專利名稱:對(duì)背景區(qū)域和前景區(qū)域進(jìn)行建模的方法
技術(shù)領(lǐng)域:
本發(fā)明一般涉及圖像處理,更具體地說(shuō),本發(fā)明涉及在圖像序列中檢測(cè)前景。
背景技術(shù):
在例如監(jiān)視、跟蹤和識(shí)別應(yīng)用的許多計(jì)算機(jī)視覺應(yīng)用中,必要的第一步是檢測(cè)場(chǎng)景中的前景對(duì)象。典型地,通過(guò)如圖1A所示的背景相減方法100來(lái)完成這一步驟。在120中處理由場(chǎng)景獲得的輸入圖像序列110,以產(chǎn)生背景圖像130。隨后在140中從圖像110中減去背景圖像,以產(chǎn)生前景圖像150。
現(xiàn)有技術(shù)的前景檢測(cè)方法或者關(guān)于場(chǎng)景的組成作出嚴(yán)格的假設(shè),或者不能夠處理突發(fā)的照明改變,或者在計(jì)算上復(fù)雜且耗費(fèi)時(shí)間。
一般可將現(xiàn)有技術(shù)的前景檢測(cè)方法分類為單層和多層。單層方法開發(fā)出一種基于過(guò)去觀測(cè)結(jié)果的單動(dòng)態(tài)模型。
構(gòu)建單層背景圖像的最簡(jiǎn)單的方法是測(cè)量像素強(qiáng)度的均值或方差??稍诿總€(gè)(RGB)通道的基礎(chǔ)上測(cè)量所述強(qiáng)度,以表征彩色變化。隨后,可將所述強(qiáng)度用作閾值,以檢測(cè)前景區(qū)域。然而,這樣的進(jìn)行平均的操作通常產(chǎn)生“重影”區(qū)域,所述重影區(qū)域既不是真實(shí)背景,也不是真實(shí)前景。
一種方法用高斯函數(shù)和alpha混合來(lái)對(duì)背景像素的統(tǒng)計(jì)分布進(jìn)行建模,參見C.R.Wren,A.Azarbayejani,T.J.Darrell和A.P.Pentland“PfinderReal-time tracking of the human body”,PAMI,19(7),pp.780-785,1997年7月。使用預(yù)置的混合權(quán)重α以如下的方式根據(jù)當(dāng)前圖像It來(lái)更新背景圖像BtBt=(1-α)Bt-1+αIt.
混合權(quán)重α調(diào)整背景應(yīng)該以多快的速度來(lái)與當(dāng)前圖像進(jìn)行混合。這種進(jìn)行平均的方法對(duì)混合權(quán)重的選擇非常敏感。取決于α的值,會(huì)將前景圖像包含在背景圖像中,或者不適應(yīng)照明改變。
可選擇的“投票”方法基于出現(xiàn)的頻率來(lái)選擇強(qiáng)度值。這種“投票”方法比進(jìn)行平均的方法更具優(yōu)點(diǎn)。它不會(huì)模糊背景并且允許突然的照明改變。投票方法的主要缺點(diǎn)是它在計(jì)算上的復(fù)雜性。可應(yīng)用量化以減少候選值的數(shù)量和操作的數(shù)量。然而,量化降低了將前景從背景分離的能力。
卡爾曼(Kalman)濾波器可用于背景檢測(cè),參見K.Karmann,A.Brand,“Time-varing image processing and moving objectrecognition”.Elsevier Science Publish.,1990,C.Ridder,O.Munkelt和H.Kirchner,“Adaptive background estimation and foregrounddetection using Kalman filtering,”Proc.ICAM,1995,以及K.Toyama,J.Krumm,B.Brumitt,B.Meyers,“WallflowerPrinciples andPractice of Background Maintenance,”Proc.of Int’l Conf.onComputer Vision,pp.255-261,1999.由J.Zhong和S.Sclaroff在“Segmenting foreground objects from a dynamic,texturedbackground via a robust Kalman filter,”Proc.of IEEE Int’l Conf.onComputer Vision,pp.44-50,2003中描述了直接操作于數(shù)據(jù)子空間上的卡爾曼濾波器的形式。
一種類似的自回歸模型獲得動(dòng)態(tài)場(chǎng)景的屬性,參見A.Monnet,A.Mittal,N.Paragios和V.Ramesh,“Background modeling andsubtraction of dynamic scenes,”Proc.of IEEE Int’l Conf.on ComputerVision,pp.1305-1312,2003。
所述卡爾曼濾波器為離散時(shí)間過(guò)程的狀態(tài)提供最佳估計(jì),例如背景的強(qiáng)度,所述離散時(shí)間過(guò)程遵守線性隨機(jī)差分方程。可在每個(gè)時(shí)間步進(jìn)改變卡爾曼濾波器的各種參數(shù),諸如轉(zhuǎn)移矩陣、過(guò)程噪聲協(xié)方差和測(cè)量噪聲協(xié)方差。通過(guò)使用更大的協(xié)方差值,背景更加快速地適應(yīng)照明改變。然而,所述濾波器變得對(duì)場(chǎng)景中的噪聲和對(duì)象更加敏感??柭鼮V波器的另一缺點(diǎn)是它區(qū)分多峰(multimodal)分布的能力,所述多峰分布即運(yùn)動(dòng)的樹葉或草、或者是水面上的波??柭鼮V波器在存在較大的非線性的情況下性能較差。
另一種方法用高斯分布函數(shù)的混合來(lái)對(duì)圖像中的背景進(jìn)行建模,參見C.Stauffer和W.Grimson,“Adaptive background mixturemodels for real-time tracking,”Proc.of IEEE Int’l Conf.on ComputerVision and Pattern Recognition,1999。與明確地將所有像素的值建模為一種特定類型的分布的處理不同,由逐像素的高斯分布函數(shù)的混合來(lái)對(duì)背景進(jìn)行建模以支持多峰背景?;诨旌现忻總€(gè)高斯函數(shù)的持續(xù)性和方差來(lái)確定與背景區(qū)域?qū)?yīng)的高斯模型。不符合背景分布的像素值被認(rèn)為是前景,直到有以足夠和一致的支持證據(jù)將所述像素包括在背景中的高斯模型。這一方法包括學(xué)習(xí)常數(shù)和控制應(yīng)該用于背景的像素的比例的參數(shù)。高斯混合式方法是許多相關(guān)方法的基礎(chǔ),O.Javed,K.Shafique和M.Shah,“A hierarchical approach to robust backgroundsubtraction using color and gradient information,”MVP,pp.22-27,2002。
所述混合式方法適用于照明改變并且不會(huì)造成重影效果。此外,所述混合式方法可處理多峰背景。然而,當(dāng)場(chǎng)景是動(dòng)態(tài)的并且表現(xiàn)出時(shí)間上的非靜態(tài)屬性時(shí),所述方法的性能會(huì)惡化。基于混合式模型的解決方案的另一缺點(diǎn)是構(gòu)建和更新背景模型的計(jì)算工作量。對(duì)于大量混合中的模型而言,這些方法由于變得在計(jì)算上要求過(guò)多,而無(wú)法在實(shí)踐中實(shí)施。
非參數(shù)方法使用高斯內(nèi)核來(lái)對(duì)特定的像素上的密度進(jìn)行建模,參見A.Elgammal,D.Harwood和L.Davis,“Non-parametric model forbackground subtraction,”Proc.of European Conf.on Computer Vision,pp.II751767,2000。
另一種方法在對(duì)動(dòng)態(tài)特性的建模過(guò)程中結(jié)合光流,參見A.Mittal和N.Paragios,“Motion-Based background subtraction using adaptivekernel density estimation,”Proc.Int’l Conf.on Computer Vision andPattern Recognition,2004。
統(tǒng)計(jì)方法可使用彩色、全局和動(dòng)態(tài)特征以增強(qiáng)對(duì)象檢測(cè)特征,參見C.Jiang和M.O.Ward,“Shadow identification”,Proc.of IEEEInt’l Conf.on Computer Vision and Pattern Recognition,pp.606-612,1992,以及Stauder,R.Mech和J.Ostermann,“Detection of movingcast shadows for object segmentation”,IEEE Transactions onMultimedia,vol.1,no.1,pp.65-76,1999年3月。
因此,需要改進(jìn)現(xiàn)有技術(shù)的前景檢測(cè)方法。
本征圖像對(duì)于場(chǎng)景的一種解釋表明每個(gè)圖像都是場(chǎng)景的特性的乘積。那么,“本征(intrinsic)”圖像是反映場(chǎng)景中的特征之一的圖像的分解,H.G.Barrow和J.M.Tenenbaum,“Recovering intrinsic scenecharacteristics from images”,Computer Vision Systems,AcademicPress,pp.3-26,1978。
將場(chǎng)景的輸入圖像It分解為反射圖像R和照明圖像Lt的處理可表示為乘積It=R·Lt.(1)反射圖像R包含場(chǎng)景的反射值,照明圖像Lt包含照明強(qiáng)度。因?yàn)檎彰鲌D像Lt代表場(chǎng)景中入射光的分布,而反射圖像R描述場(chǎng)景的表面反射屬性,所以這一表示對(duì)于分析和處理輸入圖像中獲得的場(chǎng)景的反射和照明屬性是有用處的。
在現(xiàn)有技術(shù)中,本征圖像處理場(chǎng)景的單個(gè)圖像之內(nèi)的空間特性,所述特性諸如是圖像紋理中可見的反射和照明,本征圖像自身并不處理場(chǎng)景中前景對(duì)象的時(shí)間演變。
如圖1B中所示,一種分解方法在照明條件中有非常大變化的情況下,通過(guò)由固定的點(diǎn)獲得的輸入圖像序列101來(lái)估計(jì)產(chǎn)生反射圖像102和照明圖像103的最大可能性,參見Y.Weiss,“Deriving intrinsicimages from image sequences”,Proc.of IEEE Int’l Conf.on ComputerVision,pp.68-75,2001年7月。應(yīng)注意到,在照明圖像中,從右(R)向左(L)的照明是清晰可見的。
該方法已擴(kuò)展為從圖像序列中得到變化的反射圖像和相應(yīng)的照明圖像,參見Y.Matsushita,K.Nishino,K.Ikeuchi和S.Masao,“Illumination normalization with time-dependent intrinsic images forvideo surveillance”,Proc.of IEEE Int’l Conf.on Computer Vision andPattern Recognition,2004。Matsushita等人也描述了捕捉照明變化的照明本征空間。在該方法中,場(chǎng)景是靜態(tài)的,唯一檢測(cè)的是諸如照明條件的場(chǎng)景的外部因素變化。不考慮前景圖像的運(yùn)動(dòng)。
