[发明专利]一种基于时序与频域过滤的物体检测与物体切割算法

说明书

本发明公开了一种基于时序与频域过滤的物体检测与物体切割算法，包括以下步骤：S1、输入视频，并抽取关键帧；S2、在频域中截取低频信息，在时序中按照公式计算实时背景图以及自适应阈值；S3、对输入的当前帧截取低频信息后，以S2中计算的实时背景图背景图和自适应阈值为标准，获取前景图，对当前帧进行前景和背景的判别，经过物体切割算法切割出当前帧图像中的目标物体，追踪追踪前景物体并去除错误物体后；将下一帧作为新的当前帧，重新进行背景计算状态和物体检测。该算法提供的实时背景更新方法和自适应阈值，在对目标物体的检测时，能够克服光线条件变化带来的影响，满足稳定对目标物体进行提取的需求，提高多种场景下检测的准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于时序与频域过滤的物体检测与物体切割算法。

背景技术

对垃圾识别场景中，有着大物体、长时间、光线有强烈变化的特点。传统的光流法、KNN、MOG2、GMG等算法均不能在此场景下，对目标物体进行长期稳定的提取处理。通过一种合适的阈值分割，根据目标的灰度和背景灰度不一致，将目标与背景分离，极大地降低了背景干扰，为后续的识别跟踪提供了良好的图像条件。

因此，需要设计一种能够抗复杂背景干扰、光照干扰的物体检测与物体切割算法。

发明内容

本发明克服了现有技术的不足，提供一种基于时序与频域过滤的物体检测与物体切割算法。

为达到上述目的，本发明采用的技术方案为：一种基于时序与频域过滤的物体检测与物体切割算法，包括：其特征在于，包括以下步骤：

S1、输入视频，获取图像，并抽取关键帧数据；

S2、背景计算：在频域中预处理并截取低频信息，在时序中按照公式计算实时背景图Image_bg以及自适应阈值T；

S3、物体检测：对输入的当前帧截取低频信息后，以S2中计算的实时背景图背景图和自适应阈值为标准，获取前景图，对当前帧进行前景和背景的判别，经过物体切割算法切割出当前帧图像中的目标物体，追踪追踪前景物体并去除错误物体后，对当前帧处理完毕；将下一帧作为新的当前帧，重新进行背景计算状态和物体检测。

本发明一个较佳实施例中，所述S2中，使用公式1在时序中计算实时背景图Image_bg：Image_bg＝∑R_t-n×Image_t-n；R_t-n＝(1/n)/∑(1/n)；其中：t为时序编号，n＝[0,15]；Image_t-n为第t-n号图片。

本发明一个较佳实施例中，所述S2中，使用公式2在时序中计算自适应的阈值T；T＝L_t-n×∑((1/n)/∑(1/n))；其中：t为时序编号，n＝[0,15]；L_t-n为第t-n号图片的亮度。

本发明一个较佳实施例中，所述S2中使用低通滤波器low-pass滤波器，或者在频域中处理去除高频信息，获得低频图片。

本发明一个较佳实施例中，在所述S3中，若检测若干帧图像中未出现物体，继续进行背景累加。

本发明一个较佳实施例中，在所述S3中，若所述前景物体的大小与运动在置信区间内，设定为合理前景。

本发明一个较佳实施例中，在所述S3中，利用收缩算法去除噪点。

本发明一个较佳实施例中，在所述S3中，膨胀算法获得前景物体范围，并利用多边形算法获得前景物体图片。

本发明一个较佳实施例中，在所述S3中，利用motion-tracking算法，在时序中追踪前景物体。

本发明一个较佳实施例中，在所述S1中，所述关键帧数据的选择方式为每隔N帧或连续的图像帧。