CN108376407A - 热区对象聚集检测方法和系统 - Google Patents

热区对象聚集检测方法和系统 Download PDF

Info

Publication number
CN108376407A
CN108376407A CN201810111657.3A CN201810111657A CN108376407A CN 108376407 A CN108376407 A CN 108376407A CN 201810111657 A CN201810111657 A CN 201810111657A CN 108376407 A CN108376407 A CN 108376407A
Authority
CN
China
Prior art keywords
hot
zone
foreground
image
matrix
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
CN201810111657.3A
Other languages
English (en)
Inventor
李刚毅
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810111657.3A priority Critical patent/CN108376407A/zh
Publication of CN108376407A publication Critical patent/CN108376407A/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
    • G06T7/254—Analysis of motion involving subtraction of images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Burglar Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本公开涉及一种热区对象聚集检测方法及系统。所述热区对象聚集检测方法包括：利用背景去除算法剔除视频图像背景，获得视频前景图像；将前景图像与热区比较以计算热区侵入对象的密度；以及如果热区范围内侵入对象侵入密度高于预定义的阈值，则显示、保存热区图像和/或发出表示检测到对象的信号。通过将前景图矩阵与热区图矩阵做一次二进制的按位与运算就可得到密度值，从而提供高效、可靠、智能的热区对象聚集检测方法和系统。

Description

热区对象聚集检测方法和系统
技术领域
本公开涉及对象检测方法和系统，尤其是涉及用于视频热区监控的热区 对象聚集检测方法和系统。
背景技术
在诸如安保监控、交通监控之类的特定场所的热区(ROI,Region of Interest)监控中，已经存在很多热区对象聚集检测方法。有些热区对象聚集检 测方法通过训练专门的行人识别模型，来在整个视频流中进行热区对象聚集 检测。这些方法通常全程利用深度学习算法实现热区对象聚集检测，很耗时 间。例如，中国专利申请公开号为CN107301380A公开了一种用于视频监控 场景中行人重识别的方法，该方法在一秒内才能得到不超过5帧的结果。
另外，例如，中国专利申请公开CN 101587537 A公开了一种基于智能视 频识别技术的人群密度统计方法与系统，其根据图像上特定区域的空白区域 面积，将图像上特定区域的空白面积与特定区域的面积进行比较来计算密度， 然后根据计算出来的密度来对对象进行热区对象聚集检测。然而，此类方法 的难点在于如何判断空白区域，而且对实施的要求很高，只有空白区域具有 明显的特征和色彩才可能计算空白区域的面积。
此外，例如，中国专利申请公开CN 103985126 A公开了一种计算视频图 像中人群密度图的方法，其采用Harris算法获得图像中的角点，然后对角点 进行密度扩散和累加获得每个像素点密度值来对对象进行热区对象聚集检测。 然而，这种方法由于需要逐点计算像素的密度值，再累加得到密度，过程过 于复杂，计算量非常大，在高清实时视频监控场景下对计算机硬件的要求很 高。
因此，需要一种算法简洁、效率高、对硬件要求低、易于推广的热区对 象聚集检测方法和系统。
发明内容
为此，本公开的目的是提供一种利用前景分析法获得前景图，然后通过 将前景图矩阵与热区图矩阵做一次二进制的按位与(bitwise AND)运算就可 得到密度值，来进行热区对象聚集检测的方法和系统。
为了实现上述目的，根据本公开的一个方面，提供一种用于视频热区监 控的热区对象聚集检测方法，包括以下步骤：a)利用背景去除算法剔除视 频图像背景，获得视频前景图像；b)将前景图像与热区比较以计算热区侵入 对象的密度；以及c)如果热区范围内侵入对象侵入密度高于预定义的阈值， 则显示、保存热区图像和/或发出表示检测到对象的信号(触发告警)。
优选地，所述步骤a)包括：a1)利用背景去除法对所接收到的视频帧进 行前景/背景分离，以输出前景图像；以及a2)对前景图像进行形态变换，以 消除前景像素之间的间隙，实现区域融合，同时去除离散的噪音点。
优选地，所述该步骤b)包括：b1)生成热区背景图并计算热区面积； 并且b2)计算热区侵入密度。
优选地，所述该步骤b1)包括：通过用0表示黑色(即非热区)，用1 表示白色(即热区)，将视频热区图像转换为二进制背景图像矩阵，并将所述 二进制背景图矩阵的各元素求和作为热区面积。
优选地，所述该步骤b2)包括：通过用0表示黑色(即无运动对象区域)， 用1表示白色(即有运动物体区域)，将前景图转换成二进制前景图矩阵，将 背景图矩阵和前景图矩阵按位与运算得到的新矩阵；将所述新矩阵的各元素 之和作为热区内的前景图面积；计算前景图面积与热区面积的比率作为热区 侵入密度。
优选地，所述该步骤c)包括：将监控到的热区范围内侵入对象的密度值 显示在原始视频图像上；将热区范围内侵入对象的密度值高于预定义的阈值 的视频帧存档；并且触发系统发出表示检测到对象的信号。
优选地，所述热区是指监控视频中的一个或多个可以相互重叠的指定区 域，而如果没有指定区域，则所述热区就是整个监控画面区域。
根据本公开的另一方面，提供一种用于视频热区监控的热区对象聚集检 测系统，包括：对象检测部分，用于利用背景去除算法剔除视频图像背景以 获得视频前景图像，并且将前景图像与热区比较以计算热区侵入对象的密度； 以及输出保存部分，用于当热区范围内侵入对象侵入密度高于预定义的阈值 时，显示、保存热区图像和/或发出表示检测到对象的信号。
优选地，该对象检测部分包括：前景分离器，用以利用背景去除法对所 接收到的视频帧进行前景/背景分离以输出前景图像；以及形态转换器，用于 对前景图像进行形态变换，以消除前景像素之间的间隙，实现区域融合，同 时去除离散的噪音点。
优选地，该对象检测部分还包括：热区背景图生成器，用于通过用0表 示黑色，用1表示白色，将视频热区图像转换为二进制背景图像矩阵；以及 热区面积计算器，用于将所述二进制背景图矩阵的各元素求和作为热区面积； 以及侵入密度计算器，用于通过用0表示黑色，用1表示白色，将前景图转 换成二进制前景图矩阵，将背景图矩阵和前景图矩阵按位与运算得到的新矩 阵，将所述新矩阵的各元素之和作为热区内前景图面积，并计算前景图面积 与热区面积的比率作为热区侵入密度。
优选地，该输出保存部分将监控到的热区范围内侵入对象的密度值显示 在原始视频图像上，将热区范围内侵入对象的密度值高于预定义的阈值的视 频帧存档，并且触发系统发出表示检测到对象的信号。
优选地，所述热区是指监控视频中的一个或多个可以相互重叠的指定区 域，而如果没有指定区域，则所述热区就是整个监控画面区域。
本公开利用前景分析法获得前景图，然后通过将前景图矩阵与热区图矩 阵做一次二进制的按位与(bitwise AND)运算就可得到密度值，从而提供一 种高效、可靠、智能的热区对象聚集检测方法和系统。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公 开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据本公开的一个实施例的热区对象聚集检测系统的示意性框图；
图2是根据本公开的一个实施例的对象检测部分的详细示意性框图；
图3是根据本公开的一个实施例的前景检测器的框图；
图4是根据本公开的一个实施例的侵入密度计算部分的框图；
图5是根据本公开的一个实施例的热区对象聚集检测方法的流程图；
图6是根据本公开的一个实例的视频帧的前景图像；
图7是对图6所示的前景图像进行形态变换后的前景图像；
图8是根据本公开的一个实例的背景图像；
图9是根据本公开的一个实例的前景图像轮廓与监控热区的重叠图像； 以及
图10是根据本公开的一个实例的最终监控结果视图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的 描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的 要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所 有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一 些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制 本开。除非另有定义，本文使用的所有其他科学和技术术语具有与本发明所 属领域的普通技术人员通常理解的相同的含义。在本公开和所附权利要求书 中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下 文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含 一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种 信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼 此区分开。例如，在不脱离本公开范围的情况下，第一也可以被称为第二， 反之亦然。取决于语境，如在此所使用的词语“如果”可以被解释成为“在…时” 或“当…时”或“响应于确定”。
为了使本领域技术人员更好地理解本公开，下面结合附图和具体实施方 式对本公开作进一步详细说明。
图1是根据本公开的一个实施例的热区对象聚集检测系统的示意性框图。 如图1所示，该热区对象聚集检测系统包括视频采集部分110、对象检测部 分120和输出保存部分130。
根据本公开的一个实施例，视频采集部分110用于采集视频数据，包括 通过诸如监控IP摄像头(未示出)之类的摄像设备拍摄视频流，通过网络(未 示出)等接收视频流数据，从存储设备(未示出)中读取视频流数据等。视 频采集部分110将所产生或接收到的视频流输出到对象检测部分120。
对象检测部分120从视频采集部分110中接收到视频流数据之后，首先 处理所接收到的数据以得到用于对象侵入密度监控的视频帧并根据用户要求 或缺省设置确定监控热区，然后对象检测部分120根据所确定的监控热区来 监控处理后的视频帧数据中的监视对象。此外，对象检测部分120在监控到 监视对象时，将监控结果输出到输出保存部分130。以下将更详细地描述对 象检测部分120的结构和功能。
输出保存部分130可以包括但不限于视频显示器(未示出)、存储设备(未 示出)、监控墙(未示出)、扬声器(未示出)等中的全部或一部分，用于可 视听地展示对象侵入密度监控结果以发出表示检测到对象的信号和/或保存 监控结果留存备案。
图2是根据本公开的一个实施例的图1所示的对象检测部分120的详细 示意性框图。如图2所示，该对象检测部分120包括热区确定装置210、视 频帧转换器220、前景检测器230和侵入密度计算部分240。
根据本公开的一个实施例，该视频帧转换器220接收视频采集部分110 所产生或接收到的视频流，并转换成视频帧。
根据本公开的一个实施例，热区确定装置210可以是可选装置，其用于 根据用户要求或系统设定，来在监控视频流中指定监控区域作为监控热区。 如果没有热区确定装置210或者热区确定装置210没有指定监控热区域，则 所述热区就是整个监控画面区域。需要指出的是，所述热区可以是视频中的 任意指定的一个区域或多个区域，并且多个区域之间可以相互重叠。
