CN105678213B - 基于视频特征统计的双模式蒙面人事件自动检测方法 - Google Patents
基于视频特征统计的双模式蒙面人事件自动检测方法 Download PDFInfo
- Publication number
- CN105678213B CN105678213B CN201510971527.3A CN201510971527A CN105678213B CN 105678213 B CN105678213 B CN 105678213B CN 201510971527 A CN201510971527 A CN 201510971527A CN 105678213 B CN105678213 B CN 105678213B
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- rectangle
- width
- person
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供基于视频特征统计的双模式蒙面人事件自动检测方法,包括:在获取源视频图像后,先将视频帧进行缩放并转为灰度图,然后获取最大的物体运动前景矩形框,再粗定位人头区域,接着获取人脸位置信息,接下来在得到的人脸范围预估嘴巴区域,并将嘴巴区域进行切割缩小范围,然后计算梯度图,在得到梯度图的基础上计算连通域个数以初步判断是否为蒙面人,此后计算前两大连通域面积所占的比例从而进一步进行判断是否为蒙面人。本发明对视频场景没有特定的要求。另外,本发明计算方法简单高效,能够进行实时处理,可用于实时侦查破案,同时保存了可疑蒙面人信息,也能为案发过后取证提供一手资料。
Description
技术领域
本发明一般涉及计算机智能监控视频处理领域,具体涉及基于视频特征统计的双模式蒙面人事件自动检测方法。
背景技术
改革开放以来,在国民经济迅速发展,人民生活水平日益提高的推动下,我国安防行业蓬勃发展,逐步成长起来,经过三十多年的发展,中国安防行业已形成了门类齐全、技术先进的巨大体系,并且一直保持快速、健康发展的良好态势。安全防范的用途非常广泛,而且需求量不断扩大,不论是在银行、企业、交通、小区、军事这些大型或集体场所,还是个人住宅,都对安全防范的要求与日俱增,随着社会的飞速发展,科技的不断进步,打击犯罪分子的科技手段也越来越高明,于是视频监控登上历史舞台,不论是在工作领域还是在我们的日常生活中都得到了广泛的应用,致使犯罪分子难逃法网。但是机遇与挑战是并存的,虽然视频监控已广泛应用于商场、马路、海关、银行、车站等公共场所,但是由于视频监控是24小时开启,如果发生事故,就算有时间区间,还是需要人工长时间观看大量的原始视频才能锁定破案范围,而对于这些原始视频,一个视频动辄就几十个小时,摄像头数量又是一个相当庞大的数字,用人工去排查,费时费力,还容易漏掉一些关键信息;而且一般的视频监控只是单纯的录制视频,并没有自主反馈可疑事件的能力,无法发挥实时性和自主性,通常只能用于事后取证,而很多情况下,如果在第一时间发现可疑行为,就能够有效避免很多损失。因此能实时、自主的对监控视频进行智能监控、筛选的方法亟待开发,这样就可以充分发挥视频监控的自主和实时,大量解放人工工作量,这对整个安防领域乃至人类社会都有不可估量的作用。
现有主流的智能视频监控技术主要有:特定物体识别,人车流统计,车牌识别,人脸检测和人脸识别等。这些智能视频监控技术都是针对特定问题形成的技术,没有在视频监控中实时识别蒙面人的技术,而且这些技术往往处理速度也不够,识别率低,不能满足实时监控的要求。而本发明算法处理速度快,识别率高,可以用于实时安防场景。
发明内容
本发明针对当前安防领域智能视频监控技术的不足,针对缺乏实时检测蒙面人技术的现状,提供了基于视频特征统计的双模式蒙面人事件自动检测方法。本发明的目的在于实时检测一个监控视频中出现的蒙面人,包括脸部异常物遮挡的人脸,在检测到可疑目标的第一时间发出警报,通知安保人员,并快速定位视频帧,保存蒙面人信息,协助破案,具体技术方案如下。
基于视频特征统计的双模式蒙面人事件自动检测方法,包括以下步骤:
(a)读入视频图像帧,将图像帧缩放到原宽高的设定比例A,并将视频帧彩色图像转为单通道灰度图像;
(b)使用高斯背景建模的帧差法逐帧对步骤(a)中读入的视频图像进行运动前景检测,获得运动物体前景图像;
(c)运用轮廓检测,对(b)中得到的图像进一步处理,去除面积小于设定阈值的轮廓,并通过计算轮廓中点坐标所在位置以及和上一帧运动前景的重合比例,找出运动物体的最大矩形轮廓;
(d)对步骤(c)中获得的运动过程进行检测,得到人头位置信息,用以初步定位人头位置;
(e)对步骤(d)中获得的人头区域图像运用人脸检测,再预估初步定位嘴巴位置;
(f)通过对步骤(e)中的结果图像进行嘴巴精确位置,并对计算梯度后的图像计算连通域个数和前两大连通域面积所占的比例,通过阈值设定,最终判定蒙面人。
进一步地,步骤(c)包括以下步骤:
(c-1)对(b)中处理过后得到的图像进行二值化,获取二值化后的图像;
(c-2)对二值化图像进行中值滤波操作;
(c-3)继续对上述处理获得的图像进行轮廓检测并保存;
(c-4)依次算出每个轮廓的面积,如果轮廓面积小于总图像面积的设定百分比,将其舍弃进行下一个轮廓的计算,如果面积符合设定要求,获得该轮廓的外界矩形R0,并通过与一个全局最大外接矩形的左上角和右下角位置进行比较,求出当前最大外接矩形框,从而在循环结束后得到当前帧最大的外接矩形框;
(c-5)与前一帧图像的宽高进行比较,如果图像高度为前一帧图像高度的0.7倍以下,将该帧图像放大到该帧原图宽高的1.5倍,如果矩形框宽高超出本帧原图边界大小限制,放大到边界大小;
(c-6)记录步骤(c-5)最终获得矩形框高度。
进一步地,在步骤(d)中,获取原图像的运动前景区域,转为灰度图后,采用线性插值法将图像宽高缩放到原图像宽高的设定比例A,然后利用尺度不变性进行人头检测,每次缩放1.1倍,且人头区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人头,记录人头区域位置信息,供下一个步骤使用。
进一步地,在步骤(e)中,对步骤(d)得到的人头的原图像同位置区域进行人脸检测,每次缩放1.1倍,且人脸区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人脸,记录人脸区域位置信息;在已经得到人脸位置区域的情况下,初步定位嘴巴位置。
进一步地,初步定位嘴巴位置的方法是,在得到的人脸位置框选如下一个矩形,设原矩形长即平行于x轴的一边为a,宽为b,矩形左上角坐标为(0.25a,0.65b),嘴巴位置矩形长0.5a,宽0.35b。
进一步地,步骤(f)包括以下步骤:
(f-1)进一步精确定位嘴巴区域;
(f-2)采用高斯模糊降噪,核大小为3*3,然后转为灰度图;
(f-3)使用Sobel算子梯度检测,并使用线性变换转换输入数组元素为其绝对值的8位无符号整型;
(f-4)先对(f-3)获得的图像进行锐化,然后采用自适应大津阈值进行二值化处理;
(f-5)对(f-4)处理后的图像进行轮廓检测,计算其轮廓个数,获取图像轮廓个数特征;
(f-6)保留(f-4)处理后的图像的前两大连通域,计算前两大连通域占图像像素个数的比例,获得前两大连通域比例特征;
(f-7)根据步骤(f-5)和步骤(f-7)的特征判定是否为蒙面人。
进一步地,步骤(f-1)中,精确定位嘴巴区域的方法是,在初步定位的嘴巴矩形区域框选如下一个矩形,设原区域矩形长即平行于x轴的一边为a,宽为b,矩形左上角坐标为(0.2a,0),右下角坐标为(0.8a,b)。
进一步地,步骤(f-3)中,Sobel算子的输出深度为16位有符号整型,x方向上的差分阶数为0,y方向上的差分阶数为1,扩展Sobel核的大小为3*3。
进一步地,步骤(f-6)中,保留图像的前两大连通域的计算方法是,获取图像的所有n个连通域,然后对这n个连通域面积进行排序,只保留前2大连通域,填充满其它连通域,上述n代表图像中连通域的个数。
进一步地,步骤(f-7)中,判定是否为蒙面人的方法是,如果轮廓个数不大于轮廓个数阈值,就初步判定该帧图像出现对象是正常人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例不大于0.13,则该帧图像出现对象为蒙面人,否则为正常人;如果轮廓个数大于轮廓个数阈值,初步判定该帧图像出现对象是蒙面人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例大于0.13,则该帧图像出现对象为正常人,否则为蒙面人上述基于视频特征统计的双模式蒙面人事件自动检测方法中,轮廓个数阈值的计算方法是,轮廓个数阈值P初始值设置4,对应i=1,第i+1个符合计算轮廓个数的图像的轮廓个数为Ni+1,如果Ni+1在的范围内就遵循计算原则如果Ni+1不在该范围内,则轮廓个数阈值保持不变,上述的Pi为第i个符合计算轮廓个数的图像轮廓个数阈值,Pi+1为第i+1个符合计算轮廓个数的轮廓个数阈值。
本发明方法在获取源视频图像后,先缩放视频帧图像并转为灰度图,然后获取物体运动前景矩形框,通过和前一帧图像进行轮廓比对的方法获得最大运动前景矩形框,再对上面获得的前景矩形框进行人头检测,粗定位人头区域,如果检测到人头,代表有行人进入视频监控区域;在人头区域的基础上,取原图同区域进行人脸检测,获取人脸位置信息,接下来在得到的人脸范围预估嘴巴区域,并将嘴巴区域进行切割缩小范围,精确定位嘴巴区域,然后计算梯度图,在得到梯度图的基础上计算连通域个数以初步判断是否为蒙面人,此后计算前两大连通域面积所占的比例从而进一步进行判断是否为蒙面人。本发明方法简单,计算快速,用户可以实时得到蒙面人监控信息,而且可以随时查看自动保存的蒙面人信息,协助破案。
与现有技术相比,本发明具有如下优点和技术效果:
虽然现在视频监控应用广泛,已广泛应用于商场、马路、海关、银行、车站等公共场所,但是主要还是需要人工长时间观看大量的原始视频才能锁定破案范围,而对于这些原始视频,视频时间都很长,动辄几十个小时,摄像头数量又是一个相当庞大的数字,如果用人工去排查,会大大浪费人力资源,而且效率低下,可谓费时费力,还容易漏掉一些关键信息;而且一般的视频监控只是单纯的录制视频,并没有自主反馈可疑事件的能力,无法发挥实时性和自主性,通常只能用于事后取证,而很多情况下,如果在第一时间发现可疑行为,就能够有效避免很多损失。另外,现存的视频监控领域中鲜有检测蒙面人可疑行为的方法,本发明能够有效检测实时视频中出现的蒙面人,当发现可疑蒙面人时,会立即报警,并且能够保存蒙面人信息,协助破案。现有的视频监控方法大都效率低下,处理速度慢,而本方法能够在不失准确性的前提下有很快的运行速度,计算方法简单,可应用于实时环境。本方法适用于多种场景、拍摄角度,能处理黑白和彩色的视频,有很高的兼容性。
附图说明
图1为实施方式中基于视频特征统计的双模式蒙面人事件自动检测方法的流程图。
具体实施方式
以下结合附图对本发明的实施方式作进一步说明,但本发明的实施不限于此,以下若有未特别详细说明之过程,均是本领域技术人员可参照现有技术实现的。
如图1,基于视频特征统计的双模式蒙面人事件自动检测方法的主要流程包括以下步骤:
(a)读入视频文件,缩放视频图像,转为灰度图;
(b)获得运动物体前景图像;
(c)通过计算轮廓中点坐标所在位置以及和上一帧运动前景的重合比例,找出运动物体的最大矩形轮廓;
(d)对步骤(c)中获得的运动过程进行检测,得到人头位置信息,用以初步定位人头位置;
(e)对步骤(d)中获得的人头区域图像运用人脸检测,再预估初步定位嘴巴位置;
(f)通过对步骤(e)中的结果图像进行嘴巴精确位置,并对计算梯度后的图像计算连通域个数和前两大连通域面积所占的比例,通过阈值设定,最终判定蒙面人。
步骤(a)允许用户通过文件选择窗口从本地硬盘选择一个视频文件作为提取源,每次取出一个图像帧,将视频图像宽高缩放到原宽高尺寸比例0.8倍,并将视频帧彩色图像转为单通道灰度图像。
步骤(b)使用高斯背景建模的帧差法逐帧进行运动前景检测,帧差法检测运动物体非常快速,即将每一帧图像和背景的灰度图做差,得出的是图像中不同的部分,这就是物体的运动前景,再将这些轮廓用小矩形框圈出,使用高斯背景建模不断更新背景图像,使得背景能够自适应环境。
步骤(c)对步骤(b)获得的图像进一步处理,获得物体的最大矩形轮廓。步骤(c)包括以下步骤:
(c-1)对(b)中处理过后得到的图像进行二值化,获取二值化后的图像;
(c-2)对二值化图像进行中值滤波操作,滤波模板大小3*3;
(c-3)继续对上述处理获得的图像进行轮廓检测并保存;
(c-4)依次算出每个轮廓的面积,如果轮廓面积小于总图像面积0.01倍,将其舍弃进行下一个轮廓的计算,如果面积符合要求,获得该轮廓的外界矩形R0,并通过与一个全局最大外接矩形的左上角和右下角位置进行比较,求出当前最大外接矩形框,从而在循环结束后可以得到当前帧最大的外接矩形框;
(c-5)与前一帧图像的宽高进行比较,如果图像高度为前一帧图像高度的0.7倍以下,将该帧图像放大到该帧原图宽高的1.5倍,如果矩形框宽高超出本帧原图边界大小限制,放大到边界大小;
(c-6)记录步骤(c-5)最终获得矩形框高度。
在步骤(d)中,先用线性插值的方式将步骤(c)中传入的待检测图像缩小到原图像0.8倍,然后利用opencv基于haar特征的级联adaboost方法训练好的人头分类器进行人头检测,尺度不变性每次缩放1.1倍,且人头区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人头,记录人头区域位置信息,供下一个步骤使用。
在步骤(e)中,对步骤(d)得到的人头的原图像同位置区域利用opencv基于haar特征的级联adaboost方法训练好的人脸分类器进行人脸检测,尺度不变性每次缩放1.1倍,且人脸区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人脸,记录人脸区域位置信息;在已经大致得到人脸位置区域的情况下,初步定位嘴巴位置。
初步定位嘴巴位置的计算方法是,在得到的人脸位置框选如下一个矩形,设原矩形长(平行于x轴的那一边)为a,宽为b,矩形左上角坐标为(0.25a,0.65b),嘴巴位置矩形长0.5a,宽0.35b。例如,如果原区域矩形为44*44像素大小,则左上角坐标为(11,28),嘴巴位置矩形长22像素,宽14像素。
表1 Rect类的数据格式
id | 属性中文名 | 属性类型 |
x | 轮廓左上角的x轴坐标 | int |
y | 轮廓左上角的y轴坐标 | int |
height | 轮廓的高 | int |
width | 轮廓的宽 | int |
步骤(f)包括以下步骤:
(f-1)进一步精确定位嘴巴区域;
(f-2)采用高斯模糊降噪,核大小为3*3,然后转为灰度图;
(f-3)使用Sobel算子梯度检测,并使用线性变换转换输入数组元素为其绝对值的8位无符号整型;
(f-4)先对(f-3)获得的图像进行锐化,然后采用自适应大津阈值进行二值化处理;
(f-5)对(f-4)处理后的图像进行轮廓检测,计算其轮廓个数,获取图像轮廓个数特征;
(f-6)保留(f-4)处理后的图像的前两大连通域,计算前两大连通域占图像像素个数的比例,获得前两大连通域比例特征;
(f-7)根据步骤(f-5)和步骤(f-7)的特征判定是否为蒙面人。
步骤(f-1)中,精确定位嘴巴区域的计算方法是,在初步定位的嘴巴矩形区域框选如下一个矩形,设原区域矩形长(平行于x轴的那一边)为a,宽为b,矩形左上角坐标为(0.2a,0),右下角坐标为(0.8a,b)。例如,如果原区域矩形为22*14像素大小,则左上角坐标为(4,0),则右下角坐标为(17,14)。
步骤(f-3)中,Sobel算子的输出深度为16位有符号整型,x方向上的差分阶数为0,y方向上的差分阶数为1,扩展Sobel核的大小为3*3。
步骤(f-6)中,获取图像的所有n个连通域,然后对这n个连通域面积进行排序,只保留前2大连通域,填充满其它连通域,上述n代表图像中连通域的个数。
步骤(f-7)中,判定是否为蒙面人的方法是,如果轮廓个数不大于轮廓个数阈值,就初步判定该帧图像出现对象是正常人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例不大于0.13,则该帧图像出现对象为蒙面人,否则为正常人;如果轮廓个数大于轮廓个数阈值,初步判定该帧图像出现对象是蒙面人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例大于0.13,则该帧图像出现对象为正常人,否则为蒙面人。
表2 计算蒙面人度的数据格式
id | 属性中文名 | 属性类型 |
contoursSize | 当前待检测帧连通域个数 | int |
contoursArea | 当前待检测帧前两大连通域总数目 | int |
nonZeroRate | 当前待检测帧前两大连通域非0点占比 | double |
isDetect | 是否检测到蒙面人 | bool |
Claims (6)
1.基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于,包括以下步骤:
