CN109118510A - 一种监控视频处理方法、装置及计算机可读介质 - Google Patents
一种监控视频处理方法、装置及计算机可读介质 Download PDFInfo
- Publication number
- CN109118510A CN109118510A CN201810908231.0A CN201810908231A CN109118510A CN 109118510 A CN109118510 A CN 109118510A CN 201810908231 A CN201810908231 A CN 201810908231A CN 109118510 A CN109118510 A CN 109118510A
- Authority
- CN
- China
- Prior art keywords
- mobile object
- frame
- image frame
- mentioned
- monitor video
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/76—Television signal recording
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种监控视频处理方法、监控视频处理装置及计算机可读介质,其中方法包括:获取监控视频的视频图像帧,利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体;若当前图象帧中存在移动物体,则提取所述当前图像帧中所述移动物体的轮廓。然后根据所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪。最后将存在所述移动物体的视频图像帧和所述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省存储空间。
Description
技术领域
本申请涉及监控视频处理技术领域,尤其涉及一种监控视频处理方法、装置及计算机可读介质。
背景技术
对于监控视频来说,监控视频中真正有用的是发生变化、存在移动物体的监控画面,而对于长时间保持不变的监控画面没有任何价值。因此在智能型监控视频处理系统应用中,移动物体图像的检测和轨迹跟踪是视屏监控系统中的核心技术。然而,现有的监控视频处理都是均是将摄像头拍摄到的所有画面都进行监控并保存,然后再对保存的监控视屏进行相应的处理,例如对保存的监控视频进行压缩、模糊处理以便节省存储空间。现有的监控视频处理方法中,没有对移动物体进行行为轨迹跟踪,如果监控画面长时间静止不变,这些静止不变的画面并不是我们想要监控的画面,但是监控设备也依旧将这些画面保存到服务器中,从而造成了不必要的存储空间浪费。
发明内容
本申请实施例提供一种监控视频处理方法,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
第一方面,本申请实施例提供了一种监控视频处理方法,该方法包括:
获取监控视频的视频图像帧,利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体;
若当前图象帧中存在移动物体,则提取所述当前图像帧中所述移动物体的轮廓;
根据所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪;
保存存在所述移动物体的视频图像帧和所述移动物体的移动轨迹。
获取监控视频的视频图像帧,利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体;
若存在,则提取所述当前图像帧中所述移动物体的轮廓;
根据针对所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪;
保存存在所述移动物体的视频图像帧和所述移动物体的移动轨迹。
作为一种可选的实施方式,在所述利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体之前,所述方法还包括:
对所述视频图像帧进行预处理,所述预处理包括去噪和灰度化处理。
作为一种可选的实施方式,所述利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体包括:
将所述当前图帧和所述当前图像帧的前一图像帧做差分运算,或者将所述当前图帧和所述当前图像帧的前两帧图像帧做差分运算,得到差分图像;
判断所述差分图像中是否存在像素点灰度值大于二值化阈值的区域;
若所述差分图像中存在相熟点灰度值大于二值化阈值的区域,则确定图像帧中存在移动物体。
作为一种可选的实施方式,所述提取所述当前图像帧中所述移动物体的轮廓包括:
根据所述二值化阈值将所述差分图像二值化得到二值化图像;
根据所述二值化图像提取所述移动物体的轮廓和位置。
作为一种可选的实施方式,在所述根据所述二值化阈值将所述差分图像二值化得到二值化图像之后,在所述根据所述二值化图像提取所述移动物体的轮廓和位置之前,所述方法还包括:
使用形态学基本算法对所述二值化图像进行噪声处理。
作为一种可选的实施方式,所述根据所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪包括:
根据所述移动物体的轮廓初始化当前图像帧中搜索窗口的大小和位置;
计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图;
根据所述概率分布图和meanshift算法计算得到所述移动物体在所述当前图像帧中的质心位置和大小;
根据所述移动物体在所述当前图像帧中的质心位置和大小初始化下一帧图像帧中搜索窗口的大小和位置,将所述下一图像帧作为当前图像帧并触发计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图的步骤。
作为一种可选的实施方式,在所述计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图之后,在所述根据所述概率分布图和meanshift算法计算得到所述移动物体在所述当前图像帧中的质心位置和大小之前,所述方法还包括:
