CN102314695A - 一种基于计算机视觉的遗留物检测方法 - Google Patents
一种基于计算机视觉的遗留物检测方法 Download PDFInfo
- Publication number
- CN102314695A CN102314695A CN201110242599A CN201110242599A CN102314695A CN 102314695 A CN102314695 A CN 102314695A CN 201110242599 A CN201110242599 A CN 201110242599A CN 201110242599 A CN201110242599 A CN 201110242599A CN 102314695 A CN102314695 A CN 102314695A
- Authority
- CN
- China
- Prior art keywords
- legacy
- record
- prospect
- pixel
- background
- 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.)
- Granted
Links
Abstract
本发明一种基于计算机视觉的遗留物检测方法,主要包括以下步骤:更新运动历史计时,学习和更新背景模型;通过背景模型判断各像素所处三种状态之一:背景、遗留物前景、非遗留物的前景,并进行状态保持计时;提取持续处于同一遗留物前景状态计时达预定值的像素点构成的连通区,提取待分析对象;对待分析对象提取特征表达,累计预定时间内特征表达相近的待分析对象数;若累计值达到预定值,则对相应待分析对象的运动特征进行综合分析,以确定是否为遗留物。本发明能够快速准确定位提取遗留物对应的区域,具备适用面广、自适应性强、实时性高、漏检率低和可靠性好的特点。
Description
技术领域
本发明属于计算机视觉领域,具体涉及一种基于计算机视觉的遗留物检测方法。
背景技术
遗留物检测技术是基于运动物体检测, 运动物体检测技术的常用技术是背景差法,即当前图像减去背景图像帧得到差分图像,通过分析差分图像中的差异性来得到想要检测的物体,然后直接分析检测到的物体的静止状态,若长时间未发生变化则认为是遗留物。现有技术的缺点之一是:没有进一步区分差分图像中的差异性对应的前景是遗留物还是非遗留物,这将使得检测到的物体区域可能包含大量的非遗留物的前景,从而导致遗留物定位和提取不准确,特征表达不合理,进而造成后续分析失败。现有技术的另一缺点是,预设的背景图像无法随场景渐变而改变,由于长时运行后光照等渐变因素的累积,导致实际背景图像相对预选背景图像变化很大,从而使得预选背景失效,导致容易出现误报和漏报。
发明内容
达到上述目的,本发明的目的是解决现有技术中的问题,提供一种遗留物检测方法,它能进一步区分前景是否为遗留物并自适应调整,能准确定位、提取和判断场景中的遗留物。
本发明的技术方案是:一种基于计算机视觉的遗留物检测方法,具体包括以下步骤:
步骤 A. 更新运动历史计时,学习和更新背景模型,具体步骤如下:
A1. 对各像素设置运动计时器,如果前后帧像素灰度值差异超过预定值,则判断本像素有运动,并记录下该像素的最近运动发生时刻;
A2. 每隔25帧更新一次背景模型,更新背景模型时进行以下操作:在背景模型的对应位置记录里,根据颜色取值范围寻找最佳匹配记录,如果有匹配记录,则根据像素颜色调整该记录的颜色取值范围、最近匹配时刻、总匹配次数;如果无匹配记录,则根据当前像素颜色新建并初始化记录;
A3. 对各背景模型的所有记录根据以下条件判断和更新该记录对应的状态,具体为:
A31. 新创建记录默认状态为非遗留物的前景,
A32. 如果一条非遗留物的前景记录在预定时间内匹配上的次数占该段时间总匹配次数到50%,则置该记录状态为背景,
A33. 如果一条背景记录在预定时间内匹配上的次数占该段时间总匹配次数在10%以下,则置该记录为非遗留物的前景,
A34. 如果一条非背景记录在预定时间内匹配上的次数占该段时间总匹配次数在2%以下,则删除该记录,
A35. 对当前时刻前59秒内创建的非遗留物的前景记录,在步骤A1所述的对应位置的最近运动时刻发生在当前时刻前2秒到1分钟之间的情况下,匹配次数超过5,则置该记录为遗留物前景;
步骤 B. 通过背景模型判断各像素所处三种状态之一:背景、遗留物前景、非遗留物的前景,并进行状态保持计时;
步骤C. 提取持续处于同一遗留物前景状态计时到预定值的像素点构成的连通区,提取待分析对象;
步骤 D. 对待分析对象提取特征表达,累计预定值内特征表达相近的待分析对象数;
步骤E. 如果某一区域在预定时间内累计的相近待分析对象数目超过预定象数,则根据步骤A1的记录,计算该区域内最近5秒内无运动的点的比例;如果该比例超过90%,则判断该区域存在遗留物。
进一步,所述步骤A中背景模型具有以下特征:
1. 对图像的各像素位置独立处理;
2. 各位置均分布对应一个或多个颜色取值情况记录;各记录包含以下信息:颜色取值范围、最近匹配的时刻、总匹配次数、记录对应的状态;其中记录对应的状态为三种:背景、遗留物前景、非遗留物的前景。
进一步,所述步骤B包括以下子步骤:
B1. 每5帧对当前图像进行一次遗留物前景提取;
B2. 根据匹配上的记录对应的状态,判断各像素点所处的状态:背景、遗留物前景、非遗留物的前景;
B3. 如果一个像素点匹配上的记录为遗留物前景记录,则对该点处于该遗留物前景记录进行持续匹配计数。
进一步,所述步骤C包括以下子步骤:
C1. 提取遗留物前景图:如果像素点持续匹配同一遗留物前景记录达6次以上,则置遗留物前景图对应像素点的值为1,否则为0;
