CN105187800B - 带有高清模组结构的探测器 - Google Patents

Abstract

本发明公开了一种带有高清模组结构的探测器，将原来独立安装的电源模块集成到电路板上，节省了空间，从而，使得彩色摄像机和高清模组可以安装在钣金件上，高清模组可以用于彩色图像处理，对彩色图像进行压缩，从而彩色图像数据变小，可以很好地进行传输和进一步处理。该装置成本低，安装简单，双波段火灾监测更加可靠，并能够快速确定火情距离位置信息。该装置可以24小时无间断工作，能够有效识别出公路隧道中的抛洒物，并及时报警，避免发生车祸事故，保护人身财产安全，有助于维护交通安全与秩序。抛洒物智能检测装置简单易安装，操作方便。抛洒物智能检测算法前景、背景智能学习与更新策略，适应性强，具有较高的智能程度。

Description

带有高清模组结构的探测器

技术领域

本发明属于智能视频分析监控领域，尤其涉及一种带有高清模组结构的探测器。

背景技术

随着我国经济的发展，探测器已经在各个领域普及开来，当前，设备软硬件升级较快，为了获得较好的性能，设备需要不断升级，现有的探测器电源模块为独立设置，占用的空间较大，因此，限制了设备内部硬件的升级与添加。

同时，交通运输行业日益发达，这使得交通问题日益严峻，交通事故频繁发生，引起国家和人民的深切关注。尤其在隧道、公路上，车流量大、车速较快，有时会有物体从车辆掉落或者发生故障车辆无法及时处理移动，进而造成车祸。抛洒物事件已经成为一个频发的交通事件，不仅一次事故影响的车辆多，还会造成二次事故，严重危害人们的生命财产安全，有时会造成无法预估的损失，由此引起的交通事故和造成的安全隐患已经成为急需要解决的问题。因此，如何快速准确地检测到隧道、公路上的抛洒物并报警，尽早发现安全隐患并及时排除，保持隧道、公路等的安全畅通成为交通安防领域重要的问题。

鉴于此，本发明提出了一种带有高清模组结构的探测器。

发明内容

本发明的目的在于一种带有高清模组结构的探测器，以解决现有技术中存在的上述问题。

为实现本发明的目的，本发明提供了一种带有高清模组结构的探测器，包括外壳、上盖、钣金件、电路板、镜头、尾线，其中，所述上盖的一端与所述外壳铰接，所述电路板固定安装在钣金件上，所述钣金件固定安装在所述外壳内，所述外壳包括前盖、中间部分以及后盖，所述镜头安装在所述钣金件上，所述尾线穿过所述后盖与所述电路板连接，所述镜头包括第一镜头和第二镜头，所述第一镜头安装在黑白摄像机前端，所述第一镜头前端通过滤光片转接环安装有一滤光片，所述第二镜头安装在彩色摄像机前端，所述黑白摄像机和彩色摄像机安装在钣金件上，所述彩色摄像机包括高清模组，所述电路板集成有电源模块。

其中，所述电路板上安装有CPU芯片，所述CPU芯片的散热机构为散热片。

其中，所述上盖的内侧粘贴有密封EVA泡棉，所述外壳与所述上盖密封连接处设置有密封橡胶条，所述密封EVA泡棉表面均匀粘贴导电布，且粘贴后两者之间无缝隙，所述密封橡胶条表面完全粘贴有导电布，且粘贴后导电布表面光顺两者之间无缝隙。

其中，所述彩色摄像机封装在外壳中，外壳由不锈钢316L制成的圆柱形中空封装壳，外壳前盖安装有透明玻璃，彩色摄像机安装在靠近前端透明玻璃的一侧，同时彩色摄像机可以透过前端玻璃进行采集四周情况图像；外壳后盖开有两个接线孔，一个孔用于连接电源线，给彩色摄像机供电，另外一个孔用于连接光纤电缆，用于将彩色摄像机采集的视频图像信号传输到百米或者千米外监控室。

其中，包括抛洒物检测单元，所述抛洒物检测单元，通过下述步骤进行抛洒物检测：

(1)彩色摄像机采集的彩色图像信息，同时传输到显示模块和DSP处理芯片，显示模块实时显示隧道、公路实况信息，DSP处理芯片接收彩色摄像机传输来的彩色视频图像信息进一步智能识别处理。

