CN102902960B - 基于高斯建模与目标轮廓的遗留物检测方法 - Google Patents
基于高斯建模与目标轮廓的遗留物检测方法 Download PDFInfo
- Publication number
- CN102902960B CN102902960B CN201210360839.7A CN201210360839A CN102902960B CN 102902960 B CN102902960 B CN 102902960B CN 201210360839 A CN201210360839 A CN 201210360839A CN 102902960 B CN102902960 B CN 102902960B
- Authority
- CN
- China
- Prior art keywords
- legacy
- leave
- gauss
- value
- image
- 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.)
- Active
Links
Abstract
本发明公开了一种基于高斯建模与目标轮廓的遗留物检测方法，涉及计算机视觉、智能视频监控领域。本方法包括下列步骤：①输入视频；②遗留物粗检测；③遗留物精确检测；④遗留物分类；⑤再次确定；⑥输出结果。本发明通过遗留物的粗检测、精确检测、分类、再次确定一系列步骤，使遗留物检测足够稳定可靠，达到稳定的遗留物智能检测的目的；适用于各种公共场所智能行为分析的遗留物检测。
Description
技术领域
本发明涉及计算机视觉、智能视频监控领域，具体涉及一种基于高斯建模与目标轮廓的遗留物检测方法。
背景技术
遗留物检测是为安防的预警而设计，它是智能行为分析系统的重要组成部分，可应用于各种公共场所包括机场、车站、港口、建筑物周围、街道、小区、及其他场所，用于自动监视场景中是否有可疑物体遗留。
基于计算机视觉的遗留物检测方法主要的思路就是通过判断运动目标是否较长时间的静止不动，也就是找到新进入场景的静止不动的目标，然后对静止不动的目标进行分类处理，过滤掉不感兴趣的目标，例如人、车等。目前的遗留物检测方法中，主要存在的问题就是误检。而造成误检的原因有很多，比如场景中非感兴趣目标（人、树叶、水波）的干扰，光照的变化，遮挡，初始场景中存在运动目标等。
因此，提高遗留物检测方法的稳定性，减少误检是一个亟待解决的问题，这也正是本发明的出发点。
发明内容
本发明的目的就在于提高遗留物检测的稳定性，提供一种基于高斯建模与目标轮廓的遗留物检测方法，通过不同高斯背景模型背景的对比，粗略地检测出静止的目标；通过目标的轮廓梯度信息过滤掉一部分非遗留物，到达精确检测的目的；应用分类算法过滤掉不感兴趣的静止目标，这种遗留物检测方法能够准确稳定的检测出遗留物，并且误检率低。
本发明所采用的技术方案是：
一、一种基于高斯建模与目标轮廓的遗留物检测系统（简称系统）
本系统包括工作环境：视频监控平台、综合接入网关和智能管理服务器；
设置有智能分析服务器；
其连接关系是：视频监控平台、综合接入网关、智能管理服务器和智能分析服务器依次连接。
工作原理
智能分析服务器连接到智能管理服务器，智能分析服务器根据智能管理服务器的IP（互联网协议）和端口连接到智能管理服务器；用户请求视频智能分析任务时，此请求发送到智能管理服务器，智能管理服务器记录下智能分析服务器状态，并将待检测摄像头列表均衡分配到空闲的智能分析服务器，智能分析服务器轮巡设备，从摄像头获取实时视频并解码，得到RGB(red，green，blue，红绿兰颜色表示法)数据，然后对RGB数据进行分析，并将检测结果上报到智能管理服务器，智能管理服务器将结果保存下来。用户也可根据告警类型和日期查询报警，统计生成报表。
二、一种基于高斯建模与目标轮廓的遗留物检测方法（简称方法）
本方法包括下列步骤：
①输入视频；
②遗留物粗检测；
③遗留物精确检测；
④遗留物分类；
⑤再次确定；
⑥输出结果。
本发明具有下列优点和积极效果：
1、通过遗留物的粗检测、精确检测、分类、再次确定一系列步骤，使遗留物检测足够稳定可靠，达到稳定的遗留物智能检测的目的。
2、本发明适用于各种公共场所智能行为分析的遗留物检测。
附图说明
图1是本系统的结构方框图；
图中：
10-视频监控平台，
11-第1视频监控平台，
12-第2视频监控平台……
1N-第N视频监控平台，N是自然数，N<10；
20-综合接入网关；
30-智能管理服务器；
40-智能分析服务器，
41-第1智能分析服务器……
4N-第N智能分析服务器，N是自然数，N<100。
图2是本方法的步骤图；
图3是目标跟踪的流程图；
图4是改进的均值漂移的流程图。
具体实施方式
下面结合附图和实施例对本发明详细说明：
一、系统
1、总体
