CN108174055A - 一种智能监控方法、系统、设备及存储介质 - Google Patents

一种智能监控方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN108174055A
CN108174055A CN201711478910.0A CN201711478910A CN108174055A CN 108174055 A CN108174055 A CN 108174055A CN 201711478910 A CN201711478910 A CN 201711478910A CN 108174055 A CN108174055 A CN 108174055A
Authority
CN
China
Prior art keywords
pixel
gaussian profile
region
current
video frame
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
Application number
CN201711478910.0A
Other languages
English (en)
Other versions
CN108174055B (zh
Inventor
崔苗
荆永震
林凡
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.)
Foshan National Defense Science And Technology Industrial Technology Achievement Industrialization Application And Promotion Center
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201711478910.0A priority Critical patent/CN108174055B/zh
Publication of CN108174055A publication Critical patent/CN108174055A/zh
Application granted granted Critical
Publication of CN108174055B publication Critical patent/CN108174055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/144—Movement detection
    • 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
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种智能监控方法、系统、设备及存储介质，该方法包括：步骤S11：创建混合高斯模型；步骤S12：分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；步骤S13：将当前待处理图像中不同的像素点归到相应的区域，得到第一类区域和第二类区域；步骤S14：为区域分配更新速率，并对当前K个高斯分布进行更新，然后重新进入步骤S12，直到循环次数达到预设循环次数阈值；与第一类区域对应的更新速率大于与运动区域对应的更新速率；步骤S15：选取最接近实际背景的B个高斯分布；步骤S16：对新视频帧图像中每个像素点与所述B个高斯分布进行匹配，得到前景点和背景点。本申请避免了在检测运动目标时出现空洞现象，提高了前景检测准确度。

Description

一种智能监控方法、系统、设备及存储介质
技术领域
本发明涉及视频监控技术领域，特别涉及一种智能监控方法、系统、设备及存储介质。
背景技术
当前，智能视频监控应用非常广泛，可用于婴幼儿监控、车内环境监控等。智能监控关键问题是前景检测，前景检测最常用和普遍的检测手段便是基于混合高斯模型的检测算法。如专利号为“201310595061.2”，题目为“干扰运动环境下基于共享高斯模型的运动检测方法”的一篇发明专利，发明公开一种干扰运动环境下基于共享高斯模型的运动检测方法，通过对干扰运动进行实时建模，并将建立的高斯模型共享给视频流中每一帧图像的每一个点。当目标物体进入场景后，使用共享高斯模型过滤掉干扰运动，再对目标物体进行运动跟踪等其他需求处理，满足存在其他剧烈干扰运动前景的环境下，检测运动目标的需求。然而，混合高斯模型算法在检测较大且颜色一致的运动目标内部像素时，容易在运动目标内部产生空洞现象，由此导致误检现象。
综上所述可以看出，如何避免在检测运动目标时出现空洞现象，以提高前景检测准确度是目前亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种智能监控方法、系统、设备及存储介质，能够有效避免在检测运动目标时出现空洞现象，从而提高前景检测准确度。其具体方案如下：
第一方面，本发明公开了一种智能监控方法，包括：
步骤S11：为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数；
步骤S12：将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；
步骤S13：将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域；
