CN108846335B - 基于视频图像的智慧工地区域管理及入侵检测方法、系统 - Google Patents
基于视频图像的智慧工地区域管理及入侵检测方法、系统 Download PDFInfo
- Publication number
- CN108846335B CN108846335B CN201810552474.5A CN201810552474A CN108846335B CN 108846335 B CN108846335 B CN 108846335B CN 201810552474 A CN201810552474 A CN 201810552474A CN 108846335 B CN108846335 B CN 108846335B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- video
- alarm
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19608—Tracking movement of a target, e.g. by detecting an object predefined as a target, using target direction and or velocity to predict its new position
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明属于智慧工地现场管理技术领域,公开了一种基于视频图像的智慧工地区域管理及入侵检测方法、系统,基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;对提取的每个运动目标与图像中所检测到的区域做入侵检测;对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。本发明移动目标的跟踪采用连通区域块特征和LBP特征两层级别的跟踪策略,保证了目标跟踪的实时性与准确性。
Description
技术领域
本发明属于智慧工地现场管理技术领域,尤其涉及一种基于视频图像的智慧工地区域管理及入侵检测方法、系统。
背景技术
目前,业内常用的现有技术是这样的:
当前,我国正处于各种基础设施大建设的阶段,2017年有60多万个工地在施工,投资大,同时,我国的基础建设又处在从粗放型到集约型转型阶段,急待提高管理水平,降低成本提高效益。施工工地种类多,现场特点也各不相同,现场状况也一直在不停变化中,但有一个共同点是:都会进行分区域管理,如:危险区、工作区、休息区等,不同区域的安全管理要求不同。更复杂的是,这些区域随着施工进展,常常会发生改变。急需灵活、方便的区域管理与监控新技术。
目前施工现场的区域管理一般都是应用电子围栏及人员定位技术完成,典型的电子围栏有高压脉冲式、张力式、静电感应式、红外对射式;典型定位技术如Wifi、蓝牙、RFID、ZigBee、GPS、NB-IoT技术。其中电子围栏实现区域划分,定位技术完成人员位置检测与跟踪。这些不同技术方案的定位精度各不相同,对应用环境也有不同的限定和要求,而且有一个共同的特点是,必须安装新的定位设备系统,增添了新的安装、维护成本。其中基于局域组网的方案(Wifi、蓝牙、RFID、ZigBee),灵活度不足,现场环境发生变化后,必须重新调试设备;基于广域网的方案(GPS、NB-IoT),受限于无线信号通讯,应用受到限制。
综上所述,现有技术存在的问题是:
(1)电子围栏进行区域划分管理,在复杂的施工现场首先便存在着物理边界问题,在临时停用区域监控进行与该区域相关的施工时,该物理隔离本身成为障碍。其中红外对射的方式虽然没有此问题,但红外对射方式在室外和复杂环境下,误报率高,主要适用于室内。
(2)当前人员定位解决方案解决的是已知的人或物在哪儿的问题,无法完成未知目标的闯入问题。
(3)现场变化适应性不足的问题。施工工地现场在施工过程中经常处于不停地变化中,现场不同区域的监控要求在施工进程的不同阶段,要求也不同。当前区域管理方案下,每一次区域调整,都必须拆除原系统,根据新要求再次对系统进行施工、安装、调试的过程。
(4)定位精度问题。当前无线定位系统的定位精度是以“米”为单位,且受环境的影响较大,并不稳定。而施工现场的某个监控区域,其面积可能也只有几平方米,显然在精度上难以满足要求。
(5)应用成本问题。除以上问题之外,当前的区域管理系统都是独立的子系统,需要初装与维护,是现场管理额外的成本,而且并不便宜,仅初装费用,少则数万,多则数十万上百万。
解决上述技术问题的意义:
首先大大降低了现场区域管理的应用成本。利用施工场地已有的视频监控设备,应用图像识别技术,即可完成现场分区域管理需求,增加很少的成本即可实现现场管理从粗放型到精细化的提升。
灵活适应施工现场的多变性与复杂性。可以在软件层面灵活调整监控区内的不同区域以及不同区域的监控等级与内容,而不必额外增加成本或耽搁工程施工时间,全部在软件后台执行。系统部署简单易行。
发明内容
针对现有技术存在的问题,本发明提供了一种基于视频图像的智慧工地区域管理及入侵检测方法、系统。本发明的目的在于弥补当前施工工地现场分区安全管理系统对现场管理环境复杂多变的灵活性不足,并突破工地应用环境的限制,拓宽对不同类型施工场地的应用范围和应用场景,同时满足降低施工管理成本的要求。
本发明是这样实现的,一种基于视频图像的智慧工地区域管理及入侵检测方法,所述基于视频图像的智慧工地区域管理及入侵检测方法包括:
基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;
对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;
对提取的每个运动目标与图像中所检测到的区域做入侵检测;
对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。
进一步,从视频图像中自动识别标识物所划分的各个监控区域的位置和类型,具体包括:
根据颜色信息分割图像内全部可能是标识物的区域;
根据形状信息从分割出的待定目标中识别存在的每一种标识物;
计算标识物的位置。
进一步,根据颜色信息分割图像内全部可能是标识物的区域,具体方法包括:
将各标识物的颜色从RGB空间转换到HSV空间,获取Hu值;
将图像颜色从RGB空间转换到HSV空间;
设置一个偏移量,用标识物的Hu值分别加上与减去该偏移量,作为上下阈值,对转换到HSV颜色空间的图像进行分割,偏移量的大小与噪声相关,根据所实际实施的系统做调整。
进一步,根据形状信息从分割出的待定目标中识别存在的每一种标识物,具体方法包括:
对分割后的图像进行形态学腐蚀操作;
对进行腐蚀操作后的图像进行形态学膨胀操作;
提取图像中所有目标的外轮廓;
对所有外轮廓根据几何形状进行标识物判定;
计算标识物的位置,具体方法,包括:计算目标外轮廓所有点坐标的平均值;
所述计算视频监控区内所有由标识物划分的区域位置、范围和类型,具体步骤为:
选取标识物划分区域的具体算法,计算区域的位置,获取区域边界多边形各顶点坐标;
查询标识物指代区域的类型,将该类型赋予所检测到的对应区域。
所述采用高斯混合模型进行图像背景建模,提取包含检测目标的前景图像具体为:
从视频流第一帧开始,指定帧数训练背景图像的高斯混合模型;
应用训练好的背景图像模型,对设定帧数后的每帧图像的每个像素进行背景和前景分类;
更新背景图像模型,准备对下一帧图像进行背景和前景分类检测。
所述基于前景图像提取目标,采用目标连通域特征和LBP纹理特征两层级跟踪策略跟踪目标,具体为:
对获取的二值前景图像进行一次中值滤波;
对中值滤波后的二值前景图像进行图像形态学腐蚀操作一次;
对腐蚀操作后的二值前景图像进行图像形态学膨胀操作一次;
对预处理后的前景图像进行连通域标记,每一个连通域即为检测到的一个运动目标;
提取连通域的面积、中心位置、最小矩形外框和该连通域对应的原图像;
提取每个二值区域对应原图像的LBP特征;
根据连通域特征和连通域对应原图像的LBP特征,采用两层级别的跟踪策略,进行目标跟踪,其中第一级跟踪采用连通域特征匹配,第二级采用LBP特征匹配。
进一步,所述运动目标对既定区域入侵检测具体包括:
对图像中每一个标定区域用一个多边形近似表示,多边形顶点坐标链表确定了其边界;
检测出来的每一个移动目标的位置用其连通区域的中心位置坐标表示;
计算目标位置坐标与区域多边形的位置关系,确定是在区域内还是区域外;
计算目标位置到区域边界的最近距离;
根据目标与区域的位置关系以及最近距离,按照系统预先定义的区域入侵标准,判定目标对区域的侵入状态;
根据区域侵入状态,判定是否发布报警事件,以及发布什么类型的报警事件;
基于视频的智能工地区域管理及入侵报警系统的报警信号之一是声音报警信号输出,具体为:
预先根据不同区域类型和区域入侵状态录制不同内容的报警音频文件,存储在系统计算机中,以备调用;
根据系统发布的报警事件,播放对应的报警音频文件,通过系统计算机的音频接口,输出到扬声器喇叭播出;
基于视频的智能工地区域管理及入侵报警系统的报警信号之二是光报警信号输出,具体为:
在系统计算机显示器上显示视像头视频图像;
根据区域自动识别结果,在图像上划分并标注各个区域;
根据系统发布的报警事件,图像上对应区域用报警事件定义的颜色突出显示,并闪烁。
本发明的另一目的在于提供一种实现所述基于视频图像的智慧工地区域管理及入侵检测方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于视频图像的智慧工地区域管理及入侵检测方法的计算机。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于视频图像的智慧工地区域管理及入侵检测方法。
本发明的另一目的在于提供一种实现所述基于视频图像的智慧工地区域管理及入侵检测方法的基于视频图像的智慧工地区域管理及入侵检测报警系统,所述基于视频图像的智慧工地区域管理及入侵检测报警系统包括:
