CN109409238A - 一种障碍物检测方法、装置及终端设备 - Google Patents
一种障碍物检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN109409238A CN109409238A CN201811137212.9A CN201811137212A CN109409238A CN 109409238 A CN109409238 A CN 109409238A CN 201811137212 A CN201811137212 A CN 201811137212A CN 109409238 A CN109409238 A CN 109409238A
- Authority
- CN
- China
- Prior art keywords
- frame image
- monitoring area
- default monitoring
- barrier
- 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
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于障碍物检测技术领域,尤其涉及一种障碍物检测方法、装置及终端设备,可以在检测到预设监控区域有运动物体的前提下,进一步的检测障碍物并确定障碍物的位置,能够第一时间预判障碍物可能进入预设监控区域的情况,并准确确定障碍物是否放置于预设监控区域,从而有效提高检测结果的准确度和灵敏度。
Description
技术领域
本发明属于障碍物检测技术领域,尤其涉及一种障碍物检测方法、装置及终端设备。
背景技术
随着建筑物密度和高度的不断增长,保证消防通道的畅通无阻,是保障人们生产和生活安全关键。一旦消防通道被障碍物堵塞或占用,则会造成极大的安全隐患。
目前,通常是通过机器视觉技术来检测消防通道的障碍物,这种检测方式通常是每间隔自定义时间段采集消防通道的图片,然后通过机器视觉技术对图片进行分析,以确定消防通道是否有障碍物,检测结果不准确且灵敏度低。
发明内容
有鉴于此,本发明实施例提供了一种障碍物检测方法、装置及终端设备,以解决现有技术中通过机器视觉技术来检测消防通道的障碍物,检测结果不准确且灵敏度的问题。
本发明实施例的第一方面提供了一种障碍物检测方法,其包括:
实时获取预设监控区域的视频流;
根据所述视频流,检测预设监控区域是否有运动物体;
若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
本发明实施例的第二方面提供了一种障碍物检测装置,其包括:
图像获取模块,用于实时获取预设监控区域的视频流;
运动物体检测模块,用于根据所述视频流,检测预设监控区域是否有运动物体;
记录模块,用于若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取模块,用于调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
障碍物检测模块,用于根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
定位模块,用于若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例通过实时获取预设监控区域的视频流,以检测预设监控区域是否有运动物体,在检测到预设监控区域有运动物体时,获取有运动物体的连续时间段的视频流并记录,调取连续时间段的前一帧图像作为标准帧图像,调取连续时间段的后一帧图像作为停止帧图像,根据标准帧图像和停止帧图像,检测预设监控区域是否有遗留的障碍物,并在检测到预设监控区域有遗留的障碍物时,定位出障碍物在预设监控区域的位置,可以在检测到预设监控区域有运动物体的前提下,进一步的检测障碍物并确定障碍物的位置,能够第一时间预判障碍物可能进入预设监控区域的情况,并准确确定障碍物是否放置于预设监控区域,可以有效提高检测结果的准确度和灵敏度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的障碍物检测方法的流程示意图;
图2是本发明实施例一提供的视频流的时序示意图;
图3是本发明实施例二提供的障碍物检测装置的结构示意图;
图4是本发明实施例三提供的终端设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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地描述,显然,所描述的实施例是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
实施例一
本实施例提供一种障碍物检测方法,可以应用于具备数据处理功能的监控设备或与监控设备通信连接的任意具备数据处理功能的设备,例如,手机、平板电脑、桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。
在具体应用中,监控设备包括摄像机、摄像头、无人机或摄像机器人等任意具备拍摄功能,用于获取预设监控区域的视频流的监控设备。视频流即是指在连续时间段内获取的连续多帧图像,视频流的帧率表示视频流在单位时间(通常为1秒)内所显示的图像帧数。
在具体应用中,预设监控区域可以是任意的需要监控是否有障碍物的区域,例如,楼梯间、疏散通道、安全出口、消防车通道等消防通道,应急车道、普通车道、盲道、人行道等交通道路,物流仓库、厂房、车间等位置的作业通道等。
如图1所示,本实施例所提供的障碍物检测方法,包括:
步骤S101、实时获取预设监控区域的视频流。
在具体应用中,实时获取视频流即是指连续不间断的获取预设监控区域的图像,单位时间内获取的图像的帧数越多,视频流的帧率越高,检测到障碍物的灵敏度就越高。
在一个实施例中,预设监控区域的视频流是在监控设备固定不动的情况下获取的。
步骤S102、根据所述视频流,检测预设监控区域是否有运动物体。
在具体应用中,预设监控区域中的障碍物通常是人为带入(也可以由动物或其他可运动的物体带入)并静止放置在预设监控区域的物体,因此,通过是否有运动的人、动物或其他可运动的物体进入预设监控区域,可以预判预设监控区域是否有新的障碍物,如果没有运动物体进入预设监控区域,那么预设监控区域必然被带入新的障碍物。
在具体应用中,可以在监控设备固定和监控设备运动两种情况下来检测运动物体。对于监控设备运动的情况,可以通过光流法求解偏微分方程,求视频流的图像序列的光流场,从而预测监控设备的运动状态,再根据监控设备的运动状态结合机器视觉技术来检测运动物体。对于监控设备固定的情况,也可以用光流法检测运动物体。
在一个实施例中,步骤S102包括:
步骤S201、通过混合高斯模型对所述视频流进行背景建模,获取所述视频流中所有帧图像的背景图像和前景图像;
步骤S202、根据所述视频流中所有帧图像的背景图像和前景图像,依次检测所述视频流的每一帧图像与前一帧图像是否匹配,以检测预设监控区域是否有运动物体。
在具体应用中,可以通过基于混合高斯模型(Gaussian Mixed Model,GMM)的背景建模方法,来检测预设监控区域是否有运动物体。基于混合高斯模型的背景建模方法适合于在监控设备固定的情况下,从视频流的图像序列中分离出背景图像和前景图像。在监控设备固定的情况下,背景的变化是缓慢的,而且背景通常仅受光照和风等自然因素的影响,通过对背景建模,分离给定图像的前景图像和背景图像,可以达到检测运动物体的目的,一般来说,前景图像就是运动物体。
在具体应用中,背景图像与预设区域中没有运动物体时的图像相同或高度相似,可以通过混合高斯模型对确定预设区域中没有运动物体时获取的视频流进行背景建模,也可以通过混合高斯模型对任意时段获取的视频流进行背景建模,以获取背景图像,还可以获取一帧确定预设区域中没有运动物体时获取的图像作为背景图像。
在一个实施例中,步骤S202包括:
步骤S301、获取所述视频流中每一帧图像的背景图像中所有像素的高斯分布特性;
步骤S302、若所述视频流的任一帧图像中不符合所述高斯分布特性的像素点的数量大于预设阈值,则判定预设监控区域有运动物体;否则,判定预设监控区域没有运动物体。
在具体应用中,预设监控区域中没有运动物体时,其视频流的每一帧图像中的所有像素在自然条件下符合高斯分布,具有高斯分布特性,如果视频流的某一帧图像中的某些像素不符合高斯分布,则可以认为是由运动物体进入预设监控区域引起的图像变化导致的,这些不符合高斯分布的像素点的集合,即为运动物体所在的位置。
在具体应用中,理想状态下,预设阈值应当等于0,即视频流的每一帧图像的每个像素点都符合高斯分布特性,才判定预设监控区域没有运动物体。但是由于自然光线、风等自然环境也会对不同时刻获取的图像造成一定影响,使得不同时刻获取的没有运动物体时的预设监控区域的图像有微小差异,因此,为了排除自然环境的干扰,可以根据实际需要将预设阈值设置为一个大于0的整数,以提高检测结果的准确性。
步骤S103、若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
步骤S104、调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
步骤S105、根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物。
在一个实施例中,步骤S105包括:
步骤S401、通过基于局部二值模式的纹理特征提取方法分析所述标准帧图像和所述停止帧图像,以检测预设监控区域是否有遗留的障碍物。
在具体应用中,基于局部二值模式(Local Binary Patterns,LBP)的纹理特征提取方法,是指在3×3大小的窗口内,以位于窗口中心的像素的灰度值为阈值与相邻的8个像素的灰度值进行比较,若某一相邻像素的灰度值大于阈值,则将这一相邻像素的位置被标记为1,否则标记为0。这样,任意像素的3×3邻域内的8个像素经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到位于窗口中心的像素的LBP值,并用这个LBP值来反映3×3大小的窗口所在区域的纹理特征。通过这一方法得到标准帧图像的纹理特征和停止帧图像的纹理特征并进行比较,即可检测预设监控区域是否有遗留的障碍物。