步骤S14：为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新进入步骤S12，直到循环次数达到预设循环次数阈值；其中，与所述第一类区域对应的更新速率大于与所述运动区域对应的更新速率；
步骤S15：从当前K个高斯分布选取出最接近实际背景的B个高斯分布；
步骤S16：当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
可选的，所述分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配的步骤中，还包括：
若当前待处理图像中存在任一像素点与当前K个高斯分布均不匹配，则将当前K个高斯分布中权值最小的一个高斯分布确定为目标高斯分布，并基于该像素点创建一个与之相匹配的新的高斯分布，然后利用该高斯分布替换掉所述目标高斯分布，以形成新的K个高斯分布。
可选的，将当前待处理图像的任一像素点与当前任一个高斯分布进行匹配的步骤，包括：
判断该像素点是否满足与该高斯分布对应的第一预设匹配条件；其中，所述第一预设匹配条件为|Xt,j-μt-1,i|＜2.5σi；其中，Xt,j表示第t个采集时刻下采集到的视频帧图像中的第j个像素点的像素值，μt-1,i表示当前第i个高斯分布在第t-1个视频帧采集时刻下的均值，σi表示当前第i个高斯分布的方差；
如果是，则判定该像素点与该高斯分布匹配成功；
如果否，则判断当前的σi是否已收敛到一个极小值；
如果否，则判定该像素点与该高斯分布匹配失败；
如果是，则判断该像素点是否满足与该高斯分布对应的第二预设匹配条件；其中，所述第二预设匹配条件为|Xt,j-μt-1,i|＜V；其中，V为预设的并且大于2.5σi的阈值；
如果否，则判定该像素点与该高斯分布匹配失败，如果是，则判定该像素点与该高斯分布匹配成功。
可选的，所述将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域的步骤，包括：
从当前待处理图像中分别确定出与至少两个高斯分布相匹配的像素点以及只与一个高斯分布相匹配的像素点，得到第一类像素点和第二类像素点；
判断所述第一类像素点中每一像素点对应的历史连续不匹配次数是否大于第一预设次数阈值，如果是，则将相应像素点归到第一类区域中；
判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值，如果是，则将相应像素点归到位于第二类区域中的运动区域。
可选的，所述判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值的步骤之后，还包括：
如果否，则判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第二预设次数阈值，如果是，则将相应像素点归到位于所述第二类区域中的背景逃离区域。
可选的，所述为当前多个区域分配相应的更新速率的步骤，还包括：
为所述背景逃离区域分配与所述第一类区域对应的更新速率相同的更新速率。
可选的，所述从当前K个高斯分布选取出最接近实际背景的B个高斯分布的步骤，包括：
按照高斯分布中权值与方差之间的比值由大至小的顺序，对当前K个高斯分布进行排序，得到相应的排序后高斯分布集合；
从所述排序后高斯分布集合中筛选出前B个高斯分布，得到所述最接近实际背景的B个高斯分布。
第二方面，本发明公开了一种智能监控系统，包括：
混合高斯模型创建模块，用于为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数；
匹配模块，用于将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；
区域确定模块，用于将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域；
高斯分布更新模块，用于为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新启动所述匹配模块的工作流程，直到循环次数达到预设循环次数阈值；
高斯分布选取模块，用于从当前K个高斯分布选取出最接近实际背景的B个高斯分布；
前景检测模块，用于当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
第三方面，本发明公开了一种智能监控设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的智能监控程序时实现前述公开的智能监控方法。
可选的，所述智能监控设备，还包括：
摄像头，用于采集视频帧图像；
舵机，用于获取所述处理器根据当前视频帧图像中的前景图像触发相应的摄像头角度调整指令，并在该指令的控制下对所述摄像头的拍摄角度进行调整，以跟踪目标对象。
第四方面，一种计算机可读存储介质，用于存储智能监控程序；其中，所述智能监控程序被处理器执行时实现前述公开的智能监控方法。
可见，本发明在完成对每一采集时刻下采集到的视频帧图像的匹配处理之后，会将该视频帧图像中不同的像素点归到相应的区域中，从而得到其内像素点均为与至少两个高斯分布相匹配的像素点的第一类区域以及其内像素点均为只与一个高斯分布相匹配的像素点的第二类区域，并且，上述第二类区域中包括运动区域。在此基础上，本发明为当前待处理图像的多个区域分配相应的更新速率，并且使得第一类区域对应的更新速率大于运动区域对应的更新速率，也即，为上述与对应于多个高斯分布的第一类区域分配较大的更新速率，为上述对应于一个高斯分布的运动区域分配较小的更新速率，然后利用上述分配的更新速率对当前K个高斯分布进行相应的更新，这样可以避免后续在进行前景检测时由于目标移动物体迅速融入背景中而产生的空洞现象，从而提高了前景检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种智能监控方法流程图；
图2为本发明实施例公开的一种智能监控方法子流程图；
图3为本发明实施例公开的一种智能监控方法子流程图；
图4为本发明实施例公开的一种智能监控方法子流程图；
图5为本发明实施例公开的一种智能监控系统结构示意图；
图6为本发明实施例公开的一种智能监控设备结构示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明实施例公开了一种智能监控方法，参见图1所示，该方法包括：
步骤S11：为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数。
需要说明的是，关于上述步骤S11中如何为每个像素点创建混合高斯模型的具体过程可以参考现有技术中的相关内容，在此不再进行赘述。
步骤S12：将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配。
步骤S13：将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域。
步骤S14：为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新进入步骤S12，直到循环次数达到预设循环次数阈值；其中，与所述第一类区域对应的更新速率大于与所述运动区域对应的更新速率。
步骤S15：从当前K个高斯分布选取出最接近实际背景的B个高斯分布。
步骤S16：当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
可见，本发明实施例在完成对每一采集时刻下采集到的视频帧图像的匹配处理之后，会将该视频帧图像中不同的像素点归到相应的区域中，从而得到其内像素点均为与至少两个高斯分布相匹配的像素点的第一类区域以及其内像素点均为只与一个高斯分布相匹配的像素点的第二类区域，并且，上述第二类区域中包括运动区域。在此基础上，本发明实施例为当前待处理图像的多个区域分配相应的更新速率，并且使得第一类区域对应的更新速率大于运动区域对应的更新速率，也即，为上述与对应于多个高斯分布的第一类区域分配较大的更新速率，为上述对应于一个高斯分布的运动区域分配较小的更新速率，然后利用上述分配的更新速率对当前K个高斯分布进行相应的更新，这样可以避免后续在进行前景检测时由于目标移动物体迅速融入背景中而产生的空洞现象，从而提高了前景检测的准确性。
本发明实施例公开了一种具体的智能监控方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
为了进一步提升高斯分布的合理性和可靠性，上述实施例步骤S12中，分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配的过程中，还可以具体包括：
若当前待处理图像中存在任一像素点与当前K个高斯分布均不匹配，则将当前K个高斯分布中权值最小的一个高斯分布确定为目标高斯分布，并基于该像素点创建一个与之相匹配的新的高斯分布，然后利用该高斯分布替换掉所述目标高斯分布，以形成新的K个高斯分布。
由于随着上述匹配过程的不断进行，相应的高斯分布的方差会不断收敛，当收敛到一个极小值的时候，会导致后续前景检测的结果对背景的扰动变得非常敏感，容易使得原本不是前景的图像被检测为前景图像，为了克服上述问题，本发明实施例对前述实施例步骤S12中的匹配过程进行相应的优化。参见图2所示，在优化后的匹配方案中，将当前待处理图像的任一像素点与当前任一个高斯分布进行匹配的步骤，具体可以包括：
步骤S21：判断该像素点是否满足与该高斯分布对应的第一预设匹配条件；其中，所述第一预设匹配条件为|Xt,j-μt-1,i|＜2.5σi；其中，Xt,j表示第t个采集时刻下采集到的视频帧图像中的第j个像素点的像素值，μt-1,i表示当前第i个高斯分布在第t-1个视频帧采集时刻下的均值，σi表示当前第i个高斯分布的方差；
步骤S22：如果是，则判定该像素点与该高斯分布匹配成功；
步骤S23：如果否，则判断当前的σi是否已收敛到一个极小值；
步骤S24：如果否，则判定该像素点与该高斯分布匹配失败；
步骤S25：如果是，则判断该像素点是否满足与该高斯分布对应的第二预设匹配条件；其中，所述第二预设匹配条件为|Xt,j-μt-1,i|＜V；其中，V为预设的并且大于2.5σi的阈值；
步骤S26：如果否，则判定该像素点与该高斯分布匹配失败，如果是，则判定该像素点与该高斯分布匹配成功。
需要说明的是，上述V值的具体大小需要根据实际应用场景来进行设定，在此不对其进行限定。
参见图3所示，前述实施例步骤S13中，将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域的步骤，具体可以包括：
步骤S31：从当前待处理图像中分别确定出与至少两个高斯分布相匹配的像素点以及只与一个高斯分布相匹配的像素点，得到第一类像素点和第二类像素点；
步骤S32：判断所述第一类像素点中每一像素点对应的历史连续不匹配次数是否大于第一预设次数阈值，如果是，则将相应像素点归到第一类区域中；
步骤S33：判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值，如果是，则将相应像素点归到位于第二类区域中的运动区域。