自动识别单元,基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;
运动目标的连通域特征提取单元,对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;
入侵检测单元,对提取的每个运动目标与图像中所检测到的区域做入侵检测;
声光报警单元,对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。
本发明的另一目的在于提供一种实现所述基于视频图像的智慧工地区域管理及入侵检测方法的基于视频图像的智慧工地区域管理及入侵检测报警装置,包括:位置标识物、视频监控摄像头、计算机、显示器、扬声器;
标识物放置在因管理需要而指定的实际场地中位置,作为为系统处理自动识别现场区域的特征点;
摄像头为视频监控摄像头,采集图像信息,为彩色摄像头;
计算机,存储和运行的载体,发出报警信号;
显示器显示系统运行界面;显示对应报警区域改变颜色并闪烁的方式;
扬声器,声音报警信息的发出设备,与计算机声音输出口连接。
综上所述,本发明的优点及积极效果为:
基于监控视频,不必增添其它设备,系统部署简单方便。
控区域与区域类型可以按照实际需要,灵活设置与修改,可以适应工地现场复杂多变的环境。
检测到的目标位置是其在监控区内的绝对位置,位置精度高。
本发明一种基于视频的智慧工地区域管理及入侵检测方法和报警系统,利用施工现场的视频监控设备,采用图像识别技术,只需在现场放置几个标识物,即可实现监控区域内的分区,配合目标识别与跟踪技术,还可实现对每个区域的入侵、人员负载量等安全管理。视频监控目前已经成为每个施工现场的必配设备,因此,不必额外增加设备安装和维护费用,降低了管理成本。特别是,当现场环境或者管理要求发生变化,只需调整标识物的位置或类型,系统即可自动按照新的区域划分和类型定义进行管理,简单方便。
本发明针对施工工地现场的特点,基于视频图像,采用人工智能技术,经济、方便地实现了现场施工分区管理以及各区域的侵入检测和报警,具有较大的应用前景。
本发明采用基于视频的智能系统,利用施工现场已有视频监控设备,不必安装新的系统设备,不仅节省设备购买与初装成本,而且避免了场地限制、额外的维护及故障概率。同时基于视频的管理系统,对应用环境的限制比较宽松。
采用基于视频智能识别标识物的方法实现监控范围内的分区管理,可以根据现场实际需要随时更改具体区域的划分,系统即可自动按照新的区域定义实施安全管理。
移动目标的跟踪采用连通区域块特征和LBP特征两层级别的跟踪策略,保证了目标跟踪的实时性与准确性。
附图说明
图1是本发明实施例提供的基于视频图像的智慧工地区域管理及入侵检测报警装置示意图。
图2是本发明实施例提供的基于视频图像的智慧工地区域管理及入侵检测方法流程图。
图3是本发明实施例提供的基于视频图像的智慧工地区域管理及入侵检测报警系统示意图。
图中:1、自动识别单元;2、运动目标的连通域特征提取单元;3、入侵检测单元;4、声光报警单元。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,没有采用图像识别技术,实现监控区域内的分区,没有配合目标识别与跟踪技术,实现对每个区域的入侵、人员负载量等安全管理;现有技术中,设备安装和维护费用高,管理成本高。不能自动按照新的区域划分和类型定义进行管理。
下面结合具体分析对本发明作进一步描述。
参照图1所示,本发明实施例提供的基于视频图像的智慧工地区域管理及入侵检测报警装置,包括位置标识物、视频监控摄像头、计算机及显示器、扬声器。其中,标识物放置在因管理需要而指定的实际场地中位置,作为为系统处理自动识别现场区域的特征点。摄像头为视频监控摄像头,采集图像信息,需为彩色摄像头。计算机是系统软件程序存储和运行的载体,也是发出报警信号的控制主机,普通PC机即可满足要求。显示器为普通电脑显示器,显示系统运行界面,报警光信号用该显示器上显示对应报警区域改变颜色并闪烁的方式发出。扬声器是声音报警信息的发出设备,可以是普通的电声喇叭,一般应该带有功率放大功能,与计算机声音输出口连接。
图1所示的结构并不构成对所述系统的限定,可以包含更多或更少的部件,或者组合某些部件,或者是具有相同功能的其它部件。
如图2,本发明实施例的基于视频图像的智慧工地区域管理及入侵检测方法,包括:
在施工场地不同区域按预定的规则放置特制的标识物,不同区域放置不同标识物;在视频流中自动检测并识别视频中各标识物的类型、位置,计算由标识物所定义的各区域在图像中的位置并标定其类型;采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;对前景图像进行滤波和形态学处理、连通区域处理,提取运动目标的位置和特征,并跟踪目标;对提取的每个运动目标与图像中所检测到的区域做入侵检测;如检测到有非法入侵目标,根据区域管理规范发出声光报警信号。本发明不仅可以方便地实现施工现场分区安全管理和监控,而且可以适应施工现场复杂多变的实际情况,只需根据需要调整现场区域标识物的位置或类型,即可实现现场分区安全管理和监控的调整,本发明可以实现全天候运行的实际要求。