在一个实施例中,步骤S401包括:
步骤S501、通过基于局部二值模式的纹理特征提取方法,提取所述标准帧图像的纹理特征和所述停止帧图像的纹理特征;
步骤S502、检测所述标准帧图像的纹理特征和所述停止帧图像的纹理特征是否匹配;
步骤S503、若所述标准帧图像的纹理特征和所述停止帧图像的纹理特征不匹配,则判定预设监控区域有遗留的障碍物;否则,判定预设监控区域没有遗留的障碍物。
在具体应用中,判断标准帧图像的纹理特征和停止帧图像的纹理特征是否匹配,即是判断两帧图像的LBP值是否相同。
在具体应用中,理想状态下,标准帧图像的纹理特征和停止帧图像的纹理特征应当完全相同,才判定预设监控区域没有遗留的障碍物。但是由于自然光线、风等自然环境也会对不同时刻获取的图像造成一定影响,使得不同时刻获取的没有运动物体时的预设监控区域的图像有微小差异,因此,为了排除自然环境的干扰,可以根据实际需要将标准帧图像的纹理特征和停止帧图像的纹理特征的匹配度大于预设匹配度阈值的情况,判定为预设监控区域没有遗留的障碍物,反之则判定为预设监控区域有遗留的障碍物,以提高检测结果的准确性。预设匹配度阈值可以根据实际需要设置为95%~100%之间的任意值,例如,98%、99%等。
步骤S106、若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
在具体应用中,可以通过与检测预设监控区域是否有障碍物相同的基于混合高斯模型的背景建模方法,来定位出障碍物在预设监控区域的位置。即通过分离视频流中在预设监控区域有障碍物之后获取的图像中的前景图像和背景图像,即可根据前景图像定位出障碍物所在位置,前景图像在背景图像中的位置即为障碍物在预设监控区域的位置。
在检测到预设监控区域有障碍物之后,通过混合高斯模型对所述视频流进行背景建模,获取所述视频流的每一帧图像的前景图像;
在一个实施例中,步骤S106包括:
步骤S601、通过混合高斯模型对所述算法分析素材进行背景建模,获取所述算法分析素材的每一帧图像的前景图像;
步骤S602、获取所述算法分析素材的每一帧图像的前景图像的面积;
步骤S603、通过逐差法依次计算所述算法分析素材的相邻帧图像的前景图像之间的面积差;
步骤S604、确定获取到最大的两个面积差时的时间段;
步骤S605、计算所述时间段之前获取的一帧图像的前景图像与所述时间段之后获取的一帧图像的前景图像之间的面积差,定位出障碍物在预设监控区域的位置。
在具体应用中,最大的两个面积差包括:运动物体进入预设监控区域时获取的一帧图像的前景图像与其前一帧图像的前景图像的面积差;以及运动物体离开预设监控区域且障碍物被放置在预设监控区域时获取的一帧图像的前景图像与其前一帧图像的前景图像的面积差。对应的,获取到最大的两个面积差时的时间段即为:运动物体进入预设监控区域时到运动物体离开预设监控区域且障碍物被放置在预设监控区域时的这段时间。所述时间段之前获取的一帧图像即为运动物体进入预设监控区域的时刻之前获取的一帧图像,所述时间段之后获取的一帧图像即为运动物体离开预设监控区域的时刻之后获取的一帧图像。
如图2所示,示例性的示出了视频流的时序图,其中,时刻t1即为所述时间段之前获取的一帧图像的获取时间,t2~t3即为所述时间段,时刻t4即为所述时间段之后获取的一帧图像的获取时间。
在具体应用中,所述时间段之前和之后获取的图像可以紧邻所述时间段之前和之后获取的图像,也可以是在所述时间段之前和之后预设时间所获取的图像,预设时间可以根据实际需要设置,例如,(0S,3S]中的任意值,具体可取值为0.5S、1S、2S等。
在一个实施例中,步骤S106之后,包括:
向预设终端设备发送检测到所述遗留的障碍物的报警信息,所述报警信息包括障碍物在预设监控区域的位置。
在具体应用中,预设终端设备可以是与执行障碍物检测方法的设备通信连接的服务器或用户终端,用户终端可以是手机、平板电脑、桌上型计算机、笔记本、掌上电脑等。报警信息可以以短消息、即时通讯消息(包括文字消息、语音消息、视频或图片等)等形式存在。报警信息所包括的障碍物在预设监控区域的位置可以以地图标注或定位信息的形式存在。
本实施例通过实时获取预设监控区域的视频流,以检测预设监控区域是否有运动物体,在检测到预设监控区域有运动物体时,获取有运动物体的连续时间段的视频流并记录,调取连续时间段的前一帧图像作为标准帧图像,调取连续时间段的后一帧图像作为停止帧图像,根据标准帧图像和停止帧图像,检测预设监控区域是否有遗留的障碍物,并在检测到预设监控区域有遗留的障碍物时,定位出障碍物在预设监控区域的位置,可以在检测到预设监控区域有运动物体的前提下,进一步的检测障碍物并确定障碍物的位置,能够第一时间预判障碍物可能进入预设监控区域的情况,并准确确定障碍物是否放置于预设监控区域,可以有效提高检测结果的准确度和灵敏度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二
本实施例提供一种障碍物检测装置,用于执行实施例一中的方法步骤,所述系统其可以是具备数据处理功能的监控设备或与监控设备通信连接的任意具备数据处理功能的设备中的软件程序系统。
如图3所示,本实施例提供的障碍物检测装置3包括:
图像获取模块301,用于实时获取预设监控区域的视频流;
运动物体检测模块302,用于根据所述视频流,检测预设监控区域是否有运动物体;
记录模块303,用于若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取模块304,用于调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
障碍物检测模块305,用于根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
定位模块306,用于若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
在一个实施例中,运动物体检测模块302,具体用于:
通过混合高斯模型对所述视频流进行背景建模,获取所述视频流中所有帧图像背景图像和前景图像;
根据所述视频流中所有帧图像背景图像和前景图像,依次检测所述视频流的每一帧图像与前一帧图像是否匹配,以检测预设监控区域是否有运动物体。
在一个实施例中,障碍物检测模块305,具体用于:
通过基于局部二值模式的纹理特征提取方法分析所述标准帧图像和所述停止帧图像,以检测预设监控区域是否有遗留的障碍物。
在一个实施例中,定位模块306,具体用于:
通过混合高斯模型对所述算法分析素材进行背景建模,获取所述算法分析素材的每一帧图像的前景图像;
获取所述算法分析素材的每一帧图像的前景图像的面积;
通过逐差法依次计算所述算法分析素材的相邻帧图像的前景图像之间的面积差;
确定获取到最大的两个面积差时的时间段;
计算所述时间段之前获取的一帧图像的前景图像与所述时间段之后获取的一帧图像的前景图像之间的面积差,定位出障碍物在预设监控区域的位置。
本实施例通过实时获取预设监控区域的视频流,以检测预设监控区域是否有运动物体,在检测到预设监控区域有运动物体时,获取有运动物体的连续时间段的视频流并记录,调取连续时间段的前一帧图像作为标准帧图像,调取连续时间段的后一帧图像作为停止帧图像,根据标准帧图像和停止帧图像,检测预设监控区域是否有遗留的障碍物,并在检测到预设监控区域有遗留的障碍物时,定位出障碍物在预设监控区域的位置,可以在检测到预设监控区域有运动物体的前提下,进一步的检测障碍物并确定障碍物的位置,能够第一时间预判障碍物可能进入预设监控区域的情况,并准确确定障碍物是否放置于预设监控区域,可以有效提高检测结果的准确度和灵敏度。
实施例三
如图4所示,本发明实施例提供一种终端设备,其包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如障碍物检测程序。所述处理器40执行所述计算机程序42时实现上述各个障碍物检测方法实施例中的步骤,例如图1所示的步骤S101至S106。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块的功能,例如图3所示模块301至306的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如,所述计算机程序42可以被分割成图像获取模块,运动物体检测模块,障碍物检测模块,定位模块,各模块具体功能如下:
图像获取模块,用于实时获取预设监控区域的视频流;
运动物体检测模块,用于根据所述视频流,检测预设监控区域是否有运动物体;
记录模块,用于若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取模块,用于调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
障碍物检测模块,用于根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
定位模块,用于若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4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(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
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。
所述集成的模块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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种障碍物检测方法,其特征在于,包括:
实时获取预设监控区域的视频流;
根据所述视频流,检测预设监控区域是否有运动物体;
若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
2.如权利要求1所述的障碍物检测方法,其特征在于,根据所述视频流,检测预设监控区域是否有运动物体,包括:
通过混合高斯模型对所述视频流进行背景建模,获取所述视频流中所有帧图像背景图像和前景图像;