采用中值滤波的方法对所述搜索窗口的概率分布图进行去燥处理。
第二方面,本申请实施例提供了一种监控视频处理装置,该监控视频处理装置包括用于执行上述第一方面的方法的单元。
第三方面,本申请实施例提供了另一种监控视频处理装置,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持监控视频处理装置执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
本申请实施例通过获取监控视频的视频图像帧,利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体;若存在,则提取所述当前图像帧中所述移动物体的轮廓。然后根据所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪。最后将存在所述移动物体的视频图像帧和所述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种监控视频处理方法的示意流程图;
图2是本申请实施例提供的另一种监控视频处理方法的示意流程图;
图3是本申请实施例提供的另一种监控视频处理方法的示意流程图;
图4是本申请实施例提供的一种监控视频处理装置的示意框图;
图5是本发明另一实施例提供的一种监控视频处理装置示意框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
对于监控视频来说,监控视频中真正有用的是发生变化、存在移动物体的监控画面,而对于长时间保持不变的监控画面没有任何价值。因此在智能型监控视频处理系统应用中,移动物体图像的检测和轨迹跟踪是视屏监控系统中的核心技术。
现有的视频监控都是均是将摄像头拍摄到的所有画面都进行监控,然后将监控到的所有画面打包压缩上传服务器。但对于目前的视频监控方法存在以下缺点:现有的视频监控方法中,没有对移动物体进行行为轨迹跟踪,如果监控画面长时间静止不变,这些静止不变的画面并不是我们想要监控的画面,但是监控设备也会将这些画面保存到服务器中,从而造成了不必要的存储空间浪费。
参见图1,图1是本申请实施例提供的一种监控视频处理方法的示意流程图,如图所示该方法可包括:
101:获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体,若当前图象帧中存在移动物体,则提取上述当前图像帧中上述移动物体的轮廓。
在本申请实施例中,主要利用帧间差分算法来检测监控视频中的移动物体。具体的,在获取监控视频的视频图像帧之后,利用帧间差分算法来判断上述视频图像帧中的当前图像帧中是否存在移动物体,若当前图像帧中不存在移动物体,则不对当前图像帧作任何操作,若当前图像帧中存在移动物体,则提取上述当前图像帧中上述移动物体的轮廓。
其中,上述监控视频可以是已经临时保存在内存中的监控视频,也可以是摄像头正在实时监控的监控视频。当上述监控视频为临时保存在内存中的监控视频时,则对整个监控视频进行移动物体的检测,当检测到移动物体时就对移动物体进行跟踪。当上述监控视频为摄像头正在实时监控的监控视频时,则采用实时的检测方式对上述监控视频进行移动物体的检测,当检测到移动物体时就对移动物体进行跟踪。
其中,上述帧间差分算法是一种利用连续或相隔一定帧数的帧间差分来确定图像中的变化区域,从而进行运动物体的检测的方法。通常帧间差分算法将连续的两帧图像或多帧图像进行差分运算,然后对差分图像进行二值化并滤波,将可能的运动区域检测出来,从而检测出图像中的移动物体。
作为一种可选的实施方式,可以采用二帧差分算法来检测上述图像帧中是否存在移动物体。首先,在获取到上述监控视频的图像帧之后,对上述图像进行预处理。其中,对上述图像帧进行预处理包括:对上述图像帧进行灰度化处理。具体的,从上述图像帧中提取连续两帧图像帧,定义当前图像帧为第k帧,提取图像帧时,选取第k帧和第k-1帧图像帧。然后把提取出来的两帧彩色图像转化为灰度图像,具体采用公式(1)替换掉图像中的RGB值,然后得到选取的两帧图像帧的灰度图像。
Y=0.299*R+0.587*G+0.114*B (1);
得到两帧图象帧的灰度图像之后,求取两帧图像灰度差的绝对值,则静止的物体在差值图像上的灰度差值会很小,而移动物体特别是移动物体的轮廓处由于存在灰度变化将会较大,这样就能根据就差值图像来判断监控画面中是否存在移动物体并大致计算出移动物体的位置、轮廓和移动路径等。记前一图象帧为Fk-1和当前图像帧为Fk-1,两帧图像帧对应像素点的灰度值记为Fk-1(x,y)和Fk(x,y),然后按照(2)两帧图像帧对应像素点的灰度值进行相减,并取其绝对值,得到差分图像Dk(x,y)如下式:
Dk(x,y)=|Fk-1(x,y)-Fk(x,y)| (2);
设定二值化阈值T,按照(3)式逐个对像素点进行二值化处理,得到二值化化图像Rk。其中,灰度值为255的点即为前景(移动物体)点,灰度值为0的点即为背景点;对图像Rk进行连通性分析,最终可得到含有完整移动物体的图像Rk。
若上述差分图像中所有的像素点(x,y)都小于二值化阈值时,则确定当前图像帧相对于前一图形帧没有发生变化,即当前图像帧中不存在移动的物体,因此将当前图像帧作为无效的图像帧,不对当前图像帧进行保存。若上述差值图像中存在大于上述二值化阈值的像素点时,则确定当前图像帧相对于前一图形帧发生了变化,即当前图像帧中存在移动的物体,因此将当前图像帧作为有效图像帧,并根据上述完整移动物体的图像Rk得到移动物体的位置和轮廓信息。
作为另一种可选的实施方式,可以采用三帧差分算法来检测上述图像帧中是否存在移动物体。首先,定义当前图像帧为第k帧,选取连续三帧图像帧分为为第k-2帧、第k-1帧和第k帧,然后对其进行预处理,处理过程和二差分算法类似,不在赘述。
得到连续三帧图象帧的灰度图像之后,分别求取第k-2帧和第k-1帧图像帧的灰度差的绝对值以及第k-1帧和第k帧图像帧的灰度差绝对值,得到两个差分图像,然后将差分图像二值化得到两个二值化图像。最后将两个二值化图像做“与”运算得到最终的二值化图像。具体操作过程和二帧差分算法类似,不在赘述。
作为一种可选的实施方式,经过差分算法得到二值化图像之后,获得的二值化图像通常由于噪声和背景细微变化的干扰往往不一定都是运动目标的文正轮廓,因此要对二值化图像做一些处理,来得到完整的移动物体的区域。在本申请实施例中,采用形态学基本算法来对二值化图像进行去噪,最后得到移动物体清晰的二值图像。具体的,主要采用形态学基本方法有腐蚀、膨胀、开操作和操作四种。上述四种操作属于公知常识,因此不再赘述。
102:根据针对上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。
在本申请实施自理中,当判断出上述监控视频画面中存在移动物体,并提取了移动物体的轮廓之后,通过Camshift算法以及移动物体的轮廓信息来对移动物体的移动轨迹进行跟踪。Camshift是以视频图像中运动物体的颜色信息作为特征,对输入图像的每一帧分别作Mean Shift运算,并将上一帧的目标中心和搜索窗口大小(核函数带宽)作为下一帧Mean shift算法的中心和搜索窗口大小的初始值,如此迭代下去,就可以实现对目标的跟踪。因为在每次搜索前将搜索窗口的位置和大小设置为运动目标当前中心的位置和大小,而运动目标通常在这区域附近,缩短了搜索时间。
其中,通过Camshift算法对移动物体的移动轨迹进行跟踪的具体步骤如下:
1)将整个监控画面设置为搜索区域;
2)初始化搜索窗口的大小和位置;
3)计算搜索窗口内的颜色概率分布(反向投影);
4)运行Meanshift算法,获得搜索窗口新的大小和位置;
5)在下一帧视频图像中,用步骤(4)获得的值初始化搜索窗口的位置和大小,跳转到步骤(3)继续运行。
传统的Camshift算法需要手动的选取被跟踪的移动物体来对移动物体进行跟踪。在本申请实施中,结合帧间差分算法的检测结果来对移动物体进行跟踪。
在本申请实施例中,上述根据上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪,具体包括:
1021:根据上述移动物体的轮廓初始化当前图像帧中搜索窗口的大小和位置。
在本申请实施例中,在根据帧间差分算法检测出当前图像帧中存在移动物体,并根据检测结果的二值图像得到移动物体的轮廓之后,根据上述移动物体的轮廓得到上述移动物体轮廓的外接矩形和位置。然后根据上述外接矩形和位置来初始化当前图像帧中的搜索窗口的大小和位置。
1022:计算上述搜索窗口内移动物体的颜色概率分布得到上述搜索窗口的概率分布图。
由于RGB颜色空间对光照亮度变化较为敏感,为了减少此变化对跟踪效果的影响,首先将图像从RGB空间转换到HSI空间。然后对其中的H分量作直方图,在直方图中代表了不同H分量值出现的概率或者像素个数,就是说可以查找出H分量大小为h的概率或者像素个数,即得到了颜色概率查找表。将图像中每个像素的值用其颜色出现的概率对替换,就得到了颜色概率分布图。这个过程就叫反向投影(Back projection),颜色概率分布图是一个灰度图像。
在本申请实施例中,当初始化当前图像帧中的搜索窗口的大小和位置之后,需要计算搜索窗口内移动物体的颜色概率分布,以便的到上述搜索窗口内移动物体的概率分布图。
具体的,计算目标区域内的颜色直方图。通常是将输入图像转换到HSI颜色空间(或与HIS类似的颜色空间),目标区域为初始设定的搜索窗口范围,分离出色调H分量做该区域的色调直方图计算。这样即得到上述移动物体的颜色直方图,归一化得到概率分布图I(x,y),并将其作为查找表,将H通道图像上的每一个像素点用它的像素值所对应的概率代替,得到概率投影图。
作为一种可选的实施方式,在得到搜索窗口中移动物体的颜色概率分布图像后,由于搜索窗口中包含的并不全是移动物体的像素点,所以上述颜色概率分布图图像中存在噪声和干扰。因此在得到搜索窗口中的颜色概率分布图之后需要对其进行去噪声处理,在申请实施中,可以采用中值滤波向下采样对上述概率分布图像进行噪声去除。
1023:根据上述概率分布图和meanshift算法计算得到上述移动物体在上述当前图像帧中的质心位置和大小。
根据上述搜索窗口的大小和位置,计算搜索窗口的质心位置。具体的,计算搜索窗口内像素的零阶矩和一阶矩来找到搜索窗口的质心所在的位置。设(x,y)为搜索窗口内像素点的位置,I(x,y)是概率分布图中该像素点(x,y)处的像素值。
其中,零阶矩使用(4)式计算得到;
M00=∑x∑yI(x,y) (4);
一阶矩使用(5)和(6)式计算得到;
M10=∑x∑yxI(x,y) (5);
M01=∑x∑yyI(x,y) (6);
搜索窗口的质心(xc,yc)为:
xc=M10/M00 (7);
yc=M01/M00 (8);
然后调整搜索窗口的大小;
宽度:长度:为1.2s。
接下来,移动搜索窗的中心到质心,如果移动距离大于设定的阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸调整。直到窗口中心与质心之间的移动距离小于阈值,或者迭代次数达到某一最大值,认为收敛条件满足,此时,窗口的中心位置和大小为移动物体在当前帧中的质心位置和大小。
1024:根据上述移动物体在上述当前图像帧中的质心位置和大小初始化下一帧图像帧中搜索窗口的大小和位置,将所述下一图像帧作为当前图像帧并触发计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图的步骤。
在本申请实施例中,当得到上述移动物体在当前图像帧中的质心位置和大小之后,保存上述移动物体在当前图像帧中的质心位置和大小。然后,将下一图像帧作为当前图像帧并触发计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图的步骤。具体的,在下一图像帧中,使用上述移动物体在前一图像帧中的质心位置和大小作为输入来初始化下一图像帧中的搜索窗口的大小和位置,重复上述在当前图象帧中计算质心位置和大小的步骤,以便获得下一图像帧中上述移动物体的质心位置和大小,从而达到跟踪上述移动物体的目的。
103:保存存在上述移动物体的视频图像帧和上述移动物体的移动轨迹。
在本申请实施例中,使用帧间差分算法来检测视频图像帧中是否存在移动物体,当检测到当前图像帧中存在移动物体时,则采用Camshift算法对被检测到的移动物体进行跟踪,一直到上述移动物体从视频图像帧中消失,则确定跟踪结束。在跟踪上述移动物体的过程中或者在确定跟踪结束之后,将上述存在移动物体的视频图像帧保存在内存中或者上传至服务器进行保存,而对于不存在移动物体的视频图像帧,则不对其进行保存。
