CN104063881A - 一种基于编程模型的快速运动目标检测方法 - Google Patents
一种基于编程模型的快速运动目标检测方法 Download PDFInfo
- Publication number
- CN104063881A CN104063881A CN201410287215.6A CN201410287215A CN104063881A CN 104063881 A CN104063881 A CN 104063881A CN 201410287215 A CN201410287215 A CN 201410287215A CN 104063881 A CN104063881 A CN 104063881A
- Authority
- CN
- China
- Prior art keywords
- image
- video
- detection method
- method based
- programming model
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种可提高分析效率的基于编程模型的快速运动目标检测方法,包括如下步骤:1)按照设定的时间间隔对待处理的视频进行提取,获得与该视频相对应的图像帧序列;2)对得到的图像帧序列按照前后两帧为一组进行数据拆分,同时对拆分后得到的每一数据片进行差分二值化处理,得到二值化数据片;3)在步骤2)得到的二值化数据片中,同时对时序上的第一至倒数第二个二值化数据片进行“逻辑与”处理,具体过程为:将每个二值化数据片与在时序上紧随其后的二值化数据片进行“逻辑与”,得到相应的图像;4)将经过步骤3)处理得到的图像按照时间顺序合并,得到检测出快速运动目标的视频输出。本发明所述的方法尤其适用于智能视频监控系统中。
Description
技术领域
本发明属于图像处理领域,具体涉及一种基于MapReduce编程模型的快速运动目标检测方法。
背景技术
运动目标检测是智能视频监控系统的一个重要组成部分,也是计算机视觉研究的热点之一,作为运动目标行为识别的前提为监控分析提供对象。帧间差分法是运动目标检测基本的方法之一,将视频理解为图像序列,对两两相邻帧进行差分来获得运动目标的轮廓。这种方法能很好地适用于存在多个运动目标和摄像机移动的情况,对光线等场景变化不敏感,能适应各种动态环境,并且实现逻辑简单,稳定性较好。差分处理的前后帧并不一定是连续时序的视频图像,通过设置固定时间间隔来选取进行差分处理的帧。对于运动过快的检测目标,如果时间间隔设置过大,同一目标在前后两帧中没有重叠,会被检测为两个独立的目标,但是,设置过小的时间间隔又会导致需要处理的图像帧数量大增。目前,大多数帧间差分法是以串行处理图像帧的方式进行分析的,帧数增加势必加大计算量,影响效率。
目前,解决上述快速目标检测问题的方法大致分为两种:一种是在可以容忍的范围内最大程度增大时间间隔,但依然无法避免对运动速度过快的目标检测的失误,而且检测失误对后续监控处理造成的损失是无法预计的;另一种是单方面提高计算机硬件配置,来迎合计算量不断增加的需要。但随着监控视频画质的不断提高计算量也会不断提高,无限制地扩展硬件配置去满足计算需要是不现实的。
所以,有必要提出一种新的技术方案,在有限硬件配置的情况下提高快速运动目标检测的分析效率。
此外,本发明适用于采用大规模数据集的并行运算的MapReduce编程模型,所谓的MapReduce编程模型分为Map(映射)和Reduce(化简)两部分,映射过程是指将一组键值对映射成一组新的键值对,化简过程用于保证所有映射的键值对中每一个共享相同的键组,对映射函数和化简函数进行逻辑定义,即可实现在分布式系统上的并行计算。
发明内容
本发明所要解决的技术问题是:提供一种基于编程模型的快速运动目标检测方法,以实现在有限硬件环境下提高该运动目标检测方法的分析效率,适应图像帧频不断提高的实际需要。
为解决上述技术问题,本发明采用的技术方案为:一种基于编程模型的快速运动目标检测方法,包括如下步骤:
1)按照设定的时间间隔对待处理的视频进行分割提取,获得与该视频相对应的图像帧序列;
2)对得到的图像帧序列按照前后两帧为一组进行数据拆分(分组),同时对拆分后得到的每一数据片进行差分二值化处理,得到二值化数据片;
3)在步骤2)得到的二值化数据片中,同时对时序上的第一至倒数第二个二值化数据片进行“逻辑与”处理,具体过程为:将每个二值化数据片与在时序上紧随其后的二值化数据片进行“逻辑与”,得到相应的图像;
4)将经过步骤3)处理得到的图像按照时间顺序合并,得到检测出快速运动目标的视频输出。
对经过步骤3)中“逻辑与”处理得到的图像进行滤波处理,以除去图像中的噪声点和目标中的空洞,并将经过滤波处理处理后得到的图像作为步骤4)的输入图像。
所述设定的时间间隔其中:frate为视频帧频(通常为25fps);n为间隔帧数。
所述的n为1、2或3。
本发明的有益效果为:本发明对三帧差分法进行了分解,从而可以采用适用于大规模数据集的并行运算的MapReduce编程模型,将图像的分析任务分发到对计算配置要求不高的多个节点上同时进行,实现了分布式的计算,节约了分析计算的硬件成本,解决了因设置时间间隔较小、需要计算的图像过多而造成的效率降低问题。此外,对经过步骤3)中“逻辑与”处理得到的图像进行滤波处理,以除去图像中的噪声点和目标中的空洞,并将经过滤波处理处理后得到的图像作为步骤4)的输入图像,提高了画面的质量。另外,适中的时间间隔进一步提高了分析效率。