(2)DSP处理芯片将接收到的彩色视频图像信息进行背景建模、前景检测、保护区域的设定、前景匹配更新、抛洒物判断处理流程，得到抛洒物信息。

(3)DSP处理芯片将处理结果传输给报警模块，同时将抛洒物信息传输给显示模块，显示出抛洒物信息，提示监控人员进行下一步处理。

所述背景建模主要是依据视频采集模块输入的彩色视频图像进行模式识别，智能建立自适应学习背景模型。利用视频图像的明亮度、色度信息建立起背景模型。由于算法在嵌入式设备中进行执行运算，算法所采用的数据信息全部为整型参量。依次遍历图像中像素点，对每一个像素点寻找其八邻域像素点，依据种子点以及八邻域信息建立高斯模型，高斯模型参数有明亮度、色度、饱和度、权重、方差信息。对每一个种子点建立起高斯模型。

模型的明亮度、色度通过种子点以及其八邻域相关信息得到。如矩阵位 置所示，中间1为种子点像素信息，八邻域用0进行表示。对八邻域像素点信息按照从左到 右，从上到下的顺序依次标记为P₁，P₂，P₃，P₄，P₅，P₆，P₇，P₈，种子点记作P₀。按照权重参数对种 子点建立高斯模型，

Y₀＝0.5*Y_P0+0.043*Y_P1+0.0555Y_P2+0.043Y_P3+0.0945Y_P4+

0.0945Y_P5+0.057Y_P6+0.0555Y_P7+0.057Y_P8

其中，Y₀为建立高斯模型后的明亮度，Y_P0、Y_P1、Y_P2、Y_P3、Y_P4、Y_P5、Y_P6、Y_P7、Y_P8分别为种子点以及其八邻域的明亮度。

同理，同样的方法建立种子点色度和饱和度的高斯模型，

U₀＝0.5*U_P0+0.043*U_P1+0.0555U_P2+0.043U_P3+0.0945U_P4+

0.0945U_P5+0.057U_P6+0.0555U_P7+0.057U_P8

其中，U₀为建立高斯模型后的色度，U_P0、U_P1、U_P2、U_P3、U_P4、U_P5、U_P6、U_P7、U_P8分别为种子点以及其八邻域的色度。

V₀＝0.5*V_P0+0.043*V_P1+0.0555V_P2+0.043V_P3+0.0945V_P4+

0.0945V_P5+0.057V_P6+0.0555V_P7+0.057V_P8

其中，V₀为建立高斯模型后的饱和度，V_P0、V_P1、V_P2、V_P3、V_P4、V_P5、V_P6、V_P7、V_P8分别为种子点以及其八邻域的饱和度。

模型方差学习过程为：

Δ_i+1＝Δ_i*(1-β)+β*|Y_i+1-Y_i|++β*|U_i+1-U_i|++β*|V_i+1-V_i|

其中，Δ_i+1表示新一帧图像方差学习结果，Δ_i表示当前背景的方差，β表示模型方差学习因子，Y_i、U_i、V_i分别表示背景图像种子点处的高斯模型的明亮度、色度、饱和度信息。Y_i+1、U_i+1、V_i+1分别表示当前帧图像与背景图像对应位置处种子点处的高斯模型的明亮度、色度、饱和度信息。

模型权重记录的是背景种子点建模成功个数。当背景种子点建模总数达到全部种子点数量的1/3时，背景建模成功。

所述的前景检测即为检测在背景中新出现的人或者物。本发明采用的前景检测方法为前景与背景的高斯模型相比较的方法。同理建立当前帧图像像素种子点的高斯模型参数明亮度、色度、饱和度、权重、方差信息。分别把前景与背景的高斯模型对应明亮度、色度、饱和度、方差参量分别进行作差。如果差值小于一定阈值，那么种子点为疑似前景点。否则为背景点。当对前景点所有种子点对比完成后，对种子点进行联通膨胀处理，这样，同一个前景物体的各个种子点被联通，计算各个联通区域的大小、周长、面积、重心、高宽比信息，排除掉过小虚假前景干扰点的影响，然后分别对不同前景的掩码标记为不同的序号。将背景学习完毕后的第一帧图像中的有效前景数据存入前景历史信息库，以便后续检测过程中的前景匹配更新以及抛洒物判断等操作。

所述保护区域的设定为隧道或者公路上，车辆行驶的区域。通过在图像中沿着隧道或者公路边缘画出两条线以标示保护区域信息。并同时设定抛洒物报警灵敏度、抛洒物面积监控限制、高宽比限制，防止过小的石子、果核等的影响。

所述的前景匹配更新过程主要指的是用新检测出的前景信息去匹配、更新前景历史信息库。通过检测当前帧图像新出现的前景信息，依据前景大小、周长、面积、重心、高宽比信息对前景历史数据进行比对，如果变化小于阈值，则认为属于同一前景信息，并更新前景历史数据，若没有找到匹配的历史信息，则为新出现的前景，将相关新前景保存到历史数据中。

所述的抛洒物事件判断主要是判断前景是否为抛洒物并且抛洒物是否在保护区以及报警灵敏度是否满足要求。判断过程是遍历前景历史信息库，判断前景的面积、高宽比是否满足阈值设定，如果满足，则为抛洒物。进一步依据前景重心信息判断是否在设定的保护区域，如果在保护区域，判断报警灵敏度是否满足要求，如果满足报警灵敏度，则为抛洒物，同时发出报警信息，并将前景信息标注出来显示在屏幕上。

本发明，将原来独立安装的电源模块集成到电路板上，节省了空间，从而，使得彩色摄像机和高清模组可以安装在钣金件上，高清模组可以用于彩色图像处理，对彩色图像进行压缩，从而彩色图像数据变小，可以很好地进行传输和进一步处理。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实例一起用于解释本发明，并不构成对本发明的限制。

图1是本发明装置示意图；

图2是本发明连接模块示意图；

图3是本发明抛洒物检测单元工作流程图；

图4是本发明抛洒物报警状况说明图。

具体实施方式

下面结合具体实例来说明本发明技术方案所涉及到的各个细节问题。应指出的是，所描述的实例仅旨在便于对本发明的理解，并不因此而限定本发明的保护范围。

实施例1

如图1所示，本发明提供了一种带有高清模组结构的探测器，包括外壳10、上盖15、钣金件17、电路板16、镜头、尾线18，其中，所述上盖15的一端与所述外壳10铰接，所述电路板16固定安装在钣金件17上，所述钣金件17固定安装在所述外壳10内，所述外壳10包括前盖、中间部分以及后盖，所述镜头安装在所述钣金件上，所述尾线穿过所述后盖与所述电路板连接，所述镜头包括第一镜头13和第二镜头14，所述第一镜头13安装在黑白摄像机前端，所述第一镜头前端通过滤光片转接环安装有一滤光片，所述第二镜头14安装在彩色摄像机前端，所述黑白摄像机和彩色摄像机安装在钣金件上，所述彩色摄像机包括高清模组15，所述电路板16集成有电源模块。第一补光灯11，第二补光灯12.

其中，所述电路板16上安装有CPU芯片，所述CPU芯片的散热机构为散热片。

其中，所述上盖的内侧粘贴有密封EVA泡棉，所述外壳与所述上盖密封连接处设置有密封橡胶条，所述密封EVA泡棉表面均匀粘贴导电布，且粘贴后两者之间无缝隙，所述密封橡胶条表面完全粘贴有导电布，且粘贴后导电布表面光顺两者之间无缝隙。

实施例2

如图2、3、4所示，本发明实施例还提供了智能检测模块9主要包括彩色摄像机2、保护装置1、红外照明灯6以及DSP处理芯片4。其中，彩色摄像机2采集到的是彩色视频图像，彩色摄像机2通过网线与DSP处理芯片4连接传输数据。彩色摄像机2将图像传输给DSP处理芯片4，DSP处理芯片4主要是算法单元，提供抛洒物智能检测方案，彩色摄像机2和DSP处理芯片4封装在外壳3中。外壳3由不锈钢316L制成的圆柱形中空封装壳，外壳3内部前端安装有透明玻璃，透明玻璃用于保护彩色摄像机2和DSP处理芯片4，彩色摄像机2安装在靠近前端透明玻璃的一侧，DSP处理芯片4安装在远离前端透明玻璃的一侧，同时彩色摄像机2可以透过前端玻璃进行采集四周情况图像。外壳3后端开有两个接线孔，一个孔用于连接电源线，给彩色摄像机2以及DSP处理芯片4供电，另外一个孔用于连接光纤电缆，用于将彩色摄像机2采集的视频图像信号和DSP处理芯片4处理得到的报警信号传输到百米或者千米外的监控室。保护装置1为遮雨罩，为弧形薄板状，安装在智能检测模块的外壳3上，可以遮雨，延长装置使用寿命年限。红外照明灯6提供夜间照明，探测距离为150米，确保在无背景光源的情况下，彩色摄像机2能够正常进行图像采集工作。红外照明灯6封装在圆柱形不锈钢保护壳5中，智能检测模块9的外壳3的正下方，两个外壳5、3刚性连接，不锈钢保护壳5尾部开孔连接电源线给红外灯供电。