进一步的，所述判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值的步骤之后，还可以包括：
如果否，则判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第二预设次数阈值，如果是，则将相应像素点归到位于所述第二类区域中的背景逃离区域。
可见，本实施例中的第二类区域包括运动区域和背景逃离区域。另外，需要说明的是，上述第二类像素点中每一像素点对应的历史连续不匹配次数可以是指在对上一采集时刻下采集到的视频帧图像进行匹配时相应像素点的连续不匹配次数。上述第一预设次数阈值和上述第二预设次数阈值可以根据实际情况进行设定，其中，第一预设次数阈值小于第二预设次数阈值。
本实施例中，所述为当前多个区域分配相应的更新速率的步骤，还可以进一步包括：为所述背景逃离区域分配与所述第一类区域对应的更新速率相同的更新速率。
也即，本实施例可以为所述第一类区域以及所述背景逃离区域分配较大的更新速率，而为所述运动区域分配较小的更新速率，这样有利于进一步降低空洞现象的发生概率，提高了前景检测的准确性。
上一实施例步骤S14中，对当前K个高斯分布进行相应的更新的过程中，包括了对高斯分布的权值、均值和方差的更新。其中，相应的权值更新公式、均值更新公式和方差更新公式分别如下所示：
权值更新公式：ωk,t＝(1-α)ωk,t-1+αMk,t；
均值更新公式：μt＝(1-ρ)μt-1+ρXt；
方差更新公式：
其中，ω表示高斯分布的权值，k表示高斯分布的序号，t表示视频帧采集时刻的序号，α表示更新速率，表示，并且，在第t个视频帧采集时刻下采集的视频帧图像中的某个像素点与当前第k个高斯分布相匹配的情况下，Mk,t为1，此时其他高斯分布对应的Mk,t为0，通过上述不断的调整，可以使得匹配次数越多的高斯分布的权值变得越大；μ表示高斯分布的均值，X表示像素点的像素值，σ表示高斯分布的方差，ρ＝α·η(Xt|μt,σk)，η代表高斯分布，η(Xt|μt,σk)表示在μt和σk的条件下Xt对应的高斯分布的取值。
另外，参见图4所示，前述实施例步骤S15中，从当前K个高斯分布选取出最接近实际背景的B个高斯分布的步骤，具体可以包括：
步骤S41：按照高斯分布中权值与方差之间的比值由大至小的顺序，对当前K个高斯分布进行排序，得到相应的排序后高斯分布集合；
步骤S42：从所述排序后高斯分布集合中筛选出前B个高斯分布，得到所述最接近实际背景的B个高斯分布。
本实施例中，需要预先设定上述B值的大小。具体的，本实施例可以将能够使取得最小值的b值确定为上述B值。其中，上述式子中的ωk表示第k个高斯分布的权值，G表示高斯分布属于背景分布时最小的权值比例。
相应的，本发明实施例公开了一种智能监控系统，参见图5所示，该系统包括：
混合高斯模型创建模块11，用于为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数；
匹配模块12，用于将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；
区域确定模块13，用于将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域；
高斯分布更新模块14，用于为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新启动所述匹配模块12的工作流程，直到循环次数达到预设循环次数阈值；
高斯分布选取模块15，用于从当前K个高斯分布选取出最接近实际背景的B个高斯分布；
前景检测模块16，用于当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
关于上述各个模块更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本发明在完成对每一采集时刻下采集到的视频帧图像的匹配处理之后，会将该视频帧图像中不同的像素点归到相应的区域中，从而得到其内像素点均为与至少两个高斯分布相匹配的像素点的第一类区域以及其内像素点均为只与一个高斯分布相匹配的像素点的第二类区域，并且，上述第二类区域中包括运动区域。在此基础上，本发明为当前待处理图像的多个区域分配相应的更新速率，并且使得第一类区域对应的更新速率大于运动区域对应的更新速率，也即，为上述与对应于多个高斯分布的第一类区域分配较大的更新速率，为上述对应于一个高斯分布的运动区域分配较小的更新速率，然后利用上述分配的更新速率对当前K个高斯分布进行相应的更新，这样可以避免后续在进行前景检测时由于目标移动物体迅速融入背景中而产生的空洞现象，从而提高了前景检测的准确性。
进一步的，本发明实施例还公开了一种智能监控设备，参见图6所示，包括处理器21和存储器22；其中，所述处理器21执行所述存储器22中保存的智能监控程序时实现前述实施例公开的智能监控方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本实施例中，上述智能监控设备，还可以进一步包括：
摄像头23，用于采集视频帧图像；
舵机24，用于获取所述处理器21根据当前视频帧图像中的前景图像触发相应的摄像头角度调整指令，并在该指令的控制下对所述摄像头23的拍摄角度进行调整，以跟踪目标对象。
