CN107256413A - 一种物品监控方法及装置 - Google Patents
一种物品监控方法及装置 Download PDFInfo
- Publication number
- CN107256413A CN107256413A CN201710449899.9A CN201710449899A CN107256413A CN 107256413 A CN107256413 A CN 107256413A CN 201710449899 A CN201710449899 A CN 201710449899A CN 107256413 A CN107256413 A CN 107256413A
- Authority
- CN
- China
- Prior art keywords
- information
- article
- objective contour
- image
- profile
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种物品监控方法,包括:读取摄像头对物品进行视频采集的视频流;将视频流以帧为单元进行图像转换以得到物品的图像信息;通过图像处理方法提取图像信息中物品的目标轮廓信息;判断相邻两个监控周期内的目标轮廓信息的误差是否在预定范围内;如果否,则输出报警信号。由此可见,本方法通过物品的轮廓信息进行判断,因此每个监控周期的判断过程都较快,提高了运行效率,另外,无需再物品上增加额外的硬件,节约了硬件成本。此外,本发明还提供一种物品监控装置,效果如上所述。
Description
技术领域
本发明涉及图像识别技术领域,特别是涉及一种物品监控方法及装置。
背景技术
在珠宝、饰品、古董行业,商品都非常贵重,因此很容易遭到盗窃。在这些行业里,一般都需要对商品进行监控。
现有的监控方式分为两种:一种是人工的方式,即通过保安巡逻,或者查看摄像头的方式进行商品监控。另外一种是用计算机来自动监控。计算机监控的方式分为两种,一种是通过射频硬件检测商品是否存在,这种方式需要添加额外的硬件,例如射频发射器和感应器,因此增加了成本;一种是通过一些机器学习、模式识别的算法对商品进行提取特征,建模,然后检测商品是否被移动。这种方式实现起来有一定的难度,算法复杂度高。
由此可见,如何降低硬件成本以及避免复杂运算带来的监控速度慢的问题是本领域技术人员亟待解决地问题。
发明内容
本发明的目的是提供一种物品监控方法及装置,用于降低硬件成本以及避免复杂运算带来的监控速度慢的问题。
为解决上述技术问题,本发明提供一种物品监控方法,包括:
读取摄像头对物品进行视频采集的视频流;
将所述视频流以帧为单元进行图像转换以得到所述物品的图像信息;
通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息;
判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内;
如果否,则输出报警信号。
优选地,所述通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息具体包括:
在所述图像信息中定位出所述物品的初始位置;
将所述图像信息由彩色转换成灰度图;
对所述灰度图进行均值滤波以过滤噪声;
对滤波后的所述灰度图进行二值化操作以将所述物品从背景中分离得到所述物品的二值化图像信息;
对所述二值化图像信息进行边缘提取得到所述目标轮廓信息。
优选地,所述对所述二值化图像信息进行边缘提取得到所述目标轮廓信息具体包括:
通过canny算法获取所述二值化图像的边缘信息,并对所述边缘信息进行过滤;
利用轮廓提取函数提取包含的全部待验证轮廓信息;
在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息。
优选地,所述在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息具体为:
计算各所述待验证轮廓信息对应的轮廓面积,将面积最大的待验证轮廓信息作为所述目标轮廓信息。
优选地,在得到所述目标轮廓信息后,还包括:
计算所述目标轮廓信息的特征信息;
则相应地,所述判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内具体为:
判断相邻两个监控周期内的所述特征信息的误差是否在预定范围内;
其中,所述特征信息具体包括:
所述目标轮廓信息对应的轮廓面积、所述目标轮廓信息对应的轮廓中心位置和/或所述目标轮廓信息对应的轮廓距。
优选地,所述判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内具体包括:
判断相邻两个监控周期内的所述轮廓矩的误差是否在第一预定范围内;
如果否,则输出报警信号;
如果是,则判断相邻两个监控周期内的所述轮廓面积的误差是否在第二预定范围内;
如果否,则输出报警信号;
如果是,则判断相邻两个监控周期内的所述轮廓中心位置的误差是否在第三预定范围内;
如果否,则输出报警信号。
为解决上述技术问题,本发明还提供一种物品监控装置,包括:
视频读取模块,用于读取摄像头对物品进行视频采集的视频流;
图像转换模块,用于将所述视频流以帧为单元进行图像转换以得到所述物品的图像信息;
图像提取模块,用于通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息;
判断模块,用于判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内;
报警模块,用于在所述判断模块的判断结果为否时,输出报警信号。
优选地,所述图像提取模块具体包括:
定位单元,用于在所述图像信息中定位出所述物品的初始位置;
灰度转换单元,用于将所述图像信息由彩色转换成灰度图;
过滤单元,用于对所述灰度图进行均值滤波以过滤噪声;
二值化单元,用于对滤波后的所述灰度图进行二值化操作以将所述物品从背景中分离得到所述物品的二值化图像信息;
边缘提取单元,用于对所述二值化图像信息进行边缘提取得到所述目标轮廓信息。
优选地,所述边缘提取单元具体通过canny算法获取所述二值化图像的边缘信息,并对所述边缘信息进行过滤;
利用轮廓提取函数提取包含的全部待验证轮廓信息;
在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息。
优选地,还包括:
计算模块,用于在得到所述目标轮廓信息后,计算所述目标轮廓信息的特征信息;
则相应地,所述判断模块具体为:
判断相邻两个监控周期内的所述特征信息的误差是否在预定范围内;
其中,所述特征信息具体包括:
所述目标轮廓信息对应的轮廓面积、所述目标轮廓信息对应的轮廓中心位置和/或所述目标轮廓信息对应的轮廓距。
本发明所提供的一种物品监控方法,首先利用摄像头采集物品的视频流,然后对视频流进行处理得到物品的图像信息,经过图像预处理后得到物品的目标轮廓信息。通过比较相邻两个监控周期内的目标轮廓信息的误差是否在预定范围从而确定物品是否被盗。由此可见,本方法通过物品的轮廓信息进行判断,因此每个监控周期的判断过程都较快,提高了运行效率,另外,无需再物品上增加额外的硬件,节约了硬件成本。此外,本发明还提供一种物品监控装置,效果如上所述。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种物品监控方法的流程图;
图2为本发明实施例提供的一种获取目标轮廓信息的方法的流程图;
图3为本发明实施例提供的另一种物品监控方法的流程图;
图4为本发明实施例提供的一种通过矩形计算轮廓中心点的示意图;
图5为本发明实施例提供的一种物品监控装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,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,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种物品监控方法及装置,用于降低硬件成本以及避免复杂运算带来的监控速度慢的问题。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明提供的一种物品监控方法的流程图。如图1所示,物品监控方法包括:
S10:读取摄像头对物品进行视频采集的视频流。
在具体实施中,需要在物品存放的周围安装摄像头,通过摄像头采集物品及物品周围的视频,然后读取摄像头采集的视频流。
S11:将视频流以帧为单元进行图像转换以得到物品的图像信息。
由于视频流是由一帧一帧的图像信息拼接得到的动态图像,因此为了能够得到物品的静止图像信息,需要将视频流以帧为单位进行图像转换。在具体实施中,可以在监控周期内获取该时间段内的视频流中的任意一帧的图像信息。例如监控周期内的视频流有100帧,可以选取这100帧中的任意一帧作为本周期内物品的图像信息。
S12:通过图像处理方法提取图像信息中物品的目标轮廓信息。
对于步骤S12来说,主要是通过图像信息提取到物品的轮廓信息。使得后续在进行相邻两个监控周期进行比较时,只需要比较轮廓信息即可,因此能够较大程度地提高一个监控周期内的监控速度。
图2为本发明实施例提供的一种获取目标轮廓信息的方法的流程图。如图2所示,步骤S12具体包括:
S120:在图像信息中定位出物品的初始位置。
S121:将图像信息由彩色转换成灰度图。
S122:对灰度图进行均值滤波以过滤噪声。
S123:对滤波后的灰度图进行二值化操作以将物品从背景中分离得到物品的二值化图像信息。
S124:对二值化图像信息进行边缘提取得到目标轮廓信息。
步骤S121中,转换成灰度图可以减少冗余的信息,加快处理速度。其中,由彩色转换成灰度图对应的转换公式为:Gray=0.299R+0.587G+0.114B。
需要说明的是,由于光照、背景、物品颜色多种多样的原因,固定阈值或者动态阈值的二值化方法都很难适应所有的情况,因此步骤S122中,需要根据物品所处的环境调整二值化阈值,使到物品与背景能够分离。
作为优选地实施方式,步骤S124具体包括:
S1240:通过canny算法获取二值化图像的边缘信息,并对边缘信息进行过滤;
S1241:利用轮廓提取函数提取包含的全部待验证轮廓信息;
S1242:在全部待验证轮廓信息中筛选出与物品对应的目标轮廓信息。
步骤S1240其实是计算二值化图像的梯度值,通过如下公式计算:
G(x,y)=dx(i,j)+dy(i,j);
dx(i,j)=I(i+1,j)-I(i,j);
dy(i,j)=I(i,j+1)-I(i,j);
其中,G(x,y)为二值化图像的梯度,dx(i,j)为二值化图像x方向的梯度,dy(i,j)为二值化图像y方向的梯度,I(i,j)为二值化图像的像素值。
在具体实施中,边缘信息是杂乱无章的,包含了一些其他的干扰和噪声。因此我们需要对这些信息进行整理、过滤和提取。
获取边缘信息后,通过轮廓提取函数获取轮廓信息。具体实施方式为:对过滤后的边缘信息对应的图像进行扫描,判断各个边缘是否连在一起,形成闭合的轮廓,有的话,则记录在相应的轮廓容器中,这些具有闭合轮廓的图像对应的轮廓信息就是待验证轮廓信息。
由于图像中得到的轮廓可能有多个,及轮廓信息也有多个,需要进行筛选,筛选出一个轮廓信息作为目标轮廓信息。
作为优选地实施方式,在全部待验证轮廓信息中筛选出与物品对应的目标轮廓信息具体为:计算各待验证轮廓信息对应的轮廓面积,将面积最大的待验证轮廓信息作为目标轮廓信息。
因为在一个区域里面,只包含了一个物品,而一般来说,该物品在该区域里的轮廓面积应该是最大的,因此我们可以通过找出最大面积的轮廓来定位到需要关注的物品。具体做法为:统计每个轮廓包含的像素值从而得到该轮廓的面积,然后按从大到小排序,筛选出面积最大的轮廓。该轮廓对应的轮廓信息就是目标轮廓信息。
S13:判断相邻两个监控周期内的目标轮廓信息的误差是否在预定范围内,如果否,进入S14。
S14:输出报警信号。
需要说明的是,在进行物品监控过程中,每一个监控周期都按照步骤S10-S12进行执行,然后通过S13判断相邻两个监控周期内的目标轮廓信息的误差是否在预定范围内。
可以理解的是,在上述不同的监控周期内,由于外界环境不同等因素,即使物品没有移动,也有可能造成两个监控周期内的目标轮廓信息不同。因此,本发明中,会设置一个误差,只要在这个误差范围内就认为物品没有被盗窃。另外,误差的范围如何选取可以根据实际情况设定,可以是一个固定的值,也可以是一个变化的值,本实施例不再赘述。
本实施例提供的物品监控方法,首先利用摄像头采集物品的视频流,然后对视频流进行处理得到物品的图像信息,经过图像预处理后得到物品的目标轮廓信息。通过比较相邻两个监控周期内的目标轮廓信息的误差是否在预定范围从而确定物品是否被盗。由此可见,本方法通过物品的轮廓信息进行判断,因此每个监控周期的判断过程都较快,提高了运行效率,另外,无需再物品上增加额外的硬件,节约了硬件成本。
图3为本发明实施例提供的另一种物品监控方法的流程图。在上述实施例的基础上,作为优选地实施方式,在得到目标轮廓信息后,还包括:
S30:计算目标轮廓信息的特征信息;
则相应地,S13具体为:
判断相邻两个监控周期内的特征信息的误差是否在预定范围内;
其中,特征信息具体包括:
目标轮廓信息对应的轮廓面积、目标轮廓信息对应的轮廓中心位置和/或目标轮廓信息对应的轮廓距。
对于轮廓面积的计算本发明不再赘述,这里只详细说明中心位置的计算以及轮廓矩的计算。
中心位置计算方式:
求出该轮廓的4各顶点,分别是点A、点C、点A和点D的坐标值。然后通过这四个点的坐标拟合出一个矩形,该矩形刚好包围住了物品的轮廓,因此可以将矩形的中心点作为轮廓的中心点。图4为本发明实施例提供的一种通过矩形计算轮廓中心点的示意图。中心点的计算公式为:
core.x=(2*rect.x+rect.width)/2
core.y=(2*rect.y+rect.height)/2
其中,core.x是轮廓中心点在x轴方向上的坐标值,core.y是轮廓中心点在y轴方向上的坐标值,rect.x是点A在x轴的坐标值,rect.y是点B在y轴的坐标值,rect.width是矩形在x轴的长度,rect.height是矩形在y轴的长度。
轮廓矩的计算方式:
矩是轮廓上所有点进行积分运算而求得的一个特征。计算方式如下:
其中,I(x,y)是图像位于(x,y)像素点的值,p对应x维度上的矩,q对应y维度上的矩,阶数表示对应部分的指数。
在上述实施例的基础上,作为优选地实施方式,判断相邻两个监控周期内的目标轮廓信息的误差是否在预定范围内具体包括:
S130:判断相邻两个监控周期内的轮廓矩的误差是否在第一预定范围内,如果否,则进入S14;如果是,则进入S131。
S131判断相邻两个监控周期内的轮廓面积的误差是否在第二预定范围内,如果否,则进入S14;如果是,则进入S132。
S132:判断相邻两个监控周期内的轮廓中心位置的误差是否在第三预定范围内,如果否,则进入S14。
在上文中对于一种物品监控方法对应的实施例进行了详细描述,本发明还提供一种物品监控装置。由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。图5为本发明实施例提供的一种物品监控装置的结构图。如图5所示,一种物品监控装置,包括:
视频读取模块10,用于读取摄像头对物品进行视频采集的视频流;
图像转换模块11,用于将视频流以帧为单元进行图像转换以得到物品的图像信息;
图像提取模块12,用于通过图像处理方法提取图像信息中物品的目标轮廓信息;
判断模块13,用于判断相邻两个监控周期内的目标轮廓信息的误差是否在预定范围内;
报警模块14,用于在判断模块的判断结果为否时,输出报警信号。
本实施例提供的物品监控装置,首先利用摄像头采集物品的视频流,然后对视频流进行处理得到物品的图像信息,经过图像预处理后得到物品的目标轮廓信息。通过比较相邻两个监控周期内的目标轮廓信息的误差是否在预定范围从而确定物品是否被盗。由此可见,本装置通过物品的轮廓信息进行判断,因此每个监控周期的判断过程都较快,提高了运行效率,另外,无需再物品上增加额外的硬件,节约了硬件成本。
作为优选地实施方式,图像提取模块12具体包括:
定位单元,用于在图像信息中定位出物品的初始位置;
灰度转换单元,用于将图像信息由彩色转换成灰度图;
过滤单元,用于对灰度图进行均值滤波以过滤噪声;
二值化单元,用于对滤波后的灰度图进行二值化操作以将物品从背景中分离得到物品的二值化图像信息;
边缘提取单元,用于对二值化图像信息进行边缘提取得到目标轮廓信息。
作为优选地实施方式,边缘提取单元具体通过canny算法获取二值化图像的边缘信息,并对边缘信息进行过滤;
利用轮廓提取函数提取包含的全部待验证轮廓信息;
在全部待验证轮廓信息中筛选出与物品对应的目标轮廓信息。
作为优选地实施方式,还包括:
计算模块,用于在得到目标轮廓信息后,计算目标轮廓信息的特征信息;
则相应地,所述判断模块具体为:
判断相邻两个监控周期内的特征信息的误差是否在预定范围内;
其中,特征信息具体包括:
目标轮廓信息对应的轮廓面积、目标轮廓信息对应的轮廓中心位置和/或目标轮廓信息对应的轮廓距。
以上对本发明所提供的物品监控方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,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。
Claims (10)
1.一种物品监控方法,其特征在于,包括:
读取摄像头对物品进行视频采集的视频流;
将所述视频流以帧为单元进行图像转换以得到所述物品的图像信息;
通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息;
判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内;
如果否,则输出报警信号。
2.根据权利要求1所述的物品监控方法,其特征在于,所述通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息具体包括:
在所述图像信息中定位出所述物品的初始位置;
将所述图像信息由彩色转换成灰度图;
对所述灰度图进行均值滤波以过滤噪声;
对滤波后的所述灰度图进行二值化操作以将所述物品从背景中分离得到所述物品的二值化图像信息;
对所述二值化图像信息进行边缘提取得到所述目标轮廓信息。
3.根据权利要求2所述的物品监控方法,其特征在于,所述对所述二值化图像信息进行边缘提取得到所述目标轮廓信息具体包括:
通过canny算法获取所述二值化图像的边缘信息,并对所述边缘信息进行过滤;
利用轮廓提取函数提取包含的全部待验证轮廓信息;
在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息。
4.根据权利要求3所述的物品监控方法,其特征在于,所述在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息具体为:
计算各所述待验证轮廓信息对应的轮廓面积,将面积最大的待验证轮廓信息作为所述目标轮廓信息。
5.根据权利要求1至4任意一项所述的物品监控方法,其特征在于,在得到所述目标轮廓信息后,还包括:
计算所述目标轮廓信息的特征信息;
则相应地,所述判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内具体为:
判断相邻两个监控周期内的所述特征信息的误差是否在预定范围内;
其中,所述特征信息具体包括:
所述目标轮廓信息对应的轮廓面积、所述目标轮廓信息对应的轮廓中心位置和/或所述目标轮廓信息对应的轮廓距。
6.根据权利要求5所述的物品监控方法,其特征在于,所述判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内具体包括:
判断相邻两个监控周期内的所述轮廓矩的误差是否在第一预定范围内;
如果否,则输出报警信号;
如果是,则判断相邻两个监控周期内的所述轮廓面积的误差是否在第二预定范围内;
如果否,则输出报警信号;
如果是,则判断相邻两个监控周期内的所述轮廓中心位置的误差是否在第三预定范围内;
如果否,则输出报警信号。
7.一种物品监控装置,其特征在于,包括:
视频读取模块,用于读取摄像头对物品进行视频采集的视频流;
图像转换模块,用于将所述视频流以帧为单元进行图像转换以得到所述物品的图像信息;
图像提取模块,用于通过图像处理方法提取所述图像信息中所述物品的目标轮廓信息;
判断模块,用于判断相邻两个监控周期内的所述目标轮廓信息的误差是否在预定范围内;
报警模块,用于在所述判断模块的判断结果为否时,输出报警信号。
8.根据权利要求7所述的物品监控装置,其特征在于,所述图像提取模块具体包括:
定位单元,用于在所述图像信息中定位出所述物品的初始位置;
灰度转换单元,用于将所述图像信息由彩色转换成灰度图;
过滤单元,用于对所述灰度图进行均值滤波以过滤噪声;
二值化单元,用于对滤波后的所述灰度图进行二值化操作以将所述物品从背景中分离得到所述物品的二值化图像信息;
边缘提取单元,用于对所述二值化图像信息进行边缘提取得到所述目标轮廓信息。
9.根据权利要求8所述的物品监控装置,其特征在于,所述边缘提取单元具体通过canny算法获取所述二值化图像的边缘信息,并对所述边缘信息进行过滤;
利用轮廓提取函数提取包含的全部待验证轮廓信息;
在全部所述待验证轮廓信息中筛选出与所述物品对应的目标轮廓信息。
10.根据权利要求7至9任意一项所述的物品监控装置,其特征在于,还包括:
计算模块,用于在得到所述目标轮廓信息后,计算所述目标轮廓信息的特征信息;
则相应地,所述判断模块具体为:
判断相邻两个监控周期内的所述特征信息的误差是否在预定范围内;
其中,所述特征信息具体包括:
所述目标轮廓信息对应的轮廓面积、所述目标轮廓信息对应的轮廓中心位置和/或所述目标轮廓信息对应的轮廓距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710449899.9A CN107256413A (zh) | 2017-06-14 | 2017-06-14 | 一种物品监控方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710449899.9A CN107256413A (zh) | 2017-06-14 | 2017-06-14 | 一种物品监控方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107256413A true CN107256413A (zh) | 2017-10-17 |
Family
ID=60023251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710449899.9A Pending CN107256413A (zh) | 2017-06-14 | 2017-06-14 | 一种物品监控方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256413A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686649A (zh) * | 2019-09-20 | 2020-01-14 | 天津普达软件技术有限公司 | 一种基于机器视觉的危险废物库存量变化的检测方法 |
CN111860326A (zh) * | 2020-07-20 | 2020-10-30 | 杭州品茗安控信息技术股份有限公司 | 一种建筑工地物品移动检测方法、装置、设备及存储介质 |
US11010613B2 (en) | 2018-11-29 | 2021-05-18 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for target identification in video |
CN113159074A (zh) * | 2021-04-26 | 2021-07-23 | 京东数科海益信息科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN117975658A (zh) * | 2024-04-01 | 2024-05-03 | 江苏征途电气科技有限公司 | 基于人工智能的监控分析报警系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140327674A1 (en) * | 2013-05-06 | 2014-11-06 | Disney Enterprises, Inc. | Scene reconstruction from high spatio-angular resolution light fields |
CN104378604A (zh) * | 2014-12-01 | 2015-02-25 | 江西洪都航空工业集团有限责任公司 | 一种基于运动检测的实时监控方法 |
CN106241533A (zh) * | 2016-06-28 | 2016-12-21 | 西安特种设备检验检测院 | 基于机器视觉的电梯乘员综合安全智能监控方法 |
CN106446807A (zh) * | 2016-09-09 | 2017-02-22 | 成都通甲优博科技有限责任公司 | 一种井盖失窃检测方法 |
CN106803928A (zh) * | 2017-01-22 | 2017-06-06 | 宇龙计算机通信科技(深圳)有限公司 | 一种提醒方法、装置及终端 |
-
2017
- 2017-06-14 CN CN201710449899.9A patent/CN107256413A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140327674A1 (en) * | 2013-05-06 | 2014-11-06 | Disney Enterprises, Inc. | Scene reconstruction from high spatio-angular resolution light fields |
CN104378604A (zh) * | 2014-12-01 | 2015-02-25 | 江西洪都航空工业集团有限责任公司 | 一种基于运动检测的实时监控方法 |
CN106241533A (zh) * | 2016-06-28 | 2016-12-21 | 西安特种设备检验检测院 | 基于机器视觉的电梯乘员综合安全智能监控方法 |
CN106446807A (zh) * | 2016-09-09 | 2017-02-22 | 成都通甲优博科技有限责任公司 | 一种井盖失窃检测方法 |
CN106803928A (zh) * | 2017-01-22 | 2017-06-06 | 宇龙计算机通信科技(深圳)有限公司 | 一种提醒方法、装置及终端 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11010613B2 (en) | 2018-11-29 | 2021-05-18 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for target identification in video |
CN110686649A (zh) * | 2019-09-20 | 2020-01-14 | 天津普达软件技术有限公司 | 一种基于机器视觉的危险废物库存量变化的检测方法 |
CN111860326A (zh) * | 2020-07-20 | 2020-10-30 | 杭州品茗安控信息技术股份有限公司 | 一种建筑工地物品移动检测方法、装置、设备及存储介质 |
CN111860326B (zh) * | 2020-07-20 | 2023-09-26 | 品茗科技股份有限公司 | 一种建筑工地物品移动检测方法、装置、设备及存储介质 |
CN113159074A (zh) * | 2021-04-26 | 2021-07-23 | 京东数科海益信息科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN113159074B (zh) * | 2021-04-26 | 2024-02-09 | 京东科技信息技术有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN117975658A (zh) * | 2024-04-01 | 2024-05-03 | 江苏征途电气科技有限公司 | 基于人工智能的监控分析报警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256413A (zh) | 一种物品监控方法及装置 | |
CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
CN103559703B (zh) | 基于双目视觉的起重机障碍物监测及预警方法及系统 | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
Gorelick et al. | Shape representation and classification using the poisson equation | |
Belaroussi et al. | Angle vertex and bisector geometric model for triangular road sign detection | |
CN109672863A (zh) | 一种基于图像识别的施工人员安全装备智能监测方法 | |
CN108734716A (zh) | 一种基于改进Prewitt算子的火灾复杂环境图像检测方法 | |
WO2023231262A1 (zh) | 基于视觉振频识别的提升钢丝绳张力检测方法 | |
CN108154496B (zh) | 一种适用于电力作业机器人的电力设备外观变化识别方法 | |
Alazzawi | Edge detection-application of (first and second) order derivative in image processing: communication | |
CN109117855A (zh) | 异常电力设备图像识别系统 | |
Yang et al. | Vial bottle mouth defect detection based on machine vision | |
Supreeth et al. | An approach towards efficient detection and recognition of traffic signs in videos using neural networks | |
CN113192038A (zh) | 基于深度学习的已有火焰环境中异常烟火识别监测方法 | |
Bulugu | Algorithm for license plate localization and recognition for tanzania car plate numbers | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
Kumar et al. | Comparative analysis for edge detection techniques | |
Costianes et al. | Gray-level co-occurrence matrices as features in edge enhanced images | |
Huang et al. | A real-time algorithm for aluminum surface defect extraction on non-uniform image from CCD camera | |
Khin et al. | License plate detection of Myanmar vehicle images captured from the dissimilar environmental conditions | |
CN112001336A (zh) | 行人越界报警方法、装置、设备及系统 | |
Kaur et al. | 2-D geometric shape recognition using canny edge detection technique | |
Ershad | Texture classification approach based on energy variation | |
EP4131177A1 (en) | Imaging system and method using a multi-layer model approach to provide robust object detection |
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: 20171017 |
|
RJ01 | Rejection of invention patent application after publication |