所述的显示模块为显示屏7，安装在监控室中，接收彩色摄像机2传输来的视频信息并实时显示。同时接收DSP处理芯片4处理得到的抛洒物信息并显示。

所述的报警模块为报警器8，用于接收DSP处理芯片4处理得到的抛洒物报警信号，提示监控人员及时对隧道、公路上的抛洒物进行处理。

利用上述抛洒物智能检测装置与方法监控步骤为：

(4)彩色摄像机2采集的彩色图像信息，同时传输到显示模块7和DSP处理芯片4，显示模块7实时显示隧道、公路实况信息，DSP处理芯片4接收彩色摄像机传输来的彩色视频图像信息进一步智能识别处理。

(5)DSP处理芯片4将接收到的彩色视频图像信息进行背景建模、前景检测、保护区域的设定、前景匹配更新、抛洒物判断处理流程，得到抛洒物信息。

(6)DSP处理芯片4将处理结果传输给报警模块8，同时将抛洒物信息传输给显示模块7，显示出抛洒物信息，提示监控人员进行下一步处理。

如图3所示为该抛洒物智能检测流程图，采用的抛洒物智能检测方法主要包括背景建模、前景检测、保护区域的设定、前景匹配更新、抛洒物判断。

所述背景建模主要是依据彩色摄像机2输入的彩色视频图像进行模式识别，智能建立自适应学习背景模型。利用视频图像的明亮度、色度信息建立起背景模型。由于算法在嵌入式设备中进行执行运算，算法所采用的数据信息全部为整型参量。依次遍历图像中像素点，对每一个像素点寻找其八邻域像素点，依据种子点以及八邻域信息建立高斯模型，高斯模型参数有明亮度、色度、饱和度、权重、方差信息。对每一个种子点建立起高斯模型。

模型的明亮度、色度通过种子点以及其八邻域相关信息得到。如矩阵位 置所示，中间1为种子点像素信息，八邻域用0进行表示。对八邻域像素点信息按照从左到 右，从上到下的顺序依次标记为P₁，P₂，P₃，P₄，P₅，P₆，P₇，P₈，种子点记作P₀。按照权重参数对种 子点建立高斯模型，

Y₀＝0.5*Y_P0+0.043*Y_P1+0.0555Y_P2+0.043Y_P3+0.0945Y_P4+

0.0945Y_P5+0.057Y_P6+0.0555Y_P7+0.057Y_P8

其中，Y₀为建立高斯模型后的明亮度，Y_P0、Y_P1、Y_P2、Y_P3、Y_P4、Y_P5、Y_P6、Y_P7、Y_P8分别为种子点以及其八邻域的明亮度。

同理，同样的方法建立种子点色度和饱和度的高斯模型，

U₀＝0.5*U_P0+0.043*U_P1+0.0555U_P2+0.043U_P3+0.0945U_P4+

0.0945U_P5+0.057U_P6+0.0555U_P7+0.057U_P8

其中，U₀为建立高斯模型后的色度，U_P0、U_P1、U_P2、U_P3、U_P4、U_P5、U_P6、U_P7、U_P8分别为种子点以及其八邻域的色度。

V₀＝0.5*V_P0+0.043*V_P1+0.0555V_P2+0.043V_P3+0.0945V_P4+

0.0945V_P5+0.057V_P6+0.0555V_P7+0.057V_P8

其中，V₀为建立高斯模型后的饱和度，V_P0、V_P1、V_P2、V_P3、V_P4、V_P5、V_P6、V_P7、V_P8分别为种子点以及其八邻域的饱和度。

模型方差学习过程为：

Δ_i+1＝Δ_i*(1-β)+β*|Y_i+1-Y_i|++β*|U_i+1-U_i|++β*|V_i+1-V_i|

其中，Δ_i+1表示新一帧图像方差学习结果，Δ_i表示当前背景的方差，β表示模型方差学习因子，Y_i、U_i、V_i分别表示背景图像种子点处的高斯模型的明亮度、色度、饱和度信息。Y_i+1、U_i+1、V_i+1分别表示当前帧图像与背景图像对应位置处种子点处的高斯模型的明亮度、色度、饱和度信息。

模型权重记录的是背景种子点建模成功个数。当背景种子点建模总数达到全部种子点数量的1/3时，背景建模成功。

所述的前景检测即为检测在背景中新出现的人或者物。本发明采用的前景检测方法为前景与背景的高斯模型相比较的方法。同理建立当前帧图像像素种子点的高斯模型参数明亮度、色度、饱和度、权重、方差信息。分别把前景与背景的高斯模型对应明亮度、色度、饱和度、方差参量分别进行作差。如果差值小于一定阈值，那么种子点为疑似前景点。否则为背景点。当对前景点所有种子点对比完成后，对种子点进行联通膨胀处理，这样，同一个前景物体的各个种子点被联通，计算各个联通区域的大小、周长、面积、重心、高宽比信息，排除掉过小虚假前景干扰点的影响，然后分别对不同前景的掩码标记为不同的序号。将背景学习完毕后的第一帧图像中的有效前景数据存入前景历史信息库，以便后续检测过程中的前景匹配更新以及抛洒物判断等操作。

所述保护区域的设定为隧道或者公路上，车辆行驶的区域。通过在图像中沿着隧道或者公路边缘画出两条线以标示保护区域信息。并同时设定抛洒物报警灵敏度、抛洒物面积监控限制、高宽比限制，防止过小的石子、果核等的影响。

所述的前景匹配更新过程主要指的是用新检测出的前景信息去更新前景历史信息库。通过检测当前帧图像新出现的前景信息，依据前景大小、周长、面积、重心、高宽比信息对前景历史数据进行比对，如果变化小于阈值，则认为属于同一前景信息，并更新前景历史数据，若没有找到匹配的历史信息，则为新出现的前景，将相关新前景保存到历史数据中。

所述的抛洒物事件判断主要是判断前景是否为抛洒物并且抛洒物是否在保护区以及报警灵敏度是否满足要求。判断过程是遍历前景历史信息库，判断前景的面积、高宽比信息是否满足阈值设定，如果满足，则为抛洒物。进一步依据前景重心信息判断是否在设定的保护区域，如果在保护区域，判断报警灵敏度是否满足要求，如果满足报警灵敏度，则为抛洒物，同时发出报警信息，并将前景信息标注出来显示在屏幕上。

如图4所示为该抛洒物智能检测报警情况图。如图4所示，左右两侧斜线信息为公路或者隧道方向边缘信息。上下为限定的监视区域位置远近范围，构成封闭区域A。封闭区域A为保护区域，只有当封闭区域有抛洒物信息时，才会进行报警。如抛洒物11在保护区域A内，检测过程中会发生报警；抛洒物10在非保护区域B内，检测过程中不会发生报警。

任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.抛洒物智能检测方法，其特征在于，通过下述步骤进行抛洒物检测：

(1)彩色摄像机采集的彩色图像信息，同时传输到显示模块和DSP处理芯片，显示模块实时显示隧道、公路实况信息，DSP处理芯片接收彩色摄像机传输来的彩色视频图像信息进一步智能识别处理；

(2)DSP处理芯片将接收到的彩色视频图像信息进行背景建模、前景检测、保护区域的设定、前景匹配更新、抛洒物判断处理流程，得到抛洒物信息；

(3)DSP处理芯片将处理结果传输给报警模块，同时将抛洒物信息传输给显示模块，显示出抛洒物信息，提示监控人员进行下一步处理；

所述背景建模主要是依据彩色摄像机输入的彩色视频图像进行模式识别，智能建立自适应学习背景模型，利用视频图像的明亮度、色度信息建立起背景模型；依次遍历图像中像素点，对每一个像素点寻找其八邻域像素点，依据种子点以及八邻域信息建立高斯模型，高斯模型参数有明亮度、色度、饱和度、权重、方差信息；对每一个种子点建立起高斯模型；

模型的明亮度、色度通过种子点以及其八邻域相关信息得到，如矩阵位置所示，中间1为种子点像素信息，八邻域用0进行表示，对八邻域像素点信息按照从左到右，从上到下的顺序依次标记为P₁，P₂，P₃，P₄，P₅，P₆，P₇，P₈，种子点记作P₀，按照权重参数对种子点建立高斯模型，

