一种获取道路实时背景图的方法技术

技术编号:12627296 阅读:29 留言:0更新日期:2016-01-01 02:52
本发明专利技术公开了一种获取道路实时背景图的方法,使用网格聚类快速获取道路背景图,首先将道路划分为诸多网格,其次对这些网格进行H分量的统计,然后根据H分量曲线图确定不同的视频帧聚成的簇,最后从中抽取特征帧。该方法具有复杂度低、效率高、可实施性强的优点。

【技术实现步骤摘要】

本专利技术属于数字图片处理和聚类领域,特别适用于道路视频抽取背景图。道路背 景图的建模是视频压缩传输处理的一种有效方法,具体涉及一种新的网格聚类抽取背景图 片的特征帧。
技术介绍
最近,背景建模在高效率监控视频编码发挥越来越重要的作用。同时,许多实用视 频编码应用对背景建模也提出了一些具体的要求,如低存储成本、低计算复杂度。 现有的背景建模方法大致可分类为2类:参数化方法,如高斯混合模型-1、高斯混 合模型-2、高斯混合模型-3,和非参数方法包括贝叶斯模型,核密度估计,时间中值滤波, 均值漂移等。 这些方法具有数学公式多,编码复杂、运行效率低等弊端,亟需采用新的、简单易 行且高效的方法用于背景建模。 通过对现有专利及相关技术的检索发现,现有的与获取道路背景图技术相关的方 法和系统包括: (I) Low-complexity and high-efficiency background modeling for surveillance video coding,2012IEEE International Conference on Visual Communication and Image Processing,San Jose,USA,pp. 1-6, 11/2012 提出了一个分部和重量为基础的(SWRA)方法。首先将每个像素在SWRA在训练帧 中的位置分成若干时间段,然后计算其相应的平均值与权重。之后,加权平均过程被用来减 少的影响前景像素,并获得建模结果。 (2) A Fuzzy Background Modeling Approach for Motion Detection in DynamicBackgrounds, Multimedia and Signal Processing Volume 346of the series Communications in Computer and Information Science pp 177-185 提出了一种方法,在高斯混合_2模型中,使用模糊逻辑系统递归自适应滤波器来 计算的更新权重,并最终来获取道路背景图。结果证明使用该模糊的方法与传统方法相比, 具有较大的优势。 (3) Difference of Gaussian Edge-Texture Based Background Modeling for Dynamic Traffic Conditions, Advances in Visual Computing Volume 5358of the series Lecture Notes in Computer Science pp 406-417 提出了基于高斯边缘纹理的,获取道路背景和探测汽车的方法。该方法通过像素 点和其边缘、非边缘像素点建立联系,具备很强的学习性能,能够很好的对道路前景进行探 测和归类。 可以看出以上方法均是基于高斯模型进行道路图处理,具有公式复杂,编码实现 难度大,不具备实时性的缺点,不适合于现今对实时性要求较高的道路监控领域。 现有专利中尚没有明确针对聚类获取道路背景图的方法,所以我们提出的基于网 格聚类获取道路背景图的方法有较好的研究意义与应用价值。
技术实现思路
鉴于以上陈述的已有方案的不足,本专利技术旨在提供高效、简单的方法,并使之克服 现有技术的以上缺点。 为了实现上述目的,本专利技术的考虑是: 正常行驶的道路,每一帧图片上面都是有车辆的。但是使用网格的概念,把每一帧 视频划分成细小的网格。我们将每一网格中的视频图片用HSV中的H分量做出颜色直方图, 将一段时间内该网格的所有H分量的最大值,做出曲线图。网格中没有汽车的时候,H分量 的最大值曲线是基本稳定的。当有汽车通过的时候,特别是汽车颜色有到了背景图颜色存 在较大区别的时候,H分量的最大值会出现巨大变化。汽车颜色和道路完全一样,或者同一 种颜色汽车串联通过的概率是基本不存在的。 其具体处理包含如下的手段: ,使用网格聚类快速获取道路背景图的方法,首 先将道路划分为诸多网格,其次对这些网格进行H分量的统计,然后根据H分量曲线图确定 不同的视频帧聚成的簇,最后从中抽取特征帧,包含如下的处理手段: ⑴将30秒的道路视频抽取为帧,视频每秒30帧,共计900帧; ⑵对每帧做网格截取划分,每帧画面划分为100格,分别用A-J和1-10的二位矩 阵表示; ⑶对每一帧的每一网格计算HSV中H分量,对每一格的H分量统计最大值;将900 帧该方格内的H分量的最大值绘制成曲线图;曲线的波动,说明该个时间段内主色彩出现 了偏移,有车辆通过该区域; ⑷用聚类的方法提取特征帧: a.从网格Al开始计算,将所有偏差阈值范围在10以内的点聚类为一簇,该最大的 簇就是路面背景图的大聚类; b.将第a步中获得的最大簇中所有相同值的点聚类为一簇,找出数目最大的簇, 取其最长的连续点,并抽取出特征帧;特征帧P k的提取模型为: " _ 士 其中,p为选定的特征帧;i为选定的起始位置;j为选定的结束位置; (5)将获取到的特征帧替换该网格原来的帧,并返回第(4)步开始下一格的抽取 特征帧,直到JlO处理完成,得到整幅道路实时背景图; (6)返回第⑴步开始下一轮计算。 在实际实施时,每一帧的网格的划分方法,除划分为为100格外,还可根据实际需 要决定划分的网格数。 本专利技术针对道路背景图的建模问题,具体提出了一种可行性高,且简单、实时性很 强的网格聚类获取道路背景图方法。【附图说明】 如下: 图1为视频一第一帧分割图。 图2为bl区域的H分量曲线图。 图3为b5区域的H分量曲线图。 图4为第1帧图片。 图5为第900帧图片。 图6为道路背景合成图。 图7为本专利技术方法的流程图。【具体实施方式】 下面结合附图对本专利技术作进一步的描述。 因为外界阳光、云层、树叶的干扰,我们是无法得到精确的曲线变化图。因此我们 在曲线图中找出在阈值范围内变化的点,并将其聚为一簇。我们认为这就是道路背景图的 簇。再在该簇中,继续寻找具有稳态变化的,具备最大特征值的帧,并将其抽出,作为该网格 的背景图。网格划分如图1所示,其具体包括: ⑴将30秒的道路视频抽取为帧。如果视频每秒30帧,共计900帧; ⑵对每帧做网格截取划分,每帧画面我们划分为100格,分别用A-J和1-10的二 位矩阵表不,如图一; ⑶对每一帧的每一网格计算HSV中H分量,对每一格的H分量统计最大值。将900 帧该方格内的H分量的最大值绘制成曲线图。曲线的波动,说明该个时间段内主色彩出现 了偏移,有车辆通过该区域。 ⑷用聚类的方法提取特征帧: 特征帧Pk的提取公式: p:选定的特征帧; i:第⑷_b步中,选定的起始位置; j:第⑷_b步中,选定的结束位置。 a.从网格Al开始计算,将所有偏差阈值范围在10以内的点聚类为一簇,这样可以 过滤掉因为树叶摆动、阳光散射、云层变化导致的H值的偏移;因为该区域道路空闲的时候 占多数,认为这个最大的簇就是路面背景图的大聚类; b.将第a步中获得的最大簇,继续对其处理。把簇中所有相同值的点聚类为一簇, 找出数目最大的簇。这样可以找出最能代表当前环境下道路背景的帧; c.再在第b步获得的簇中本文档来自技高网
...
一种<a href="http://www.xjishu.com/zhuanli/62/CN105208398.html" title="一种获取道路实时背景图的方法原文来自X技术">获取道路实时背景图的方法</a>

【技术保护点】
一种获取道路实时背景图的方法,使用网格聚类快速获取道路背景图的方法,首先将道路划分为诸多网格,其次对这些网格进行H分量的统计,然后根据H分量曲线图确定不同的视频帧聚成的簇,最后从中抽取特征帧,包含如下的处理手段:⑴将30秒的道路视频抽取为帧,视频每秒30帧,共计900帧;⑵对每帧做网格截取划分,每帧画面划分为100格,分别用A‑J和1‑10的二位矩阵表示;⑶对每一帧的每一网格计算HSV中H分量,对每一格的H分量统计最大值;将900帧该方格内的H分量的最大值绘制成曲线图;曲线的波动,说明该个时间段内主色彩出现了偏移,有车辆通过该区域;⑷用聚类的方法提取特征帧:a.从网格A1开始计算,将所有偏差阈值范围在10以内的点聚类为一簇,该最大的簇就是路面背景图的大聚类;b.将第a步中获得的最大簇中所有相同值的点聚类为一簇,找出数目最大的簇,取其最长的连续点,并抽取出特征帧;特征帧pk的提取模型为:pk=Σn=ijpnj-i+1]]>其中,p为选定的特征帧;i为选定的起始位置;j为选定的结束位置;(5)将获取到的特征帧替换该网格原来的帧,并返回第(4)步开始下一格的抽取特征帧,直到J10处理完成,得到整幅道路实时背景图;(6)返回第(1)步开始下一轮计算。...

【技术特征摘要】

【专利技术属性】
技术研发人员:杨燕潘鸿李天瑞王浩
申请(专利权)人:西南交通大学
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1