CN106408080A - 运动物体的计数装置及方法 - Google Patents
运动物体的计数装置及方法 Download PDFInfo
- Publication number
- CN106408080A CN106408080A CN201510463048.0A CN201510463048A CN106408080A CN 106408080 A CN106408080 A CN 106408080A CN 201510463048 A CN201510463048 A CN 201510463048A CN 106408080 A CN106408080 A CN 106408080A
- Authority
- CN
- China
- Prior art keywords
- moving object
- track
- object track
- frame
- present frame
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种运动物体的计数装置及方法,其中,该装置包括:建立单元,用于对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;过滤单元用于去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;计数单元,用于根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种运动物体的计数装置及方法。
背景技术
随着城市交通状况的复杂化,对交通状况的监视和控制日益普遍。而对行驶的车辆和行人等运动物体的计数是视频监控的常见功能之一,其中,运动物体的跟踪方法对于运动物体的计数是非常重要的。
在现有的运动物体计数方法中,通常可利用高斯前景检测算法来确定图像中的哪一部分属于运动物体,并采用目标重叠或颗粒跟踪的方法来跟踪运动物体。
应该注意,上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明,并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。
发明内容
当利用现有的方法对运动物体进行计数时,容易跟踪丢失目标物体,计数结果不准确。
本发明实施例提供一种运动物体的计数装置及方法,根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
根据本发明实施例的第一方面,提供一种运动物体的计数装置,包括:建立单元,所述建立单元用于对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;过滤单元,所述过滤单元用于去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;计数单元,所述计数单元用于根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
根据本发明实施例的第二方面,提供一种运动物体的计数方法,包括:对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
本发明的有益效果在于:根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
参照后文的说明和附图,详细公开了本发明的特定实施方式,指明了本发明的原理可以被采用的方式。应该理解,本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内,本发明的实施方式包括许多改变、修改和等同。
针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用,与其它实施方式中的特征相组合,或替代其它实施方式中的特征。
应该强调,术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在,但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解,其构成了说明书的一部分,用于例示本发明的实施方式,并与文字描述一起来阐释本发明的原理。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例1的运动物体的计数装置的结构示意图;
图2是本发明实施例1的建立单元101的结构示意图;
图3是本发明实施例1的建立运动轨迹集并进行评分的方法流程图;
图4是本发明实施例1的更新单元202的结构示意图;
图5是本发明实施例1的更新当前帧的运动物体轨迹集的方法流程图;
图6是本发明实施例1的评分单元203的结构示意图;
图7是本发明实施例1的确定当前帧的各个运动物体轨迹的得分的方法流程图;
图8是本发明实施例2的电子设备的结构示意图;
图9是本发明实施例2的电子设备的系统构成的一示意框图;
图10是本发明实施例3的运动物体的计数方法的流程图。
具体实施方式
参照附图,通过下面的说明书,本发明的前述以及其它特征将变得明显。在说明书和附图中,具体公开了本发明的特定实施方式,其表明了其中可以采用本发明的原则的部分实施方式,应了解的是,本发明不限于所描述的实施方式,相反,本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。
实施例1
图1是本发明实施例1的运动物体的计数装置的结构示意图。如图1所示,该装置100包括:
建立单元101,用于对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立运动物体轨迹集,并根据在该运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;
过滤单元102,用于去除该运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;
计数单元103,用于根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
由上述实施例可知,根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
