CN107590486A - 运动目标识别方法和系统、自行车流量统计方法和设备 - Google Patents
运动目标识别方法和系统、自行车流量统计方法和设备 Download PDFInfo
- Publication number
- CN107590486A CN107590486A CN201710941925.XA CN201710941925A CN107590486A CN 107590486 A CN107590486 A CN 107590486A CN 201710941925 A CN201710941925 A CN 201710941925A CN 107590486 A CN107590486 A CN 107590486A
- Authority
- CN
- China
- Prior art keywords
- moving target
- image
- target
- sequence
- video
- 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
Landscapes
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明涉及一种运动目标识别方法,包括步骤:在获取视频图像序列后,检测所述视频图像序列的运动目标;对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。上述运动目标识别方法克服了传统技术识别准确性低的缺陷,达到了能对运动目标进行准确识别的技术效果,对目标进行视频监控提供了数据支持。还提供一种运动目标识别系统、一种自行车流量统计方法和设备。
Description
技术领域
本发明涉及识别技术领域,特别是涉及一种运动目标识别方法和系统、自行车流量统计方法和设备。
背景技术
随着视频监控等技术的发展,对视频中的运动目标的识别的准确性的要求也越来越高。以道路交通的交通目标为例,由于不合理规划道路交通资源将会导致道路交通拥堵等问题,道路交通资源的合理规划依赖于对道路交通的交通目标的准确识别,例如道路自行车数量的急剧上涨占用大量道路交通资源,对道路交通资源的合理规划。
传统技术通过提取视频图像的前景图像来获得视频图像中的运动目标的图像特征信息,再根据该图像特征识别运动目标的类别。利用这种技术得到的运动目标的特征信息不准确,导致无法准确识别所述视频图像中的运动目标。
发明内容
基于此,有必要针对传统技术对运动目标识别不准确的问题,提供一种准确的运动目标识别方法和系统。
一种运动目标识别方法,包括步骤:
在获取视频图像序列后,检测所述视频图像序列的运动目标;
对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;
根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;
将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
上述运动目标识别方法,在获取视频图像序列后,检测并跟踪所述视频图像序列的运动目标得到运动目标的运动轨迹,根据该运动轨迹从所述视频图像序列中提取运动目标的特征信息,利用决策树模型对该运动目标的特征信息进行判决,从而识别所述运动目标。该方法克服了传统技术识别准确性低的缺陷,达到了对运动目标进行准确识别的技术效果,对目标进行视频监控提供了数据支持。
一种运动目标识别系统,包括:
目标检测模块,用于在获取视频图像序列后,检测所述视频图像序列的运动目标;
目标跟踪模块,用于对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;
特征提取模块,用于根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;
目标识别模块,用于将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
上述运动目标识别系统,利用目标检测模块检测运动目标,通过目标跟踪模块得到所述运动目标在视频图像中的运动轨迹,利用特征提取模块根据该运动轨迹从所述视频图像序列中提取运动目标的特征信息,目标识别模块利用决策树模型对该运动目标的特征信息进行判决,从而识别所述运动目标。该系统克服了传统技术识别准确性低的缺陷,达到了对运动目标进行准确识别的技术效果,对目标进行视频监控提供了数据支持。
另外,还有必要针对传统技术对自行车流量统计不准确的问题,提供一种自行车流量统计方法。
一种自行车流量统计方法,包括步骤:
实时采集视频图像;
从视频图像中识别出自行车群;其中,根据如上所述的运动目标识别方法从所述视频图像中识别出所述自行车群;
根据所述自行车群的图像面积与单辆自行车的图像面积的比值,得到所述自行车群中的单辆自行车的数量;其中,根据如上所述的运动目标识别方法从所述视频图像中识别出所述单辆自行车;
统计所述视频图像中的单辆自行车的数量和所述自行车群中的单辆自行车的数量,得到所述视频图像的自行车流量。
上述自行车流量统计方法,通过从视频图像中准确识别自行车和自行车群,得到所述视频图像的自行车流量,为自行车的监控管理提供数据基础。
进一步的,还有必要提供一种自行车流量统计设备。
一种自行车流量统计设备,包括:视频采集模块,定位模块,数据传输模块,视频检测分析模块和数据发送模块;
所述视频采集模块配置在指定交通道路上,用于采集所述交通道路的车辆交通视频信息;
所述定位模块用于获取所述视频采集模块所在的交通道路的位置信息;
所述数据传输模块用于将所述车辆交通视频信息和交通道路的位置信息传输至所述视频检测分析模块;
所述视频检测分析模块被配置为执行如上所述的自行车流量统计方法,并得到通过所述交通道路的自行车流量的数据;
所述数据发送模块被配置为将所述交通道路的自行车流量的数据和所述交通道路的位置信息发送至指定数据监控中心。
上述自行车流量统计设备,通过准确识别交通道路的自行车以及对该路段自行车流量进行统计,并且将该自行车流量数据发送至指定数据监控中心,为交通道路的监控和管理提供数据支持。
一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述运动目标识别方法。
上述计算机设备,克服了传统技术对运动目标识别不准确的问题,达到了准确识别运动目标的技术效果。
一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述运动目标识别方法。
上述计算机存储介质,其计算机程序克服了传统技术对运动目标识别不准确的问题,达到了准确识别运动目标的技术效果。
附图说明
图1为本发明的一个实施例中的运动目标识别方法的流程图;
图2为本发明的一个实施例中的运动目标检测方法的示意图;
图3为本发明的一个实施例中的决策树的示意图;
图4为本发明的一个实施例中的运动目标识别系统的结构示意图;
图5为本发明的一个实施例中的自行车流量统计方法的流程图;
图6为本发明的一个实施例中的自行车流量统计设备的结构示意图。
具体实施方式
下面结合附图对本发明的运动目标识别方法的具体实施方式进行详细说明。
在一个实施例中,提供一种运动目标识别方法,参考图1所述,图1为本发明的一个实施例中的运动目标识别方法的流程图,包括如下步骤:
步骤S102,在获取视频图像序列后,检测所述视频图像序列的运动目标。
其中,视频图像序列的每一帧图像包括图像的背景和图像中移动的目标,通过在图像的背景下检测图像中移动的目标,得到视频图像序列中的每一张图像的运动目标。
所述视频图像序列可以是包含车辆交通信息的视频,所述运动目标可以是运动的交通目标,例如,单辆自行车、自行车群、行人、机动车和高速运动车辆等。
在一个实施例中,根据所述视频图像序列的相邻帧图像信息,提取所述视频图像序列的特征图像序列,根据所述特征图像序列识别所述视频图像序列的运动目标。
具体的,由于所述视频图像序列的相邻帧图像能反映运动目标的位置变化等信息,所以根据视频图像序列的相邻帧图像信息,提取出含有运动目标信息的特征图像序列,其中,特征图像序列主要是指去除了静态图像背景的视频图像序列,然后根据所述特征图像序列的图像像素点特征,识别出所述视频图像序列中的运动目标。
在一个实施例中,可以通过如下步骤检测所述视频图像序列的运动目标:
a、从所述视频图像序列中选取连续三帧图像进行两两图像的差分运算,得到第一差分图像和第二差分图像;
b、根据预设阈值对所述第一差分图像和第二差分图像进行二值化处理,得到所述第一二值化图像和第二二化值图像;
c、对所述第一二值化图像和第二二化值图像进行逻辑与运算,得到二值图像;
重复上述步骤a~c,直至将所述视频图像序列中除第一帧和最后一帧之外的所有图像转化为二值图像,得到二值图像序列;
d、对所述二值图像序列的每一帧二值图像进行膨胀和孔洞填充处理,得到所述视频图像序列的特征图像序列;
e、根据所述特征图像序列的每一帧图像的像素点的取值,确定所述视频图像序列的运动目标。
上述实施例中,所述两两图像的差分运算是指将对两张图像的像素点取值对应进行减法运算后取绝对值,得到差分图像,所述膨胀和孔洞填充属于形态学的图像处理方法。
具体的,参考图2所示,图2为本发明的一个实施例中的运动目标检测方法的示意图,从所述视频图像序列中任意选取连续三帧图像进行两两图像的差分运算,得到第一差分图像和第二差分图像,具体可以通过如下公式计算差分图像:
Dk-1,k(x)=|fk(x)-fk-1(x)|
Dk,k+1(x)=|fk+1(x)-fk(x)|
其中,k-1,k和k+1分别表示第k-1帧图像,第k帧图像和第k+1帧图像的序号,x表示某一帧图像的像素点序号,Dk-1,k(x)表示第k-1帧图像和第k帧图像的差分图像,Dk,k+1(x)表示第k帧图像和第k+1帧图像的差分图像,fk(x),fk-1(x)和fk+1(x)分别表示在第k-1帧图像,第k帧图像和第k+1帧图像中在像素点序号为x的像素点的取值。
对上述的差分图像分别进行二值化处理,将差分图像转化为二值化图像,例如,根据预设阈值对所述第一差分图像和第二差分图像进行二值化处理,得到第一二值化图像和第二二值化图像,具体可以通过如下公式计算二值化图像:
其中,Tb表示预设的二值化阈值,Tk-1,k(x)表示差分图像Dk-1,k(x)的二值化图像,Tk,k+1(x)表示差分图像Dk,k+1(x)的二值化图像。
接着将上述的二值化图像进行逻辑相“与”运算,得到二值图像,具体可以利用如下公式计算二值图像:
其中,Tk(x)表示第k帧二值图像。可以理解的是,通过重复上述步骤a~c,能够将除第一帧和最后一帧之外的所有图像转化为二值图像,从而得到所述视频图像序列的二值图像序列。
对上述二值图像序列的每一帧二值图像进行形态学处理,例如,对每一帧二值图像进行膨胀和孔洞填充处理,得到经过形态学处理后的二值图像序列,将该二值图像序列作为所述视频图像序列的特征图像序列;根据所述特征图像序列的每一帧图像的像素点的取值,确定所述视频图像序列的运动目标。可选的,将取值为1的像素点构成的图形标识为所述视频图像序列的图像中的运动目标。
利用这种方法可以提高在视频图像中检测运动目标的准确性和可靠性。
步骤S104,对所述运动目标进行跟踪,得到所述运动目标的运动轨迹。
其中,对运动目标进行跟踪一般是指监视目标在视频图像序列中的时间和空间的变化。
具体的,由于运动目标在视频图像序列的每一帧图像中的位置是不断改变的,通过对所述运动目标进行跟踪,确定运动目标在所述视频图像序列的每一帧图像中的位置,根据所述运动目标在每一帧图像中的位置信息,得到运动目标在所述视频图像序列的运动轨迹。
利用该步骤对所述运动目标的运动轨迹进行跟踪,可以准确得到所述运动目标在视频图像序列每一帧中的位置等信息,得到准确可靠的运动目标的运动轨迹。
在一个实施例中,根据所述视频图像序列提取所述运动目标的图像特征信息,确定所述运动目标在每一帧图像的位置信息,获取所述运动目标的运动轨迹。
其中,所述图像特征信息可以包括所述运动目标在视频图像的每一帧图像中所占的图像面积等特征信息。
具体的,根据所述视频图像序列的每一帧图像的像素点的取值得到运动目标的在每一帧图像中的图像特征信息,根据每一帧图像中的运动目标的图像特征信息,确定所述运动目标在每一帧图像的位置,根据所述运动目标在每一帧图像的位置,得到所述运动目标在所述视频图像序列的运动轨迹。
例如,可以采用基于特征的跟踪方法,通过比较相邻帧图像中的运动目标的图像特征信息,得到相邻帧图像中的对应运动目标的匹配度,当该匹配度大于一个预设阈值,则识别为相邻帧图像中的同一个运动目标,通过这种方法确定每一个运动目标在视频图像的每一帧图像中的位置信息,得到所述运动目标在所述视频图像序列的运动轨迹。
作为一个实施例,可以通过如下步骤对所述运动目标进行跟踪,从而得到所述运动目标的运动轨迹:
f、从所述视频图像序列的运动目标中指定一个运动目标作为待跟踪运动目标,标识所述待跟踪运动目标所在图像为第一图像,从所述第一图像中提取所述待跟踪运动目标的图像特征参数;
g、标识与所述第一图象相邻的其中一帧图像为第二图像,提取所述第二图象中的运动目标的图像特征参数;
h、比较所述待跟踪运动目标与第二图像中的运动目标的图像特征参数,得到所述第二图像中的运动目标与待跟踪运动目标的匹配度参数;
i、根据所述匹配度参数,从所述第二图象的运动目标中识别所述待跟踪运动目标,提取所述待跟踪运动目标在所述第二图像的位置信息;
重复上述步骤g~i,依次从所述视频图像序列的相邻帧图像中识别所述待跟踪运动目标,直至获得所述待跟踪运动目标在所有图像中的位置信息;
j、根据所述待跟踪运动目标在所有图像的位置信息,得到所述待跟踪运动目标的运动轨迹。
具体的,由于视频图像序列中每一帧的图像可能含有多个运动目标,可以从这些运动目标中任意指定一个运动目标作为待跟踪运动目标,并且标识所述待跟踪运动目标所在图像为第一图像,从所述第一图像中提取所述待跟踪运动目标的图像特征参数。
例如,该目标的在第一图象中的图像面积等图像特征参数;将与所述第一图象相邻的其中一帧图像标识为第二图像,从所述第二图象中提取第二图像中的所有运动目标的图像特征参数;比较所述待跟踪运动目标与第二图像中的运动目标的图像特征参数,得到所述第二图像中的运动目标与待跟踪运动目标的匹配度参数;根据该匹配度参数,从所述第二图象的运动目标中找到与待跟踪运动目标的匹配度最高的相似运动目标,并将该相似运动目标识别为第二图像中的待跟踪运动目标,根据该相似运动目标的位置信息确定待跟踪目标在第二图像的位置信息。
可以理解的是,通过上述g~i步骤对待跟踪运动目标进行逐帧图像的匹配,从而确定待跟踪运动目标在每一帧图像中的位置信息,根据上述位置信息,得到所述待跟踪运动目标的运动轨迹。
步骤S106,根据所述运动目标的运动轨迹,提取所述运动目标的特征信息。
具体的,从所述运动目标在视频图像的运动轨迹中提取出所述运动目标的特征信息,所述特征信息可以包括所述运动目标的运动特征信息和运动目标在视频图像序列中的图像特征信息等,例如,运动特征信息包括运动目标的运动速度,图像特征信息包括运动目标在所述视频图像序列中的图像面积、图像宽高比和图像致密度。
在一个实施例中,根据所述运动目标的运动轨迹,得到所述运动目标在指定的相邻两帧图像中的位置变化;根据所述运动目标在指定的相邻两帧图像中的位置变化和所述指定的相邻两帧图像的时间间隔,得到所述运动目标的运动速度,根据所述运动目标的运动速度获取所述运动目标的特征信息。
在所述实施例中,根据所述运动目标的运动轨迹,确定运动目标在每一帧图像的位置信息,根据该位置信息计算所述运动目标在两帧图像之间的位置变化值,根据位置变化值以及两帧图像之间的时间间隔计算所述运动目标的运动速度。
可选的,由于运动速度能够反映视频图像中的运动目标的基本运动特征,将运动速度作为所述运动目标的特征信息。
在另外一个实施例中,根据所述运动目标的像素点信息,得到所述运动目标的图像面积、图像宽高比和图像致密度;根据所述运动目标的图像面积、图像宽高比和图像致密度获取所述运动目标的特征信息。
其中,所述图像面积和图像宽高比根据所述运动目标在视频图像中所构成的像素点大小计算,根据视频图像中构成所述运动目标的外围像素点,计算运动目标的图像周长,所述图像致密度(致密度=面积/周长)则通过上述运动目标的图像面积和图像周长的比值计算。
具体的,根据所述运动目标的占据视频图像的像素点大小,得到所述运动目标的图像面积、图像宽高比和图像致密度,从所述运动目标的图像面积、图像宽高比和图像致密度提取所述运动目标的特征信息。
可选的,由于在视频图像中,运动目标的大小和形状信息主要通过视频图像的图像面积、图像宽高比和图像致密度体现,将所述运动目标的图像面积、图像宽高比和图像致密度作为所述运动目标的特征信息,能够提高识别视频图像中的运动目标的准确性和可靠性。
步骤S108,将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
在本步骤中,决策树模型的结点可以记录与所述运动目标的特征信息相对应的运动目标识别判据。在利用决策树模型对运动目标进行决策时,对所述运动目标进行至少一次决策,每一次决策通过相应的结点所记录的判决属性对运动目标的特征信息进行判决,根据各个结点的判决结果识别所述运动目标。
进一步的,所述决策树模型的根结点的判决属性可以设置为所述运动目标的运动速度。
在一个实施例中,在步骤S108的将所述运动目标的特征信息输入决策树模型后,通过所述决策树模型的根结点对所述运动目标的运动速度进行第一次决策的判决,根据判决的结果识别所述运动目标为第一类运动目标或第二类运动目标。
具体的,若所述运动目标的运动速度大于所述根结点的预设阈值,将所述运动目标识别为第一类运动目标,若所述运动目标的运动速度小于或等于所述根结点的预设阈值,识别所述运动目标为第二类运动目标。
进一步的,所述决策树模型第一次决策的第一子结点的判决属性可以设置为所述运动目标的图像面积。
在一个实施例中,所述决策树模型还可以对运动目标进行第二次决策,通过所述决策树模型的第一子结点对所述运动目标的图像面积进行第二次决策的判决。具体的,当所述运动目标被识别为第二类运动目标时,若所述运动目标的图像面积大于所述第一次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第三类运动目标;若所述运动目标的图像面积小于或等于所述第一次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第四类运动目标。
进一步的,所述决策树模型的第二次决策的第一子结点的判决属性可以设置为所述运动目标的图像致密度。
在一个实施例中,所述决策树模型还可以对运动目标进行第三次决策,通过所述决策树模型的第二次决策的第一子结点对上述运动目标的图像致密度进行第三次决策的判决。
具体的,当所述运动目标被分类为第三类运动目标时,若所述运动目标的图像致密度大于所述第二次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第五类运动目标;若所述运动目标的图像致密度小于或等于所述第二次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第六类运动目标。
进一步的,所述决策树模型的第二次决策的第二子结点的判决属性可以设置为所述运动目标的图像宽高比。
在另外一个实施例中,还可以通过所述决策树模型的第二次决策的第二子结点对上述运动目标的图像宽高比进行第三次决策的判决。具体的,当所述运动目标被分类为第四类运动目标时,若所述运动目标的图像宽高比大于所述第二次决策的第二子结点的预设阈值,进一步将所述运动目标识别为第七类运动目标;若所述运动目标的图像宽高比小于或等于所述第二次决策的第二子结点的预设阈值,进一步将所述运动目标识别为第八类运动目标。
在一个实施例中,在步骤S108中所述的特征信息可以包括所述视频图像序列中运动目标的运动速度、图像面积、图像宽高和图像致密度,通过决策树模型对所述运动目标的特征信息进行判决,识别出所述视频图像中的交通目标,该交通目标可以包括单辆自行车、自行车群、行人、机动车和高速运动车辆等。
具体的,参考图3所示,图3为本发明的一个实施例中的决策树的示意图,将所述运动目标的特征信息输入决策树进行判决。因为运动的交通目标具有速度上限值,以自行车为例,自行车的运动速度一般小于7m/s,所以通过决策树模型对运动目标的运动速度进行决策,若所述运动目标的运动速度大于阈值Tv,则将该运动目标识别为第一类运动目标,这类运动目标可以为高速运动的车辆,例如,高速运动的汽车等;若所述运动目标的运动速度小于等于阈值Tv,则将该运动目标识别为第二类运动目标,这类运动目标为低速交通目标,例如,单辆自行车、自行车群、行人、低速行驶的机动车等。
进一步的,利用运动目标的图像面积对第二类运动目标进行识别,若所述第二类运动目标的图像面积大于阈值Ta,则将该目标进一步识别为第三类运动目标,这类运动目标包括机动车和自行车群;若所述第二类运动目标的图像面积小于或等于阈值Ta,则将该目标进一步识别为第四类运动目标,这类运动目标包括行人和单辆自行车。
对于第三类运动目标,由于机动车比较规则,致密度较大,而自行车群一般比较长,且边界不规则,致密度较小,所以利用运动目标的图像致密度对第三类运动目标进行识别,若所述第三类运动目标的图像致密度大于阈值Tc,则将该目标进一步识别为第五类运动目标,这类运动目标为机动车;若所述第三类运动目标的图像致密度小于或等于阈值Tc,则将该目标进一步识别为第六类运动目标,这类运动目标为自行车群。
对于第四类运动目标,因为单辆自行车连同骑车者比行人高,而宽度则远大于行人,单辆自行车的高宽比小于行人,所以利用运动目标的图像宽高比对第四类运动目标进行识别,若所述第四类运动目标的图像宽高比大于阈值Tr,则将该目标进一步识别为第七类运动目标,这类运动目标为单辆自行车;若所述第四类运动目标的图像宽高比小于或等于阈值Tr,则将该目标进一步识别为第八类运动目标,这类运动目标为行人。
上述运动目标识别方法,在获取视频图像序列后,检测并跟踪所述视频图像序列的运动目标得到运动目标的运动轨迹,根据该运动轨迹从所述视频图像序列中提取运动目标的特征信息,利用决策树模型对该运动目标的特征信息进行判决,从而识别所述运动目标。该方法克服了传统技术识别准确性低的缺陷,达到了对运动目标进行准确识别的技术效果,对目标进行视频监控提供了数据支持。
在一个实施例中,本发明提供一种运动目标识别系统,参考图4所述,图4为本发明的一个实施例中的运动目标识别系统的结构示意图,所述系统包括:
目标检测模块102,用于在获取视频图像序列后,检测所述视频图像序列的运动目标;
目标跟踪模块104,用于对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;
特征提取模块106,用于根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;
目标识别模块108,用于将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
上述运动目标识别系统,利用目标检测模块102检测运动目标,通过目标跟踪模块104得到所述运动目标在视频图像中的运动轨迹,利用特征提取模块106根据该运动轨迹从所述视频图像序列中提取运动目标的特征信息,目标识别模块108利用决策树模型对该运动目标的特征信息进行判决,从而识别所述运动目标。该系统克服了传统技术识别准确性低的缺陷,达到了对运动目标进行准确识别的技术效果,对目标进行视频监控提供了数据支持。
本发明的运动目标识别系统与本发明的运动目标识别方法一一对应,在上述运动目标识别方法的实施例阐述的技术特征及其有益效果均适用于运动目标识别系统的实施例中,特此声明。
本发明提供一种自行车流量统计方法,参考图5所示,图5为本发明的一个实施例中的自行车流量统计方法的流程图,所述方法可以包括如下步骤:
步骤S202,实时采集视频图像;
步骤S202,从视频图像中识别出自行车群;其中,根据如上任意一个实施例所述的运动目标识别方法从所述视频图像中识别出所述自行车群;
步骤S204,根据所述自行车群的图像面积与单辆自行车的图像面积的比值,得到所述自行车群中的单辆自行车的数量;其中,根据如上任意一个实施例所述的运动目标识别方法从所述视频图像中识别出所述单辆自行车;
步骤S208,统计所述视频图像中的单辆自行车的数量和所述自行车群中的单辆自行车的数量,得到所述视频图像的自行车流量。
具体的,由于在采集到的视频图像中的自行车群以及单辆自行车都具有对应的特征信息,利用上述任意一个实施例所述的运动目标识别方法分别对自行车群和单辆自行车进行识别,并且从所述视频图像中可以提取出自行车群和单辆自行车的图像特征信息,例如,提取出自行车群和单辆自行车的图像面积等特征信息,通过计算所述自行车群的图像面积与单辆自行车的图像面积的比值,得到所述自行车群中的单辆自行车的数量,对所述视频图像中的单辆自行车的数量和所述自行车群中的单辆自行车的数量进行统计,得到所述视频图像的自行车流量。
上述自行车流量统计方法,通过从视频图像中准确识别自行车和自行车群,得到所述视频图像的自行车流量,为自行车的监控管理提供数据基础。
在一个实施例中,本发明还提供一种自行车流量统计设备,参考图6所述,图6为本发明的一个实施例中的自行车流量统计设备的结构示意图,所述自行车流量统计设备可以包括:视频采集模块402,定位模块404,数据传输模块406,视频检测分析模块408和数据发送模块410;
所述视频采集模块402可以配置在指定交通道路上,用于采集所述交通道路的车辆交通视频信息;
所述定位模块404用于获取所述视频采集模块所在的交通道路的位置信息;
所述数据传输模块406用于将所述车辆交通视频信息和交通道路的位置信息传输至所述视频检测分析模块;
所述视频检测分析模块406被配置为执行如上所述的自行车流量统计方法,并得到通过所述交通道路的自行车流量的数据;
所述数据发送模块410被配置为将所述交通道路的自行车流量的数据和所述交通道路的位置信息发送至指定数据监控中心。
由于交通道路有不同类型的交通车辆,通过设置在指定交通上的视频采集模块402采集该路段的车辆交通视频信息,通过设置在该路段上的定位模块404获取视频采集模块402所在路段的交通道路的位置信息,数据传输模块406将车辆交通视频信息和该路段的位置信息发送至视频检测分析模块406,视频检测分析模块406通过对车辆交通视频信息进行分析处理识别并实时统计该路段的自行车流量,通过数据发送模块410将统计的结果发送到指定的数据中心进行保存。
上述自行车流量统计设备,通过准确识别交通道路的自行车以及对该路段自行车流量进行实时统计,并且将该自行车流量数据发送至指定数据监控中心,为交通道路的监控和管理提供数据支持,例如为自行车停放点设置提供参考依据。
基于如上所述的示例,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述程序时实现如上述各实施方式中的任意一种运动目标识别方法。
本领域普通技术人员可以理解实现上述各实施例中的任意一种运动目标识别方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性的计算机可读取存储介质中,如本发明实施例中,该程序可存储于计算机系统的存储介质中,并被该计算机系统中的至少一个处理器执行,以实现包括如上述运动目标识别方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
上述计算机设备,克服了传统技术对运动目标识别不准确的问题,达到了准确识别运动目标的技术效果。
据此,在一个实施例中还提供一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如上述各实施方式中的任意一种运动目标识别。
上述计算机存储介质,其计算机程序克服了传统技术对运动目标识别不准确的问题,达到了准确识别运动目标的技术效果。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种运动目标识别方法,其特征在于,包括步骤:
在获取视频图像序列后,检测所述视频图像序列的运动目标;
对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;
根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;
将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
2.根据权利要求1所述的运动目标识别方法,其特征在于,所述检测所述视频图像序列的运动目标的步骤包括:
根据所述视频图像序列的相邻帧图像信息,提取所述视频图像序列的特征图像序列,根据所述特征图像序列识别所述视频图像序列的运动目标;
所述对所述运动目标进行跟踪,得到所述运动目标的运动轨迹的步骤包括:
根据所述视频图像序列提取所述运动目标的图像特征信息,确定所述运动目标在每一帧图像的位置信息,获取所述运动目标的运动轨迹。
3.根据权利要求2所述的运动目标识别方法,其特征在于,所述根据所述视频图像序列的相邻帧图像信息,提取所述视频图像序列的特征图像序列,根据所述特征图像序列识别所述视频图像序列的运动目标的步骤包括:
a、从所述视频图像序列中选取连续三帧图像进行两两图像的差分运算,得到第一差分图像和第二差分图像;
b、根据预设阈值对所述第一差分图像和第二差分图像进行二值化处理,得到所述第一二值化图像和第二二值化图像;
c、对所述第一二值化图像和第二二值化图像进行逻辑与运算,得到二值图像;
重复上述步骤a~c,直至将所述视频图像序列中除第一帧和最后一帧之外的所有图像转化为二值图像,得到二值图像序列;
d、对所述二值图像序列的每一帧二值图像进行膨胀和孔洞填充处理,得到所述视频图像序列的特征图像序列;
e、根据所述特征图像序列的每一帧图像的像素点的取值,确定所述视频图像序列的运动目标。
4.根据权利要求2所述的运动目标识别方法,其特征在于,所述根据所述视频图像序列提取所述运动目标的图像特征信息,确定所述运动目标在每一帧图像的位置信息,获取所述运动目标的运动轨迹的步骤包括:
f、从所述视频图像序列的运动目标中指定一个运动目标作为待跟踪运动目标,标识所述待跟踪运动目标所在图像为第一图像,从所述第一图像中提取所述待跟踪运动目标的图像特征参数;
g、标识与所述第一图象相邻的其中一帧图像为第二图像,提取所述第二图象中的运动目标的图像特征参数;
h、比较所述待跟踪运动目标与第二图像中的运动目标的图像特征参数,得到所述第二图像中的运动目标与待跟踪运动目标的匹配度参数;
i、根据所述匹配度参数,从所述第二图象的运动目标中识别所述待跟踪运动目标,提取所述待跟踪运动目标在所述第二图像的位置信息;
重复上述步骤g~i,依次从所述视频图像序列的相邻帧图像中识别所述待跟踪运动目标,直至获得所述待跟踪运动目标在所有图像中的位置信息;
j、根据所述待跟踪运动目标在所有图像的位置信息,得到所述待跟踪运动目标的运动轨迹。
5.根据权利要求1所述的运动目标识别方法,其特征在于,所述根据所述运动目标的运动轨迹,提取所述运动目标的特征信息的步骤包括:
根据所述运动目标的运动轨迹,得到所述运动目标在指定的相邻两帧图像中的位置变化;
根据所述运动目标在指定的相邻两帧图像中的位置变化和所述指定的相邻两帧图像的时间间隔,得到所述运动目标的运动速度;
根据所述运动目标的像素点信息,得到所述运动目标的图像面积、图像宽高比和图像致密度;
根据所述运动目标的运动速度、图像面积、图像宽高比和图像致密度获取所述运动目标的特征信息。
6.根据权利要求5所述的运动目标识别方法,其特征在于,所述决策树模型的根结点的判决属性设置为所述运动目标的运动速度;
所述决策树模型的第一次决策的第一子结点的判决属性设置为所述运动目标的图像面积;
所述决策树模型的第二次决策的第一子结点的判决属性设置为所述运动目标的图像致密度;
所述决策树模型的第二次决策的第二子结点的判决属性设置为所述运动目标的图像宽高比。
7.根据权利要求6所述的运动目标识别方法,其特征在于,
若所述运动目标的运动速度大于所述根结点的预设阈值,将所述运动目标识别为第一类运动目标,否则将所述运动目标识别为第二类运动目标;
当所述运动目标被识别为第二类运动目标时,若所述运动目标的图像面积大于所述第一次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第三类运动目标,否则进一步将所述运动目标识别为第四类运动目标;
当所述运动目标被分类为第三类运动目标时,若所述运动目标的图像致密度大于所述第二次决策的第一子结点的预设阈值,进一步将所述运动目标识别为第五类运动目标,否则进一步将所述运动目标识别为第六类运动目标;
当所述运动目标被分类为第四类运动目标时,若所述运动目标的图像宽高比大于所述第二次决策的第二子结点的预设阈值,进一步将所述运动目标识别为第七类运动目标,否则进一步将所述运动目标识别为第八类运动目标。
8.一种自行车流量统计方法,其特征在于,包括步骤:
实时采集视频图像;
从视频图像中识别出自行车群;其中,根据权利要求1至7任一项所述的运动目标识别方法从所述视频图像中识别出所述自行车群;
根据所述自行车群d的图像面积与单辆自行车的图像面积的比值,得到所述自行车群中的单辆自行车的数量;其中,根据权利要求1至7任一项所述的运动目标识别方法从所述视频图像中识别出所述单辆自行车;
统计所述视频图像中的单辆自行车的数量和所述自行车群中的单辆自行车的数量,得到所述视频图像的自行车流量。
9.一种运动目标识别系统,其特征在于,包括:
目标检测模块,用于在获取视频图像序列后,检测所述视频图像序列的运动目标;
目标跟踪模块,用于对所述运动目标进行跟踪,得到所述运动目标的运动轨迹;
特征提取模块,用于根据所述运动目标的运动轨迹,提取所述运动目标的特征信息;
目标识别模块,用于将所述运动目标的特征信息输入决策树模型,通过所述决策树模型的结点对所述运动目标的特征信息进行判决,识别所述运动目标;其中,所述决策树模型的结点记录与所述运动目标的特征信息相对应的运动目标识别判据。
10.一种自行车流量统计设备,其特征在于,包括:视频采集模块,定位模块,数据传输模块,视频检测分析模块和数据发送模块;
所述视频采集模块配置在指定交通道路上,用于采集所述交通道路的车辆交通视频信息;
所述定位模块用于获取所述视频采集模块所在的交通道路的位置信息;
所述数据传输模块用于将所述车辆交通视频信息和交通道路的位置信息传输至所述视频检测分析模块;
所述视频检测分析模块被配置为执行权利要求8所述的自行车流量统计方法,并得到通过所述交通道路的自行车流量的数据;
所述数据发送模块被配置为将所述交通道路的自行车流量的数据和所述交通道路的位置信息发送至指定数据监控中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941925.XA CN107590486B (zh) | 2017-10-11 | 2017-10-11 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710941925.XA CN107590486B (zh) | 2017-10-11 | 2017-10-11 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590486A true CN107590486A (zh) | 2018-01-16 |
CN107590486B CN107590486B (zh) | 2020-06-19 |
Family
ID=61053243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710941925.XA Active CN107590486B (zh) | 2017-10-11 | 2017-10-11 | 运动目标识别方法和系统、自行车流量统计方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590486B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151312A (zh) * | 2018-09-04 | 2019-01-04 | 广州视源电子科技股份有限公司 | 对焦方法、装置以及视频展台 |
CN109960264A (zh) * | 2019-03-28 | 2019-07-02 | 潍柴动力股份有限公司 | 一种目标识别方法及系统 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN110597251A (zh) * | 2019-09-03 | 2019-12-20 | 三星电子(中国)研发中心 | 用于控制智能移动设备的方法及装置 |
CN110927726A (zh) * | 2019-11-14 | 2020-03-27 | 广东奥迪威传感科技股份有限公司 | 接近检测方法及模组 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533467A (zh) * | 2009-04-28 | 2009-09-16 | 南京航空航天大学 | 一种基于决策树的多种人体姿态识别方法 |
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其系统 |
CN103400157A (zh) * | 2013-07-23 | 2013-11-20 | 青岛海信网络科技股份有限公司 | 一种基于视频分析的道路行人及非机动车检测方法 |
CN104282150A (zh) * | 2014-09-29 | 2015-01-14 | 北京汉王智通科技有限公司 | 运动目标的识别装置及系统 |
CN106204658A (zh) * | 2016-07-21 | 2016-12-07 | 北京邮电大学 | 运动图像跟踪方法及装置 |
-
2017
- 2017-10-11 CN CN201710941925.XA patent/CN107590486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其系统 |
CN101533467A (zh) * | 2009-04-28 | 2009-09-16 | 南京航空航天大学 | 一种基于决策树的多种人体姿态识别方法 |
CN103400157A (zh) * | 2013-07-23 | 2013-11-20 | 青岛海信网络科技股份有限公司 | 一种基于视频分析的道路行人及非机动车检测方法 |
CN104282150A (zh) * | 2014-09-29 | 2015-01-14 | 北京汉王智通科技有限公司 | 运动目标的识别装置及系统 |
CN106204658A (zh) * | 2016-07-21 | 2016-12-07 | 北京邮电大学 | 运动图像跟踪方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109151312A (zh) * | 2018-09-04 | 2019-01-04 | 广州视源电子科技股份有限公司 | 对焦方法、装置以及视频展台 |
CN109960264A (zh) * | 2019-03-28 | 2019-07-02 | 潍柴动力股份有限公司 | 一种目标识别方法及系统 |
CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
CN110597251A (zh) * | 2019-09-03 | 2019-12-20 | 三星电子(中国)研发中心 | 用于控制智能移动设备的方法及装置 |
CN110597251B (zh) * | 2019-09-03 | 2022-10-25 | 三星电子(中国)研发中心 | 用于控制智能移动设备的方法及装置 |
CN110927726A (zh) * | 2019-11-14 | 2020-03-27 | 广东奥迪威传感科技股份有限公司 | 接近检测方法及模组 |
Also Published As
Publication number | Publication date |
---|---|
CN107590486B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590486A (zh) | 运动目标识别方法和系统、自行车流量统计方法和设备 | |
Giben et al. | Material classification and semantic segmentation of railway track images with deep convolutional neural networks | |
CN104268528B (zh) | 一种人群聚集区域检测方法和装置 | |
CN102542289B (zh) | 一种基于多高斯计数模型的人流量统计方法 | |
CN108921083B (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
US20090309966A1 (en) | Method of detecting moving objects | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN103871077B (zh) | 一种道路车辆监控视频中的关键帧提取方法 | |
CN109242884A (zh) | 基于JCFNet网络的遥感视频目标跟踪方法 | |
CN109615862A (zh) | 道路车辆交通运动状态参数动态获取方法及装置 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
KR102185225B1 (ko) | 딥러닝 및 데이터 결합을 이용한 싱크홀 탐지방법 및 이를 이용한 싱크홀 탐지시스템 | |
CN107578021A (zh) | 基于深度学习网络的行人检测方法、装置及系统 | |
CN102254428A (zh) | 一种基于视频处理的交通拥塞检测方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN102087790A (zh) | 一种低空对地车辆检测与运动分析的方法和系统 | |
CN106295532A (zh) | 一种视频图像中的人体动作识别方法 | |
CN111079629A (zh) | 铁路货车心盘脱出故障图像识别方法 | |
CN106339677A (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN105184291A (zh) | 一种多类型车牌检测方法及系统 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN112560641A (zh) | 基于视频的双向客流通道中的单向客流信息检测方法 | |
CN109684986A (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |