一种去除多运动物体阴影的方法与流程

文档序号:19906931发布日期:2020-02-11 17:10
一种去除多运动物体阴影的方法与流程

本发明涉及一种去除多运动物体阴影的方法,尤指在智能交通监控领域观测行人与车辆行为规范时,去除多运动目标图像阴影的方法。



背景技术:

近些年私家车激增,交通事故频发,其中很重要的一个原因是行人和车辆不注意自己的行为规范,比如无视红绿灯、不按规定走自己的车道等。为解决此类问题,智能交通监控的研究日渐成熟。

在具体的研究行人和车辆是否按规定道路行走和驾驶时,智能交通监控可以很好地跟踪运动目标的轨迹。但是有时候在评价行为规范时也会存在误判,例如当行人没有走在斑马线上而阴影投射到斑马线时,会造成误判(认为此时行人遵守了交通规则)。基于此类情况多运动目标在跟踪时去除其阴影非常有必要。目前常用的阴影检测和去除的方法有三种:

(1)基于颜色的阴影去除。利用阴影颜色和亮度的特性,通常在rgb、hsv、his的空间进行转换和组合来检测和去除阴影。但是颜色特性对光照较为敏感,容易产生误判。

(2)基于纹理的阴影去除。利用阴影和运动目标纹理特征不同的特性来检测和去除阴影。但是有些纹理特性不明显,不能达到区分运动目标和阴影的目的。

(3)基于模型的阴影去除。利用阴影的特性,建立阴影模型,但是模型建立比较困难且计算复杂,不能达到智能交通检测的实时性。

综上来看,上述三种方法对阴影的处理效果都有一定的局限性,尤其在解决智能交通监控检测行人和车辆行为是否规范问题上效果不是很好,所以去除阴影仍然是一个难点,值得研究。



技术实现要素:

为解决上述存在的问题,本发明提供了一种基于聚类分割的多运动物体分别去除阴影的方法。

为了实现在智能交通监控中去除行人和车辆阴影的效果,本发明提供的一种去除多运动物体阴影的方法,包括视频图像预处理阶段、提取运动物体前景阶段、视频图像后处理阶段和去除阴影阶段。

其中视频图像预处理阶段包括如下步骤:

(1)输入一段运动视频,将视频按帧分割为单帧图像;

(2)对单帧图像进行灰度化处理;

提取运动物体前景阶段包括如下步骤:

(1)对灰度化后的单帧图像逐一进行提取,对单帧图像中的每个像素点建立背景模型,不同单帧图像中同样位置的每一个像素点采用相同的背景模型,像素点的背景模型是由n个样本值组成的样本集合m,这n个样本值均已判为背景点;

(2)通过从样本集合m中随机选取m个采样点作为样点,计算当前像素点x与样点间的距离ρ;

(3)统计ρ<r的采样点个数k,若k大于等于某一阈值,该像素点属于背景点,否则不是背景点,这样获取运动目标前景并转为二值图像,r为设定的距离;

视频图像后处理阶段包括如下步骤:

(1)对包含噪声以及运动物体阴影的二值图像进行形态学处理,去除噪声;

(2)将形态学处理过的二值图像用连通域标记的方法确定运动物体的位置;

(3)把视频图像预处理阶段中灰度化单帧图像运动目标前景映射到连通域处理后的二值图像中;

去阴影阶段包括如下步骤:

(1)将获得映射的二值图像分离为单独的一个个连通域;

(2)将单独的连通域通过基于聚类分割法去除阴影;

(3)将去除阴影后的单独一个个连通域重组,构成去除阴影的多运动目标前景二值图。

进一步的,在视频图像预处理阶段,单帧图像进行灰度化处理前,对单帧图像尺寸进行判断,设置单帧图像尺寸大于一定值时对图像进行压缩,压缩后的单帧图像再进行灰度化处理,保证图像处理的实时性。

进一步的,在提取运动物体前景阶段,当像素点被判别为背景点时,它就有的概率去更新自身的模型样本集中的样本点,利用更新后的模型样本集去对下一帧图像进行提取。更新模板可以去除首帧存在目标时出现的鬼影,而且可以保证判断背景点的准确性。

进一步的,在更新模型样本集中的样本点时采用窗口法进行更新,先去除样本集合m中最开始的背景样本点。

进一步的,在视频图像后处理阶段中确定运动物体的位置时采用改进的连通域标记的方法,改进的连通域标记中加入了对不符合行人和车辆大小的物体的去除。

进一步的,单独的连通域通过基于聚类分割法去除阴影时对每个连通域进行灰度直方图统计,当绝大部分像素灰度值小于30时,认为此目标行人穿着黑衣服或车辆为黑色,需要在基于聚类分割后进行单独的二值反转;当绝大部分灰度值大于等于30时,可直接通过聚类分割去除阴影。

本发明与现有技术相比:

(1)和基于颜色和纹理的阴影去除相比,本发明提高了阴影去除的准确率;和基于模型的阴影去除相比,本发明降低了实现的复杂性,减少了运算量;

(2)本发明达到了多运动物体分离同时处理其阴影的效果。

附图说明

图1为本发明去除多运动物体阴影的方法的程序框图。

具体实施方式

下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。

本实施例提供一种去除多运动物体阴影的方法,如图1所示,包括视频图像预处理阶段、提取运动物体前景阶段、视频图像后处理阶段和去除阴影阶段,具体包括如下步骤:

1〉视频图像预处理阶段

(1)输入一段运动视频,将视频按帧分割为单帧图像;

(2)由于本方法包含像素级背景建模,输入单帧图像尺寸过大会影响算法的实时性,所以设置单帧图像尺寸大于400×300时对图像进行压缩;

(3)对压缩后的单帧图像进行灰度化处理。

2〉提取运动物体前景阶段

(4)对灰度化后的单帧图像逐一进行提取,对单帧图像中的每个像素点建立背景模型,不同单帧图像中同样位置的每一个像素点采用相同的背景模型,像素点的背景模型是由n个样本值vi组成的样本集合m,这n个样本值均已判为背景点。记样本集合为m(x)={v1,v2,…,vn-1,vn},x为像素点。记v(x)为当前点在x处的像素值。

(5)通过从样本集合m中随机选取m个采样点作为样点,通过(式1)计算当前像素点x与样点间的距离;

(6)

(7)统计ρ<r的采样点个数k,若k大于等于某一阈值,该点属于背景点,否则不是背景点,这样运动目标前景被提取出来并转为二值图像。判定背景定义如(式2)所示:

(8)

(9)当该像素点被判别为背景点时,它就有的概率去更新自身的模型样本集中的样本点。在更新模型样本集中的样本点时采用窗口法进行更新,先去除样本集合m中最开始的背景样本点。

3〉视频图像后处理阶段

(10)对包含噪声以及运动物体阴影的二值图像进行形态学处理,去除噪声;

(11)将形态学处理过的二值图像用改进连通域标记的方法确定每个运动物体的位置,改进的连通域标记中加入了对不符合行人和车辆大小的物体的去除,如飘动的树叶;

(12)把(3)中灰度化运动目标前景映射到经改进连通域处理后的二值图中。

4〉去阴影阶段

(13)将获得映射的二值图分离为单独的一个个连通域;

(14)对每个连通域进行灰度直方图统计,当绝大部分像素灰度值小于30时,认为此目标行人穿着黑衣服或车辆为黑色,需要在基于聚类分割后进行单独的二值反转;当绝大部分灰度值大于等于30时,可直接通过聚类分割去除阴影;

(15)将去除阴影后的单独一个个连通域重组,构成去除阴影的多运动目标前景二值图。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1