如图3所示,本发明实施例提供的基于视频图像的智慧工地区域管理及入侵检测报警系统,
动识别单元1,基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;
运动目标的连通域特征提取单元2,对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;
入侵检测单元3,对提取的每个运动目标与图像中所检测到的区域做入侵检测;
声光报警单元4,对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。
标识物放置在实际场地中,在后续处理中作为先验信息,这些信息包括以下内容:
标识物的形状
标识物的颜色;
标识物所指代区域类型;
标识物对区域的划分算法。
标识物的形状包含但不限于圆形、矩形、三角形;
标识物的颜色包含但不限于红、蓝、绿;
标识物的指代意义包含但不限于禁止进入、禁止靠近、人员数量受限几种。
标识物对区域的划分算法,具体算法包括但不限于以下几种:
一个标识物为中心,指定半径下定义的圆形区域;
两个同类型标识物为对角线,指定长宽比和方向后所定义的矩形区域;
三个同类型标识物为顶点所定义的三角形区域;
四个同类型标识物为顶点所定义的矩形区域。
下面结合具体分析对本发明做进一步描述。
本发明实施例的基于视频图像的智慧工地区域管理及入侵检测方法,在计算机上和运行,完成以下操作:
从视频图像中自动识别标识物所划分的各个监控区域的位置和类型;
采用高斯混合模型进行图像背景建模,提取包含检测目标的前景图像;
基于前景图像提取并跟踪移动目标;
移动目标与区域的侵入状态判断。
从视频图像中自动识别标识物所划分的各个监控区域的位置和类型,执行以下操作:
根据颜色信息分割图像内全部可能是标识物的区域;
根据形状信息从分割出的待定目标中识别存在的每一种标识物;
计算标识物的位置。
所述根据颜色信息分割图像内全部可能是标识物的区域,具体方法是:
将各标识物的颜色从RGB空间转换到HSV空间,获取它们的Hu值;
将图像颜色从RGB空间转换到HSV空间;
设置一个偏移量,用标识物的Hu值分别加上与减去该偏移量,作为上下阈值,对转换到HSV颜色空间的图像进行分割,偏移量的大小与噪声相关,根据所实际实施的系统做调整。
所述根据形状信息从分割出的待定目标中识别存在的每一种标识物,具体方法为:
对分割后的图像进行形态学腐蚀操作;
对进行腐蚀操作后的图像进行形态学膨胀操作;
提取图像中所有目标的外轮廓;
对所有外轮廓根据几何形状进行标识物判定。
所述计算标识物的位置,具体方法是计算目标外轮廓所有点坐标的平均值。
所述计算视频监控区内所有由标识物划分的区域位置、范围和类型,具体步骤为:
选取标识物划分区域的具体算法,计算区域的位置,获取区域边界多边形各顶点坐标;
查询标识物指代区域的类型,将该类型赋予所检测到的对应区域。
所述采用高斯混合模型进行图像背景建模,提取包含检测目标的前景图像具体为:
从视频流第一帧开始,指定帧数训练背景图像的高斯混合模型;
应用训练好的背景图像模型,对设定帧数后的每帧图像的每个像素进行背景和前景分类;
更新背景图像模型,准备对下一帧图像进行背景和前景分类检测。
所述基于前景图像提取目标,采用目标连通域特征和LBP纹理特征两层级跟踪策略跟踪目标,具体为:
对获取的二值前景图像进行一次中值滤波;
对中值滤波后的二值前景图像进行图像形态学腐蚀操作一次;
对腐蚀操作后的二值前景图像进行图像形态学膨胀操作一次;
对预处理后的前景图像进行连通域标记,每一个连通域即为检测到的一个运动目标;
提取连通域的面积、中心位置、最小矩形外框和该连通域对应的原图像;
提取每个二值区域对应原图像的LBP(Local Binary Pattern,局部二值模式)特征;
根据连通域特征和连通域对应原图像的LBP特征,采用两层级别的跟踪策略,进行目标跟踪,其中第一级跟踪采用连通域特征匹配,第二级采用LBP特征匹配。
所述运动目标对既定区域入侵检测具体为:
对图像中每一个标定区域用一个多边形近似表示,多边形顶点坐标链表确定了其边界;
检测出来的每一个移动目标的位置用其连通区域的中心位置坐标表示;
计算目标位置坐标与区域多边形的位置关系,确定是在区域内还是区域外;
计算目标位置到区域边界的最近距离;
根据目标与区域的位置关系以及最近距离,按照系统预先定义的区域入侵标准,判定目标对区域的侵入状态;
根据区域侵入状态,判定是否发布报警事件,以及发布什么类型的报警事件。
本发明实施例提供的基于视频的智能工地区域管理及入侵报警系统的报警信号之一是声音报警信号输出,具体为:
预先根据不同区域类型和区域入侵状态录制不同内容的报警音频文件,存储在系统计算机中,以备调用;
根据系统发布的报警事件,播放对应的报警音频文件,通过系统计算机的音频接口,输出到扬声器喇叭播出。
本发明实施例提供的基于视频的智能工地区域管理及入侵报警系统的报警信号之二是光报警信号输出,具体为:
在系统计算机显示器上显示视像头视频图像;
根据区域自动识别结果,在图像上划分并标注各个区域;
根据系统发布的报警事件,图像上对应区域用报警事件定义的颜色突出显示,并闪烁。
在本实施例中,基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;对提取的每个运动目标与图像中所检测到的区域做入侵检测;对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。采用基于现有视频监控设备,不必添加新的监控管理设备,降低了管理成本,且对施工场地所处环境有较广泛的适应性;采用基于图像的智能检测与识别技术,可以自适应施工现场复杂多变的区域管理需求,而不必人工干预;采用经典混合高斯背景模型进行运动前景图像检测,应用连通域特征和LBP纹理特征两层级跟踪策略,有效地满足了实际应用的实时性和准确性。
证明部分(具体实施例/实验/仿真/学分析/)
在一个实际道路监控视频中,本发明的方法后台添加监控区域后,进行检测。其中,预设定的监控区域用红色矩形框表示,检测到的移动目标用黄色外框指示,当某个监控区域有移动目标进入,该区域外框颜色随机变化,同时在视窗上部显示”IntrusionDetected!”,且字体颜色随机变化。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于视频图像的智慧工地区域管理及入侵检测方法,其特征在于,所述基于视频图像的智慧工地区域管理及入侵检测方法包括:
基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;
对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;
对提取的每个运动目标与图像中所检测到的区域做入侵检测;
对检测到的非法入侵事件,根据区域管理规范发出声光报警信号;
从视频图像中自动识别标识物所划分的各个监控区域的位置和类型, 具体包括:
根据颜色信息分割图像内全部可能是标识物的区域;
根据形状信息从分割出的待定目标中识别存在的每一种标识物;
计算标识物的位置;
所述的根据颜色信息分割图像内全部可能是标识物的区域,具体方法包括:
将各标识物的颜色从RGB空间转换到HSV空间,获取Hu值;
将图像颜色从RGB空间转换到HSV空间;
设置一个偏移量,用标识物的Hu值分别加上与减去该偏移量,作为上下阈值,对转换到HSV颜色空间的图像进行分割,偏移量的大小与噪声相关,根据所实际实施的系统做调整;
根据形状信息从分割出的待定目标中识别存在的每一种标识物,具体方法包括:
对分割后的图像进行形态学腐蚀操作;
对进行腐蚀操作后的图像进行形态学膨胀操作;
提取图像中所有目标的外轮廓;
对所有外轮廓根据几何形状进行标识物判定;
计算标识物的位置,具体方法,包括:计算目标外轮廓所有点坐标的平均值;
计算视频监控区内所有由标识物划分的区域位置、范围和类型,具体步骤为:
选取标识物划分区域的具体算法,计算区域的位置,获取区域边界多边形各顶点坐标;
查询标识物指代区域的类型,将该类型赋予所检测到的对应区域;
采用高斯混合模型对频图像进行图像背景建模,提取包含检测目标的前景图像具体为:
从视频流第一帧开始,指定帧数训练背景图像的高斯混合模型;
应用训练好的背景图像模型,对设定帧数后的每帧图像的每个像素进行背景和前景分类;
更新背景图像模型,准备对下一帧图像进行背景和前景分类检测;
基于前景图像提取目标,采用目标连通域特征和LBP纹理特征两层级跟踪策略跟踪目标,具体为:
对获取的二值前景图像进行一次中值滤波;
对中值滤波后的二值前景图像进行图像形态学腐蚀操作一次;
对腐蚀操作后的二值前景图像进行图像形态学膨胀操作一次;
对预处理后的前景图像进行连通域标记,每一个连通域即为检测到的一个运动目标;
提取连通域的面积、中心位置、最小矩形外框和该连通域对应的原图像;
提取每个二值区域对应原图像的LBP特征;
根据连通域特征和连通域对应原图像的LBP特征,采用两层级别的跟踪策略,进行目标跟踪,其中第一级跟踪采用连通域特征匹配,第二级采用LBP特征匹配;
所述运动目标对既定区域入侵检测具体包括:
对图像中每一个标定区域用一个多边形近似表示,多边形顶点坐标链表确定了其边界;
检测出来的每一个移动目标的位置用其连通区域的中心位置坐标表示;
计算目标位置坐标与区域多边形的位置关系,确定是在区域内还是区域外;
计算目标位置到区域边界的最近距离;
根据目标与区域的位置关系以及最近距离,按照系统预先定义的区域入侵标准,判定目标对区域的侵入状态;
根据区域侵入状态,判定是否发布报警事件,以及发布什么类型的报警事件;
基于视频的智能工地区域管理及入侵报警系统的报警信号之一是声音报警信号输出,具体为:
预先根据不同区域类型和区域入侵状态录制不同内容的报警音频文件,存储在系统计算机中,以备调用;
根据系统发布的报警事件,播放对应的报警音频文件,通过系统计算机的音频接口,输出到扬声器喇叭播出;
基于视频的智能工地区域管理及入侵报警系统的报警信号之二是光报警信号输出,具体为:
在系统计算机显示器上显示视像头视频图像;
根据区域自动识别结果,在图像上划分并标注各个区域;
根据系统发布的报警事件,图像上对应区域用报警事件定义的颜色突出显示,并闪烁。
2.一种实现权利要求1所述基于视频图像的智慧工地区域管理及入侵检测方法的计算机程序。
3.一种实现权利要求1所述基于视频图像的智慧工地区域管理及入侵检测方法的计算机。
4.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1所述的基于视频图像的智慧工地区域管理及入侵检测方法。
5.一种实现权利要求1所述基于视频图像的智慧工地区域管理及入侵检测方法的基于视频图像的智慧工地区域管理及入侵检测报警系统,其特征在于,所述基于视频图像的智慧工地区域管理及入侵检测报警系统包括:
自动识别单元,基于视频监控图像,自动识别监控区域内由所放置标识物划分的区域,采用混合高斯模型对视频图像背景建模,提取包含运动目标的前景图像;
运动目标的连通域特征提取单元,对前景图像进行中值滤波、形态学预处理,提取运动目标的连通域特征和LBP纹理特征,采用两层级别的跟踪策略;
入侵检测单元,对提取的每个运动目标与图像中所检测到的区域做入侵检测;
声光报警单元,对检测到的非法入侵事件,根据区域管理规范发出声光报警信号。
6.一种实现权利要求1所述基于视频图像的智慧工地区域管理及入侵检测方法的基于视频图像的智慧工地区域管理及入侵检测报警装置,其特征在于,所述基于视频图像的智慧工地区域管理及入侵检测报警装置包括:
位置标识物、视频监控摄像头、计算机、显示器、扬声器;
标识物放置在因管理需要而指定的实际场地中位置,作为系统处理自动识别现场区域的特征点;
摄像头为视频监控摄像头,采集图像信息,为彩色摄像头;
计算机,存储和运行的载体,发出报警信号;
显示器显示系统运行界面;显示对应报警区域改变颜色并闪烁的方式;
扬声器,声音报警信息的发出设备,与计算机声音输出口连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552474.5A CN108846335B (zh) | 2018-05-31 | 2018-05-31 | 基于视频图像的智慧工地区域管理及入侵检测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810552474.5A CN108846335B (zh) | 2018-05-31 | 2018-05-31 | 基于视频图像的智慧工地区域管理及入侵检测方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846335A CN108846335A (zh) | 2018-11-20 |
CN108846335B true CN108846335B (zh) | 2021-07-30 |
Family
ID=64211224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810552474.5A Active CN108846335B (zh) | 2018-05-31 | 2018-05-31 | 基于视频图像的智慧工地区域管理及入侵检测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846335B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739220A (zh) * | 2018-12-06 | 2019-05-10 | 珠海格力电器股份有限公司 | 一种定位控制方法、装置、存储介质及机器人 |
CN110058563B (zh) * | 2019-01-18 | 2020-05-05 | 丰疆智能科技研究院(常州)有限公司 | 作业监控系统及其监控方法 |
CN111083640B (zh) * | 2019-07-25 | 2021-07-02 | 中国石油天然气股份有限公司 | 施工现场的智能监管方法及系统 |
CN110415267A (zh) * | 2019-08-15 | 2019-11-05 | 利卓创新(北京)科技有限公司 | 一种低功耗在线热红外目标识别装置及工作方法 |
CN110458144A (zh) * | 2019-08-21 | 2019-11-15 | 杭州品茗安控信息技术股份有限公司 | 物体区域入侵检测方法、系统、装置及可读存储介质 |
CN110659627A (zh) * | 2019-10-08 | 2020-01-07 | 山东浪潮人工智能研究院有限公司 | 一种基于视频分割的智能视频监控方法 |