根据所述视频流中所有帧图像背景图像和前景图像,依次检测所述视频流的每一帧图像与前一帧图像是否匹配,以检测预设监控区域是否有运动物体。
3.如权利要求2所述的障碍物检测方法,其特征在于,根据所述视频流中所有帧图像背景图像和前景图像,依次检测所述视频流的每一帧图像与前一帧图像是否匹配,以检测预设监控区域是否有运动物体,包括:
获取所述视频流中每一帧图像的背景图像中所有像素的高斯分布特性;
若所述视频流的任一帧图像中不符合所述高斯分布特性的像素点的数量大于预设阈值,则判定预设监控区域有运动物体;否则,判定预设监控区域没有运动物体。
4.如权利要求1所述的障碍物检测方法,其特征在于,根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物,包括:
通过基于局部二值模式的纹理特征提取方法分析所述标准帧图像和所述停止帧图像,以检测预设监控区域是否有遗留的障碍物。
5.如权利要求4所述的障碍物检测方法,其特征在于,通过基于局部二值模式的纹理特征提取方法分析所述标准帧图像和所述停止帧图像,以检测预设监控区域是否有遗留的障碍物,包括:
通过基于局部二值模式的纹理特征提取方法,提取所述标准帧图像的纹理特征和所述停止帧图像的纹理特征;
检测所述标准帧图像的纹理特征和所述停止帧图像的纹理特征是否匹配;
若所述标准帧图像的纹理特征和所述停止帧图像的纹理特征不匹配,则判定预设监控区域有遗留的障碍物;否则,判定预设监控区域没有遗留的障碍物。
6.如权利要求1所述的障碍物检测方法,其特征在于,若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置,包括:
通过混合高斯模型对所述算法分析素材进行背景建模,获取所述算法分析素材的每一帧图像的前景图像;
获取所述算法分析素材的每一帧图像的前景图像的面积;
通过逐差法依次计算所述算法分析素材的相邻帧图像的前景图像之间的面积差;
确定获取到最大的两个面积差时的时间段;
计算所述时间段之前获取的一帧图像的前景图像与所述时间段之后获取的一帧图像的前景图像之间的面积差,定位出障碍物在预设监控区域的位置。
7.如权利要求1~6所述的障碍物检测方法,其特征在于,若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置之后,包括:
向预设终端设备发送检测到所述遗留的障碍物的报警信息,所述报警信息包括障碍物在预设监控区域的位置。
8.一种障碍物检测装置,其特征在于,包括:
图像获取模块,用于实时获取预设监控区域的视频流;
运动物体检测模块,用于根据所述视频流,检测预设监控区域是否有运动物体;
记录模块,用于若检测到预设监控区域有运动物体,则获取检测到预设监控区域有运动物体的连续时间段的视频流并记录,以作为算法分析素材;
调取模块,用于调取所述连续时间段的前一帧图像作为标准帧图像,调取所述连续时间段的后一帧图像作为停止帧图像;
障碍物检测模块,用于根据所述标准帧图像和所述停止帧图像,检测预设监控区域是否有遗留的障碍物;
定位模块,用于若检测到预设监控区域有遗留的障碍物,则定位出障碍物在预设监控区域的位置。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137212.9A CN109409238B (zh) | 2018-09-28 | 2018-09-28 | 一种障碍物检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137212.9A CN109409238B (zh) | 2018-09-28 | 2018-09-28 | 一种障碍物检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409238A true CN109409238A (zh) | 2019-03-01 |
CN109409238B CN109409238B (zh) | 2020-05-19 |
Family
ID=65465441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811137212.9A Active CN109409238B (zh) | 2018-09-28 | 2018-09-28 | 一种障碍物检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409238B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097571A (zh) * | 2019-04-28 | 2019-08-06 | 重庆大学 | 快速高精度的车辆碰撞预测方法 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN110222557A (zh) * | 2019-04-22 | 2019-09-10 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、系统和存储介质 |
CN110348343A (zh) * | 2019-06-27 | 2019-10-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种暴力行为监测方法、装置、存储介质及终端设备 |
CN112132043A (zh) * | 2020-09-24 | 2020-12-25 | 南京安元科技有限公司 | 基于监控视频的消防通道占用自适应检测方法 |
CN112861573A (zh) * | 2019-11-27 | 2021-05-28 | 宇龙计算机通信科技(深圳)有限公司 | 一种障碍物识别方法、装置、存储介质及智慧灯杆 |
CN113949830A (zh) * | 2021-09-30 | 2022-01-18 | 国家能源集团广西电力有限公司 | 一种图像处理方法 |
WO2022088716A1 (zh) * | 2020-10-30 | 2022-05-05 | 北京旷视机器人技术有限公司 | 仓库管理方法、装置、系统及电子设备 |
CN114973065A (zh) * | 2022-04-29 | 2022-08-30 | 北京容联易通信息技术有限公司 | 一种基于视频智能分析的物品搬移、遗留检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102722700A (zh) * | 2012-05-17 | 2012-10-10 | 浙江工商大学 | 视频监控中遗留物品检测的方法和系统 |
CN103366374A (zh) * | 2013-07-12 | 2013-10-23 | 重庆大学 | 基于图像匹配的消防通道障碍物检测方法 |
CN103729858A (zh) * | 2013-12-13 | 2014-04-16 | 广州中国科学院先进技术研究所 | 一种视频监控系统中遗留物品的检测方法 |
CN104036490A (zh) * | 2014-05-13 | 2014-09-10 | 重庆大学 | 适用于移动通信网络传输中的前景分割方法 |
CN104240222A (zh) * | 2013-06-19 | 2014-12-24 | 贺江涛 | 一种消防通道堵塞的智能检测方法与装置 |
CN108241837A (zh) * | 2016-12-23 | 2018-07-03 | 亿阳信通股份有限公司 | 一种遗留物检测方法和装置 |
CN108376406A (zh) * | 2018-01-09 | 2018-08-07 | 公安部上海消防研究所 | 一种用于通道堵塞判别的动态递归建模和融合跟踪方法 |
-
2018
- 2018-09-28 CN CN201811137212.9A patent/CN109409238B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102722700A (zh) * | 2012-05-17 | 2012-10-10 | 浙江工商大学 | 视频监控中遗留物品检测的方法和系统 |
CN104240222A (zh) * | 2013-06-19 | 2014-12-24 | 贺江涛 | 一种消防通道堵塞的智能检测方法与装置 |
CN103366374A (zh) * | 2013-07-12 | 2013-10-23 | 重庆大学 | 基于图像匹配的消防通道障碍物检测方法 |
CN103729858A (zh) * | 2013-12-13 | 2014-04-16 | 广州中国科学院先进技术研究所 | 一种视频监控系统中遗留物品的检测方法 |
CN104036490A (zh) * | 2014-05-13 | 2014-09-10 | 重庆大学 | 适用于移动通信网络传输中的前景分割方法 |
CN108241837A (zh) * | 2016-12-23 | 2018-07-03 | 亿阳信通股份有限公司 | 一种遗留物检测方法和装置 |
CN108376406A (zh) * | 2018-01-09 | 2018-08-07 | 公安部上海消防研究所 | 一种用于通道堵塞判别的动态递归建模和融合跟踪方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222557B (zh) * | 2019-04-22 | 2021-09-21 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、系统和存储介质 |
CN110222557A (zh) * | 2019-04-22 | 2019-09-10 | 北京旷视科技有限公司 | 路况的实时检测方法、装置、系统和存储介质 |
CN110097571A (zh) * | 2019-04-28 | 2019-08-06 | 重庆大学 | 快速高精度的车辆碰撞预测方法 |
CN110097571B (zh) * | 2019-04-28 | 2023-06-13 | 重庆大学 | 快速高精度的车辆碰撞预测方法 |
CN110135377A (zh) * | 2019-05-21 | 2019-08-16 | 北京百度网讯科技有限公司 | 物体运动状态检测方法、装置、服务器和计算机可读介质 |
CN110135377B (zh) * | 2019-05-21 | 2022-10-14 | 北京百度网讯科技有限公司 | 车路协同中物体运动状态检测方法、装置和服务器 |
CN110348343A (zh) * | 2019-06-27 | 2019-10-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种暴力行为监测方法、装置、存储介质及终端设备 |
CN112861573A (zh) * | 2019-11-27 | 2021-05-28 | 宇龙计算机通信科技(深圳)有限公司 | 一种障碍物识别方法、装置、存储介质及智慧灯杆 |
CN112132043A (zh) * | 2020-09-24 | 2020-12-25 | 南京安元科技有限公司 | 基于监控视频的消防通道占用自适应检测方法 |
WO2022088716A1 (zh) * | 2020-10-30 | 2022-05-05 | 北京旷视机器人技术有限公司 | 仓库管理方法、装置、系统及电子设备 |
CN113949830A (zh) * | 2021-09-30 | 2022-01-18 | 国家能源集团广西电力有限公司 | 一种图像处理方法 |
CN113949830B (zh) * | 2021-09-30 | 2023-11-24 | 国家能源集团广西电力有限公司 | 一种图像处理方法 |
CN114973065A (zh) * | 2022-04-29 | 2022-08-30 | 北京容联易通信息技术有限公司 | 一种基于视频智能分析的物品搬移、遗留检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109409238B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409238A (zh) | 一种障碍物检测方法、装置及终端设备 | |
CN110428522A (zh) | 一种智慧新城的智能安防系统 | |
CN110188724A (zh) | 基于深度学习的安全帽定位与颜色识别的方法及系统 | |
Ryan et al. | Scene invariant multi camera crowd counting | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
KR102122859B1 (ko) | 교통 영상감시시스템의 멀티 표적 추적 방법 | |
CN108133172A (zh) | 视频中运动对象分类的方法、车流量的分析方法及装置 | |
CN105184258A (zh) | 目标跟踪方法及系统、人员行为分析方法及系统 | |
CN109657581A (zh) | 基于双目相机行为检测的城市轨道交通闸机通行控制方法 | |
CN110533950A (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CN111601361B (zh) | 一种实时检测Ad hoc网络关键节点的方法及装置 | |
CN109360362A (zh) | 一种铁路视频监控识别方法、系统和计算机可读介质 | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN110264495A (zh) | 一种目标跟踪方法及装置 | |
CN107610393A (zh) | 一种办公室智能监控系统 | |
CN113642403B (zh) | 基于边缘计算的人群异动智能安全检测系统 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN110348343A (zh) | 一种暴力行为监测方法、装置、存储介质及终端设备 | |
CN110163109A (zh) | 一种车道线标注方法及装置 | |
CN110674753A (zh) | 偷盗行为预警方法、终端设备及存储介质 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
Basalamah et al. | Deep learning framework for congestion detection at public places via learning from synthetic data | |
Ermis et al. | Abnormal behavior detection and behavior matching for networked cameras | |
CN115083229B (zh) | 基于ai视觉识别的飞行训练设备智能识别与警示系统 | |
CN116419059A (zh) | 基于行为标签的自动监控方法、装置、设备及介质 |
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 |