附图说明
图1为本发明所述的快速运动目标检测方法的方框图。
具体实施方式
下面结合附图,详细描述本发明的具体实施方案。
如图1所示,本发明提供了一种基于MapReduce模型的快速运动目标检测方法,具体包括如下步骤:
1.将待处理的视频文件上传到UNIX/LINUX系统的某一指定路径下,路径将作为文件输入类FileInputFormat中文件路径属性inputPaths的初始值,以便程序查找到输入源进行数据拆分;
2.实现输入视频的数据拆分:输入格式化方法InputFormat()会根据输入格式调用信息读取对象RecordReader进行数据拆分,继承文件输入类FileInputFormat定义图像输入格式<key,value>,其中key是图像帧在时序中的唯一序号,value是视频图像帧的信息,再实现信息读取对象RecordReader中依次根据key值获取对应value值的方法nextKeyValue(),依次读取图像帧序列中未读取过的帧信息,信息按照输入格式保存为key/value形式;
所述设定的时间间隔其中:frate为视频帧频(当前帧频为25fps);n为间隔帧数。
所述的n为取值为1、2或3。
3.假设执行节点TaskTracker有n个,调度节点JobTracker将n+1个输入key/value相邻为一组传给Map进行“差分二值化”的计算,n个执行节点TaskTracker同时进行计算,调度节点JobTracker根据调度机制监控每个节点的执行情况,在某一节点执行结束后,再分配下一个任务给该节点;
4.三帧差分法将相邻的三帧图像作为一组进行再差分:设图像序列表示为:Ii(x,y),其中(x,y)表示图像中象素点的位置坐标,i表示第i帧图像(或者称为i时刻的图像),选取图像序列中连续的三帧图像Ii-1(x,y),Ii(x,y),Ii+1(x,y),分别计算相邻两帧图像的差值图像:
实施中通过实现Mapper接口的映射方法map(),将输入的连续两帧图像进行差值计算生成灰度差值图像,再对得到的差值图像通过选取适当的阀值T进行二值化:
处理后的图像信息存放在传入的两个value中,作为下一步处理的输入,其中,开始的一、二两帧在处理结束后,只将处理图像放入第二帧的value中输出;
5.将映射方法map()输出的key/value以key相同为条件进行合并,合并后的信息作为化简方法Reduce()的输入;
6.实现Reducer接口中化简方法reduce(),该方法对输入的value进行遍历获得两帧图像信息(连续三帧视频图像两两处理后的图像),再对两帧图像每一像素点(x,y)进行“逻辑与”运算,得到二值图像Bi(x,y):
再对获得的二值图像进行滤波处理,以除去图像中的噪声点和目标中的空洞,最后生成标记出运动目标轮廓的图像,并存入传入的value中输出;
7.实现输出格式化方法OutputFormat(),将化简方法reduce()的输出key/value以key值为顺序,依次输出对应value中处理后的图像,即实现了运动目标检测后的视频输出。
上述实施例仅用于说明本发明,并非对本发明的限制,即:本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (4)
1.一种基于编程模型的快速运动目标检测方法,包括如下步骤:
1)按照设定的时间间隔T对待处理的视频进行分割提取,获得与该视频相对应的图像帧序列;
2)对得到的图像帧序列按照前后两帧为一组进行数据拆分,然后,同时对拆分后得到的每一数据片进行差分二值化处理,得到二值化数据片;
3)在步骤2)得到的二值化数据片中,同时对时序上的第一至倒数第二个二值化数据片进行“逻辑与”处理,其体过程为:将二值化数据片与在时序上紧随其后的二值化数据片进行“逻辑与”,得到相应的图像;
4)将经过步骤3)处理得到的图像按照时间顺序合并,得到检测出快速运动目标的视频输出。
2.根据权利要求1所述的基于编程模型的快速运动目标检测方法,其特征在于:对经过步骤3)中“逻辑与”处理得到的图像进行滤波处理,以除去图像中的噪声点和目标中的空洞,并将经过滤波处理处理后得到的图像作为步骤4)的输入图像。
3.根据权利要求1或2所述的基于编程模型的快速运动目标检测方法,其特征在于:所述设定的时间间隔其中:frate为视频帧频,n为间隔帧数。
4.根据权利要求3所述的基于编程模型的快速运动目标检测方法,其特征在于:所述的n为1、2或3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410287215.6A CN104063881A (zh) | 2014-06-24 | 2014-06-24 | 一种基于编程模型的快速运动目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410287215.6A CN104063881A (zh) | 2014-06-24 | 2014-06-24 | 一种基于编程模型的快速运动目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104063881A true CN104063881A (zh) | 2014-09-24 |
Family
ID=51551573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410287215.6A Pending CN104063881A (zh) | 2014-06-24 | 2014-06-24 | 一种基于编程模型的快速运动目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063881A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN103310460A (zh) * | 2013-06-24 | 2013-09-18 | 安科智慧城市技术(中国)有限公司 | 图像特征提取的方法及系统 |
CN103984926A (zh) * | 2014-05-15 | 2014-08-13 | 江苏科大汇峰科技有限公司 | 基于MapReduce计算模型的分布式运动目标检测方法 |
-
2014
- 2014-06-24 CN CN201410287215.6A patent/CN104063881A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN103310460A (zh) * | 2013-06-24 | 2013-09-18 | 安科智慧城市技术(中国)有限公司 | 图像特征提取的方法及系统 |
CN103984926A (zh) * | 2014-05-15 | 2014-08-13 | 江苏科大汇峰科技有限公司 | 基于MapReduce计算模型的分布式运动目标检测方法 |
Non-Patent Citations (1)
Title |
---|
夏永泉等: "一种简单有效的运动目标检测算法", 《计算机测量与控制》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adaptive fusion for RGB-D salient object detection | |
CN107767405B (zh) | 一种融合卷积神经网络的核相关滤波目标跟踪方法 | |
EP2956891B1 (en) | Segmenting objects in multimedia data | |
CN111652017B (zh) | 一种动态手势识别方法及系统 | |
US8879789B1 (en) | Object analysis using motion history | |
CN104036287A (zh) | 一种基于人类运动显著轨迹的视频分类方法 | |
CN103258332A (zh) | 一种抗光照变化的运动目标检测方法 | |
US10169661B2 (en) | Filtering methods for visual object detection | |
CN102831378A (zh) | 人的检测和跟踪方法与系统 | |
CN103685866B (zh) | 视频稳像方法及其装置 | |
Han et al. | Adaptive feature representation for visual tracking | |
Meus et al. | Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device | |
Hsu et al. | Industrial smoke detection and visualization | |
CN102722732B (zh) | 一种基于数据二阶统计量建模的图像集合匹配方法 | |
CN103400395A (zh) | 一种基于haar特征检测的光流跟踪方法 | |
CN117372932A (zh) | 一种基于自适应时序特征增强的弱监督时序动作定位方法 | |
CN112926436A (zh) | 行为识别方法及装置、电子设备和存储介质 | |
CN104063879A (zh) | 一种基于通量和遮挡系数的行人流估计方法 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
CN103984926A (zh) | 基于MapReduce计算模型的分布式运动目标检测方法 | |
CN104063881A (zh) | 一种基于编程模型的快速运动目标检测方法 | |
JP2024516642A (ja) | 行動検出方法、電子機器およびコンピュータ読み取り可能な記憶媒体 | |
Lam et al. | Real Time Detection of Object Blob Localization Application using 1-D Connected Pixel and Windowing Method on FPGA | |
WO2020237674A1 (zh) | 目标跟踪方法、目标跟踪装置和无人机 | |
Wang et al. | Cross camera object tracking in high resolution video based on tld framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140924 |
|
WD01 | Invention patent application deemed withdrawn after publication |