CN111091535A (zh) * | 2019-11-22 | 2020-05-01 | 三一重工股份有限公司 | 基于深度学习图像语义分割的工厂管理方法和系统 |
CN111047566B (zh) * | 2019-12-04 | 2023-07-14 | 昆明市滇池高原湖泊研究院 | 无人机和多光谱卫星影像进行水生植被年变化统计的方法 |
CN111079612A (zh) * | 2019-12-09 | 2020-04-28 | 北京国网富达科技发展有限责任公司 | 输电线路通道入侵物体停留监测方法及装置 |
CN111160125B (zh) * | 2019-12-11 | 2023-06-30 | 北京交通大学 | 基于铁路监控的铁路异物入侵检测方法 |
CN111083441A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 工地监控方法、装置、计算机设备和存储介质 |
CN111080963A (zh) * | 2019-12-18 | 2020-04-28 | 广州穗能通能源科技有限责任公司 | 施工现场告警方法、装置、计算机设备和存储介质 |
CN111010544B (zh) * | 2019-12-18 | 2023-03-31 | 广州穗能通能源科技有限责任公司 | 配电房监控方法、装置、计算机设备和存储介质 |
CN111179583A (zh) * | 2020-01-03 | 2020-05-19 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能目标识别的社区电子围栏系统及其配置方法 |
CN111163294A (zh) * | 2020-01-03 | 2020-05-15 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能目标识别的建筑安全通道监测系统和方法 |
CN111080952A (zh) * | 2020-01-13 | 2020-04-28 | 贵州安防工程技术研究中心有限公司 | 基于实时视频与规则的反馈式区域入侵检测方法与系统 |
CN111246097B (zh) * | 2020-01-19 | 2021-06-04 | 成都依能科技股份有限公司 | 基于图形感知的ptz扫描路径生成方法 |
CN111564016A (zh) * | 2020-06-12 | 2020-08-21 | 夸克云智科技(深圳)有限公司 | 一种基于计算机视觉的区域入侵预警方法 |
CN111709355B (zh) * | 2020-06-12 | 2023-08-29 | 阿波罗智联(北京)科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
CN112668479A (zh) * | 2020-12-29 | 2021-04-16 | 广州耐奇电气科技有限公司 | 用于智能配电房的安全监测方法、系统、电子设备及介质 |
CN112866643A (zh) * | 2021-01-08 | 2021-05-28 | 中国船舶重工集团公司第七0七研究所 | 一种船内关键区域多目标可视化管理系统及方法 |
CN113287597B (zh) * | 2021-05-20 | 2023-04-18 | 河南天通电力有限公司 | 一种基于视频研判的输电线路主动驱鸟装置 |
CN113570802B (zh) * | 2021-06-25 | 2022-12-23 | 浙江大华技术股份有限公司 | 一种摄像机警戒方法、警戒装置和计算机可读存储介质 |
CN113628251B (zh) * | 2021-10-11 | 2022-02-01 | 北京中科金马科技股份有限公司 | 一种智慧酒店终端监测方法 |
CN114052327B (zh) * | 2021-12-31 | 2023-04-14 | 重庆电子工程职业学院 | 用于智慧工地的智能安全帽 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100543765C (zh) * | 2008-02-28 | 2009-09-23 | 王路 | 基于计算机视觉的入侵监控方法 |
CN102054170B (zh) * | 2011-01-19 | 2013-07-31 | 中国科学院自动化研究所 | 基于极小化上界误差的视觉跟踪方法 |
WO2014101220A1 (zh) * | 2012-12-31 | 2014-07-03 | Xu Jin | 基于人脸识别的智能安防系统 |
CN104112029A (zh) * | 2013-04-22 | 2014-10-22 | 上海上飞飞机装备制造有限公司 | 飞机工艺装备优化设计方法 |
