CN107452019A - 一种基于模型切换的目标检测方法、装置、系统及存储介质 - Google Patents
一种基于模型切换的目标检测方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN107452019A CN107452019A CN201710671538.9A CN201710671538A CN107452019A CN 107452019 A CN107452019 A CN 107452019A CN 201710671538 A CN201710671538 A CN 201710671538A CN 107452019 A CN107452019 A CN 107452019A
- Authority
- CN
- China
- Prior art keywords
- pixel
- detection
- point
- deadlock
- flag bit
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
为了提高基于非参数的核密度估计算法以及选择性更新样本的目标检测方法的实时性和降低虚警率,本发明提供了一种基于模型切换的目标检测方法、装置、系统和存储介质。所述方法的步骤中对单个像素点检测的步骤包括初步检测、基于非参数核密度估计模型检测像素点和基于混合高斯模型的进一步检测三个子步骤。对初步检测为背景点的像素点使用样本集合的子集进行非参数核密度估计,减少了运算量,提高了目标检测的实时性。通过将非参数核密度估计模型检测为疑似死锁区域点的像素点切换到混合高斯模型检测;每个像素点设置有判断像素点是否处于死锁区域的标志位,基于该标志位的数值进行死锁检测;有效减少了死锁区域像素点误判,降低了虚警率。
Description
技术领域
本发明涉及目标检测领域,具体涉及一种基于模型切换的目标检测方法、装置、系统及存储介质。
背景技术
目标检测,是一种基于目标几何和统计特征的图像分割,它将目标的分割和识别合二为一,其准确性和实时性是整个系统的一项重要能力,尤其是在复杂场景中,需要对多个目标进行实时处理时,目标自动提取和识别就显得特别重要。
随着计算机技术的发展和计算机视觉原理的广泛应用,利用计算机图像处理技术对目标进行实时跟踪研究越来越热门,对目标进行动态实时跟踪定位在智能化交通系统、智慧城市、智能监控系统、军事目标检测及医学导航手术中手术器械定位等方面具有广泛的应用价值。
基于非参数的核密度估计的检测算法对于运动目标具有较好的分割效果,对场景变化的适应速度快,不仅能够处理光照的变化,还能处理摇动的树、摄像机轻微移动等多模态分布情况,同时对场景具有普遍适用性,因此比较适合运用于实际场景,但现有的算法主要存在两个问题:
问题一:运算量大,实时性差。
非参数的核密度估计算法可以通过像素点样本直接得到该像素点的概率密度函数,只要样本充分,就能渐进收敛于任何概率密度函数,由于每一帧图像的每个像素点都需要一个样本集,这样,对于含有m个像素点的图像,假如每个样本集含有n个像素点,那么在概率估计阶段就需要m*n次运算,此外还要对样本集进行更新,因此运算量大,进而实时性差。
问题二:样本更新带来虚警或漏检问题。
现有的样本更新方式包括选择性更新和无选择性更新。选择性更新容易造成“死锁”现象,即虚警率高的问题,具体表现为某运动物体由运动到停止或者一直静止的物体开始运动,那么该物体最后位于的地方将一直被检测为前景目标。无选择性更新不会造成“死锁”,但会造成前景检测不完全,也就是出现较大的“漏检率”,然而这种算法对环境变化的适应性差,还会增加算法的时间开销,一般不选用。
因此目前基于非参数的核密度估计算法以及选择性更新样本的目标检测方法存在着实时性差和虚警率高问题。
发明内容
为了提高基于非参数的核密度估计算法以及选择性更新样本的目标检测方法的实时性和降低虚警率,本发明提供了一种基于模型切换的目标检测方法、装置、系统和存储介质。所述技术方案如下:
第一方面,提供了一种基于模型切换的目标检测方法,所述方法包括:
获取图像步骤,获取图像,图像按帧处理;
单帧图像分割步骤,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的步骤,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;
对单个像素点检测的步骤,所述步骤包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;
步骤22:基于非参数核密度估计模型检测像素点,检测步骤包括:
步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;
步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位;
步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点被检测为非死锁区域点,单个像素点检测结束;若像素点被检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
步骤23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,检测步骤包括:
步骤231:获取像素点混合高斯模型下的背景概率;
步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;
步骤233:基于与运算结果更新像素点对应的标志位;
步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
第二方面,提供了一种基于模型切换的目标检测装置,所述装置包括:
图像获取模块:用于获取图像并按帧处理;
单帧图像分割模块:将图像获取模块中获取的每帧图像分割为相同数目的像素点,与图像获取模块连接,所述像素点的数目为一个或多个;
信息数据存储器:设置信息数据库存储器,存储图像获取模块获取的每帧图像的信息数据,所述信息数据存储器与单帧图像分割模块连接,包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合、与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,以及在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
单个像素点检测模块:利用信息数据存储器存储的信息数据对单个像素点检测,与信息数据存储器连接,所述装置包括以下子模块:
初步检测子模块:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述初步检测子模块包括单元211和单元212,其中,单元211用于计算像素点对应样本集合的平均特征值;单元212为基于单元211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
非参数核密度估计模型检测子模块:与初步检测子模块连接,基于非参数核密度估计模型检测像素点,所述子模块包括单元221、单元222和单元223,其中,单元221用于基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;单元222根据像素点的非参数核密度估计模型下的背景概率更新对应标志位;单元223进行标志位死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
混合高斯模型检测子模块:与非参数核密度估计模型检测子模块连接,用于对非参数核密度估计模型检测子模块中检测未结束的像素点,做基于混合高斯模型的进一步检测,所述子模块包括单元231、单元232、单元233和单元234,其中。单元231用于获取像素点混合高斯模型下的背景概率;单元232用于将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;单元233基于与运算结果更新像素点对应的标志位;单元234基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;所述标志位死锁检测的原则为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
单帧图像检测完成判断器:与单个像素点检测装置连接,采用单个像素点检测装置对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
图像检测完成判断器:与单帧图像检测完成判断器连接,对图像获取装置中获取的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
