CN109086696A - 一种异常行为检测方法、装置、电子设备及存储介质 - Google Patents
一种异常行为检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109086696A CN109086696A CN201810792701.1A CN201810792701A CN109086696A CN 109086696 A CN109086696 A CN 109086696A CN 201810792701 A CN201810792701 A CN 201810792701A CN 109086696 A CN109086696 A CN 109086696A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- detected
- target
- current 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 97
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000011897 real-time detection Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 244000144972 livestock Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 241001494479 Pecora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种异常行为检测方法、装置、电子设备及存储介质,所述方法包括:将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。本发明实施例节省了人力成本,且提高了异常行为检测时的及时性。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种异常行为检测方法、装置、电子设备及存储介质。
背景技术
当今农业生产依然是人类社会发展的立根之本,农业规模的不断扩大,产业产出能力的不断提高,是解决人口增加下,社会正常运转的基本保障。畜牧业作为农业的一大支柱与关键组成,从奶制品,肉制品再到皮毛纺织制品,都与人们衣食住行息息相关,且一直承担着人们日常生活所需食物的很大部分开销。
在畜牧养殖中,牲畜的异常行为分析,是提高牲畜健康管理的有效手段,饮食、环境、健康等异常变化都能反映到牲畜的异常行为上来。但是,在目前的畜牧产业中,绝大多数的养殖场,养殖车间均采用人工养殖的方式,而即使在一些自动化养殖车间内,也仅仅能简单的提供养殖环境监控。这导致目前在监控牲畜的异常行为的过程中,通常是通过人力巡检的方式检测牲畜的异常行为,但这种人工检测方式不仅费事费力,监控不及时,而且对人员也有较高的要求,不利于集约化生产。
综上所述,现有技术中在通过人工检测目标异常行为时存在费事费力和监控不及时的问题。
发明内容
本发明实施例提供一种异常行为检测方法、装置、电子设备及存储介质,以解决现有技术中通过人工检测目标异常行为时存在的费事费力和监控不及时的问题。
针对上述问题,第一方面,本发明实施例提供一种异常行为检测方法,包括:
将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;
针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;
根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;
根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
第二方面,本发明实施例提供一种异常行为检测装置,所述装置包括:
图像区域划分模块,用于将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;
第一获取模块,用于针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;
第二获取模块,用于根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;
检测模块,用于根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的异常行为检测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的异常行为检测方法的步骤。
本发明实施例提供的异常行为检测方法、装置、电子设备及存储介质,通过针对当前帧图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,其中,区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,并且根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,最后根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动检测,节省了人力成本,且提高了异常行为检测时的及时性,解决了现有技术中通过人工检测目标异常行为时存在的费事费力和监控不及时的问题。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1表示本发明实施例中异常行为检测方法的步骤流程图;
图2表示本发明实施例中针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率的步骤流程图;
图3表示本发明实施例中异常行为检测装置的模块框图;
图4表示本发明实施例中电子设备的模块框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
如图1所示,为本发明实施例中异常行为检测方法的步骤流程图,该方法包括如下步骤:
步骤101:将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域。
在本步骤中,具体的,当获取到包含有待检测目标的当前帧图像时,可以将该当前帧图像进行图像划分,获得至少一个图像区域,从而使得能够针对每一个图像区域进行待检测目标的异常行为检测。例如,可以将当前帧图像划分为M行N列个图像区域,M和N为不小于1的正整数。
其中,该待检测目标可以为牲畜,例如猪、羊等。当然,在此并不具体限定该待检测目标的具体种类。
