CN106846357A - 一种可疑物检测方法及装置 - Google Patents

一种可疑物检测方法及装置 Download PDF

Info

Publication number
CN106846357A
CN106846357A CN201611163519.7A CN201611163519A CN106846357A CN 106846357 A CN106846357 A CN 106846357A CN 201611163519 A CN201611163519 A CN 201611163519A CN 106846357 A CN106846357 A CN 106846357A
Authority
CN
China
Prior art keywords
time
target
motion
kept
camera
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
Application number
CN201611163519.7A
Other languages
English (en)
Inventor
吴军
屈景春
李腾
谭海燕
张辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Keyser Polytron Technologies Inc
Original Assignee
Chongqing Keyser Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Keyser Polytron Technologies Inc filed Critical Chongqing Keyser Polytron Technologies Inc
Priority to CN201611163519.7A priority Critical patent/CN106846357A/zh
Publication of CN106846357A publication Critical patent/CN106846357A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供了一种可疑物检测方法及装置，属于图像处理领域。该方法包括：计算机实时接收所述摄像头采集的视频信息；以预先保存的背景图像为基础，采用运动目标检测算法获取视频信息的每帧图像中处于运动状态的目标；基于运动目标跟踪算法，对视频信息进行图像分割，得到处于运动状态的目标在摄像头的监控区域内的敏感时间，敏感时间为处于运动状态的目标在摄像头的监控区域内的停留时间或消失时间；将敏感时间与第一预设时间进行比对；当敏感时间超过第一预设时间，基于支持向量机分类算法判断处于运动状态的目标是否为可疑物。该方法用来检测滞留时间异常的可疑物，以减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患。

Description

一种可疑物检测方法及装置
技术领域
本发明涉及图像处理领域，具体而言，涉及一种可疑物检测方法及装置。
背景技术
随着城市经济的高速发展、城市区域范围的扩大以及城市人口增加等因素，目前城市治安管理面临的压力也越来越大，而公安警力的增加远不能满足实际的需求，传统的人力防范和事后处理为主的公安管理模式已经开始制约城市治安管理水平的进一步提高，特别是受恐怖袭击的影响，滞留时间异常的可疑物已经对机场、火车站、地铁站、银行ATM机等公众场合造成了巨大的安全隐患。
发明内容
有鉴于此，本发明实施例的目的在于提供一种可疑物检测方法及装置，用来检测滞留时间异常的可疑物，以减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患。
第一方面，本发明实施例提供了一种可疑物检测方法，应用于可疑物检测系统，所述系统包括摄像头以及计算机，所述方法包括：所述计算机实时接收所述摄像头采集的视频信息；以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；将所述敏感时间与第一预设时间进行比对；当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。该方法可以用来检测滞留时间异常的可疑物，以减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患。
第二方面，本发明实施例提供了一种可疑物检测装置，应用于可疑物检测系统，所述系统包括摄像头以及计算机，所述装置包括：接收模块，用于实时接收所述摄像头采集的视频信息；第一获取模块，用于以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；分割模块，用于基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；比对模块，用于将所述敏感时间与第一预设时间进行比对；计算模块，用于当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；判断模块，用于根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。该装置可以用来检测滞留时间异常的可疑物，以减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患。
与现有技术相比，本发明各实施例提出的一种可疑物检测方法及装置的有益效果是：通过对摄像头监测区域内，处于运动状态的目标进行检测，跟踪，计算出所述处于运动状态的目标的敏感时间，若所述敏感时间超过预设时间，判断所述处于运动状态的目标是否为可疑物，从而减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的计算机的结构框图；
图2为本发明第一实施例提供的一种可疑物检测方法的流程图；
图3为本发明第二实施例提供的一种可疑物检测方法的流程图；
图4为本发明第三实施例提供的一种可疑物检测方法的流程图；
图5为本发明第四实施例提供的一种可疑物检测装置的结构框图；
图6为本发明第五实施例提供的一种可疑物检测装置的结构框图；
图7为本发明第六实施例提供的一种可疑物检测装置的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如图1所示，是计算机100的方框示意图。所述计算机100包括：可疑物检测装置、存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160、显示单元170。
所述存储器110、存储控制器120、处理器130、外设接口140、输入输出单元150、音频单元160以及显示单元170各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述一种可疑物检测装置包括至少一个可以软件或固件(firmware)的形式存储于所述存储器中或固化在所述客户端设备的操作系统(operating system，OS)中的软件功能模块。所述处理器130用于执行存储器110中存储的可执行模块，例如所述一种可疑物检测装置400包括的软件功能模块或计算机程序。
其中，存储器110可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器110用于存储程序，所述处理器130在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器130中，或者由处理器130实现。
处理器130可能是一种集成电路芯片，具有信号的处理能力。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述外设接口140将各种输入/输入装置耦合至处理器130以及存储器110。在一些实施例中，外设接口140，处理器130以及存储控制器120可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
输入输出单元150用于提供给用户输入数据实现用户与计算机100的交互。所述输入输出单元150可以是，但不限于，鼠标和键盘等。
音频单元160向用户提供音频接口，其可包括一个或多个麦克风、一个或者多个扬声器以及音频电路。
显示单元170在计算机100与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本实施例中，所述显示单元170可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器130进行计算和处理。
第一实施例
请参照图2，图2是本发明第一实施例提供的一种可疑物检测方法的流程图，所述方法应用于可疑物检测系统，所述系统包括摄像头以及计算机。下面将对图2所示的流程进行详细阐述，所述方法包括：
步骤S110：所述计算机实时接收所述摄像头采集的视频信息。
步骤S120：以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标。
所述运动目标检测算法可以是多高斯模型算法、背景相减法、相邻帧差法、光流法等。
以背景相减法为例，所述计算机将获取到的视频信息按照视频帧序列，分别将每帧图像与所述预先保存的背景图像进行差分相减，得到每帧图像与预先保存的背景图像的差分图像。因此，差分图像表征了在同一坐标下，像素点发生变动的点，即为处于运动状态的点。再将得到的差分图像进行二值化处理，以增强效果，得到每帧图像中处于运动状态的目标。
步骤S130：基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间。
所述运动目标跟踪算法可以是Mean-Shift算法、CamShift、光流法等。
以Mean-Shift算法为例，计算机基于Mean-Shift算法将所述处于运动状态的目标的像素点进行分割，得到处于运动状态的目标的特征像素点，并对视频信息的每帧图像中的特征像素点进行逆向回溯跟踪，以此回溯到目标最开始运动的那一帧图像，并对所述目标最开始运动的那一帧图像进行标记。基于帧差法，计算后续帧中，所述处于运动状态的目标所在的帧与所述被标记的帧之间时间，以此作为敏感时间。
对于一个视野而言，处于运动状态的目标，可能是突然出现，也可能是突然消失，因此，所述敏感时间对于突然出现的物体而言，可以是所述物体在所述摄像头的监控区域内的停留时间。此时，所述物体可能是遗留的包裹、非法张贴的传单、非法安装的设备、非法倾倒的垃圾以及涂鸦等。所述敏感时间对于突然消失而言，可以是所述物体在所述摄像头的监控区域内的消失时间。此时所述物体可能是被移走的重要物品、被破坏的外观或者被盗走的物品等。
步骤S140：将所述敏感时间与第一预设时间进行比对。
进一步地，所述第一预设时间可以是30S。
步骤S150：当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征。
不变矩是描述区域的方法之一，具有不随图像的位置、大小和方向而变化的特点。设所述处于运动状态的目标的七个不变矩特征分别为r1，r2，r3，r4，r5，r6，r7。
设视频图像的数据表达式为f(x,y)，对任意非负整数p、q，在平面R2上的p+q阶矩mpq定义为：
其中，M、N为视频图像f的尺寸。
其p+q阶中心距μpq定义为：其中为重心坐标，
f(x,y)归一化中心距ηpq定义为：其中
故不变矩，r1＝η20+η02，
同时,f(x,y)的直方图p(ri)＝ni/N的不变矩的K阶归一化中心矩为r＝k+1表示f(x,y)的灰度范围。N为像素总数,ni为灰度值为ri的像素个数,
故不变矩，
此组不变矩不受平移、旋转以及大小比例改变的影响，同时，同类目标的特征相似度大，不同目标的特征差异性大。
当所述敏感时间超过所述第一预设时间时，表征所述处于运动状态的目标有可能是可疑物。计算机计算所述处于运动状态的目标的七个不变矩特征，并将所述处于运动状态的目标的七个不变矩特征输入支持向量机进行匹配。
步骤S160：根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
支持向量机是一种分类算法，可以通过预先获取的多类物体的七个不变矩特征，并对获取的每类物体的七个不变矩特征作为输入特征，预先进行训练学习，从而用训练好的支持向量机对目标进行分类，以达到识别目的。
进一步地，将计算得到的目标的七个不变矩特征与训练好的支持向量机进行匹配，若匹配成功，判断所述处于运动状态的目标是否为可疑物。
本发明实施例所提供的可疑物检测方法，通过对摄像头监测区域内，处于运动状态的目标进行检测，跟踪，计算出所述处于运动状态的目标的敏感时间，若所述敏感时间超过预设时间，判断所述处于运动状态的目标是否为可疑物，从而减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患，达到提前预警的目的。
第二实施例
请参照图3，图3是本发明第二实施例提供的一种可疑物检测方法的流程图，所述方法应用于可疑物检测系统，所述系统包括摄像头、计算机以及报警设备。下面将对图3所示的流程进行阐述，所述方法包括：
步骤S210：所述计算机实时接收所述摄像头采集的视频信息。
步骤S220：以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标。
步骤S230：基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间。
步骤S240：将所述敏感时间与第一预设时间进行比对。
步骤S250：当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征。
步骤S260：根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
步骤S270：若所述处于运动状态的目标是可疑物，向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
如果第一预设时间设置太长，则误报会减少，但是报警反应时间长，例如定义成2分钟，则只有在物体遗留或者丢失2分钟以后才会报警。如果可疑物定义时间太短，则报警反应时间短，但是误报会增加，例如定义成1秒钟，则画面中稍有变化都会被报警为可疑物。一般建议设置时间为30秒。
若所述处于运动状态的目标是可疑物，可以基于所述运动目标跟踪算法分割得到的特征，查找到所述视频信息中所述可疑物出现的最初时间和最初位置，标记出距离所述可疑物最近的人，向所述可疑物检测系统发起报警指令，以使所述报警设备报警，方便后续排查。
第三实施例
请参照图4，图4是本发明第三实施例提供的一种可疑物检测方法的流程图，所述方法应用于可疑物检测系统，所述系统包括摄像头以及计算机。下面将对图4所示的流程进行详细阐述，所述方法包括：
步骤S300：所述计算机获取所述摄像头的监控区域在连续时间内的多帧图像信息。
步骤S301：基于混合高斯分布背景模型，对所述多帧图像信息进行建模学习。
步骤S302：将学习后确定的一帧图像作为背景图像进行保存。
由于在实际应用中，伴随着日夜交替、背景扰动、光照变化等问题，若一直采用同一幅背景图像，则会造成较大的误差。因此，所述计算机每隔一个第二预设时间段，可以重新获取所述摄像头的监控区域在连续时间内的多帧图像信息，并再次基于混合高斯分布背景模型，对所述重新获取所述摄像头的监控区域在连续时间内的多帧图像信息重新进行建模学习，将重新学习后确定的一帧图像作为背景图像进行保存。所述第二预设时间段一般取2小时。
步骤S310：所述计算机实时接收所述摄像头采集的视频信息。
步骤S320：以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标。
步骤S330：基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间。
步骤S340：将所述敏感时间与第一预设时间进行比对。
步骤S350：当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征。
步骤S360：根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
第四实施例
请参照图5，图5是本发明第四实施例提供的一种可疑物检测装置的结构框图，该装置400应用于可疑物检测系统，所述系统包括摄像头以及计算机。下面将对图5所示的结构框图进行阐述，所示装置400包括：
接收模块410，用于实时接收所述摄像头采集的视频信息；
第一获取模块420，用于以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；
分割模块430，用于基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；
比对模块440，用于将所述敏感时间与第一预设时间进行比对；
计算模块450，用于当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；
判断模块460，用于根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
本实施例对可疑物检测的装置400的各功能模块实现各自功能的过程，请参见上述图1至图4所示实施例中描述的内容，此处不再赘述。
第五实施例
请参照图6，图6是本发明第五实施例提供的一种可疑物检测装置的结构框图，该装置500应用于可疑物检测系统，所述系统包括摄像头、计算机以及报警设备。下面将对图6所示的结构框图进行阐述，所示装置500包括：
接收模块510，用于实时接收所述摄像头采集的视频信息；
第一获取模块520，用于以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；
分割模块530，用于基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；
比对模块540，用于将所述敏感时间与第一预设时间进行比对；
计算模块550，用于当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；
判断模块560，用于根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物；
报警模块570，用于若所述处于运动状态的目标是可疑物，向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
所述报警模块570可以包括：
查找子模块571，用于若所述处于运动状态的目标是可疑物，基于所述运动目标跟踪算法分割得到的特征，查找到所述视频信息中所述可疑物出现的最初时间，标记出距离所述可疑物最近的人；
发送子模块572，用于向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
本实施例对可疑物检测的装置500的各功能模块实现各自功能的过程，请参见上述图1至图4所示实施例中描述的内容，此处不再赘述。
第六实施例
请参照图7，图7是本发明第六实施例提供的一种可疑物检测装置的结构框图，该装置600应用于可疑物检测系统，所述系统包括摄像头以及计算机。下面将对图7所示的结构框图进行阐述，所示装置600包括：
第二获取模块601，用于获取所述摄像头的监控区域在连续时间内的多帧图像信息；
学习模块602，用于基于混合高斯分布背景模型，对所述多帧图像信息进行建模学习；
保存模块603，用于将学习后确定的一帧图像作为背景图像进行保存；
接收模块610，用于实时接收所述摄像头采集的视频信息；
第一获取模块620，用于以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；
分割模块630，用于基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；
比对模块640，用于将所述敏感时间与第一预设时间进行比对；
计算模块650，用于当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；
判断模块660，用于根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
本实施例对可疑物检测的装置600的各功能模块实现各自功能的过程，请参见上述图1至图4所示实施例中描述的内容，此处不再赘述。
综上所述，本发明实施例提出的一种可疑物的检测方法及其装置，通过对摄像头监测区域内，处于运动状态的目标进行检测，跟踪，计算出所述处于运动状态的目标的敏感时间，若所述敏感时间超过预设时间，判断所述处于运动状态的目标是否为可疑物，从而减小机场、火车站、地铁站、银行ATM机等公众场存在的安全隐患，达到提前预警的目的。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种可疑物检测方法，其特征在于，应用于可疑物检测系统，所述系统包括摄像头以及计算机，所述方法包括：
所述计算机实时接收所述摄像头采集的视频信息；
以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；
基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；
将所述敏感时间与第一预设时间进行比对；
当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；
根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
2.根据权利要求1所述的方法，其特征在于，所述可疑物检测系统还包括报警设备，所述根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物之后，所述方法还包括：
若所述处于运动状态的目标是可疑物，向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
3.根据权利要求2所述的方法，其特征在于，所述若所述处于运动状态的目标是可疑物，向所述可疑物检测系统发起报警指令，以使所述报警设备报警，包括：
若所述处于运动状态的目标是可疑物，基于所述运动目标跟踪算法分割得到的特征，查找到所述视频信息中所述可疑物出现的最初时间，标记出距离所述可疑物最近的人；
向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
4.根据权利要求1所述的方法，其特征在于，所述计算机实时接收所述摄像头采集的视频信息之前，所述方法还包括：
所述计算机获取所述摄像头的监控区域在连续时间内的多帧图像信息；
基于混合高斯分布背景模型，对所述多帧图像信息进行建模学习；
将学习后确定的一帧图像作为背景图像进行保存。
5.根据权利要求4所述的方法，其特征在于，所述将学习后确定的一帧图像作为背景图像进行保存之后，所述方法还包括：
所述计算机每隔一个第二预设时间段，重新获取所述摄像头的监控区域在连续时间内的多帧图像信息；
基于混合高斯分布背景模型，对所述重新获取所述摄像头的监控区域在连续时间内的多帧图像信息重新进行建模学习；
将重新学习后确定的一帧图像作为背景图像进行保存。
6.一种可疑物检测装置，其特征在于，应用于可疑物检测系统，所述系统包括摄像头以及计算机，所述装置包括：
接收模块，用于实时接收所述摄像头采集的视频信息；
第一获取模块，用于以预先保存的背景图像为基础，采用运动目标检测算法获取所述视频信息的每帧图像中处于运动状态的目标；
分割模块，用于基于运动目标跟踪算法，对所述视频信息进行图像分割，得到所述处于运动状态的目标在所述摄像头的监控区域内的敏感时间，所述敏感时间为所述处于运动状态的目标在所述摄像头的监控区域内的停留时间或消失时间；
比对模块，用于将所述敏感时间与第一预设时间进行比对；
计算模块，用于当所述敏感时间超过所述第一预设时间，计算所述处于运动状态的目标的七个不变矩特征；
判断模块，用于根据所述七个不变矩特征判断所述处于运动状态的目标是否为可疑物。
7.根据权利要求6所述的装置，其特征在于，所述可疑物检测系统还包括报警设备，所述装置还包括：
报警模块，用于若所述处于运动状态的目标是可疑物，向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
8.根据权利要求7所述的装置，其特征在于，所述报警模块包括：
查找子模块，用于若所述处于运动状态的目标是可疑物，基于所述运动目标跟踪算法分割得到的特征，查找到所述视频信息中所述可疑物出现的最初时间，标记出距离所述可疑物最近的人；
发送子模块，用于向所述可疑物检测系统发起报警指令，以使所述报警设备报警。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取所述摄像头的监控区域在连续时间内的多帧图像信息；
学习模块，用于基于混合高斯分布背景模型，对所述多帧图像信息进行建模学习；
保存模块，用于将学习后确定的一帧图像作为背景图像进行保存。
10.根据权利要求9所述的装置，其特征在于，
所述第二获取模块，还用于在所述保存模块将学习后确定的一帧图像作为背景图像进行保存后，每隔一个第二预设时间段，重新获取所述摄像头的监控区域在连续时间内的多帧图像信息；
所述学习模块，还用于基于混合高斯分布背景模型，对所述重新获取所述摄像头的监控区域在连续时间内的多帧图像信息重新进行建模学习；
所述保存模块，还用于将重新学习后确定的一帧图像作为背景图像进行保存。
CN201611163519.7A 2016-12-15 2016-12-15 一种可疑物检测方法及装置 Pending CN106846357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611163519.7A CN106846357A (zh) 2016-12-15 2016-12-15 一种可疑物检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611163519.7A CN106846357A (zh) 2016-12-15 2016-12-15 一种可疑物检测方法及装置

Publications (1)

Publication Number Publication Date
CN106846357A true CN106846357A (zh) 2017-06-13

Family

ID=59140435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611163519.7A Pending CN106846357A (zh) 2016-12-15 2016-12-15 一种可疑物检测方法及装置

Country Status (1)

Country Link
CN (1) CN106846357A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845103A (zh) * 2017-10-23 2018-03-27 广东美的制冷设备有限公司 基于纹理信息的报警方法、装置以及计算机可读存储介质
CN109145805A (zh) * 2018-08-15 2019-01-04 深圳市豪恩汽车电子装备股份有限公司 车载环境下的移动目标检测方法及系统
CN111199182A (zh) * 2019-11-12 2020-05-26 恒大智慧科技有限公司 基于智慧社区的丢失物件方法、系统及存储介质
CN111415294A (zh) * 2020-03-16 2020-07-14 深圳怡化电脑股份有限公司 插卡口加装设备的检测方法、装置、设备及存储介质
CN111681208A (zh) * 2020-05-08 2020-09-18 浙江大华技术股份有限公司 漏装零件检测方法、装置、计算机设备和存储介质
WO2021051621A1 (zh) * 2019-09-16 2021-03-25 平安科技（深圳）有限公司 一种确定停车位的方法、终端设备及计算机可读存储介质
CN112734699A (zh) * 2020-12-24 2021-04-30 浙江大华技术股份有限公司 物品状态告警方法、装置、存储介质及电子装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801930A (zh) * 2005-12-06 2006-07-12 南望信息产业集团有限公司 基于视频内容分析的可疑静止物检测方法
CN101552910A (zh) * 2009-03-30 2009-10-07 浙江工业大学 基于全方位计算机视觉的遗留物检测装置
CN101715111A (zh) * 2009-11-16 2010-05-26 南京邮电大学 视频监控中滞留物主自动搜寻方法
CN103248867A (zh) * 2012-08-20 2013-08-14 苏州大学 基于多摄像头数据融合的智能视频监控系统的监控方法
CN103714325A (zh) * 2013-12-30 2014-04-09 中国科学院自动化研究所 基于嵌入式系统的遗留物和遗失物实时检测方法
CN104809742A (zh) * 2015-04-15 2015-07-29 广西大学 一种复杂场景下的物品安全检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1801930A (zh) * 2005-12-06 2006-07-12 南望信息产业集团有限公司 基于视频内容分析的可疑静止物检测方法
CN101552910A (zh) * 2009-03-30 2009-10-07 浙江工业大学 基于全方位计算机视觉的遗留物检测装置
CN101715111A (zh) * 2009-11-16 2010-05-26 南京邮电大学 视频监控中滞留物主自动搜寻方法
CN103248867A (zh) * 2012-08-20 2013-08-14 苏州大学 基于多摄像头数据融合的智能视频监控系统的监控方法
CN103714325A (zh) * 2013-12-30 2014-04-09 中国科学院自动化研究所 基于嵌入式系统的遗留物和遗失物实时检测方法
CN104809742A (zh) * 2015-04-15 2015-07-29 广西大学 一种复杂场景下的物品安全检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严江江: "《被动毫米波图像中人体隐匿违禁物品识别研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845103A (zh) * 2017-10-23 2018-03-27 广东美的制冷设备有限公司 基于纹理信息的报警方法、装置以及计算机可读存储介质
CN109145805A (zh) * 2018-08-15 2019-01-04 深圳市豪恩汽车电子装备股份有限公司 车载环境下的移动目标检测方法及系统
WO2021051621A1 (zh) * 2019-09-16 2021-03-25 平安科技（深圳）有限公司 一种确定停车位的方法、终端设备及计算机可读存储介质
CN111199182A (zh) * 2019-11-12 2020-05-26 恒大智慧科技有限公司 基于智慧社区的丢失物件方法、系统及存储介质
CN111415294A (zh) * 2020-03-16 2020-07-14 深圳怡化电脑股份有限公司 插卡口加装设备的检测方法、装置、设备及存储介质
CN111415294B (zh) * 2020-03-16 2023-11-10 深圳怡化电脑股份有限公司 插卡口加装设备的检测方法、装置、设备及存储介质
CN111681208A (zh) * 2020-05-08 2020-09-18 浙江大华技术股份有限公司 漏装零件检测方法、装置、计算机设备和存储介质
CN111681208B (zh) * 2020-05-08 2023-08-22 浙江大华技术股份有限公司 漏装零件检测方法、装置、计算机设备和存储介质
CN112734699A (zh) * 2020-12-24 2021-04-30 浙江大华技术股份有限公司 物品状态告警方法、装置、存储介质及电子装置

Similar Documents

Publication Publication Date Title
CN106846357A (zh) 一种可疑物检测方法及装置
Feng et al. Spatio-temporal fall event detection in complex scenes using attention guided LSTM
Yuan Video-based smoke detection with histogram sequence of LBP and LBPV pyramids
Benezeth et al. Abnormal events detection based on spatio-temporal co-occurences
Santos et al. Orthogonal variant moments features in image analysis
Luo et al. Real-time people counting for indoor scenes
Santosh et al. Multiple objects tracking using extended Kalman filter, GMM and mean shift algorithm-a comparative study
CN112699769A (zh) 一种安防监控中遗留物品的检测方法及系统
Patil et al. Global abnormal events detection in surveillance video—A hierarchical approach
CN116310933A (zh) 轨道交通侵界场景人员跨镜跟踪预警方法及系统
Chan Deep learning-based scene-awareness approach for intelligent change detection in videos
CN114676756A (zh) 图像识别方法、装置及计算机存储介质
Ruprah et al. Crime Prediction Based on Person-Weapons Relation using Deep Learning Techniques
Sadkhan et al. An investigate on moving object tracking and detection in images
Kajendran et al. Recognition and detection of unusual activities in ATM using dual-channel capsule generative adversarial network
Fernández et al. Length–speed ratio (LSR) as a characteristic for moving elements real-time classification
Choudhary et al. Event detection and localization for sparsely populated outdoor environment using seismic sensor
Ayed et al. Suspicious behavior detection based on DECOC classifier
Velychko et al. Artificial Intelligence Based Emergency Identification Computer System
Zachariah et al. Review on vision based human motion detection using deep learning
Revathi et al. A survey of activity recognition and understanding the behavior in video survelliance
Zhang et al. M4L: Maximum margin Multi-instance Multi-cluster Learning for scene modeling
Lin et al. Video tracking based on template matching and particle filter
Masood et al. Identification of anomaly scenes in videos using graph neural networks
Rungruangbaiyok et al. Probabilistic static foreground elimination for background subtraction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613

RJ01 Rejection of invention patent application after publication