可以看出,本申请实施例通过获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若存在,则提取上述当前图像帧中上述移动物体的轮廓。然后根据上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。最后将存在上述移动物体的视频图像帧和上述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
参见图2,图2是本申请实施例提供的另一种监控视频处理方法的示意流程图,如图所示该方法可包括:
201:获取监控视频的当前图像帧和前一图像帧。
其中,定义当前图像帧为第k帧,前一图象帧为第k-1帧。
202:计算当前图像帧和前一图像帧的差分图像Dk(x,y)。
其中,在得到当前图像帧和前一帧的差分图像Dk(x,y)之前,需要将当前图像帧和前一图像帧进行去噪和灰度化处理。
203:判断是否存在移动物体,若存在移动物体,则执行步骤204,若不存在移动物体,则返回步骤202获取下一图象帧。
具体的,判断差分图像中是否存在差分图像Dk(x,y)>T的区域,若是,则确定第k帧图像帧中存在移动的物体,继续执行步骤204,若否,则确定第k帧图像帧中不存在移动的物体,则继续获取下一帧图像帧,其中T为二值化阈值。
204:将差分图像Dk(x,y)二值化得到二值化图像Rk(x,y)。
205:根据二值化图像提取移动物体的轮廓和位置信息。
在得到二值化图像Rk(x,y)之后,需要对移动区域进行移动物体分割。获得的二值化图像通常由于噪声和背景细微变化的干扰往往不一定都是运动目标的文正轮廓,因此要对二值化图像做一些处理,来得到完整的移动物体的区域。在本申请实施例中,采用形态学基本算法来对二值化图像进行去噪,最后得到移动物体清晰的二值图像。具体的,主要采用形态学基本方法有腐蚀、膨胀、开操作和操作四种。上述四种操作属于公知常识,因此不再赘述。
在本申请实施例中,对上述二值化图像进行处理之后,根据处理之后的二值化图像提取移动物体的轮廓和位置信息。
206:根据移动物体的轮廓和位置信息初始化搜索窗口的大小和位置。
207:将当前图像帧转化为HIS图像。
208:计算搜索窗口内移动物体的色调H的直方图。
209:将直方图作反向投影,得到移动物体的概率分布图I(x,y)。
210:根据概率分布图、搜索窗口的位置以及搜索窗口的大小计算窗口内像素的零阶矩和一阶矩,得到搜索窗口的质心位置。
211:根据上述质心位置调整搜索窗口的中心位置和大小。
212:根据meanshift算法判断是否收敛,若收敛,则将调整后的搜索窗口的中心位置和大小作为初始化下一图象帧中搜索窗口的位置和大小,若不收敛,则回到步骤210。
213:判断移动物体的跟踪是否结束,若跟踪结束,则保存存在移动物体的图像帧和移动物体的移动轨迹。
可以看出,本申请实施例通过获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若存在,则提取上述当前图像帧中上述移动物体的轮廓。然后根据上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。最后将存在上述移动物体的视频图像帧和上述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
参见图3,图3是本申请实施例提供的另一种监控视频处理方法的示意流程图,如图所示该方法可包括:
301:获取监控视频的当前图像帧和前两帧图像帧。
其中,定义当前图像帧为第k帧图像帧,前两帧图象帧分别为第k-1帧图像帧和第k-2帧图像帧。
302:计算当前图像帧和前一图像帧的差分图像Dk1(x,y),以及前两帧图象帧的差分图像Dk2(x,y)。
其中,在得到差分图像之前,需要将当前图像帧和前一图像帧进行去噪和灰度化处理。
303:将两幅差分图像做“与操作”得到最终的差分图Dk(x,y)。
304:判断是否存在移动物体,若存在移动物体,则执行步骤204,若不存在移动物体,则返回步骤202获取下一图象帧。
具体的,判断差分图像中是否存在差分图像Dk(x,y)>T的区域,若是,则确定第k帧图像帧中存在移动的物体,继续执行步骤204,若否,则确定第k帧图像帧中不存在移动的物体,则继续获取下一帧图像帧,其中T为二值化阈值。
305:将差分图像Dk(x,y)二值化得到二值化图像Rk(x,y)。
306:根据二值化图像提取移动物体的轮廓和位置信息。
在得到二值化图像Rk(x,y)之后,需要对移动区域进行移动物体分割。获得的二值化图像通常由于噪声和背景细微变化的干扰往往不一定都是运动目标的文正轮廓,因此要对二值化图像做一些处理,来得到完整的移动物体的区域。在本申请实施例中,采用形态学基本算法来对二值化图像进行去噪,最后得到移动物体清晰的二值图像。具体的,主要采用形态学基本方法有腐蚀、膨胀、开操作和操作四种。上述四种操作属于公知常识,因此不再赘述。
在本申请实施例中,对上述二值化图像进行处理之后,根据处理之后的二值化图像提取移动物体的轮廓和位置信息。
307:根据移动物体的轮廓和位置信息初始化搜索窗口的大小和位置。
308:将当前图像帧转化为HIS图像。
309:计算搜索窗口内移动物体的色调H的直方图。
310:将直方图作反向投影,得到移动物体的概率分布图I(x,y)。
311:根据概率分布图、搜索窗口的位置以及搜索窗口的大小计算窗口内像素的零阶矩和一阶矩,得到搜索窗口的质心位置。
312:根据上述质心位置调整搜索窗口的中心位置和大小。
313:根据meanshift算法判断是否收敛,若收敛,则将调整后的搜索窗口的中心位置和大小作为初始化下一图象帧中搜索窗口的位置和大小,若不收敛,则回到步骤311。
314:判断移动物体的跟踪是否结束,若跟踪结束,则保存存在移动物体的图像帧和移动物体的移动轨迹。
可以看出,本申请实施例通过获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若存在,则提取上述当前图像帧中上述移动物体的轮廓。然后根据上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。最后将存在上述移动物体的视频图像帧和上述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
本申请实施例还提供一种监控视频处理装置,该监控视频处理装置用于执行前述任一项上述的方法的单元。具体地,参见图4,图4是本申请实施例提供的一种监控视频处理装置的示意框图。本实施例的监控视频处理装置包括:获取单元401、判断单元402、提取单元403、跟踪单元404、保存单元405。
上述获取单元401,用于获取监控视频的视频图像帧。
上述判断单元402,用于利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体。
上述提取单元403,用于在上述判断单元402判断为存在移动物体的情况下,提取上述当前图像帧中上述移动物体的轮廓。
上述跟踪单元404,用于根据针对上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。
上述保存单元405,用于保存存在上述移动物体的视频图像帧和上述移动物体的移动轨迹。
作为一种可选的实施方式,上述监控视频处理装置,还包括:
处理单元406,用于对上述视频图像帧进行预处理,上述预处理包括灰度化处理。
作为一种可选的实施方式,上述判断单元包括:
第一计算单元407,用于将上述当前图帧和上述当前图像帧的前一图像帧做差分运算,或者将上述当前图帧和上述当前图像帧的前两帧图像帧做差分运算,得到差分图像。
确定单元408,用于在上述差分图像中存在像素点灰度值大于二值化阈值的区域时,确定图像帧中存在移动物体。
作为一种可选的实施方式,上述提取单元403包括:
二值化单元409,用于根据上述二值化阈值将上述差分图像二值化得到二值化图像。
上述提取单元用于403,根据上述二值化图像提取上述移动物体的轮廓和位置。
作为一种可选的实施方式,上述处理单元406,还用于使用形态学基本算法对上述二值化图像进行噪声处理。
作为一种可选的实施方式,上述跟踪单元404包括:
初始单元410,用于根据上述移动物体的轮廓初始化当前图像帧中搜索窗口的大小和位置。
第二计算单元411,用于计算上述搜索窗口内移动物体的颜色概率分布得到上述搜索窗口的概率分布图。
上述第二计算单元411,还用于根据上述概率分布图和meanshift算法计算得到上述移动物体在上述当前图像帧中的质心位置和大小。
上述初始化单元410,还用于根据上述移动物体在上述当前图像帧中的质心位置和大小初始化下一帧图像帧中搜索窗口的大小和位置,将所述下一图像帧作为当前图像帧并触发计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图的步骤。
作为一种可选的实施方式,上述处理单元406,还用于采用中值滤波的方法对上述搜索窗口的概率分布图进行去燥处理。
可以看出,本申请实施例通过获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若存在,则提取上述当前图像帧中上述移动物体的轮廓。然后根据上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪。最后将存在上述移动物体的视频图像帧和上述移动物体的移动轨迹保存起来。通过本申请实施例,可有效的对监控视频中存在移动物体的视频片段进行检测并对移动物体进行跟踪,且在保存监控视频的过程中只保存存在移动物体的监控视频片段,节省了存储空间。
参见图5,图5是本发明另一实施例提供的一种监控视频处理装置示意框图。如图所示的本实施例中的监控视频处理装置可以包括:一个或多个处理器501;一个或多个输入设备502,一个或多个输出设备503和存储器504。上述处理器501、输入设备502、输出设备503和存储器504通过总线505连接。存储器502用于存储计算机程序,上述计算机程序包括程序指令,处理器501用于执行存储器502存储的程序指令。其中,处理器501被配置用于调用上述程序指令执行:获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若当前图象帧中存在移动物体,则提取上述当前图像帧中上述移动物体的轮廓;根据针对上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪;保存存在上述移动物体的视频图像帧和上述移动物体的移动轨迹。
应当理解,在本发明实施例中,所称处理器501可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备502可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备503可以包括显示器(LCD等)、扬声器等。
该存储器504可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储504的一部分还可以包括非易失性随机存取存储器。例如,存储器504还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器501、输入设备502、输出设备503可执行本发明实施例提供的一种监控视频处理方法的第一实施例、第二实施例和第三实施例中所描述的实现方式,也可执行本发明实施例所描述的监控视频处理装置的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序包括程序指令,上述程序指令被处理器执行时实现:获取监控视频的视频图像帧,利用帧间差分算法判断上述视频图像帧中的当前图像帧中是否存在移动物体;若当前图象帧中存在移动物体,则提取上述当前图像帧中上述移动物体的轮廓;根据针对上述移动物体的轮廓结合Camshift算法对上述移动物体的移动轨迹进行跟踪;保存存在上述移动物体的视频图像帧和上述移动物体的移动轨迹。
上述计算机可读存储介质可以是前述任一实施例上述的监控视频处理装置的内部存储单元,例如监控视频处理装置的硬盘或内存。上述计算机可读存储介质也可以是上述监控视频处理装置的外部存储设备,例如上述监控视频处理装置上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,上述计算机可读存储介质还可以既包括上述监控视频处理装置的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述监控视频处理装置所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,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。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的端设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的监控视频处理装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
上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单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以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,或者该技术方案的全部或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上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-OnlyMemory)、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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种监控视频处理方法,其特征在于,包括:
获取监控视频的视频图像帧,利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体;
若当前图象帧中存在移动物体,则提取所述当前图像帧中所述移动物体的轮廓;
根据针对所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪;
保存存在所述移动物体的视频图像帧和所述移动物体的移动轨迹。
2.根据权利要求1所述的方法,其特征在于,在所述利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体之前,所述方法还包括:
对所述视频图像帧进行预处理,所述预处理包括灰度化处理。
3.根据权利要求1所述的方法,其特征在于,所述利用帧间差分算法判断所述视频图像帧中的当前图像帧中是否存在移动物体包括:
将所述当前图帧和所述当前图像帧的前一图像帧做差分运算,或者将所述当前图帧和所述当前图像帧的前两帧图像帧做差分运算,得到差分图像;
判断所述差分图像中是否存在像素点灰度值大于二值化阈值的区域;
若所述差分图像中存在相熟点灰度值大于二值化阈值的区域,则确定图像帧中存在移动物体。
4.根据权利要求3所述的方法,其特征在于,所述提取所述当前图像帧中所述移动物体的轮廓包括:
根据所述二值化阈值将所述差分图像二值化得到二值化图像;
根据所述二值化图像提取所述移动物体的轮廓和位置。
5.根据权利要求4所述的方法,其特征在于,在所述根据所述二值化阈值将所述差分图像二值化得到二值化图像之后,在所述根据所述二值化图像提取所述移动物体的轮廓和位置之前,所述方法还包括:
使用形态学基本算法对所述二值化图像进行噪声处理。
6.根据权利要求1所述的方法,其特征在于,所述根据所述移动物体的轮廓结合Camshift算法对所述移动物体的移动轨迹进行跟踪包括:
根据所述移动物体的轮廓初始化当前图像帧中搜索窗口的大小和位置;
计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图;
根据所述概率分布图和meanshift算法计算得到所述移动物体在所述当前图像帧中的质心位置和大小;
根据所述移动物体在所述当前图像帧中的质心位置和大小初始化下一帧图像帧中搜索窗口的大小和位置,将所述下一图像帧作为当前图像帧并触发计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图的步骤。
7.根据权利要求6所述的方法,其特征在于,在所述计算所述搜索窗口内移动物体的颜色概率分布得到所述搜索窗口的概率分布图之后,在所述根据所述概率分布图和meanshift算法计算得到所述移动物体在所述当前图像帧中的质心位置和大小之前,所述方法还包括:
采用中值滤波的方法对所述搜索窗口的概率分布图进行去燥处理。
8.一种监控视频处理装置,其特征在于,包括用于执行如权利要求1-7任一权利要求所述的方法的单元。
9.一种监控视频处理装置,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908231.0A CN109118510A (zh) | 2018-08-10 | 2018-08-10 | 一种监控视频处理方法、装置及计算机可读介质 |
PCT/CN2018/123511 WO2020029518A1 (zh) | 2018-08-10 | 2018-12-25 | 一种监控视频处理方法、装置及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908231.0A CN109118510A (zh) | 2018-08-10 | 2018-08-10 | 一种监控视频处理方法、装置及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118510A true CN109118510A (zh) | 2019-01-01 |
Family
ID=64851773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810908231.0A Pending CN109118510A (zh) | 2018-08-10 | 2018-08-10 | 一种监控视频处理方法、装置及计算机可读介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109118510A (zh) |
WO (1) | WO2020029518A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815898A (zh) * | 2019-01-24 | 2019-05-28 | 广州市天河区保安服务公司 | 市区监控图像采集存储方法及系统 |
CN110415295A (zh) * | 2019-07-03 | 2019-11-05 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
CN110913181A (zh) * | 2019-12-06 | 2020-03-24 | 太原师范学院 | 一种基于边缘计算的仓库视频监控系统 |
CN111107314A (zh) * | 2019-12-06 | 2020-05-05 | 江苏苏宁物流有限公司 | 一种仓库物流的监控方法和系统 |
CN111368785A (zh) * | 2020-03-17 | 2020-07-03 | 广东智媒云图科技股份有限公司 | 一种摄像头遮挡判断方法、装置、设备及存储介质 |
WO2020259264A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 主体追踪方法、电子设备和计算机可读存储介质 |
CN112492196A (zh) * | 2020-10-29 | 2021-03-12 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
CN112700467A (zh) * | 2019-10-22 | 2021-04-23 | 株洲中车时代电气股份有限公司 | 一种基于运动轨迹的人物跟踪方法及系统 |
CN112712543A (zh) * | 2019-10-25 | 2021-04-27 | 北京京东振世信息技术有限公司 | 物品运送轨迹检测方法、装置以及存储介质 |
CN112969037A (zh) * | 2021-02-26 | 2021-06-15 | 北京卓视智通科技有限责任公司 | 一种视频图像侧向融合拼接方法、电子设备及存储介质 |
CN113158926A (zh) * | 2021-04-26 | 2021-07-23 | 广东博智林机器人有限公司 | 一种高空抛物轨迹判别方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427346A (zh) * | 2015-12-01 | 2016-03-23 | 中国农业大学 | 一种运动目标跟踪方法及系统 |
CN106937090A (zh) * | 2017-04-01 | 2017-07-07 | 广东浪潮大数据研究有限公司 | 一种视频存储的方法以及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI393074B (zh) * | 2009-12-10 | 2013-04-11 | Ind Tech Res Inst | 移動物體偵測裝置與方法 |
US9147260B2 (en) * | 2010-12-20 | 2015-09-29 | International Business Machines Corporation | Detection and tracking of moving objects |
CN102903119B (zh) * | 2012-05-22 | 2016-01-20 | 通号通信信息集团有限公司 | 一种目标跟踪方法和装置 |
CN107705322A (zh) * | 2017-09-27 | 2018-02-16 | 中北大学 | 运动目标识别跟踪方法和系统 |
-
2018
- 2018-08-10 CN CN201810908231.0A patent/CN109118510A/zh active Pending
- 2018-12-25 WO PCT/CN2018/123511 patent/WO2020029518A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427346A (zh) * | 2015-12-01 | 2016-03-23 | 中国农业大学 | 一种运动目标跟踪方法及系统 |
CN106937090A (zh) * | 2017-04-01 | 2017-07-07 | 广东浪潮大数据研究有限公司 | 一种视频存储的方法以及装置 |
Non-Patent Citations (1)
Title |
---|
李乃安 等: "实时目标检测与跟踪系统的设计与实现", 激光与红外 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815898A (zh) * | 2019-01-24 | 2019-05-28 | 广州市天河区保安服务公司 | 市区监控图像采集存储方法及系统 |
WO2020259264A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 主体追踪方法、电子设备和计算机可读存储介质 |
CN110415295A (zh) * | 2019-07-03 | 2019-11-05 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
WO2021000418A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
CN110415295B (zh) * | 2019-07-03 | 2024-02-27 | 平安科技(深圳)有限公司 | 图像数据处理方法和图像数据处理设备 |
CN112700467A (zh) * | 2019-10-22 | 2021-04-23 | 株洲中车时代电气股份有限公司 | 一种基于运动轨迹的人物跟踪方法及系统 |
CN112712543A (zh) * | 2019-10-25 | 2021-04-27 | 北京京东振世信息技术有限公司 | 物品运送轨迹检测方法、装置以及存储介质 |
CN110913181A (zh) * | 2019-12-06 | 2020-03-24 | 太原师范学院 | 一种基于边缘计算的仓库视频监控系统 |
CN111107314A (zh) * | 2019-12-06 | 2020-05-05 | 江苏苏宁物流有限公司 | 一种仓库物流的监控方法和系统 |
CN111368785A (zh) * | 2020-03-17 | 2020-07-03 | 广东智媒云图科技股份有限公司 | 一种摄像头遮挡判断方法、装置、设备及存储介质 |
CN111368785B (zh) * | 2020-03-17 | 2023-08-25 | 广东智媒云图科技股份有限公司 | 一种摄像头遮挡判断方法、装置、设备及存储介质 |
CN112492196B (zh) * | 2020-10-29 | 2022-01-07 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
CN112492196A (zh) * | 2020-10-29 | 2021-03-12 | 贝壳技术有限公司 | 一种直播进行中主播跟踪方法、装置及系统 |
CN112969037A (zh) * | 2021-02-26 | 2021-06-15 | 北京卓视智通科技有限责任公司 | 一种视频图像侧向融合拼接方法、电子设备及存储介质 |
CN113158926A (zh) * | 2021-04-26 | 2021-07-23 | 广东博智林机器人有限公司 | 一种高空抛物轨迹判别方法、装置、设备及存储介质 |
CN113158926B (zh) * | 2021-04-26 | 2022-04-15 | 广东博智林机器人有限公司 | 一种高空抛物轨迹判别方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020029518A1 (zh) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118510A (zh) | 一种监控视频处理方法、装置及计算机可读介质 | |
US10445590B2 (en) | Image processing apparatus and method and monitoring system | |
Chandel et al. | Image filtering algorithms and techniques: A review | |
Desa et al. | Image subtraction for real time moving object extraction | |
Sengar et al. | A novel method for moving object detection based on block based frame differencing | |
WO2005048191A3 (en) | Object detection in images | |
Pawaskar et al. | Detection of moving object based on background subtraction | |
CN110348425B (zh) | 去底纹的方法、装置、设备及计算机可读存储介质 | |
CN114897728A (zh) | 图像增强方法、装置、终端设备以及存储介质 | |
CN116740126A (zh) | 目标跟踪方法、高速相机及存储介质 | |
Zheng et al. | Hand segmentation based on improved gaussian mixture model | |
CN104933688B (zh) | 一种数据处理方法及电子设备 | |
CN113542868A (zh) | 视频关键帧选取方法、装置、电子设备、存储介质 | |
JP4935504B2 (ja) | 消失点推定装置及びプログラム | |
EP3994607A1 (en) | Method to generate a slap/fingers foreground mask | |
Su et al. | Moving object segmentation using improved running gaussian average background model | |
Jodoin et al. | Motion detection with an unstable camera | |
Wang et al. | A dynamic Hidden Markov Random Field Model for foreground and shadow segmentation | |
Chan et al. | Real-time memory-efficient video object segmentation in dynamic background with multi-background registration technique | |
JP6555940B2 (ja) | 被写体追跡装置、撮像装置、及び被写体追跡装置の制御方法 | |
CN112967321A (zh) | 运动目标的检测方法、装置、终端设备及存储介质 | |
CN112907621A (zh) | 一种基于差分和语义信息融合的运动目标提取方法 | |
Yang et al. | Dual frame differences based background extraction algorithm | |
CN109934870A (zh) | 目标检测方法、装置、设备、计算机设备和存储介质 | |
Hall et al. | Foreground and background reconstruction in Poisson video |
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 |