C2. 对遗留物前景图做连通区分割并进行连通区分析,以分析成功的连通区记录为待分析对象。
进一步,所述步骤D包括以下子步骤:
D1. 对待分析对象提取特征表达,包括:大小、位置、几何形状、图像矩;
D2. 搜索预定时间内特征表达相近的待分析对象数目。
本发明的有益效果是:由于采用上述技术方案,本发明能够快速准确定位提取遗留物对应的区域,具备适用面广、自适应性强、实时性高、漏检率低和可靠性好的特点。
附图说明
图1是本发明一种基于计算机视觉的遗留物检测方法的流程框图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,一种基于计算机视觉的遗留物检测方法,按照以下步骤实现:
1. 记录最近运动历史
对各像素设置运动计时器,如果前后帧像素灰度值差异超过预定值,则判断本像素有运动,并记录下该像素的最近运动发生时刻。
2. 更新背景模型
每隔25帧更新一次背景模型。
更新背景模型时进行以下操作:在背景模型的对应位置记录里,根据颜色取值范围寻找最佳匹配记录;如果有匹配记录,则根据像素颜色调整该记录的颜色取值范围、最近匹配时刻、总匹配次数;如果无匹配记录,则根据当前像素颜色新建并初始化记录。
对各背景模型的所有记录分别判断和更新该记录对应的状态,其条件为:
2A. 新创建记录默认状态为非遗留物的前景;
2B. 如果一条非遗留物的前景记录在一段时间内匹配上的次数占该段时间总匹配次数到50%,则置该记录状态为背景;
2C. 如果一条背景记录在一段时间内匹配上的次数占该段时间总匹配次数在10%以下,则置该记录为非遗留物的前景;
2D. 如果一条非背景记录在一段时间内匹配上的次数占该段时间总匹配次数在2%以下,则删除该记录;
2E. 对当前时刻前59秒内创建的非遗留物的前景记录,在步骤A1所述的对应位置的最近运动时刻发生在当前时刻前2秒到1分钟之间的情况下,匹配次数超过5,则置该记录为遗留物前景。
3. 遗留物前景分割
提取遗留物前景图:如果像素点持续匹配同一遗留物前景记录达6次以上,则置遗留物前景图对应像素点的值为1,否则为0;
对遗留物前景图做连通区分割并进行连通区分析,剔除几何形态不合要求的成员,以分析成功的连通区记录为待分析对象。
4. 遗留物特征表达
对待分析对象提取特征表达,包括:大小、位置、几何形状、图像矩;
搜索一定时间内特征表达相近的待分析对象数目。
5. 遗留物判断
如果某一区域在10秒内累计的相近待分析对象数目超过20次,则根据步骤A1的记录,计算该区域内最近5秒内无运动的点的比例;如果该比例超过90%,则判断该区域存在遗留物。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1. 一种基于计算机视觉的遗留物检测方法,其特征在于,该方法具体包括以下步骤:
步骤 A. 更新运动历史计时,学习和更新背景模型,具体步骤如下:
A1. 对各像素设置运动计时器,如果前后帧像素灰度值差异超过预定值,则判断本像素有运动,并记录下该像素的最近运动发生时刻;
A2. 每隔25帧更新一次背景模型,更新背景模型时进行以下操作:在背景模型的对应位置记录里,根据颜色取值范围寻找最佳匹配记录,如果有匹配记录,则根据像素颜色调整该记录的颜色取值范围、最近匹配时刻、总匹配次数;如果无匹配记录,则根据当前像素颜色新建并初始化记录;
A3. 对各背景模型的所有记录根据以下条件判断和更新该记录对应的状态,具体为:
A31. 新创建记录默认状态为非遗留物的前景,
A32. 如果一条非遗留物的前景记录在预定时间内匹配上的次数占该段时间总匹配次数到50%,则置该记录状态为背景,
A33. 如果一条背景记录在预定时间内匹配上的次数占该段时间总匹配次数在10%以下,则置该记录为非遗留物的前景,
A34. 如果一条非背景记录在预定时间内匹配上的次数占该段时间总匹配次数在2%以下,则删除该记录,
A35. 对当前时刻前59秒内创建的非遗留物的前景记录,在步骤A1所述的对应位置的最近运动时刻发生在当前时刻前2秒到1分钟之间的情况下,匹配次数超过5,则置该记录为遗留物前景;
步骤 B. 通过背景模型判断各像素所处三种状态之一:背景、遗留物前景、非遗留物的前景,并进行状态保持计时;
步骤C. 提取持续处于同一遗留物前景状态计时到预定值的像素点构成的连通区,提取待分析对象;
步骤 D. 对待分析对象提取特征表达,累计预定值内特征表达相近的待分析对象数;
步骤E. 如果某一区域在预定时间内累计的相近待分析对象数目超过预定象数,则根据步骤A1的记录,计算该区域内预定时间内无运动的点的比例;如果该比例超过90%,则判断该区域存在遗留物。
2.根据权利要求1所述的遗留物检测的实现方法,其特征在于,所述步骤A中背景模型具有以下特征:
对图像的各像素位置独立处理;
各位置均分布对应一个或多个颜色取值情况记录;各记录包含以下信息:颜色取值范围、最近匹配的时刻、总匹配次数、记录对应的状态;其中记录对应的状态为三种:背景、遗留物前景、非遗留物的前景。
3. 根据权利要求1所述的遗留物检测的实现方法,其特征在于,所述步骤B包括以下子步骤:
B1. 每5帧对当前图像进行一次遗留物前景提取;
B2. 根据匹配上的记录对应的状态,判断各像素点所处的状态:背景、遗留物前景、非遗留物的前景;
B3. 如果一个像素点匹配上的记录为遗留物前景记录,则对该点处于该遗留物前景记录进行持续匹配计数。
4. 根据权利要求1所述的遗留物检测的实现方法,其特征在于,所述步骤C包括以下子步骤:
C1. 提取遗留物前景图:如果像素点持续匹配同一遗留物前景记录达6次以上,则置遗留物前景图对应像素点的值为1,否则为0;
C2. 对遗留物前景图做连通区分割并进行连通区分析,以分析成功的连通区记录为待分析对象。
5. 根据权利要求1所述的遗留物检测的实现方法,其特征在于,所述步骤D包括以下子步骤:
D1. 对待分析对象提取特征表达,包括:大小、位置、几何形状、图像矩;
D2. 搜索预定时间内特征表达相近的待分析对象数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110242599 CN102314695B (zh) | 2011-08-23 | 2011-08-23 | 一种基于计算机视觉的遗留物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110242599 CN102314695B (zh) | 2011-08-23 | 2011-08-23 | 一种基于计算机视觉的遗留物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102314695A true CN102314695A (zh) | 2012-01-11 |
CN102314695B CN102314695B (zh) | 2012-12-26 |
Family
ID=45427832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110242599 Expired - Fee Related CN102314695B (zh) | 2011-08-23 | 2011-08-23 | 一种基于计算机视觉的遗留物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102314695B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663346A (zh) * | 2012-03-16 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 遗留物的检测方法及系统 |
CN103226712A (zh) * | 2013-05-19 | 2013-07-31 | 南京新方向智能技术有限公司 | 一种基于有限状态机的遗留物检测方法 |
CN103324906A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 一种遗留物检测的方法和设备 |
CN104881643A (zh) * | 2015-05-22 | 2015-09-02 | 深圳市赛为智能股份有限公司 | 一种快速的遗留物检测方法及系统 |
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 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
CN107918762A (zh) * | 2017-10-24 | 2018-04-17 | 江西省高速公路投资集团有限责任公司 | 一种公路遗撒物快速检测系统及方法 |
CN112597892A (zh) * | 2020-12-23 | 2021-04-02 | 重庆邮电大学 | 一种汽车座舱内遗留物检测系统及检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231696A (zh) * | 2008-01-30 | 2008-07-30 | 安防科技(中国)有限公司 | 遗留物检测方法及系统 |
US20080247599A1 (en) * | 2007-04-05 | 2008-10-09 | Porikli Fatih M | Method for Detecting Objects Left-Behind in a Scene |
CN101777183A (zh) * | 2009-01-13 | 2010-07-14 | 北京中星微电子有限公司 | 检测静止物体的方法、装置及检测遗留物体的方法、装置 |
-
2011
- 2011-08-23 CN CN 201110242599 patent/CN102314695B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080247599A1 (en) * | 2007-04-05 | 2008-10-09 | Porikli Fatih M | Method for Detecting Objects Left-Behind in a Scene |
CN101231696A (zh) * | 2008-01-30 | 2008-07-30 | 安防科技(中国)有限公司 | 遗留物检测方法及系统 |
CN101777183A (zh) * | 2009-01-13 | 2010-07-14 | 北京中星微电子有限公司 | 检测静止物体的方法、装置及检测遗留物体的方法、装置 |
Non-Patent Citations (1)
Title |
---|
汤一平等: "基于全方位计算机视觉的遗留物检测系统", 《计算机测量与控制》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663346B (zh) * | 2012-03-16 | 2014-04-23 | 安科智慧城市技术(中国)有限公司 | 遗留物的检测方法及系统 |
CN102663346A (zh) * | 2012-03-16 | 2012-09-12 | 安科智慧城市技术(中国)有限公司 | 遗留物的检测方法及系统 |
CN103324906A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 一种遗留物检测的方法和设备 |
CN103324906B (zh) * | 2012-03-21 | 2016-09-14 | 日电(中国)有限公司 | 一种遗留物检测的方法和设备 |
CN103226712A (zh) * | 2013-05-19 | 2013-07-31 | 南京新方向智能技术有限公司 | 一种基于有限状态机的遗留物检测方法 |
CN103226712B (zh) * | 2013-05-19 | 2016-01-20 | 南京新方向智能技术有限公司 | 一种基于有限状态机的遗留物检测方法 |
CN104881643B (zh) * | 2015-05-22 | 2018-06-12 | 深圳市赛为智能股份有限公司 | 一种快速的遗留物检测方法及系统 |
CN104881643A (zh) * | 2015-05-22 | 2015-09-02 | 深圳市赛为智能股份有限公司 | 一种快速的遗留物检测方法及系统 |
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 |
US10212397B2 (en) | 2015-07-31 | 2019-02-19 | Fujitsu Limited | Abandoned object detection apparatus and method and system |
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 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
CN107918762A (zh) * | 2017-10-24 | 2018-04-17 | 江西省高速公路投资集团有限责任公司 | 一种公路遗撒物快速检测系统及方法 |
CN107918762B (zh) * | 2017-10-24 | 2022-01-14 | 江西省高速公路投资集团有限责任公司 | 一种公路遗撒物快速检测系统及方法 |
CN112597892A (zh) * | 2020-12-23 | 2021-04-02 | 重庆邮电大学 | 一种汽车座舱内遗留物检测系统及检测方法 |
CN112597892B (zh) * | 2020-12-23 | 2022-09-23 | 重庆邮电大学 | 一种汽车座舱内遗留物检测系统及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102314695B (zh) | 2012-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102314695B (zh) | 一种基于计算机视觉的遗留物检测方法 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN101303727B (zh) | 基于视频人数统计的智能管理方法及其系统 | |
CN102799863B (zh) | 视频监控中的团体人群异常行为检测方法 | |
CN102665071B (zh) | 一种社会治安视频监控图像智能处理和检索方法 | |
CN102542289A (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN106204586B (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
WO2007126525B1 (en) | Video segmentation using statistical pixel modeling | |
CN101777186B (zh) | 一种多模态自动更新替换的背景建模方法 | |
CN102332167A (zh) | 一种智能交通监控中车辆和行人的目标检测方法 | |
CN102065275B (zh) | 智能视频监控系统中多目标跟踪方法 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN102663362B (zh) | 一种基于灰度特征的运动目标检测方法 | |
CN102184552A (zh) | 一种基于差分融合与图像边缘信息的运动目标检测方法 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN105336169A (zh) | 一种基于视频判断交通拥堵的方法和系统 | |
CN107909599A (zh) | 一种目标检测与跟踪系统 | |
CN103986906A (zh) | 基于监控视频的开关门检测方法 | |
CN101996307A (zh) | 智能视频人体识别方法 | |
CN103679745A (zh) | 一种运动目标检测方法及装置 | |
CN104680521A (zh) | 一种改进的背景建模及前景检测方法 | |
CN102222349B (zh) | 一种基于边缘模型的前景帧检测方法 | |
CN103065325A (zh) | 一种基于彩色颜色距离和图像分科聚合的目标跟踪方法 | |
CN103473533A (zh) | 视频运动对象异常行为自动检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121226 Termination date: 20160823 |