CN101777183A - 检测静止物体的方法、装置及检测遗留物体的方法、装置 - Google Patents
检测静止物体的方法、装置及检测遗留物体的方法、装置 Download PDFInfo
- Publication number
- CN101777183A CN101777183A CN200910076916A CN200910076916A CN101777183A CN 101777183 A CN101777183 A CN 101777183A CN 200910076916 A CN200910076916 A CN 200910076916A CN 200910076916 A CN200910076916 A CN 200910076916A CN 101777183 A CN101777183 A CN 101777183A
- Authority
- CN
- China
- Prior art keywords
- pixel
- stationary
- stationary object
- frame
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 88
- 230000001143 conditioned effect Effects 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 14
- 239000000203 mixture Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了检测静止物体的方法、装置及检测遗留物体的方法、装置。方法包括:对视频序列中的每帧图像进行运动检测与跟踪;对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体;若发现在之后连续M0帧中至少有M帧该静止物体仍被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为预设正整数,且M0>M。本发明提高了检测运动跟踪中的静止物体的精度,同时,可检测出运动跟踪中的遗留物体。
Description
技术领域
本发明涉及视频监控技术领域,具体涉及检测运动跟踪中的静止物体的方法、装置及检测运动跟踪中的遗留物体的方法及装置。
背景技术
目前,视频监控系统得到了广泛应用。智能视频监控和检索针对对象多是静止摄像头拍摄的视频,分析对象主要是视频中与背景有区别的运动物体。因此,运动物体的检测与跟踪方法是智能视频监控与检索系统中最基本和核心的技术。
在运动物体跟踪中,有些目标在运动到监控场景中后会停下来,如停车场的车等。另外,场景中的噪声变化、光照变化、室内开灯关灯等都会造成图像的变化。这些变化的共性就是一个运动目标出现,接着在场景中保持一段时间的静止。此时就涉及到如何处理这类静止物体的跟踪问题。若对这类物体进行持续跟踪,则会导致这些物体的外框长时间停留在场景中,会严重干扰后续进入场景的物体的跟踪效果。特别是场景中亮度发生剧烈变化时,整个场景都是前景,会一直保留下去。若采取根据物体平移速度来提取静止物体的方法,也存在着很多问题,例如:对场景中的噪声块,平移速度估算精度一般,会经常跳变,此时这类噪声块就不会被当成静止物体;对场景中缓慢运动的物体,这类方法也很容易将这类物体当成静止物体而删除;还有就是受噪声等的干扰,场景中静止物体的预测速度不一定总是零,这也会干扰静止物体的剔除效果。
发明内容
本发明提供检测运动跟踪中的静止物体的方法及装置,以提供检测运动跟踪中的静止物体的精度。
本发明还提供检测运动跟踪中的遗留物体的方法及装置,以检测出运动跟踪中的遗留物体。
本发明的技术方案是这样实现的:
一种检测运动跟踪中的静止物体的方法,包括:
对视频序列中的每帧图像进行运动检测与跟踪;
对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;
若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体。
所述预设条件为:
一个运动物体在连续Q帧中被认为是静止物体,则确认该物体为静止物体,其中,Q为预设正整数;
或者,一个运动物体在连续A0帧中有A帧被认为是静止物体,则确认该物体为静止物体,其中,A0、A为预设正整数,且A0>A。
所述检测该物体包含的像素点中的静止点包括:
对于该物体包含的任意一个像素点j,计算
若Pk(j)不小于预设值,则认为像素点j为静止点,
其中,k为当前图像在整个视频序列中的帧序号,Pk(j)为视频序列的第k帧图像中像素点j的像素值的概率密度,Ik(j)为视频序列的第k帧图像中像素点j的像素值,Ik-i(j)为视频序列的第k-i帧图像中像素点j的像素值,i为正整数,N为预设正整数,σ为预设常数。
所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
将该运动物体包含的所有像素点复制到当前运动跟踪背景中。
一种检测运动跟踪中的遗留物体的方法,包括:
对视频序列中的每帧图像进行运动检测与跟踪;
对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;
若发现一个运动物体被认为是静止物体的次数满足预设条件,且发现在之后连续M0帧中至少有M帧该物体被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为预设正整数,且M0>M。
