CN102663780A - 遗留物属性的判断方法及系统 - Google Patents

Abstract

本发明适用于安防领域，提供了一种遗留物属性的判断方法，该方法包括：提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。本发明提供的方法具有提高遗留物的检测准确度的优点，而且原理简单，运算量少。

Description

遗留物属性的判断方法及系统

技术领域

本发明属于安防领域，尤其涉及一种遗留物属性的判断技术。

背景技术

在安防领域中，遗留物的检测能防止恐怖分子安放炸弹、毒气等危险品，提高公共场所安全，还能够即时发现旅客遗留的行李，减少旅客损失等，这对安防领域有着极其重要的作用，所以遗留物的检测在安防领域尤其重要，现有安防领域的遗留物的检测方法主要有停留在遗留物的检测方面。然而，在检测出存在遗留物以后对遗留物的属性并没有相关的判断，这样容易导致遗留物检测不准确。

发明内容

本发明实施例的目的在于提供一种遗留物属性的判断方法，旨在解决现有的技术方案遗留物检测不准确的问题。

本发明实施例是这样实现的，一种遗留物属性的判断方法，所述方法包括：

提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；

计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；

SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。

可选的，所述计算SR、FR、BR的方向具体包括：

使用下述公式1计算SR、FR、BR的方向：

方向1： $\mathrm{dir}1=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n)|$

方向2： $\mathrm{dir}2=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n-1)|$

方向3： $\mathrm{dir}3=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m,n+1)|$

方向4： $\mathrm{dir}4=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n+1)|$ 公式1

其中，所述基于梯度和纹理相关性计算SR、FR、BR的行列相关性具体包括：

步骤1：使用公式2计算SR每一行像素点与FR同一行像素点的相关性。

$\mathrm{NC}\left(i\right)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}T\left(m\right)S^i\left(m\right)}{\sqrt{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{T}^2\left(m\right)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{S}^2\left(m\right)}}$ 公式2

M掩模矩形框的高度为h，宽度为w，行相关计算范围是，M区域的顶部至底部范围，一共需要计算h行相关性，计算从上至下，i＝1，...，h。

首先SR的第i行，所有像素紧密对齐之后，长度是L1，组成的像素数组为row[L1]，FR第i行的像素个数是L2，所有像素紧密对齐，组成的像素数组为row2[L2]；

使用row[L1]在row2[L2]移位计算相关性，计算范围是，row与row2第一个像素对齐开始计算，一致向后移动，直至row最后一个素与row2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出h行的相关性r，计算其总和r_row。

步骤2：使用与步骤1相同的方法计算BR每一行像素点与FR同一行像素点的相关性得到行总相关性为r_row2。

步骤3、计算SR每一列像素点与FR同一列像素点的相关性。

列相关计算范围是，M区域的左边至右边范围，一共需要计算w列相关性，计算从上至下，j＝1，...，w。

首先SR的第j列，所有像素紧密对齐之后，长度是L3，组成的像素数组为col[L3]，FR第j的像素个数是L4，所有像素紧密对齐，组成的像素数组为col2[L4]。

使用col[L3]在col2[L4]移位计算相关性，计算范围是，col与col2第一个像素对齐开始计算，一致向后移动，直至col最后一个像素与col2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出w列的相关性值，计算w列的相关性值的总和r_col。

步骤4、使用步骤3相同的方法计算BR每一列像素点与FR同一列像素点的相关性得到列总相关性为r_col2。

最后，SR的总的相关性是r_s2＝r_row+r_col；

BR的总的相关性是r_b2＝r_row2+r_col2；

可选的，所述根据计算出的行列相关性判断遗留物的属性具体包括：

计算SR与FR的相关性加权总和：

r_SR＝α1*rs+α2*r_s2        公式3

计算BR与FR的相关性加权总和：

r_BR＝α1*rb+α2*r_b2        公式4

如r_BR＞r_SR那么判断是遗留物的属性为留下，否则，判断遗留物的属性为离开。

另一方面，本发明提供一种遗留物属性的判断系统，所述系统包括：

提取单元，用于提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；

计算单元，用于计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

判断单元，用于根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；

SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。

在本发明实施例中，本发明提供的技术方案基于梯度和纹理的相关性来检测遗留物的属性，从而判断遗留物的属性属于物品留下还是物品离开，这样就能够准确判断遗留物的属性，进而提高遗留物的检测准确度，而且原理简单，运算量少。

附图说明

图1是本发明具体实施方式提供的一种遗留物的检测方法的流程图；

图2是本发明具体实施例提供的方向示意图；

图3是发明具体实施方式提供的一种遗留物的检测系统的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的一种遗留物属性的判断方法，该方法由安防系统完成，该方法如图1所示，包括：

S11、提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2；

S12、计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

S13、根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下。

需要说明的是，rect2的组成示意图如图2所示，其中rect2＝M+M2；上述SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。

本发明所提供的方法基于梯度和纹理的相关性来检测遗留物的属性，从而判断遗留物的属性属于物品留下还是物品离开，这样就能够准确判断遗留物的属性，进而提高遗留物的检测准确度，而且原理简单，运算量少。

上述计算SR、FR、BR的方向的方法具体可以为：使用下述公式1计算SR、FR、BR的方向：

方向1： $\mathrm{dir}1=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n)|$

方向2： $\mathrm{dir}2=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n-1)|$

方向3： $\mathrm{dir}3=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m,n+1)|$

方向4： $\mathrm{dir}4=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}|T(m,n)-S(m+1,n+1)|$ (公式1)

上述基于梯度和纹理计算SR、FR、BR的行列相关性的方法具体可以为：步骤1：使用(公式2)，计算SR每一行像素点与FR同一行像素点的相关性。

$\mathrm{NC}\left(i\right)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}T\left(m\right)S^i\left(m\right)}{\sqrt{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{T}^2\left(m\right)\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{S}^2\left(m\right)}}$ (公式2)

M掩模矩形框的高度为h，宽度为w，行相关计算范围是，M区域的顶部至底部范围，一共需要计算h行相关性，计算从上至下，i＝1，...，h。

首先SR的第i行，所有像素紧密对齐之后，长度是L1，组成的像素数组为row[L1]，FR第i行的像素个数是L2，所有像素紧密对齐，组成的像素数组为row2[L2]；

使用row[L1]在row2[L2]移位计算相关性，计算范围是，row与row2第一个像素对齐开始计算，一致向后移动，直至row最后一个像素与row2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出h行的相关性r，计算其总和r_row。

步骤2：使用与步骤1相同的方法计算BR每一行像素点与FR同一行像素点的相关性得到行总相关性为r_row2。

步骤3、计算SR每一列像素点与FR同一列像素点的相关性。

列相关计算范围是，M区域的左边至右边范围，一共需要计算w列相关性，计算从上至下，j＝1，...，w。

首先SR的第j列，所有像素紧密对齐之后，长度是L3，组成的像素数组为col[L3]。FR第j的像素个数是L4，所有像素紧密对齐。组成的像素数组为col2[L4]。

使用col[L3]在col2[L4]移位计算相关性，计算范围是，col与col2第一个像素对齐开始计算，一致向后移动，直至col最后一个像素与col2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出w列的相关性值，计算w列的相关性值的总和r_col。

步骤4、使用步骤3相同的方法方法计算BR每一列像素点与FR同一列像素点的相关性得到列总相关性为r_col2。

最后，SR的总的相关性是r_s2＝r_row+r_col；

BR的总的相关性是r_b2＝r_row2+r_col2；

可选的，实现S13的方法具体可以为：

计算SR与FR的相关性加权总和：

r_SR＝α1*rs+α2*r_s2        (公式3)

计算BR与FR的相关性加权总和：

r_BR＝α1*rb+α2*r_b2        (公式4)

如r_BR＞r_SR那么证明是遗留物的属性为留下，否则，认为遗留物的属性为离开。

本发明具体实施方式还提供一种遗留物属性的判断系统，上述系统如图3所示，包括：

提取单元31，用于提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；

计算单元32，用于计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

判断单元33，用于根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；

SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。

本发明所提供的系统基于梯度和纹理的相关性来检测遗留物的属性，从而判断遗留物的属性属于物品留下还是物品离开，这样就能够准确判断遗留物的属性，进而提高遗留物的检测准确度，而且原理简单，运算量少。