接下来，前景检测器230接收来自视频帧转换器220的视频帧，并利用 背景去除法等对所接收到的视频帧进行前景分离，以剔除视频图像帧中的图 像背景来产生前景图像。然后，前景检测器230对前景图像进行形态变换， 以对前景区域进行优化。前景检测器230的具体结构和功能将在以下详细描 述。
然后，侵入密度计算部分240对所接收到的已经发现有与被监控热区存 在重叠的前景子区域的视频帧中的指定对象的对象侵入密度(即前景图像占 热区面积的比率)进行计算，并在对象侵入密度高于预定义的阈值时发出表 示检测到对象的信号。侵入密度计算部分230的具体结构和功能将在以下详 细描述。
图3是根据本公开的一个实施例的如图2所示的前景检测器230的框图。 如图3所示，该前景检测器230包括前景分离器310和形态转换器320。
首先，前景分离器310利用背景去除法对所接收到的视频帧进行前景/背 景分离，输出的黑白图像中白色代表前景区域。
然后，形态转换器320对前景区域进行优化，以消除前景像素之间的间 隙。通常采用封闭(CLOSING)算法对前景进行修复，即对前景先进行扩张 (Dilation)融合区域，再侵蚀(Erosion)消除噪声，但是本文也可采用其他 优化算法(例如开放(OPENING-先侵蚀再扩张)算法、或者单独使用扩张 或侵蚀算法)。优化的前景图像将发给如图2所示的侵入密度计算部分240以 便进行密度计算。
图4是根据本公开的一个实施例的如图2所示的侵入密度计算部分240 的框图。如图4所示，该侵入密度计算部分240包括热区背景图生成器410、 热区面积计算器420以及侵入密度计算器430。
热区背景图是在与视频图像同样大小的黑色图像上用白色绘制的热区区 域。为了生成热区背景图，热区背景图生成器410将该热区图像转换为二进 制矩阵，用0表示黑色，用1表示白色。例如：
这里B表示背景图矩阵。
热区面积计算器420将矩阵B的各元素求和作为这个热区的热区面积， 即：
其中，Ah表示热区的热区面积，m,n分别是矩阵B的行数和列数，aij表 示矩阵B第i行第j列的元素值。
侵入密度计算器430计算热区侵入密度，即前景图面积与热区面积的比 率。为了便于计算，需将如图7所示优化后的前景图也转换成二进制矩阵， 用0表示黑色，用1表示白色。例如：
这里F表示优化后的前景图矩阵。然后，将矩阵B和F按位与运算得到 新的矩阵M:
M＝A&B
矩阵M的视觉效果如图9所示。
侵入密度计算器430计算矩阵M的面积，也就是矩阵M的各元素之和:
其中，Af表示热区内的前景图面积，m,n分别是矩阵B的行数和列数，bij表示矩阵M第i行第j列的元素值。
最后，侵入密度计算器430计算热区侵入密度如下：
其中D表示热区侵入密度，Af表示热区内的前景图面积，Ah表示热区的 热区面积。
图5是根据本公开的一个实施例的热区对象聚集检测方法的流程图。如 图5所示，在步骤S510中，利用图1所示的视频采集部分110接收或产生视 频流，然后将所产生的视频流传送给如图1所示的对象检测部分120。对象 检测部分120通过基于高斯混合的背景/前景分割算法(Gaussian Mixture-based Background/Foreground SegmentationAlgorithm),计算视频中各 像素点的混合K高斯分布(mixture of K Gaussiandistribution)，将视频帧中相 对静态的像素点标为背景点，用黑色表示；将视频帧中相对变化率较高的点 标为前景点，用白色表示。这样，就可以把原始视频帧转换成黑白的前景图 (如图6所示)。应当理解，本公开也可采用其他类似的算法来生成前景图。
然而，从图6中可以看到，由于原始视频帧中色彩、光线等因素的影响， 前景图高度离散化。因此，接下来，在步骤S520中，需要利用形态转换器 320(如图3所示)对前景图进行形态变换，以消除前景像素之间的间隙，实 现区域融合，同时去除离散的噪音点。根据本公开的一个实施例，在步骤S520 中，使用封闭算法对前景图(如图6所示)进行形态变换，得到形态变换后 的前景图(如图7所示)。应当理解，在其他实施例中，可以根据实施例的具体特征，选择开放(OPENING-先侵蚀再扩张)算法、或者单独使用扩张或 侵蚀算法来进行前景变换。
接下来，在步骤S530中，利用侵入密度计算部分240在与视频图像同样 大小的黑色图像上用白色绘制热区区域以生成热区背景图(如图8所示)，并 计算热区面积。具体来说，为了生成热区背景图，将该图像转换为二进制矩 阵，用0表示黑色，用1表示白色。例如：
这里B表示背景图矩阵。那么，这个热区的热区面积就是矩阵B的各元 素之和：
其中，Ah表示热区的热区面积，m,n分别是矩阵B的行数和列数，aij表 示矩阵B第i行第j列的元素值。
接下来，在步骤S540中，利用侵入密度计算部分240计算热区侵入密度。 所述热区侵入密度定义为前景图面积与热区面积的比率。为了便于计算，需 将如图7所示优化后的前景图也转换成二进制矩阵，用0表示黑色，用1表 示白色。例如：
这里F表示优化后的前景图矩阵。然后，将矩阵B和F按位与运算得到 新的矩阵M:
M＝A&B
矩阵M的视觉效果如图9所示。
然后，计算矩阵M的面积，也就是矩阵M的各元素之和:
其中，Af表示热区内的前景图面积，m,n分别是矩阵B的行数和列数，bij表示矩阵M第i行第j列的元素值。
最后，计算热区侵入面积：
其中D表示热区侵入密度，Af表示热区内的前景图面积，Ah表示热区的 热区面积。
最后，在步骤S550中，侵入密度计算部分240把监控到的监控热区中的 对象轮廓绘制在视频帧上，并且输出到输出保存部分130。具体来说，将前 景分析法检测到热区侵入密度绘制在视频帧上，并输出到输出保存部分130 (例如如图10所示的监视器墙)。如果侵入密度值高于预定义的阈值，则发 出表示检测到对象的信号，同时，也可以将该视频帧存储到输出保存部分130 备案。
实例
本实例实现的目的是利用IP摄像机拍摄生成的视频流实现热区侵入密度 检测。检测过程如下。
1)从视频帧生成前景图
对于流视频文件，通过基于高斯混合的背景/前景分割算法(Gaussian Mixture-based Background/Foreground Segmentation Algorithm),计算视频中各 像素点的混合K高斯分布(mixture of K Gaussian distribution)，将视频帧中相 对静态的像素点标为背景点，用黑色表示；将视频帧中相对变化率较高的点 标为前景点，用白色表示。这样，就可以把原始视频帧转换成黑白的前景图 (如图6所示)。应当理解，本公开也可采用其他类似的算法来生成前景图。
2)对前景图进行形态变换
从图6中可以看到，由于原始视频帧中色彩、光线等因素的影响，前景 图高度离散化，需要对前景图进行形态变换，以消除前景像素之间的间隙。 实现区域融合，同时去除离散的噪音点。因此，本实施例中使用封闭算法对 前景图(如图6所示)进行形态变换，得到形态变换后的前景图(如图7所 示)。应当理解，在其他实施例中，可以根据实施例的具体特征，选择开放 (OPENING-先侵蚀再扩张)算法、或者单独使用扩张或侵蚀算法来进行前 景变换。
3)生成热区背景图并计算热区面积
热区背景图是在与视频图像同样大小的黑色图像上用白色绘制热区区域 (如图8所示)。将该图像转换为二进制矩阵，用0表示黑色，用1表示白色。 例如：
这里B表示背景图矩阵。那么这个热区的热区面积就是矩阵B的各元素 之和：
其中，Ah表示热区的热区面积，m,n分别是矩阵B的行数和列数，aij表 示矩阵B第i行第j列的元素值。
4)计算热区侵入密度
热区侵入密度，即前景图面积与热区面积的比率。为了便于计算，需将 如图7所示优化后的前景图也转换成二进制矩阵，用0表示黑色，用1表示 白色。例如：
这里F表示优化后的前景图矩阵。然后，将矩阵B和F按位与运算得到 新的矩阵M:
M＝A&B
矩阵M的视觉效果如图9所示。
然后，计算矩阵M的面积，也就是矩阵M的各元素之和:
其中，Af表示热区内的前景图面积，m,n分别是矩阵B的行数和列数，bij表示矩阵M第i行第j列的元素值。
最后，计算热区侵入面积：
其中D表示热区侵入密度，Af表示热区内的前景图面积，Ah表示热区的 热区面积。
5)将计算结果绘制在视频帧上并输出
将前景分析法检测到热区侵入密度绘制在视频帧上，并输出到输出保存 部分(例如如图10所示的监视器墙)。如果侵入密度值高于预定义的阈值， 则发出表示检测到对象的信号，同时，也可以将该视频帧存储到输出保存部 分备案。
以上参考附图描述了根据本公开的热区对象聚集检测方法和系统，在其 实施例中，通过将前景图矩阵与热区图矩阵做一次二进制的按位与(bitwise AND)运算就可得到密度值，从而高效、可靠、智能地实现了热区对象聚集 检测。
本公开不限于本文所描述的具体实施例的范围，这些实施例旨在作为示 例性实施例。功能上相同的产品和方法显然包含在本文描述的本公开的范围 内。
本发明不限于本文所描述的具体实施例的范围，这些实施例旨在作为示 例性实施例。功能上相同的产品和方法显然包含在本文描述的本发明的范围 内。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是， 对本领域的普通技术人员而言，能够理解本公开的方法和装置的全部或者任 何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计 算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领 域普通技术人员在阅读了本公开的说明的情况下运用他们的基本编程技能就 能实现的。
因此，本公开的目的还可以通过在任何计算装置上运行一个程序或者一 组程序来实现。所述计算装置可以是公知的通用装置。因此，本公开的目的 也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实 现。也就是说，这样的程序产品也构成本公开，并且存储有这样的程序产品 的存储介质也构成本公开。显然，所述存储介质可以是任何公知的存储介质 或者将来所开发出来的任何存储介质。
还需要指出的是，在本公开的装置和方法中，显然，各部件或各步骤是 可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。 并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行， 但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人 员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、 组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替 换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种热区对象聚集检测方法，包括以下步骤：
a)利用背景去除算法剔除视频图像背景，获得视频前景图像；
b)将前景图像与热区比较以计算热区侵入对象的密度；以及
c)如果热区范围内侵入对象侵入密度高于预定义的阈值，则显示、保存热区图像和/或发出表示检测到对象的信号。
2.根据权利要求1所述的热区对象聚集检测方法，其中该步骤a)包括：
a1)利用背景去除法对所接收到的视频帧进行前景/背景分离，以输出前景图像；以及
a2)对前景图像进行形态变换，以消除前景像素之间的间隙，实现区域融合，同时去除离散的噪音点。
3.根据权利要求1所述的热区对象聚集检测方法，其中该步骤b)包括：
b1)生成热区背景图并计算热区面积；并且
b2)计算热区侵入密度。
4.根据权利要求3所述的热区对象聚集检测方法，其中该步骤b1)包括：
通过用0表示黑色，用1表示白色，将视频热区图像转换为二进制背景图像矩阵，并将所述二进制背景图矩阵的各元素求和作为热区面积。
5.根据权利要求4所述的热区对象聚集检测方法，其中该步骤b2)包括：
通过用0表示黑色，用1表示白色，将前景图转换成二进制前景图矩阵，将背景图矩阵和前景图矩阵按位与运算得到的新矩阵；
将所述新矩阵的各元素之和作为热区内的前景图面积；
计算前景图面积与热区面积的比率作为热区侵入密度。
6.根据权利要求1所述的热区对象聚集检测方法，其中该步骤c)包括：
将监控到的热区范围内侵入对象的密度值显示在原始视频图像上；
将热区范围内侵入对象的密度值高于预定义的阈值的视频帧存档；并且
触发系统发出表示检测到对象的信号。
7.根据权利要求1所述的热区对象聚集检测方法，其中所述热区是指监控视频中的一个或多个可以相互重叠的指定区域，而如果没有指定区域，则所述热区就是整个监控画面区域。
8.一种用于视频热区监控的热区对象聚集检测系统，包括：
对象检测部分，用于利用背景去除算法剔除视频图像背景以获得视频前景图像，并且将前景图像与热区比较以计算热区侵入对象的密度；以及
输出保存部分，用于当热区范围内侵入对象侵入密度高于预定义的阈值时，显示、保存热区图像和/或发出表示检测到对象的信号。
9.根据权利要求8所述的热区对象聚集检测系统，其中该对象检测部分包括：
前景分离器，用以利用背景去除法对所接收到的视频帧进行前景/背景分离以输出前景图像；以及
形态转换器，用于对前景图像进行形态变换，以消除前景像素之间的间隙，实现区域融合，同时去除离散的噪音点。
10.根据权利要求9所述的热区对象聚集检测系统，其中该对象检测部分还包括：
热区背景图生成器，用于通过用0表示黑色，用1表示白色，将视频热区图像转换为二进制背景图像矩阵；以及
热区面积计算器，用于将所述二进制背景图矩阵的各元素求和作为热区面积；以及
侵入密度计算器，用于通过用0表示黑色，用1表示白色，将前景图转换成二进制前景图矩阵，将背景图矩阵和前景图矩阵按位与运算得到的新矩阵，将所述新矩阵的各元素之和作为热区内前景图面积，并计算前景图面积与热区面积的比率作为热区侵入密度。
11.根据权利要求1所述的热区对象聚集检测系统，其中该输出保存部分将监控到的热区范围内侵入对象的密度值显示在原始视频图像上，将热区范围内侵入对象的密度值高于预定义的阈值的视频帧存档，并且触发系统发出表示检测到对象的信号。
12.根据权利要求1所述的热区对象聚集检测系统，其中所述热区是指监控视频中的一个或多个可以相互重叠的指定区域，而如果没有指定区域，则所述热区就是整个监控画面区域。
CN201810111657.3A 2018-02-05 2018-02-05 热区对象聚集检测方法和系统 Pending CN108376407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810111657.3A CN108376407A (zh) 2018-02-05 2018-02-05 热区对象聚集检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810111657.3A CN108376407A (zh) 2018-02-05 2018-02-05 热区对象聚集检测方法和系统

Publications (1)

Publication Number Publication Date
CN108376407A true CN108376407A (zh) 2018-08-07

Family

ID=63017326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810111657.3A Pending CN108376407A (zh) 2018-02-05 2018-02-05 热区对象聚集检测方法和系统

Country Status (1)

Country Link
CN (1) CN108376407A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115503641A (zh) * 2022-10-27 2022-12-23 深圳曦华科技有限公司 智能座舱域控制器的儿童安全座椅设置方法及相关产品
CN115631510A (zh) * 2022-10-24 2023-01-20 智慧眼科技股份有限公司 一种行人重识别方法、装置、计算机设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101483001A (zh) * 2009-01-04 2009-07-15 北京中星微电子有限公司 基于视频的入侵检测方法、检测装置、芯片
CN102842130A (zh) * 2012-07-04 2012-12-26 贵州师范大学 由合成孔径雷达图像中检测建筑和提取数目信息的方法
CN103021186A (zh) * 2012-12-28 2013-04-03 中国科学技术大学 一种车辆监控的方法及系统
CN103067692A (zh) * 2012-12-30 2013-04-24 同方(深圳)云计算技术股份有限公司 基于网络硬盘录像机危险入侵的后处理检测方法及系统
CN103824070A (zh) * 2014-03-24 2014-05-28 重庆邮电大学 一种基于计算机视觉的快速行人检测方法
CN104392464A (zh) * 2014-09-30 2015-03-04 天津艾思科尔科技有限公司 一种基于彩色视频图像的人为入侵检测方法
CN105678811A (zh) * 2016-02-25 2016-06-15 上海大学 一种基于运动检测的人体异常行为检测方法
CN106951899A (zh) * 2017-02-24 2017-07-14 李刚毅 基于图像识别的异常检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101483001A (zh) * 2009-01-04 2009-07-15 北京中星微电子有限公司 基于视频的入侵检测方法、检测装置、芯片
CN102842130A (zh) * 2012-07-04 2012-12-26 贵州师范大学 由合成孔径雷达图像中检测建筑和提取数目信息的方法
CN103021186A (zh) * 2012-12-28 2013-04-03 中国科学技术大学 一种车辆监控的方法及系统
CN103067692A (zh) * 2012-12-30 2013-04-24 同方(深圳)云计算技术股份有限公司 基于网络硬盘录像机危险入侵的后处理检测方法及系统
CN103824070A (zh) * 2014-03-24 2014-05-28 重庆邮电大学 一种基于计算机视觉的快速行人检测方法
CN104392464A (zh) * 2014-09-30 2015-03-04 天津艾思科尔科技有限公司 一种基于彩色视频图像的人为入侵检测方法
CN105678811A (zh) * 2016-02-25 2016-06-15 上海大学 一种基于运动检测的人体异常行为检测方法
CN106951899A (zh) * 2017-02-24 2017-07-14 李刚毅 基于图像识别的异常检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
方芳: "基于智能监控系统的视频图像质量检测的研究与实现", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
杨琦等: "基于opencv的绊线监控系统设计", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631510A (zh) * 2022-10-24 2023-01-20 智慧眼科技股份有限公司 一种行人重识别方法、装置、计算机设备及存储介质
CN115503641A (zh) * 2022-10-27 2022-12-23 深圳曦华科技有限公司 智能座舱域控制器的儿童安全座椅设置方法及相关产品
CN115503641B (zh) * 2022-10-27 2023-09-19 深圳曦华科技有限公司 智能座舱域控制器的儿童安全座椅设置方法及相关产品

Similar Documents

Publication Publication Date Title
CN110516609B (zh) 一种基于图像多特征融合的火灾视频检测及预警方法
Mabrouk et al. Spatio-temporal feature using optical flow based distribution for violence detection
CN108875676B (zh) 活体检测方法、装置及系统
Manju et al. RETRACTED ARTICLE: Video analytics for semantic substance extraction using OpenCV in python
US10185877B2 (en) Systems, processes and devices for occlusion detection for video-based object tracking
Azhar et al. People tracking system using DeepSORT
Appana et al. A video-based smoke detection using smoke flow pattern and spatial-temporal energy analyses for alarm systems
CN107566781B (zh) 视频监控方法和视频监控设备
Ullah et al. Crowd motion segmentation and anomaly detection via multi-label optimization
CN112560827B (zh) 模型训练方法、装置、预测方法、电子设备及介质
KR101720781B1 (ko) 객체에 대한 이상 행동 예측 장치 및 이를 이용한 이상 행동 예측 방법
Murugesan et al. Bayesian Feed Forward Neural Network-Based Efficient Anomaly Detection from Surveillance Videos.
KR101062225B1 (ko) 감시 카메라를 이용한 지능형 영상 검색 방법 및 시스템
JP2015149030A (ja) ビデオコンテンツ暴力度評価装置、ビデオコンテンツ暴力度評価方法およびビデオコンテンツ暴力度評価プログラム
US20190080196A1 (en) Method of masking object of non-interest
Zhao et al. Hierarchical detection of wildfire flame video from pixel level to semantic level
CN102314591B (zh) 静止前景物体的检测方法和设备
CN104463869A (zh) 一种视频火焰图像复合识别方法
Xu et al. Unusual event detection in crowded scenes using bag of LBPs in spatio-temporal patches
CN108376407A (zh) 热区对象聚集检测方法和系统
Vijayan et al. A fully residual convolutional neural network for background subtraction
CN115761571A (zh) 基于视频的目标检索方法、装置、设备以及存储介质
Mohamed et al. Texture classification-based feature processing for violence-based anomaly detection in crowded environments
Tahboub et al. Accuracy prediction for pedestrian detection
CN102496024B (zh) 智能监控中以特征帧触发的事件检测方法

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

Application publication date: 20180807

RJ01 Rejection of invention patent application after publication