在本实施例中,运动物体可以是需要计数的处于运动状态的任何物体,例如,运动物体可以是在道路上行驶的汽车,或者行走的人或动物等。
在本实施例中,监控视频可通过现有的方法获得,例如,通过安装在需要监测区域上方的摄像头而获得。
在本实施例中,监控视频的帧数可根据实际需要而设定。其中,监控视频的帧数可根据监控视频中感兴趣区域(Region of Interest,ROI)的大小来设定。例如,监控视频的帧数为15-20帧。
在本实施例中,建立单元101用于对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立运动物体轨迹集,并根据在该运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分。
以下对建立单元101的结构以及建立运动轨迹集并进行评分的方法进行示例性的说明。
图2是本发明实施例1的建立单元101的结构示意图。如图2所示,建立单元101包括:
检测单元201,用于检测当前帧的预定区域中的运动物体;
更新单元202,用于根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集;
评分单元203,用于根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
图3是本发明实施例1的建立运动轨迹集并进行评分的方法流程图。如图3所示,该方法包括:
步骤301:检测当前帧的预定区域中的运动物体;
步骤302,根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集;
步骤303,根据当前帧的更新后的运动物体轨迹或建立的运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
这样,通过根据检测到的运动物体的位置和前一帧的预测位置来更新已有的运动物体轨迹或建立新的运动物体轨迹,能够进一步保证建立的运动物体轨迹集的过完备性,从而进一步提高计数的准确性。
在本实施例中,检测单元201用于检测当前帧的预定区域中的运动物体。其中,该预定区域可根据实际需要而设定,例如,该预定区域为感兴趣区域(Region ofInterest,ROI)。
在本实施例中,检测单元201可使用现有的方法检测当前帧的预定区域中的运动物体。例如,可使用分类器对预定区域进行目标检测,其中,该分类器可由含有目标物体的正样本图像和不含目标物体的负样本图像通过提取方向梯度直方图(Histograms of Oriented Gradients,HOG)特征后进行训练而得到。
在本实施例中,在检测到当前帧的预定区域中的运动物体之后,更新单元202根据检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集。
以下对更新单元202的结构以及更新当前帧的运动物体轨迹集的方法进行示例性的说明。
图4是本发明实施例1的更新单元202的结构示意图。如图4所示,更新单元202包括:
第一更新单元401,用于在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置匹配的情况下,根据检测到的运动物体的位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹;
第二更新单元402,用于在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置不匹配的情况下,建立当前帧检测到的所述运动物体的运动物体轨迹,并根据该预测位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹。
在本实施例中,还可设置第一判断单元,用于判断当前帧检测到的运动物体的位置是否与前一帧的运动物体轨迹对于运动物体的预测位置匹配。其中,第一判断单元可设置在更新单元202中,也可直接设置在建立单元101中或者计数装置100中,本发明实施例不对第一判断单元的设置位置进行限制。
图5是本发明实施例1的更新当前帧的运动物体轨迹集的方法流程图。如图5所示,该方法包括:
步骤501:判断当前帧检测到的运动物体的位置是否与前一帧的运动物体轨迹对于运动物体的预测位置匹配,当判断结果为“是”时,进入步骤502,当判断结果为“否”时,进入步骤503和504;
步骤502:根据检测到的运动物体的位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹;
步骤503:建立当前帧检测到的所述运动物体的运动物体轨迹;
步骤504:根据该预测位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹。
在本实施例中,前一帧的运动物体轨迹对于运动物体的预测位置可根据现有方法获得,例如,对于前一帧的一个运动物体轨迹,可以根据运动物体的可能运动方向和运动速度,在上下左右以及倾斜45度角的各个方向上确定预测位置。
在本实施例中,第一更新单元401在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置匹配的情况下,根据检测到的运动物体的位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹。
例如,在当前帧检测到的运动物体的位置与前一帧的某个运动物体轨迹对于运动物体的预测位置匹配的情况下,将当前帧检测到的运动物体合并到前一帧的该运动物体轨迹中,从而完成对前一帧的该运动物体轨迹的更新,形成当前帧的更新后的该运动物体轨迹。
在本实施例中,第二更新单元402在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置不匹配的情况下,建立当前帧检测到的所述运动物体的运动物体轨迹,并根据该预测位置更新前一帧的该运动物体轨迹,形成当前帧的更新后的该运动物体轨迹。
例如,在当前帧检测到的运动物体的位置与前一帧的所有运动物体轨迹对于运动物体的预测位置不匹配的情况下,根据检测到的运动物体的位置建立新的运动物体轨迹,并且,根据前一帧的各个运动物体轨迹的预测位置来更新这些运动物体轨迹,形成当前帧的更新后的这些运动物体轨迹。
在本实施例中,更新单元202通过第一更新单元401和第二更新单元402更新了当前帧的运动物体轨迹集。
在本实施例中,在更新单元202更新了当前帧的运动物体轨迹集之后,评分单元203根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
以下对评分单元203的结构以及确定当前帧的各个运动物体轨迹的得分的方法进行示例性的说明。
图6是本发明实施例1的评分单元203的结构示意图。如图6所示,评分单元203包括:
第一评分单元601,用于在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧连续检测到运动物体的情况下,将当前帧的该运动物体轨迹的得分确定为前一帧的该运动物体轨迹的得分加上在当前帧以及当前帧之前连续检测到该运动物体的次数;
第二评分单元602,用于在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧没有连续检测到运动物体的情况下,将当前帧的该运动物体轨迹的得分确定为前一帧的该运动物体轨迹的得分减1。
在本实施例中,还可设置第二判断单元,用于判断更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前是否连续检测到运动物体。其中,第二判断单元可设置在评分单元203中,也可直接设置在建立单元101中或者计数装置100中,本发明实施例不对第二判断单元的设置位置进行限制。
图7是本发明实施例1的确定当前帧的各个运动物体轨迹的得分的方法流程图。如图7所示,该方法包括:
步骤701:判断更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧是否连续检测到运动物体,当判断结果为“是”时,进入步骤702,当判断结果为“否”时,进入步骤703;
步骤702:将当前帧的该运动物体轨迹的得分确定为前一帧的该运动物体轨迹的得分加上在当前帧以及当前帧之前连续检测到该运动物体的次数;
步骤703:将当前帧的该运动物体轨迹的得分确定为前一帧的该运动物体轨迹的得分减1。
在本实施例中,连续检测到运动物体指的是在前一帧检测到运动物体,并且在当前帧再次检测到同一个运动物体,此时,对于当前帧,连续检测到运动物体的次数为1,如果下一帧再次检测到同一个运动物体,那么对于下一帧,连续检测到运动图的次数为2,以此类推。如果在连续多次检测到运动物体之后,在某一帧没有检测到该运动物体,如果在该帧的下一帧重新检测到该运动物体,那么连续检测到运动物体的次数重新计算。
下面举例说明本发明实施例1的评分方法。例如,该监控视频包括7帧图像,在第1帧中检测到一个运动物体并根据该运动物体建立了轨迹track1,那么在第1帧中该轨迹track1的得分为0,即将新建立的运动物体轨迹的得分设为0;在第2帧中连续检测到该运动物体,并根据检测到的运动物体对track1进行了更新,那么在第2帧中,该更新后的track1的得分为0+1=1;在第3帧中连续检测到该运动物体,并根据检测到的运动物体对track1进行了更新,那么在第3帧中,该更新后的track1的得分为1+2=3;在第4帧中连续检测到该运动物体,并根据检测到的运动物体对track1进行了更新,那么在第4帧中,该更新后的track1的得分为3+3=6;在第5帧中没有检测到该运动物体,根据第4帧的track1的预测位置更新track1,那么在第5帧中该更新后的track1的得分为6-1=5;在第6帧中又重新检测到该运动物体,并根据检测到的运动物体对track1进行了更新,那么在第6帧中,该更新后的track1的得分为5+0=5;在第7帧中连续检测到该运动物体,并根据检测到的运动物体对track1进行了更新,那么在第7帧中,该更新后的track1的得分为5+1=6。那么,该轨迹track1的最终得分为6。
在本实施例中,在建立单元101建立运动物体轨迹集,并对各个运动物体轨迹进行评分之后,过滤单元102用于去除该运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹。
在本实施例中,该预定阈值可根据实际需要而设定,例如,可将该预定阈值设为0。那么,过滤单元102去除该运动物体轨迹集中的运动物体轨迹的得分小于或等于0的运动物体轨迹。
在本实施例中,过滤单元102还可以将该运动物体轨迹集中距离小于预定阈值的两个运动物体轨迹合并,其中,该预定阈值可根据实际需要而设定。这样,能够进一步提高计数的准确性。
在本实施例中,计数单元103根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数,在过滤单元102还将该运动物体轨迹集中距离小于预定阈值的两个运动物体轨迹合并的情况下,计数单元103根据去除以及合并后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
在本实施例中,根据运动物体轨迹进行运动物体计数可使用现有的方法,例如,可使用自动识别计数或人工计数的方法。
由上述实施例可知,根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
实施例2
本发明实施例还提供了一种电子设备,图8是本发明实施例2的电子设备的结构示意图。如图8所示,电子设备800包括运动物体的计数装置801,其中,运动物体的计数装置801的结构和功能与实施例1中的记载相同,此处不再赘述。
图9是本发明实施例2的电子设备的系统构成的一示意框图。如图9所示,电子设备900可以包括中央处理器901和存储器902;存储器902耦合到中央处理器901。该图是示例性的;还可以使用其它类型的结构,来补充或代替该结构,以实现电信功能或其它功能。
如图9所示,该电子设备900还可以包括:输入单元903、显示器904、电源905。
在一个实施方式中,实施例1所述的运动物体的计数装置的功能可以被集成到中央处理器901中。其中,中央处理器901可以被配置为:对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
其中,所述对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分,包括:检测当前帧的预定区域中的运动物体;根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集;根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
其中,所述根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集,包括:在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置匹配的情况下,根据检测到的运动物体的位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹;在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置不匹配的情况下,建立当前帧检测到的所述运动物体的运动物体轨迹,并根据所述预测位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹。
其中,所述根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分,包括:在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分加上在当前帧以及当前帧之前连续检测到所述运动物体的次数;在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧没有连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分减1。
其中,中央处理器901还可以被配置为:将所述运动物体轨迹集中距离小于预定阈值的两个运动物体轨迹合并;所述根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数,包括:根据去除以及合并后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
在另一个实施方式中,实施例1所述的运动物体的计数装置可以与中央处理器901分开配置,例如可以将运动物体的计数装置配置为与中央处理器901连接的芯片,通过中央处理器901的控制来实现定位装置的功能。
在本实施例中电子设备900也并不是必须要包括图9中所示的所有部件。
如图9所示,中央处理器901有时也称为控制器或操作控件,可以包括微处理器或其它处理器装置和/或逻辑装置,中央处理器901接收输入并控制电子设备900的各个部件的操作。
存储器902,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。并且中央处理器901可执行该存储器902存储的该程序,以实现信息存储或处理等。其它部件的功能与现有类似,此处不再赘述。电子设备900的各部件可以通过专用硬件、固件、软件或其结合来实现,而不偏离本发明的范围。
由上述实施例可知,根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
实施例3
本发明实施例还提供一种运动物体的计数方法,其对应于实施例1的运动物体的计数装置。图10是本发明实施例3的运动物体的计数方法的流程图。如图10所示,该方法包括:
步骤1001:对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;
步骤1002:去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;
步骤1003:根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
在本实施例中,检测运动物体的方法、建立运动物体轨迹集的方法、对运动物体轨迹集中的各个运动物体轨迹进行评分的方法、去除部分运动物体轨迹集的方法与实施例1中的记载相同,此处不再赘述。
由上述实施例可知,根据连续检测到运动物体的次数对运动物体轨迹集中的各个运动物体轨迹进行评分,并根据运动物体轨迹的得分对运动物体轨迹集中的运动物体轨迹进行筛选,能够保证建立的运动物体轨迹集的过完备性,有效的提高计数的准确性。
本发明实施例还提供一种计算机可读程序,其中当在运动物体的计数装置或电子设备中执行所述程序时,所述程序使得计算机在所述运动物体的计数装置或电子设备中执行实施例3所述的运动物体的计数方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在运动物体的计数装置或电子设备中执行实施例3所述的运动物体的计数方法。
本发明以上的装置和方法可以由硬件实现,也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序,当该程序被逻辑部件所执行时,能够使该逻辑部件实现上文所述的装置或构成部件,或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质,如硬盘、磁盘、光盘、DVD、flash存储器等。
以上结合具体的实施方式对本发明进行了描述,但本领域技术人员应该清楚,这些描述都是示例性的,并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改,这些变型和修改也在本发明的范围内。
Claims (10)
1.一种运动物体的计数装置,包括:
建立单元,所述建立单元用于对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;
过滤单元,所述过滤单元用于去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;
计数单元,所述计数单元用于根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
2.根据权利要求1所述的装置,其中,所述建立单元包括:
检测单元,所述检测单元用于检测当前帧的预定区域中的运动物体;
更新单元,所述更新单元用于根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集;
评分单元,所述评分单元用于根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
3.根据权利要求2所述的装置,其中,所述更新单元包括:
第一更新单元,所述第一更新单元用于在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置匹配的情况下,根据检测到的运动物体的位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹;
第二更新单元,所述第二更新单元用于在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置不匹配的情况下,建立当前帧检测到的所述运动物体的运动物体轨迹,并根据所述预测位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹。
4.根据权利要求2所述的装置,其中,所述评分单元包括:
第一评分单元,所述第一评分单元用于在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分加上在当前帧以及当前帧之前连续检测到所述运动物体的次数;
第二评分单元,所述第二评分单元用于在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧没有连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分减1。
5.根据权利要求1所述的装置,其中,
所述过滤单元还用于将所述运动物体轨迹集中距离小于预定阈值的两个运动物体轨迹合并;
所述计数单元,所述计数单元用于根据去除以及合并后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
6.一种运动物体的计数方法,包括:
对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分;
去除所述运动物体轨迹集中的运动物体轨迹的得分小于或等于预定阈值的运动物体轨迹;
根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
7.根据权利要求6所述的方法,其中,所述对于监控视频的每一帧图像,检测运动物体,根据检测到的运动物体建立所述监控视频的运动物体轨迹集,并根据在所述运动物体轨迹集的各个运动物体轨迹中连续检测到运动物体的次数,对各个运动物体轨迹进行评分,包括:
检测当前帧的预定区域中的运动物体;
根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集;
根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分。
8.根据权利要求7所述的方法,其中,所述根据当前帧检测到的运动物体的位置以及前一帧的运动物体轨迹对于运动物体的预测位置,更新前一帧的运动物体轨迹或建立运动物体轨迹,从而更新当前帧的运动物体轨迹集,包括:
在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置匹配的情况下,根据检测到的运动物体的位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹;
在当前帧检测到的运动物体的位置与前一帧的运动物体轨迹对于运动物体的预测位置不匹配的情况下,建立当前帧检测到的所述运动物体的运动物体轨迹,并根据所述预测位置更新前一帧的所述运动物体轨迹,形成当前帧的更新后的所述运动物体轨迹。
9.根据权利要求7所述的方法,其中,所述根据更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧以及当前帧之前连续检测到运动物体的次数,确定当前帧的各个运动物体轨迹的得分,包括:
在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分加上在当前帧以及当前帧之前连续检测到所述运动物体的次数;
在更新后的当前帧的运动物体轨迹集中的各个运动物体轨迹在当前帧相对于前一帧没有连续检测到运动物体的情况下,将当前帧的所述运动物体轨迹的得分确定为前一帧的所述运动物体轨迹的得分减1。
10.根据权利要求6所述的方法,其中,所述方法还包括:
将所述运动物体轨迹集中距离小于预定阈值的两个运动物体轨迹合并;
所述根据去除后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数,包括:
根据去除以及合并后的运动物体轨迹集中的运动物体轨迹,进行运动物体的计数。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463048.0A CN106408080B (zh) | 2015-07-31 | 2015-07-31 | 运动物体的计数装置及方法 |
US15/212,876 US9870510B2 (en) | 2015-07-31 | 2016-07-18 | Apparatus and method for counting moving objects |
JP2016146249A JP6819118B2 (ja) | 2015-07-31 | 2016-07-26 | 移動物体の計数装置及び方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510463048.0A CN106408080B (zh) | 2015-07-31 | 2015-07-31 | 运动物体的计数装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408080A true CN106408080A (zh) | 2017-02-15 |
CN106408080B CN106408080B (zh) | 2019-01-01 |
Family
ID=57886490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510463048.0A Active CN106408080B (zh) | 2015-07-31 | 2015-07-31 | 运动物体的计数装置及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9870510B2 (zh) |
JP (1) | JP6819118B2 (zh) |
CN (1) | CN106408080B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885789A (zh) * | 2017-03-03 | 2018-11-23 | 华为技术有限公司 | 一种针对人体运动的计数方法及装置 |
CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10853965B2 (en) | 2017-08-07 | 2020-12-01 | Standard Cognition, Corp | Directional impression analysis using deep learning |
US11250376B2 (en) | 2017-08-07 | 2022-02-15 | Standard Cognition, Corp | Product correlation analysis using deep learning |
US11200692B2 (en) | 2017-08-07 | 2021-12-14 | Standard Cognition, Corp | Systems and methods to check-in shoppers in a cashier-less store |
US11023850B2 (en) | 2017-08-07 | 2021-06-01 | Standard Cognition, Corp. | Realtime inventory location management using deep learning |
US10474988B2 (en) | 2017-08-07 | 2019-11-12 | Standard Cognition, Corp. | Predicting inventory events using foreground/background processing |
US10650545B2 (en) | 2017-08-07 | 2020-05-12 | Standard Cognition, Corp. | Systems and methods to check-in shoppers in a cashier-less store |
US11232687B2 (en) | 2017-08-07 | 2022-01-25 | Standard Cognition, Corp | Deep learning-based shopper statuses in a cashier-less store |
US10474991B2 (en) | 2017-08-07 | 2019-11-12 | Standard Cognition, Corp. | Deep learning-based store realograms |
TWI686748B (zh) * | 2018-12-07 | 2020-03-01 | 國立交通大學 | 人流分析系統及人流分析方法 |
US11232575B2 (en) | 2019-04-18 | 2022-01-25 | Standard Cognition, Corp | Systems and methods for deep learning-based subject persistence |
US11361468B2 (en) | 2020-06-26 | 2022-06-14 | Standard Cognition, Corp. | Systems and methods for automated recalibration of sensors for autonomous checkout |
US11303853B2 (en) | 2020-06-26 | 2022-04-12 | Standard Cognition, Corp. | Systems and methods for automated design of camera placement and cameras arrangements for autonomous checkout |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262568A (zh) * | 2008-04-21 | 2008-09-10 | 中国科学院计算技术研究所 | 一种产生视频大纲的方法和系统 |
CN103839276A (zh) * | 2012-11-27 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于预测的运动跟踪方法 |
US20140334668A1 (en) * | 2013-05-10 | 2014-11-13 | Palo Alto Research Center Incorporated | System and method for visual motion based object segmentation and tracking |
CN104637058A (zh) * | 2015-02-06 | 2015-05-20 | 武汉科技大学 | 一种基于图像信息的客流量识别统计方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3920535B2 (ja) * | 2000-06-12 | 2007-05-30 | 株式会社日立製作所 | 車両検出方法及び車両検出装置 |
JP4600929B2 (ja) * | 2005-07-20 | 2010-12-22 | パナソニック株式会社 | 停止低速車両検出装置 |
JP2007065878A (ja) * | 2005-08-30 | 2007-03-15 | Central Res Inst Of Electric Power Ind | 水面または水中における移動体計数方法、計数装置および計数プログラム |
US8325981B2 (en) * | 2009-04-21 | 2012-12-04 | Nec Soft, Ltd. | Human tracking apparatus, human tracking method, and human tracking processing program |
CN106570557A (zh) * | 2015-10-13 | 2017-04-19 | 富士通株式会社 | 运动物体的计数装置及方法 |
-
2015
- 2015-07-31 CN CN201510463048.0A patent/CN106408080B/zh active Active
-
2016
- 2016-07-18 US US15/212,876 patent/US9870510B2/en active Active
- 2016-07-26 JP JP2016146249A patent/JP6819118B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101262568A (zh) * | 2008-04-21 | 2008-09-10 | 中国科学院计算技术研究所 | 一种产生视频大纲的方法和系统 |
CN103839276A (zh) * | 2012-11-27 | 2014-06-04 | 大连灵动科技发展有限公司 | 一种基于预测的运动跟踪方法 |
US20140334668A1 (en) * | 2013-05-10 | 2014-11-13 | Palo Alto Research Center Incorporated | System and method for visual motion based object segmentation and tracking |
CN104637058A (zh) * | 2015-02-06 | 2015-05-20 | 武汉科技大学 | 一种基于图像信息的客流量识别统计方法 |
Non-Patent Citations (1)
Title |
---|
胡敏: "基于视频图像的人群检测与分析研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108885789A (zh) * | 2017-03-03 | 2018-11-23 | 华为技术有限公司 | 一种针对人体运动的计数方法及装置 |
CN110084308A (zh) * | 2019-04-30 | 2019-08-02 | 杭州远眺科技有限公司 | 一种基于车辆轨迹分析构建通勤路径的方法 |
Also Published As
Publication number | Publication date |
---|---|
US9870510B2 (en) | 2018-01-16 |
CN106408080B (zh) | 2019-01-01 |
JP2017033553A (ja) | 2017-02-09 |
US20170032193A1 (en) | 2017-02-02 |
JP6819118B2 (ja) | 2021-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408080A (zh) | 运动物体的计数装置及方法 | |
CN106652445B (zh) | 一种公路交通事故判别方法及装置 | |
CN106023595B (zh) | 一种异常停车的判断方法、装置及球型摄像机 | |
CN109948582B (zh) | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 | |
JP6511283B2 (ja) | 物体検知装置 | |
CN105574543B (zh) | 一种基于深度学习的车辆品牌型号识别方法和系统 | |
CN111274982B (zh) | 抛洒物的识别方法、装置及存储介质 | |
Chougule et al. | Reliable multilane detection and classification by utilizing CNN as a regression network | |
CN105260713A (zh) | 一种车道线检测方法和装置 | |
CN104424808B (zh) | 一种导航提示方法及装置、导航系统 | |
Yu et al. | Zero-virus: Zero-shot vehicle route understanding system for intelligent transportation | |
CN105512618B (zh) | 视频跟踪方法 | |
CN109285341A (zh) | 一种基于实时视频的城市道路车辆异常停驶检测方法 | |
CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN103646253A (zh) | 基于乘客多运动行为分析的公交车客流统计方法 | |
CN105426858A (zh) | 一种基于视觉和振动信息融合的地面类型辨识方法 | |
CN106991357A (zh) | 基于全景视频的自动识别篮球比赛投篮和进球的算法 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN104168444A (zh) | 一种跟踪球机的目标跟踪方法及跟踪球机 | |
CN111583660B (zh) | 车辆转向行为检测方法、装置、设备及存储介质 | |
CN106570557A (zh) | 运动物体的计数装置及方法 | |
Zaki et al. | Use of computer vision to identify pedestrians' nonconforming behavior at urban intersections | |
Chen et al. | A precise information extraction algorithm for lane lines | |
CN115512107A (zh) | 基于机器视觉的道路抛洒物检测追踪方法和系统 | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation |
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 |