所述确认该物体为遗留物体之后进一步包括:
上报告警,且在后续帧中不再对该物体进行运动跟踪。
所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
判断该运动物体是否为噪声,若是,在后续帧中不再对该物体进行运动跟踪;若否,则执行所述发现在之后连续M0帧中至少有M帧该物体被认为是静止物体的动作。
所述判断该运动物体是否为噪声包括:
根据当运动跟踪背景计算得到遗留背景;
将该运动物体中的每个像素点的像素值与遗留背景中的该像素点的像素值对应相减,若每个像素点对应的差值都小于预设值,则认为运动物体为噪声。
所述根据当运动跟踪背景计算得到遗留背景为:
B1k(j)=(1-α)B2(k-1)(j)+αB1k(j)。
其中,B1k(j)为第k帧遗留背景中的第j个像素点的像素值,B1k(j)为第k帧运动跟踪背景图像中的第j个像素点的像素值,B2(k-1)(j)为第k-1帧遗留背景中的第j个像素点的像素值,α是常数。
所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
发现在之后连续M0帧中有小于M帧该物体被认为是静止物体,则确认该物体为短期静止物体,在后续帧中继续对该物体进行运动跟踪。
一种检测运动跟踪中的静止物体的装置,包括:
运动跟踪模块,对视频序列中的每帧图像进行运动检测与跟踪,将运动跟踪结果输出到静止物体检测模块;
静止物体检测模块,对运动跟踪结果中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块;
静止物体确认模块,若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体,其中,Q为预设正整数。
所述静止物体检测模块包括:
静止点检测模块,对运动跟踪结果中的每个运动物体,计算该物体中的每个像素点的像素值的概率密度,若该概率密度不小于预设值,则认为该像素点为静止点,计算该物体中的静止点数与该物体的像素点总数的比值,将该比值输出到判决模块;
判决模块,若静止点检测模块输入的一个运动物体的比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块。
所述静止物体确认模块进一步用于,当确认该物体为静止物体时,将该物体的所有像素点的像素值发送出去;
且,所述装置进一步包括:背景更新模块,将静止物体确认模块发来的所有像素点的像素值复制到当前运动跟踪背景中。
一种检测运动跟踪中的遗留物体的装置,包括:
运动跟踪模块,对视频序列中的每帧图像进行运动检测与跟踪,将运动跟踪结果输出到静止物体检测模块;
静止物体检测模块,对运动跟踪结果中的每个运动物体,若该物体中的静止点数与该物体的像素点总数的比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块;
静止物体确认模块,若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体,将该静止物体标识发送给遗留物体检测模块;
遗留物体检测模块,接收静止物体标识,若发现在之后连续M0帧中至少有M帧该静止物体仍被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为预设正整数,且M0>M。
所述遗留物体检测模块进一步用于,当确认该物体为遗留物体时,上报告警,和/或通知运动跟踪模块不再对该物体进行运动跟踪。
所述遗留物体检测模块进一步用于,发现在之后连续M0帧中有小于M帧该物体被认为是静止物体,则确认该物体为短期静止物体,通知运动跟踪模块继续对该物体进行运动跟踪。
所述遗留物体检测模块包括:
噪声检测模块,接收静止物体标识,判断该物体是否为噪声,若是,通知运动跟踪模块不再对该物体进行运动跟踪;否则,向遗留物体确定模块发送该静止物体标识;
遗留物体确定模块,接收静止物体标识,发现在之后连续M0帧中至少有M帧该物体被认为是静止物体,则确认该物体为遗留物体。
所述噪声检测模块包括:
遗留背景计算模块,对于每个像素点,将当前帧运动跟踪背景的该像素点的像素值与预设第一常数的乘积加上前一帧遗留背景的该像素点的像素值与预设第二常数的乘积得到当前帧遗留背景的该像素点的像素值;
检测模块,接收静止物体标识,对该物体的每个像素点,将该像素点的像素值与从遗留背景计算模块获取的当前帧遗留背景的该像素点的像素值相减,若该物体的每个像素点对应的差值都小于预设值,则认为该物体为噪声,通知运动跟踪模块不再对该物体进行运动跟踪;否则,向遗留物体确定模块发送该静止物体标识。
与现有技术相比,本发明中,对视频序列中的每帧图像进行运动检测与跟踪;对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体。本发明综合考虑一个运动物体在连续数帧中的像素信息,同时也考虑了该物体所有像素点的统计信息,从实验结果看,可以避免各类噪声的干扰,也不会删除缓慢运动的物体,提高了静止物体的检测精度。
另外,本发明中,在确认一个运动跟踪中的物体为静止物体后,若发现在之后连续M0帧中至少有M帧该物体仍被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为正整数,且M0>M。从实验结果看,本发明在场景中运动物体数量不是非常多的情况下,取得了非常好的遗留物体检测效果。
且,本发明中,在确认一个运动跟踪中的物体为噪声或遗留物体后,不再对该物体进行运动跟踪;在确认一个运动跟踪中的物体为短期运动物体后,则继续对该物体进行运动跟踪,也提高了运动跟踪的效率。
附图说明
图1为本发明实施例提供的检测运动跟踪中的静止物体的流程图;
图2为本发明实施例一提供的检测运动跟踪中的静止物体的流程图;
图3为本发明实施例二提供的检测运动跟踪中的静止物体的流程图;
图4为本发明实施例提供的检测运动跟踪中的遗留物体的流程图;
图5为本发明实施例提供的检测运动跟踪中的静止物体的装置组成图;
图6为本发明实施例提供的静止物体检测模块的组成图;
图7为本发明实施例提供的检测运动跟踪中的遗留物体的装置组成图;
图8为本发明实施例提供的噪声检测模块的组成图。
具体实施方式
下面结合附图及具体实施例对本发明再作进一步详细的说明。
图1为本发明实施例提供的检测运动跟踪中的静止物体的流程图,如图1所示,其具体步骤如下:
步骤101:对视频序列中的每帧图像进行运动检测与跟踪。
步骤102:对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体。
步骤103:若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体。
其中,预设条件可以为:一个运动物体在连续Q帧中被认为是静止物体,则确认该物体为静止物体,其中,Q为预设正整数;或者,一个运动物体在连续A0帧中有A帧被认为是静止物体,则确认该物体为静止物体,其中,A0、A为预设正整数,且A0>A。
以下分别就上述两种预设条件给出具体实施例:
图2为本发明实施例一提供的检测运动跟踪中的静止物体的流程图,如图2所示,其具体步骤如下:
步骤201:为每个运动物体设置被连续确定为静止物体的帧数计数器Csm,并初始化Csm=0,预先设置静止物体确认帧数Q。
Q为正整数,可根据经验设定。
步骤202:接收第k帧视频图像,对当前帧图像进行运动检测与跟踪。
本步骤可采用现有技术实现。
对运动跟踪中的每个运动物体m(m为运动物体的序号)进行如下处理:
步骤203:设置运动物体m中的像素点在当前帧被确定为静止点的数目的计数器Csk,m,初始化Csk,m=0。
对运动物体m的每个像素点j(j为像素点的序号)执行如下步骤204~217:
步骤204:计算该运动物体m中的像素点j的像素值概率密度Pk,m(j)。
其中,k为当前图像在整个视频序列中的帧序号,m为当前运动物体的序号,j为当前像素点在每帧视频图像中的序号,像素点j为当前运动物体中的点,Pk,m(j)为视频序列的第k帧图像中第j个像素点的像素值的概率密度,Ik(j)为视频序列的第k帧图像中第j个像素点的像素值,Ik-j(j)为视频序列的第k-i帧图像中第j个像素点的像素值,i为正整数,N为预设正整数,通常4≤N≤64,σ为预设常数,通常8≤σ≤256。
Pk,m(j)的值越大,说明第k帧图像中第j个像素点的像素值与前N-1帧图像中第j个像素点的像素值差异越小,即表示像素点j在连续N帧图像中的像素值变化越小,则像素点j越有可能为一个静止点;Pk,m(j)的值越小,则表示像素点j在连续N帧图像中的像素值变化越大,则像素点j越有可能为一个运动点。
步骤205:判断Pk,m(j)<P0是否成立,若是,执行步骤206;否则,执行步骤207。
其中,P0可根据经验设定。
步骤206:确定像素点j为运动点,转至步骤208。
步骤207:确定像素点j为静止点,令Csk,m=Csk,m+1。
步骤208:判断当前运动物体m的所有像素点是否都已检测完毕,若是,执行步骤210;否则,执行步骤209。
步骤209:转至运动物体m的下一个像素点,返回步骤204。
步骤210:判断Csk,m/Ck,m>a是否成立,若是,执行步骤212;否则,执行步骤211。
Ck,m为运动物体m中的像素点总数,a为预设常数,且0<a<1,通常a=75%。
步骤211:确定该运动物体m在当前帧为运动物体,令Csm=0,转至步骤215。
步骤212:确定该运动物体m在当前帧为静止物体,令Csm=Csm+1。
步骤213:判断Csm<Q是否成立,若是,执行步骤215;否则,执行步骤214。
步骤214:确定该运动物体m为静止物体,将该运动物体m包含的所有像素点复制到当前运动跟踪背景中。
这样,从下一帧开始,除非该运动物体m发生运动,否则,该运动物体m就不会被检测为前景,而会被当作背景,也就不会再对运动物体m进行运动跟踪。
步骤215:判断当前帧中的所有运动物体是否都已检测完毕,若是,执行步骤216;否则,执行步骤217。
步骤216:转至下一帧,返回步骤202。
步骤217:转至当前帧中的下一个运动物体,返回步骤203。
图3为本发明实施例二提供的检测运动跟踪中的静止物体的流程图,如图3所示,其具体步骤如下:
步骤301:为每个运动物体设置一个跟踪帧数计数器Cm,为每个运动物体设置一个被确定为静止物体的帧数计数器Csm,并初始化Cm=0,Csm=0,预先设置静止物体观测帧数A0以及静止物体确认帧数A。
当一个运动物体被第一次检测到时,Cm=1,此后每被跟踪到一次,Cm=Cm+1,每被认为是静止物体一次,Csm=Csm+1。
A0、A为正整数,可根据经验设定,且A0>A。
步骤302:接收第k帧视频图像,对当前帧图像进行运动检测与跟踪。
本步骤可采用现有技术实现。
对运动跟踪中的每个运动物体m(m为运动物体的序号)进行如下处理:
步骤303~310与步骤203~210相同。
步骤311:确定该运动物体m在当前帧为运动物体,令Cm=Cm+1,转至步骤313。
步骤312:确定该运动物体m在当前帧为静止物体,令Cm=Cm+1,Csm=Csm+1。
步骤313:判断Cm<A0是否成立,若是,执行步骤316;否则,执行步骤314。
步骤314:判断Csm≥A是否成立,若是,执行步骤315;否则,执行步骤316。
步骤315:确定该运动物体m为静止物体,将该运动物体m包含的所有像素点复制到当前运动跟踪背景中。
步骤316:判断当前帧中的所有运动物体是否都已检测完毕,若是,执行步骤317;否则,执行步骤318。
步骤317:转至下一帧,返回步骤302。
步骤318:转至当前帧中的下一个运动物体,返回步骤303。
在实际应用中,当一个物体运动到监控场景中后停下来,且停留时间较长时,通常要对管理员发出告警,以提醒管理员场景中有可疑物体。以下给出检测运动跟踪中的遗留物体的实施例:
图4为本发明实施例提供的检测运动跟踪中的遗留物体的流程图,本实施例中,在一个运动物体被确定为静止物体后,再检测该运动物体是否为遗留物体,以运动物体m为例,当在步骤214或315中,运动物体m被确定为静止物体后,再继续检测运动物体m是否为遗留物体,如图4所示,其具体步骤如下:
步骤401:设在视频序列的第k帧图像中,确定运动物体m为静止物体,根据第k帧运动跟踪背景计算第k帧遗留背景。
运动跟踪背景即基于运动跟踪过程建立的背景。
第k帧的遗留背景可通过如下公式计算得到:
B1k(j)=(1-α)B2(k-1)(j)+αB1k(j)
其中,j为像素点在每帧视频图像中的序号,B1k(j)为第k帧遗留背景中的第j个像素点的像素值,B1k(j)为第k帧运动跟踪背景中的第j个像素点的像素值,B2(k-1)(j)为第k-1帧遗留背景中的第j个像素点的像素值,α是常数,表示遗留背景像素值的更新速度,α一般非常小,可取0.005。
步骤402:对运动物体m中的每个像素点,计算dk,m(j)=Ik(j)-B1k(j)。
其中,Ik(j)为第k帧图像中的第j个像素点的像素值,B1k(j)为第k帧遗留背景中第j个像素点的像素值。
步骤403:对于运动物体m中的每个像素点,是否都满足dk,m(j)<d0,若是,执行步骤404;否则,执行步骤405。
步骤404:确定运动物体m为噪声,在后续帧中不再对运动物体m进行运动跟踪,本流程结束。
步骤405:设置对运动物体m在后续帧中被确定为静止物体的帧数计数器Cxm,初始化Cxm=0。
步骤406:接收第k+b(b为正整数,且b≥1)帧图像,检测第k+b帧图像中该运动物体m中的静止点,计算静止点数与运动物体m的像素点总数的比值。
本步骤中检测第k+b帧图像中该运动物体m中的静止点可采用图2所示步骤204~209实现。
步骤407:判断该比值是否大于预设值,若是,执行步骤408;否则,执行步骤409。
本步骤中的预设值可取75%。
步骤408:Cxm=Cxm+1。
步骤409:判断b<b0是否成立,若是,执行步骤410;否则,执行步骤411。
b0为预设正整数。
步骤410:令b=b+1,返回步骤406。
步骤411:判断Cxm/b0>c是否成立,若是,执行步骤412;否则,执行步骤413。
c为预设常数,且0<c<1,通常c=75%。
步骤412:确定运动物体m为遗留物体,向管理员发出告警,在后续帧中不再对运动物体m进行运动跟踪,本流程结束。
步骤413:确定运动物体m为短期静止物体,继续在后续帧中对运动物体m进行运动跟踪。
图5为本发明实施例提供的检测运动跟踪中的静止物体的装置组成图,如图5所示,其主要包括:运动跟踪模块51、静止物体检测模块52、静止物体确认模块53和背景更新模块54,其中:
运动跟踪模块51:对视频序列中的每帧图像进行运动检测与跟踪,将每帧图像的运动跟踪结果输出到静止物体检测模块52。
静止物体检测模块52:接收运动跟踪模块51发来的运动跟踪结果,对运动跟踪结果中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体,对该物体被认为是静止物体的次数进行计数,将该物体的计数值输出到静止物体确认模块53。
静止物体检测模块52可以对该物体被连续认为是静止物体的次数进行计数,或者对该物体在连续A0帧中被认为是静止物体的次数进行计数。
静止物体确认模块53:接收静止物体检测模块52发来的每个运动物体的计数值,若发现该计数值满足预设条件,则确认该物体为静止物体,通知运动跟踪模块51不再对该物体进行运动跟踪,并将该物体的所有像素点的像素值发送给背景更新模块54。
预设条件可以为:一个运动物体在连续Q帧中被认为是静止物体,则确认该物体为静止物体,其中,Q为预设正整数;或者,一个运动物体在连续A0帧中有A帧被认为是静止物体,则确认该物体为静止物体,其中,A0、A为预设正整数,且A0>A。
背景更新模块54:将静止物体确认模块53发来的所有像素点的像素值复制到当前运动跟踪背景中。
如图6所示,在实际应用中,静止物体检测模块52可包括:静止点检测模块521和判决模块522,其中:
静止点检测模块521:接收运动跟踪模块51发来的运动跟踪结果,对运动跟踪结果中的每个运动物体,计算该物体中的每个像素点的像素值的概率密度,若该概率密度不小于预设值,则认为该像素点为静止点,计算该物体中的静止点数与该物体的像素点总数的比值,将该比值输出到判决模块522。
判决模块522:接收静止点检测模块521发来的每个运动物体对应的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体,对该物体被认为是静止物体的帧数进行计数,将该物体的计数值输出到静止物体确认模块53。
图7为本发明实施例提供的检测运动跟踪中的遗留物体的装置组成图,如图7所示,其主要包括:运动跟踪模块71、静止物体检测模块72、静止物体确认模块73和遗留物体检测模块74,其中:
运动跟踪模块71:对视频序列中的每帧图像进行运动检测与跟踪,将每帧图像的运动跟踪结果输出到静止物体检测模块72。
静止物体检测模块72:接收运动跟踪模块71发来的运动跟踪结果,对运动跟踪结果中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体,对该物体被认为是静止物体的次数进行计数,将该物体的计数值输出到静止物体确认模块73。
静止物体确认模块73:接收静止物体检测模块72发来的每个运动物体的计数值,若发现该计数值满足预设条件,则确认该物体为静止物体,将该静止物体标识发送给遗留物体检测模块74。
遗留物体检测模块74:接收静止物体确认模块73发来的静止物体标识,若发现在之后连续M0帧中至少有M帧该静止物体仍被认为是静止物体,则确认该物体为遗留物体,上报告警,并通知运动跟踪模块71不再对该物体进行运动跟踪;否则,确认该物体为短期静止物体,通知运动跟踪模块71继续对该物体进行运动跟踪,其中,M0、M为预设正整数,且M0>M。
在实际应用中,如图7所示,遗留物体检测模块74可包括:噪声检测模块741和遗留物体确定模块742,其中:
噪声检测模块741:接收静止物体确认模块73发来的静止物体标识,判断该物体是否为噪声,若是,通知运动跟踪模块71不再对该物体进行运动跟踪;否则,向遗留物体确定模块742发送该静止物体标识。
遗留物体确定模块742:接收噪声检测模块741发来的静止物体标识,若发现在之后连续M0帧中至少有M帧该静止物体仍被认为是静止物体,则确认该物体为遗留物体,上报告警,并通知运动跟踪模块71不再对该物体进行运动跟踪;否则,确认该物体为短期静止物体,通知运动跟踪模块71继续对该物体进行运动跟踪。
如图8所示,在实际应用中,噪声检测模块741可包括:遗留背景计算模块7411和检测模块7412,其中:
遗留背景计算模块7411:对于每个像素点,将当前帧运动跟踪背景的该像素点的像素值与预设第一常数的乘积加上前一帧遗留背景的该像素点的像素值与预设第二常数的乘积得到当前帧遗留背景的该像素点的像素值。
检测模块7412:接收静止物体确认模块73发来的静止物体标识,对于该物体中的每个像素点,将该像素点的像素值与从遗留背景计算模块7411获取的当前帧遗留背景的该像素点的像素值相减,若该物体的每个像素点对应的差值都小于预设值,则认为该物体为噪声,通知运动跟踪模块71不再对该物体进行运动跟踪;否则,向遗留物体确定模块742发送该静止物体标识。
以上所述仅为本发明的过程及方法实施例,并不用以限制本发明,凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (18)
1.一种检测运动跟踪中的静止物体的方法,其特征在于,该方法包括:
对视频序列中的每帧图像进行运动检测与跟踪;
对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;
若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体。
2.如权利要求1所述的方法,其特征在于,所述预设条件为:
一个运动物体在连续Q帧中被认为是静止物体,则确认该物体为静止物体,其中,Q为预设正整数;
或者,一个运动物体在连续A0帧中有A帧被认为是静止物体,则确认该物体为静止物体,其中,A0、A为预设正整数,且A0>A。
3.如权利要求1所述的方法,其特征在于,所述检测该物体包含的像素点中的静止点包括:
对于该物体包含的任意一个像素点j,计算
若Pk(j)不小于预设值,则认为像素点j为静止点,
其中,k为当前图像在整个视频序列中的帧序号,Pk(j)为视频序列的第k帧图像中像素点j的像素值的概率密度,Ik(j)为视频序列的第k帧图像中像素点j的像素值,Ik-i(j)为视频序列的第k-i帧图像中像素点j的像素值,i为正整数,N为预设正整数,σ为预设常数。
4.如权利要求1至3任一所述的方法,其特征在于,所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
将该运动物体包含的所有像素点复制到当前运动跟踪背景中。
5.一种检测运动跟踪中的遗留物体的方法,其特征在于,该方法包括:
对视频序列中的每帧图像进行运动检测与跟踪;
对运动跟踪中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体;
若发现一个运动物体被认为是静止物体的次数满足预设条件,且发现在之后连续M0帧中至少有M帧该物体被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为预设正整数,且M0>M。
6.如权利要求5所述的方法,其特征在于,所述确认该物体为遗留物体之后进一步包括:
上报告警,且在后续帧中不再对该物体进行运动跟踪。
7.如权利要求5或6所述的方法,其特征在于,所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
判断该运动物体是否为噪声,若是,在后续帧中不再对该物体进行运动跟踪;若否,则执行所述发现在之后连续M0帧中至少有M帧该物体被认为是静止物体的动作。
8.如权利要求7所述的方法,其特征在于,所述判断该运动物体是否为噪声包括:
根据当运动跟踪背景计算得到遗留背景;
将该运动物体中的每个像素点的像素值与遗留背景中的该像素点的像素值对应相减,若每个像素点对应的差值都小于预设值,则认为运动物体为噪声。
9.如权利要求8所述的方法,其特征在于,所述根据当运动跟踪背景计算得到遗留背景为:
B1k(j)=(1-α)B2(k-1)(j)+αB1k(j)。
其中,B1k(j)为第k帧遗留背景中的第j个像素点的像素值,B1k(j)为第k帧运动跟踪背景图像中的第j个像素点的像素值,B2(k-1)(j)为第k-1帧遗留背景中的第j个像素点的像素值,α是常数。
10.如权利要求5或6所述的方法,其特征在于,所述发现一个运动物体被认为是静止物体的次数满足预设条件之后进一步包括:
发现在之后连续M0帧中有小于M帧该物体被认为是静止物体,则确认该物体为短期静止物体,在后续帧中继续对该物体进行运动跟踪。
11.一种检测运动跟踪中的静止物体的装置,其特征在于,该装置包括:
运动跟踪模块,对视频序列中的每帧图像进行运动检测与跟踪,将运动跟踪结果输出到静止物体检测模块;
静止物体检测模块,对运动跟踪结果中的每个运动物体,检测该物体包含的像素点中的静止点,计算该物体中的静止点数与该物体的像素点总数的比值,若该比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块;
静止物体确认模块,若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体,其中,Q为预设正整数。
12.如权利要求11所述的装置,其特征在于,所述静止物体检测模块包括:
静止点检测模块,对运动跟踪结果中的每个运动物体,计算该物体中的每个像素点的像素值的概率密度,若该概率密度不小于预设值,则认为该像素点为静止点,计算该物体中的静止点数与该物体的像素点总数的比值,将该比值输出到判决模块;
判决模块,若静止点检测模块输入的一个运动物体的比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块。
13.如权利要求11或12所述的装置,其特征在于,所述静止物体确认模块进一步用于,当确认该物体为静止物体时,将该物体的所有像素点的像素值发送出去;
且,所述装置进一步包括:背景更新模块,将静止物体确认模块发来的所有像素点的像素值复制到当前运动跟踪背景中。
14.一种检测运动跟踪中的遗留物体的装置,其特征在于,该装置包括:
运动跟踪模块,对视频序列中的每帧图像进行运动检测与跟踪,将运动跟踪结果输出到静止物体检测模块;
静止物体检测模块,对运动跟踪结果中的每个运动物体,若该物体中的静止点数与该物体的像素点总数的比值大于预设值,则认为该物体在当前帧图像中为静止物体,将该物体被连续确认为静止物体的帧数输出到静止物体确认模块;
静止物体确认模块,若发现一个运动物体被认为是静止物体的次数满足预设条件,则确认该物体为静止物体,将该静止物体标识发送给遗留物体检测模块;
遗留物体检测模块,接收静止物体标识,若发现在之后连续M0帧中至少有M帧该静止物体仍被认为是静止物体,则确认该物体为遗留物体,其中,M0、M为预设正整数,且M0>M。
15.如权利要求14所述的装置,其特征在于,所述遗留物体检测模块进一步用于,当确认该物体为遗留物体时,上报告警,和/或通知运动跟踪模块不再对该物体进行运动跟踪。
16.如权利要求14或15所述的装置,其特征在于,所述遗留物体检测模块进一步用于,发现在之后连续M0帧中有小于M帧该物体被认为是静止物体,则确认该物体为短期静止物体,通知运动跟踪模块继续对该物体进行运动跟踪。
17.如权利要求14或15所述的装置,其特征在于,所述遗留物体检测模块包括:
噪声检测模块,接收静止物体标识,判断该物体是否为噪声,若是,通知运动跟踪模块不再对该物体进行运动跟踪;否则,向遗留物体确定模块发送该静止物体标识;
遗留物体确定模块,接收静止物体标识,发现在之后连续M0帧中至少有M帧该物体被认为是静止物体,则确认该物体为遗留物体。
18.如权利要求17所述的装置,其特征在于,所述噪声检测模块包括:
遗留背景计算模块,对于每个像素点,将当前帧运动跟踪背景的该像素点的像素值与预设第一常数的乘积加上前一帧遗留背景的该像素点的像素值与预设第二常数的乘积得到当前帧遗留背景的该像素点的像素值;
检测模块,接收静止物体标识,对该物体的每个像素点,将该像素点的像素值与从遗留背景计算模块获取的当前帧遗留背景的该像素点的像素值相减,若该物体的每个像素点对应的差值都小于预设值,则认为该物体为噪声,通知运动跟踪模块不再对该物体进行运动跟踪;否则,向遗留物体确定模块发送该静止物体标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910076916A CN101777183A (zh) | 2009-01-13 | 2009-01-13 | 检测静止物体的方法、装置及检测遗留物体的方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910076916A CN101777183A (zh) | 2009-01-13 | 2009-01-13 | 检测静止物体的方法、装置及检测遗留物体的方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101777183A true CN101777183A (zh) | 2010-07-14 |
Family
ID=42513638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910076916A Pending CN101777183A (zh) | 2009-01-13 | 2009-01-13 | 检测静止物体的方法、装置及检测遗留物体的方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101777183A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102314695A (zh) * | 2011-08-23 | 2012-01-11 | 北京黄金视讯科技有限公司 | 一种基于计算机视觉的遗留物检测方法 |
CN102722700A (zh) * | 2012-05-17 | 2012-10-10 | 浙江工商大学 | 视频监控中遗留物品检测的方法和系统 |
CN102810206A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于动态规划的实时徘徊检测方法 |
CN103310434A (zh) * | 2012-03-09 | 2013-09-18 | 联咏科技股份有限公司 | 静态标志检测方法 |
CN106408554A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 遗留物检测装置、方法和系统 |
CN103747164B (zh) * | 2014-01-27 | 2018-06-12 | 李铁 | 一种视频画面有变动或静止的侦测方法 |
CN108476304A (zh) * | 2016-01-25 | 2018-08-31 | 松下知识产权经营株式会社 | 丢弃物体监视装置和具备该丢弃物体监视装置的丢弃物体监视系统以及丢弃物体监视方法 |
CN110602464A (zh) * | 2019-10-17 | 2019-12-20 | 异起(上海)智能科技有限公司 | 一种节省监控或监测时图像储存空间的方法和装置 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN111045010A (zh) * | 2019-12-17 | 2020-04-21 | 珠海云洲智能科技有限公司 | 一种基于船载雷达的环境重建方法及装置 |
CN111415347A (zh) * | 2020-03-25 | 2020-07-14 | 上海商汤临港智能科技有限公司 | 遗留对象检测方法和装置及交通工具 |
-
2009
- 2009-01-13 CN CN200910076916A patent/CN101777183A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102063614B (zh) * | 2010-12-28 | 2015-06-03 | 天津市亚安科技股份有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102810206A (zh) * | 2011-06-03 | 2012-12-05 | 南京理工大学 | 一种基于动态规划的实时徘徊检测方法 |
CN102314695A (zh) * | 2011-08-23 | 2012-01-11 | 北京黄金视讯科技有限公司 | 一种基于计算机视觉的遗留物检测方法 |
CN102314695B (zh) * | 2011-08-23 | 2012-12-26 | 北京黄金视讯科技有限公司 | 一种基于计算机视觉的遗留物检测方法 |
CN103310434A (zh) * | 2012-03-09 | 2013-09-18 | 联咏科技股份有限公司 | 静态标志检测方法 |
CN102722700A (zh) * | 2012-05-17 | 2012-10-10 | 浙江工商大学 | 视频监控中遗留物品检测的方法和系统 |
CN103747164B (zh) * | 2014-01-27 | 2018-06-12 | 李铁 | 一种视频画面有变动或静止的侦测方法 |
CN106408554A (zh) * | 2015-07-31 | 2017-02-15 | 富士通株式会社 | 遗留物检测装置、方法和系统 |
US10212397B2 (en) | 2015-07-31 | 2019-02-19 | Fujitsu Limited | Abandoned object detection apparatus and method and system |
CN106408554B (zh) * | 2015-07-31 | 2019-07-09 | 富士通株式会社 | 遗留物检测装置、方法和系统 |
CN108476304A (zh) * | 2016-01-25 | 2018-08-31 | 松下知识产权经营株式会社 | 丢弃物体监视装置和具备该丢弃物体监视装置的丢弃物体监视系统以及丢弃物体监视方法 |
CN108476304B (zh) * | 2016-01-25 | 2020-08-11 | 松下知识产权经营株式会社 | 丢弃物体监视装置和具备该丢弃物体监视装置的丢弃物体监视系统以及丢弃物体监视方法 |
CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN110705461B (zh) * | 2019-09-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
CN110602464A (zh) * | 2019-10-17 | 2019-12-20 | 异起(上海)智能科技有限公司 | 一种节省监控或监测时图像储存空间的方法和装置 |
CN111045010A (zh) * | 2019-12-17 | 2020-04-21 | 珠海云洲智能科技有限公司 | 一种基于船载雷达的环境重建方法及装置 |
CN111415347A (zh) * | 2020-03-25 | 2020-07-14 | 上海商汤临港智能科技有限公司 | 遗留对象检测方法和装置及交通工具 |
CN111415347B (zh) * | 2020-03-25 | 2024-04-16 | 上海商汤临港智能科技有限公司 | 遗留对象检测方法和装置及交通工具 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101777183A (zh) | 检测静止物体的方法、装置及检测遗留物体的方法、装置 | |
CN109522854B (zh) | 一种基于深度学习和多目标跟踪的行人流量统计方法 | |
CN105069408B (zh) | 一种复杂场景下基于人脸识别的视频人像跟踪方法 | |
CN110232330B (zh) | 一种基于视频检测的行人重识别方法 | |
Denman et al. | An adaptive optical flow technique for person tracking systems | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN110782433B (zh) | 基于时序的动态信息暴力抛物检测方法、装置及存储介质 | |
CN103646257B (zh) | 一种基于视频监控图像的行人检测和计数方法 | |
Xiang et al. | Activity based surveillance video content modelling | |
CN105681663A (zh) | 一种基于帧间运动几何平滑性的视频抖动检测方法 | |
WO2021022698A1 (zh) | 尾随检测方法、装置、电子设备及存储介质 | |
Huo et al. | Abnormal event detection via multi-instance dictionary learning | |
CN103646242B (zh) | 基于最大稳定极值区域特征的扩展目标跟踪方法 | |
CN100469153C (zh) | 视频场景切换检测方法 | |
Zhang et al. | New mixed adaptive detection algorithm for moving target with big data | |
CN101102504B (zh) | 一种结合视频编码器的混合运动检测方法 | |
Harish et al. | Intruder detection by extracting semantic content from surveillance videos | |
Li et al. | A full-process optimization-based background subtraction for moving object detection on general-purpose embedded devices | |
Milla et al. | Dual‐rate background subtraction approach for estimating traffic queue parameters in urban scenes | |
Srilekha et al. | A novel approach for detection and tracking of vehicles using Kalman filter | |
Khan et al. | Foreground detection using motion histogram threshold algorithm in high-resolution large datasets | |
Ortego et al. | Stationary foreground detection for video-surveillance based on foreground and motion history images | |
CN115909199A (zh) | 一种基于多重回溯验证的双背景建模遗留物检测方法 | |
Biswas et al. | Short local trajectory based moving anomaly detection | |
CN101764923A (zh) | 消除运动检测中的噪声的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100714 |