如图1，本统计系统包括工作环境：视频监控平台10、综合接入网关20和智能管理服务器30；
设置有智能分析服务器40；
其连接关系是：视频监控平台10、综合接入网关20、智能管理服务器30和智能分析服务器40依次连接。
2、功能部件
1）视频监控平台10
为用户提供实时音视频和各种报警信号的远程采集、传输、存储和处理等业务。
2）综合接入网关20
实现视频监控平台的统计接入。
3）智能管理服务器30
实现智能资源管理，负责管理智能分析资源。
4）智能分析服务器40
智能分析服务器40是视频智能分析的功能实体，在物理分布上对应一台服务器。智能分析服务器40由多个VA（视频分析单元）组成，每个VA可独立完成一路视频的智能分析。
具体地说，智能分析服务器40的VA模块包括通用电脑及植入电脑内的功能软件。
主要功能为：
①实现视频智能分析算法；
②接入到智能管理服务器30，由智能管理服务器30集中管理；
③接收智能管理服务器30的视频智能分析请求，从视频监控平台10获取视频并进行分析；
④将诊断结果上报给智能管理服务器30。
二、方法
如图2，本方法实现步骤如下：
①输入视频-201
利用待检测摄像头获得视频图像数据，输出到智能分析服务器供分析使用；
②遗留物粗检测-202
利用视频图像数据，分别建立两个多高斯模型，两个多高斯模型的不同之处在于学习速度，分别记为快高斯和慢高斯，其中快高斯模型的学习速度是0.4秒/次，慢高斯模型的学习速度是20秒/次，比较两个多高斯模型背景之间的差异之处，并且用二值标示，0标示相同，即标示非遗留物，255标示不相同，即标示遗留物，初步确定遗留物的位置信息；
③遗留物精确检测-203
为了达到稳定的检测到遗留物的目的，分别进行以下操作：
A、累计统计遗留物，如果遗留物的值累计到一定程度，则还需要进一步的判断；
B、利用当前图像数据、遗留物的位置、以及高斯模型信息，分别计算慢高斯和当前图像在各个遗留物轮廓处的梯度，记为G1和G2，如果G1远大于G2，则删除掉这个遗留物，俗称“鬼影ghost”（最初在场景中，一段时间之后移走的目标），否则暂时保留；
C、统计G2最小的前M个值，并且计算均值，如果均值小于一定值，则删除掉这个遗留物，目的是为了删除一部分保持静止的运动目标；
④遗留物分类-204
经过以上步骤，检测到的目标可能是静止的人、车等，为了达到过滤掉不需要的目标，例如人，可以使用对应的目标检测算法，识别出来是不是不需要的目标，如果是不需要的目标，则过滤掉。对于目标的分类，使用的是HOG+LatentSVM方法，具体可以参见文献<<Cascade Object Detection with Deformable PartModels>>；
⑤再次确定-205
为了使遗留物检测方法稳定，还需要进行一个判断，如果目标对应位置，慢高斯前景检测结果为前景，快高斯检测结果为非前景，则确定为最终的遗留物，否则过滤掉；
⑥输出结果-206
输出最终的检测结果。
下面对主要步骤详细说明：
1、步骤②：遗留物粗检测-202
遗留物粗检测-202利用两个多高斯背景建模更新速度的差别，造成背景模型在遗留物处不一样来达到检测遗留物的目的。专利《一种遗留物检测方法及装置》（申请号：201110319533.2）中，使用的是利用检测的前景的不一样来达到检测遗留物的目标，本专利的方法更加稳定可靠。
如图3，实现步骤如下：
①输入当前图像-301；
②慢高斯前景检测-302，快高斯前景检测-303；
③慢高斯模型更新-304，快高斯模型更新-305；
④计算高斯背景模型对应点的差306；
⑤判断差值是否小于阈值T1-307，是则将一个二值图像对应点处置为0-308，否则将二值图像对应点处置为255-309；
⑥生成一个完整的二值图像-310；
⑦将二值图像作为结果输出-311。
2、步骤③：遗留物精确检测-203
遗留物精确检测-203是利用累计信息和目标轮廓梯度信息，过滤掉非遗留物目标，达到稳定检测的目的。
如图4，遗留物精确检测-203实现步骤如下：
①输入粗检测结果图像-401；
②扫描粗检测结果图像每个点-402；
③判断点的值是否为255，是则将遗留累计图像对应点计数加1-405，否则将遗留累计图像对应点计数减1-404；
④扫描累计图像每个点-406；
⑤判断点的值是否大于阈值T2，是则将遗留物图像对应点置为255-409，否则将遗留物图像对应点置为0-408；
⑥对遗留物图像进行形态学膨胀腐蚀处理-410；
应用连通域标记算法，对遗留物图像进行连通域标记-411；
计算慢高斯背景模型和当前图像在各个连通域轮廓出的梯度，分别记为G1和G2-412；
⑦判断G1之和是否远大于G2-413，是则删除这个遗留物-414，否则进入下一步骤；
⑧统计G2最小的前M个均值-415；
⑨判断均值是否小于阈值T3-417，是则删除这个遗留物，否则进入下一步骤；
⑩输出精检测结果-418。
Claims (1)
1.一种基于高斯建模与目标轮廓的遗留物检测方法，包括：
①输入视频(201)
利用待检测摄像头获得视频图像数据，输出到智能分析服务器供分析使用；
②遗留物粗检测(202)
利用视频图像数据，分别建立两个多高斯模型，两个多高斯模型的不同之处在于学习速度，分别记为快高斯和慢高斯，其中快高斯模型的学习速度是0.4秒/次，慢高斯模型的学习速度是20秒/次，比较两个多高斯模型背景之间的差异之处，并且用二值标示，0标示相同，即标示非遗留物，255标示不相同，即标示遗留物，初步确定遗留物的位置信息；
③遗留物精确检测(203)
为了达到稳定的检测到遗留物的目的，分别进行以下操作：
A、累计统计遗留物，如果遗留物的值累计到一定程度，则还需要进一步的判断；
B、利用当前图像数据、遗留物的位置、以及高斯模型信息，分别计算慢高斯和当前图像在各个遗留物轮廓处的梯度，记为G1和G2，如果G1之和远大于G2之和，则删除掉这个遗留物，否则暂时保留；
C、统计G2最小的前M个值，并且计算均值，如果均值小于一定值，则删除掉这个遗留物，目的是为了删除一部分保持静止的运动目标；
④遗留物分类(204)
使用对应的目标检测算法；对于目标的分类，使用的是HOG+LatentSVM方法；
⑤再次确定(205)
为了使遗留物检测方法稳定，还需要进行一个判断，如果目标对应位置，慢高斯前景检测结果为前景，快高斯检测结果为非前景，则确定为最终的遗留物，否则过滤掉；
⑥输出结果(206)
输出最终的检测结果；
其特征在于所述的遗留物精确检测(203)实现步骤如下：
a、输入粗检测结果图像(401)；
b、扫描粗检测结果图像每个点(402)；
c、判断点的值是否为255，是则将遗留物累计图像对应点计数加1(405)，否则将遗留物累计图像对应点计数减1(404)；
d、扫描累计图像每个点(406)；
e、判断点的值是否大于阈值T2，是则将遗留物图像对应点置为255(409)，否则将遗留物图像对应点置为0(408)；
f、对遗留物图像进行形态学膨胀腐蚀处理(410)；
应用连通域标记算法，对遗留物图像进行连通域标记(411)；
计算慢高斯背景模型和当前图像在各个连通域轮廓处的梯度，分别记为G1和G2(412)；
g、判断G1之和是否远大于G2之和(413)，是则删除这个遗留物(414)，否则进入下一步骤；
h、统计G2最小的前M个值,并且计算均值(415)；
i、判断均值是否小于阈值T3(417)，是则删除这个遗留物，否则进入下一步骤；
j、输出精检测结果(418)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210360839.7A CN102902960B (zh) | 2012-09-25 | 2012-09-25 | 基于高斯建模与目标轮廓的遗留物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210360839.7A CN102902960B (zh) | 2012-09-25 | 2012-09-25 | 基于高斯建模与目标轮廓的遗留物检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102902960A CN102902960A (zh) | 2013-01-30 |
| CN102902960B true CN102902960B (zh) | 2015-04-22 |
Family
ID=47575182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210360839.7A Active CN102902960B (zh) | 2012-09-25 | 2012-09-25 | 基于高斯建模与目标轮廓的遗留物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102902960B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN106682566A (zh) * | 2015-11-09 | 2017-05-17 | 富士通株式会社 | 交通事故检测方法、交通事故检测装置和电子设备 |
| CN106921846A (zh) * | 2015-12-24 | 2017-07-04 | 北京计算机技术及应用研究所 | 视频移动终端遗留物检测装置 |
| CN105488542B (zh) * | 2015-12-24 | 2019-04-23 | 福建星网物联信息系统有限公司 | 一种前景物体检测方法和设备 |
| CN106296677B (zh) * | 2016-08-03 | 2019-04-02 | 浙江理工大学 | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 |
| CN106650638A (zh) * | 2016-12-05 | 2017-05-10 | 成都通甲优博科技有限责任公司 | 一种遗留物检测方法 |
| CN111832349A (zh) | 2019-04-18 | 2020-10-27 | 富士通株式会社 | 遗留物错误检测的识别方法、装置及图像处理设备 |
| CN111091097A (zh) * | 2019-12-20 | 2020-05-01 | 中国移动通信集团江苏有限公司 | 遗留物的识别方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
| CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
-
2012
- 2012-09-25 CN CN201210360839.7A patent/CN102902960B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
| CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102902960A (zh) | 2013-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
| CN110390262B (zh) | 视频分析方法、装置、服务器及存储介质 | |
| EP3806064B1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
| CN110188807A (zh) | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 | |
| CN103678299A (zh) | 一种监控视频摘要的方法及装置 | |
| CN111126252A (zh) | 摆摊行为检测方法以及相关装置 | |
| CN101859436B (zh) | 一种大幅规律运动背景智能分析管控系统 | |
| CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及系统 | |
| CN104504377A (zh) | 一种公交车乘客拥挤程度识别系统及方法 | |
| CN115620212B (zh) | 一种基于监控视频的行为识别方法及系统 | |
| CN110659391A (zh) | 一种视频侦查方法及装置 | |
| CN110717358B (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| Malhi et al. | Vision based intelligent traffic management system | |
| CN102254396B (zh) | 基于视频的入侵检测方法及装置 | |
| Wang et al. | Traffic camera anomaly detection | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN106022311A (zh) | 基于城市监控视频识别的应急事件发现方法及系统 | |
| CN105930430B (zh) | 一种基于非累积属性的实时欺诈检测方法及装置 | |
| CN115083229A (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
| CN112906725A (zh) | 统计人流特征的方法、装置及服务器 | |
| Gregor et al. | Design and implementation of a counting and differentiation system for vehicles through video processing | |
| CN109063675A (zh) | 车流密度计算方法、系统、终端及计算机可读存储介质 | |
| CN116994338B (zh) | 一种基于行为识别的站点无纸化稽查管理系统 | |
| Karnati et al. | Data Mining Algorithms for Traffic Interruption Detection. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |