CN107704797B - 基于安防视频中行人和车辆的实时检测方法和系统及设备 - Google Patents

基于安防视频中行人和车辆的实时检测方法和系统及设备 Download PDF

Info

Publication number
CN107704797B
CN107704797B CN201710671429.7A CN201710671429A CN107704797B CN 107704797 B CN107704797 B CN 107704797B CN 201710671429 A CN201710671429 A CN 201710671429A CN 107704797 B CN107704797 B CN 107704797B
Authority
CN
China
Prior art keywords
target
image
rough
hog
algorithm
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.)
Active
Application number
CN201710671429.7A
Other languages
English (en)
Other versions
CN107704797A (zh
Inventor
闫潇宁
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.)
Shenzhen Anruan Huishi Technology Co ltd
Original Assignee
Shenzhen Anruan Huishi Technology Co ltd
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 Shenzhen Anruan Huishi Technology Co ltd filed Critical Shenzhen Anruan Huishi Technology Co ltd
Priority to CN201710671429.7A priority Critical patent/CN107704797B/zh
Publication of CN107704797A publication Critical patent/CN107704797A/zh
Application granted granted Critical
Publication of CN107704797B publication Critical patent/CN107704797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于安防视频中行人和车辆的实时检测方法、系统和计算机设备。方法包括：采用运动目标检测算法进行粗略目标选取，采用轮廓提取算法对粗略目标进行HOG特征提取，将提取的HOG特征向量输入SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；其中，进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对圈外图像进行梯度计算。本发明技术方案将运动目标检测算法和轮廓提取算法进行了有机结合，发挥各自的优点，规避各自的缺点，采用较少特征提取的方式，得以大幅降低计算开销和硬件开销，减少运算时间，提升检测速率，基本保持检测精确度。

Description

基于安防视频中行人和车辆的实时检测方法和系统及设备
技术领域
本发明涉及安防技术领域，具体涉及一种基于安防视频中行人和车辆的实时检测方法和系统及设备。
背景技术
目前全国各大城市的安防视频网络已基本完善，然而在破案过程中仍需要警务人员大量亲自研究视频内容造成大量的人力浪费，所以相关的目标自动提取技术应运而生。
一种是运动目标检测技术。运动检测多使用背景减除法配合高斯模糊等图像处理方式，当两个帧的背景出现不一致时，发生变化的区域即移动物体会被检出，特点是速度快、对硬件计算性能要求低。
另一种是基于简单统计模型或深度学习的轮廓检测技术。此种方法通常采用对图像的HOG(Histogram of Oriented Gradient，方向梯度直方图)特征搭配SVM(SupportVector Machine，支持向量机)使用大量人、车图片进行训练并提取特征后，使用生成的模型对视频中人和车辆轮廓直接进行检测。此种方法的特点是目标提取较为精确。
实践发现，现有技术存在如下技术缺陷：
(1)在运动目标检测算法中，阈值和限定条件极难设置，所以捕捉目标不精确，比如树木随风摇摆会被捕捉、红绿灯变化会被捕捉，从而在后续处理中会造成大量浪费。同时捕获的目标有时会残缺不全，造成数据的不完整。
(2)在轮廓提取算法中，最大甚至可以说唯一的缺点在于运算所需要的时间。如支持向量机或卷积神经网络这样的模型内部通常包含达上百万的参数和计算点，如果对一张图片进行上万次迭代达到精准捕捉的效果，运行时间会相当长。一旦为了缩短时间而采用高性能计算硬件，成本将会大幅提升。
发明内容
本发明实施例提供一种基于安防视频中行人和车辆的实时检测方法，用于解决现有的两种技术各自的缺陷。本发明实施例还提供相应的系统及用于安防的计算机设备。
本发明第一方面，提供一种基于安防视频中行人和车辆的实时检测方法，该方法可包括：采用运动目标检测算法进行粗略目标选取，采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取，将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；其中，采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
一种实现方式中，该方法还包括：采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。
一种实现方式中，该方法还包括：采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。
本发明第二方面，提供一种基于安防视频中行人和车辆的实时检测系统，该系统可包括：目标选取模块，用于采用运动目标检测算法进行粗略目标选取；特征提取模块，用于采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取；分类模块，用于将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；其中，所述特征提取模块，具体用于采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
一种实现方式中，所述特征提取模块，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。
一种实现方式中，所述特征提取模块，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。
本发明第三方面，提供一种用于安防的计算机设备，所述计算机设备包括处理器、存储器、总线和通信接口；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如上文所述的基于安防视频中行人和车辆的实时检测方法。
本发明第四方面，提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被用于安防的计算机设备执行时，使所述用于安防的计算机设备执行如上文所述的基于安防视频中行人和车辆的实时检测方法。
综上，本发明提供了一种基于安防视频中行人和车辆的实时检测方法和系统及设备和存储介质，从以上技术方案可以看出，本发明取得了以下有益效果：
首先采用运动目标检测算法进行粗略目标选取，再采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取，将两种方法进行了有机结合，可以发挥各自的优点，规避各自的缺点；
进行HOG特征提取时仅对粗略目标进行提取，不必对全部图像进行提取，减少了特征提取的范围；并且，进一步的，在进行梯度计算时，设定一个矩形框作为外圈，仅对圈外图像进行梯度计算，进一步减少了梯度计算范围；从而，可以大幅降低计算开销，减少计算时间；
可见，本发明技术方案将运动目标检测算法和轮廓提取算法两种方法进行了有机结合，通过发挥各自的优点，规避各自的缺点，采用较少特征提取的方式，得以大幅降低计算开销，减少运算时间；从而，在基本保持检测精确度的情况下，可以大幅提升检测速率，降低硬件开销。
附图说明
为了更清楚地说明本发明实施例技术方案，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它的附图。
图1是本发明一个实施例提供的一种基于安防视频中行人和车辆的实时检测方法的流程示意图；
图2是本发明一个实施例中采用运动目标检测算法选取的粗略目标的图像；
图3是本发明一个实施例中在粗略目标的图像上设定矩形框的示意图；
图4是本发明一个实施例提供的一种基于安防视频中行人和车辆的实时检测系统的结构示意图；
图5是本发明一个实施例提供的一种用于安防的计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面通过具体实施例，分别进行详细的说明。
请参考图1，本发明的一个实施例，提供一种基于安防视频中行人和车辆的实时检测方法，该方法可以由具有运算能力的计算机设备(简称运算设备或计算机设备)来执行。该方法可以包括：
S1、采用运动目标检测算法进行粗略目标选取；
S2、采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取；
S3、将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；并可以将非行人且非车辆的粗略目标滤除。
其中，采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
可选的，采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，还可以省略颜色空间归一化的步骤。
可选的，采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，可将细胞格的大小设定为2×2像素。
其中，HOG是一种适用于人、车图形特征描述的数学模型；SVM是一种机器学习模型，常用于模式识别和分类。
如上所述，本发明实施例中，通过摒弃开销极大的神经网络模型及完整的支持向量机特征提取方式，结合运动目标检测算法的一部分，采用较少特征提取的方式，来降低计算开销，减少运算时间。简明思路：在运动目标提取之后，把大量无意义背景剔除，问题从“在整张图片里提取人、车的轮廓”转化为“在余下的疑似目标中过滤掉不合规的目标(残缺或误捕捉)”，结合适用于小画幅、仅包含单个人、车图片的精简化的特征提取与识别方法快速而不失精度的检测到目标。
如上所述，本发明实施例中，主要包括三个阶段，即阶段S1、粗略目标选取，阶段S2、HOG特征提取，阶段S3、目标分类。下面分别进一步做详细描述：
(一)S1、粗略目标选取，具体流程可包括：
运算接收视频流，对视频流中间隔一定距离的两帧图像进行基础过滤，然后对两帧图像做差，对差的结果边缘绘制最小距离矩形，用矩形的四点坐标从图像中截取矩形，获得粗略目标；
其中，间隔一定距离的两帧图像是相邻的两帧图像或间隔n帧的两帧图像，n为不小于1的自然数，n可以根据具体需求自定义，例如可以为2、3、4等；
其中，基础过滤可包括：灰度化->二值化->->5x5高斯矩阵进行模糊降噪(简称高斯模糊)->5x5高斯矩阵向上采样(简称卷积操作)。
(二)S2、HOG特征提取。
首先简析下常态的HOG特征处理：
在一副图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。其本质是梯度的统计信息，而梯度主要存在于边缘的地方。流程包括：首先将图像分成小的连通区域，我们把它叫细胞单元或细胞格。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。把这些局部直方图在图像的更大的范围内(可称为区间)进行对比度泛化，所采用的方法是：先计算各直方图在这个区间中的密度，然后根据这个密度对区间中的各个细胞单元做泛化。通过这个泛化后，能对光照变化和阴影获得更好的效果。
HOG特征提取方法就是将待检测的图像进行以下步骤处理：
1)灰度化：将图像看做一个x,y,z(灰度)的三维图像。
2)采用Gamma校正法对输入图像进行颜色空间的标准化(即归一化)，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。
3)计算图像每个像素的梯度，包括大小和方向；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4)将图像划分成小的细胞格，每个细胞格为6×6像素；
5)统计每个细胞格的梯度直方图，不同梯度的个数，即可形成每个细胞格的描述器；
6)将每几个细胞格组成一个区块，例如每区块3×3个细胞格，一个区块内所有细胞格的特征描述器串联起来便得到该区块的HOG特征描述器。
7)将图像内的所有区块的HOG特征描述器串联起来就可以得到该目标的HOG特征描述器了，这个就是最终的可供分类使用的HOG特征向量了。
而在本发明中，由于每个待检测的图像(即粗略目标的图像)具有以下特殊性：尺寸小，待检目标在整个图像中占比极大；因此，可对特征提取步骤做如下调整以大幅减小计算量：
a、省略颜色空间归一化，如Gamma校正；
b、细胞格大小由6×6像素缩小为2×2像素；
c、因为待检目标占图像极大比重，所以只对图像外圈像素进行梯度计算；
如图2所示，是一个实施例中选取的粗略目标的图像；如图3所示，在粗略目标的图像中设了一矩形框(圈)，本文将矩形框以外的像素称为外圈(框)像素，其中，矩形长宽比与粗略目标的图像相同，且与粗略目标的图像同心，具体长宽可根据实际视频自定义。
可见，本发明实施例中，HOG特征提取的具体流程可包括：
将粗略目标的图像灰度化；
计算图像中每个像素的梯度；
将图像划分为多个细胞格；
统计每个细胞格的梯度直方图，形成每个细胞格的特征描述器；
将每几个细胞格组成一个区块，一个区块内所有细胞格的特征描述器串联起来便得到该区块的HOG特征描述器。
将图像内的所有区块的HOG特征描述器串联起来得到粗略目标的HOG特征描述器，作为可供分类使用的HOG特征向量。
(三)S3、目标分类：
本阶段，将生成的HOG特征向量(或称为特征码)输入SVM模型进行分类，输出结果为：人形/车形/非人(车)形。
至此，完成运动目标的检测和识别。
综上，本发明提供了一种基于安防视频中行人和车辆的实时检测方法，从该方法的技术方案可以看出，本发明取得了以下有益效果：
首先采用运动目标检测算法进行粗略目标选取，再采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取，将两种方法进行了有机结合，可以发挥各自的优点，规避各自的缺点；
进行HOG特征提取时仅对粗略目标进行提取，不必对全部图像进行提取，减少了特征提取的范围；并且，进一步的，在进行梯度计算时，设定一个矩形框作为外圈，仅对圈外图像进行梯度计算，进一步减少了梯度计算范围；从而，可以大幅降低计算开销，减少计算时间；
可见，本发明技术方案将运动目标检测算法和轮廓提取算法两种方法进行了有机结合，通过发挥各自的优点，规避各自的缺点，采用较少特征提取的方式，得以大幅降低计算开销，减少运算时间；从而，在基本保持检测精确度的情况下，可以大幅提升检测速率，降低硬件开销。这两种方法的结合思路与结合技巧是本发明技术方案的一个关键点。
为了更好的实施本发明实施例的上述方案，下面还提供用于配合实施上述方案的相关装置。
请参考图4，本发明一个实施例，还提供一种基于安防视频中行人和车辆的实时检测系统40，该系统40可以包括：
目标选取模块41，用于采用运动目标检测算法进行粗略目标选取；
特征提取模块42，用于采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取；
分类模块43，用于将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；
其中，所述特征提取模块42，具体用于采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
一些实施例中，所述特征提取模块42，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。
一些实施例中，所述特征提取模块42，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。
一些实施例中，所述特征提取模块42，具体用于采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，省略颜色空间归一化的步骤；在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素；在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
可以理解，本发明实施例的基于安防视频中行人和车辆的实时检测系统的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
由上可见，在本发明的一些可行的实施方式中，提供了一种基于安防视频中行人和车辆的实时检测系统，取得了以下有益效果：
将运动目标检测算法和轮廓提取算法两种方法进行了有机结合，通过发挥各自的优点，规避各自的缺点，采用较少特征提取的方式，得以大幅降低计算开销，减少运算时间；从而，在基本保持检测精确度的情况下，可以大幅提升检测速率，降低硬件开销。这两种方法的结合思路与结合技巧是本发明技术方案的一个关键点。
请参考图5，本发明实施例还提供一种用于安防的50，可包括：
处理器51、存储器52、总线53和通信接口54；
所述存储器52用于存储计算机执行指令，所述处理计算机设备器51与所述存储器52通过所述总线53连接，当所述计算机设备50运行时，所述处理器51执行所述存储器52存储的所述计算机执行指令，以使所述计算机设备50执行如上述方法实施例中记载的基于安防视频中行人和车辆的实时检测方法。
其中，所述处理器51，存储器52，通信接口54通过所述总线53相互的通信；所述通信接口53，用于接收和发送数据；所述存储器52存储的计算机执行指令可以为一个或多个程序；所述一个或多个程序包括用于执行上述方法实施例中记载的基于安防视频中行人和车辆的实时检测方法的指令。
可以理解，本发明实施例的用于安防的计算机设备的各个功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述方法实施例中的相关描述，此处不再赘述。
本发明实施例还提供一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被用于安防的计算机设备执行时，使所述用于安防的计算机设备执行如上述方法实施例所述的基于安防视频中行人和车辆的实时检测方法。或者说，所述一个或多个程序执行时包括上述方法实施例中记载的基于安防视频中行人和车辆的实时检测方法的部分或全部步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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全部或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。
以上对本发明实施例所提供的基于安防视频中行人和车辆的实时检测方法和系统及设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于安防视频中行人和车辆的实时检测方法，其特征在于，包括：
采用运动目标检测算法进行粗略目标选取，采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取，将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；
其中，采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
2.根据权利要求1所述的方法，其特征在于，还包括：
采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。
3.根据权利要求2所述的方法，其特征在于，还包括：
采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。
4.根据权利要求3所述的方法，其特征在于，所述采用轮廓提取算法对粗略目标进行HOG特征提取包括以下步骤：
将粗略目标的图像灰度化；
计算图像中每个像素的梯度；
将图像划分为多个细胞格；
统计每个细胞格的梯度直方图，形成每个细胞格的特征描述器；
将每几个细胞格组成一个区块，一个区块内所有细胞格的特征描述器串联起来便得到该区块的HOG特征描述器；
将图像内的所有区块的HOG特征描述器串联起来得到粗略目标的HOG特征描述器，作为可供分类使用的HOG特征向量。
5.根据权利要求1至4中任一所述的方法，其特征在于，所述采用运动目标检测算法进行粗略目标选取包括：
接收视频流，对视频流中间隔一定距离的两帧图像进行基础过滤，然后对两帧图像做差，对差的结果边缘绘制最小距离矩形，用矩形的四点坐标从图像中截取矩形，获得粗略目标；
其中，间隔一定距离的两帧图像是相邻的两帧图像或间隔n帧的两帧图像，n为不小于1的自然数；
所述基础过滤包括：灰度化，二值化，5x5高斯矩阵进行模糊降噪，5x5高斯矩阵向上采样。
6.根据权利要求1至4中任一所述的方法，其特征在于，还包括：
将非行人且非车辆的粗略目标滤除。
7.一种基于安防视频中行人和车辆的实时检测系统，其特征在于，包括：
目标选取模块，用于采用运动目标检测算法进行粗略目标选取；
特征提取模块，用于采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取；
分类模块，用于将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；
其中，所述特征提取模块，具体用于采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。
8.根据权利要求7所述的系统，其特征在于，
所述特征提取模块，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。
9.根据权利要求8所述的系统，其特征在于，
所述特征提取模块，还用于采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。
10.一种用于安防的计算机设备，其特征在于，所述计算机设备包括处理器、存储器、总线和通信接口；
所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过所述总线连接，当所述计算机设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述计算机设备执行如权利要求1-6中任一项所述的方法。
CN201710671429.7A 2017-08-08 2017-08-08 基于安防视频中行人和车辆的实时检测方法和系统及设备 Active CN107704797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710671429.7A CN107704797B (zh) 2017-08-08 2017-08-08 基于安防视频中行人和车辆的实时检测方法和系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710671429.7A CN107704797B (zh) 2017-08-08 2017-08-08 基于安防视频中行人和车辆的实时检测方法和系统及设备

Publications (2)

Publication Number Publication Date
CN107704797A CN107704797A (zh) 2018-02-16
CN107704797B true CN107704797B (zh) 2020-06-23

Family

ID=61170831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710671429.7A Active CN107704797B (zh) 2017-08-08 2017-08-08 基于安防视频中行人和车辆的实时检测方法和系统及设备

Country Status (1)

Country Link
CN (1) CN107704797B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717575B (zh) * 2018-07-13 2022-07-26 奇景光电股份有限公司 无帧缓冲器的卷积神经网络系统与方法
CN110084130B (zh) * 2019-04-03 2023-07-25 深圳鲲云信息科技有限公司 基于多目标跟踪的人脸筛选方法、装置、设备及存储介质
CN110222652B (zh) * 2019-06-10 2021-07-27 湖南国科微电子股份有限公司 行人检测方法、装置及电子设备
CN111783604A (zh) * 2020-06-24 2020-10-16 中国第一汽车股份有限公司 基于目标识别的车辆控制方法、装置、设备及车辆
CN112232359B (zh) * 2020-09-29 2022-10-21 中国人民解放军陆军炮兵防空兵学院 一种基于混合层次滤波和互补性特征的视觉跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
CN102456225A (zh) * 2010-10-22 2012-05-16 深圳中兴力维技术有限公司 一种视频监控系统及其运动目标检测与跟踪方法
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 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
EP2860661A1 (en) * 2013-10-09 2015-04-15 Delphi Technologies, Inc. Mean shift tracking method
WO2016012593A1 (en) * 2014-07-24 2016-01-28 Agt International Gmbh Method and system for object detection with multi-scale single pass sliding window hog linear svm classifiers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101017573A (zh) * 2007-02-09 2007-08-15 南京大学 一种基于视频监控的运动目标检测与识别方法
CN102456225A (zh) * 2010-10-22 2012-05-16 深圳中兴力维技术有限公司 一种视频监控系统及其运动目标检测与跟踪方法
EP2860661A1 (en) * 2013-10-09 2015-04-15 Delphi Technologies, Inc. Mean shift tracking method
CN104166841A (zh) * 2014-07-24 2014-11-26 浙江大学 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
WO2016012593A1 (en) * 2014-07-24 2016-01-28 Agt International Gmbh Method and system for object detection with multi-scale single pass sliding window hog linear svm classifiers

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Detecting pedestrians and vehicles in traffic scene based on boosted HOG features and SVM》;Diqing Sun，et al。;《2015 IEEE 9th International Symposium on Intelligent Signal Processing Proceedings》;20150517;第1-4页 *
《基于HOG特征的车辆检测技术研究》;马蓓蓓;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160115(第1期);第I138-788页 *
《基于梯度直方图和支持向量机的人体目标跟踪》;张小川;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100715(第7期);第I138-942页 *

Also Published As

Publication number Publication date
CN107704797A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
CN107704797B (zh) 基于安防视频中行人和车辆的实时检测方法和系统及设备
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN107358242B (zh) 目标区域颜色识别方法、装置及监控终端
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
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN109714526B (zh) 智能摄像头及控制系统
Mutholib et al. Design and implementation of automatic number plate recognition on android platform
CN109272060B (zh) 一种基于改进的darknet神经网络进行目标检测的方法和系统
CN111783524B (zh) 一种场景变换检测方法、装置、存储介质及终端设备
CN105868708A (zh) 一种图像目标识别方法及装置
CN110781882A (zh) 一种基于yolo模型的车牌定位和识别方法
Do et al. Automatic license plate recognition using mobile device
Xiang et al. Lightweight fully convolutional network for license plate detection
CN104463186B (zh) 一种目标特征检测方法及装置
CN110110667B (zh) 一种硅藻图像的处理方法、系统及相关组件
CN111680690A (zh) 一种文字识别方法及装置
CN110991444A (zh) 面向复杂场景的车牌识别方法及装置
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN112330597A (zh) 一种图像差异检测方法、装置及计算机设备
CN111127358B (zh) 图像处理方法、装置及存储介质
CN114581646A (zh) 文本识别方法、装置、电子设备及存储介质
CN114170570A (zh) 一种适用于拥挤场景下的行人检测方法及系统
CN111126248A (zh) 一种遮挡下的车辆识别方法及装置
CN110659631A (zh) 车牌识别方法和终端设备

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