[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN102222349B - 一种基于边缘模型的前景帧检测方法 - Google Patents

一种基于边缘模型的前景帧检测方法 Download PDF

Info

Publication number
CN102222349B
CN102222349B CN 201110185415 CN201110185415A CN102222349B CN 102222349 B CN102222349 B CN 102222349B CN 201110185415 CN201110185415 CN 201110185415 CN 201110185415 A CN201110185415 A CN 201110185415A CN 102222349 B CN102222349 B CN 102222349B
Authority
CN
China
Prior art keywords
frame
edge
foreground
sequence
background
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN 201110185415
Other languages
English (en)
Other versions
CN102222349A (zh
Inventor
朱伟兴
纪滨
李新城
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.)
Jiangsu University
Original Assignee
Jiangsu 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 Jiangsu University filed Critical Jiangsu University
Priority to CN 201110185415 priority Critical patent/CN102222349B/zh
Publication of CN102222349A publication Critical patent/CN102222349A/zh
Application granted granted Critical
Publication of CN102222349B publication Critical patent/CN102222349B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于边缘模型的前景帧检测方法，用于安防监控视频帧序列分析中的前景帧判断，以伪球边缘检测算子提取序列帧只含有边缘图像的边缘帧；统计边缘帧的边缘像素点在帧序列统计时间内的出现概率，根据当前边缘帧内边缘像素点属性区分的判断条件标记背景属性和前景属性，在前景边缘图像中，若当前帧中相连的边缘点数小于或等于2,则为噪声点而去除；对所剩的前景边缘图像的像素总数小于序列帧噪声边缘判断阈值，判为为背景帧,否则为前景帧；本发明减少了计算代价，有效适应背景光线变化及目标运动缓慢或短暂滞留等情况，为后继的目标运动分析创造有利条件。

