CN108010063A - 一种基于视频的运动目标进入或离开区域的检测方法 - Google Patents

一种基于视频的运动目标进入或离开区域的检测方法 Download PDF

Info

Publication number
CN108010063A
CN108010063A CN201711450850.1A CN201711450850A CN108010063A CN 108010063 A CN108010063 A CN 108010063A CN 201711450850 A CN201711450850 A CN 201711450850A CN 108010063 A CN108010063 A CN 108010063A
Authority
CN
China
Prior art keywords
detection method
pixel
region
target
enters
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
Application number
CN201711450850.1A
Other languages
English (en)
Inventor
瞿关明
朱健立
于宏志
张立坤
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.)
Tianjin Tiandi Weiye Cci Capital Ltd
Original Assignee
Tianjin Tiandi Weiye Cci Capital 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 Tianjin Tiandi Weiye Cci Capital Ltd filed Critical Tianjin Tiandi Weiye Cci Capital Ltd
Priority to CN201711450850.1A priority Critical patent/CN108010063A/zh
Publication of CN108010063A publication Critical patent/CN108010063A/zh
Pending legal-status Critical Current

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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Abstract

本发明提供了一种基于视频的运动目标进入或离开区域的检测方法，包括以下步骤：对图像中的每个像素进行周围邻域的空间建模，判断前景点；找出候选目标；检测目标位置和目标类型；根据预设的区域规则和目标的运动轨迹判断是否为进入或离开目标。本发明有益效果：通过对视频进行分析，判断出运动目标的行为方式，进而对运动目标的异常行为进行报警提醒，以防止意外，大幅提高了报警的正确率。

Description

一种基于视频的运动目标进入或离开区域的检测方法
技术领域
本发明属于视频监控技术领域，尤其是涉及一种基于视频的运动目标进入或离开区域的检测方法。
背景技术
在安防监控中，尤其对于在重点保护区域、监狱、看守所、所外就医等场景中，检测运动目标的运动情况，可以有效防止意外发生。而目前，检测运动目标一般应用背景建模技术方法，但是该方法易受到环境光突变、雨雪等情况干扰，且无法指定目标类型进行报警，误报警和漏报警比较频繁。
发明内容
有鉴于此，本发明旨在提出一种基于视频的运动目标进入或离开区域的检测方法，以解决上述问题的不足之处。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于视频的运动目标进入或离开区域的检测方法，包括以下步骤：
A.对图像中的每个像素进行周围邻域的空间建模，判断前景点；
B.找出候选目标；
C.检测目标位置和目标类型；
D.根据预设的区域规则和目标的运动轨迹判断是否为进入或离开目标。
进一步的，步骤A中，当某一点处像素值与周围像素值相比，有较大突变时，则认为该像素为前景点，否则为背景点。
进一步的，步骤A中每个像素的空间建模以一定的帧率进行更新。
进一步的，步骤A中所述空间建模，是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度的统计信息进行目标像素判断，且认为像素之间的颜色信息互不相关，对各个像素的处理都是互相独立的。
进一步的，步骤B中利用团块检测方法找出候选目标。
进一步的，所述团块检测方法是根据前景点之间的空间关系，对每个像素进行就近聚类，聚类的结果则作为团块的结果。
进一步的，步骤C中利用DPM多分类模型和机器学习方法结合检测出目标位置和目标类型。
进一步的，所述DPM算法的过程如下：
C1.将待检图像进行分块；
C2.对每个块提取HOG特征；
C3.计算各个区块到中心的距离并得到各个区块的权重；
C4.将带权重的HOG特征通过SVM级联分类器进行训练和检测。
进一步的，步骤D中所述区域规则包括多点连接成的多边形轮廓。
进一步的，步骤D中，当目标进入预设的区域规则时，产生报警，当目标离开预设的区域规则时，产生报警。
相对于现有技术，本发明所述的基于视频的运动目标进入或离开区域的检测方法具有以下优势：
本发明所述的基于视频的运动目标进入或离开区域的检测方法通过对视频进行分析，判断出运动目标的行为方式，进而对运动目标的异常行为进行报警提醒，以防止意外，大幅提高了报警的正确率。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述运动目标进入或离开区域的检测方法流程图；
图2为本发明实施例所述前景点示例；
图3为本发明实施例所述的HOG特征的计算过程示意图；
图4为目标进入规则区域的图示；
图5为目标离开规则区域的图示。
具体实施方式
需要说明的是，在不冲突的情况下，本发明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。
如图1所示，一种基于视频的运动目标进入或离开区域的检测方法，包括以下步骤：
A.对图像中的每个像素进行周围邻域的空间建模，判断前景点；
B.找出候选目标；
C.检测目标位置和目标类型；
D.如图4和图5所示，根据预设的区域规则和目标的运动轨迹判断是否为进入或离开目标。
步骤A中，当某一点处像素值与周围像素值相比，有较大突变时，例如该像素值变化超过高斯模型的3倍标准差时，则认为该像素为前景点，否则为背景点，如图2所示，空间建模中，像素80具有较大突变，为前景点。
进一步的，步骤A中每个像素的空间建模以一定的帧率进行更新，本实施例中，每个像素的空间建模以帧率f＝10进行更新。
步骤A中所述空间建模，是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度的统计信息进行目标像素判断，且认为像素之间的颜色信息互不相关，对各个像素的处理都是互相独立的。
步骤B中利用团块检测方法找出候选目标。
所述团块检测方法是根据前景点之间的空间关系，对每个像素进行就近聚类，聚类的结果则作为团块的结果，作为步骤C的输入。
步骤C中利用DPM多分类模型和机器学习方法结合检测出目标位置和目标类型。
所述DPM算法的过程如下：
C1.将待检图像进行分块；
C2.对每个块提取HOG特征，所述HOG特征的计算过程如图3所示；
C3.计算各个区块到中心的距离并得到各个区块的权重；
C4.将带权重的HOG特征通过SVM级联分类器进行训练和检测。
步骤D中所述区域规则包括多点连接成的多边形轮廓。
步骤D中，当目标进入预设的区域规则时，产生报警，当目标离开预设的区域规则时，产生报警。
所述DPM算法中涉及到的具体计算过程如下：
多个区块权重计算公式为，
其中，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。
单个区块的权重计算公式为，
其中，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。
以上所述仅为本发明的较佳实施例而已，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 (10)

1.一种基于视频的运动目标进入或离开区域的检测方法，其特征在于，包括以下步骤：
A.对图像中的每个像素进行周围邻域的空间建模，判断前景点；
B.找出候选目标；
C.检测目标位置和目标类型；
D.根据预设的区域规则和目标的运动轨迹判断是否为进入或离开目标。
2.根据权利要求1所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤A中，当某一点处像素值与周围像素值相比，有较大突变时，则认为该像素为前景点，否则为背景点。
3.根据权利要求1所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤A中每个像素的空间建模以一定的帧率进行更新。
4.根据权利要求1或3所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤A中所述空间建模，是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度的统计信息进行目标像素判断，且认为像素之间的颜色信息互不相关，对各个像素的处理都是互相独立的。
5.根据权利要求1所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤B中利用团块检测方法找出候选目标。
6.根据权利要求5所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：所述团块检测方法是根据前景点之间的空间关系，对每个像素进行就近聚类，聚类的结果则作为团块的结果。
7.根据权利要求1所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤C中利用DPM多分类模型和机器学习方法结合检测出目标位置和目标类型。
8.根据权利要求7所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于，所述DPM算法的过程如下：
C1.将待检图像进行分块；
C2.对每个块提取HOG特征；
C3.计算各个区块到中心的距离并得到各个区块的权重；
C4.将带权重的HOG特征通过SVM级联分类器进行训练和检测。
9.根据权利要求1所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤D中所述区域规则包括多点连接成的多边形轮廓。
10.根据权利要求1或9所述的一种基于视频的运动目标进入或离开区域的检测方法，其特征在于：步骤D中，当目标进入预设的区域规则时，产生报警，当目标离开预设的区域规则时，产生报警。
CN201711450850.1A 2017-12-27 2017-12-27 一种基于视频的运动目标进入或离开区域的检测方法 Pending CN108010063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711450850.1A CN108010063A (zh) 2017-12-27 2017-12-27 一种基于视频的运动目标进入或离开区域的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711450850.1A CN108010063A (zh) 2017-12-27 2017-12-27 一种基于视频的运动目标进入或离开区域的检测方法

Publications (1)

Publication Number Publication Date
CN108010063A true CN108010063A (zh) 2018-05-08

Family

ID=62061963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711450850.1A Pending CN108010063A (zh) 2017-12-27 2017-12-27 一种基于视频的运动目标进入或离开区域的检测方法

Country Status (1)

Country Link
CN (1) CN108010063A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874905A (zh) * 2018-08-31 2020-03-10 杭州海康威视数字技术股份有限公司 监控方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488490A (zh) * 2015-12-23 2016-04-13 天津天地伟业数码科技有限公司 基于视频的审判员着装检测方法
CN106339723A (zh) * 2016-08-30 2017-01-18 天津天地伟业数码科技有限公司 基于视频河道盗采的检测方法
KR20170137273A (ko) * 2016-06-02 2017-12-13 중앙대학교 산학협력단 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법
CN107480585A (zh) * 2017-07-06 2017-12-15 西安电子科技大学 基于dpm算法的目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105488490A (zh) * 2015-12-23 2016-04-13 天津天地伟业数码科技有限公司 基于视频的审判员着装检测方法
KR20170137273A (ko) * 2016-06-02 2017-12-13 중앙대학교 산학협력단 변형 가능한 파트 모델을 사용한 보행자 검출 장치 및 방법
CN106339723A (zh) * 2016-08-30 2017-01-18 天津天地伟业数码科技有限公司 基于视频河道盗采的检测方法
CN107480585A (zh) * 2017-07-06 2017-12-15 西安电子科技大学 基于dpm算法的目标检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
雷帮军 等: "《视频目标跟踪系统分步详解》", 31 December 2015, 国防工业出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110874905A (zh) * 2018-08-31 2020-03-10 杭州海康威视数字技术股份有限公司 监控方法及装置

Similar Documents

Publication Publication Date Title
CN108446630B (zh) 机场跑道智能监控方法、应用服务器及计算机存储介质
JP5224401B2 (ja) 監視システムおよび方法
Morris et al. A survey of vision-based trajectory learning and analysis for surveillance
KR101260847B1 (ko) 행동 인식 시스템
Chen et al. Probabilistic neural networks based moving vehicles extraction algorithm for intelligent traffic surveillance systems
CN104050478A (zh) 烟雾检测方法与系统
Khalil et al. Fire detection using multi color space and background modeling
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
JP2009533778A (ja) 統計的画素モデリングを使った映像セグメント化
CN113223059A (zh) 基于超分辨率特征增强的弱小空域目标检测方法
CN111460917B (zh) 基于多模态信息融合的机场异常行为检测系统及方法
CN112132043B (zh) 基于监控视频的消防通道占用自适应检测方法
US20090310823A1 (en) Object tracking method using spatial-color statistical model
CN110969642B (zh) 视频过滤方法、装置、电子设备及存储介质
Chen et al. Counter-propagation artificial neural network-based motion detection algorithm for static-camera surveillance scenarios
CN114373162B (zh) 用于变电站视频监控的危险区域人员入侵检测方法及系统
CN105469054A (zh) 正常行为的模型构建方法及异常行为的检测方法
Huang et al. Rapid detection of camera tampering and abnormal disturbance for video surveillance system
Ham et al. Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models
KR101394270B1 (ko) 영상 감지 시스템 및 방법
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN108010063A (zh) 一种基于视频的运动目标进入或离开区域的检测方法
CN115359568B (zh) 行人智能体运动与应急疏散的仿真方法及计算机设备
KR101985869B1 (ko) 형태학적 특징 기반 모델을 이용한 농축산물 도난 감시 장치 및 방법
Roy et al. Real-time record sensitive background classifier (RSBC)

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180508

WD01 Invention patent application deemed withdrawn after publication