TWI508027B (zh) * | 2013-08-08 | 2015-11-11 | Huper Lab Co Ltd | 三維偵測裝置及其偵測影像之方法 |
CN106156713A (zh) * | 2015-04-23 | 2016-11-23 | 宁夏奥德电子科技有限公司 | 一种用于考场行为自动监控的图像处理方法 |
CN105678295B (zh) * | 2016-01-04 | 2019-03-19 | 武汉科技大学 | 基于roi平均图像分析的燃气加热炉火焰实时监测方法 |
CN106683118B (zh) * | 2016-12-30 | 2020-02-14 | 北京航空航天大学 | 一种基于分层模型的无人机目标跟踪方法 |
-
2018
- 2018-05-31 CN CN201810552474.5A patent/CN108846335B/zh active Active
Non-Patent Citations (3)
Title |
---|
《Image Processing techniques for Object Tracking In Video Surveillance A Survey》;Shipra O et al;《IEEE》;20150416;第1-9页 * |
《论智能分析技术在视频监控系统中的集成应用》;张勤峰;《中国安防》;20140910(第2014年第16期);第110-112页 * |
王爱丽.《 基于计算机视觉的行人交通信息智能检测理论和关键技术研究》.《中国博士学位论文全文数据库 信息科技辑》.2016,第I138-26页. * |
Also Published As
Publication number | Publication date |
---|---|
CN108846335A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846335B (zh) | 基于视频图像的智慧工地区域管理及入侵检测方法、系统 | |
CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
EP3343443B1 (en) | Object detection for video camera self-calibration | |
JP5325899B2 (ja) | 侵入警報ビデオ処理装置 | |
US9704060B2 (en) | Method for detecting traffic violation | |
US20160065906A1 (en) | Video Analytics Configuration | |
CN107145851A (zh) | 建筑作业区危险源智能识别系统 | |
CN110650316A (zh) | 智能巡逻及预警处理方法、装置、电子设备及存储介质 | |
CN103106766A (zh) | 林火识别方法与系统 | |
EA018349B1 (ru) | Способ видеоанализа | |
KR102174556B1 (ko) | 차량번호 인식과 인공지능을 이용해 교통정보를 관제하는 영상감시장치 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN104463904A (zh) | 一种高压线异物入侵目标检测方法 | |
Lin et al. | Collaborative pedestrian tracking and data fusion with multiple cameras | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
CN104134067A (zh) | 基于智能视觉物联网的道路车辆监控系统 | |
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 | |
CN110659546A (zh) | 一种违法摊位检测方法及装置 | |
CN111582166B (zh) | 基于高斯建模和YoLo V3目标检测的遗留物检测方法 | |
Fuentes et al. | From tracking to advanced surveillance | |
CN110392239A (zh) | 指定区域监控方法及装置 | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
Wang et al. | Video image vehicle detection system for signaled traffic intersection | |
KR101767743B1 (ko) | 센서 영상에 기반한 실내측위 장치 및 실내측위 방법 |
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 |