当然,在此需要说明的是,至少一个图像区域的个数可以根据实际情况进行设定,在此不对至少一个图像区域的个数进行具体限定。
此外,在此还需要说明的是,至少一个图像区域的区域大小可以相同,也可以不相同,在此并不对此进行限定。
另外,具体的,该包含有待检测目标的当前帧图像可以为照片、视频帧、视频流解码帧等多种图像,在此并对此进行限定。
另外,具体的,在将包含待检测目标的当前帧图像进行图像划分之前,可以对当前帧图像进行预处理。所述预处理包括尺寸缩放、均衡比、去噪、对比度增强和图像超分辨重建中的至少一项。这样,通过在对当前帧图像进行划分之前,对当前帧图像进行预处理操作,为当前帧图像中待检测目标的识别提供了便利。
步骤102:针对每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数。
在本步骤中,具体的,针对每一个图像区域,可以获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数。
其中,通过获取该图像区域内待检测目标的运动变化率,使得能够获知该图像区域内待检测目标的运动情况。
此外,区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同。这使得在当前帧图像不是俯视图时,即当前帧图像中同时存在近景图像区域和远景图像区域时,当前帧图像中的近景图像区域和远景图像区域内的相同像素变化量所对应的待检测目标的运动变化量相同,从而使得在当前帧图像中相同像素变化量所对应的待检测目标的运动距离相同,进而避免了只有当前帧图像为俯视图时才能够保证相同像素变化量所对应的运动变化量相同的情况,实现了在不同拍摄方向拍摄得到当前帧图像,且通过当前帧图像对待检测目标的异常行为进行检测时,均能够保证异常行为的检测准确率。
下面对此情况进行说明。
例如,假设将当前帧图像划分得到一五行五列的图像区域。其中第一行图像区域均为远景图像区域,且第一行第三列图像区域中的一待检测目标在前后帧图像中的像素变化量为300,且该待检测目标在前后帧图像中的运动变化量为距离A;第五行图像区域均为近景图像区域,且第五行第三列中的一待检测目标在前后帧图像中的像素变化量为300,且该待检测目标在前后帧图像中的运动变化量为距离B,B小于A。从中可以得出,虽然第一行第三列图像区域和第五行第三列图像区域中的待检测目标的像素变化量相同,但是由于第一行第三列为远景图像区域,第五行第三列为近景图像区域,导致当前帧图像不同图像区域中相同像素变化量所对应的运动变化量却不相同,这导致通过当前帧图像进行待检测目标异常行为检测时很容易出现检测错误的问题。此时,在本实施例中,可以分别获取第一行第三列图像区域和第五行第三列图像区域的区域权重系数,从而使得第一行第三列图像区域和第五行第三列图像区域中单位像素变化量所对应的运动变化量相同,即相同像素变化量对应相同的运动变化量,进而保证了通过当前帧图像进行异常行为检测时的检测准确率。
步骤103:根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数。
在本步骤中,具体的,在获取到一图像区域内待检测目标的运动变化率和该图像区域的区域权重系数之后,可以根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数。其中,图像区域内待检测目标的区域运动指数越高,表示该图像区域内待检测目标运动越频繁。
这样,由于图像区域内待检测目标的区域运动指数为基于待检测目标的运动变化率和图像区域的区域权重系数获得,且区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,这使得所有图像区域中待检测目标的区域运动指数具有一致性和有效性,进而保证了根据图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测时的准确性。
当然,在获取到所有图像区域的待检测目标的区域运动指数之后,可以生成当前帧图像的区域运动指数分布图,从而使得能够根据区域运动指数分布图,得到待检测目标的运动行为情况。
步骤104:根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测。
在本步骤中,具体的,在获取到至少一个图像区域中每一个图像区域内待检测目标的区域运动指数之后,可以根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测。
这样,根据所获取得到的每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动检测过程,从而避免了通过人工对待检测目标进行异常行为检测时,费事费力且监控不及时的问题,在节省了人力成本的同时,实现了待检测目标异常行为的实时检测,保证了异常行为检测的及时性。
当然,在此需要说明的是,可以根据实际需求,阶段性的对待检测目标的异常行为进行检测,即本实施例不仅能够满足对待检测目标异常行为的实时检测需求,同样能够满足对待检测目标异常行为的阶段性检测需求。
本实施例通过针对当前帧图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,其中,区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,并且根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,最后根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动实时检测,节省了人力成本,且提高了异常行为检测时的及时性,避免了通过人工检测目标异常行为时费事费力和监控不及时的问题。
进一步地,在根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测时,可以根据所述当前帧图像中所有图像区域的数量以及每一个图像区域内待检测目标的区域运动指数,计算得到所有图像区域内待检测目标的平均区域运动指数;根据所述平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内所述待检测目标的异常行为进行检测。
具体的,在根据所述当前帧图像中所有图像区域的数量以及每一个图像区域内待检测目标的区域运动指数,计算得到所有图像区域内待检测目标的平均区域运动指数时,可以先计算所有图像区域内待检测目标的区域运动指数的和值,然后再计算所述和值与图像区域的数量的商值,并将该商值确定为所述平均区域运动指数。
此外,具体的,在根据所述平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内所述待检测目标的异常行为进行检测时,可以将每一个图像区域内待检测目标的区域运动指数与所述平均区域运动指数进行比较,然后根据比较结果和应用场景,检测每一个图像区域内的待检测目标是否存在异常行为。
在此以待检测目标为猪群为例,对此进行举例说明。
例如,当比较得到一目标图像区域内猪群的区域运动指数大于平均区域运动指数时,若此时应用场景为猪群休息阶段,例如夜间时段,则可以判定该目标图像区域内猪群存在异常行为,例如猪群之间发生冲突等;另外当比较得到目标图像区域内猪群的区域运动指数小于平均区域运动指数时,若此时应用场景为猪群活跃阶段,例如进食阶段,则可以判定该目标图像区域内猪群存在异常行为,例如存在病弱情况等。这样,通过上述方式对待检测目标的行为进行分析判断,为待检测目标的日常管理提供了便利。
当然,在此需要说明的是,还可以根据每一个图像区域内待检测目标的区域运动指数与所述平均区域运动指数之间的差值,来检测图像区域内待检测目标是否存在异常行为。
例如,当检测到一目标图像区域内待检测目标的区域运动指数与所述平均区域运动指数之间的差值大于一预设阈值时,则确定该目标图像区域内待检测目标存在异常行为。这样,由于平均区域运动指数能够表示待检测目标在当前时段的运动情况,因此通过检测图像区域内待检测目标的区域运动指数与平均区域运动指数之间的差值是否大于预设阈值,能够区分出处于异常运动状态的目标图像区域内的待检测目标,此时可以确定区分出的目标图像区域内的待检测目标存在异常行为。这样,通过上述方式对待检测目标的行为进行分析判断,为待检测目标的日常管理提供了便利。
这样,通过根据平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内待检测目标的异常行为进行检测,使得待检测目标的异常行为的检测为基于平均区域运动指数和单个区域运动指数的动态检测,即对待检测目标的异常行为的检测不仅为根据待检测目标的运动量而决定,而是根据所有区域内的待检测目标的情况进行判断,从而提高了待检测目标的异常行为的检测准确性。
此外,进一步地,如图2所示,在步骤102中针对每一个图像区域,获取该图像区域内待检测目标的运动变化率时,可以包括如下步骤:
步骤201:将当前帧图像和当前帧图像之前的上一帧图像分别输入至预先训练得到的检测模型,对应得到检测模型输出的对当前帧图像内待检测目标进行图像识别的第一识别结果和对上一帧图像内待检测目标进行图像识别的第二识别结果。
在本步骤中,具体的,可以先训练得到一用于识别待检测目标的检测模型。其中,该检测模型可以为神经网络检测模型,例如Faster R-CNN或特征金字塔网络(简称FPN),然后再将当前帧图像和上一帧图像输入至预先训练得到的检测模型,得到检测模型输出的分别对应当前帧图像的第一识别结果和对应上一帧图像的第二识别结果。
其中,在此需要说明的是,该上一帧图像为位于当前帧图像之前的帧图像,但在此并不具体限定该上一帧图像为当前帧图像的相邻图像,即该上一帧图像可以为与当前帧图像相隔预设帧的帧图像,在此并不对此进行限定。
这样通过检测模型对当前帧图像和上一帧图像中的待检测目标进行识别,使得能够在复杂环境中对目标进行检测,鲁棒性强,能够有效检测不同环境不同光照背景中的目标,增加了待检测目标的识别准确率,避免了在采用二值化方式识别待检测目标时,在环境光照发生变化时,容易发生误检的情况的发生。
当然,输入至检测模型的当前帧图像和上一帧图像为预先处理后的图像,以保证待检测目标识别时的准确性。
另外,对待检测目标进行图像识别的第一识别结果和第二识别结果均可以以待检测目标的外接框来表示,且外接框中心所在区域为待检测目标所属区域。这样通过用待检测目标的外接框表示待检测目标,从而使得能够通过显示的外接框来计算待检测目标的运动变化率,为待检测目标的运动变化率的计算提供了便利。
步骤202:根据第一识别结果和第二识别结果,获得待检测目标在每一个图像区域内的运动像素数量。
在本步骤中,具体的,在得到待检测目标分别在当前帧图像的第一识别结果和在上一帧图像的第二识别结果之后,可以根据第一识别结果和第二识别结果,获得待检测目标在每一个图像区域内的运动像素数量。其中,待检测目标在当前帧图像中每一个图像区域内的运动像素数量指,相对于上一帧图像中相对应图像区域而言,发生变化的像素的数量。
这样,通过检测模型输出的对当前帧图像中待检测目标的第一识别结果和对上一帧图像中待检测目标的第二识别结果,获得运动像素数量,实现了仅通过当前帧图像中的待检测目标所占像素区域和上一帧图像中待检测目标所占像素区域,获得运动像素数量,这相对于帧间差法中需要计算整幅前后帧图像内所有像素的差值的方式,减少了所需要计算的像素量,提高了计算效率。
其中,在根据第一识别结果和第二识别结果,获得待检测目标在每一个图像区域内的运动像素数量时,可以包括如下步骤:
步骤2021:根据第一识别结果,确定待检测目标在当前帧图像中各图像区域内所占的像素区域,并根据第二识别结果,确定待检测目标在上一帧图像中各图像区域内所占的像素区域。
在本步骤中,具体的,在此需要说明的是,本实施例将上一帧图像进行划分,并得到与当前帧图像中的至少一个图像区域相同的图像区域,这样能够保证当前帧图像和上一帧图像中各图像区域相对应,从而为各图像区域内的待检测目标的运动变化率的检测提供了便利。
此外,具体的,在根据第一识别结果,确定待检测目标在当前帧图像中各图像区域内所占的像素区域时,针对每一个区域,可以获取待检测目标在该图像区域内所占的像素区域的并集区域,并将并集区域确定为待检测目标在该图像区域所占的像素区域。例如,假设一图像区域中的两个待检测目标存在重合部分,此时则需要计算两个待检测目标所占像素区域的并集区域,即计算两个待检测目标总共所占的像素区域,这样避免了待检测目标在一图像区域中所占像素区域的重复计算,提高了待检测目标在一图像区域所占像素区域的计算准确性。
当然,在根据第二识别结果,确定待检测目标在上一帧图像中各图像区域内所占的像素区域的方式,与上述确定待检测目标在当前帧图像中各图像区域内所占的像素区域的方式相同,在此不再进行赘述。
步骤2022:针对每一个图像区域,分别获取待检测目标在当前帧图像中该图像区域内所占的像素区域与待检测目标在上一帧图像中该图像区域内所占的像素区域之间的并集和交集。
在本步骤中,具体的,针对每一个图像区域,可以获取待检测目标在当前帧图像中该图像区域内所占的像素区域与待检测目标在上一帧图像中该图像区域内所占的像素区域之间的并集,并获取待检测目标在当前帧图像中该图像区域内所占的像素区域与待检测目标在上一帧图像中该图像区域内所占的像素区域之间的交集,从而使得能够根据所获取到的并集和交集来获取待检测目标在一图像区域中的运动变化情况。
步骤2023:计算并集和交集的差集,并将差集内的像素数量确定为该图像区域内的运动像素数量。
在本步骤中,具体的,在获取到待检测目标在当前帧图像中该图像区域内所占的像素区域与在上一帧图像中该图像区域内所占的像素区域之间的并集和交集之后,可以计算并集和交集的差集,并将差集内的像素数量确定为该图像区域内的运动像素数量。
这使得本实施例只计算待检测目标在当前帧图像中该图像区域内所占的像素区域与在上一帧图像中该图像区域内所占的像素区域之间的差集,避免了对整个当前帧图像和上一帧图像中的所有像素进行差集计算,从而减少了计算量,提高了计算效率。
步骤203:针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内待检测目标的运动变化率。
在本步骤中,具体的,在针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内待检测目标的运动变化率时,可以计算待检测目标在该图像区域内的运动像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述运动变化率。这样,通过将待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量的比值确定为运动变化率,提高了所计算得到的运动变化率的准确性,避免了直接按照待检测目标所占像素区域进行运动变化率计算时,由于所占像素区域的不规则性,计算较为繁琐的问题。
这样,本实施例通过检测模型分别对当前帧图像和上一帧图像中的待检测目标进行识别,分别得到第一识别结果和第二识别结果,增加了待检测目标的识别准确率;此外,通过根据第一识别结果和第二识别结果,获得待检测目标在每一个图像区域内的运动像素数量,最后根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的运动变化率,保证了待检测目标的识别准确性,且实现了运动变化率直接基于待检测目标的运动像素数量,保证了运动变化率的计算准确性。
另外,进一步地,本实施例还需要针对每一个图像区域,获取该图像区域的区域权重系数,以使当前帧图像的单位像素变化量所对应的运动变化量相同。
其中,在获取该图像区域的区域权重系数时,可以先检测当前帧图像的拍摄方向与水平方向之间的夹角,然后根据夹角的大小确定区域权重系数的计算方式。具体的,获取该图像区域的区域权重系数可以包括如下两种情况:
其一,当检测到所述当前帧图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1。
具体的,在获取该图像区域的区域权重系数时,需要检测当前帧图像的拍摄方向与水平方向之间的夹角。其中,当检测到当前帧图像的拍摄方向与水平方向相垂直时,说明当前帧图像的拍摄装置位于待检测目标的正上方,可以得到当前帧图像为俯视图,即在当前帧图像上不区分近景图像区域和远景图像区域,因此可以直接确定每一个图像区域的区域权重系数均为1。
当然在此需要说明的是,上一帧图像的拍摄方向和当前帧图像的拍摄方向相同。
其二,当检测到所述当前帧图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;然后针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
具体的,权重视角因子与当前帧图像的拍摄视角相关,区域比例因子与图像区域在当前帧图像中的位置相关。这样,通过将图像区域的权重视角因子和该图像区域的区域比例因子的乘积确定为图像区域的区域权重系数,使得区域权重系数同时与当前帧图像的拍摄视角和图像区域位置相关,而拍摄视角和图像区域位置决定当前帧图像中的远景图像区域和近景图像区域,这使得所计算得到的区域权重系数能够使当前帧图像中远景图像区域和近景图像区域中单位像素变化量所对应的待检测目标的运动变化量相同,即使得远景图像区域和近景图像区域中相同像素变化量代表相同的运动变化量。
此外,其中,在获取所述每一个图像区域的权重视角因子和区域比例因子时,可以计算所述当前帧图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;计算所述每一个图像区域的区域高度与整个图像高度的商值,并根据所述每一个图像区域的区域高度与整个图像高度的商值,确定每一个图像区域的区域比例因子。
具体的,由于图像拍摄方向与水平方向之间的夹角越小,图像中的近景图像区域和远景图像区域的差别越大,因此可以将图像的拍摄方向与水平方向之间的夹角的正弦值确定为每一个图像区域的权重视角因子。
此外,具体的,在确定每一个图像区域的区域比例因子时,对不同图像区域来说,假设按照远景图像区域至近景图像区域的顺序来看,相同像素变化量所对应的待检测目标的运动变化量越来越小,当然按照近景图像区域至远景图像区域的顺序来看,则相同像素变化量所对应的待检测目标的运动变化量越来越大,而近景图像区域和远景图像区域在图像中则反映为图像区域的不同高度,因此能够得知区域比例因子与图像区域的区域高度相关。当然,在此需要说明的是,远景图像区域的区域高度小于近景图像区域的区域高度。此时,可以根据每一个图像区域的区域高度与整个图像高度的商值,确定每一个图像区域的区域比例因子。
另外,具体的,当图像区域的区域高度与整个图像(即整个当前帧图像)的图像高度的比值为1/2时,即当图像区域位于当前帧图像的中心位置时,区域比例因子为1;对于近景图像区域内像素,即当图像区域的区域高度与整个图像高度的比值大于1/2时,区域比例因子小于1;对于远景图像区域内像素,即当图像区域的区域高度与整个图像高度的比值小于1/2时,区域比例因子大于1。
此时,根据上述结论,可以通过线性函数f(xi)=-2xi+2,来计算每一个图像区域的区域比例因子;其中,f(xi)表示第i个图像区域的区域比例因子,xi表示第i个图像区域的区域高度与整个图像高度的比值。
这样,通过计算得到每一个图像区域的区域权重系数,使得当前帧图像中所有图像区域的相同像素变化量对应相同的运动变化量,从而避免了在当前帧图像中存在近景图像区域和远景图像区域时,近景图像区域和远景图像区域中相同像素变化量对应的运动变化量不一致的问题,进而避免了在根据图像进行目标异常行为检测时,由于远景图像区域和近景图像区域中相同像素变化量所对应的运动变化量不一致导致的检测不准确的问题。
另外,进一步地,在计算得到每个图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数之后,在获取该图像区域内待检测目标的区域运动指数时,可以计算所述该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域运动指数。
当然,在此需要说明的是,还可以将该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数的乘积的预设比例,确定为该图像区域内待检测目标的区域运动指数,从而增加区域运动指数的可用性。
这样,通过将该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数的乘积确定为该图像区域内待检测目标的区域运动指数,增加了区域运动指数的准确性。
本实施例通过针对当前帧图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,其中,区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,并且根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,最后根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动实时检测,节省了人力成本,且提高了异常行为检测时的及时性,避免了通过人工检测目标异常行为时存在的费事费力和监控不及时的问题。
此外,如图3所示,为本发明实施例中异常行为检测装置的模块框图,所述装置包括:
图像区域划分模块301,用于将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;
第一获取模块302,用于针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;
第二获取模块303,用于根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;
检测模块304,用于根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
本实施例提供的异常行为检测装置,通过图像区域划分模块301将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域,通过第一获取模块302针对每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,其中,区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,通过第二获取模块303根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,通过检测模块304根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动实时检测,节省了人力成本,且提高了异常行为检测时的及时性,避免了通过人工检测目标异常行为时存在的费事费力和监控不及时的问题。
可选地,所述第一获取模块302包括:
第一获取单元,用于将所述当前帧图像和当前帧图像之前的上一帧图像分别输入至预先训练得到的检测模型,对应得到所述检测模型输出的对所述当前帧图像内待检测目标进行图像识别的第一识别结果和对所述上一帧图像内待检测目标进行图像识别的第二识别结果;
第二获取单元,用于根据所述第一识别结果和所述第二识别结果,获得所述待检测目标在每一个图像区域内的运动像素数量;
第三获取单元,用于针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的运动变化率。
可选地,所述第二获取单元包括:
第一确定子单元,用于根据所述第一识别结果,确定所述待检测目标在所述当前帧图像中各图像区域内所占的像素区域,并根据所述第二识别结果,确定所述待检测目标在所述上一帧图像中各图像区域内所占的像素区域;
获取子单元,用于针对每一个图像区域,分别获取所述待检测目标在所述当前帧图像中该图像区域内所占的像素区域与所述待检测目标在所述上一帧图像中该图像区域内所占的像素区域之间的并集和交集;
第二确定子单元,用于计算所述并集和所述交集的差集,并将所述差集内的像素数量确定为该图像区域内的运动像素数量;
相应地,所述第三获取单元用于,计算待检测目标在该图像区域内的运动像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述运动变化率。
可选地,所述第一获取模块302包括:
第一确定单元,用于当检测到所述当前帧图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1;
第四获取单元,用于当检测到所述当前帧图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;
第二确定单元,用于针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
可选地,所述第四获取单元包括:
第三确定子单元,用于计算所述当前帧图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;
第四确定子单元,用于计算所述每一个图像区域的区域高度与整个图像高度的商值,并根据所述每一个图像区域的区域高度与整个图像高度的商值,确定每一个图像区域的区域比例因子。
可选地,所述第二获取模块303用于,计算所述该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域运动指数。
可选地,所述检测模块304包括:
计算单元,用于根据所述当前帧图像中所有图像区域的数量以及每一个图像区域内待检测目标的区域运动指数,计算得到所有图像区域内待检测目标的平均区域运动指数;
检测单元,用于根据所述平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内所述待检测目标的异常行为进行检测。
本实施例提供的异常行为检测装置,通过针对当前帧图像中划分得到的每一个图像区域,获取该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,其中,区域权重系数使得当前帧图像的单位像素变化量所对应的运动变化量相同,并且根据该图像区域内待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,最后根据每一个图像区域内待检测目标的区域运动指数,对待检测目标的异常行为进行检测,实现了待检测目标异常行为的自动实时检测,节省了人力成本,且提高了异常行为检测时的及时性,避免了通过人工检测目标异常行为时存在的费事费力和监控不及时的问题。
在此需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块,并能达到相同的技术效果,在此不在进行赘述。
在本发明的又一实施例中,提供了一种电子设备,如图4所示,所述电子设备包括存储器(memory)401、处理器(processor)402以及存储在存储器401上并可在处理器402上运行的计算机程序。其中,所述存储器401、处理器402通过总线403完成相互间的通信。所述处理器402用于调用所述存储器401中的程序指令,以执行如下方法:将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
本发明实施例提供的电子设备,可执行异常行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
此外,上述的存储器401中的程序指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的又一实施例中,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以执行如下方法:将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
本发明实施例提供的非暂态计算机可读存储介质,可执行异常行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
在本发明的又一实施例中,提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时以执行如下方法:将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
本发明实施例提供的计算机程序产品,可执行异常行为检测方法中的具体步骤,并能够达到相同的技术效果,在此不再对此进行具体介绍。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.一种异常行为检测方法,其特征在于,包括:
将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;
针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;
根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;
根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
2.根据权利要求1所述的方法,其特征在于,所述针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率,包括:
将所述当前帧图像和当前帧图像之前的上一帧图像分别输入至预先训练得到的检测模型,对应得到所述检测模型输出的对所述当前帧图像内待检测目标进行图像识别的第一识别结果和对所述上一帧图像内待检测目标进行图像识别的第二识别结果;
根据所述第一识别结果和所述第二识别结果,获得所述待检测目标在每一个图像区域内的运动像素数量;
针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的运动变化率。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一识别结果和所述第二识别结果,获得所述待检测目标在每一个图像区域内的运动像素数量,包括:
根据所述第一识别结果,确定所述待检测目标在所述当前帧图像中各图像区域内所占的像素区域,并根据所述第二识别结果,确定所述待检测目标在所述上一帧图像中各图像区域内所占的像素区域;
针对每一个图像区域,分别获取所述待检测目标在所述当前帧图像中该图像区域内所占的像素区域与所述待检测目标在所述上一帧图像中该图像区域内所占的像素区域之间的并集和交集;
计算所述并集和所述交集的差集,并将所述差集内的像素数量确定为该图像区域内的运动像素数量;
相应地,所述针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的运动变化率,包括:
计算待检测目标在该图像区域内的运动像素数量与该图像区域内所有像素的数量的比值,并将所述比值确定为所述运动变化率。
4.根据权利要求1所述的方法,其特征在于,获取该图像区域的区域权重系数,包括:
当检测到所述当前帧图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1;
当检测到所述当前帧图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;
针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
5.根据权利要求4所述的方法,其特征在于,所述获取所述每一个图像区域的权重视角因子和区域比例因子,包括:
计算所述当前帧图像的拍摄方向与水平方向之间的夹角的正弦值,并将所述夹角的正弦值确定为每一个图像区域的权重视角因子;
计算所述每一个图像区域的区域高度与整个图像高度的商值,并根据所述每一个图像区域的区域高度与整个图像高度的商值,确定每一个图像区域的区域比例因子。
6.根据权利要求1所述的方法,其特征在于,所述根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数,包括:
计算所述该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数的乘积,并将所述乘积确定为该图像区域内待检测目标的区域运动指数。
7.根据权利要求1所述的方法,其特征在于,所述根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测,包括:
根据所述当前帧图像中所有图像区域的数量以及每一个图像区域内待检测目标的区域运动指数,计算得到所有图像区域内待检测目标的平均区域运动指数;
根据所述平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内所述待检测目标的异常行为进行检测。
8.一种异常行为检测装置,其特征在于,所述装置包括:
图像区域划分模块,用于将包含待检测目标的当前帧图像进行图像划分,获得至少一个图像区域;
第一获取模块,用于针对每一个图像区域,获取该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,其中,所述区域权重系数使得所述当前帧图像的单位像素变化量所对应的运动变化量相同;
第二获取模块,用于根据该图像区域内所述待检测目标的运动变化率和该图像区域的区域权重系数,获取该图像区域内待检测目标的区域运动指数;
检测模块,用于根据每一个图像区域内待检测目标的区域运动指数,对所述待检测目标的异常行为进行检测。
9.根据权利要求8所述的装置,其特征在于,所述第一获取模块包括:
第一获取单元,用于将所述当前帧图像和当前帧图像之前的上一帧图像分别输入至预先训练得到的检测模型,对应得到所述检测模型输出的对所述当前帧图像内待检测目标进行图像识别的第一识别结果和对所述上一帧图像内待检测目标进行图像识别的第二识别结果;
第二获取单元,用于根据所述第一识别结果和所述第二识别结果,获得所述待检测目标在每一个图像区域内的运动像素数量;
第三获取单元,用于针对每一个图像区域,根据待检测目标在该图像区域内的运动像素数量和该图像区域内所有像素的数量,获得该图像区域内所述待检测目标的运动变化率。
10.根据权利要求8所述的装置,其特征在于,所述第一获取模块包括:
第一确定单元,用于当检测到所述当前帧图像的拍摄方向与水平方向相垂直时,确定每一个图像区域的区域权重系数均为1;
第四获取单元,用于当检测到所述当前帧图像的拍摄方向与水平方向之间的夹角小于90°时,获取所述每一个图像区域的权重视角因子和区域比例因子;
第二确定单元,用于针对每一个图像区域,计算该图像区域的权重视角因子和该图像区域的区域比例因子的乘积,并将所述乘积确定为所述该图像区域的区域权重系数。
11.根据权利要求8所述的装置,其特征在于,所述检测模块包括:
计算单元,用于根据所述当前帧图像中所有图像区域的数量以及每一个图像区域内待检测目标的区域运动指数,计算得到所有图像区域内待检测目标的平均区域运动指数;
检测单元,用于根据所述平均区域运动指数以及每一个图像区域内待检测目标的区域运动指数,对每一个图像区域内所述待检测目标的异常行为进行检测。
12.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的异常行为检测方法的步骤。
13.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的异常行为检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792701.1A CN109086696B (zh) | 2018-07-18 | 2018-07-18 | 一种异常行为检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810792701.1A CN109086696B (zh) | 2018-07-18 | 2018-07-18 | 一种异常行为检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086696A true CN109086696A (zh) | 2018-12-25 |
CN109086696B CN109086696B (zh) | 2020-11-06 |
Family
ID=64837785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810792701.1A Active CN109086696B (zh) | 2018-07-18 | 2018-07-18 | 一种异常行为检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086696B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070113A (zh) * | 2020-07-28 | 2020-12-11 | 北京旷视科技有限公司 | 摄像场景变换判断方法、装置、电子设备及可读存储介质 |
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
CN113096077A (zh) * | 2021-03-25 | 2021-07-09 | 深圳力维智联技术有限公司 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
CN115810042A (zh) * | 2023-02-14 | 2023-03-17 | 成都数联云算科技有限公司 | 图形重叠面积获取方法、装置、介质、设备及程序产品 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727573A (zh) * | 2008-10-13 | 2010-06-09 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
CN102572502A (zh) * | 2010-12-17 | 2012-07-11 | 北京东方文骏软件科技有限责任公司 | 一种用于视频质量评价的关键帧的选取方法 |
CN102946505A (zh) * | 2012-11-22 | 2013-02-27 | 四川虹微技术有限公司 | 一种基于图像分块统计的自适应运动检测方法 |
CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
US20160048990A1 (en) * | 2009-08-28 | 2016-02-18 | Samsung Electronics Co., Ltd. | Method and apparatus for providing biometric information |
CN106529405A (zh) * | 2016-09-30 | 2017-03-22 | 南京邮电大学 | 一种基于视频图像块模型的局部异常行为检测方法 |
CN106612385A (zh) * | 2015-10-22 | 2017-05-03 | 株式会社理光 | 视频检测方法和视频检测装置 |
CN107346547A (zh) * | 2017-07-04 | 2017-11-14 | 易视腾科技股份有限公司 | 基于单目平台的实时前景提取方法及装置 |
-
2018
- 2018-07-18 CN CN201810792701.1A patent/CN109086696B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101727573A (zh) * | 2008-10-13 | 2010-06-09 | 汉王科技股份有限公司 | 一种视频图像中人群密度估计的方法和装置 |
US20160048990A1 (en) * | 2009-08-28 | 2016-02-18 | Samsung Electronics Co., Ltd. | Method and apparatus for providing biometric information |
CN102572502A (zh) * | 2010-12-17 | 2012-07-11 | 北京东方文骏软件科技有限责任公司 | 一种用于视频质量评价的关键帧的选取方法 |
CN102946505A (zh) * | 2012-11-22 | 2013-02-27 | 四川虹微技术有限公司 | 一种基于图像分块统计的自适应运动检测方法 |