进一步的，本发明实施例还公开了一种计算机可读存储介质，用于存储智能监控程序；其中，所述智能监控程序被处理器执行时实现前述实施例中公开的智能监控方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种智能监控方法、系统、设备及存储介质进行了详细介绍，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 (11)

1.一种智能监控方法，其特征在于，包括：
步骤S11：为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数；
步骤S12：将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；
步骤S13：将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域；
步骤S14：为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新进入步骤S12，直到循环次数达到预设循环次数阈值；其中，与所述第一类区域对应的更新速率大于与所述运动区域对应的更新速率；
步骤S15：从当前K个高斯分布选取出最接近实际背景的B个高斯分布；
步骤S16：当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
2.根据权利要求1所述的智能监控方法，其特征在于，所述分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配的步骤中，还包括：
若当前待处理图像中存在任一像素点与当前K个高斯分布均不匹配，则将当前K个高斯分布中权值最小的一个高斯分布确定为目标高斯分布，并基于该像素点创建一个与之相匹配的新的高斯分布，然后利用该高斯分布替换掉所述目标高斯分布，以形成新的K个高斯分布。
3.根据权利要求1所述的智能监控方法，其特征在于，将当前待处理图像的任一像素点与当前任一个高斯分布进行匹配的步骤，包括：
判断该像素点是否满足与该高斯分布对应的第一预设匹配条件；其中，所述第一预设匹配条件为|Xt,j-μt-1,i|＜2.5σi；其中，Xt,j表示第t个采集时刻下采集到的视频帧图像中的第j个像素点的像素值，μt-1,i表示当前第i个高斯分布在第t-1个视频帧采集时刻下的均值，σi表示当前第i个高斯分布的方差；
如果是，则判定该像素点与该高斯分布匹配成功；
如果否，则判断当前的σi是否已收敛到一个极小值；
如果否，则判定该像素点与该高斯分布匹配失败；
如果是，则判断该像素点是否满足与该高斯分布对应的第二预设匹配条件；其中，所述第二预设匹配条件为|Xt,j-μt-1,i|＜V；其中，V为预设的并且大于2.5σi的阈值；
如果否，则判定该像素点与该高斯分布匹配失败，如果是，则判定该像素点与该高斯分布匹配成功。
4.根据权利要求1所述的智能监控方法，其特征在于，所述将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域的步骤，包括：
从当前待处理图像中分别确定出与至少两个高斯分布相匹配的像素点以及只与一个高斯分布相匹配的像素点，得到第一类像素点和第二类像素点；
判断所述第一类像素点中每一像素点对应的历史连续不匹配次数是否大于第一预设次数阈值，如果是，则将相应像素点归到第一类区域中；
判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值，如果是，则将相应像素点归到位于第二类区域中的运动区域。
5.根据权利要求4所述的智能监控方法，其特征在于，所述判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第一预设次数阈值并小于或等于第二预设次数阈值的步骤之后，还包括：
如果否，则判断所述第二类像素点中每一像素点对应的历史连续不匹配次数是否大于所述第二预设次数阈值，如果是，则将相应像素点归到位于所述第二类区域中的背景逃离区域。
6.根据权利要求5所述的智能监控方法，其特征在于，所述为当前多个区域分配相应的更新速率的步骤，还包括：
为所述背景逃离区域分配与所述第一类区域对应的更新速率相同的更新速率。
7.根据权利要求1至6任一项所述的智能监控方法，其特征在于，所述从当前K个高斯分布选取出最接近实际背景的B个高斯分布的步骤，包括：
按照高斯分布中权值与方差之间的比值由大至小的顺序，对当前K个高斯分布进行排序，得到相应的排序后高斯分布集合；
从所述排序后高斯分布集合中筛选出前B个高斯分布，得到所述最接近实际背景的B个高斯分布。
8.一种智能监控系统，其特征在于，包括：
混合高斯模型创建模块，用于为初始视频帧图像的每个像素点创建包括K个高斯分布的混合高斯模型；其中，K为大于1的整数；
匹配模块，用于将下一采集时刻采集到的视频帧图像确定为当前待处理图像，并分别将当前待处理图像的每个像素点与当前K个高斯分布进行匹配；
区域确定模块，用于将当前待处理图像中不同的像素点归到相应的区域，得到当前多个区域；其中，当前多个区域包括第一类区域和第二类区域，所述第一类区域中的像素点与至少两个高斯分布相匹配，所述第二类区域中的像素点只与一个高斯分布相匹配，并且所述第二类区域包括运动区域；
高斯分布更新模块，用于为当前多个区域分配相应的更新速率，并对当前K个高斯分布进行相应的更新，然后重新启动所述匹配模块的工作流程，直到循环次数达到预设循环次数阈值；
高斯分布选取模块，用于从当前K个高斯分布选取出最接近实际背景的B个高斯分布；
前景检测模块，用于当获取到新视频帧图像，则对所述新视频帧图像中每个像素点与所述B个高斯分布进行匹配，若任一像素点与所述B个高斯分布中的任意高斯分布匹配，则判定该像素点为背景点，否则判定该像素点为前景点。
9.一种智能监控设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的智能监控程序时实现如权利要求1至7任一项所述的智能监控方法。
10.根据权利要求9所述的智能监控设备，其特征在于，还包括：
摄像头，用于采集视频帧图像；
舵机，用于获取所述处理器根据当前视频帧图像中的前景图像触发相应的摄像头角度调整指令，并在该指令的控制下对所述摄像头的拍摄角度进行调整，以跟踪目标对象。
11.一种计算机可读存储介质，其特征在于，用于存储智能监控程序；其中，所述智能监控程序被处理器执行时实现如权利要求1至7任一项所述的智能监控方法。
CN201711478910.0A 2017-12-29 2017-12-29 一种智能监控方法、系统、设备及存储介质 Active CN108174055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711478910.0A CN108174055B (zh) 2017-12-29 2017-12-29 一种智能监控方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711478910.0A CN108174055B (zh) 2017-12-29 2017-12-29 一种智能监控方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN108174055A true CN108174055A (zh) 2018-06-15
CN108174055B CN108174055B (zh) 2020-11-13

Family

ID=62516295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711478910.0A Active CN108174055B (zh) 2017-12-29 2017-12-29 一种智能监控方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN108174055B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101148A (zh) * 2020-08-28 2020-12-18 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN112101135A (zh) * 2020-08-25 2020-12-18 普联国际有限公司 一种运动目标检测方法、装置及终端设备
CN117218113A (zh) * 2023-11-06 2023-12-12 铸新科技(苏州)有限责任公司 一种炉管的氧化程度分析方法、装置、计算机设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147861A (zh) * 2011-05-17 2011-08-10 北京邮电大学 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法
CN105205833A (zh) * 2015-09-15 2015-12-30 杭州中威电子股份有限公司 一种基于时空背景模型的运动目标检测方法及装置
CN105303581A (zh) * 2014-06-12 2016-02-03 南京理工大学 一种自适应参数的运动目标检测方法
JP2017040781A (ja) * 2015-08-20 2017-02-23 日本電信電話株式会社 ガウス混合モデルパラメータ計算装置、情報推定装置、音強調装置、これらの方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147861A (zh) * 2011-05-17 2011-08-10 北京邮电大学 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法
CN105303581A (zh) * 2014-06-12 2016-02-03 南京理工大学 一种自适应参数的运动目标检测方法
JP2017040781A (ja) * 2015-08-20 2017-02-23 日本電信電話株式会社 ガウス混合モデルパラメータ計算装置、情報推定装置、音強調装置、これらの方法及びプログラム
CN105205833A (zh) * 2015-09-15 2015-12-30 杭州中威电子股份有限公司 一种基于时空背景模型的运动目标检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗铁镇: "基于混合高斯模型的运动检测及阴影消除算法研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101135A (zh) * 2020-08-25 2020-12-18 普联国际有限公司 一种运动目标检测方法、装置及终端设备
CN112101148A (zh) * 2020-08-28 2020-12-18 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN112101148B (zh) * 2020-08-28 2024-05-03 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN117218113A (zh) * 2023-11-06 2023-12-12 铸新科技(苏州)有限责任公司 一种炉管的氧化程度分析方法、装置、计算机设备及介质
CN117218113B (zh) * 2023-11-06 2024-05-24 铸新科技(苏州)有限责任公司 一种炉管的氧化程度分析方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN108174055B (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
Zou et al. Attend to count: Crowd counting with adaptive capacity multi-scale CNNs
CN110210276A (zh) 一种移动轨迹获取方法及其设备、存储介质、终端
CN108174055A (zh) 一种智能监控方法、系统、设备及存储介质
CN108875480A (zh) 一种人脸特征信息的追踪方法、装置及系统
CN107122736A (zh) 一种基于深度学习的人体朝向预测方法及装置
CN107633226A (zh) 一种人体动作跟踪识别方法及系统
CN105469423B (zh) 一种基于连续吸引子神经网络的在线目标跟踪方法
CN106971142B (zh) 一种图像处理方法及装置
CN111209858A (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN107967513A (zh) 多机器人强化学习协同搜索方法及系统
CN102855465A (zh) 一种移动物体的跟踪方法
US20240311976A1 (en) Image correction model training method and apparatus, image correction method and apparatus, and computer device
Yan et al. The big data analysis on the camera-based face image in surveillance cameras
Zhou et al. MH pose: 3D human pose estimation based on high-quality heatmap
CN110008888A (zh) 智能监控网络中的综合特征目标检测方法和系统
CN109598746A (zh) 一种跟踪图像模板生成的方法及装置
CN116152699B (zh) 用于水电厂视频监控系统的实时运动目标检测方法
CN104517292A (zh) 基于平面单应矩阵约束的多摄像机高密度人群分割方法
Cai et al. Visual vehicle tracking based on deep representation and semisupervised learning
Yi et al. Feature selective small object detection via knowledge-based recurrent attentive neural network
CN107066921B (zh) 一种智能视频监控的行人检测方法和装置
CN110633641A (zh) 一种智能安防行人检测方法、系统、装置及存储介质
CN114445726B (zh) 一种基于深度学习的样本库建立方法和装置
Liao et al. Automatic zooming mechanism for capturing clear moving object image using high definition fixed camera
Liu et al. Multi-state self-learning template library updating approach for multi-camera human tracking in complex scenes

Legal Events

Date Code Title Description
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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220609

Address after: Nanhai Software Science Park, Shishan town, Nanhai District, Foshan City, Guangdong Province

Patentee after: Foshan National Defense Science and Technology Industrial Technology Achievement Industrialization Application and Promotion Center

Address before: 510006 No. 100 West Ring Road, Panyu District University, Guangdong, Guangzhou

Patentee before: GUANGDONG University OF TECHNOLOGY