CN108009498A - 一种基于视频的人员状态检测方法 - Google Patents
一种基于视频的人员状态检测方法 Download PDFInfo
- Publication number
- CN108009498A CN108009498A CN201711244140.3A CN201711244140A CN108009498A CN 108009498 A CN108009498 A CN 108009498A CN 201711244140 A CN201711244140 A CN 201711244140A CN 108009498 A CN108009498 A CN 108009498A
- Authority
- CN
- China
- Prior art keywords
- candidate
- target
- pixel
- method based
- 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.)
- Pending
Links
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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视频的人员状态检测方法。该方法首先获取视频图像,使用模型检测算法检测出人的具体位置,并对候选目标进行跟踪,并利用背景建模技术得到的目标运动信息特征,融合信息特征能够准确判断出特定区域的是否存在人员情况,该方法不易受相机角度、视野变化影响而检测出正确的结果。本发明使用最新模型检测技术,能够有效提升检测率,降低误警率;使用目标跟踪技术,能够有效缓解目标检测的压力,减少模型检测漏检测对最终报警的影响,有效提升报警的准确度;使用背景建模技术的使用能够减少漏警,提升报警的准确度。
Description
技术领域
本发明创造属于视频检测技术领域,尤其是涉及一种基于视频的人员状态检测方法。
背景技术
在安防监控中,通过人眼长时间观看监视画面观察出人员状态既费时有费力,大规模集中监控系统中,需要足够的监控人员才能同时监控所有的监视画面,这样不但造成人力浪费,监控人员也会因为疲劳而错过关键画面。
发明内容
有鉴于此,本发明创造旨在提出一种基于视频的人员状态检测方法,以用于检测各种环境情况下的人员状态,判断预设的逻辑,通过警报或上报监控中心方式进行协助。
为达到上述目的,本发明创造的技术方案是这样实现的:
一种基于视频的人员状态检测方法,具体包括如下步骤:
(1)利用DPM模型检测算法检测出视频中人的位置作为候选模型目标;
(2)对候选模型目标进行跟踪,得到所有候选模型目标的信息特征;
(3)利用混合高斯背景建模技术检测出候选的运动的人的位置,得到候选的运动目标;
(4)对候选的运动目标进行跟踪,得到所有候选运动目标的信息特征;
(5)融合候选模型目标的信息特征和候选运动目标的信息特征,综合判断出候选区域是否存在人员。
进一步的,所述步骤(1)中具体包括,DPM算法首先将待检图像进行分块,然后对每个块提取HOG特征,再计算各个区块到中心的距离来得到各个区块的权重,将这些带权重的HOG特征通过SVM级联分类器进行训练和检测。
进一步的,所述步骤(2)中,使用前一帧区检测出的目标域内特定个数的平均分布点,利用LK点跟踪技术,计算所有的跟踪点后,综合计算跟踪点的间距关系得到新的跟踪目标位置框。
进一步的,所述步骤(3)中,在对每个像素进行时域建模时,将该像素与其时域高斯模型的分布比较,当该像素变化超过高斯模型的3倍的标准差,判断该像素为前景像素点,否则为后景像素点。
相对于现有技术,本发明创造所述的一种基于视频的人员状态检测方法具有以下优势:
(1)本发明所述的使用最新模型检测技术,能够有效提升检测率,降低误警率。
(2)使用目标跟踪技术,能够有效缓解目标检测的压力,减少模型检测漏检测对最终报警的影响,有效提升报警的准确度。
(3)使用背景建模技术的使用能够减少漏警,提升报警的准确度.
附图说明
构成本发明创造的一部分的附图用来提供对本发明创造的进一步理解,本发明创造的示意性实施例及其说明用于解释本发明创造,并不构成对本发明创造的不当限定。在附图中:
图1为本发明创造实施例所述的人员状态检测整体流程图;
图2为本发明创造实施例所述的HOG特征提取框图;
图3为本发明创造实施例所述的目标跟踪图;
图4为本发明创造实施例所述的背景建模像素判断示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明创造中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明创造。
本申请提出一种基于视频的人员状态检测方法,整体流程图如图1所示。
1、利用DPM模型检测技术检测出候选的人位置,得到候选的模型目标。
本发明中使用DPM算法进行人物模型的训练和检测。DPM算法首先将待检图像进行分块,然后对每个块提取HOG特征,HOG特征参考图2所示,再计算各个区块到中心的距离来得到各个区块的权重,将这些带权重的HOG特征通过SVM级联分类器进行训练和检测。
公式(1)是多个区块权重计算方法,W(x,y,l)表示(x,y)坐标点的权重和,R0(x,y)表示根区块的权重,Di(x,y)表示第i个区块考虑距离惩罚的权重。
公式(2)是单个区块的权重计算方法,Di(x,y)表示(x,y)位置的第i个区块的权重,dx,dy表示(x,y)方向的偏移,di表示第i个区块的惩罚系数,σ(dx,dy)表示偏移的欧氏距离。
根据公式(1),(2)中权重的计算方法,通过SVM的级联分类器进行训练和检测。
2、利用目标跟踪技术,得到所有候选模型目标的信息特征。
3、本发明中使用的目标跟踪技术,使用前一帧区检测出的目标域内特定个数(如100个)的平均分布点,利用LK点跟踪技术,计算所有的跟踪点后,综合计算跟踪点的间距关系得到新的跟踪目标位置框,目标跟踪参考图3。
P(i,j)=(W/n*i,H/m*j) (3)
公式(3)是计算法分布点选择算法,i表示横向索引,j表示纵向,P(i,j)表示位置的点的坐标,W表示跟踪目标图像的宽度,H表示跟踪目标图像的高度,n表示横向选点的个数,m表示竖向选点的个数。(n=10,m=10时,就能够取到100个点)
4、利用混合高斯背景建模技术检测出候选的运动的人的位置,得到候选的运动目标。
如图4所示,在对每个像素进行时域建模时,将该像素与其时域高斯模型的分布比较,当该像素变化超过高斯模型的3倍的标准差,判断该像素为前景像素点,否则为后景像素点,本例中该像素变化为80,而其高斯建模的标准差值为20,可视该像素发生突变,认定为前景像素点;同时按特定的频率更新每个像素的时域模型,以获得最新的像素值。
|Pt(x,y)-Pt-1(x,y)|>T (4)
公式(4)是前景判断方法,大于T则(x,y)属于前景,否则为背景。Pt(x,y)为t时间(x,y)坐标的值,Pt-1(x,y)时间(x,y)坐标像素背景的值,T是判断阈值。
5、综合判断模型目标和运动目标的信息特征,得到候选区域内的人员状态。
利用视频中多得到模型目标和运动目标的持续位置变化信息,运动信息等情况综合判断区域内人员的状态信息。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明创造的保护范围之内。
Claims (4)
1.一种基于视频的人员状态检测方法,其特征在于:具体包括如下步骤:
(1)利用DPM模型检测算法检测出视频中人的位置作为候选模型目标;
(2)对候选模型目标进行跟踪,得到所有候选模型目标的信息特征;
(3)利用混合高斯背景建模技术检测出候选的运动的人的位置,得到候选的运动目标;
(4)对候选的运动目标进行跟踪,得到所有候选运动目标的信息特征;
(5)融合候选模型目标的信息特征和候选运动目标的信息特征,综合判断出候选区域是否存在人员。
2.根据权利要求1所述的一种基于视频的人员状态检测方法,其特征在于:所述步骤(1)中具体包括,DPM算法首先将待检图像进行分块,然后对每个块提取HOG特征,再计算各个区块到中心的距离来得到各个区块的权重,将这些带权重的HOG特征通过SVM级联分类器进行训练和检测。
3.根据权利要求1所述的一种基于视频的人员状态检测方法,其特征在于:所述步骤(2)中,使用前一帧区检测出的目标域内特定个数的平均分布点,利用LK点跟踪技术,计算所有的跟踪点后,综合计算跟踪点的间距关系得到新的跟踪目标位置框。
4.根据权利要求1所述的一种基于视频的人员状态检测方法,其特征在于:所述步骤(3)中,在对每个像素进行时域建模时,将该像素与其时域高斯模型的分布比较,当该像素变化超过高斯模型的3倍的标准差,判断该像素为前景像素点,否则为后景像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711244140.3A CN108009498A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频的人员状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711244140.3A CN108009498A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频的人员状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009498A true CN108009498A (zh) | 2018-05-08 |
Family
ID=62055816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711244140.3A Pending CN108009498A (zh) | 2017-11-30 | 2017-11-30 | 一种基于视频的人员状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009498A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN104637071A (zh) * | 2015-01-28 | 2015-05-20 | 四川君逸易视科技有限公司 | 基于智能视频分析的人员跟踪方法 |
CN105551062A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种夜间物体检测的方法 |
CN106023252A (zh) * | 2016-05-16 | 2016-10-12 | 浙江理工大学 | 一种基于oab算法的多摄像机人体跟踪方法 |
CN106897664A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于分布式大数据平台的行人检测方法 |
CN107392937A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置及电子设备 |
-
2017
- 2017-11-30 CN CN201711244140.3A patent/CN108009498A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609686A (zh) * | 2012-01-19 | 2012-07-25 | 宁波大学 | 一种行人检测方法 |
CN104318263A (zh) * | 2014-09-24 | 2015-01-28 | 南京邮电大学 | 一种实时高精度人流计数方法 |
CN104637071A (zh) * | 2015-01-28 | 2015-05-20 | 四川君逸易视科技有限公司 | 基于智能视频分析的人员跟踪方法 |
CN105551062A (zh) * | 2015-12-21 | 2016-05-04 | 电子科技大学 | 一种夜间物体检测的方法 |
CN106023252A (zh) * | 2016-05-16 | 2016-10-12 | 浙江理工大学 | 一种基于oab算法的多摄像机人体跟踪方法 |
CN106897664A (zh) * | 2017-01-08 | 2017-06-27 | 广东工业大学 | 一种基于分布式大数据平台的行人检测方法 |
CN107392937A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技(深圳)有限公司 | 目标跟踪方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
PEDRO F. FELZENSZWALB ET AL: "Object Detection with Discr iminatively Trained Part Based Models", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
胡强: "行人检测技术研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569772B (zh) | 一种泳池内人员状态检测方法 | |
WO2020253308A1 (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
CN111241959B (zh) | 一种通过工地视频流检测未佩戴安全帽人员的方法 | |
CN110502965A (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CA3094424C (en) | Safety monitoring and early-warning method for man-machine interaction behavior of underground conveyor belt operator | |
CN106980829B (zh) | 基于视频分析的打架斗殴异常行为自动检测方法 | |
CN107451999A (zh) | 基于图像识别的异物检测方法和装置 | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN113255509A (zh) | 一种基于Yolov3和OpenPose的工地危险行为监控方法 | |
CN111079518B (zh) | 一种基于执法办案区场景下的倒地异常行为识别方法 | |
CN108564069A (zh) | 一种工业佩戴安全帽视频检测方法 | |
CN114842560B (zh) | 基于计算机视觉的建筑工地人员危险行为识别方法 | |
CN108229524A (zh) | 一种基于遥感图像的烟囱和冷凝塔检测方法 | |
Mei et al. | Human intrusion detection in static hazardous areas at construction sites: Deep learning–based method | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN106815563A (zh) | 一种基于人体表观结构的人群数量预测方法 | |
CN113076825A (zh) | 一种变电站工作人员爬高安全监测方法 | |
Li et al. | The application of Yolov4 and a new pedestrian clustering algorithm to implement social distance monitoring during the COVID-19 pandemic | |
CN112382068B (zh) | 基于bim与dnn的车站候车线跨越检测系统 | |
CN114529869A (zh) | 违章动火检测模型的训练方法及利用该模型的检测方法 | |
Cheng et al. | Moving Target Detection Technology Based on UAV Vision | |
Huang et al. | A machine vision-based method for crowd density estimation and evacuation simulation | |
CN102867214A (zh) | 区域范围内人数统计管理方法 | |
CN113111733A (zh) | 一种基于姿态流的打架行为识别方法 | |
CN115880620B (zh) | 一种应用在推车预警系统中的人员计数方法 |
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 |
Application publication date: 20180508 |
|
RJ01 | Rejection of invention patent application after publication |