若空間區域10包括人或動物頭部或身體，則其被認為是活的且因此為前景24之部分。藉此判定130包括一頭部或身體之任何閒置區域12維持140為前景24。
頭部或身體偵測可彼此組合及/或與人臉辨識組合以提高頭部或身體偵測之準確性。
第二演算法可經調適以執行車輛或車牌偵測。車輛或車牌偵測用於發現前景24之空間區域10是否包括一車輛或牌照。若空間區域10包括車輛或牌照，則其被認為是一車輛且因此為前景24之部分。藉此判定130包括一車輛或牌照之任何閒置區域12維持140為前景24。
第二演算法可經調適以執行運動分析。運動分析用於發現前景24之空間區域10是否包括任何移動物體。若空間區域10包括移動物體，則其被認為是前景24之部分。藉此判定130包括運動之任何閒置區域12維持140為前景24。
運動分析較佳地結合影像分割使用以發現包括可處於運動中之相同物體之其他空間區域10，即使一空間區域10閒置。此可藉由在包括相同物體之空間區域10中第二演算法檢查與運動偵測相關之第一演算法之結果來實施。在此實施例中，第二演算法經調適以藉由實施第一演算法之運動偵測來執行運動分析。
因此，運動分析可實施為僅由影像分割及指令組成之第二演算法以檢查第一演算法之結果。
運動分析可進一步更複雜，例如，結合影像分割及/或物體追蹤270使用以發現相同閒置物體是否在視訊序列之一先前影像圖框30中處於運動中。此可再次利用第一演算法之結果及/或分析若干影像圖框30以依某一其他方式發現運動。
第二演算法可經調適以執行物體追蹤270。物體追蹤270用於偵測及跟蹤被監視之物體。此可用於發現前景24之閒置區域12中之物體先前所處之位置。若已在一物體處於一不同空間區域10中時判定其維持140為前景24，則再次使其維持140為前景24可為有益的，且反之亦然。
物體追蹤270可導致不同於運動分析之一判定130，若(例如)被監視之區域包括一列車軌道或一輸送帶。物體追蹤270可包括判定追蹤物體是否與先前追蹤物體具有一規律性或類似性。第二演算法可經調適以判定130規律通過列車及連續移動輸送帶係背景22之部分及/或其前面看見之一猫係前景24之部分。
在執行維持步驟140及/或轉變步驟150之後，方法200可循環返回至方法200之開始。
藉由連續循環用於一視訊序列中之影像圖框30a至30c之影像分析之方法200，可分析新影像圖框30及/或比較新影像圖框30與先前經分析影像圖框30以(例如)不斷更新背景模型及/或自一先前分析中學習。
遮蔽步驟260包括遮蔽為前景24之部分之空間區域10。
遮蔽260係有益的，因為其允許隱私及/或减少所顯示之資訊用於簡化進一步分析。遮蔽260可包括模糊影像圖框30之空間區域10及/或將影像圖框30之空間區域10替換為難以形容或單色。
遮蔽260可包括隱私遮蔽，例如使用人臉辨識及/或車牌偵測來遮蔽人臉及/或車牌。此可進一步包括遮蔽260人臉及/或牌照所屬之整個人及/或車。此可使用(例如)影像分割及/或物體追蹤來達成。
隱私遮蔽係有益的，因為其允許在不折損其隱私之情況下出於安全及/或保全而監視人們。
前景24可經遮蔽以在不受前景24干擾及/或保護前景24中之人之隱私之情况下監視背景22。
背景22之部分可進一步被遮蔽260，若(例如)前景24之未遮蔽部分更值得監視。
追蹤步驟270包括藉由追蹤為視訊序列中之前景24之部分之空間區域10中之對應影像資料來追蹤視訊序列中所描繪之一物體。
追蹤270係有益的，因為當正確區分前景24時，簡化物體追蹤。此係因為當(例如)在新影像圖框30中發現物體時，可僅考量為前景24之部分之空間區域10。
物體追蹤270可進一步用於改良第二演算法以確保前景24係正確的。此係因為在一些實施例中，一追蹤物體應總是為前景24之部分。
一非暫時性電腦可讀記錄媒體上可已記錄用於在執行於具有處理能力之一裝置上時實施根據圖1至圖2之任何者之方法100、200之一程式。
一此裝置可為一視訊攝影機。一視訊攝影機本身可經組態以執行根據圖1至圖2之任何者之方法100、200。
擷取一視訊序列中之影像圖框30a至30c之一視訊攝影機可包括一控制單元，其經組態以：藉由將一第一演算法應用215於複數個影像圖框30a至30c來界定110視訊序列之一背景模型，背景模型針對影像圖框30a至30c中之複數個空間區域10之各空間區域10界定該空間區域10屬於視訊序列中之一背景22或一前景24，其中一影像圖框30c中之一空間區域10中之影像資料相對於一先前影像圖框30a至30b中之該空間區域10中之影像資料偵測到之一顯著變化指示該空間區域10屬於前景24；指示120界定前景區域24之一閒置區域12將自前景24轉變150為背景22；及藉由將一第二演算法應用235於視訊序列之一影像圖框30c之影像資料來判定130閒置區域12將被轉變150或不被轉變140，影像資料至少部分對應於閒置區域12；其中在判定閒置區域(12)不會被轉變150之後，使閒置區域12維持140為背景模型中之一前景區域24。
控制單元可進一步經組態以將第一演算法及第二演算法即時應用215、235於視訊序列中之複數個影像圖框30a至30c。
即時應用演算法係有益的，因為其允許即時隱私遮蔽260及/或物體追蹤270。演算法依使得總體影像分析非常高效之一方式應用215、235且因此可在無任何改變及/或折損之情況下由大多數視訊攝影機即時應用。
第一演算法可相對較高效且可甚至即時應用215於相對適度硬體上。僅在需要時應用235第二演算法，因此即使其相對運算要求較高，但其仍可被即時應用。
即時視訊處理係高度安全的，因為(例如)只要視訊序列可存取，則隱私遮蔽260有效，因此惡意間諜軟體無法存取視訊序列之一非隱私遮蔽260版本。
圖3a繪示一視訊序列中之一影像圖框30。視訊序列包括界定影像圖框30中之空間區域10屬於一背景22或一前景24之一背景模型。
在此實施例中，背景22之任何顯著變化將對應空間區域10轉變為前景24。包括在一足够長時間內實質上未改變之影像資料之空間區域10 (即，閒置區域12)可被轉變150為背景22，如圖4b中所展示。然而，首先判定130閒置區域12是否應被維持140。
將閒置區域12轉變150為背景22之前的此額外判定130階段可能不存在於自背景22至前景24之對應轉變。
此係有益的，(例如)因為隱私問題。若前景24經隱私遮蔽260及/或物體追蹤270，則(例如)由於第一演算法之一誤報結果，即使在空間區域10停止閒置之前的一短時間內將前景24不正確地移動至背景22仍可能有害。針對隱私遮蔽260之情況，隱私可能丟失，及針對物體追蹤270之情況，物體可能丟失。
允許(例如)在判定步驟130之實施中足够寬容以允許背景22之細微變化而不將此等空間區域10轉變為前景24及/或使此等空間區域10保持於前景24中而非將其轉變150為背景22可更為重要。
例如，自然光將隨時間改變以引起背景22改變而不顯著影響應被視為背景22之內容。在此情況中，受光變化影響之空間區域10應留在背景22中或相對快速地轉變為背景22。
在一替代實施例中，不檢查背景22之可轉變為前景24之任何非閒置空間區域10，一旦某物出現於背景22中，則其留在背景22中。
在具有(例如)由不同攝影機擷取之若干視訊序列之實施例中，方法100、200可協同應用於視訊序列。若兩個或更多個視訊序列包括具有對應於相同實體位置之空間區域10之影像圖框30，則方法100、200可分析所有此等空間區域10且判定130其應被維持140或轉變150為一群組。此允許(例如)角變化用於一更可靠判定130。
圖3b繪示與包括複數個計時器14之一第一演算法之一示意圖重疊之圖3a之影像圖框30。各計時器14與影像圖框30中之複數個空間區域10之一空間區域10相關聯。
若在一預定時間限制之前一影像圖框30之一空間區域10之影像資料未相對於一先前影像圖框30之該空間區域10之影像資料發生顯著變化，則將該空間區域10界定為背景模型中之一閒置區域12。
若偵測到一影像圖框30之一空間區域10之影像資料相對於一先前影像圖框30之該空間區域10之影像資料顯著變化，則背景22之一空間區域10可轉變為前景24。
計時器14係有益的，因為其簡單及運算高效。比類似演算法容易地實施臨限值及/或操控結果。
此係部分因為計時器14係數值且數值簡單。例如，藉由僅向一計時器14增加秒數，計時器14將較快達到其臨限值而無需改變臨限值。作為另一實例，可藉由使用一可預測週期性重設一計時器14來防止其一直達到其臨限值。
計時器14可進一步計時及/或倒計時而無顯著運算複雜性。
在由第二演算法判定閒置區域12不會被轉變150之後，可重設或暫停與該閒置區域12相關聯之計時器14，或增大與該閒置區域12相關聯之計時器14之時間限制。
將計時器14操控為對判定步驟130之一回應係有益的，因為其係使閒置區域12維持為背景模型中之一前景區域24之一簡單及高效方式。其亦允許對先前已由第二演算法判定為不會被轉變150之空間區域10進行特殊處理，例如藉由將計時器14重設為不同於其開始計時數之一數值。此係有益的，例如，若一特定空間區域10更傾向於閒置(諸如對應於前景24人可休息之一座椅或床)，則一較長計時器14可减少誤報結果。
當與一閒置區域12相關聯之第一演算法之一計時器14達到低於預定時間限制之一指示臨限值時，可指示120閒置區域12將自前景24轉變150為背景22。
指示臨限值係有益的，因為應用235第二演算法要花費一些時間，因此藉由使用一指示臨限值，可在第一演算法之計時器14達到預定時間限制之前完成判定步驟130以藉此節省時間。
在其中若干判定步驟130同時發生於不同影像圖框30及/或相同影像圖框30之不同空間區域10之實施例中，此可取決於分析影像圖框30之頻率來節省相當多時間。
在應用235第二演算法之步驟期間判定130一影像圖框30中之閒置區域12中之影像資料相對於一先前影像圖框30中之該閒置區域12中之影像資料顯著變化之後，可中止應用235第二演算法之步驟且可使閒置區域12維持140為背景模型中之一前景區域24。
中止應用235第二演算法之步驟係有益的，因為可節省時間及運算能力。當應用235第二演算法時，閒置區域12可不再被視為閒置，其可意謂沒必要繼續應用235第二演算法之步驟。
若應用235第二演算法之步驟已提早開始(例如由於與閒置區域12相關聯之第一演算法之一計時器14達到低於預定時間限制之一指示臨限值)，則閒置區域12可不保持閒置，直至達到預定時間限制。因此，可藉由允許中止應用235第二演算法之步驟來達成進一步協同作用。
圖4a係兩個前景物體24a、24b轉變為背景22之一視訊序列中之影像圖框30a至30c之一示意圖。影像圖框30a至30c自左至右展示一時間流逝。
在最左邊影像圖框30a中，前景物體24a、24b兩者處於運動中。在中間影像圖框30b中，下前景物體24a閒置，而上前景物體24b保持運動。在最右邊影像圖框30c中，下物體22a已在閒置之後被轉變150為背景22，而上前景物體24b保持運動。
圖4b係與影像圖框30a至30c之空間區域10變成閒置區域12之一示意圖重疊之圖4a之影像圖框30a至30c之一示意圖。
下前景物體24a在中間影像圖框30b中變成閒置。因此，包括物體24a之空間區域10變成閒置區域12，而當物體24a處於運動中時，閒置區域12不在最左邊影像圖框30a中。
指示120中間影像圖框30b之閒置區域12自前景24轉變150為背景22。在第二演算法已判定130閒置區域12將被轉變150之後，其被轉變150。在最右邊影像圖框30c中，物體22a因此已被轉變150為背景22。
若第二演算法判定130閒置區域12不會被轉變150，則物體24a將維持140於前景24中。
空間區域10在圖中被描繪為每影像圖框30a至30c九個區域。實質上可比描繪更多或更少。作為一實例，影像圖框30a至30b之四個像素之各像素或各正方形可為一空間區域10。在另一實施例中，各巨區塊、編碼單元或編碼樹單元可被視為一空間區域10。
熟習技術者應意識到，本發明絕不受限於上述較佳實施例。相反地，可在隨附申請專利範圍之範疇內進行諸多修改及變動。
例如，可跳過指示步驟120且空間區域10可明顯小於圖示。可與界定步驟110同時使用第二演算法之任何實施例來界定前景24。除背景22及前景24之外，可存在由不同於界定前景24之實施例之第二演算法之一實施例界定一第三層級。
另外，熟習技術者可在實踐本發明時自圖式、揭示內容及隨附申請專利範圍之一研究理解及實現所揭示之實施例之變動。
10:空間區域 12:閒置區域 14:計時器 22:背景 22a:下物體 24:前景 24a:前景物體 24b:前景物體 30:影像圖框 30a至30c:影像圖框 100:方法 110:界定步驟 120:指示步驟 130:判定步驟 140:維持步驟 150:轉變步驟 200:方法 215:應用 235:應用 260:遮蔽步驟 270:追蹤步驟
現將參考展示本發明之實施例之附圖來更詳細描述本發明之上述及其他態樣。附圖不應被視為將本發明限制於具體實施例，而是用於解釋及理解本發明。
如圖中所繪示，層及區域之大小為了說明而放大且因此被提供來繪示本發明之實施例之一般結構。所有相同元件符號係指相同元件。
圖1係用於一視訊序列中之影像圖框之影像分析之一方法之一方塊圖。
圖2係用於一視訊序列中之影像圖框之影像分析之一方法之一方塊圖，該方法進一步包括一第一及第二演算法、遮蔽及/或追蹤前景之部分及循環。
圖3a係一視訊序列中之一影像圖框之一示意圖，該視訊序列具有界定影像圖框中之空間區域屬於一背景或一前景之一背景模型。
圖3b係進一步具有包括複數個計時器之一第一演算法之圖3a之影像圖框之一示意圖。
圖4a係轉變為背景之一前景物體之一視訊序列中之影像圖框之一示意圖。
圖4b係其中空間區域變成閒置區域之圖4a之影像圖框之一示意圖。
110:界定步驟
120:指示步驟
130:判定步驟
140:維持步驟
150:轉變步驟
200:方法
215:應用
235:應用
260:遮蔽步驟
270:追蹤步驟

Claims (17)

  1. 一種用於一視訊序列中之影像圖框(frames)之影像分析之方法，該方法包括：藉由將在電路上執行之一第一演算法應用於複數個該等影像圖框來界定該視訊序列之一背景模型，該背景模型針對該等影像圖框中之複數個空間區域(spatial areas)之各空間區域界定該空間區域是否屬於該視訊序列中之一背景(background)或一前景(foreground)，其中該第一演算法包含複數個計時器(timers)，各計時器與該複數個空間區域之一空間區域相關聯；指示該等界定前景區域之一閒置(idle)區域將自該前景轉變為該背景，其中在一預定時間限制之前，若一影像圖框之一空間區域之影像資料相對於一先前(preceding)影像圖框之該空間區域之影像資料沒有發生顯著(significant)變化，則將一空間區域界定為該背景模型中之一閒置區域；及藉由將在電路上執行之一第二演算法應用於該視訊序列之一影像圖框之影像資料來判定該閒置區域是否將被轉變，該影像資料至少部分對應於該閒置區域，其中在判定該閒置區域不會被轉變之後，使該閒置區域維持為該背景模型中之一前景區域。
  2. 如請求項1之方法，其中僅在指示一閒置區域將自前景轉變為背景之後將該第二演算法應用於一影像圖框之影像資料。
  3. 如請求項1之方法，其中僅在該第二演算法判定該影像圖框之該閒置區域將被轉變之後執行一空間區域自該背景模型中之前景轉變為背景。
  4. 如請求項1之方法，其中在由該第二演算法判定該閒置區域不會被轉變之後，重設或暫停與該閒置區域相關聯之該計時器，或增大與該閒置區域相關聯之該計時器之該時間限制。
  5. 如請求項1之方法，其中當與一閒置區域相關聯之該第一演算法之一計時器達到低於該預定時間限制之一指示臨限值時，執行指示該閒置區域將自前景轉變為背景。
  6. 如請求項5之方法，其中在應用該第二演算法之期間判定一影像圖框中之該閒置區域中之影像資料相對於一先前影像圖框中之該閒置區域中之影像資料顯著變化之後，中止應用該第二演算法且使該閒置區域維持為該背景模型中之一前景區域。
  7. 如請求項1之方法，其中當更多運算資源可用時，在一稍後時間應用該第二演算法。
  8. 如請求項1之方法，其中應用該第二演算法包括應用一影像分割演算法來定位該影像資料中之一物體，該物體至少部分延伸至該閒置區域中，其中對應於該定位物體之影像資料界定應用該第二演算法之該影像資料。
  9. 如請求項1之方法，其中該第二演算法經調適以執行以下之至少一者：人臉辨識、頭部偵測、身體偵測、車輛偵測、車牌偵測、運動分析、物體追蹤及其他預登記重要物體之偵測。
  10. 如請求項1之方法，其進一步包括遮蔽為該前景之部分之空間區域。
  11. 如請求項1之方法，其進一步包括藉由追蹤為該視訊序列中之該前景之部分之空間區域中之對應影像資料來追蹤該視訊序列中所描繪之一物體。
  12. 一種非暫時性電腦可讀記錄媒體，其上記錄有用於在執行於具有處理能力之一裝置上時實施如請求項1之方法之一程式。
  13. 一種視訊攝影機，其擷取一視訊序列中之影像圖框，該視訊攝影機包括具有電路之一控制單元，該控制單元經組態以：藉由將一第一演算法應用於複數個該等影像圖框來界定該視訊序列之一背景模型，該背景模型針對該等影像圖框中之複數個空間區域之各空間區域界定該空間區域是否屬於該視訊序列中之一背景或一前景，其中該第一演算法包含複數個計時器，各計時器與該複數個空間區域之一空間區域相關聯；指示該等界定前景區域之一閒置區域將自該前景轉變為該背景；及藉由將一第二演算法應用於該視訊序列之一影像圖框之影像資料來判定該閒置區域是否將被轉變，該影像資料至少部分對應於該閒置區域， 其中在一預定時間限制之前，若一影像圖框之一空間區域之影像資料相對於一先前影像圖框之該空間區域之影像資料沒有發生顯著變化，則將一空間區域界定為該背景模型中之一閒置區域；其中在判定該閒置區域不會被轉變之後，使該閒置區域維持為該背景模型中之一前景區域。
  14. 如請求項13之視訊攝影機，其中該控制單元中之該電路進一步經組態以將該第一演算法及該第二演算法即時應用於該視訊序列中之複數個該等影像圖框。
  15. 如請求項13之視訊攝影機，其中該電路進一步經組態以當與一閒置區域相關聯之該第一演算法之一計時器達到低於該預定時間限制之一指示臨限值時，執行指示該閒置區域將自前景轉變為背景。
  16. 如請求項15之視訊攝影機，其中在應用該第二演算法之期間該電路判定一影像圖框中之該閒置區域中之影像資料相對於一先前影像圖框中之該閒置區域中之影像資料顯著變化之後，中止應用該第二演算法且使該閒置區域維持為該背景模型中之一前景區域。
  17. 如請求項13之視訊攝影機，其中應用該第二演算法包括應用一影像分割演算法來定位該影像資料中之一物體，該物體至少部分延伸至該閒置區域中，其中對應於該定位物體之影像資料界定應用該第二演算法之該影像資料。
TW109132918A 2019-10-01 2020-09-23 用於影像分析之方法及裝置 TWI821597B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP19200756.5 2019-10-01
EP19200756.5A EP3800615A1 (en) 2019-10-01 2019-10-01 Method and device for image analysis

Publications (2)

Publication Number Publication Date
TW202121884A TW202121884A (zh) 2021-06-01
TWI821597B true TWI821597B (zh) 2023-11-11

Family

ID=68109187

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109132918A TWI821597B (zh) 2019-10-01 2020-09-23 用於影像分析之方法及裝置

Country Status (6)

Country Link
US (1) US11514582B2 (zh)
EP (1) EP3800615A1 (zh)
JP (1) JP7399055B2 (zh)
KR (1) KR102517576B1 (zh)
CN (1) CN112598677B (zh)
TW (1) TWI821597B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9716825B1 (en) 2016-06-12 2017-07-25 Apple Inc. User interface for camera effects
US11128792B2 (en) 2018-09-28 2021-09-21 Apple Inc. Capturing and displaying images with multiple focal planes
CN115474002A (zh) * 2021-04-30 2022-12-13 苹果公司 用于更改视觉媒体的用户界面

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240500A1 (en) * 2007-04-02 2008-10-02 Industrial Technology Research Institute Image processing methods
US20100150471A1 (en) * 2008-12-16 2010-06-17 Wesley Kenneth Cobb Hierarchical sudden illumination change detection using radiance consistency within a spatial neighborhood
US20140254863A1 (en) * 2013-03-05 2014-09-11 Mitsubishi Electric Research Laboratories, Inc. Method for Detecting and Tracking Objects in Image Sequences of Scenes Acquired by a Stationary Camera
US20160125621A1 (en) * 2014-10-29 2016-05-05 Behavioral Recognition Systems, Inc. Incremental update for background model thresholds
US20160269714A1 (en) * 2015-03-11 2016-09-15 Microsoft Technology Licensing, Llc Distinguishing foreground and background with infrared imaging
US20170213100A1 (en) * 2016-01-22 2017-07-27 Samsung Electronics Co., Ltd. Apparatus and method for detecting foreground in image
US20180286075A1 (en) * 2015-03-31 2018-10-04 Thermal Imaging Radar, LLC Setting Different Background Model Sensitivities by User Defined Regions and Background Filters

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8711217B2 (en) * 2000-10-24 2014-04-29 Objectvideo, Inc. Video surveillance system employing video primitives
JP2003123074A (ja) * 2001-10-11 2003-04-25 Sanyo Electric Co Ltd 動物体検出装置、動物体検出方法及び動物体検出プログラム
KR100601933B1 (ko) 2003-11-18 2006-07-14 삼성전자주식회사 사람검출방법 및 장치와 이를 이용한 사생활 보호방법 및 시스템
JP5731525B2 (ja) * 2009-11-13 2015-06-10 コーニンクレッカ フィリップス エヌ ヴェ ３ｄビデオにおける深さ遷移の効率的な符号化
JP5865710B2 (ja) * 2012-01-12 2016-02-17 セコム株式会社 画像処理装置
JP5832910B2 (ja) * 2012-01-26 2015-12-16 セコム株式会社 画像監視装置
JP2016115093A (ja) * 2014-12-12 2016-06-23 国立大学法人豊橋技術科学大学 画像処理システム及びそれに用いる画像処理方法
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
WO2018068300A1 (zh) * 2016-10-14 2018-04-19 富士通株式会社 图像处理方法和装置
CN107204006B (zh) * 2017-06-01 2020-02-07 大连海事大学 一种基于双背景差分的静止目标检测方法
JP6935247B2 (ja) 2017-07-04 2021-09-15 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
US20190251695A1 (en) * 2017-08-04 2019-08-15 Universite De Liege Foreground and background detection method
EP3438929B1 (en) * 2017-08-04 2020-07-08 Université de Liège Foreground and background detection method
CN109670383B (zh) 2017-10-16 2021-01-29 杭州海康威视数字技术股份有限公司 视频遮蔽区域选取方法、装置、电子设备及系统
EP3582181B1 (en) * 2018-06-14 2020-04-01 Axis AB Method, device and system for determining whether pixel positions in an image frame belong to a background or a foreground

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080240500A1 (en) * 2007-04-02 2008-10-02 Industrial Technology Research Institute Image processing methods
US20100150471A1 (en) * 2008-12-16 2010-06-17 Wesley Kenneth Cobb Hierarchical sudden illumination change detection using radiance consistency within a spatial neighborhood
US20140254863A1 (en) * 2013-03-05 2014-09-11 Mitsubishi Electric Research Laboratories, Inc. Method for Detecting and Tracking Objects in Image Sequences of Scenes Acquired by a Stationary Camera
US20160125621A1 (en) * 2014-10-29 2016-05-05 Behavioral Recognition Systems, Inc. Incremental update for background model thresholds
US20160269714A1 (en) * 2015-03-11 2016-09-15 Microsoft Technology Licensing, Llc Distinguishing foreground and background with infrared imaging
US20180286075A1 (en) * 2015-03-31 2018-10-04 Thermal Imaging Radar, LLC Setting Different Background Model Sensitivities by User Defined Regions and Background Filters
US20170213100A1 (en) * 2016-01-22 2017-07-27 Samsung Electronics Co., Ltd. Apparatus and method for detecting foreground in image

Also Published As

Publication number Publication date
US11514582B2 (en) 2022-11-29
TW202121884A (zh) 2021-06-01
KR20210039284A (ko) 2021-04-09
CN112598677A (zh) 2021-04-02
EP3800615A1 (en) 2021-04-07
CN112598677B (zh) 2023-05-12
JP7399055B2 (ja) 2023-12-15
US20210097695A1 (en) 2021-04-01
JP2021077349A (ja) 2021-05-20
KR102517576B1 (ko) 2023-04-03

Similar Documents

Publication Publication Date Title
TWI821597B (zh) 用於影像分析之方法及裝置
Yu et al. Multi-modal face anti-spoofing based on central difference networks
US20170337431A1 (en) Image processing apparatus and method and monitoring system
Hong et al. Drivers drowsiness detection in embedded system
JP4991595B2 (ja) パーティクルフィルタを使用する追跡システム
Deore et al. Study of masked face detection approach in video analytics
TW202011733A (zh) 對影像進行目標取樣的方法及裝置
US20070036432A1 (en) Object detection in images
CN111783744A (zh) 一种操作现场安全防护检测方法及装置
CN103942539A (zh) 一种人头部椭圆精确高效提取及遮蔽人脸检测方法
CN107346417B (zh) 人脸检测方法及装置
CN115346060A (zh) 画面异常识别方法、装置、电子设备和存储介质
Yin et al. Sift-based camera tamper detection for video surveillance
CN114189685A (zh) 一种基于视频相关性的视频预处理方法、装置以及存储介质
CN109697417A (zh) 一种用于变桨系统柜的生产管理系统
JP6399122B2 (ja) 顔検出装置およびその制御方法
Wang et al. Foreground model for background subtraction with blind updating
CN105320925A (zh) 图像捕获中的特征检测
CN108334811A (zh) 一种人脸图像处理方法及装置
CN110135305B (zh) 用于疲劳度检测的方法、装置、设备和介质
JP6618438B2 (ja) 前景領域抽出装置、方法、及びプログラム
Bajracharya Real time pattern recognition in digital video with applications to safety in construction sites
CN111582001A (zh) 一种基于情绪感知的可疑人员识别方法及其系统
CN117390685B (zh) 一种基于遗忘学习的行人重识别数据隐私保护方法和系统
US20220156900A1 (en) Automatic occlusion detection