Y₀＝0.5*Y_P0+0.043*Y_P1+0.0555Y_P2+0.043Y_P3+0.0945Y_P4+

0.0945Y_P5+0.057Y_P6+0.0555Y_P7+0.057Y_P8

其中，Y₀为建立高斯模型后的明亮度，Y_P0、Y_P1、Y_P2、Y_P3、Y_P4、Y_P5、Y_P6、Y_P7、Y_P8分别为种子点以及其八邻域的明亮度；

同理，同样的方法建立种子点色度和饱和度的高斯模型，

U₀＝0.5*U_P0+0.043*U_P1+0.0555U_P2+0.043U_P3+0.0945U_P4+

0.0945U_P5+0.057U_P6+0.0555U_P7+0.057U_P8

其中，U₀为建立高斯模型后的色度，U_P0、U_P1、U_P2、U_P3、U_P4、U_P5、U_P6、U_P7、U_P8分别为种子点以及其八邻域的色度；

V₀＝0.5*V_P0+0.043*V_P1+0.0555V_P2+0.043V_P3+0.0945V_P4+

0.0945V_P5+0.057V_P6+0.0555V_P7+0.057V_P8

其中，V₀为建立高斯模型后的饱和度，V_P0、V_P1、V_P2、V_P3、V_P4、V_P5、V_P6、V_P7、V_P8分别为种子点以及其八邻域的饱和度；

模型方差学习过程为：

Δ_i+1＝Δ_i*(1-β)+β*|Y_i+1-Y_i|++β*|U_i+1-U_i|++β*|V_i+1-V_i|

其中，Δ_i+1表示新一帧图像方差学习结果，Δ_i表示当前背景的方差，β表示模型方差学习因子，Y_i、U_i、V_i分别表示背景图像种子点处的高斯模型的明亮度、色度、饱和度信息；Y_i+1、U_i+1、V_i+1分别表示当前帧图像与背景图像对应位置处种子点处的高斯模型的明亮度、色度、饱和度信息。

2.根据权利要求1所述的抛洒物智能检测方法，其特征在于，所述的前景检测即为检测在背景中新出现的人或者物，建立当前帧图像像素种子点的高斯模型参数明亮度、色度、饱和度、权重、方差信息；分别把前景与背景的高斯模型对应明亮度、色度、饱和度、方差参量分别进行作差；如果差值小于一定阈值，那么种子点为疑似前景点；否则为背景点；

当对前景点所有种子点对比完成后，对种子点进行联通膨胀处理，这样，同一个前景物体的各个种子点被联通，计算各个联通区域的大小、周长、面积、重心、高宽比信息，排除掉过小虚假前景干扰点的影响，然后分别对不同前景的掩码标记为不同的序号，将背景学习完毕后的第一帧图像中的有效前景数据存入前景历史信息库，以便后续检测过程中的前景匹配更新以及抛洒物判断等操作。

3.根据权利要求2所述的抛洒物智能检测方法，其特征在于，所述保护区域的设定为隧道或者公路上，车辆行驶的区域，通过在图像中沿着隧道或者公路边缘画出两条线以标示保护区域信息，并同时设定抛洒物报警灵敏度、抛洒物面积监控限制、高宽比限制，防止过小的物体的影响。

4.根据权利要求3所述的抛洒物智能检测方法，其特征在于，所述的前景匹配更新过程指的是用新检测出的前景信息去匹配、更新前景历史信息库；通过检测当前帧图像新出现的前景信息，依据前景大小、周长、面积、重心、高宽比信息对前景历史数据进行比对，如果变化小于阈值，则认为属于同一前景信息，并更新前景历史数据，若没有找到匹配的历史信息，则为新出现的前景，将相关新前景保存到历史数据中。

5.根据权利要求4所述的抛洒物智能检测方法，其特征在于，所述的抛洒物判断是判断前景是否为抛洒物并且抛洒物是否在保护区域以及报警灵敏度是否满足要求，判断过程是遍历前景历史信息库，判断前景的面积、高宽比是否满足阈值设定，如果满足，则为抛洒物；进一步依据前景重心信息判断是否在设定的保护区域，如果在保护区域，判断报警灵敏度是否满足要求，如果满足报警灵敏度，则为抛洒物，同时发出报警信息，并将前景信息标注出来显示在屏幕上。