CN109241811A - 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统 - Google Patents

基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统 Download PDF

Info

Publication number
CN109241811A
CN109241811A CN201710556060.5A CN201710556060A CN109241811A CN 109241811 A CN109241811 A CN 109241811A CN 201710556060 A CN201710556060 A CN 201710556060A CN 109241811 A CN109241811 A CN 109241811A
Authority
CN
China
Prior art keywords
information
scene
target
scene information
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710556060.5A
Other languages
English (en)
Other versions
CN109241811B (zh
Inventor
郑李明
于涛
崔兵兵
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.)
Nanjing Original Mdt Infotech Ltd
Original Assignee
Nanjing Original Mdt Infotech Ltd
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 Nanjing Original Mdt Infotech Ltd filed Critical Nanjing Original Mdt Infotech Ltd
Priority to CN201710556060.5A priority Critical patent/CN109241811B/zh
Priority to US15/800,104 priority patent/US20190014239A1/en
Publication of CN109241811A publication Critical patent/CN109241811A/zh
Application granted granted Critical
Publication of CN109241811B publication Critical patent/CN109241811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/14—Picture signal circuitry for video frequency region
    • H04N5/147—Scene change detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • 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
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种场景分析方法及监控装置，该场景分析方法包含有：接收拍摄获得的场景信息；对该场景信息中的不同目标进行分析，获取各该目标的特征信息；将分析获得的特征信息对外传送至外部设备，或关联所述特征信息至所述场景信息并存储于存储器，根据存储在存储器中的所述特征信息调用该特征信息所对应的所述场景信息。本发明能够检索特征信息获取对应的场景信息，当本发明的场景方法使用于监控应用时，能根据特征信息对监控获取的场景信息中提取出特定目标，节约人工成本，提高监控信息的利用效率。