第三方面,提供了一种基于模型切换的目标检测系统,所述系统包括摄像头、FPGA板卡和显示器,其中,FPGA板卡与摄像头和显示器连接,显示器用于显示检测到的目标信息,还包括程序,其装载在FPGA板卡芯片上,所述程序包含从摄像头获取的图像中进行目标检测的系列指令,所述系列指令包括:
获取图像指令,用于获取图像并按帧处理;
单帧图像分割指令,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的指令,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
单个像素点检测的指令集,所述指令集包括:
指令21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述像素点初步检测的指令包括步骤211和步骤212,步骤211为计算像素点对应样本集合的平均特征值;步骤212为基于步骤211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
指令22:基于非参数核密度估计模型检测像素点,所述指令包括步骤221、步骤222和步骤223,其中,步骤221为基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;步骤222为根据像素点的非参数核密度估计模型下的背景概率更新对应标志位;步骤223为基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
指令23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,所述指令包括步骤231、步骤232、步骤233和步骤234,其中,步骤231为获取像素点混合高斯模型下的背景概率;步骤232为将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;步骤233为基于与运算结果更新像素点对应的标志位;步骤234为基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;所述基于标志位的数值大小对像素点进行死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
判断单帧图像检测完成的指令,按照上述单个像素点的检测指令集对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的指令,按照上述单帧图像的检测指令集对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
第四方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备按照如下方法对图像中的目标进行检测:
获取图像步骤,获取图像,图像按帧处理;
单帧图像分割步骤,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的步骤,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
对单个像素点检测的步骤,所述步骤包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述像素点的初步检测方法为:步骤211:计算像素点对应样本集合的平均特征值;步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
步骤22:基于非参数核密度估计模型检测像素点,检测步骤包括:步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位;步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点被检测为非死锁区域点,选择性更新对应样本集合,单个像素点检测结束;若像素点被检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
步骤23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,检测步骤包括:步骤231:获取像素点混合高斯模型下的背景概率;步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;步骤233:基于与运算结果更新像素点对应的标志位;步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
所述基于标志位的数值大小对像素点进行死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
本发明的有益技术效果是:
本发明提供的方法、装置、系统和存储介质,通过像素点的初步检测,对初步检测为背景点的像素点使用样本集合的子集进行非参数核密度估计,极大地减少了运算量,从而提高了目标检测的实时性。通过将非参数核密度估计模型检测为疑似死锁区域点的像素点切换到混合高斯模型检测;每个像素点设置有判断像素点是否处于死锁区域的标志位,基于该标志位的数值进行死锁检测;有效地减少了死锁区域像素点误判,极大地降低了虚警率。
附图说明
附图1为本发明一实施例提供的图像检测整体流程图;
附图2为本发明一实施例提供的单个像素点检测流程图;
附图3为本发明一实施例提供的单个像素点初步检测流程图;
附图4为本发明一实施例提供的基于模型切换的目标检测装置的结构框图;
附图5为本发明一实施例提供的基于模型切换的目标检测系统的结构框图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明实施方式进一步地详细描述。
图1是本发明实施例提供的一种基于模型切换的目标检测方法的整体流程图,包括:
1:获取图像步骤,获取图像,图像按帧处理;可以从摄像头、录像、照片等获取图像信息,图像按帧处理。
2:单帧图像分割步骤,每帧图像分割为相同数目的像素点,像素点的数目为一个或多个;为了便于目标检测相同位置目标是否由静止到运动或者由运动到静止,将每帧图像分割为相同数目的像素点,像素点的数目为一个或多个。
3:建立单帧图像的信息数据库的步骤,信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,以及在单帧图像处理完后不清零;因采用非参数核密度估计模型检测,因此每个像素点需设置一个样本集合,为了有效解决死锁问题,每个像素点设置一个标志位,作为判断是否为死锁区域点的标志,用于配合后续检测。图像帧检测时,像素点、样本集合和标志位相对应。标志位在图像第一帧检测开始时,初始值为0,在完成第一帧图像检测后并不清零,当前值作为下一帧图像检测的初始值,依次循环,直到图像检测完成。
4:对单个像素点检测的步骤,步骤4可以细分为多个子步骤,参见图2,为单个像素点检测步骤细分步骤后的流程图,流程图包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;
在进行运动目标检测时每帧图像的像素点大致可以分为前景点和背景点两类。基于核密度估计的检测算法实际上是计算每个点属于背景点的概率。其计算量主要在概率估计阶段,对于图像中的背景点,若不考虑外界的扰动(如光照,树叶摇动等),那么其灰度值或颜色特征值在一段时间内不会发生太大的变化,也就是背景点灰度值与其他样本值相差不大,这使核密度估计模型中的核函数自变量的值接近0,在这种情况下核函数的值接近于其值域的上限。此时,不需要进行全样本计算就可以得到像素点的概率密度估计,基于此,通过初步检测对像素点进行粗略划分为背景点和前景点,背景点的样本不需要全样本计算,进而减少运算量,提高了目标检测的实时性,子集中样本点和样本点的数量可通过经验值确定。
步骤22:基于非参数核密度估计模型检测像素点的步骤,步骤包括:
子步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:
当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;
当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率。
为了便于说明本发明的技术方案,设每帧图像被切割为N个像素点,N为整数,且N≥1,像素点的特征值集合为X;单个像素点为第i个像素点,i=1,2,3,...,N;特征值为Xi,对应的样本集合为Yi,Yi中样本点个数为n,m为Yi的子集的样本点个数,n和m为整数,且n≥1,0≤m≤n;对应的标志位数值为Fi;h为窗宽;K为核函数;
当第i个像素点初步检测为前景点,j为Yi或Yi子集中样本点的序号,基于样本集合Yi计算非参数核密度估计模型下的背景概率为:
当第i个像素点初步检测为前景点,基于样本集合Yi的子集计算非参数核密度估计模型下的背景概率为:
子步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位。
子步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;
若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
对于基于非参数核密度估计模型的目标检测算法,当场景中静止物体移动或是运动物体停止在场景中就可能会发生场景“死锁”现象,此时场景中的某一区域将会长时间的被检测为前景,但实际上“死锁”区域并没有运动发生,对图像中的每个像素点设置一个标志位,作为判断该像素点疑似死锁区域点的标志,当像素点经过标志位死锁检测为疑似死锁区域点时,需模型切换到混合高斯模型作进一步检测,以降低图像检测的虚警率。当像素点经过标志位死锁检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束。
对检测未结束的像素点,做基于混合高斯模型的进一步检测,即在基于非参数核密度估计模型检测为疑似死锁区域点的像素点,做进一步基于混合高斯模型的检测,检测的方法包括如下子步骤:
子步骤231:获取像素点混合高斯模型下的背景概率;
子步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;像素点获得一个基于与运算的背景概率;
子步骤233:基于与运算结果更新像素点对应的标志位;像素点根据基于与运算的背景概率再次更新对应标志位,即第i个像素点再次更新标志位Fi。
子步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点被检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
若像素点被检测为疑似死锁区域点,因为该像素点经过两次死锁检测,均检测为疑似死锁区域点,因此可认为该点为非死锁区域点,保留混合高斯模型的各个参数,单个像素点检测结束;
由于混合高斯模型能够将停止的运动目标逐渐融入到背景当中,有效解决场景中死锁问题,进而极大地降低了虚警率。
5:判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
6:判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
为了便于计算,像素点的特征值可以为灰度值,也可以为RGB值中的R值或G值或B值,以及R值、G值和B值中任意两个组合,以及三个数值,相应的,像素点对应的样本集合中样本点的值与像素点特征值对应。
标志位在目标检测过程中一直是处于可更新的状态,具体更新方式与其对应的像素点的检测结果有关:
若单个像素点检测为前景点,其对应标志位的新值为当前值加1;
若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
为了更形象的说明标志位更新的原则,设对第i个像素点对应的标志位Fi进行更新:
当第i个像素点被检测为前景点时,Fi=Fi+1;
当第i个像素点被检测为背景点时,Fi=Fi-1。
如图3,为像素点的初步检测方法,该方法可通过如下子步骤实现:
子步骤211:计算像素点对应样本集合的平均特征值;
子步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置。
在这里之所以采用背景样本平均值为衡量标准是因为在真实的场景中必然会存在光照变化以及背静噪声等一系列扰动,也就是说每一个像素点的样本集可能包含了多种情况下的背景样本点,在这种情况下采用背景样本均值为衡量标准可以减少光照及背景噪声带来的影响,从而使平均特征值对于环境的变化具有一定的鲁棒性。为了更形象直观的说明像素点初步检测方法,设对i个像素点进行初步检测,其特征值为Xi,对应样本集合为Yi,计算第i个像素点的平均背景Bi,
其中,i=1,2,3,...,N,j=1,2,3,…,n;n为样本Yi中的样本点数目,Yij为第i个像素点的样本集合Yi中的第j个样本点的特征值;
若|Xi-Bi|≤Tb,
则第i个像素点为背景点,否则第i个像素点为前景点;Tb为初步判断阈值,Tb可在线配置。
基于对应标志位的数值大小对像素点进行死锁检测的方法为:
若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;
若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;
其中,Tf为标志位死锁检测的阈值,可在线配置。
图4是本发明实施例提供的一种基于模型切换的目标检测装置的结构框图,包括:
图像获取模块:获取图像,图像按帧处理;可以从摄像头、录像、照片等获取图像信息,图像按帧处理。
单帧图像分割模块:与图像获取模块连接,将图像获取模块中获取的每帧图像分割为相同数目的像素点,像素点的数目为一个或多个;为了便于目标检测相同位置目标是否由静止到运动或者由运动到静止,将每帧图像分割为相同数目的像素点,像素点的数目为一个或多个。
信息数据存储器:用于存储图像获取模块获取的每帧图像的信息数据,信息数据存储器与单帧图像分割模块连接,包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;特征值为灰度值或RGB值;标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
因采用非参数核密度估计模型检测,因此每个像素点需设置一个样本集合,为了有效解决死锁问题,每个像素点设置一个标志位,作为判断是否为死锁区域点的标志,用于配合后续检测。图像帧检测时,像素点、样本集合和标志位相对应。标志位在图像第一帧检测开始时,初始值为0,在完成第一帧图像检测后并不清零,当前值作为下一帧图像检测的初始值,依次循环,直到图像检测完成。
单个像素点检测模块:利用信息数据存储器存储的信息数据对单个像素点检测,与信息数据存储器连接,该模块包括以下子模块:
初步检测子模块:对像素点进行背景点或前景点的初步检测,获得初步检测结果;子模块包括单元211和单元212,其中,单元211用于计算像素点对应样本集合的平均特征值;单元212为基于单元211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
在这里之所以采用背景样本平均值为衡量标准是因为在真实的场景中必然会存在光照变化以及背静噪声等一系列扰动,也就是说每一个像素点的样本集可能包含了多种情况下的背景样本点,在这种情况下采用背景样本均值为衡量标准可以减少光照及背景噪声带来的影响,从而使平均特征值对于环境的变化具有一定的鲁棒性。为了更形象直观的说明像素点初步检测方法,设对i个像素点进行初步检测,其特征值为Xi,对应样本集合为Yi,计算第i个像素点的平均背景Bi,
其中,i=1,2,3,...,N,j=1,2,3,…,n;n为样本Yi中的样本点数目,Yij为第i个像素点的样本集合Yi中的第j个样本点的特征值;
若|Xi-Bi|≤Tb,
则第i个像素点为背景点,否则第i个像素点为前景点;
在进行运动目标检测时每帧图像的像素点大致可以分为前景点和背景点两类。基于核密度估计的检测算法实际上是计算每个点属于背景点的概率。其计算量主要在概率估计阶段,对于图像中的背景点,若不考虑外界的扰动(如光照,树叶摇动等),那么其灰度值或颜色特征值在一段时间内不会发生太大的变化,也就是背景点灰度值与其他样本值相差不大,这使核密度估计模型中的核函数自变量的值接近0。在这种情况下核函数的值接近于其值域的上限。此时,不需要进行全样本计算就可以得到像素点的概率密度估计。基于此,通过初步检测对像素点进行粗略划分为背景点和前景点,背景点的样本不需要全样本,进而减少运算量,提高目标检测的实时性,子集中样本点和样本点的数量可通过经验值确定。
非参数核密度估计模型检测子模块:与初步检测子模块连接,基于非参数核密度估计模型检测像素点,子模块包括单元221、单元222和单元223,其中,单元221用于基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;单元222根据像素点的非参数核密度估计模型下的背景概率更新对应标志位;单元223基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
为了便于说明本发明的技术方案,设每帧图像被切割为N个像素点,N为整数,且N≥1,像素点的特征值集合为X;单个像素点为第i个像素点,i=1,2,3,...,N;特征值为Xi,对应的样本集合为Yi,Yi中样本点个数为n,m为Yi的子集的样本点个数,n和m为整数,且n≥1,0≤m≤n;对应的标志位数值为Fi;h为窗宽;K为核函数;
当第i个像素点初步检测为前景点,j为Yi或Yi子集中样本点的序号,基于样本集合Yi计算非参数核密度估计模型下的背景概率为:
当第i个像素点初步检测为前景点,基于样本集合Yi的子集计算非参数核密度估计模型下的背景概率为:
单元222:根据像素点的非参数核密度估计模型下的背景概率更新对应标志位。
单元223:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;
若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
对于基于非参数核密度估计模型的目标检测算法,当场景中静止物体移动或是运动物体停止在场景中就可能会发生场景“死锁”现象,此时场景中的某一区域将会长时间的被检测为前景,但实际上“死锁”区域并没有运动发生,对图像中的每个像素点设置一个标志位,作为判断该像素点疑似死锁区域点的标志,当像素点经过标志位死锁检测为疑似死锁区域点时,需模型切换到混合高斯模型作进一步检测,以降低图像检测的虚警率。当像素点经过标志位死锁检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束。
混合高斯模型检测子模块:与非参数核密度估计模型检测子模块连接,用于对非参数核密度估计模型检测子模块中检测未结束的像素点,做基于混合高斯模型的进一步检测,子模块包括单元231、单元232、单元233和单元234,其中,单元231用于获取像素点混合高斯模型下的背景概率;单元232用于将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;单元233基于与运算结果更新像素点对应的标志位;单元234基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;基于标志位的数值大小对像素点进行死锁检测的原则为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;混合高斯模型能够将停止的运动目标逐渐融入到背景当中,有效解决场景中死锁问题,进而极大地降低了虚警率;
基于对应标志位的数值大小对像素点进行死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
单帧图像检测完成判断器:与单个像素点检测模块连接,采用单个像素点检测模块对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测。
图像检测完成判断器:与单帧图像检测完成判断器连接,对图像获取装置中获取的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
为了便于计算,像素点的特征值可以为灰度值,也可以为RGB值中的R值或G值或B值,以及R值、G值和B值中任意两个组合,以及三个数值一起。相应的,像素点对应的样本集合中样本点的值与像素点特征值对应。
标志位在目标检测过程中一直是处于可更新的状态,具体更新方式与其对应的像素点的检测结果有关:
若单个像素点检测为前景点,其对应标志位的新值为当前值加1;
若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
为了更形象的说明标志位更新的原则,设第i个像素点对应的标志位Fi进行更新:
当第i个像素点被检测为前景点时,Fi=Fi+1;
当第i个像素点被检测为背景点时,Fi=Fi-1。
参见图5,本发明实施例还提供了一种基于模型切换的目标检测系统,包括:摄像头701、FPGA板卡702和显示器703,FPGA板卡702与摄像头701和显示器703连接,摄像头用于获取图像,FPGA板卡702上的FPGA处理器因其并行的硬件结构使整个系统的实时性得到了较好的保证,显示器703用于显示图像中的目标信息。
系统还包括程序,装载在FPGA板卡702的FPGA处理器上,包含从摄像头获取的图像中进行目标检测的系列指令,系列指令包括:
获取图像指令,用于获取图像并按帧处理,可以从摄像头、录像、照片等获取图像信息,图像按帧处理。
单帧图像分割指令,每帧图像分割为相同数目的像素点,像素点的数目为一个或多个;为了便于目标检测相同位置目标是否由静止到运动或者由运动到静止,将每帧图像分割为相同数目的像素点,像素点的数目为一个或多个。
建立单帧图像的信息数据库的指令,信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;因采用非参数核密度估计模型检测,因此每个像素点需设置一个样本集合,为了有效解决死锁问题,每个像素点设置一个标志位,作为判断是否为死锁区域点的标志,用于配合后续检测。图像帧检测时,像素点、样本集合和标志位相对应。标志位在图像第一帧检测开始时,初始值为0,在完成第一帧图像检测后并不清零,当前值作为下一帧图像检测的初始值,依次循环,直到图像检测完成。
单个像素点检测的指令集,指令集包括:
指令21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;像素点初步检测的指令包括步骤211和步骤212.,步骤211为计算像素点对应样本集合的平均特征值;步骤212为基于步骤211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
在进行运动目标检测时每帧图像的像素点大致可以分为前景点和背景点两类。基于核密度估计的检测算法实际上是计算每个点属于背景点的概率。其计算量主要在概率估计阶段,对于图像中的背景点,若不考虑外界的扰动(如光照,树叶摇动等),那么其灰度值或颜色特征值在一段时间内不会发生太大的变化,也就是背景点灰度值与其他样本值相差不大,这使核密度估计模型中的核函数自变量的值接近0。在这种情况下核函数的值接近于其值域的上限。此时,不需要进行全样本计算就可以得到像素点的概率密度估计。基于此,通过初步检测对像素点进行粗略划分为背景点和前景点,背景点的样本不需要全样本,进而减少运算量,提高目标检测的实时性,子集中样本点和样本点的数量可通过经验值确定。
指令22:基于非参数核密度估计模型检测像素点,指令包括步骤221、步骤222和步骤223,其中,
步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:
当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;
当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率。
为了便于说明本发明的技术方案,设每帧图像被切割为N个像素点,N为整数,且N≥1,像素点的特征值集合为X;单个像素点为第i个像素点,i=1,2,3,...,N;特征值为Xi,对应的样本集合为Yi,Yi中样本点个数为n,Yi子集中样本点的个数为m,n和m为整数,且n≥1,0≤m≤n;对应的标志位数值为Fi;h为窗宽;K为核函数;j为Yi或Yi的子集中样本点的序号;
当第i个像素点初步检测为前景点,基于样本集合Yi计算非参数核密度估计模型下的背景概率为:
当第i个像素点初步检测为前景点,基于样本集合Yi的子集计算非参数核密度估计模型下的背景概率为:
步骤222:根据像素点的非参数核密度估计模型下的背景概率更新对应标志位。
步骤223:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;
若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
对于基于非参数核密度估计模型的目标检测算法,当场景中静止物体移动或是运动物体停止在场景中就可能会发生场景“死锁”现象,此时场景中的某一区域将会长时间的被检测为前景,但实际上“死锁”区域并没有运动发生,对图像中的每个像素点设置一个标志位,作为判断该像素点疑似死锁区域点的标志,当像素点经过标志位死锁检测为疑似死锁区域点时,需模型切换到混合高斯模型作进一步检测,以降低图像检测的虚警率。当像素点经过标志位死锁检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束。
指令23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,即在基于非参数核密度估计模型检测为疑似死锁区域点的像素点,做进一步基于混合高斯模型的检测,该指令包括如下步骤:
步骤231:获取像素点混合高斯模型下的背景概率;
步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;像素点获得一个基于与运算的背景概率;