(a)读入视频图像帧,将图像帧缩放到原宽高的设定比例A,并将视频帧彩色图像转为单通道灰度图像;
(b)使用高斯背景建模的帧差法逐帧对步骤(a)中读入的视频图像进行运动前景检测,获得运动物体前景图像;
(c)运用轮廓检测,对(b)中得到的图像进一步处理,去除面积小于设定阈值的轮廓,并通过计算轮廓中点坐标所在位置以及该位置和上一帧运动前景的重合比例,找出运动物体的最大矩形轮廓;
包括以下步骤:
(c-1)对(b)中处理过后得到的图像进行二值化,获取二值化后的图像;
(c-2)对二值化图像进行中值滤波操作;
(c-3)继续对上述处理获得的图像进行轮廓检测并保存;
(c-4)依次算出每个轮廓的面积,如果轮廓面积小于总图像面积的设定百分比,将其舍弃进行下一个轮廓的计算,如果面积符合设定要求,获得该轮廓的外界矩形,并通过与一个全局最大外接矩形的左上角和右下角位置进行比较,求出当前最大外接矩形框,从而在循环结束后得到当前帧最大的外接矩形框;
(c-5)当前帧最大的外接矩形框与前一帧图像的宽高进行比较,如果图像高度为前一帧图像高度的0.7倍以下,将该帧图像放大到该帧原图宽高的1.5倍,如果矩形框宽高超出本帧原图边界大小限制,放大到边界大小;
(c-6)记录步骤(c-5)最终获得矩形框高度;
(d)对步骤(c)中获得的运动物体的最大矩形轮廓过程进行检测,得到人头位置信息,用以初步定位人头位置;获取原图像的运动前景区域,转为灰度图后,采用线性插值法将图像宽高缩放到原图像宽高的设定比例A,然后利用尺度不变性进行人头检测,每次缩放1.1倍,且人头区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人头,记录人头区域位置信息,供下一个步骤使用;
(e)对步骤(d)中获得的人头区域图像运用人脸检测,再预估初步定位嘴巴位置;
(f)通过对步骤(e)中的结果图像进行嘴巴精确位置,并对计算梯度后的图像计算连通域个数和前两大连通域面积所占的比例,通过阈值设定,最终判定蒙面人;具体包括:
(f-1)进一步精确定位嘴巴区域;
(f-2)采用高斯模糊降噪,核大小为3*3,然后转为灰度图;
(f-3)使用Sobel算子梯度检测,并使用线性变换转换输入数组元素为其绝对值的8位无符号整型;
(f-4)先对(f-3)获得的图像进行锐化,然后采用自适应大津阈值进行二值化处理;
(f-5)对(f-4)处理后的图像进行轮廓检测,计算其轮廓个数,获取图像轮廓个数特征;
(f-6)保留(f-4)处理后的图像的前两大连通域,计算前两大连通域占图像像素个数的比例,获得前两大连通域比例特征;
(f-7)根据步骤(f-5)和步骤(f-6)的特征判定是否为蒙面人;判定是否为蒙面人的方法是,如果轮廓个数不大于轮廓个数阈值,就初步判定该帧图像出现对象是正常人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例不大于0.13,则该帧图像出现对象为蒙面人,否则为正常人;如果轮廓个数大于轮廓个数阈值,初步判定该帧图像出现对象是蒙面人,进一步判断如果前两大连通域占由步骤(f-1)得到的嘴巴精确定位图像大小比例大于0.13,则该帧图像出现对象为正常人,否则为蒙面人。
2.根据权利要求1所述的基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于:在步骤(e)中,对步骤(d)得到的人头的原图像同位置区域进行人脸检测,每次缩放1.1倍,且人脸区域矩形宽高为图像总宽度的20%,连续3次符合级联分类器要求才被判定为人脸,记录人脸区域位置信息;在已经得到人脸位置区域的情况下,初步定位嘴巴位置。
3.根据权利要求1所述的基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于:初步定位嘴巴位置的方法是,在得到的人脸位置框选如下一个矩形,设原矩形长即平行于x轴的一边为a,宽为b,矩形左上角坐标为(0.25a,0.65b),嘴巴位置矩形长0.5a,宽0.35b。
4.根据权利要求1所述的基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于,步骤(f-1)中,精确定位嘴巴区域的方法是,在初步定位的嘴巴矩形区域框选如下一个矩形,设原区域矩形长即平行于x轴的一边为a,宽为b,矩形左上角坐标为(0.2a,0),右下角坐标为(0.8a,b)。
5.根据权利要求1所述基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于,步骤(f-3)中,Sobel算子的输出深度为16位有符号整型,x方向上的差分阶数为0,y方向上的差分阶数为1,扩展Sobel核的大小为3*3。
6.根据权利要求1所述的基于视频特征统计的双模式蒙面人事件自动检测方法,其特征在于,步骤(f-6)中,保留图像的前两大连通域的计算方法是,获取图像的所有n个连通域,然后对这n个连通域面积进行排序,只保留前2大连通域,填充满其它连通域,上述n代表图像中连通域的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510971527.3A CN105678213B (zh) | 2015-12-20 | 2015-12-20 | 基于视频特征统计的双模式蒙面人事件自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510971527.3A CN105678213B (zh) | 2015-12-20 | 2015-12-20 | 基于视频特征统计的双模式蒙面人事件自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678213A CN105678213A (zh) | 2016-06-15 |
CN105678213B true CN105678213B (zh) | 2021-08-10 |
Family
ID=56189599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510971527.3A Active CN105678213B (zh) | 2015-12-20 | 2015-12-20 | 基于视频特征统计的双模式蒙面人事件自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678213B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483959A (zh) * | 2016-11-10 | 2017-03-08 | 江苏大学 | 一种图像空间下的定距离跟车控制方法 |
CN108491750B (zh) * | 2017-09-11 | 2021-11-23 | 上海南洋万邦软件技术有限公司 | 人脸识别方法 |
CN107679518A (zh) * | 2017-10-27 | 2018-02-09 | 深圳极视角科技有限公司 | 一种检测系统 |
CN108171128B (zh) * | 2017-12-14 | 2020-06-23 | 浙江大华技术股份有限公司 | 一种人脸检测方法及装置 |
CN108985212B (zh) * | 2018-07-06 | 2021-06-04 | 深圳市科脉技术股份有限公司 | 人脸识别方法及装置 |
CN111192391B (zh) * | 2018-10-25 | 2022-09-23 | 杭州海康威视数字技术股份有限公司 | 基于图像和/或视频的人行通道闸机控制方法和设备 |
CN110263695B (zh) * | 2019-06-14 | 2021-07-16 | 北京达佳互联信息技术有限公司 | 人脸部位的位置获取方法、装置、电子设备及存储介质 |
CN110298837B (zh) * | 2019-07-08 | 2023-03-24 | 上海天诚比集科技有限公司 | 基于帧间差分法的消防占道异常物体检测方法 |
CN114708543B (zh) * | 2022-06-06 | 2022-08-30 | 成都信息工程大学 | 一种考场监控视频图像中考生定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060140444A1 (en) * | 2004-12-27 | 2006-06-29 | Yih-Ran Sheu | Human face identification means in security system |
CN103761516A (zh) * | 2014-02-14 | 2014-04-30 | 重庆科技学院 | 基于视频监控的atm机异常人脸检测方法 |
CN105160297A (zh) * | 2015-07-27 | 2015-12-16 | 华南理工大学 | 基于肤色特征的蒙面人事件自动检测方法 |
-
2015
- 2015-12-20 CN CN201510971527.3A patent/CN105678213B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060140444A1 (en) * | 2004-12-27 | 2006-06-29 | Yih-Ran Sheu | Human face identification means in security system |
CN103761516A (zh) * | 2014-02-14 | 2014-04-30 | 重庆科技学院 | 基于视频监控的atm机异常人脸检测方法 |
CN105160297A (zh) * | 2015-07-27 | 2015-12-16 | 华南理工大学 | 基于肤色特征的蒙面人事件自动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105678213A (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678213B (zh) | 基于视频特征统计的双模式蒙面人事件自动检测方法 | |
CN111951237B (zh) | 外观视觉检测方法 | |
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
CN109145742B (zh) | 一种行人识别方法及系统 | |
Babu et al. | Vehicle number plate detection and recognition using bounding box method | |
CN112200043A (zh) | 面向室外施工现场的危险源智能识别系统及方法 | |
CN111738342B (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN103824091B (zh) | 一种用于智能交通系统的车牌识别方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN110059634B (zh) | 一种大场景人脸抓拍方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN115311241B (zh) | 一种基于图像融合和特征增强的煤矿井下行人检测方法 | |
CN111524117A (zh) | 一种基于特征金字塔网络的隧道表面缺陷检测方法 | |
CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
Prabhakar et al. | A novel design for vehicle license plate detection and recognition | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN111429376A (zh) | 高低精度融合的高效数字图像处理方法 | |
CN113177439B (zh) | 一种行人翻越马路护栏检测方法 | |
CN109165592B (zh) | 一种基于pico算法的实时可旋转的人脸检测方法 | |
WO2022121021A1 (zh) | 一种身份证号码检测方法、装置、可读存储介质和终端 | |
CN113052139A (zh) | 一种基于深度学习双流网络的攀爬行为检测方法及系统 | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及系统 | |
US20220405527A1 (en) | Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |