资源经验分享运动元素提取,基于帧间差分与背景差分

运动元素提取,基于帧间差分与背景差分

2019-11-22 | |  55 |   0

原标题:运动元素提取,基于帧间差分与背景差分

原文来自:博客园      原文链接:https://www.cnblogs.com/kensporger/p/11621127.html


  对于某些运动元素的提取,我们仍然可以依据静态图像提取的方法,比如R-G分量差提取等,前提是目标有某些独有的特征。考虑一幅运动图像——

目标是运动的,背景是禁止的,目标以红色为主,背景含有局部静止的红色。像这种情况单从静态方法分析就很难了。

  对于类似上述的图像,最简单的提取方法是帧间差分与背景差分。这两种算法过程简单,但局限性也明显:帧间差分容易滤掉静止的元素,但提取的

图像会不完整(有时会只有目标的轮廓),而且比较依赖帧速,帧速慢容易导致ghost现象(提取到两个目标),帧速快可能误判为静止元素而被滤除。背

景差分可以提取比较完整的目标,但背景的更新是个难题(如原本的运动体在视野范围静止后需要将其归入背景,原本静止的运动体开始运动后需要将其从

背景里剔除,并且背景的更新同时还要保证提取的完整性)。

  对于帧间差分,通常采用三幅图像的后向差分,可以很好地避免ghost现象;而背景差分可以用两幅图像与背景差分,将差分结果的相同部分在背景里

更新。本文只探究最基本的算法实现。

  

帧间差分:

  下图是三幅图像的合成图,可以看到左边红车的位移,右边红车完全静止,如果采用R-G分量不能单独提取出运动车辆。采用三帧间差分的效果左图:

  1547375-20191003221856597-242312732.gif    1547375-20191003221945915-1457320718.gif

 

 

背景差分:

  依然以上面例子为例(省去静止的红车),选择三幅图像。

  首先是三次位移的背景,第一次直接取第一幅图像,这里采用R-B分量差来灰度化(避免斑马线的干扰),后两幅都是更新所得:

   1547375-20191003221945915-1457320719.gif  1547375-20191003221945915-1457320720.gif  1547375-20191003221945915-1457320721.gif

 

  然后是三次读取的原图像,采用R-B分量差来灰度化:

  1547375-20191003221945915-1457320722.gif  1547375-20191003221945915-1457320723.gif  1547375-20191003221945915-1457320724.gif

 

  最后是背景差分提取的结果:

  1547375-20191003221945915-1457320725.gif  1547375-20191003221945915-1457320726.gif  1547375-20191003221945915-1457320727.gif

 

  需要说明的是,这三幅图选得并不连续,如果连续的话,存在车重叠现象,这样比较难更新背景,可能会有更好地算法来消除这个BUG!

 

  以下是matlab仿真测试代码:

  

%三帧间差分
function framediff(prevframefile,curframefile,nxtframefile,thres,destination)
    prevframe=imread(prevframefile);
    curframe=imread(curframefile);
    nxtframe=imread(nxtframefile);
    diffa=uint8(abs(int16(curframe(:,:,1))-int16(prevframe(:,:,1))));
    diffb=uint8(abs(int16(curframe(:,:,1))-int16(nxtframe(:,:,1))));
    [sizex,sizey]=size(diffa);
    
    for i=1:sizex
        for j=1:sizey
            if diffa(i,j)<thres ||diffb(i,j)<thres
            %if diffa(i,j)<thres
                diffa(i,j)=0;
            else
                diffa(i,j)=255;
            end
        end
    end
    
    
   imwrite(diffa,destination,'jpg');
   %imshow(diffa);  

end


%自更新的背景差分
function backgrounddiff(videofile,start_index,end_index,step,thres)
    video=VideoReader(videofile);
    frame_amount=video.NumberOfFrame;
    width=video.Width;
    height=video.Height;
    if (end_index>frame_amount)
        end_index=frame_amount;             %防止索引出界
    end
    
    %background=rgb2gray(read(video,start_index));
    background=read(video,start_index);
    background=background(:,:,1)-background(:,:,2); %R-G
    %prevdiff=logical(zeros(height,width));
    prevdiff=imbinarize(background,thres/255);
    for i=start_index+step:step:end_index
        imwrite(background,strcat('video','back',num2str(i),'.jpg'),'jpg');
        %curframe=rgb2gray(read(video,i));
        curframe=read(video,i);
        curframe=curframe(:,:,1)-curframe(:,:,2);
        diffa=uint8(abs(int16(curframe)-int16(background)));
        diffa=imbinarize(diffa,thres/255);
        for j=1:height
            for k=1:width
                if diffa(j,k)==1&&prevdiff(j,k)==1
                    background(j,k)=curframe(j,k);%更新背景
                    diffa(j,k)=0;
                end
            end
        end
        
        prevdiff=diffa;
        %imshow(diffa);
        imwrite(curframe,strcat('video','curframe',num2str(i),'.jpg'),'jpg');
        imwrite(diffa,strcat('video','diffb',num2str(i),'.jpg'),'jpg');
    end
        
end


免责声明:本文来自互联网新闻客户端自媒体,不代表本网的观点和立场。

合作及投稿邮箱:E-mail:editor@tusaishared.com

上一篇:读---白话大数据与机器学习

下一篇:机器学习实战_KNN(一)

用户评价
全部评价

热门资源

  • Python 爬虫(二)...

    所谓爬虫就是模拟客户端发送网络请求,获取网络响...

  • TensorFlow从1到2...

    原文第四篇中,我们介绍了官方的入门案例MNIST,功...

  • TensorFlow从1到2...

    “回归”这个词,既是Regression算法的名称,也代表...

  • 机器学习中的熵、...

    熵 (entropy) 这一词最初来源于热力学。1948年,克...

  • TensorFlow2.0(10...

    前面的博客中我们说过,在加载数据和预处理数据时...