需要说明的是，上述计算单元的具体计算方法可以参见方法实施例的描述，这里不再赘述，另外，判断单元的判断方法也可以参见方法实施例的描述。

上述单元和系统实施例中，所包括的各个模块或单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域技术人员可以理解，本发明实施例提供的非线性容限的补偿方法中，其全部或部分步骤是可以通过程序指令相关的硬件来完成。比如可以通过计算机运行程来完成。该程序可以存储在可读取存储介质，例如，随机存储器、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种遗留物属性的判断方法，其特征在于，所述方法包括：

提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；

计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；

SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片中提取的图片。

2.根据权利要求1所述的遗留物属性的判断方法，其特征在于，所述计算SR、FR、BR的方向具体包括：

使用下述公式1计算SR、FR、BR的方向：

方向1：

方向2：

方向3：

方向4：

公式1。

3.根据权利要求2所述的遗留物属性的判断方法，其特征在于，所述基于梯度和纹理相关性计算SR、FR、BR的行列相关性具体包括：

步骤1：使用公式2计算SR每一行像素点与FR同一行像素点的相关性； 

公式2

M掩模矩形框的高度为h，宽度为w，行相关计算范围是，M区域的顶部至底部范围，一共需要计算h行相关性，计算从上至下，i＝1，...，h；

首先SR的第i行，所有像素紧密对齐之后，长度是L1，组成的像素数组为row[L1]，FR第i行的像素个数是L2，所有像素紧密对齐，组成的像素数组为row2[L2]；

使用row[L1]在row2[L2]移位计算相关性，计算范围是，row与row2第一个像素对齐开始计算，一致向后移动，直至row最后一个像素与row2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出h行的相关性r，计算其总和r_row；

步骤2：使用与步骤1相同的方法计算BR每一行像素点与FR同一行像素点的相关性得到行总相关性为r_row2；

步骤3、计算SR每一列像素点与FR同一列像素点的相关性；

列相关计算范围是，M区域的左边至右边范围，一共需要计算w列相关性，计算从上至下，j＝1，...，w；

首先SR的第j列，所有像素紧密对齐之后，长度是L3，组成的像素数组为col[L3]，FR第j的像素个数是L4，所有像素紧密对齐，组成的像素数组为col2[L4]；

使用col[L3]在col2[L4]移位计算相关性，计算范围是，col与col2第一个像素对齐开始计算，一致向后移动，直至col最后一个素与col2最后一个像素对齐，记录过程中获得的最大相关值r，一共可以求出w列的相关性值，计算w列的相关性值的总和r_col；

步骤4、使用步骤3相同的方法方法计算BR每一列像素点与FR同一列像 素点的相关性得到列总相关性为r_col2；

最后，SR的总的相关性是r_s2＝r_row+r_col；

BR的总的相关性是r_b2＝r_row2+r_col2。

4.根据权利要求3所述的遗留物属性的判断方法，其特征在于，所述根据计算出的行列相关性判断遗留物的属性具体包括：

计算SR与FR的相关性加权总和：

r_SR＝α1*rs+α2*r_s2    公式3

计算BR与FR的相关性加权总和：

r_BR＝α1*rb+α2*r_b2    公式4

如r_BR＞r_SR那么判断是遗留物的属性为留下，否则，判断遗留物的属性为离开。

5.一种遗留物属性的判断系统，其特征在于，所述系统包括：

提取单元，用于提取存在遗留物的图片的掩模M，以M的外接矩形Rect为中心，取长宽为Rect的长宽2～3倍的外接矩形rect2，rect2＝M+M2；

计算单元，用于计算SR、FR、BR的方向，然后基于梯度和纹理相关性计算SR、FR、BR的行列相关性；

判断单元，用于根据计算出的行列相关性判断遗留物的属性，即判断遗留物是否为离开或留下；

SR为存在遗留物的图片，BR为在当前背景差算法模型提取掩模M区域的背景图片；FR为掩模M2在背景场景图片提取的图片。 

Images