步骤233:基于与运算结果更新像素点对应的标志位;像素点根据基于与运算的背景概率再次更新对应标志位,即第i个像素点再次更新标志位Fi。
步骤234:根据标志位进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;标志位死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
判断单帧图像检测完成的指令,按照单个像素点的检测指令集对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的指令,按照上述单帧图像的检测指令集对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
为了便于计算,像素点的特征值可以为灰度值,也可以为RGB值中的R值或G值或B值,以及R值、G值和B值中任意两个组合,以及三个数值;相应的,像素点对应的样本集合中样本点的值与像素点特征值对应。
标志位在目标检测过程中一直是处于可更新的状态,具体更新方式与其对应的像素点的检测结果有关:
若单个像素点检测为前景点,其对应标志位的新值为当前值加1;
若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
为了更形象的说明标志位更新的原则,设第i个像素点对应的标志位Fi进行更新:
当第i个像素点被检测为前景点时,Fi=Fi+1;
当第i个像素点被检测为背景点时,Fi=Fi-1。
像素点的初步检测指令包括如下步骤:
步骤211:计算像素点对应样本集合的平均特征值;
步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置。
在这里之所以采用背景样本平均值为衡量标准是因为在真实的场景中必然会存在光照变化以及背静噪声等一系列扰动,也就是说每一个像素点的样本集可能包含了多种情况下的背景样本点,在这种情况下采用背景样本均值为衡量标准可以减少光照及背景噪声带来的影响,从而使平均特征值对于环境的变化具有一定的鲁棒性。为了更形象直观的说明像素点初步检测方法,设对i个像素点进行初步检测,其特征值为Xi,对应样本集合为Yi,计算第i个像素点的平均背景Bi,
其中,i=1,2,3,...,N,j=1,2,3,…,n;n为样本Yi中的样本点数目,Yij为第i个像素点的样本集合Yi中的第j个样本点的特征值;
若|Xi-Bi|≤Tb,
则第i个像素点为背景点,否则第i个像素点为前景点;
Tb为初步判断阈值,Tb可在线配置。
基于标志位的数值大小对像素点进行死锁检测的方法为:
若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;
若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;
其中,Tf为标志位死锁检测的阈值,可在线配置。
本发明该提供一种存储介质,存储介质包括存储的程序,该程序运行时控制存储介质所在设备按照如下方法对图像中的目标进行检测,如图1、2和3所示,该方法的步骤为:
1:获取图像步骤,获取图像,图像按帧处理;可以从摄像头、录像、照片等获取图像信息,图像按帧处理。
2:单帧图像分割步骤,每帧图像分割为相同数目的像素点,像素点的数目为一个或多个;为了便于目标检测相同位置目标是否由静止到运动或者由运动到静止,将每帧图像分割为相同数目的像素点,像素点的数目为一个或多个。
3:建立单帧图像的信息数据库的步骤,信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,以及在单帧图像处理完后不清零;因采用非参数核密度估计模型检测,因此每个像素点需设置一个样本集合,为了有效解决死锁问题,每个像素点设置一个标志位,作为判断是否为死锁区域点的标志,用于配合后续检测。图像帧检测时,像素点、样本集合和标志位相对应。标志位在图像第一帧检测开始时,初始值为0,在完成第一帧图像检测后并不清零,当前值作为下一帧图像检测的初始值,依次循环,直到图像检测完成。
4:对单个像素点检测的步骤,步骤4可以细分为多个子步骤,参见图2,为单个像素点检测步骤细分步骤后的流程图,流程图包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;
在进行运动目标检测时每帧图像的像素点大致可以分为前景点和背景点两类。基于核密度估计的检测算法实际上是计算每个点属于背景点的概率。其计算量主要在概率估计阶段,对于图像中的背景点,若不考虑外界的扰动(如光照,树叶摇动等),那么其灰度值或颜色特征值在一段时间内不会发生太大的变化,也就是背景点灰度值与其他样本值相差不大,这使核密度估计模型中的核函数自变量的值接近0,在这种情况下核函数的值接近于其值域的上限。此时,不需要进行全样本计算就可以得到像素点的概率密度估计,基于此,通过初步检测对像素点进行粗略划分为背景点和前景点,背景点的样本不需要全样本计算,进而减少运算量,提高了目标检测的实时性,子集中样本点和样本点的数量可通过经验值确定。
步骤22:基于非参数核密度估计模型检测像素点的步骤,步骤包括:
子步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:
当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;
当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率。
为了便于说明本发明的技术方案,设每帧图像被切割为N个像素点,N为整数,且N≥1,像素点的特征值集合为X;单个像素点为第i个像素点,i=1,2,3,...,N;特征值为Xi,对应的样本集合为Yi,Yi中样本点个数为n,m为Yi的子集的样本点个数,n和m为整数,且n≥1,0≤m≤n;对应的标志位数值为Fi;h为窗宽;K为核函数;
当第i个像素点初步检测为前景点,j为Yi或Yi子集中样本点的序号,基于样本集合Yi计算非参数核密度估计模型下的背景概率为:
当第i个像素点初步检测为前景点,基于样本集合Yi的子集计算非参数核密度估计模型下的背景概率为:
子步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位。
子步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;
若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
对于基于非参数核密度估计模型的目标检测算法,当场景中静止物体移动或是运动物体停止在场景中就可能会发生场景“死锁”现象,此时场景中的某一区域将会长时间的被检测为前景,但实际上“死锁”区域并没有运动发生,对图像中的每个像素点设置一个标志位,作为判断该像素点疑似死锁区域点的标志,当像素点经过标志位死锁检测为疑似死锁区域点时,需模型切换到混合高斯模型作进一步检测,以降低图像检测的虚警率。当像素点经过标志位死锁检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束。
对检测未结束的像素点,做基于混合高斯模型的进一步检测,即在基于非参数核密度估计模型检测为疑似死锁区域点的像素点,做进一步基于混合高斯模型的检测,检测的方法包括如下子步骤:
子步骤231:获取像素点混合高斯模型下的背景概率;
子步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;像素点获得一个基于与运算的背景概率;
子步骤233:基于与运算结果更新像素点对应的标志位;像素点根据基于与运算的背景概率再次更新对应标志位,即第i个像素点再次更新标志位Fi。
子步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:
若像素点被检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
若像素点被检测为疑似死锁区域点,因为该像素点经过两次死锁检测,均检测为疑似死锁区域点,因此可认为该点为非死锁区域点,保留混合高斯模型的各个参数,单个像素点检测结束;
由于混合高斯模型能够将停止的运动目标逐渐融入到背景当中,有效解决场景中死锁问题,进而极大地降低了虚警率。
5:判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
6:判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
为了便于计算,像素点的特征值可以为灰度值,也可以为RGB值中的R值或G值或B值,以及R值、G值和B值中任意两个组合,以及三个数值,相应的,像素点对应的样本集合中样本点的值与像素点特征值对应。
标志位在目标检测过程中一直是处于可更新的状态,具体更新方式与其对应的像素点的检测结果有关:
若单个像素点检测为前景点,其对应标志位的新值为当前值加1;
若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
为了更形象的说明标志位更新的原则,设第i个像素点对应的标志位Fi进行更新:
当第i个像素点被检测为前景点时,Fi=Fi+1;
当第i个像素点被检测为背景点时,Fi=Fi-1。
如图3,为像素点的初步检测方法,该方法可通过如下子步骤实现:
子步骤211:计算像素点对应样本集合的平均特征值;
子步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置。
在这里之所以采用背景样本平均值为衡量标准是因为在真实的场景中必然会存在光照变化以及背静噪声等一系列扰动,也就是说每一个像素点的样本集可能包含了多种情况下的背景样本点,在这种情况下采用背景样本均值为衡量标准可以减少光照及背景噪声带来的影响,从而使平均特征值对于环境的变化具有一定的鲁棒性。为了更形象直观的说明像素点初步检测方法,设对i个像素点进行初步检测,其特征值为Xi,对应样本集合为Yi,计算第i个像素点的平均背景Bi,
其中,i=1,2,3,...,N,j=1,2,3,…,n;n为样本Yi中的样本点数目,Yij为第i个像素点的样本集合Yi中的第j个样本点的特征值;
若|Xi-Bi|≤Tb,
则第i个像素点为背景点,否则第i个像素点为前景点;Tb为初步判断阈值,Tb可在线配置。
基于对应标志位的数值大小对像素点进行死锁检测的方法为:
若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;
若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;
其中,Tf为标志位死锁检测的阈值,可在线配置。
本发明一种基于模型切换的目标检测方法、装置、系统和存储介质的有益技术效果是:
本发明提供的方法、装置、系统和存储介质,通过像素点的初步检测,对初步检测为背景点的像素点使用样本集合的子集进行非参数核密度估计,极大地减少了运算量,从而提高了目标检测的实时性。通过将非参数核密度估计模型检测为疑似死锁区域点的像素点切换到混合高斯模型检测;每个像素点设置有判断像素点是否处于死锁区域的标志位,基于该标志位的数值进行死锁检测;有效地减少了死锁区域像素点误判,极大地降低了虚警率。
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,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。
Claims (9)
1.一种基于模型切换的目标检测方法,其特征在于,所述方法包括:
获取图像步骤,获取图像,图像按帧处理;
单帧图像分割步骤,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的步骤,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;
对单个像素点检测的步骤,所述步骤包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;
步骤22:基于非参数核密度估计模型检测像素点,检测步骤包括:
步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;
步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位;
步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点被检测为非死锁区域点,单个像素点检测结束;若像素点被检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
步骤23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,检测步骤包括:
步骤231:获取像素点混合高斯模型下的背景概率;
步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;
步骤233:基于与运算结果更新像素点对应的标志位;
步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
2.根据权利要求1所述的基于模型切换的目标检测方法,其特征在于,所述特征值为灰度值或RGB值。
3.根据权利要求1所述的基于模型切换的目标检测方法,其特征在于,所述标志位更新原则为:
若单个像素点检测为前景点,其对应标志位的新值为当前值加1;
若单个像素点检测为背景点,其对应标志位的新值为当前值减1。
4.根据权利要求1所述的基于模型切换的目标检测方法,其特征在于,所述像素点的初步检测方法为:
步骤211:计算像素点对应样本集合的平均特征值;
步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置。
5.根据权利要求1所述的基于模型切换的目标检测方法,其特征在于,所述基于标志位的数值大小对像素点进行死锁检测的方法为:
若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;
若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置。
6.根据权利要求1所述的基于模型切换的目标检测方法,其特征在于,所述像素点计算出非参数核密度估计模型下的背景概率且更新对应标志位后,基于标志位的数值大小像素点被检测为非死锁区域点时,需选择性更新该像素点对应的样本集合后,单个像素点检测结束。
7.一种基于模型切换的目标检测装置,其特征在于,包括:
图像获取模块:用于获取图像并按帧处理;
单帧图像分割模块:与图像获取模块连接,将图像获取模块中获取的每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
信息数据存储器:用于存储图像获取模块获取的每帧图像的信息数据,所述信息数据存储器与单帧图像分割模块连接,包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
单个像素点检测模块:利用信息数据存储器存储的信息数据对单个像素点检测,与信息数据存储器连接,所述模块包括以下子模块:
初步检测子模块:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述子模块包括单元211和单元212,其中,单元211用于计算像素点对应样本集合的平均特征值;单元212为基于单元211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
非参数核密度估计模型检测子模块:与初步检测子模块连接,基于非参数核密度估计模型检测像素点,所述子模块包括单元221、单元222和单元223,其中,单元221用于基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;单元222根据像素点的非参数核密度估计模型下的背景概率更新对应标志位;单元223基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
混合高斯模型检测子模块:与非参数核密度估计模型检测子模块连接,用于对非参数核密度估计模型检测子模块中检测未结束的像素点,做基于混合高斯模型的进一步检测,所述子模块包括单元231、单元232、单元233和单元234,其中,单元231用于获取像素点混合高斯模型下的背景概率;单元232用于将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;单元233基于与运算结果更新像素点对应的标志位;单元234基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;所述基于标志位的数值大小对像素点进行死锁检测的原则为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf 为标志位死锁检测的阈值,可在线配置;
单帧图像检测完成判断器:与单个像素点检测模块连接,利用单个像素点检测模块对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
图像检测完成判断器:与单帧图像检测完成判断器连接,对图像获取装置中获取的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
8.一种基于模型切换的目标检测系统,包括摄像头、FPGA板卡和显示器,其中,FPGA板卡与摄像头和显示器连接,显示器用于显示检测到的目标信息,其特征在于,还包括程序,装载在FPGA板卡芯片上,包含从摄像头获取的图像中进行目标检测的系列指令,所述系列指令包括:
获取图像指令,用于获取图像并按帧处理;
单帧图像分割指令,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的指令,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
单个像素点检测的指令集,所述指令集包括:
指令21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述像素点初步检测的指令包括步骤211和步骤212,步骤211为计算像素点对应样本集合的平均特征值;步骤212为基于步骤211的平均特征值进行检测,若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
指令22:基于非参数核密度估计模型检测像素点,所述指令包括步骤221、步骤222和步骤223,其中,步骤221为基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;步骤222为根据像素点的非参数核密度估计模型下的背景概率更新对应标志位;步骤223为基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,选择性更新样本集合,单个像素点检测结束;若像素点检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
指令23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,所述指令包括步骤231、步骤232、步骤233和步骤234,其中,步骤231为获取像素点混合高斯模型下的背景概率;步骤232为将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;步骤233为基于与运算结果更新像素点对应的标志位;步骤234为基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;所述基于标志位的数值大小对像素点进行死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf 为标志位死锁检测的阈值,可在线配置;
判断单帧图像检测完成的指令,按照上述单个像素点的检测指令集对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的指令,按照上述单帧图像的检测指令集对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备按照如下方法对图像中的目标进行检测:
获取图像步骤,获取图像,图像按帧处理;
单帧图像分割步骤,每帧图像分割为相同数目的像素点,所述像素点的数目为一个或多个;
建立单帧图像的信息数据库的步骤,所述信息数据库包括:单帧图像上所有像素点的特征值集合、与单个像素点对应的样本集合以及与单个像素点对应的标志位,其中,所述标志位为判断像素点是否处于死锁区域的标志,按照标志位更新原则更新,且在单帧图像处理完后不清零;所述特征值为灰度值或RGB值;所述标志位更新原则为:若单个像素点检测为前景点,其对应标志位的新值为当前值加1;若单个像素点检测为背景点,其对应标志位的新值为当前值减1;
对单个像素点检测的步骤,所述步骤包括:
步骤21:对像素点进行背景点或前景点的初步检测,获得初步检测结果;所述像素点的初步检测方法为:步骤211:计算像素点对应样本集合的平均特征值;步骤212:若像素点特征值与上述平均特征值的差的绝对值小于等于阈值Tb,则该像素点初步检测为背景点,否则为前景点;其中,Tb为初步检测阈值,可在线配置;
步骤22:基于非参数核密度估计模型检测像素点,检测步骤包括:步骤221:基于初步检测结果,获取像素点非参数核密度估计模型下的背景概率:当像素点初步检测为前景点,基于对应的样本集合计算非参数核密度估计模型下的背景概率;当像素点初步检测为背景点,基于对应的样本集合的子集计算非参数核密度估计模型下的背景概率;步骤222:基于像素点的非参数核密度估计模型下的背景概率更新对应标志位;步骤223:基于对应标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点被检测为非死锁区域点,选择性更新对应样本集合,单个像素点检测结束;若像素点被检测为疑似死锁区域点,单个像素点检测未结束,进行基于混合高斯模型的进一步检测;
步骤23:对检测未结束的像素点,做基于混合高斯模型的进一步检测,检测步骤包括:
步骤231:获取像素点混合高斯模型下的背景概率;步骤232:将像素点获取的上述非参数核密度估计模型下的背景概率与混合高斯模型下的背景概率做与运算,得到与运算结果;步骤233:基于与运算结果更新像素点对应的标志位;步骤234:基于标志位的数值大小对像素点进行死锁检测,并根据检测结果执行以下操作:若像素点检测为非死锁区域点,初始化混合高斯模型的各个参数,单个像素点检测结束,否则保留混合高斯模型的各个参数,单个像素点检测结束;
所述基于标志位的数值大小对像素点进行死锁检测的方法为:若像素点对应标志位的数值小于Tf,则像素点为非死锁区域点;若像素点对应标志位的数值大于等于Tf,则像素点为疑似死锁区域点;其中,Tf为标志位死锁检测的阈值,可在线配置;
判断单帧图像检测完成的步骤,按照上述单个像素点的检测方法对单帧图像中的像素点依次检测,直至所有像素点检测完成,完成单帧图像的目标检测;
判断图像检测完成的步骤,按照上述单帧图像的检测方法对图像中的图像帧依次检测,直至所有图像帧检测完成,完成图像的目标检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671538.9A CN107452019B (zh) | 2017-08-08 | 2017-08-08 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710671538.9A CN107452019B (zh) | 2017-08-08 | 2017-08-08 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107452019A true CN107452019A (zh) | 2017-12-08 |
CN107452019B CN107452019B (zh) | 2021-07-20 |
Family
ID=60491196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710671538.9A Active CN107452019B (zh) | 2017-08-08 | 2017-08-08 | 一种基于模型切换的目标检测方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107452019B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447954A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种基于核密度估计的伪装效果评估方法 |
CN109460205A (zh) * | 2018-11-06 | 2019-03-12 | 沈阳天眼智云信息科技有限公司 | 数据曲线的生成与显示方法及系统 |
CN111724352A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090110236A1 (en) * | 2007-10-29 | 2009-04-30 | Ching-Chun Huang | Method And System For Object Detection And Tracking |
CN101437113A (zh) * | 2007-11-14 | 2009-05-20 | 汉王科技股份有限公司 | 自适应内核密度估计运动检测装置与方法 |
US7885463B2 (en) * | 2006-03-30 | 2011-02-08 | Microsoft Corp. | Image segmentation using spatial-color Gaussian mixture models |
CN104077786A (zh) * | 2014-06-27 | 2014-10-01 | 深圳市赛为智能股份有限公司 | 一种基于自适应核密度估计模型的运动目标检测方法 |
CN105929843A (zh) * | 2016-04-22 | 2016-09-07 | 天津城建大学 | 一种基于改进蚁群算法的机器人路径规划方法 |
CN106851302A (zh) * | 2016-12-22 | 2017-06-13 | 国网浙江省电力公司杭州供电公司 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
-
2017
- 2017-08-08 CN CN201710671538.9A patent/CN107452019B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7885463B2 (en) * | 2006-03-30 | 2011-02-08 | Microsoft Corp. | Image segmentation using spatial-color Gaussian mixture models |
US20090110236A1 (en) * | 2007-10-29 | 2009-04-30 | Ching-Chun Huang | Method And System For Object Detection And Tracking |
CN101437113A (zh) * | 2007-11-14 | 2009-05-20 | 汉王科技股份有限公司 | 自适应内核密度估计运动检测装置与方法 |
CN104077786A (zh) * | 2014-06-27 | 2014-10-01 | 深圳市赛为智能股份有限公司 | 一种基于自适应核密度估计模型的运动目标检测方法 |
CN105929843A (zh) * | 2016-04-22 | 2016-09-07 | 天津城建大学 | 一种基于改进蚁群算法的机器人路径规划方法 |
CN106851302A (zh) * | 2016-12-22 | 2017-06-13 | 国网浙江省电力公司杭州供电公司 | 一种基于帧内编码压缩域的监控视频运动目标检测方法 |
Non-Patent Citations (5)
Title |
---|
DAN YANG等: "Vehicle Detection in Video Based on the Framework of Kernel Density Estimation", 《2013 AASRI WINTER INTERNATIONAL CONFERENCE ON ENGINEERING AND TECHNOLOGY》 * |
DONGBIN XU等: "An Adaptive Kernel Density Estimation for Motion Detection", 《2008 SECOND INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION》 * |
吕游 等: "基于混合高斯模型与核密度估计的目标检测", 《信息技术》 * |
李国祥等: "非参数核密度估计的动态目标识别与定位", 《计算机技术与发展》 * |
芮挺 等: "核密度估计与高斯模型联级运动目标检测", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447954A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种基于核密度估计的伪装效果评估方法 |
CN109447954B (zh) * | 2018-10-11 | 2021-07-23 | 北京理工大学 | 一种基于核密度估计的伪装效果评估方法 |
CN109460205A (zh) * | 2018-11-06 | 2019-03-12 | 沈阳天眼智云信息科技有限公司 | 数据曲线的生成与显示方法及系统 |
CN109460205B (zh) * | 2018-11-06 | 2021-09-10 | 沈阳天眼智云信息科技有限公司 | 数据曲线的生成与显示方法及系统 |
CN111724352A (zh) * | 2020-05-30 | 2020-09-29 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
CN111724352B (zh) * | 2020-05-30 | 2022-11-15 | 同济大学 | 一种基于核密度估计的贴片led瑕疵标注方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107452019B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845357B (zh) | 一种基于多通道网络的视频人脸检测和识别方法 | |
CN105405154B (zh) | 基于颜色-结构特征的目标对象跟踪方法 | |
CN110580723B (zh) | 一种利用深度学习和计算机视觉进行精准定位的方法 | |
CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN108875600A (zh) | 一种基于yolo的车辆信息检测和跟踪方法、装置及计算机存储介质 | |
CN109800689A (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
CN110378997A (zh) | 一种基于orb-slam2的动态场景建图与定位方法 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN110967014B (zh) | 一种基于增强现实技术的机房室内导航和设备追踪的方法 | |
CN113553979B (zh) | 一种基于改进yolo v5的安全服检测方法和系统 | |
CN108830185B (zh) | 基于多任务联合学习的行为识别及定位方法 | |
CN110428449A (zh) | 目标检测跟踪方法、装置、设备及存储介质 | |
US20200117952A1 (en) | Target object position prediction and motion tracking | |
US10803604B1 (en) | Layered motion representation and extraction in monocular still camera videos | |
CN109522963A (zh) | 一种单机运行的特征建筑目标检测方法和系统 | |
CN109886356A (zh) | 一种基于三分支神经网络的目标追踪方法 | |
CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
CN107452019A (zh) | 一种基于模型切换的目标检测方法、装置、系统及存储介质 | |
CN114677323A (zh) | 一种室内动态场景下基于目标检测的语义视觉slam定位方法 | |
CN109063549A (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
US20220207266A1 (en) | Methods, devices, electronic apparatuses and storage media of image processing | |
CN106022266A (zh) | 一种目标跟踪方法及装置 | |
CN110827320A (zh) | 基于时序预测的目标跟踪方法和装置 | |
CN110046677A (zh) | 数据预处理方法、地图构建方法、回环检测方法及系统 | |
CN114612393A (zh) | 一种基于单目视觉的反光零件位姿估计方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 400039 73, No. 1, Kecheng Road, Kowloon Po District, Chongqing, 7, A. Applicant after: Chongqing hop Technology Co., Ltd. Address before: A road 400039 Jiulongpo District of Chongqing Science Park No. 2 11-9 Applicant before: Chongqing hop Technology Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |