CN107622237A - 一种电梯中目标的检测方法 - Google Patents
一种电梯中目标的检测方法 Download PDFInfo
- Publication number
- CN107622237A CN107622237A CN201710841244.6A CN201710841244A CN107622237A CN 107622237 A CN107622237 A CN 107622237A CN 201710841244 A CN201710841244 A CN 201710841244A CN 107622237 A CN107622237 A CN 107622237A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- pixel
- gradient
- target area
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种电梯中目标的检测方法，属于电梯监控领域。该方法包括获取第一图像序列，利用第一图像序列SVM分类器；获取第二图像序列，从第二图像序列中获取目标区域图像；针对目标区域图像计算图HOG特征；将目标区域图像的HOG特征输入SVM分类器，检测SVM分类器的输出结果是否小于第一预定阈值；若输出结果大于等于第一预定阈值，则确定目标区域图像包括预定目标；若输出结果小于第一预定阈值，则确定目标区域图像不包括预定目标；解决了难以自动化地实时从电梯监控视频中识别出预定目标，需要特定工作人员实时观看电梯视频监控的问题；达到了提高电梯监控视频中预定目标检测的效率和识别率，提高电梯运行安全的效果。
Description
技术领域
本发明实施例涉及电梯监控领域，特别涉及一种电梯中目标的检测方法。
背景技术
随着经济的发展，电梯在居民小区中的使用越来越多，电梯中通常安装有监控设备用于监控电梯内的环境，识别电梯监控视频中的目标是保证电梯运行安全的重要内容。
相关技术中，识别视频中的目标涉及对图像进行预处理，即尽可能在不改变图像承载的本质信息的前提下，令每张图片的颜色分布、整体明暗、尺寸大小等表观特性抑制，目标特征提取，即对图像包括的数据进行变换得到反映分类本质的特征，目标检测，即使用各种匹配算法，根据从图像中已经提取的特征识别出目标。
然而，针对电梯中目标检测的方法中能够达到应用级别的很少，大部分对电梯中目标的识别率高的方法比较复杂，难以对电梯监控视频进行实时处理。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种电梯中目标的检测方法。该技术方案如下：
第一方面，提供了一种电梯中目标的检测方法，该方法包括：
获取第一图像序列，利用所述第一图像序列训练支持向量机SVM分类器；
获取第二图像序列，从所述第二图像序列中获取目标区域图像；
针对所述目标区域图像，计算方向梯度直方图HOG特征；
将所述目标区域图像的HOG特征输入所述SVM分类器，检测所述SVM分类器的输出结果是否小于第一预定阈值；
若所述SVM分类器的输出结果大于等于所述第一预定阈值，则确定所述目标区域图像包括所述预定目标；
若所述SVM分类器的输出结果小于所述第一预定阈值，则确定所述目标区域图像不包括所述预定目标。
可选的，所述利用所述第一图像序列训练支持向量机SVM分类器，包括：
对所述第一图像序列中的每张图像，利用改进中值滤波方法进行图像预处理；
从经过预处理的所述图像中选取m张正样本图像和n张负样本图像，所述正样本图像中包括所述预定目标，所述负样本图像中不包括所述预定目标；
针对每张所述正样本图像和每张所述负样本图像，计算HOG特征；
将所述m张正样本图像的HOG特征和所述n张负样本图像的HOG特征作为SVM的输入值，训练所述SVM得到所述SVM分类器，所述SVM分类器的核函数为径向基RBF函数。
可选的，所述从所述第二图像序列中获取目标区域图像，包括：
对所述第二图像序列中的每张图像，利用改进中值滤波方法进行图像预处理；
根据经过图像预处理后的所述第二图像序列确定背景图像；
按如下公式确定所述第二图像序列中的图像的运动区域：
其中，Bt(x,y)表示运动区域，It(x,y)表示像素点(x，y)在t时刻的图像中的值，BKGt(x,y)表示像素点(x，y)在所述背景图像中的值，τ为第二预定阈值；
在HSV颜色空间，根据相邻帧图像的所述像素点(x，y)在H通道、S通道、V通道的变化特征滤除所述运动区域中的阴影；
对滤除阴影后的所述运动区域进行形态学操作，得到所述目标区域图像。
可选的，所述计算HOG特征，包括：
按如下公式对图像进行Gamma校正：
f(I)＝Iγ，其中，I表示图像中每个像素点(x，y)的像素值，γ＝Gamma；
计算经过Gamma校正后的所述图像中每个像素点的梯度幅值和梯度方向；
采用一维中心对称模板，将所述图像分为若干个单元格；每个单元格包括p*p个像素点，每k*k个单元格为一个块；
将0°至180°平均分为h个方向通道；
根据所述单元格中每个所述像素点的梯度幅值和梯度方向统计出方向梯度直方图，以所述h个方向通道为所述方向梯度直方图的横坐标，以所述h个方向通道中的每个方向通道中的像素点的梯度幅值的累加和为所述方向梯度直方图的纵坐标；
根据所述方向梯度直方图确定h个梯度向量；
根据所述梯度向量对应的像素点所在的块，将所述梯度向量划分为若干个过渡梯度向量；
对每个块内的梯度向量进行归一化处理，并将经过归一化处理后的过渡梯度向量连接起来，得到所述HOG特征。
可选的，所述计算所述图像中每个像素点的梯度幅值和梯度方向，包括：
按如下公式计算所述每个像素点的水平方向梯度：
Gx(x,y)＝H(x+1,y)-H(x-1,y)；
按如下公式计算所述每个像素点的竖直方向梯度：
Gy(x,y)＝H(x,y+1)-H(x,y-1)；
根据所述水平方向梯度和所述竖直方向梯度，按如下公式计算所述每个像素点的梯度幅值：
根据所述水平方向梯度和所述竖直方向梯度，按如下公式计算所述每个像素点的梯度方向：
其中，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的竖直方向梯度，H(x,y)表示像素点(x，y)处的像素值。
可选的，所述利用改进中值滤波方法进行图像预处理，包括：
利用如下公式将所述图像转化为灰度图像：
Gray＝a*R+b*G+c*B，
其中，R表示像素点的红色分量，G表示像素点的绿色分量，B表示像素点的蓝色分量，Gray表示像素点灰度值；
利用如下公式对所述灰度图像进行改进中值滤波处理，得到经过预处理的图像：
f(x,y)＝median{g(s,z)},(s,z)∈Sxy，
其中，f(x,y)为经过改进中值滤波后输出的像素点灰度值，median为取中值函数，g(x,y)为相邻的像素点灰度值，Sxy为相邻像素点的坐标集合。
本发明实施例提供的技术方案带来的有益效果是：
通过获取第一图图像序列，利用第一图像序列训练SVM分类器，获取第二图像序列，从给第二图像序列中获取目标区域图像，针对目标区域图像计算HOG特征，将目标区域图像的HOG特征输入SVM分类器，根据SVM分类器的结果确定目标区域是否包括预定目标，解决了难以自动化地实时从电梯监控视频中识别出预定目标，需要特定工作人员实时观看电梯视频监控的问题；达到了提高电梯监控视频中预定目标检测的效率和识别率，提高电梯运行安全的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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是根据一示例性实施例示出的一种电梯中目标的检测方法的流程图；
图2是根据另一示例性实施例示出的一种电梯中目标的检测方法的流程图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
请参考图1，其示出了本发明一个实施例提供的电梯中目标的检测方法的流程图。如图1所示，该电梯中目标的检测方法可以包括以下步骤：
步骤101，获取第一图像序列，利用第一图像序列训练SVM(Support VectorMachine，支持向量机)分类器。
第一图像序列是电梯轿厢中设置的监控设备获取的，第一图像序列中的图像包括静止不动的背景和变化、运动的物体。
第一图像序列包括包含预定目标的图像和不包含预定目标的图像。
利用第一序列中包含预定目标的图像和不包含预定目标的图像训练SVM分类器。
可选的，可以训练多个SVM分类器；一种预定目标用于训练一个分类器，该分类器用于识别图像中是否包括该预定目标。
步骤102，获取第二图像序列，从第二图像序列中获取目标区域图像。
第二序列是电梯轿厢中设置的监控设备获取的，第二图像序列中的图像包括静止不动的背景和变化、运动的物体。
第二图像序列与第一图像序列不同。
步骤103，针对目标区域图像，计算HOG(Histogram of Oriented Gradient，方向梯度直方图)特征。
步骤104，将目标区域图像的HOG特征输入SVM分类器，检测SVM分类器的输出结果是否小于第一预定阈值。
可选的，第一预定阈值是预先设置的。
可选的，预定目标的数量与SVM分类器的数量相同。若需要检测目标区域图像中是否包括多个预定目标，则将目标区域图像的HOG特征输入多个SVM分类器，根据每个SVM分类器的输出结果确定目标区域图像是否包括多个预定目标。
若SVM分类器的输出结果大于等于第一预定阈值，则执行步骤105；若SVM分类器的输出结果小于第一预定阈值，则执行步骤106。
步骤105，若SVM分类器的输出结果大于等于第一预定阈值，则确定目标区域图像包括预定目标。
可选的，预定目标是预先确定的物体，比如：大型货物、自行车、电动自行车、宠物。
当确定目标区域图像包括预定目标时，执行预先设置的策略，比如：发出警报声、通知值班人员等。
若预定目标图像包括预定目标，则说明预定目标进入电梯轿厢内。
步骤106，若SVM分类器的输出结果小于第一预定阈值，则确定目标区域图像不包括预定目标。
综上所述，本发明实施例提供的电梯中目标的检测方法，通过获取第一图图像序列，利用第一图像序列训练SVM分类器，获取第二图像序列，从给第二图像序列中获取目标区域图像，针对目标区域图像计算HOG特征，将目标区域图像的HOG特征输入SVM分类器，根据SVM分类器的结果确定目标区域是否包括预定目标，解决了难以自动化地实时从电梯监控视频中识别出预定目标，需要特定工作人员实时观看电梯视频监控的问题；达到了提高电梯监控视频中预定目标检测的效率和识别率，提高电梯运行安全的效果。
请参考图2，其示出了本发明另一个实施例提供的电梯中目标的检测方法的流程图。该电梯中目标的检测方法可以包括以下步骤：
步骤201，获取第一图像序列。
第一图像序列是电梯轿厢中设置的监控设备获取的，第一图像序列中的图像包括静止不动的背景和变化、运动的物体。
步骤202，对第一图像序列中的每张图像，利用改进中值滤波方法进行图像预处理。
其中，利用改进中值滤波方法进行图像预处理可以通过如下几个步骤实现：
步骤2021，利用公式一将图像转化为灰度图像。
Gray＝a*R+b*G+c*B 公式一
其中，R表示像素点的红色分量，G表示像素点的绿色分量，B表示像素点的蓝色分量，Gray表示像素点灰度值。
可选的，a＝0.3，b＝0.59，c＝0.11。
需要说明的是，系数a、b、c的取值可根据实际需要确定，本发明实施例对此不作限定。
步骤2022，利用公式二对灰度图像进行改进中值滤波处理，得到经过预处理的图像。
f(x,y)＝median{g(s,z)},(s,z)∈Sxy 公式二
其中，f(x,y)为经过改进中值滤波后输出的像素点灰度值，median为取中值函数，g(x,y)为相邻的像素点灰度值，Sxy为相邻像素点的坐标集合。
利用改进中值滤波方法处理第一图像序列中的每张图像，能够有效地消除图像在采集和传输过程中所产生的校验噪声。
步骤203，从经过预处理的图像中选取m张正样本图像和n张负样本图像。
正样本图像包括预定目标，负样本图像不包括预定目标。
可选的，预定目标是预先确定的物体，比如：大型货物、自行车、电动自行车、宠物。
从经过处理的第一图像序列中所有图像中人工挑选出m张正样本图像和n张负样本图像。
步骤204，针对每张正样本图像和每张负样本图像，计算HOG特征。
一共计算出m+n张图像的HOG特征。
其中，计算HOG特征可以通过如下几个步骤实现：
步骤2041，按公式三对图像进行Gamma校正。
f(I)＝Iγ 公式三
其中，I表示图像中每个像素点(x，y)的像素值，γ＝Gamma。
当对正样本图像进行Gamma校正时，I为正样本图像中每个像素点(x，y)的像素值；当负样本图像进行Gamma校正时，I为负样本图像中每个像素点(x，y)的像素值。
步骤2042，计算经过Gamma校正后的图像中每个像素点的梯度幅值和梯度方向。
根据公式四计算每个像素点的水平方向梯度。
Gx(x,y)＝H(x+1,y)-H(x-1,y) 公式四
根据公式五计算每个像素点的竖直方向梯度。
Gy(x,y)＝H(x,y+1)-H(x,y-1) 公式五
根据水平方向梯度和竖直方向梯度，根据公式六计算每个像素点的梯度幅值。
根据水平方向梯度和竖直方向梯度，根据公式七计算每个像素点的梯度方向。
其中，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的竖直方向梯度，H(x,y)表示像素点(x，y)处的像素值。
步骤2043，采用一维中心对称模板，将图像分为若干个单元格。
每个单元格包括p*p个像素点，每k*k个单元格为一个块。
可选的，p的取值为8，k的取值为2，每个单元格包括8*8个像素点，每2*2个单元格为一个块。
需要说明的是，p的取值和k的取值根据不同目标和实现环境确定，本发明实施例对此不作限定。
步骤2044，将0°至180°平均分为h个方向通道。
可选的，h的取值为9，将0°至180°平均分为9个方向通道，每个方向通道为20°。
一个方向通道对应一个梯度向量。
需要说明的是，h的取值根据不同目标和实现环境确定，本发明实施例对此不作限定。
步骤2045，根据单元格中每个像素点的梯度幅值和梯度方向统计出方向梯度直方图。
以h个方向通道为方向梯度直方图的横坐标，以h个方向通道中的每个方向通道中的像素点的梯度幅值的累加和为方向梯度直方图的纵坐标。
在一个例子中，方向梯度直方图的横坐标选取9个方向通道，方向梯度直方图的纵坐标为9个方向通道中各个方向通道中的像素点的梯度幅值的累加和。
步骤2046，根据方向梯度直方图确定h个梯度向量。
步骤2047，根据梯度向量对应的像素点所在的块，将梯度向量划分为若干个过渡梯度向量。
步骤2048，对每个块内的梯度向量进行归一化处理，并将经过归一化处理后的过渡梯度向量连接起来，得到HOG特征。
可选的，归一化处理利用的归一化方法为L2-Hys、L2-norm、L1-norm、L1-sqrt中的至少一种。
步骤205，将m张正样本图像的HOG特征和n张负样本图像的HOG特征作为SVM的输入值，训练SVM得到SVM分类器。
SVM分类器的核函数为径向基RBF函数，其公式为r、v为两个不同样本图像的HOG特征，K(r，v)为高维的特征向量集合，参数由多次实验验证获得。
采用基于部件的星型模型，星型结构采集的特征由若干组样本图像的HOG特征集合组成，为每组样本图像的HOG特征赋予不同的权重，以获得鲁棒性更高的分类器模型，公式为：
其中，w表示模型划分的部件数；Cli表示对应Pi的分类器；Pi为一个二维的向量，表示中心点的位置；Di表示偏移量；ωi表示权重
步骤206，获取第二图像序列，从第二图像序列中获取目标区域图像。
第二序列是电梯轿厢中设置的监控设备获取的，第二图像序列中的图像包括静止不动的背景和变化、运动的物体。
第二图像序列与第一图像序列不同。
其中，从第二图像序列中获取目标区域图像可以由如下几个步骤实现：
步骤2061，对第二图像序列中的每张图像，利用改进中值滤波方法进行图像预处理。
其中，利用中值滤波方法进行图像处理已在步骤2021至步骤2022中进行了阐述，这里不再赘述。
步骤2062，根据经过图像预处理后的第二图像序列确定背景图像。
可选的，背景模型通过单高斯背景模型或多高斯背景模型确定。
步骤2063，根据公式八确定第二图像序列中的图像的运动区域。
其中，Bt(x,y)表示运动区域，It(x,y)表示像素点(x，y)在t时刻的图像中的值，BKGt(x,y)表示像素点(x，y)在背景图像中的值，τ为第二预定阈值。
可选的，τ是预先设置的。
若满足|I(x，y)-μi|≤2.5σi，则新的像素点与该单高斯模型匹配，否则，新建一个高斯模型代替原来优先级最低的高斯模型，新建的高斯模型取I(x,y)为均值，赋予较大的方差和较小的权值，μi表示均值，σi表示方差。
在实际运算过程中，多高斯背景模型通过均值、权重、方差来更新，更新背景模型能提高背景模型的鲁棒性、实时性，提高目标的识别率，其中：
权值：
均值：
方差：
N表示第N帧，k表示第k层高斯分布，表示到图像序列第N帧时第k层高斯分布的权重，L表示计数器的窗宽，表示到图像序列第N帧时第K层高斯分布的均值，分别表示到图像序列第N帧时第K层高斯分布的方差，ωk代表第k层高斯分布；表示当xN+1满足ωk分布时取1，否则为0。
在每次更新高斯背景模型时，只考虑最近L帧的图像序列，可以避免计算全部帧数的图像序列导致高斯背景模型更新变慢，影响目标识别的实时性。
在步骤2063中利用背景差分方法，即当前图像与背景图像的差分来检测运动区域。
步骤2064，在HSV颜色空间，根据相邻帧图像的像素点(x，y)在H通道、S通道、V通道的变化特征滤除运动区域中的阴影。
步骤2065，对滤除阴影后的运动区域进行形态学操作，得到目标区域图像。
步骤207，针对目标区域图像，计算HOG特征。
计算HOG特征的方法已在步骤2041至2048进行了阐述，这里不再赘述。
步骤208，将目标区域图像的HOG特征输入SVM分类器，检测SVM分类器的输出结果是否小于第一预定阈值。
可选的，第一预定阈值是预先设置的。
若SVM分类器的输出结果大于等于第一预定阈值，则执行步骤209；若SVM分类器的输出结果小于第一预定阈值，则执行步骤210。
比如：第一预定阈值为1，若SVM分类器的输出结果S≥1，则确定目标区域图像包括预定目标，若SVM分类器的输出结果S＜1，则确定目标区域图像不包括预定目标。
步骤209，若SVM分类器的输出结果大于等于第一预定阈值，则确定目标区域图像包括预定目标。
当确定目标区域图像包括预定目标时，执行预先设置的策略，可以提前做出防范，比如：发出警报声、通知值班人员等。
步骤210，若SVM分类器的输出结果小于第一预定阈值，则确定目标区域图像不包括预定目标。
综上所述，本发明实施例提供的电梯中目标的检测方法，通过获取第一图图像序列，利用第一图像序列训练SVM分类器，获取第二图像序列，从给第二图像序列中获取目标区域图像，针对目标区域图像计算HOG特征，将目标区域图像的HOG特征输入SVM分类器，根据SVM分类器的结果确定目标区域是否包括预定目标，解决了难以自动化地实时从电梯监控视频中识别出预定目标，需要特定工作人员实时观看电梯视频监控的问题；达到了提高电梯监控视频中预定目标检测的效率和识别率，提高电梯运行安全的效果。
此外，采用改进中值滤波算法，比采用传统中值滤波算法的效率更高；通过背景差分的方法确定出目标检测区域，减少了识别目标的运算量，提高了识别目标的准确率；基于HOG特征和SVM分类器，令目标检测具有更好的针对性，降低算法复杂度，能够更好地应用在电梯视频监控领域。
在一个示例性的例子中，电梯轿厢内安装有视频监控设备，视频监控设备生成图像序列，将宠物狗作为预定目标，获取第一图像序列，利用改进中值滤波方法对第一图像序列进行预处理，从经过预处理的第一图像序列中选出包括宠物狗图像的m张图像作为正样本图像，从第一图像序列中选出不包括宠物狗图像的n张图像作为负样本图像，计算m张正样本图像的HOG特征和n张负样本图像的HOG特征，利用m张正样本图像的HOG特征和n张负样本图像的HOG特征训练SVM得到SVM分类器；获取第二图像序列，第二图像序列和第一图像序列不同，利用改进中值滤波方法对第二图像序列进行预处理，从经过预处理的第二图像序列中获取运动区域，滤除运动区域中的阴影，对滤除阴影的运动区域进行形态学操作，得到目标区域图像，计算目标区域图像的HOG特征，将目标区域图像的HOG特征输入SVM分类器，根据SVM分类器的输出结果确定目标区域图像中是否包括宠物狗，若目标区域图像中包括宠物狗，则说明宠物狗进入电梯，可以继续执行预先设置的策略，比如通知值班人员。
需要说明的是：上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (6)
1.一种电梯中目标的检测方法，其特征在于，所述方法包括：
获取第一图像序列，利用所述第一图像序列训练支持向量机SVM分类器；
获取第二图像序列，从所述第二图像序列中获取目标区域图像；
针对所述目标区域图像，计算方向梯度直方图HOG特征；
将所述目标区域图像的HOG特征输入所述SVM分类器，检测所述SVM分类器的输出结果是否小于第一预定阈值；
若所述SVM分类器的输出结果大于等于所述第一预定阈值，则确定所述目标区域图像包括所述预定目标；
若所述SVM分类器的输出结果小于所述第一预定阈值，则确定所述目标区域图像不包括所述预定目标。
2.根据权利要求1所述的方法，其特征在于，所述利用所述第一图像序列训练支持向量机SVM分类器，包括：
对所述第一图像序列中的每张图像，利用改进中值滤波方法进行图像预处理；
从经过预处理的所述图像中选取m张正样本图像和n张负样本图像，所述正样本图像中包括所述预定目标，所述负样本图像中不包括所述预定目标；
针对每张所述正样本图像和每张所述负样本图像，计算HOG特征；
将所述m张正样本图像的HOG特征和所述n张负样本图像的HOG特征作为SVM的输入值，训练所述SVM得到所述SVM分类器，所述SVM分类器的核函数为径向基RBF函数。
3.根据权利要求1所述的方法，其特征在于，所述从所述第二图像序列中获取目标区域图像，包括：
对所述第二图像序列中的每张图像，利用改进中值滤波方法进行图像预处理；
根据经过图像预处理后的所述第二图像序列确定背景图像；
按如下公式确定所述第二图像序列中的图像的运动区域：
<mrow>
<msup>
<mi>B</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
<mo>,</mo>
<mrow>
<mo>|</mo>
<msup>
<mi>I</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>BKG</mi>
<mi>t</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mo>></mo>
<mi>&tau;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
<mo>,</mo>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中，Bt(x,y)表示运动区域，It(x,y)表示像素点(x，y)在t时刻的图像中的值，BKGt(x,y)表示像素点(x，y)在所述背景图像中的值，τ为第二预定阈值；
在HSV颜色空间，根据相邻帧图像的所述像素点(x，y)在H通道、S通道、V通道的变化特征滤除所述运动区域中的阴影；
对滤除阴影后的所述运动区域进行形态学操作，得到所述目标区域图像。
4.根据权利要求1或2所述的方法，其特征在于，所述计算HOG特征，包括：
按如下公式对图像进行Gamma校正：
f(I)＝Iγ，其中，I表示图像中每个像素点(x，y)的像素值，γ＝Gamma；
计算经过Gamma校正后的所述图像中每个像素点的梯度幅值和梯度方向；
采用一维中心对称模板，将所述图像分为若干个单元格；每个单元格包括p*p个像素点，每k*k个单元格为一个块；
将0°至180°平均分为h个方向通道；
根据所述单元格中每个所述像素点的梯度幅值和梯度方向统计出方向梯度直方图，以所述h个方向通道为所述方向梯度直方图的横坐标，以所述h个方向通道中的每个方向通道中的像素点的梯度幅值的累加和为所述方向梯度直方图的纵坐标；
根据所述方向梯度直方图确定h个梯度向量；
根据所述梯度向量对应的像素点所在的块，将所述梯度向量划分为若干个过渡梯度向量；
对每个块内的梯度向量进行归一化处理，并将经过归一化处理后的过渡梯度向量连接起来，得到所述HOG特征。
5.根据权利要求4所述的方法，其特征在于，所述计算所述图像中每个像素点的梯度幅值和梯度方向，包括：
按如下公式计算所述每个像素点的水平方向梯度：
Gx(x,y)＝H(x+1,y)-H(x-1,y)；
按如下公式计算所述每个像素点的竖直方向梯度：
Gy(x,y)＝H(x,y+1)-H(x,y-1)；
根据所述水平方向梯度和所述竖直方向梯度，按如下公式计算所述每个像素点的梯度幅值：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
根据所述水平方向梯度和所述竖直方向梯度，按如下公式计算所述每个像素点的梯度方向：
<mrow>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>tan</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，Gx(x,y)表示像素点(x，y)处的水平方向梯度，Gy(x,y)表示像素点(x，y)处的竖直方向梯度，H(x,y)表示像素点(x，y)处的像素值。
6.根据权利要求2或3所述的方法，其特征在于，所述利用改进中值滤波方法进行图像预处理，包括：
利用如下公式将所述图像转化为灰度图像：
Gray＝a*R+b*G+c*B，
其中，R表示像素点的红色分量，G表示像素点的绿色分量，B表示像素点的蓝色分量，Gray表示像素点灰度值；
利用如下公式对所述灰度图像进行改进中值滤波处理，得到经过预处理的图像：
f(x,y)＝median{g(s,z)},(s,z)∈Sxy，
其中，f(x,y)为经过改进中值滤波后输出的像素点灰度值，median为取中值函数，g(x,y)为相邻的像素点灰度值，Sxy为相邻像素点的坐标集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710841244.6A CN107622237A (zh) | 2017-09-18 | 2017-09-18 | 一种电梯中目标的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710841244.6A CN107622237A (zh) | 2017-09-18 | 2017-09-18 | 一种电梯中目标的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107622237A true CN107622237A (zh) | 2018-01-23 |
Family
ID=61090536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710841244.6A Pending CN107622237A (zh) | 2017-09-18 | 2017-09-18 | 一种电梯中目标的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107622237A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165620A (zh) * | 2018-09-04 | 2019-01-08 | 张晓飞 | 一种电动车的检测方法、系统及终端设备 |
| CN110895663A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 一种两轮车识别方法、装置、电子设备及监控系统 |
| CN112607542A (zh) * | 2020-12-10 | 2021-04-06 | 中科曙光国际信息产业有限公司 | 电梯控制方法、装置、计算机设备和存储介质 |
| CN113666216A (zh) * | 2021-08-12 | 2021-11-19 | 新疆爱华盈通信息技术有限公司 | 一种防止电动车乘电梯的方法、装置、电子设备及介质 |
| CN113839930A (zh) * | 2021-09-06 | 2021-12-24 | 哈尔滨工业大学 | 一种基于图像处理的网络入侵检测方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
| CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
| CN104537688A (zh) * | 2014-12-24 | 2015-04-22 | 南京邮电大学 | 一种基于背景差分和hog特征的运动目标检测方法 |
| CN106384089A (zh) * | 2016-09-07 | 2017-02-08 | 中国人民解放军国防科学技术大学 | 基于终生学习的人体可靠检测方法 |
| CN106548195A (zh) * | 2016-10-13 | 2017-03-29 | 华南理工大学 | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
-
2017
- 2017-09-18 CN CN201710841244.6A patent/CN107622237A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
| CN103425998A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 遮挡情况下的sar目标识别方法 |
| CN103839279A (zh) * | 2014-03-18 | 2014-06-04 | 湖州师范学院 | 一种目标检测中基于vibe的粘连目标分割方法 |
| CN104537688A (zh) * | 2014-12-24 | 2015-04-22 | 南京邮电大学 | 一种基于背景差分和hog特征的运动目标检测方法 |
| CN106384089A (zh) * | 2016-09-07 | 2017-02-08 | 中国人民解放军国防科学技术大学 | 基于终生学习的人体可靠检测方法 |
| CN106548195A (zh) * | 2016-10-13 | 2017-03-29 | 华南理工大学 | 一种基于改进型hog‑ulbp特征算子的目标检测方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109165620A (zh) * | 2018-09-04 | 2019-01-08 | 张晓飞 | 一种电动车的检测方法、系统及终端设备 |
| CN109165620B (zh) * | 2018-09-04 | 2022-10-11 | 张晓飞 | 一种电动车的检测方法、系统及终端设备 |
| CN110895663A (zh) * | 2018-09-12 | 2020-03-20 | 杭州海康威视数字技术股份有限公司 | 一种两轮车识别方法、装置、电子设备及监控系统 |
| CN112607542A (zh) * | 2020-12-10 | 2021-04-06 | 中科曙光国际信息产业有限公司 | 电梯控制方法、装置、计算机设备和存储介质 |
| CN112607542B (zh) * | 2020-12-10 | 2022-07-26 | 中科曙光国际信息产业有限公司 | 电梯控制方法、装置、计算机设备和存储介质 |
| CN113666216A (zh) * | 2021-08-12 | 2021-11-19 | 新疆爱华盈通信息技术有限公司 | 一种防止电动车乘电梯的方法、装置、电子设备及介质 |
| CN113839930A (zh) * | 2021-09-06 | 2021-12-24 | 哈尔滨工业大学 | 一种基于图像处理的网络入侵检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107622237A (zh) | 一种电梯中目标的检测方法 | |
| CN110543837B (zh) | 一种基于潜在目标点的可见光机场飞机检测方法 | |
| CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
| CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN104166841B (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
| CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
| CN106372666B (zh) | 一种目标识别方法及装置 | |
| CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
| CN104680144B (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
| CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
| CN107273832B (zh) | 基于积分通道特征与卷积神经网络的车牌识别方法及系统 | |
| CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
| CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
| CN109886222A (zh) | 人脸识别方法、神经网络训练方法、装置及电子设备 | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
| CN106650731A (zh) | 一种鲁棒的车牌、车标识别方法 | |
| CN105447503A (zh) | 基于稀疏表示lbp和hog融合的行人检测方法 | |
| CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
| CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
| CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
| CN106339984A (zh) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 | |
| CN107194393A (zh) | 一种检测临时车牌的方法及装置 | |
| CN106874912A (zh) | 一种基于改进lbp算子的图像目标检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180123 |