另一種方法從單彩色圖像中恢復(fù)類似于反射圖像的照明不變圖像,參見G.D.Finlayson,S.D.Hordley和M.S.Drew,“RemovingShadows from Images,”Proc.of Eurepean Conf.on Computer VisionVol.4,pp.823-826,2002。Finlayson等人假設(shè)輸入圖像包含非陰影表面和投射在這些表面上的陰影。他們通過(guò)最小化彩色分布的熵來(lái)計(jì)算對(duì)數(shù)色度空間中用于“不變方向”的角度。
另一種方法使用多個(gè)提示以從單個(gè)圖像中恢復(fù)陰影圖像和反射圖像,參見M.Tappen,W.Freeman,E.Adelson,“Recovering Shadingand Reflectance from a single image”,NIPS,2002。Tappen等人使用彩色信息和被訓(xùn)練用于識(shí)別灰度級(jí)模式的分類器。將每個(gè)本征圖像分類為是由陰影引起的,或是由表面反射中的改變引起的。應(yīng)注意到,該方法也不考慮場(chǎng)景中前景對(duì)象的運(yùn)動(dòng)。
另一種確定的方法使用灰度級(jí),以及本地和靜態(tài)特征,參見M.Kilger,“A shadow handler in a video-based real-time trafficmonitoring system”,Proc.of IEEE Workshop on Applications ofComputer Vision,pp.11-18,1992,以及D.Koller,K.Danilidis和H.Nagel,“Model-based object tracking in monocular image sequences ofroad traffic scenes”,Int’l Journal of Computer Vision,vol.10,pp.257-281,1993。
通常,現(xiàn)有技術(shù)的本征圖像不考慮場(chǎng)景中前景對(duì)象的運(yùn)動(dòng)。因此,需要提供反映場(chǎng)景自身中的運(yùn)動(dòng)變化的改進(jìn)的本征圖像。
此外,需要使用改進(jìn)的本征圖像來(lái)改善前景檢測(cè)。
發(fā)明內(nèi)容
替代通過(guò)背景相減的傳統(tǒng)前景檢測(cè)方式,本發(fā)明將動(dòng)態(tài)場(chǎng)景的圖像分解為時(shí)變本征背景和前景圖像。這些本征圖像的乘積表征所述場(chǎng)景。
由場(chǎng)景獲得圖像的時(shí)間序列。使用濾波器確定空間梯度。通過(guò)利用濾波器的輸出的稀疏,本征背景圖像作為中值濾波后的梯度而產(chǎn)生。隨后本征背景圖像被分成圖像的原始序列,以產(chǎn)生本征前景圖像。
本發(fā)明還提供一種以閾值限制本征前景圖像的強(qiáng)壯方法,以獲得檢測(cè)掩蔽。本發(fā)明還可檢測(cè)靜態(tài)和運(yùn)動(dòng)線。
即使在突發(fā)和嚴(yán)重的照明改變情況下,本發(fā)明在計(jì)算上也是有效率且有效的。
圖1A示出檢測(cè)場(chǎng)景中的前景的現(xiàn)有技術(shù)的方法;圖1B示出現(xiàn)有技術(shù)的本征圖像;圖2示出根據(jù)本發(fā)明的檢測(cè)場(chǎng)景中的前景的方法;圖3示出圖2的方法的詳細(xì)步驟;圖4示出根據(jù)本發(fā)明的在道路場(chǎng)景情況下的本征圖像;以及圖5示出根據(jù)本發(fā)明的在高爾夫場(chǎng)景情況下的本征圖像。
具體實(shí)施例方式
本征背景圖像如圖2所示,本發(fā)明提供一種檢測(cè)圖像中的前景區(qū)域的方法200。前景區(qū)域典型地代表場(chǎng)景中的運(yùn)動(dòng)對(duì)象。在300中處理由場(chǎng)景獲得的輸入圖像序列210,以產(chǎn)生本征背景圖像230。由所述本征背景圖像在240中去除每個(gè)輸入圖像210,以產(chǎn)生本征前景圖像序列250。在優(yōu)選實(shí)施例中,在處理序列210中的每個(gè)當(dāng)前圖像時(shí),更新本征背景圖像。
本發(fā)明以前景特征和背景特征的乘積來(lái)表征場(chǎng)景,即It=B·Ft,(2)其中,背景圖像Bt230是相對(duì)靜態(tài)的,前景圖像Ft250表征場(chǎng)景的動(dòng)態(tài)特征,例如,運(yùn)動(dòng)對(duì)象。應(yīng)該注意的是背景圖像會(huì)發(fā)生變化,但是與前景圖像相比,這種變化要經(jīng)過(guò)長(zhǎng)得多的時(shí)間量程。因此,根據(jù)本發(fā)明,通過(guò)在240中由本征背景圖像去除輸入圖像來(lái)確定本征前景圖像Ft=ItB.]]>應(yīng)注意到這種定義與現(xiàn)有技術(shù)形成了鮮明的對(duì)比,現(xiàn)有技術(shù)將背景特征和前景特征表示為加性的推斷,即,It=B+Ft,并且前景圖像是Ft=It-B。
在真實(shí)世界的場(chǎng)景中,盡管“靜態(tài)”特征的改變與動(dòng)態(tài)特征相比非常慢,但是靜態(tài)特征和動(dòng)態(tài)特征均隨時(shí)間而改變。例如,在“靜態(tài)”的室外場(chǎng)景中,建筑物陰影的運(yùn)動(dòng)相對(duì)較慢,在室內(nèi)場(chǎng)景中,當(dāng)背包被放在某處而無(wú)人注意時(shí),該背包就最終被包含在背景中。
因此,單非時(shí)變靜態(tài)圖像可代表背景的想法是錯(cuò)誤的。當(dāng)非時(shí)變背景圖像B(x,y)合理地描述沒有運(yùn)動(dòng)對(duì)象的靜態(tài)場(chǎng)景時(shí),估計(jì)的前景圖像F(x,y,t)趨向于包含相當(dāng)多的紋理和陰影,特別是在全局照明變化的情況下。因此,與暗示地假設(shè)反射圖像是非時(shí)變的照明圖像的根據(jù)Weiss的方法不同,本發(fā)明使用時(shí)變本征圖像,即,隨時(shí)間而更新背景圖像和前景圖像兩者。
如在圖3中所詳細(xì)示出的,本發(fā)明由場(chǎng)景獲得N個(gè)輸入圖像序列210,{It-N,...,It-1,It}。圖像211是當(dāng)前輸入圖像。獲得圖像的速率可取決于場(chǎng)景中運(yùn)動(dòng)對(duì)象的速度。如果將連續(xù)圖像中運(yùn)動(dòng)對(duì)象的表面之間的重疊最小化,則對(duì)所述對(duì)象得到的統(tǒng)計(jì)不大可能會(huì)損害背景圖像230。
因此,圖像的支持集是{It-kN,...,It-k,It},其中,k是采樣周期。盡管選擇較長(zhǎng)的采樣周期是合理的,但是較短的采樣周期用于對(duì)象移動(dòng)較快的場(chǎng)景??傊?,采樣周期k不是關(guān)鍵的決定。還應(yīng)注意到,可以隨時(shí)間,根據(jù)場(chǎng)景中的平均運(yùn)動(dòng)以變化的速度來(lái)獲得圖像。
接著,在310中確定每個(gè)輸入圖像It210的強(qiáng)度值的對(duì)數(shù)(log)。由此產(chǎn)生了“對(duì)數(shù)”圖像311-312。其中,對(duì)數(shù)圖像312是針對(duì)當(dāng)前輸入圖像211的。
接著,將空間導(dǎo)數(shù)濾波器sn320應(yīng)用于對(duì)數(shù)圖像it311-312,以根據(jù)sn*it來(lái)確定強(qiáng)度梯度。其中,“*”代表卷積。導(dǎo)數(shù)濾波器可以是s0=[1-1],s1=[1-1]T。
還可以使用形式為fline=[-1 2 -1]的線檢測(cè)器(line detector)來(lái)替代使用導(dǎo)數(shù)濾波器。該濾波器的輸出也是稀疏的。該濾波器可捕獲場(chǎng)景中的靜態(tài)和運(yùn)動(dòng)邊緣,這對(duì)于形狀析取是非常必要的。
因?yàn)闉V波器輸出在空間和時(shí)間上是拉普拉斯分布并且獨(dú)立的,所以濾波后的背景圖像的最大似然估計(jì) 是通過(guò)下式得出的中值圖像330b^tn=mediant{sn*it}.---(3)]]>應(yīng)該注意,中值圖像330是在n個(gè)先前的對(duì)數(shù)輸入圖像311和當(dāng)前對(duì)數(shù)輸入圖像312的“窗口”上進(jìn)行濾波的結(jié)果。通過(guò)對(duì)每個(gè)新的輸入圖像進(jìn)行更新,本征背景圖像總是正確的。這是以下情況的直接結(jié)果當(dāng)將導(dǎo)數(shù)濾波器320應(yīng)用于自然場(chǎng)景的圖像時(shí),所述濾波器的輸出具有稀疏的趨勢(shì)。
隨后通過(guò)使用估計(jì)的濾波后的背景圖像 根據(jù)下式來(lái)確定本征前景圖像ftn250f^tn=(sn*it)-b^tn.---(4)]]>現(xiàn)在通過(guò)解答下面的線性方程系統(tǒng)來(lái)對(duì)中值圖像330進(jìn)行“反向”濾波b^t=g*(Σnsnr*b^tn),and---(5)]]>和f^t=g*(Σnsnr*f^tn),---(6)]]>其中,snr340是sn的反向?yàn)V波器,濾波器g350是滿足下述傅立葉方程的濾波器
G=(Sn·snr)-1.---(7)]]>濾波器g 350獨(dú)立于輸入圖像序列210,并且可被預(yù)先確定。
仍舊在對(duì)數(shù)域中,隨后從當(dāng)前圖像的對(duì)數(shù)310中減去濾波器350的輸出351,所述輸出為本征背景圖像的對(duì)數(shù)。
隨后通過(guò)根據(jù)Bt=ebt,Ft=eft.]]>在361-362中通過(guò)應(yīng)用反對(duì)數(shù)而獲得最終的本征前景圖像250和本征背景圖像230。
還可使用掩蔽圖像Mt。掩蔽圖像Mt基于當(dāng)前本征背景圖像和前景圖像之間的差值Dt(x,y)=Bt(x,y)-Ft(x,y)的強(qiáng)度統(tǒng)計(jì)來(lái)表示當(dāng)前輸入圖像It中的前景像素。
可通過(guò)高斯函數(shù)來(lái)逼近所述差值的分布。因此,分布的均值μt和方差σt2得以確定,并且95%的百分點(diǎn)被指定為閾值τ=2.5σ。通過(guò)下式得出所述掩蔽圖像MtMt(x,y)=1|D(x,y)-μ1|>2.5σt0otherwise---(8)]]>對(duì)于交通場(chǎng)景的輸入圖像序列401,圖4根據(jù)本發(fā)明示出相應(yīng)的本征背景圖像402、本征前景圖像403和掩蔽圖像404??汕宄闯?,掩蔽圖像跟隨運(yùn)動(dòng)的車輛。所述場(chǎng)景包含遠(yuǎn)處活動(dòng)的灌木和云,以及車輛下彌漫的陰影。應(yīng)注意到,前景圖像402是精確的,并且不包含這些偽像。還可以看出在掩蔽圖像404中消除了所述彌漫的陰影。
圖5示出高爾夫場(chǎng)景的輸入圖像501、相應(yīng)的本征背景圖像502、本征前景圖像503和掩蔽圖像504。在這一場(chǎng)景中,天空的顏色發(fā)生改變并且陰影更加突出。根據(jù)本發(fā)明的方法精確地將輸入圖像分解為背景圖像和前景圖像。
本發(fā)明的效果本發(fā)明從由靜止相機(jī)獲得的輸入圖像序列中檢測(cè)諸如運(yùn)動(dòng)對(duì)象的前景區(qū)域。與現(xiàn)有技術(shù)的加性的背景/前景方案相對(duì)比,本發(fā)明將序列分解為隨時(shí)間變化的相乘的本征背景圖像和本征前景圖像的乘積。所提出的方法有一些優(yōu)點(diǎn)。乘積比求和具有更高的增益,因此,本發(fā)明對(duì)突然的和嚴(yán)重的照明改變比較不敏感。本發(fā)明不是基于模型的,因此不需要模型擬合。本發(fā)明在計(jì)算上是高效的,并且可實(shí)現(xiàn)為實(shí)時(shí)系統(tǒng)。本發(fā)明不需要對(duì)參數(shù)精調(diào)諧。本發(fā)明還可估計(jì)場(chǎng)景的靜態(tài)邊緣圖。最重要的是,相乘的背景/前景特征比現(xiàn)有技術(shù)中加性的方案產(chǎn)生更好的性能。
盡管已通過(guò)優(yōu)選實(shí)施例的示例描述了本發(fā)明,但是應(yīng)該理解在不脫離本發(fā)明的精神和范圍的情況下,可進(jìn)行各種其它的改變和修改。因此,所附權(quán)利要求的目的在于覆蓋本發(fā)明的真正精神和范圍內(nèi)的所有這樣的改變和修改。
權(quán)利要求
1.一種用于根據(jù)場(chǎng)景的輸入圖像序列來(lái)對(duì)所述場(chǎng)景的背景區(qū)域和前景區(qū)域進(jìn)行建模的方法,包括從由場(chǎng)景獲得的輸入圖像序列中產(chǎn)生本征背景圖像;以及由本征背景圖像除每個(gè)輸入圖像以獲得本征前景圖像序列。
2.如權(quán)利要求1所述的方法,還包括在處理每個(gè)輸入圖像時(shí),更新本征背景圖像。
3.如權(quán)利要求1所述的方法,其中,輸入圖像的采樣周期隨時(shí)間而變化。
4.如權(quán)利要求1所述的方法,其中,輸入圖像的采樣周期根據(jù)場(chǎng)景中的運(yùn)動(dòng)對(duì)象而變化。
5.如權(quán)利要求1所述的方法,還包括將每個(gè)輸入圖像轉(zhuǎn)換為對(duì)數(shù)圖像;將濾波器應(yīng)用于每個(gè)對(duì)數(shù)圖像;從濾波后的對(duì)數(shù)圖像的時(shí)間窗來(lái)確定中值圖像;對(duì)中值圖像進(jìn)行反向?yàn)V波;從當(dāng)前對(duì)數(shù)圖像中減去中值圖像,以獲得對(duì)數(shù)前景圖像;向?qū)?shù)前景圖像應(yīng)用反對(duì)數(shù),以獲得本征前景圖像;以及對(duì)中值圖像應(yīng)用反對(duì)數(shù),以獲得本征背景圖像。
6.如權(quán)利要求5所述的方法,其中,所述濾波器是空間導(dǎo)數(shù)濾波器。
7.如權(quán)利要求5所述的方法,其中,所述濾波器是線檢測(cè)器。
8.如權(quán)利要求1所述的方法,還包括檢測(cè)本征前景圖像中的運(yùn)動(dòng)對(duì)象;以及產(chǎn)生運(yùn)動(dòng)對(duì)象的掩蔽圖像。
9.如權(quán)利要求8所述的方法,其中,掩蔽圖像是基于本征背景圖像和本征前景圖像之間的差值的強(qiáng)度統(tǒng)計(jì)的。
10.如權(quán)利要求1所述的方法,還包括使用線檢測(cè)器從本征背景圖像中檢測(cè)線和輪廓。
全文摘要
由動(dòng)態(tài)場(chǎng)景獲得圖像的時(shí)間序列。使用濾波器確定空間梯度。通過(guò)利用濾波器的輸出的稀疏,產(chǎn)生本征背景圖像作為中值濾波后的梯度。隨后本征背景圖像被分成圖像的原始序列,以產(chǎn)生本征前景圖像??捎砷撝迪拗票菊髑熬皥D像以獲得檢測(cè)掩蔽。
文檔編號(hào)H04N5/272GK1918604SQ20058000490
公開日2007年2月21日 申請(qǐng)日期2005年12月9日 優(yōu)先權(quán)日2004年12月15日
發(fā)明者法蒂·M.·波利克力 申請(qǐng)人:三菱電機(jī)株式會(huì)社