Description

基于图像螺旋线的场景分析方法及使用该方法的场景目标监 控系统
技术领域
本发明涉及一种图像处理技术，特别是指一种场景分析方法及采用该场景分析方法的监控装置。
背景技术
现有技术的监控装置多通过摄像头采集图像信息后进行留存，在需要调用监控信息时，需要人工来观看图像以筛选分析识别图像中的目标，方可使用。这一过程会耗费大量的人力物力；此外，人工筛选极易产生信息上的疏漏，使得监控信息的利用结果并不理想。
发明内容
鉴于现有技术中存在的上述问题，本发明提供一种场景分析方法及采用该场景分析方法的监控装置。
该场景分析方法包括如下步骤：
a.接收拍摄获得的场景信息，其中，该场景信息中包含有目标；
b.对该场景信息中的不同目标进行分析，获取各该目标的特征信息；
c.将分析获得的特征信息对外传送至外部设备，或关联所述特征信息至所述场景信息并存储于存储器，根据存储在存储器中的所述特征信息调用该特征信息所对应的所述场景信息。
在步骤a中，接收由图像获取装置实时拍摄的场景信息。
在步骤a中，接收由数据库所储存的场景信息。
优选的，该特征信息包含目标的轮廓形状、纹理或颜色。
进一步优选的：
在a步骤中，获取不同时刻的场景信息；
在b步骤中，分别对不同时刻的场景信息中的不同目标进行分析，获取各该目标的特征信息，且b步骤进一步包括一子步骤b1:
b1.分析各该目标的位置信息；
在c步骤中，将分析获得的包括位置信息的特征信息对外传送至所述服务器，或关联所述特征信息和位置信息至所述场景信息并存储于所述存储器，根据所述存储中存储的位置信息的调用任何一个或多个对场景信息。
优选的，在步骤a中，接收由图像获取装置实时拍摄的场景信息。
优选的，在步骤a中，该图像获取装置为设置在一固定位置的图像获取装置。
优选的，在步骤a中，该图像获取装置具有一视野，该视野基于一螺旋线截取若干采样点或采样栅格，该螺旋线的起点为该视野的中心。
优选的，在步骤a中，所述采样点沿螺旋线根据视野的长宽比等距离分布，采样点从螺旋线的起点至螺旋线的终点由小到大编号。螺旋线编号的总数为奇数的二次幂。起点0，终点为奇数二次幂减1，形成以顺次排列的奇数的二次幂和顺次排列的偶数的二次幂为对角线的视野。
优选的，在步骤b1中，以该采样点为基准，对该场景信息中的目标的空间位置信息进行分析，以确定目标在视野中的移动方向。
优选的，在步骤b1中，当目标在视野螺旋线中心位置附近消失时，暂时保留其特征信息。
本发明另一方面提供采用上述场景分析方法的监控系统，其特征在于，包括：
一图像分析装置，用于接收一场景信息，该场景信息中包含有目标，图像分析装置对该场景信息中的不同目标进行分析，获取各该目标的特征信息，并能够将特征信息与该场景信息关联；
一存储器，与该图像分析装置相连，用于存储分析的结果；
一服务器，与该图像分析装置及该存储器相连，用于获取分析结果及调取存储器中存储的资料。
优选的所述监控系统中，进一步包括图像获取装置，用于拍摄获取该场景信息，该图像获取装置与该图像分析装置相连。
优选的所述监控系统中，该图像分析装置为分析芯片，该分析芯片位于该图像获取装置端。
优选的所述监控系统中，进一步包括一数据库，用于存储该场景信息，该数据库与该图像分析装置相连。
优选的所述监控系统中，该图像分析装置为云端服务器，对获取的场景信息进行分析。
优选的所述监控系统中，该服务器进一步与该图像获取装置相连，能够控制该图像获取装置获取场景信息，并能够控制该图像分析装置对图像获取装置获取的信息进行分析。
优选的所述监控系统中，该图像分析装置能够将特征信息与文字、语言或一定的预设动作、操作进行关联，以通过文字、语言或一定的预设动作、操作调用该特征信息。
本发明通过采用上述技术方案，通过借助聚类识别的方法对场景信息中的目标及其特征信息进行提取，通过采用图像深度识别技术和螺旋线标定将目标的位置信息和运动行进信息增加入特征信息，并将特征信息与场景信息进行关联，从而能够检索特征信息获取对应的场景信息，实现对监控获取的场景信息提取的自动化，节约人工成本，提高监控信息的利用效率。
附图说明
图1:本发明监控系统的结构方块图。
图2:本发明用于采样的螺旋线。
图3:本发明使用螺旋线判断目标位置的示意图。
图4:本发明使用螺旋线判断目标位置改变后的示意图。
图5:本发明使用多个图像获取装置协同监控的示意图。
图6:本发明监控方法的流程图。
具体实施方式
以下配合附图及本发明的较佳实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。
本发明提供一种监控系统，其结构如图1所示，包括，图像分析装置1,存储器2以及服务器3。
该图像分析装置1用于接收场景信息，该场景信息中包含有目标，图像分析装置1对场景信息中的不同目标进行分析，获取各该目标的特征信息。该存储器2与该图像分析装置1相连，用于存储分析结果,例如存储各目标的特征信息；在一实施例中，特征信息为目标的外观信息，包括但不限于目标的轮廓形状、纹理或颜色。该服务器3用于从该图像分析装置1获取分析结果且该服务器3与该存储器2相连用于调取存储器2中存储的资料。
在本发明的一实施例中，图像分析装置1接收的场景信息可以来自一图像获取装置5采集的场景信息，进一步优选的，该图像分析装置1可为一视觉芯片，集成在该图像获取装置5中，该图像分析装置1可为一FPGA视觉芯片。
在本发明的另一实施例中，该图像分析装置1接收的场景信息可以来自一数据库6中预存的场景信息。
该图像分析装置1能够接受场景信息，并对场景信息进行分析识别，识别出在场景信息中的目标，并获取该目标的特征信息。
优选的，图像分析装置1识别目标及获取特征信息的方式，可以通过类地重力场环境下的单目空间识别的聚类识别方法分析场景信息中的目标，具体步骤为：
(1)首先对场景信息进行基于像素色彩及空间位置的超像素图像分割；
(2)运用基于超像素特征的谱聚类算法，将超像素降维至大图块聚类图像，优选的，该谱聚类算法所依据的特征包括但不限于超像素颜色空间距离、纹理特征向量距离、几何邻接关系等；
(3)对大块聚类图像进行分类，具体为：根据天空、地面及物体的推理模型结合图像的透视特性构建重力场模糊分布密度函数，通过该密度函数计算出大图块像素的期望值以对大图块像素进行分类，形成分类图；
(4)对初步分类的分类图采用进一步的一层小波采样、曼哈顿方向提取等特性分类算法提取出准确的天空、地面和物体分类图，从而识别出场景信息中的不同目标。
(5)对识别出的目标的轮廓形状、纹理或颜色等特征进行提取，生成特征信息。
进一步优选的，图像分析装置1完成对场景信息的聚类识别后，还能够对每一场景信息及场景信息中的目标，基于小孔成像模型及地面线性透视信息进行深度感知，从而完成由图像获取装置获取的平面场景信息向立体场景信息转换，从而能够基于每一目标所占有的视野区域中的面积来推算出该目标与图像获取装置5的相对位置关系。优选的，除了每一目标所占有的视野区域的面积外，还能够根据包括但不限于每一目标在该场景信息中所占有的超像素点的个数、该每一目标的轮廓的大小、每一目标距离该场景信息中心点的距离或每一目标距离该场景信息边缘的距离等特征中的一个或多个结合来实现对每一目标与该场景信息的采集点位置关系的推算。并将位置关系的相关信息一并生成在特征信息中。
当图像分析装置1接收的到两个以上的场景信息或接收到连续的场景信息时，会分析场景信息中是否包含有相同的目标。当具有相同目标时，通过该目标的位置关系变化来分析该目标的移动状态。对同一目标而言，如果在较先获取的场景信息中该目标的位置较远(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较少)，在较后获取的场景信息中该目标的位置较近(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较多)，则可以判定该目标与该场景信息的采集点为相向移动；相对的，如果在较先获取的场景信息中该目标的位置较近(即，例如该目标在较先获取的场景信息中所占有的超像素点个数较多)，在较后获取的场景信息中该目标的位置较远(即，例如该目标在较先获取的场景信息中所占有的超像素点个数较少)，则可以判定该目标与该场景信息图像采集点为反向移动。将上述推算出的空间移动关系结合目标在场景信息中的移动情况，可以推算出该目标在该组场景信息所对应的三维空间中目标的实际行进方向。该行进方向相关的信息一并生成在特征信息中。
在优选的，对于在获取的该组场景信息中较后时刻获取的场景信息中，如果一目标突然消失，基于该目标的消失位置判断是否为正常消失：如果是在场景信息的视野边缘处消失，为正常消失；如果不是在视野信息的视野边缘处消失，为非正常消失。在目标非正常消失的情况下，保留对该目标的特征信息记录，自该场景信息获取的时间点起，向较后再获取的场景信息中寻找该目标，至再次发现该目标时，进行上述比对分析，完善该目标特征信息。进一步优选的，为在实际操作中节约设备成本，对目标信息的保留可以设定一特定时间，超出该特定时间后，则不再针对该目标进行寻找。
优选的，图像分析装置分析场景信息时，如图2所示，采集该场景信息时具有一采集视野，该视野基于一螺旋线截取若干采样点或采样栅格，该螺旋线的起点为该视野的中心，该螺旋线的起点为该视野的中心。
进一步优选的，所述采样点或采样栅格从螺旋线的起点至螺旋线的终点由大到小编号。优选的，所述采样点或采样栅格沿螺旋线等间距分布。优选的，所述采样点或采样栅格从螺旋线的起点至螺旋线的终点由小到大编号。进一步优选的，所述采样点或采样栅格的数量为某一奇数的2次幂。进一步优选的，该螺旋线的终点结束于靠近该视野边缘处。进一步优选的，如图2所示，该螺旋线的终点结束于视野边缘的角落处。这一采样点和采样栅格排列方式，呈现出一定的规律，如图所示，螺旋线为顺时针旋转，此时，右上角对角线的采样点或采样栅格的编号依次为(2n)2(n为螺旋线的圈数，中心点不计入，下同)，左下角对角线采样点或采样栅格的编号依次为(2n-1)2，左上角对角线的采样点或采样栅格的编号依次为(2n)2-2n，右下角对角线的采样点或采样栅格的编号依次为(2n-1)2-(2n-1)。根据这一规律，可以快速的根据采样点或采样栅格的编号，确定该采样点或采样栅格在视野中的具体位置。
采用螺旋线标定该视野后，在分析场景信息过程中对场景信息中目标进行超像素图像分割及聚类识别时、对场景信息进行深度感知时、对目标位置关系推算时、确定目标位置时、判断目标行进方式时，都可以基于所述采样点或采样栅格进行相应的分析操作。通过引入编号的采样点或采样栅格，根据采样点的编号与对角线和中心编号的数字关系，可以快速确定超像素点、聚类识大图块以及目标的位置；同时采样点还能起到标尺的作用，易于确定目标的位置以及目标和图像获取装置的距离；再者，根据目标包括的采样点和采样栅格的数量，结合对场景信息的深度感知，可以快速确定目标所所占有的场景中的区域占有的面积、所占有的超像素点的个数、轮廓的大小、距离该场景信息中心点的距离或距离该场景信息边缘的距离等特征，从而快速推算位置关系。例如在图3中的目标为小狗，目标所涵盖的螺旋线采样点的编号包含有44、45、75及76，但随着目标的位置改变，如图4所示，目标涵盖的螺旋线采样点的编号增加为44、45、46、76、76及77，可根据采样点的编号判断出目标的位置变化。因为图像获取装置5若设置在固定位置，拍摄获取到画面背景几乎不变，因此目标的位置关系、移动方向等信息可以参考螺旋线采样点快速判断得到。
进一步优选的，采用螺旋线标定该视野后，在进行目标的聚类分析时，可以配合采用申请号：201510068199.6的一种图像处理方法专利，将螺旋线的采样点或采样栅格作为种子进行聚类运算，从而使该方法的聚类运算能够更快更精准的进行。
本发明图像分析装置1分析获得目标及目标对应的特征信息后，会将特征信息与相应的目标、该目标所处的场景信息、以及场景信息的获取时间等信息之间建立对应关系，通过上述内容的任何一点可以检索到其它的内容。譬如，确定某一特征信息，可以检索到包含该特征信息的目标，检索到包含该特征信息的所对应目标所处的场景信息，检索包含该特征信息目标所处场景信息的获取时间等。
优选的，图像分析装置1能够将该特征信息进行二次分析，以将该特征信息的内容与文字、语言或一定的预设动作、操作等内容进行关联，可通过文字检索、语音查找、动作指示、操作的方式对该特征信息进行检索，从而能够通过特文字检索、语音查找、动作指示、操作的方式实现检索。
如图1所示，外部设备4可以与该图像分析装置1相连，通过操作该外部设备4对图像分析装置1的分析结果直接进行调用，从而做到通过特征信息寻找目标，进而寻找场景信息或该场景信息获取的时间等。优选的，可通过该外部设备4将文字、语言或一定的预设动作、操作等内容输入，调取图像分析装置1分析获得的特征信息、目标，以获取相应特征信息或目标的统计分析结果，也可以通过特征信息，目标，调取对应的场景信息，或场景信息采集时间信息。
该图像分析装置1还能够将分析获得的目标及特征信息与场景信息进行拟合，并将拟合信息存储至存储器2。从而能够通过服务器3从存储器2中存储的场景信息进行调用。可以通过操作该服务器3对图像分析装置1的分析结果直接进行调用，从而做到通过特征信息寻找目标，通过特征信息寻找目标进而寻找场景信息或该场景信息获取的时间等。优选的，可通过该服务器3将文字、人类语言或一定的预设动作、操作等内容输入，调取图像分析装置1分析获得的特征信息、目标，以获取相应特征信息或目标的统计分析结果，也可以通过特征信息，目标，调取对应的场景信息，或场景信息采集时间能信息。优选的，该服务器3可通过云端与存储器2相连。
如图1所示，优选的，该服务器3还可以进一步与该图像获取装置5相连，从而操控图像获取装置5对一定方位的场景信息进行采集。通过多个图像获取装置5的协同，可以达到对一定区域的监控管制。譬如，如图5所示，对单一区域场景布置两个或两个以上的图像获取装置5a～5f，从而可以实现对目标S的移动走向的精确监测，譬如当有盗窃事件发生时，可以藉此确定目标S的行踪及移动路线，得知目标S即将前往的街区；如果多个街区均安装有此类监控系统，可以通过多个街区联动，追踪到目标，从而抓获目标。
本发明另一方面提供一种场景分析方法，其一实施步骤流程图如图6所示，包括如下步骤：
a.接收在一拍摄获得的场景信息，其中，该场景信息中包含有目标；
b.对该场景信息中的不同目标进行分析，获取各该目标的特征信息；
c.将分析获得的特征信息对外传送至一外部设备，或关联所述特征信息至所述场景信息并存储于一存储器，根据存储在存储器中的所述特征信息调用该特征信息所对应的所述场景信息。
其中，在步骤a中，接收由一图像获取装置实时拍摄的场景信息或接收由一数据库所储存的场景信息。
在b步骤中，可以通过类地重力场环境下的单目空间识别的聚类识别方法分析场景信息中的目标，具体步骤为：
(1)首先对场景信息进行基于像素色彩及空间位置的超像素图像分割；
(2)运用基于超像素特征的谱聚类算法将超像素降维至大图块聚类图像，优选的，该谱聚类算法所依据的特征包括但不限于超像素颜色空间距离、纹理特征向量距离、几何邻接关系等；
(3)对大块聚类图像进行分类，具体为：根据天空、地面及物体的推理模型结合图像的透视特性构建重力场模糊分布密度函数，通过该密度函数计算出大图块像素的期望值以对大图块像素进行分类，形成分类图；
(4)对初步分类的分类图采用进一步的一层小波采样、曼哈顿方向提取等特性分类算法提取出准确的天空、地面和物体分类图，从而识别出场景信息中的不同目标。
(5)对识别出的目标的轮廓形状、纹理或颜色等特征进行提取，生成特征信息。
本发明进一步提供另一种场景分析方法，其中：
在a步骤中，获取不同时刻的场景信息；
在b步骤中，分别对不同时刻的场景信息中的不同目标进行分析，获取各该目标的特征信息，且b步骤进一步包括一子步骤b1:
b1.分析各该目标的空间位置信息；
在c步骤中，将分析获得的包括位置信息的特征信息对外传送至所述服务器，或关联所述特征信息和位置信息至所述场景信息并存储于所述存储器，根据所述存储器中存储的空间位置信息的调用任何一个或多个对场景信息。
在该b1步骤中，对每一场景信息及场景信息中的目标，基于小孔成像模型及地面线性透视信息进行深度感知，从而完成单目图像获取装置获取的平面场景信息向立体场景信息转换，从而能够基于每一目标所占有的视野区域中的面积来推算出该目标与图像获取装置的相对位置关系，优选的，除了每一目标所占有的视野区域的面积外，还能够根据包括但不限于每一目标在该场景信息中所占有的超像素点的个数、该每一目标的轮廓的大小、每一目标距离该场景信息中心点的距离或每一目标距离该场景信息边缘的距离等特征中的一个或多个结合来实现对每一目标与该场景信息的采集点位置关系的推算。
在该b1步骤中，当接收到两个以上的场景信息或接收到连续的场景信息时，会分析场景信息中是否包含有相同的目标。当具有相同目标时，通过该目标的位置关系变化来分析该目标的移动状态。对同一目标而言，如果在较先获取的场景信息中该目标的位置较远(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较少)，在较后获取的场景信息中该目标的位置较近(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较多)，则可以判定该目标与该场景信息采集点为相向移动；相对的，如果在较先获取的场景信息中该目标的位置较近(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较多)，在较后获取的场景信息中该目标的位置较远(即，譬如该目标在较先获取的场景信息中所占有的超像素点个数较少)，则可以判定该目标与该场景信息图像采集点为反向移动。将上述推算出的空间移动关系结合目标在场景信息中的移动情况，可以推算出该目标在该组场景信息所对应的三维空间中目标的实际行进方向。
优选的，采集该场景信息时基于一采集视野采集，该视野基于一螺旋线截取若干采样点或采样栅格，该螺旋线的起点为该视野的中心，该螺旋线的起点为该视野的中心。
进一步优选的，所述采样点或采样栅格从螺旋线的起点至螺旋线的终点由小到大编号。优选的，所述采样点或采样栅格沿螺旋线等间距分布。进一步优选的，所述采样点或采样栅格的数量为某一奇数的2次幂。进一步优选的，该螺旋线的终点结束于靠近该视野边缘处。进一步优选的，如图2所示，该螺旋线的终点结束于视野边缘的角落处。采样点和采样栅格排列方式，呈现出一定的规律，如图所示，螺旋线为顺时针旋转，此时，右上角对角线的采样点或采样栅格的编号依次为(2n)2(n为螺旋线的圈数，中心点不计入，下同)，左下角对角线采样点或采样栅格的编号依次为(2n-1)2，左上角对角线的采样点或采样栅格的编号依次为(2n)2-2n，右下角对角线的采样点或采样栅格的编号依次为(2n-1)2-(2n-1)。根据这一规律，可以快速的根据采样点或采样栅格的编号，确定该采样点或采样栅格在视野中的具体位置。
采用螺旋线标定该视野后，在分析场景信息过程中对场景信息中目标进行超像素图像分割及聚类识别时、对场景信息进行深度感知时、对目标位置关系推算时、确定目标位置时、判断目标行进方式时，都可以基于所述采样点或采样栅格进行相应的分析操作。通过引入编号的采样点或采样栅格，根据采样点的编号与对角线和中心编号的数字关系，可以快速确定超像素点、聚类识大图块以及目标的位置；同时采样点还能起到标尺的作用，易于确定目标的位置以及目标和图像获取装置的距离；再者，根据目标包括的采样点和采样栅格的数量，结合对场景信息的深度感知，可以快速确定目标所所占有的场景中的区域占有的面积、所占有的超像素点的个数、轮廓的大小、距离该场景信息中心点的距离或距离该场景信息边缘的距离等特征，从而快速推算位置关系。
进一步优选的，采用螺旋线标定该视野后，在进行目标的聚类分析时，可以配合采用申请号：201510068199.6的一种图像处理方法专利，将螺旋线的采样点或采样栅格作为种子进行聚类运算，从而使该方法的聚类运算能够更快更精准的进行。
本发明通过采用上述技术方案，通过借助聚类识别的方法对场景信息中的目标及其特征信息进行提取，通过采用图像深度识别技术和螺旋线标定将目标的位置信息和运动行进信息增加入特征信息，并将特征信息与场景信息进行关联，从而能够检索特征信息获取对应的场景信息，实现对监控获取的场景信息提取的自动化，节约人工成本，提高监控信息的利用效率。
以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (18)

1.一种场景分析方法，其特征在于：
a.接收拍摄获得的场景信息，其中，该场景信息中包含有目标；
b.对该场景信息中的不同目标进行分析，获取各该目标的特征信息；
c.将分析获得的特征信息对外传送至外部设备，或关联所述特征信息至所述场景信息并存储于存储器，根据存储在存储器中的所述特征信息调用该特征信息所对应的所述场景信息。
2.根据权利要求1所述的场景分析方法，其特征在于，在步骤a中，接收由图像获取装置实时拍摄的场景信息。
3.根据权利要求1所述的场景分析方法，其特征在于，在步骤a中，接收由数据库所储存的场景信息。
4.根据权利要求1所述的场景分析方法，其特征在于，该特征信息包含目标的轮廓形状、纹理或颜色。
5.根据权利要求1所述的场景分析方法，其特征在于，
在a步骤中，获取不同时刻的场景信息；
在b步骤中，分别对不同时刻的场景信息中的不同目标进行分析，获取各该目标的特征信息，且b步骤进一步包括一子步骤b1：
b1.分析各该目标的位置信息；
在c步骤中，将分析获得的包括位置信息的特征信息对外传送至所述服务器，或关联所述特征信息和位置信息至所述场景信息并存储于所述存储器，根据所述存储中存储的位置信息的调用任何一个或多个对场景信息。
6.根据权利要求5所述的场景分析方法，其特征在于，在步骤a中，接收由图像获取装置实时拍摄的场景信息。
7.根据权利要求6所述的场景分析方法，其特征在于，在步骤a中，该图像获取装置为设置在一固定位置的图像获取装置。
8.根据权利要求6所述的场景分析方法，其特征在于，在步骤a中，该图像获取装置具有一视野，该视野基于一螺旋线截取若干采样点或采样栅格，该螺旋线的起点为该视野的中心。
9.根据权利要求8所述的场景分析方法，其特征在于，在步骤a中，所述采样点沿螺旋线根据视野的长宽比等距离分布，采样点从螺旋线的起点至螺旋线的终点由小到大编号，螺旋线编号的总数为奇数的二次幂，螺旋线编号的起点为0，终点为奇数二次幂减1，形成以顺次排列的奇数的二次幂和顺次排列的偶数的二次幂为对角线的视野。
10.根据权利要求8所述的场景分析方法，其特征在于，在步骤b1中，以该采样点为基准，对该场景信息中的目标的空间位置信息进行分析，以确定目标在视野中的移动方向。
11.根据权利要求8所述的场景分析方法，其特征在于，在步骤b1中，当目标在视野螺旋线中心位置附近消失时，暂时保留其特征信息。
12.采用权利要求1-10任一项所述的场景分析方法的监控系统，其特征在于，包括：
图像分析装置，用于接收场景信息，该场景信息中包含有目标，图像分析装置对该场景信息中的不同目标进行分析，获取各该目标的特征信息，并能够将特征信息与该场景信息关联；
存储器，与该图像分析装置相连，用于存储分析的结果；
服务器，与该图像分析装置及该存储器相连，用于获取分析结果及调取存储器中存储的资料。
13.根据权利要求11所述的监控系统，其特征在于，进一步包括图像获取装置，用于拍摄获取该场景信息，该图像获取装置与该图像分析装置相连。
14.根据权利要求12所述的监控系统，其特征在于，该图像分析装置为分析芯片，该分析芯片位于该图像获取装置端。
15.根据权利要求11所述的监控系统，其特征在于，进一步包括数据库，用于存储该场景信息，该数据库与该图像分析装置相连。
16.根据权利要求12或14所述的监控系统，其特征在于，该图像分析装置为云端服务器，对获取的场景信息进行分析。
17.根据权利要求18所述的监控系统，其特征在于，该服务器进一步与该图像获取装置相连，能够控制该图像获取装置获取场景信息，并能够控制该图像分析装置对图像获取装置获取的信息进行分析。
18.根据权利要求11所述的监控系统，其特征在于，该图像分析装置能够将特征信息与文字、语言或一定的预设动作、操作进行关联，以通过文字、语言或一定的预设动作、操作调用该特征信息。
CN201710556060.5A 2017-07-10 2017-07-10 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统 Active CN109241811B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710556060.5A CN109241811B (zh) 2017-07-10 2017-07-10 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统
US15/800,104 US20190014239A1 (en) 2017-07-10 2017-11-01 Scene analyzing method and monitoring device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710556060.5A CN109241811B (zh) 2017-07-10 2017-07-10 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统

Publications (2)

Publication Number Publication Date
CN109241811A true CN109241811A (zh) 2019-01-18
CN109241811B CN109241811B (zh) 2021-04-09

Family

ID=64902981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710556060.5A Active CN109241811B (zh) 2017-07-10 2017-07-10 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统

Country Status (2)

Country Link
US (1) US20190014239A1 (zh)
CN (1) CN109241811B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230230379A1 (en) * 2022-01-19 2023-07-20 Target Brands, Inc. Safety compliance system and method

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020146152A1 (en) * 2001-02-05 2002-10-10 Ram Rajagopal System and method for scanning a region using a low discrepancy sequence
CN105005772A (zh) * 2015-07-20 2015-10-28 北京大学 一种视频场景检测方法
CN105095906A (zh) * 2014-05-04 2015-11-25 深圳市贝尔信科技有限公司 目标特征模型数据库建立的方法、装置及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020146152A1 (en) * 2001-02-05 2002-10-10 Ram Rajagopal System and method for scanning a region using a low discrepancy sequence
CN105095906A (zh) * 2014-05-04 2015-11-25 深圳市贝尔信科技有限公司 目标特征模型数据库建立的方法、装置及系统
CN105005772A (zh) * 2015-07-20 2015-10-28 北京大学 一种视频场景检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李瑶: "用螺旋线法进行防伪标识图像的比对", 《辽宁工学院学报》 *

Also Published As

Publication number Publication date
CN109241811B (zh) 2021-04-09
US20190014239A1 (en) 2019-01-10

Similar Documents

Publication Publication Date Title
CN110222787A (zh) 多尺度目标检测方法、装置、计算机设备及存储介质
CN104106260B (zh) 基于地理图的控制
CN104463117B (zh) 一种基于视频方式的人脸识别样本采集方法及系统
CN110322453B (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN110084161A (zh) 一种人体骨骼关键点的快速检测方法及系统
CN108519812B (zh) 一种基于卷积神经网络的三维微多普勒手势识别方法
CN109214505B (zh) 一种密集连接卷积神经网络的全卷积目标检测方法
CN105141924B (zh) 基于4g技术的无线图像监控系统
CN109858437B (zh) 基于生成查询网络的行李体积自动分类方法
CN111985348B (zh) 人脸识别方法和系统
CN110263731B (zh) 一种单步人脸检测系统
CN106682681A (zh) 一种基于相关反馈的识别算法自动改进方法
CN112674998B (zh) 基于快速深度神经网络和移动智能设备的盲人交通路口辅助方法
CN114241422A (zh) 一种基于ESRGAN和改进YOLOv5s的学生课堂行为检测方法
CN109241814A (zh) 基于yolo神经网络的行人检测方法
Andrea et al. Geolocation and counting of people with aerial thermal imaging for rescue purposes
CN110533100A (zh) 一种基于机器学习进行cme检测和跟踪的方法
KR20120112293A (ko) 이동체의 위치 판단 장치 및 위치 판단 방법
CN111401215A (zh) 一种多类别目标检测的方法及系统
CN114241386A (zh) 一种基于实时视频流的输电线路隐患检测与识别的方法
WO2022033306A1 (zh) 目标跟踪方法和装置
CN114782859A (zh) 一种目标行为时空感知定位模型的建立方法及应用
CN109241811A (zh) 基于图像螺旋线的场景分析方法及使用该方法的场景目标监控系统
KR101313103B1 (ko) 지능로봇의 얼굴인식 성능평가 시스템 및 평가 방법
CN106446870B (zh) 一种人体轮廓特征提取方法和装置

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