CN104504394A (zh) * | 2014-12-10 | 2015-04-08 | 哈尔滨工业大学深圳研究生院 | 一种基于多特征融合的密集人数估计方法和系统 |
CN106612385A (zh) * | 2015-10-22 | 2017-05-03 | 株式会社理光 | 视频检测方法和视频检测装置 |
CN106529405A (zh) * | 2016-09-30 | 2017-03-22 | 南京邮电大学 | 一种基于视频图像块模型的局部异常行为检测方法 |
CN107346547A (zh) * | 2017-07-04 | 2017-11-14 | 易视腾科技股份有限公司 | 基于单目平台的实时前景提取方法及装置 |
Non-Patent Citations (3)
Title |
---|
KAIQI HUANG 等: "A visual interpretation system for visual surveillance", 《PATTERN RECOGNITION LETTERS》 * |
费凡: "智能视频监控中运动人体异常行为的自动检测与识别算法的研究与实现", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
黄波 等: "基于模糊聚类和时域跟踪的视频分割", 《通信学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070113A (zh) * | 2020-07-28 | 2020-12-11 | 北京旷视科技有限公司 | 摄像场景变换判断方法、装置、电子设备及可读存储介质 |
CN112070113B (zh) * | 2020-07-28 | 2024-03-26 | 北京旷视科技有限公司 | 摄像场景变换判断方法、装置、电子设备及可读存储介质 |
CN112261274A (zh) * | 2020-10-28 | 2021-01-22 | 卓旺(安徽)航空科技产业股份有限公司 | 基于4k视频5g传输的施工现场安全监护移动高速球机 |
CN113096077A (zh) * | 2021-03-25 | 2021-07-09 | 深圳力维智联技术有限公司 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
CN113096077B (zh) * | 2021-03-25 | 2024-05-03 | 深圳力维智联技术有限公司 | 异常比例检测方法、装置、设备及计算机可读存储介质 |
CN115810042A (zh) * | 2023-02-14 | 2023-03-17 | 成都数联云算科技有限公司 | 图形重叠面积获取方法、装置、介质、设备及程序产品 |
CN115810042B (zh) * | 2023-02-14 | 2023-05-05 | 成都数联云算科技有限公司 | 基于目标检测的图像iou获取方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109086696B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086696A (zh) | 一种异常行为检测方法、装置、电子设备及存储介质 | |
CN109446883B (zh) | 商品状态识别方法、装置、电子设备及可读存储介质 | |
JP6289564B2 (ja) | 構造物に対する変化を検出するための方法、装置およびコンピュータ可読媒体 | |
CN108875709A (zh) | 一种扎堆行为检测方法、装置、电子设备及存储介质 | |
CN110672189A (zh) | 体重估计方法、装置、系统和存储介质 | |
CN110378945A (zh) | 深度图处理方法、装置和电子设备 | |
CN109389599A (zh) | 一种基于深度学习的缺陷检测方法及装置 | |
CN111161214B (zh) | 一种基于双目视觉的猪只体重测量及饮水行为识别系统及方法 | |
CN107924461A (zh) | 用于多因素图像特征配准和跟踪的方法、电路、设备、系统及相关计算机可执行代码 | |
CN112927279A (zh) | 一种图像深度信息生成方法、设备及存储介质 | |
US20180039860A1 (en) | Image processing apparatus and image processing method | |
CN113449570A (zh) | 图像处理方法和装置 | |
CN108875526A (zh) | 视线检测的方法、装置、系统及计算机存储介质 | |
CN112232978A (zh) | 水产品体长和重量检测方法、终端设备及存储介质 | |
CN115049598A (zh) | 门店货架上摆放试用装产品规范检测方法、系统及设备 | |
CN114402362A (zh) | 鱼计数系统、鱼计数方法以及程序 | |
CN115512215A (zh) | 水下生物监测方法、装置及存储介质 | |
CN115752683A (zh) | 一种基于深度相机的体重预估方法、系统及终端 | |
CN111797831A (zh) | 基于bim和人工智能的家禽进食并行异常检测方法 | |
CN106355589A (zh) | 一种工厂化循环水养殖鱼类游动速度估算系统及方法 | |
Zhang et al. | Fully automatic system for fish biomass estimation based on deep neural network | |
CN111223125B (zh) | 一种基于Python环境下的目标运动视频跟踪方法 | |
CN112085752A (zh) | 一种图像的处理方法、装置、设备及介质 | |
Kaewtapee et al. | Objective scoring of footpad dermatitis in broiler chickens using image segmentation and a deep learning approach: camera-based scoring system | |
Parr et al. | Grape yield estimation with a smartphone’s colour and depth cameras using machine learning and computer vision techniques |
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 |