Description

一种基于边缘模型的前景帧检测方法
技术领域
本发明涉及机器视觉技术，具体涉及应用于安防监控视频帧序列分析中的前景帧判断。
背景技术
前景帧检测是检测视频中是否存在运动或缓慢移动或短暂停留的前景目标的技术，目前视频分析过程中，广泛使用的是计算代价较小的帧差法和背景法（参见：Herrero S ,Bescós J. Background Subtraction Techniques: Systematic Evaluation and Comparative Analysis[C] //Proceedings of the 11th International Conference on Advanced Concepts for Intelligent Vision Systems.Springer-Verlag. 2009,5807/2009:33-42）。帧差法对噪声比较敏感，不易检测固定区域缓慢移动或者暂时静止的前景目标；而背景法对噪声相对鲁棒，但受光照变化影响大，前景目标检测不易控制，因此，为解决这些问题，近年来基于轮廓邻域信息的算法如Snake模型（参见：聂烜, 赵荣椿 ,沈亚萍. 基于 Snake 技术的运动目标轮廓提取[J]. 计算机工程. 2005, 31 (23):148-150）、水平集（参见：龚永义, 罗笑南, 黄辉等. 基于单水平集的多目标轮廓提取[J]. 计算机学报. 2007, 30 (001):120-128）等，尽管用于前景检测结果较好，但计算复杂度高, 难以达到实时效果。
发明内容
本发明的目的是：克服一般前景检测方法不能适应场景光线变化及前景运动目标的速度缓慢甚至暂时停滞的缺陷，提供一种计算简单、实时的基于边缘模型的前景帧检测方法。
本发明的技术方案采用如下步骤：（1）采用同一固定摄像位置、同一场景下摄取需要前景帧检测的、分辨率为                                               
Figure 2011101854157100002DEST_PATH_IMAGE002
的特定检测视频，以伪球边缘检测算子提取序列帧只含有边缘图像的边缘帧；（2）统计所述边缘帧的当前第t帧边缘像素点（i,j）在帧序列统计时间
Figure 2011101854157100002DEST_PATH_IMAGE004
内的出现概率
Figure 2011101854157100002DEST_PATH_IMAGE006
，
Figure 2011101854157100002DEST_PATH_IMAGE008
；
Figure 2011101854157100002DEST_PATH_IMAGE010
为第k 帧所对应的二值化边缘图像； （3）根据当前边缘帧内边缘像素点属性区分的判断条件
Figure 2011101854157100002DEST_PATH_IMAGE012
，
Figure 2011101854157100002DEST_PATH_IMAGE014
是第t帧所对应的二值化边缘图像上的边缘像素点，0标记为背景属性，1标记为前景属性，
Figure 2011101854157100002DEST_PATH_IMAGE016
为背景边缘像素判定阈值；（4）在前景边缘图像中，若当前第t 帧中相连的边缘点数小于或等于2, 则为噪声点而去除；对所剩的前景边缘图像的像素总数小于序列帧噪声边缘判断阈值
Figure 2011101854157100002DEST_PATH_IMAGE018
，判为为背景帧, 否则为前景帧。
本发明的有益效果是；
1、本发明基于边缘模型的前景帧检测方法的理论依据的是前景目标的边缘在帧序列中的稳定性远远不及背景边缘，为前景运动分析提供了必要的、少量的运动像素，大大减少了计算代价。
2、本发明不仅适用非刚体目标前景帧判断，也适用于刚体目标的前景帧判断，可以有效地适应背景光线变化及目标运动缓慢或短暂滞留等情况，为后继的目标运动分析创造有利条件。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明前景帧检测方法的流程图。
具体实施方式  
以下结合附图进一步说明本发明的技术方案：
参见图1所示，首先，抽取视频样本，采用同一固定摄像位置、同一场景下摄取需要前景帧检测的特定检测视频，分辨率为320×240，此处场景的含义是指摄像的某个固定地理区域，不同的场景视频参数值不一样，但同一场景下，帧序列统计时间
Figure 341713DEST_PATH_IMAGE004
、背景边缘像素判定阈值
Figure 121450DEST_PATH_IMAGE016
和序列帧噪声边缘判断阈值
Figure 985501DEST_PATH_IMAGE018
这三个参数值是稳定的。对需要检测的特定检测视频进行人工截取。然后，对需要检测的特定检测视频帧序列采用伪球算子边缘检测算子处理，提取分辨率
Figure 268714DEST_PATH_IMAGE002
为320×240序列帧的边缘图像，获得只含有边缘图像的边缘帧。
进行前景帧检测前，必须获取这三个参数值。
帧序列统计时间
Figure 91177DEST_PATH_IMAGE004
的确定方法是：
人工截取的特定检测视频帧序列中包含前景目标短暂滞留的
Figure 2011101854157100002DEST_PATH_IMAGE020
个样本视频段，且这些样本视频段不存在场景光线的变化，即选取不含光线变化但可有短暂滞留运动的前景样本视频段。对每个样本视频段采用瞬时帧差分法(参见：Herrero S ,Bescós J. Background Subtraction Techniques: Systematic Evaluation and Comparative Analysis[C] //Proceedings of the 11th International Conference on Advanced Concepts for Intelligent Vision Systems. Springer-Verlag. 2009,5807/2009:33-42)进行运动检测，利用瞬时帧差分法无法识别静止前景的特点，求出暂时静止不动的前景目标被背景吸收的时间段
Figure 2011101854157100002DEST_PATH_IMAGE022
作为滞留时间。当相邻帧差分后得到的当前帧前景目标面积，其占帧图像总面积
Figure 2011101854157100002DEST_PATH_IMAGE026
的比例
Figure 2011101854157100002DEST_PATH_IMAGE028
小于某个较小阈值
Figure 2011101854157100002DEST_PATH_IMAGE030
（优选0.07）时，则认为前景滞留或没有前景，当前帧属性
Figure 2011101854157100002DEST_PATH_IMAGE032
标记为0，否则为1，即运动的前景帧。统计每段视频中
Figure 681513DEST_PATH_IMAGE032
连续为0的长度作为时间段。在所有的视频段样本中选择最大的时间段
Figure 18134DEST_PATH_IMAGE022
作为最大时间段（优选440），见公式（1）：
                      
Figure 2011101854157100002DEST_PATH_IMAGE036
                         （1）
理论上测试个样本视频段数愈大愈好，由于无法获得全局最优解，且非刚体目标存在局部运动，真正滞留静止不动的时间很短，故
Figure 172352DEST_PATH_IMAGE020
的取值取决于主观上判断所截取的视频段中是否包含最大的前景滞留间隔，实践上
Figure 378205DEST_PATH_IMAGE020
可取5～10（优选10）；而摄像系统电子噪声的存在，影响真实场景映射到二维图像边缘像素点的稳定性，故计算出最大时间段
Figure 901590DEST_PATH_IMAGE034
需要再加一个修正值作为最终的帧序列统计时间
Figure 767653DEST_PATH_IMAGE004
的值，见公式（2），
Figure 2011101854157100002DEST_PATH_IMAGE040
值的大小与摄像系统相关，不同的视频采集系统，修正值是不一致的，一般
Figure 222085DEST_PATH_IMAGE040
取值为10～20，优选
Figure 865556DEST_PATH_IMAGE040
值是16（20FPS）。也即最终的帧序列统计时间
Figure 669564DEST_PATH_IMAGE004
为456，表示场景中非刚体前景目标的驻足不动状态，最长不足22.8秒。如果前景目标为刚体，且其一旦静止就被看作背景时，可设为0。
                           
Figure 2011101854157100002DEST_PATH_IMAGE042
                               （2）
背景边缘像素判定阈值
Figure 414983DEST_PATH_IMAGE016
的确定方法是：
人工截取的特定视频帧序列中不包含前景目标且不存在场景光线变化的1个样本视频段，对样本视频段采用伪球边缘检测算子（参见：王志衡,吴福朝. 伪球滤波和边缘检测[J]. 软件学报. 2008, 19 (4):803-816）提取视频样本的序列帧的边缘图像，此处伪球算子的尺度参数
Figure 2011101854157100002DEST_PATH_IMAGE044
取3.0，边缘保持参数
Figure 2011101854157100002DEST_PATH_IMAGE046
取0.1，模板大小为5×5。在帧序列统计时间
Figure 818020DEST_PATH_IMAGE004
确定的前提下，计算每一帧边缘上的像素点在同一位置出现的概率为
Figure DEST_PATH_IMAGE048
，设当第t 帧背景边缘像素总数为P，则在其中每个点出现的概率集合中，取最小阈值
Figure DEST_PATH_IMAGE050
为判断背景目标边缘像素的阈值，见公式(3)：
                        
Figure DEST_PATH_IMAGE052
                   (3)
为取得适应性较好的阈值，需从第t 帧开始连续测试n帧（这里取为15），直到第t+n帧，为避免异常值，n个
Figure 996192DEST_PATH_IMAGE050
按从小到大排序，取中位数作为
Figure 415672DEST_PATH_IMAGE016
（优选0.644），见公式（4）。
                         
Figure DEST_PATH_IMAGE054
                        (4)
 如果待检测的视频当前t 帧的边缘像素点大于
Figure 235860DEST_PATH_IMAGE016
时，则作为背景边缘而除去，剩下的即为包含噪声在内的前景边缘图像。不同的视频场景，合适的
Figure 555721DEST_PATH_IMAGE016
并不一致。
序列帧噪声边缘判断阈值
Figure 967111DEST_PATH_IMAGE018
的确定方法是：
从样本视频段中人工截取帧数为
Figure DEST_PATH_IMAGE058
（优选
Figure DEST_PATH_IMAGE060
帧）的不含有前景的视频段
Figure DEST_PATH_IMAGE062
（优选辑），对个样本视频段分别经伪球边缘检测算子提取序列帧的边缘图像，保留非背景的边缘，经公式（8）、公式（9）计算获得的图像即为不含前景的噪声图像，再去除相连为2及孤立的噪声边缘像素点，最后统计每帧的剩下边缘像素点数量，获得
Figure DEST_PATH_IMAGE066
个离散值，统计第i帧边缘像素点数量按从小到大排序，噪声边缘像素点数量统计特性符合高斯分布，采用中值法近似第i帧边缘像素点数量
Figure 169870DEST_PATH_IMAGE068
的期望值
Figure DEST_PATH_IMAGE070
和
Figure 111281DEST_PATH_IMAGE018
值（优选
Figure 192108DEST_PATH_IMAGE018
值是35），见公式（5）和公式（7）。
          
Figure DEST_PATH_IMAGE072
                  （5）
                    
Figure DEST_PATH_IMAGE074
                         （6）
Figure DEST_PATH_IMAGE076
                                （7）
接着，统计帧序列统计时间
Figure 523863DEST_PATH_IMAGE004
内所有边缘像素的概率分布，即统计边缘帧的边缘像素点在帧序列统计时间
Figure 748171DEST_PATH_IMAGE004
内的出现概率，设当前帧为第t帧，在帧序列统计时间
Figure 278509DEST_PATH_IMAGE004
确定的前提下，
Figure 31702DEST_PATH_IMAGE048
是当前第t帧边缘像素点（i,j）的概率，计算公式见式（8）。
Figure 381912DEST_PATH_IMAGE006
，
Figure 409910DEST_PATH_IMAGE008
                             （8）
根据公式（8）进行帧序列中前景帧的判断，按背景边缘像素判定阈值
Figure 558870DEST_PATH_IMAGE016
提取前景边缘图像，在帧序列统计时间大于的视频段中进行运动前景帧判断，其中，为第k 帧所对应的二值化边缘图像。理论上背景边缘像素的出现概率
Figure 152159DEST_PATH_IMAGE048
必然大于活动边缘像素概率，即在帧序列统计时间
Figure 922669DEST_PATH_IMAGE004
内，如果大于背景边缘像素判定阈值
Figure 752085DEST_PATH_IMAGE016
，该边缘像素点
Figure DEST_PATH_IMAGE078
标记为0，表明帧边缘
Figure 76887DEST_PATH_IMAGE010
上的点在同一个位置出现的时间比较长的属于背景；否则标记为1，表明出现的时间比较短的是活动前景，见公式（9）。
               
Figure 446688DEST_PATH_IMAGE012
                          （9）
在边缘图像中保留像素标记值为1的像素，即为提取的前景边缘图像。
最后，在所述前景边缘图像中，根据序列帧噪声边缘判断条件，滤去噪声像素，得到帧的前景目标边缘。根据邻域信息分析每一个前景边缘像素点是否为噪声点，若当前帧中相连的边缘像素点数
Figure DEST_PATH_IMAGE080
小于或等于2, 则视为噪声点而去除；但理论上仍然存在相连点数超过2的噪声可能，故对所剩的前景边缘像素总数与序列帧噪声边缘判断阈值比较，对所剩前景边缘像素总数用阈值
Figure 773502DEST_PATH_IMAGE018
判断，小于该值时该帧检测为背景帧, 否则为前景帧，保留前景帧。 
本发明即使场景光线改变以及前景目标速度缓慢甚至暂停，也不影响前景帧的检测，当检测出当前帧为前景帧时，作为监控安防作用时可以发出预警，或作为前景运动分析时，为后继行为研究提供少量的、必要的前景目标信息。

Claims (4)

1.一种基于边缘模型的前景帧检测方法，其特征是采用如下步骤：
（1）在同一固定摄像位置、同一场景下摄取需要前景帧检测的、分辨率为                                                
Figure 2011101854157100001DEST_PATH_IMAGE001
的特定检测视频，对所述特定检测视频的帧序列采用伪球边缘检测算子进行处理，提取所述帧序列的边缘图像，获得只含有边缘图像的边缘帧；
（2）统计所述边缘帧的当前第t帧边缘像素点（i,j）在帧序列统计时间内的出现概率
Figure 2011101854157100001DEST_PATH_IMAGE003
，
Figure 2011101854157100001DEST_PATH_IMAGE004
；
Figure 2011101854157100001DEST_PATH_IMAGE005
为第k 帧所对应的二值化边缘图像； 
（3）区分当前边缘帧内边缘像素点，当前边缘帧内边缘像素点属性区分的判断条件是
Figure 2011101854157100001DEST_PATH_IMAGE006
，
Figure 2011101854157100001DEST_PATH_IMAGE007
是第t帧所对应的二值化边缘图像上的边缘像素点，0标记为背景属性，1标记为前景属性，
Figure 2011101854157100001DEST_PATH_IMAGE008
为背景边缘像素判定阈值；
（4）在边缘图像中保留所述前景属性的边缘像素点的图像是前景边缘图像，在前景边缘图像中，若当前第t 帧中相连的边缘点数小于或等于2, 则为噪声点而去除；若所剩的前景边缘图像的像素总数小于序列帧噪声边缘判断阈值
Figure 2011101854157100001DEST_PATH_IMAGE009
，则该帧为背景帧，否则为前景帧。
2.根据权利要求1所述的一种基于边缘模型的前景帧检测方法，其特征是：步骤（2）所述的帧序列统计时间
Figure 408566DEST_PATH_IMAGE002
按以下方法确定：
1）人工截取特定检测视频帧序列中包含前景目标短暂滞留且不存在场景光线变化的
Figure 856865DEST_PATH_IMAGE010
个样本视频段； 
2）对
Figure 43126DEST_PATH_IMAGE010
个样本视频段分别经瞬时帧差分法求出暂时静止不动的前景目标帧数
Figure 2011101854157100001DEST_PATH_IMAGE011
作为滞留时间，选择最大的
Figure 2011101854157100001DEST_PATH_IMAGE012
作为
Figure 2011101854157100001DEST_PATH_IMAGE013
；
3）帧序列统计时间
Figure 2011101854157100001DEST_PATH_IMAGE014
，其中
Figure 2011101854157100001DEST_PATH_IMAGE015
，
Figure 2011101854157100001DEST_PATH_IMAGE016
是与摄像系统相关的修正值。
3.根据权利要求1所述的一种基于边缘模型的前景帧检测方法，其特征是：步骤（3）所述的背景边缘像素判定阈值
Figure 2011101854157100001DEST_PATH_IMAGE018
按以下方法确定： 
1）人工截取特定检测视频帧序列中不包含前景目标且不存在场景光线变化的1个样本视频段；
2）对样本视频段经伪球边缘检测算子提取序列帧的边缘图像，在帧序列统计时间
Figure 2011101854157100001DEST_PATH_IMAGE020
确定的前提下，计算每一帧边缘上的像素点在同一位置出现的概率
Figure 2011101854157100001DEST_PATH_IMAGE021
，当第t 帧背景边缘像素总数为P，取概率最小值
Figure 2011101854157100001DEST_PATH_IMAGE022
；
3）从第t 帧开始连续测试n帧，直到第t+n帧，n个
Figure 2011101854157100001DEST_PATH_IMAGE024
按从小到大排序，中位数为背景边缘像素判定阈值
Figure 2011101854157100001DEST_PATH_IMAGE025
。
4.根据权利要求1所述的一种基于边缘模型的前景帧检测方法，其特征是：步骤（4）所述的序列帧噪声边缘判断阈值按以下方法确定： 
1）人工截取特定检测视频帧序列中不包含前景的帧数为
Figure 2011101854157100001DEST_PATH_IMAGE026
的
Figure DEST_PATH_IMAGE027
个样本视频段，对
Figure 511DEST_PATH_IMAGE027
个样本视频段分别经伪球边缘检测算子提取序列帧的边缘图像，保留非背景的边缘；
2）统计每帧的剩下边缘像素点数量，第i帧边缘像素点数量
Figure 2011101854157100001DEST_PATH_IMAGE028
按从小到大排序，获得
Figure 2011101854157100001DEST_PATH_IMAGE029
个离散值；
3）确定序列帧噪声边缘判断阈值
Figure 2011101854157100001DEST_PATH_IMAGE030
，其中：
Figure 2011101854157100001DEST_PATH_IMAGE031
，
Figure 2011101854157100001DEST_PATH_IMAGE032
。
CN 201110185415 2011-07-04 2011-07-04 一种基于边缘模型的前景帧检测方法 Expired - Fee Related CN102222349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110185415 CN102222349B (zh) 2011-07-04 2011-07-04 一种基于边缘模型的前景帧检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110185415 CN102222349B (zh) 2011-07-04 2011-07-04 一种基于边缘模型的前景帧检测方法

Publications (2)

Publication Number Publication Date
CN102222349A CN102222349A (zh) 2011-10-19
CN102222349B true CN102222349B (zh) 2013-01-23

Family

ID=44778893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110185415 Expired - Fee Related CN102222349B (zh) 2011-07-04 2011-07-04 一种基于边缘模型的前景帧检测方法

Country Status (1)

Country Link
CN (1) CN102222349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384348A (zh) * 2016-09-09 2017-02-08 海信集团有限公司 监控图像的异常检测方法及装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494976B (zh) * 2011-11-18 2014-04-09 江苏大学 一种超细晶粒钢晶粒的自动测量及其形态分类方法
CN103679745B (zh) * 2012-09-17 2016-08-17 浙江大华技术股份有限公司 一种运动目标检测方法及装置
CN104135597B (zh) * 2014-07-04 2017-12-15 上海交通大学 一种视频抖动自动检测方法
CN111726620A (zh) * 2019-03-22 2020-09-29 浙江宇视科技有限公司 一种监控视频背景帧的编码方法、装置、电子设备及介质
CN114037633B (zh) * 2021-11-18 2022-07-15 南京智谱科技有限公司 一种红外图像处理的方法及装置
CN113822879B (zh) * 2021-11-18 2022-06-21 南京智谱科技有限公司 一种图像分割的方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582160A (zh) * 2009-06-18 2009-11-18 北京中星微电子有限公司 前景检测方法和装置以及自适应阈值调节方法和装置
CN101673404A (zh) * 2009-10-19 2010-03-17 北京中星微电子有限公司 一种目标检测的方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060239506A1 (en) * 2005-04-25 2006-10-26 Objectvideo, Inc. Line textured target detection and tracking with applications to "Basket-run" detection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101582160A (zh) * 2009-06-18 2009-11-18 北京中星微电子有限公司 前景检测方法和装置以及自适应阈值调节方法和装置
CN101673404A (zh) * 2009-10-19 2010-03-17 北京中星微电子有限公司 一种目标检测的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王志衡等.伪球滤波和边缘检测.《软件学报》.2008,第19卷(第4期),803-816. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106384348A (zh) * 2016-09-09 2017-02-08 海信集团有限公司 监控图像的异常检测方法及装置
CN106384348B (zh) * 2016-09-09 2019-06-14 海信集团有限公司 监控图像的异常检测方法及装置

Also Published As

Publication number Publication date
CN102222349A (zh) 2011-10-19

Similar Documents

Publication Publication Date Title
CN102222349B (zh) 一种基于边缘模型的前景帧检测方法
CN104392468B (zh) 基于改进视觉背景提取的运动目标检测方法
CN106856002B (zh) 一种无人机拍摄图像质量评价方法
CN106408554B (zh) 遗留物检测装置、方法和系统
CN104135597B (zh) 一种视频抖动自动检测方法
CN108875465B (zh) 多目标跟踪方法、多目标跟踪装置以及非易失性存储介质
CN103646257B (zh) 一种基于视频监控图像的行人检测和计数方法
CN106851302B (zh) 一种基于帧内编码压缩域的监控视频运动目标检测方法
Fan et al. Modeling of temporarily static objects for robust abandoned object detection in urban surveillance
CN103530893A (zh) 相机抖动场景下基于背景差和运动信息的前景检测方法
CN103679745B (zh) 一种运动目标检测方法及装置
JP5762250B2 (ja) 画像信号処理装置および画像信号処理方法
CN105046719B (zh) 一种视频监控方法及系统
CN102034240A (zh) 一种静态前景检测和跟踪方法
CN109711256B (zh) 一种低空复杂背景无人机目标检测方法
CN110674886B (zh) 一种融合多层级特征的视频目标检测方法
Tripathi et al. A probabilistic approach for detection and removal of rain from videos
CN105554462A (zh) 一种遗留物检测方法
CN105205791A (zh) 一种基于高斯混合模型的视频雨滴去除方法及其系统
CN111028263B (zh) 一种基于光流颜色聚类的运动物体分割方法及其系统
CN111160203A (zh) 一种基于头肩模型和iou跟踪的徘徊逗留行为分析方法
CN105046670A (zh) 一种图像去雨方法及系统
Su et al. A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification
CN103455809A (zh) 一种自动拍摄文档图像的方法及系统
JP2016052013A (ja) 画像処理装置、画像処理方法、プログラムおよび記録媒体

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130123

Termination date: 20150704

EXPY Termination of patent right or utility model