CN106600628B - 一种基于红外热像仪的目标物识别的方法与装置 - Google Patents

Abstract

本发明公开了一种基于红外热像仪的目标物识别的方法及装置，该方法包括以下步骤：获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则执行下一步；根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息。本发明能够实现对告警输出的精准控制，当用户需要只针对一种或几种相近的告警目标物时，可以设置与告警目标物相对应的矢量范围来锁死触发告警的目标物，使其他的目标物不会触发告警，这样用户使用起来更方便，而且能使系统的应用场景更广泛，更少的误报率。

Description

一种基于红外热像仪的目标物识别的方法与装置

技术领域

本发明属于计算机视觉及机器视觉技术领域，尤其涉及一种基于红外热像仪的目标物识别的方法及装置。

背景技术

智能视频监测系统是最近这些年来计算机视觉及机器视觉领域内发展较快，而且研究的较多的一个应用方向。这种系统能够利用计算机或机器视觉技术对采集到的图像信号进行处理和分析甚至理解，并在此基础上对视频监控系统进行进一步的操作和处理，根据不同的情境做出不同的响应，从而使智能视频监控系统具备更好的智能性和更宽广的应用领域。近些年来，智能视频监测系统主要涉及到机器视觉、计算机视觉、图像处理、人工智能和模式识别等多方面的知识，

从目前的研究看，智能视频监测系统主要技术包括：移动目标的检测、目标的分类、运动目标的跟踪、目标行为的理解与描述。就目标跟踪而言，视频监控系统又可以分为单摄像机系统、多摄像机系统和立体系统。

目前市场上大多数智能视频监测设备都是基于可见光的应用，而且多数都是使用了基于颜色分布或其他特征信息进行对图像的处理，目前常用的用于运动目标监测的算法有背景差分法、帧间差分法和光流算法等，但这些算法在实际应用中都会有很大的困难，因为这些算法都容易受到在实际环境中目标运动的巨大复杂性以及视频数据复杂性和特殊性的影响，其中目标物到的大小、运动的速度、运动的轨迹、目标的颜色和背景颜色的相似程度、背景的稳定程度都是其中较为重要的影响因素。

另一方面，市场上各种基于各种红外热像仪的智能监测告警方法都不相同，但目前的智能监测告警系统，都有很大的告警范围，而且告警条件不可控，这就造成了很高的误报率，并且不能够准确识别进入到告警范围的目标的状态。

发明内容

为了克服现有技术的不足，本发明的目的之一在于提供一种基于红外热像仪的目标物识别的方法，其能解决闯入目标的身份识别及数量统计的技术问题。

本发明的目的之二在于提供一种基于红外热像仪的目标物识别的装置，其能解决闯入目标的身份识别及数量统计的技术问题。

本发明的目的之一采用以下技术方案实现：

一种基于红外热像仪的目标物识别的方法，包括以下步骤：

S1：接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

S2：获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

S3：将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行步骤S4；

S4：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息。

优选的，步骤S3具体包括以下子步骤：

S301：获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

S302：将当前帧的像素点灰度值与上一帧/或前几帧的相对应坐标的像素点灰度值进行对比；

S303：得到当前帧的像素点灰度值与上一帧/或前几帧的像素点灰度值的差值；

S304：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。

优选的，步骤S3具体包括以下子步骤：

S310：获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

S320：将当前帧所有像素点灰度值的平均值与上一帧/或前几帧的所有的像素点灰度值的平均值进行对比；

S330：得到当前帧像素点灰度值的平均值与上一帧/或前几帧的像素点灰度值的平均值的差值；

S340：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。

优选的，步骤S4具体包括以下子步骤：

S401：获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

S402：根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；

S403：记录闯入目标的身份信息及数量并产生相应的告警信息。

优选的，步骤S402具体包括以下子步骤：

S4021：根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行S4022，如果不存在，则执行S4023；

S4022：确定闯入目标的身份信息并执行步骤S4024；

S4023：接收用户设定的该闯入目标的身份信息并执行步骤S4024；

S4024：统计所有闯入目标的身份信息及相应的数量。

本发明的目的之二采用以下技术方案实现：

一种基于红外热像仪的目标物识别的装置，包括以下模块：

告警设置模块：用于接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

数据获取模块：用于获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

比较模块：用于将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行告警模块；

告警模块：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息。

优选的，比较模块具体包括以下子模块：

第一信息获取模块：用于获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

第一灰度值对比模块：用于将当前帧的像素点灰度值与上一帧/或前几帧的相对应坐标的像素点灰度值进行对比；

第一差值计算模块：用于得到当前帧的像素点灰度值与上一帧/或前几帧的像素点灰度值的差值；

第一判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

优选的，比较模块具体包括以下子模块：

第二信息获取模块：用于获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

第二灰度值对比模块：用于将当前帧所有像素点灰度值的平均值与上一帧/或前几帧的所有的像素点灰度值的平均值进行对比；

第二差值计算模块：用于得到当前帧像素点灰度值的平均值与上一帧/或前几帧的像素点灰度值的平均值的差值；

第二判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

优选的，告警模块具体包括以下子模块：

模型获取模块：用于获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

第一统计模块：用于根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；

信息记录模块：用于记录闯入目标的身份信息及数量并产生相应的告警信息。

优选的，该第一统计模块具体包括以下子模块：

第三判断模块：用于根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行身份确认模块，如果不存在，则执行身份设定模块；

身份确认模块：用于确定闯入目标的身份信息并执行第二统计模块；

身份设定模块：用于接收用户设定的该闯入目标的身份信息并执行第二统计模块；

第二统计模块：用于统计所有闯入目标的身份信息及相应的数量。

相比现有技术，本发明的有益效果在于：

本发明能够实现对告警输出的精准控制，当用户需要只针对一种或几种相近的告警目标物时，可以设置与告警目标物相对应的矢量范围来锁死触发告警的目标物，使其他的目标物不会触发告警，这样用户使用起来更方便，而且能使系统的应用场景更广泛，更少的误报率。

附图说明

图1为本发明的基于红外热像仪的目标物识别的方法的流程图；

图2为本发明的基于红外热像仪的目标物识别的装置的结构图；

图3为闯入目标像素点的模型。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

如图1所示，本实施例提供了一种基于红外热像仪的目标物识别的方法，包括以下步骤：

S1：接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

S2：获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

S3：将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行步骤S4；在这一步主要是需要对闯入目标物进行侦测，本系统是基于红外热像仪的裸数据的移动或闯入侦测方法，其中的红外裸数据指的即是该像素点的灰度值或者说是亮度值，最黑的像素裸数据为0，最白的像素裸数据为55296，整个图像各个像素点的裸数据的值都分布在0—55296之间；其采用的是像素点分割的区域划分方法，当设备从红外热像仪拿到一个扫描位置的图像时，同时可以获得该帧图像的所有像素点的原始裸数据，系统根据以上的方法可以从这些裸数据中筛选出系统需要的有效的裸数据，即处于设定的闯入预警区域内的像素点的裸数据，筛选出来的裸数据，进而确定是否有物体闯入告警区域内；该阈值比较方式主要有两种方式一种是逐个对比法，另一种是均值对比法；

在下述步骤中先对逐个对比法的方式进行详细阐述，步骤S3具体包括以下子步骤：

S301：获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

S302：得到当前帧的像素点灰度值与上一帧/或前几帧的相对应的像素点灰度值的差值；

S303：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。也即是系统通过红外摄像机取到每一帧的裸数据后，先将闯入预警区域内的所有像素点的坐标找出，然后与的前面一帧数据里对应坐标的像素点的裸数据值进行比较，如果某些像素点的裸数据变化的差值超过设定的灵敏度对应的阈值时，即判定为有物体闯入触发了告警，告警的物体在该版面内表现为那些差值发生超限的像素点。

在下述步骤中对均值对比法的式进行详尽的阐述，步骤S3具体包括以下子步骤：

S310：获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

S320：得到当前帧像素点灰度值的平均值与上一帧/或前几帧的像素点灰度值的平均值的差值；

S330：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。也即是红外摄像机取到每一帧的裸数据后，先将闯入预警区域内的所有像素点的坐标找出，同时计算出这些像素点的数据值的平均值，然后用这个平均值与前面一帧数据的这些像素点求出的平均值进行比较，如果两个均值的差值超过了设定的阈值，那么即判定有物体闯入触发了告警,告警的物体在该版面表现为那些差值发生超限的像素点。

S4：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息。步骤S4具体包括以下子步骤：

S401：获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

S402：根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；步骤S402具体包括以下子步骤：

S4021：根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行S4022，如果不存在，则执行S4023；

S4022：确定闯入目标的身份信息并执行步骤S4024；

S4023：接收用户设定的该闯入目标的身份信息并执行步骤S4024；

S4024：统计所有闯入目标的身份信息及相应的数量。

S403：记录闯入目标的身份信息及数量并产生相应的告警信息。

本发明的具体的工作原理：

当确定了闯入目标物后，系统会统计并记录下来每一个目标物的像素点的数量(即面积矢量)以及像素点的形状分布(即目标物像素点的层数，以及每一层像素点的个数)，同时系统从特定的测距装置获得设备到该目标物的距离，然后系统根据距离与像素点数和实际目标物的大小/面积关系，可以获取实际目标物的大小(包括宽度和高度)，最后再经过系统的像素点的形状统计算法来判定闯入的具体目标。其中系统的距离与像素点数和实际目标物的大小/面积关系，是经过实际测试和模拟出来的，该曲线方程为：

F(x)＝8.61×10^-14x⁵-2.58×10^-10x⁴+2.86×10^-7x³+0.02x-0.11

其中F(x)为屏幕上10个像素点长度对应的实际物体的长度(单位：米)，x为目标物与前端设备之间的距离(单位：米)，系统取x轴上方为有效数据。系统得到距离x后根据上述的公式可以计算出闯入目标物的大致尺寸，从而可以描述出该闯入目标的实际的具体形状。

当系统确定了目标物后，系统会将所有闯入目标物的像素点数量和形状记录下来，该版面上的闯入的人、人与电动车侧面、轿车侧面、大型货车侧面等交通工具的像素点放大后形如下图3所示，系统经过大量的车辆、行人等闯入目标物的像素点模型统计，总结出一套闯入目标物的像素点的模型算法。

系统的像素点的形状模型统计算法实现的描述：在每一个告警图片上，每一个闯入目标均显示为一个像素点构成的目标块，每一个目标块由多少层像素点构成，每一层有多少像素点构成，将这些数据用二维数组记录下来，然后分别对比每一层的像素点的个数，就可以确定出闯入目标物的大致形状，假设像素点形状满足“人”形闯入目标块的特征，再结合该闯入目标物的大小，即可判定闯入目标物是否为真的人。

同时该系统还有学习标定的功能：如上所述，如果闯入目标物满足人的面积矢量的要求且满足“人”的形状特征，即可判定该闯入目标为人；若满足车的面积矢量要求，且满足“车”的形状特征，即可判定该闯入目标物为车。当闯入目标物不满足系统提供的所有的的任意一种模型条件，系统会判定为未知闯入目标物，此时系统会提示用户对闯入未知目标物标定为特定的名称s，系统会将该目标物的形状特征数据(即像素点的层数、每层像素点的个数和该目标物的面积矢量)与该设定的名称s进行绑定，下次系统再次发现与该s目标物面积矢量和形状特征均相似的闯入目标，系统就会判定为s类目标触发闯入告警。

模型比对过程中像素点数量会存在一定的误差，该误差也随距离的拉远而增大，所以不同的距离段同时应对应相应的像素点数量的误差率。

在本发明中主要采用三种控制方法来进行控制：面积矢量控制方法、数量统计算法和线型/多边形边界矢量控制方法；

面积矢量控制方法：触发告警的目标物，在告警的版面内就体现为热源块，而每个热源块又是由若干个相连的像素点组成的，这些像素点是那些超过了上述的辐射量矢量(I/O矢量)的像素点，系统会对每个热源块的像素点总数量进行统计计数，本系统定义为面积矢量，用户可以根据自身需要设定适当的面积矢量的范围；

从而使处在该面积矢量范围内的目标物才会触发告警，而大于或小于该设定的面积矢量范围的目标物均不会触发告警。

如目标物距设备200米时，行人的像素点总数量范围为2-3个，电动车的像素点范围为4-6个，轿车的像素点数量范围为12-15个，而大型货车像素点数量范围为45-55个，此时用户分别设定不同的像素点的面积矢量的范围(最小值和最大值)，即可锁定对应的这几种闯入目标的告警。如设定面积矢量范围为12-15，则只有轿车闯入会触发告警，如设定面积矢量范围为2-6，则只有行人和电动车的闯入会触发告警。

数量统计方法：当系统区分出每一个目标物后，需要进行数量统计，本系统的数量统计的方法是基于闯入区域内的像素点的裸数据的基础上的。红外摄像机取到每一帧的数据(指经过系统的基础测温模型进行相应的距离、环温以及面积补偿后的数据，前面专利有补偿方法)后，先将闯入预警区域内的所有像素点的坐标找出，同时计算出这些像素点的数据值的平均值，然后用这个平均值与前面一帧数据的这些像素点求出的平均值进行比较，当均值的增大值值高于某个阈值时，即判定为有闯入目标物，然后经过前面区分的方法进行区分，可以识别出具体的目标物，闯入目标物的数量表现为版面内热源块增加的数量，闯入的目标物表现为增加的某一种或几种热源块，根据该增加的数据分别对每一种闯入的目标物进行统计“加”计数，目标闯入后，在闯入区域内移动不会引起该区域内的均值的变化，而当有一个或几个目标物脱离闯入区域时，均值会降低，根据区分出的每种热源块数量的减少即可对每一种目标物进行“减”计数。此时系统即可实时获得在该闯入区域内的每一种闯入目标物的数量。

线型/多边形边界矢量控制方法：本系统可以实现闯入目标物的闯入和移动智能监测，用户可以根据自身需要在监测场景的全景图上任意划分闯入区域，闯入区域包括有线型和多边形，线型的闯入区域是指有目标物闯过线型边界，系统会触发告警；多边形的闯入区域是指有目标物闯入多边形内部会触发告警；若闯入区域只是线型或多边形的边界，而不是多边形内部(如只监测翻越围墙的人员，即可只设定多边形边界的闯入区域)，这时就需要一个线型或多边形的宽度来设定闯入的区域，线型或多边形的宽度在监测版面内体现为像素点，单位是像素点的个数，而线型/多边形边界宽度矢量的划分是指以线型和多边形为中心向两边分别各延伸宽度矢量的一半。

面积矢量可以锁死告警物体在版面内所占的像素点的数量范围；辐射量矢量可以锁死不同环境温度下的各类告警物体的不同的辐射量变化范围；通过这两种矢量控制，即可实现对各种告警目标物告警的精准管控，尽可能地降低误报率，使系统更智能化。

线型/多边形边界宽度矢量则可以实现闯入场景的多元化，使系统的应用场景更广泛，使用更灵活。

如图2所示，本实施例提供了一种基于红外热像仪的目标物识别的装置，包括以下模块：

告警设置模块：用于接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

数据获取模块：用于获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

比较模块：用于将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行告警模块；该比较模块可以有两种对比方式，一种是逐个对比，如下述方式，比较模块具体包括以下子模块：

第一信息获取模块：用于获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

第一差值计算模块：用于得到当前帧的像素点灰度值与上一帧/或前几帧的相对应像素点灰度值的差值；

第一判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

另一种是均值比较法，该情况下，比较模块具体包括以下子模块：

第二信息获取模块：用于获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

第二差值计算模块：用于得到当前帧像素点灰度值的平均值与上一帧/或前几帧的像素点灰度值的平均值的差值；

第二判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

告警模块：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息。告警模块具体包括以下子模块：

模型获取模块：用于获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

第一统计模块：用于根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；该第一统计模块具体包括以下子模块：

第三判断模块：用于根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行身份确认模块，如果不存在，则执行身份设定模块；

身份确认模块：用于确定闯入目标的身份信息并执行第二统计模块；

身份设定模块：用于接收用户设定的该闯入目标的身份信息并执行第二统计模块；

第二统计模块：用于统计所有闯入目标的身份信息及相应的数量。

信息记录模块：用于记录闯入目标的身份信息及数量并产生相应的告警信息。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (6)

1.一种基于红外热像仪的目标物识别的方法，其特征在于，包括以下步骤：

S1：接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

S2：获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

S3：将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行步骤S4；

S4：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息；

其中，步骤S4具体包括以下子步骤：

S401：获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

其中，抽象模型为像素点的形状模型，通过记录目标物的像素点的数量以及像素点的形状分布，以及目标物距离测距装置的距离，根据距离与像素点数和实际目标物的大小关系，获取实际目标物的大小；最后再经过系统的像素点的形状统计算法来判定闯入的具体目标；

S402：根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；

S403：记录闯入目标的身份信息及数量并产生相应的告警信息；

其中，步骤S402具体还包括以下子步骤：

S4021：根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行S4022，如果不存在，系统会判定为未知闯入目标，并会提示用户对未知闯入目标标定名称，再将所述未知闯入目标的身份信息与所述名称绑定，随后执行S4023；

S4022：确定闯入目标的身份信息并执行步骤S4024；

S4023：接收用户设定的该闯入目标的身份信息并执行步骤S4024；

S4024：统计所有闯入目标的身份信息及相应的数量。

2.如权利要求1所述的基于红外热像仪的目标物识别的方法，其特征在于，步骤S3具体包括以下子步骤：

S301：获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

S302：得到当前帧的像素点灰度值与上一帧或前几帧的相对应的像素点灰度值的差值；

S303：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。

3.如权利要求1所述的基于红外热像仪的目标物识别的方法，其特征在于，步骤S3具体包括以下子步骤：

S310：获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

S320：得到当前帧像素点灰度值的平均值与上一帧或前几帧的像素点灰度值的平均值的差值；

S330：判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行步骤S4。

4.一种基于红外热像仪的目标物识别的装置，其特征在于，包括以下模块：

告警设置模块：用于接收用户在红外热像仪拍摄图像上设置的告警区域，并设置与该告警区域对应的告警规则，该告警规则为一预设阈值；

数据获取模块：用于获取红外热像仪拍摄到的红外图像数据，该红外图像数据包括像素点位置和像素点灰度值；

比较模块：用于将获取到的告警区域内的像素点灰度值与该告警区域的预设阈值进行比较，如果大于该预设阈值，则显示告警区域内有闯入目标并执行告警模块；

告警模块：根据像素点位置得到红外图像数据中的闯入目标的身份信息及数量并产生相应的告警信息；

其中，告警模块具体包括以下子模块：

模型获取模块：用于获取该闯入目标的所有的像素点位置并根据模型统计算法计算到闯入目标的抽象模型；

其中，抽象模型为像素点的形状模型，通过记录目标物的像素点的数量以及像素点的形状分布，以及目标物距离测距装置的距离，根据距离与像素点数和实际目标物的大小关系，获取实际目标物的大小；最后再经过系统的像素点的形状统计算法来判定闯入的具体目标；

第一统计模块：用于根据抽象模型确认闯入目标的身份信息，并统计所有闯入目标的数量；

信息记录模块：用于记录闯入目标的身份信息及数量并产生相应的告警信息；

其中，第一统计模块具体包括以下子模块：

第三判断模块：用于根据模型数据库判断是否存在闯入目标的抽象模型，如果存在，则执行身份确认模块，如果不存在，会判定其为未知闯入目标，提示用户对未知闯入目标标定名称，并将未知闯入目标的形状特征数据与该名称绑定，随后执行身份设定模块，下次符合所述名称的闯入目标再次闯入就会触发闯入告警；

身份确认模块：用于确定闯入目标的身份信息并执行第二统计模块；

身份设定模块：用于接收用户设定的该闯入目标的身份信息并执行第二统计模块；

第二统计模块：用于统计所有闯入目标的身份信息及相应的数量。

5.如权利要求4所述的基于红外热像仪的目标物识别的装置，其特征在于，比较模块具体包括以下子模块：

第一信息获取模块：用于获取当前帧的告警区域内所有的像素点位置，并获得与该像素点位置对应的像素点灰度值；

第一差值计算模块：用于得到当前帧的像素点灰度值与上一帧或前几帧的相对应像素点灰度值的差值；

第一判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

6.如权利要求4所述的基于红外热像仪的目标物识别的装置，其特征在于，比较模块具体包括以下子模块：

第二信息获取模块：用于获取当前帧的告警区域内所有像素点位置对应的像素点灰度值，并计算得到所有像素点灰度值的平均值；

第二差值计算模块：用于得到当前帧像素点灰度值的平均值与上一帧或前几帧的像素点灰度值的平均值的差值；

第二判断模块：用于判断该差值是否大于该告警区域的预设阈值，如果是，则显示告警区域内有闯入目标并执行告警模块。

Images