CN110324583A - 一种视频监控方法、视频监控装置及计算机可读存储介质 - Google Patents
一种视频监控方法、视频监控装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110324583A CN110324583A CN201910634194.3A CN201910634194A CN110324583A CN 110324583 A CN110324583 A CN 110324583A CN 201910634194 A CN201910634194 A CN 201910634194A CN 110324583 A CN110324583 A CN 110324583A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- video
- dump truck
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 110
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 6
- 238000007796 conventional method Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 description 16
- 238000007689 inspection Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000005286 illumination Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000011410 subtraction method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007363 ring formation reaction Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种视频监控方法、视频监控装置、计算机可读存储介质，其中，视频监控方法包括：获取第一监控视频或监控图像；从第一监控视频或监控图像中提取包含车辆图像的前景图像，对前景图像进行二值化处理得到二值化图像；识别二值化图像中的车辆图像的车辆轮廓，计算得到车辆轮廓的轮廓参数，基于轮廓参数车辆图像中的车辆为泥头车的情况，判断泥头车是否处于异常状态，通过对车型的粗分类，有效剔除了行人以及非大型车辆等运动目标带来的干扰，避免了传统方法中每一帧视频都需要检测的问题，减少了检测过程带来的计算量的消耗，提升视频处理速度以及监控系统的效率，然后通过基于目标检测模型有效检测出泥头车载货状态是否符合环保要求。
Description
技术领域
本发明涉及环保监控技术领域，具体而言，涉及一种视频监控方法、视频监控装置及计算机可读存储介质。
背景技术
泥头车常用于矿物以及渣土等物品，一直是环保部门进行视频监控的重点监控对象。在对于煤矿等矿场企业的泥头车实际监控中，泥头车作为一个移动的污染源，其覆盖状态一直是环保部门关注的核心点。
在现有技术中存在利用视频监控的方式对泥头车的覆盖状态进行实监控，在以前传统的视频监控系统中，需要一直由监管人员通过调用远程摄像头通过人眼查看进行监控，随着科技的进步，借助计算机视觉领域相关技术便完成了自动监控，但在现有的自动监控会受到行人以及非大型车辆运动的影响，需要通过检测模型对视频每一帧进行检测，导致计算量巨大，视频处理速度以及监控系统的效率低下。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
本发明的第一个方面提供了一种视频监控方法。
本发明的第二个方面提供了一种视频监控装置。
本发明的第三个方面提供了一种计算机可读存储介质。
鉴于上述，根据本发明的第一个方面，提供了一种视频监控方法，包括：获取第一监控视频或监控图像；从第一监控视频或监控图像中提取包含车辆图像的前景图像，对前景图像进行二值化处理得到二值化图像；识别二值化图像中的车辆图像的车辆轮廓，计算得到车辆轮廓的轮廓参数，基于轮廓参数车辆图像中的车辆为泥头车的情况，判断泥头车是否处于异常状态。
在该技术方案中，第一监控视频为待检测路段的实时监控视频，通过对第一监控视频或者监控图像提取包含车辆图像的前景图像，并对前景图像进行二值化处理，通过二值化处理的前景图像呈现出明显的黑白效果，从而更能凸显出目标的轮廓，对前景图像中的车辆标定车辆轮廓，其中车辆轮廓可以选择矩形轮廓，并对提取的矩形轮廓进行计算，从而得到车辆的轮廓参数，根据轮廓参数判断车辆图像中的车辆是否为泥头车，当判断车辆为泥头车后在对泥头车是否处于异常状态，通过对图像中的车辆是否为泥头车的判断，实现了对第一监控视频或监控图像进行初次筛选，并且利用前景二值化图像提取参数进行对比提高了筛选的准确性，通过对筛选后的第一监控视频或者监控图像中的泥头车状态进行检测，避免了传统方法中每一帧视频都需要进行检测的问题，使每次检测都可以精准的检测到包含泥头车的视频帧或者图像，减少了检测过程带来的计算量的消耗，提升了视频处理速度以及监控系统的效率，其中，计算车辆轮廓参数可使用开源计算机视觉库OpenCV中提取目标轮廓的函数cvFindContours和cvBoundingRect函数得到运动目标矩形轮廓左上角坐标点(xl,yl)和右下角坐标点(xr,yr)，根据坐标点计算轮廓的宽度w、高度h以及矩形面积s，计算公式为如下：
在上述技术方案中，优选地，设置预设参数最小阈值；将轮廓参数与预设参数最小阈值进行对比，轮廓参数大于预设参数最小阈值，判断为车辆图像中的车辆为泥头车，否则，车辆图像中的车辆未非泥头车。
在该技术方案中，对泥头车的轮廓参数进行预设，得到预设参数的最小阈值，预设参数与计算所得到的车辆轮廓参数为对应关系，具体可选设置泥头车车辆的宽度wmax、高度hmax和面积Smax的最小阈值，通过将预设参数与计算得到的车辆轮廓参数进行对比，当计算得到的轮廓参数大于预设参数的最小阈值时，可以确定该车辆对泥头车，否则可以确定其不是泥头车，其中，具体对比方式可以为若w≥wmax or h≥hmax or s≥smax为真则判定包含可疑大型车辆，可以理解为图像中的车辆轮廓的宽度、高度和面积中的任一项参数要大于预设参数最小阈值则可以确定该车辆为泥头车，通过对二值化图像中的车辆图像进行标定轮廓，并对车辆轮廓进行计算，通过计算可以得到完整的车辆图像的信息，根据完整的车辆图像的信息与预设参数最小阈值进行对比判断，相比于现有技术中通过判断车辆单独一个侧面或者单独一个参数对车辆种类的判断，具有更高的准确性，可以精准的分辨前景图像中的车辆是否为泥头车。
在上述技术方案中，优选地，判断泥头车是否处于异常状态具体包括：训练泥头车检测模型；将被确认为包含泥头车的前景图像输入泥头车检测模型中进行检测，得到判断结果；根据判断结果确定是否发出报警信息。
在该技术方案中，对泥头车的轮廓参数进行预设的同时，进行训练泥头车检测模型，训练完成后，将确定包含泥头车的前景图像输入到泥头车检测模型中，利用检测模型对泥头车的状态进行检测，根据利用泥头车检测模型对前景图像的检测结果判断是否发出报警信息，报警信息可以直接提示路过的泥头车进行整改，也可以提示监管部门有不合法的泥头车在行驶。
在上述技术方案中，优选地，训练泥头车检测模型具体包括：获取并分割第二监控视频得到图片集；接收从图片集中挑选到的车辆样本图片进行标注得到的数据集，对数据集进行训练得到泥头车检测模型。
在该技术方案中，第二监控视频为拍摄到的包含各种状态以及型号的泥头车的监控视频，对第二监控视频进行拆解成视频帧并形成图片集，从图片集中挑选30000张车辆样本图片进行手工标注样本图片，手动标注泥头车车辆数据时泥头车类别分为两类，泥头车载货未覆盖类的异常状态为一类、泥头车其它符合环保要求的正常状态如载货覆盖、未载货等为另外一类，从而得到相应的两类泥头车数据集，使用该数据集训练基于深度学习SSD框架的泥头车检测模型，SSD框架为一种物体检测模型，将采集到的数据集输入到SSD框架中可以生成相应的检测模型，除了使用SSD检测模型还可以使用如Faster-RCNN、YOLO3、Light Head R-CNN等检测框架训练的检测模型，手工标注样本图片使标注得到的数据集更加准确，进一步提高所得到的泥头车检测模型的准确性，并且泥头车检测模型是利用正常状态和异常状态两类数据集进行训练的，使可以有效减少漏检和误检。
在上述技术方案中，优选地，根据判断结果确定是否进行报警具体包括：在判定泥头车处于异常状态时，监控系统发出报警信息；在判定泥头车未处于异常状态时，获取当前前景图像的下一帧前景图像。
在该技术方案中，泥头车检测模型中泥头车分为两类，第一类为泥头车载货未覆盖的异常状态，第二类为泥头车符合环保要求的正常状态如载货覆盖、未载货等，利用泥头车检测模型检测包含泥头车的前景图像是否属于正常状态，通过将泥头车状态分为正常和异常两种状态，并且正常状态包括载货覆盖和未载货两种状态，可以提高对泥头车的检测的准确率，避免漏检误检，如果处于正常状态则对下一帧视频进行检测，否则发出报警信息，报警之后会继续检测当前前景图像的下一帧前景图像，实现对道路上的车辆进行逐一检测的目的。
在上述技术方案中，优选地，从第一监控视频或监控图像中提取包含车辆图像的前景图像具体包括：对第一监控视频进行预处理；读取第一监控视频的视频帧或监控图像，对视频帧或监控图像进行前背景分离，得到前景图像。
在该技术方案中，其中前景图像为视频帧或者监控图像中的车辆或者行人，也就是说视频中移动的物体且需要检测的图像部分，背景图像为视频帧或者监控图像中的背景，如道路等环境图像，也就是第一监控视频中不动且不需要检测的图像部分，将第一监控视频的视频帧或者监控图像的前景和背景进行分离，从而得到该第一监控视频或者监控图像的前景图像。
在上述技术方案中，优选地，对第一监控视频进行预处理具体包括：
在第一监控视频中标定感兴趣区域，感兴趣区域用于标定第一监控视频中前景图像的位置。
在该技术方案中，在第一监控视频中通过方框、圆、椭圆等方式标定出的需要处理的区域，也就是在视频中车辆行驶的区域，车辆行驶的区域可以标定为第一监控视频中待提取的前景图像的位置，为后续对第一监控视频或者监控图像进行提取前景图像提供便利。
在上述技术方案中，优选地，对视频帧或监控图像进行前背景分离具体包括：对视频帧或监控图像进行高斯背景建模得到背景模型，通过背景模型和感兴趣区域对视频帧或监控图像进行前背景分离。
在该技术方案中，对视频帧或者监控图像进行高斯背景建模得到高斯背景模型，再将感兴趣区域映射到高斯背景模型中，可以将第一监控视频中的背景和前景进行分离，使获取到的前景图像更加准确。
进一步地，在对背景和前景进行分离还可以使用背景减除法或者背景差分法来代替高斯建模，使用这两种方法可以使计算速度更快，但这两种方法也有各自的缺点，其中背景减除法更容易受到光照的影响抗干扰能力较差，可以用于光照变化不大的环境的进行使用；而背景差分法对于目标宽高以及面积的估计受运动目标的速度影响较大，可以用于对车辆行驶速度存在限制的环境进行使用，根据实际情况进行选择使用。
根据本发明的第二个方面，提供了一种视频监控装置，包括：存储器及存储在存储器上并可在处理器上运行的计算机程序；计算机程序被处理器执行时实现如：获取第一监控视频或监控图像；从第一监控视频或监控图像中提取包含车辆图像的前景图像，对前景图像进行二值化处理得到二值化图像；识别二值化图像中的车辆图像的车辆轮廓，计算得到车辆轮廓的轮廓参数，基于轮廓参数车辆图像中的车辆为泥头车的情况，判断泥头车是否处于异常状态。
在该技术方案中，第一监控视频为待检测路段的实时监控视频，通过对第一监控视频或者监控图像提取包含车辆图像的前景图像，并对前景图像进行二值化处理，通过二值化处理的前景图像呈现出明显的黑白效果，从而更能凸显出目标的轮廓，对前景图像中的车辆标定车辆轮廓，其中车辆轮廓可以选择矩形轮廓，并对提取的矩形轮廓进行计算，从而得到车辆的轮廓参数，根据轮廓参数判断车辆图像中的车辆是否为泥头车，当判断车辆为泥头车后在对泥头车是否处于异常状态，通过对图像中的车辆是否为泥头车的判断，实现了对第一监控视频或监控图像进行初次筛选，并且利用前景二值化图像提取参数进行对比提高了筛选的准确性，通过对筛选后的第一监控视频或者监控图像中的泥头车状态进行检测，避免了传统方法中每一帧视频都需要进行检测的问题，使每次检测都可以精准的检测到包含泥头车的视频帧或者图像，减少了检测过程带来的计算量的消耗，提升了视频处理速度以及监控系统的效率，其中，计算车辆轮廓参数可使用开源计算机视觉库OpenCV中提取目标轮廓的函数cvFindContours和cvBoundingRect函数得到运动目标矩形轮廓左上角坐标点(xl,yl)和右下角坐标点(xr,yr)，根据坐标点计算轮廓的宽度w、高度h以及矩形面积s，计算公式为如下：
在上述技术方案中，优选地，设置预设参数最小阈值；将轮廓参数与预设参数最小阈值进行对比，轮廓参数大于预设参数最小阈值，判断为车辆图像中的车辆为泥头车，否则，车辆图像中的车辆未非泥头车。
在该技术方案中，对泥头车的轮廓参数进行预设，得到预设参数的最小阈值，预设参数与计算所得到的车辆轮廓参数为对应关系，具体可选设置泥头车车辆的宽度wmax、高度hmax和面积Smax的最小阈值，通过将预设参数与计算得到的车辆轮廓参数进行对比，当计算得到的轮廓参数大于预设参数的最小阈值时，可以确定该车辆对泥头车，否则可以确定其不是泥头车，其中，具体对比方式可以为若w≥wmax or h≥hmax or s≥smax为真则判定包含可疑大型车辆，可以理解为图像中的车辆轮廓的宽度、高度和面积中的任一项参数要大于预设参数最小阈值则可以确定该车辆为泥头车，通过对二值化图像中的车辆图像进行标定轮廓，并对车辆轮廓进行计算，通过计算可以得到完整的车辆图像的信息，根据完整的车辆图像的信息与预设参数最小阈值进行对比判断，相比于现有技术中通过判断车辆单独一个侧面或者单独一个参数对车辆种类的判断，具有更高的准确性，可以精准的分辨前景图像中的车辆是否为泥头车。
在上述技术方案中，优选地，判断泥头车是否处于异常状态具体包括：训练泥头车检测模型；将被确认为包含泥头车的前景图像输入泥头车检测模型中进行检测，得到判断结果；根据判断结果确定是否发出报警信息。
在该技术方案中，对泥头车的轮廓参数进行预设的同时，进行训练泥头车检测模型，训练完成后，将确定包含泥头车的前景图像输入到泥头车检测模型中，利用检测模型对泥头车的状态进行检测，根据利用泥头车检测模型对前景图像的检测结果判断是否发出报警信息，报警信息可以直接提示路过的泥头车进行整改，也可以提示监管部门有不合法的泥头车在行驶。
在上述技术方案中，优选地，训练泥头车检测模型具体包括：获取并分割第二监控视频得到图片集；接收从图片集中挑选到的车辆样本图片进行标注得到的数据集，对数据集进行训练得到泥头车检测模型。
在该技术方案中，第二监控视频为拍摄到的包含各种状态以及型号的泥头车的监控视频，对第二监控视频进行拆解成视频帧并形成图片集，从图片集中挑选30000张车辆样本图片进行手工标注样本图片，手动标注泥头车车辆数据时泥头车类别分为两类，泥头车载货未覆盖类的异常状态为一类、泥头车其它符合环保要求的正常状态如载货覆盖、未载货等为另外一类，从而得到相应的两类泥头车数据集，使用该数据集训练基于深度学习SSD框架的泥头车检测模型，SSD框架为一种物体检测模型，将采集到的数据集输入到SSD框架中可以生成相应的检测模型，除了使用SSD检测模型还可以使用如Faster-RCNN、YOLO3、Light Head R-CNN等检测框架训练的检测模型，手工标注样本图片使标注得到的数据集更加准确，进一步提高所得到的泥头车检测模型的准确性，并且泥头车检测模型是利用正常状态和异常状态两类数据集进行训练的，使可以有效减少漏检和误检。
在上述技术方案中，优选地，根据判断结果确定是否进行报警具体包括：在判定泥头车处于异常状态时，监控系统发出报警信息；在判定泥头车处于正常状态时，获取当前前景图像的下一帧前景图像。
在该技术方案中，泥头车检测模型中泥头车分为两类，第一类为泥头车载货未覆盖的异常状态，第二类为泥头车符合环保要求的正常状态如载货覆盖、未载货等，利用泥头车检测模型检测包含泥头车的前景图像是否属于正常状态，通过将泥头车状态分为正常和异常两种状态，并且正常状态包括载货覆盖和未载货两种状态，可以提高对泥头车的检测的准确率，避免漏检误检，如果处于正常状态则对下一帧视频进行检测，否则发出报警信息，报警之后会继续检测当前前景图像的下一帧前景图像，实现对道路上的车辆进行逐一检测的目的。
在上述技术方案中，优选地，从第一监控视频或监控图像中提取包含车辆图像的前景图像具体包括：对第一监控视频进行预处理；读取第一监控视频的视频帧或监控图像，对视频帧或监控图像进行前背景分离，得到前景图像。
在该技术方案中，其中前景图像为视频帧或者监控图像中的车辆或者行人，也就是说视频中移动的物体且需要检测的图像部分，背景图像为视频帧或者监控图像中的背景，如道路等环境图像，也就是第一监控视频中不动且不需要检测的图像部分，将第一监控视频的视频帧或者监控图像的前景和背景进行分离，从而得到该第一监控视频或者监控图像的前景图像。
在上述技术方案中，优选地，对第一监控视频进行预处理具体包括：
在第一监控视频中标定感兴趣区域，感兴趣区域用于标定第一监控视频中前景图像的位置。
在该技术方案中，在第一监控视频中通过方框、圆、椭圆等方式标定出的需要处理的区域，也就是在视频中车辆行驶的区域，车辆行驶的区域可以标定为第一监控视频中待提取的前景图像的位置，为后续对第一监控视频或者监控图像进行提取前景图像提供便利。
在上述技术方案中，优选地，对视频帧或监控图像进行前背景分离具体包括：对视频帧或监控图像进行高斯背景建模得到背景模型，通过背景模型和感兴趣区域对视频帧或监控图像进行前背景分离。
在该技术方案中，对视频帧或者监控图像进行高斯背景建模得到高斯背景模型，再将感兴趣区域映射到高斯背景模型中，可以将第一监控视频中的背景和前景进行分离，使获取到的前景图像更加准确。
进一步地，在对背景和前景进行分离还可以使用背景减除法或者背景差分法来代替高斯建模，使用这两种方法可以使计算速度更快，但这两种方法也有各自的缺点，其中背景减除法更容易受到光照的影响抗干扰能力较差，可以用于光照变化不大的环境的进行使用；而背景差分法对于目标宽高以及面积的估计受运动目标的速度影响较大，可以用于对车辆行驶速度存在限制的环境进行使用，根据实际情况进行选择使用。
根据本发明的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如上述任一技术方案的方法的步骤，因而具有视频监控方法的全部有益技术效果，在此不再赘述。
附图说明
图1示出了根据本发明的一个实施例的视频监控方法的示意流程图；
图2示出了根据本发明的另一个实施例的视频监控方法的示意流程图；
图3示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图4示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图5示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图6示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图7示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图8示出了根据本发明的再一个实施例的视频监控方法的示意流程图；
图9示出了根据本发明的一个实施例的视频监控装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1至图8来描述根据本发明的一些实施例提供的视频监控方法。
请参阅图1，本发明第一方面的实施例提供了一种视频监控方法，包括：
S102，获取第一监控视频或监控图像；
S104，从第一监控视频或监控图像中提取包含车辆图像的前景图像，对前景图像进行二值化处理得到二值化图像；
S106，识别二值化图像中的车辆图像的车辆轮廓，计算得到车辆轮廓的轮廓参数，基于轮廓参数车辆图像中的车辆为泥头车的情况，判断泥头车是否处于覆盖状态。
在上述实施例中，第一监控视频为待检测路段的实时监控视频，通过对第一监控视频或者监控图像提取包含车辆图像的前景图像，并对前景图像进行二值化处理，通过二值化处理的前景图像呈现出明显的黑白效果，从而更能凸显出目标的轮廓，对前景图像中的车辆标定车辆轮廓，其中车辆轮廓可以选择矩形轮廓，并对提取的矩形轮廓进行计算，从而得到车辆的轮廓参数，根据轮廓参数判断车辆图像中的车辆是否为泥头车，当判断车辆为泥头车后在对泥头车是否处于异常状态，通过对图像中的车辆是否为泥头车的判断，实现了对第一监控视频或监控图像进行初次筛选，并且利用前景二值化图像提取参数进行对比提高了筛选的准确性，通过对筛选后的第一监控视频或者监控图像中的泥头车状态进行检测，避免了传统方法中每一帧视频都需要进行检测的问题，使每次检测都可以精准的检测到包含泥头车的视频帧或者图像，减少了检测过程带来的计算量的消耗，提升了视频处理速度以及监控系统的效率，其中，计算车辆轮廓参数可使用开源计算机视觉库OpenCV中提取目标轮廓的函数cvFindContours和cvBoundingRect函数得到运动目标矩形轮廓左上角坐标点(xl,yl)和右下角坐标点(xr,yr)，根据坐标点计算轮廓的宽度w、高度h以及矩形面积s，计算公式为如下：
请参阅图2，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S202，设置预设参数最小阈值；
S204，获取第一监控视频或监控图像；
S206，提取前景图像，对前景图像进行处理得到二值化图像；
S208，识别车辆轮廓并计算得到轮廓参数；
S210，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S212，否则返回S204；
S212，判断泥头车是否处于异常状态。
在上述实施例中，对泥头车的轮廓参数进行预设，得到预设参数的最小阈值，预设参数与计算所得到的车辆轮廓参数为对应关系，具体可选设置泥头车车辆的宽度wmax、高度hmax和面积Smax的最小阈值，通过将预设参数与计算得到的车辆轮廓参数进行对比，当计算得到的轮廓参数大于预设参数的最小阈值时，可以确定该车辆对泥头车，否则可以确定其不是泥头车，其中，具体对比方式可以为若w≥wmax or h≥hmax or s≥smax为真则判定包含可疑大型车辆，可以理解为图像中的车辆轮廓的宽度、高度和面积中的任一项参数要大于预设参数最小阈值则可以确定该车辆为泥头车，通过对二值化图像中的车辆图像进行标定轮廓，并对车辆轮廓进行计算，通过计算可以得到完整的车辆图像的信息，根据完整的车辆图像的信息与预设参数最小阈值进行对比判断，相比于现有技术中通过判断车辆单独一个侧面或者单独一个参数对车辆种类的判断，具有更高的准确性，可以精准的分辨前景图像中的车辆是否为泥头车。
请参阅图3，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S302，训练泥头车检测模型；
S304，设置预设参数最小阈值；
S306，获取第一监控视频或监控图像；
S308，提取前景图像，对前景图像进行处理得到二值化图像；
S310，识别车辆轮廓并计算得到轮廓参数；
S312，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S314，否则返回S306；
S314，将前景图像输入泥头车检测模型进行判断；
S316，根据判断结果确定是否发出报警信息。
在上述实施例中，对泥头车的轮廓参数进行预设的同时，进行训练泥头车检测模型，训练完成后，将确定包含泥头车的前景图像输入到泥头车检测模型中，利用检测模型对泥头车的状态进行检测，根据利用泥头车检测模型对前景图像的检测结果判断是否发出报警信息，报警信息可以直接提示路过的泥头车进行整改，也可以提示监管部门有不合法的泥头车在行驶。
请参阅图4，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S402，获取并分割第二监控视频得到图片集；
S404，接收并利用由图片集得到的数据集训练泥头车检测模型；
S406，设置预设参数最小阈值；
S408，获取第一监控视频或监控图像；
S410，提取前景图像，对前景图像进行处理得到二值化图像；
S412，识别车辆轮廓并计算得到轮廓参数；
S414，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S416，否则返回S408；
S416，将前景图像输入泥头车检测模型进行判断；
S418，根据判断结果确定是否发出报警信息。
在上述实施例中，第二监控视频为拍摄到的包含各种状态以及型号的泥头车的监控视频，对第二监控视频进行拆解成视频帧并形成图片集，从图片集中挑选30000张车辆样本图片进行手工标注样本图片，手动标注泥头车车辆数据时泥头车类别分为两类，泥头车载货未覆盖类的异常状态为一类、泥头车其它符合环保要求的正常状态如载货覆盖、未载货等为另外一类，从而得到相应的两类泥头车数据集，使用该数据集训练基于深度学习SSD框架的泥头车检测模型，SSD为一种物体检测模型，将采集到的数据集输入到SSD框架中可以生成相应的检测模型，除了使用SSD检测模型还可以使用如Faster-RCNN、YOLO3、LightHead R-CNN等检测框架训练的检测模型，手工标注样本图片使标注得到的数据集更加准确，进一步提高所得到的泥头车检测模型的准确性，并且泥头车检测模型是利用正常状态和异常状态两类数据集进行训练的，使可以有效减少漏检和误检。
请参阅图5，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S502，获取并分割第二监控视频得到图片集；
S504，接收并利用由图片集得到的数据集训练泥头车检测模型；
S506，设置预设参数最小阈值；
S508，获取第一监控视频或监控图像；
S510，提取前景图像，对前景图像进行处理得到二值化图像；
S512，识别车辆轮廓并计算得到轮廓参数；
S514，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S516，否则返回S508；
S516，将前景图像输入泥头车检测模型；
S518，对泥头车是否为异常状态进行判断，判定泥头车处于异常状态时执行S520，否则返回S508；
S520，监控系统发出报警信息。
在上述实施例中，泥头车检测模型中泥头车分为两类，第一类为泥头车载货未覆盖的异常状态，第二类为泥头车符合环保要求的正常状态如载货覆盖、未载货等，利用泥头车检测模型检测包含泥头车的前景图像是否属于正常情况，通过将泥头车状态分为正常和异常两种状态，并且正常状态包括载货覆盖和未载货两种状态，可以提高对泥头车的检测的准确率，避免漏检误检，如果处于正常情况则对下一帧视频进行检测，否则发出报警信息，报警之后会继续检测当前前景图像的下一帧前景图像，实现对道路上的车辆进行逐一检测的目的。
请参阅图6，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S602，获取并分割第二监控视频得到图片集；
S604，接收并利用由图片集得到的数据集训练泥头车检测模型；
S606，设置预设参数最小阈值；
S608，获取第一监控视频或监控图像；
S610，对第一监控视频进行预处理；
S612，对视频帧或监控图像进行前背景分离，得到前景图像，并对其进行处理得到二值化图像；
S614，识别车辆轮廓并计算得到轮廓参数；
S616，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S618，否则返回S608；
S618，将前景图像输入泥头车检测模型；
S620，对泥头车是否为异常状态进行判断，判定泥头车处于异常状态时执行S622，否则返回S608；
S622，监控系统发出报警信息。
在上述实施例中，其中前景图像为视频帧或者监控图像中的车辆或者行人，也就是说视频中移动的物体且需要检测的图像部分，背景图像为视频帧或者监控图像中的背景，如道路等环境图像，也就是第一监控视频中不动且不需要检测的图像部分，将第一监控视频的视频帧或者监控图像的前景和背景进行分离，从而得到该第一监控视频或者监控图像的前景图像。
请参阅图7，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S702，获取并分割第二监控视频得到图片集；
S704，接收并利用由图片集得到的数据集训练泥头车检测模型；
S706，设置预设参数最小阈值；
S708，获取第一监控视频或监控图像；
S710，在第一监控视频中标定感兴趣区域；
S712，对视频帧或监控图像进行前背景分离，得到前景图像，并对其进行处理得到二值化图像；
S714，识别车辆轮廓并计算得到轮廓参数；
S716，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S718，否则返回S708；
S718，将前景图像输入泥头车检测模型；
S720，对泥头车是否为异常状态进行判断，判定泥头车处于异常状态时执行S722，否则返回S708；
S722，监控系统发出报警信息。
在上述实施例中，在第一监控视频中通过方框、圆、椭圆等方式标定出的需要处理的区域，也就是在视频中车辆行驶的区域，车辆行驶的区域可以标定为第一监控视频中待提取的前景图像的位置，为后续对第一监控视频或者监控图像进行提取前景图像提供便利。
请参阅图8，本发明提供的一个实施例中，提出了一种视频监控方法，包括：
S802，获取并分割第二监控视频得到图片集；
S804，接收并利用由图片集得到的数据集训练泥头车检测模型；
S806，设置预设参数最小阈值；
S808，获取第一监控视频或监控图像；
S810，在第一监控视频中标定感兴趣区域；
S812，利用高斯建模得到背景模型，前背景分离得到前景图像，并对其进行处理得到二值化图像；
S814，识别车辆轮廓并计算得到轮廓参数；
S816，判断轮廓参数是否小于预设参数最小阈值，判断结果为是则执行S818，否则返回S808；
S818，将前景图像输入泥头车检测模型；
S820，对泥头车是否为异常状态进行判断，判定泥头车处于异常状态时执行S822，否则返回S808；
S822，监控系统发出报警信息。
在上述实施例中，对视频帧或者监控图像进行高斯背景建模得到高斯背景模型，再将感兴趣区域映射到高斯背景模型中，可以将第一监控视频中的背景和前景进行分离，使获取到的前景图像更加准确。
进一步地，在对背景和前景进行分离还可以使用背景减除法或者背景差分法来代替高斯建模，使用这两种方法可以使计算速度更快，但这两种方法也有各自的缺点，其中背景减除法更容易受到光照的影响抗干扰能力较差，可以用于光照变化不大的环境的进行使用；而背景差分法对于目标宽高以及面积的估计受运动目标的速度影响较大，可以用于对车辆行驶速度存在限制的环境进行使用，根据实际情况进行选择使用。
请参阅图9，本发明第二个方面的实施例提供了一种视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：获取第一监控视频或监控图像；从第一监控视频或监控图像中提取包含车辆图像的前景图像，对前景图像进行二值化处理得到二值化图像；识别二值化图像中的车辆图像的车辆轮廓，计算得到车辆轮廓的轮廓参数，基于轮廓参数车辆图像中的车辆为泥头车的情况，判断泥头车是否处于异常状态。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：第一监控视频为待检测路段的实时监控视频，通过对第一监控视频或者监控图像提取包含车辆图像的前景图像，并对前景图像进行二值化处理，通过二值化处理的前景图像呈现出明显的黑白效果，从而更能凸显出目标的轮廓，对前景图像中的车辆标定车辆轮廓，其中车辆轮廓可以选择矩形轮廓，并对提取的矩形轮廓进行计算，从而得到车辆的轮廓参数，根据轮廓参数判断车辆图像中的车辆是否为泥头车，当判断车辆为泥头车后在对泥头车是否处于异常状态，通过对图像中的车辆是否为泥头车的判断，实现了对第一监控视频或监控图像进行初次筛选，并且利用前景二值化图像提取参数进行对比提高了筛选的准确性，通过对筛选后的第一监控视频或者监控图像中的泥头车状态进行检测，避免了传统方法中每一帧视频都需要进行检测的问题，使每次检测都可以精准的检测到包含泥头车的视频帧或者图像，减少了检测过程带来的计算量的消耗，提升了视频处理速度以及监控系统的效率，其中，计算车辆轮廓参数可使用开源计算机视觉库OpenCV中提取目标轮廓的函数cvFindContours和cvBoundingRect函数得到运动目标矩形轮廓左上角坐标点(xl,yl)和右下角坐标点(xr,yr)，根据坐标点计算轮廓的宽度w、高度h以及矩形面积s，计算公式为如下：
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：设置预设参数最小阈值；将轮廓参数与预设参数最小阈值进行对比，轮廓参数大于预设参数最小阈值，判断为车辆图像中的车辆为泥头车，否则，车辆图像中的车辆未非泥头车。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：对泥头车的轮廓参数进行预设，得到预设参数的最小阈值，预设参数与计算所得到的车辆轮廓参数为对应关系，具体可选设置泥头车车辆的宽度wmax、高度hmax和面积Smax的最小阈值，通过将预设参数与计算得到的车辆轮廓参数进行对比，当计算得到的轮廓参数大于预设参数的最小阈值时，可以确定该车辆对泥头车，否则可以确定其不是泥头车，其中，具体对比方式可以为若w≥wmaxor h≥hmax or s≥smax为真则判定包含可疑大型车辆，可以理解为图像中的车辆轮廓的宽度、高度和面积中的任一项参数要大于预设参数最小阈值则可以确定该车辆为泥头车，通过对二值化图像中的车辆图像进行标定轮廓，并对车辆轮廓进行计算，通过计算可以得到完整的车辆图像的信息，根据完整的车辆图像的信息与预设参数最小阈值进行对比判断，相比于现有技术中通过判断车辆单独一个侧面或者单独一个参数对车辆种类的判断，具有更高的准确性，可以精准的分辨前景图像中的车辆是否为泥头车。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：判断泥头车是否处于异常状态具体包括：训练泥头车检测模型；将被确认为包含泥头车的前景图像输入泥头车检测模型中进行检测，得到判断结果；根据判断结果确定是否发出报警信息。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：对泥头车的轮廓参数进行预设的同时，进行训练泥头车检测模型，训练完成后，将确定包含泥头车的前景图像输入到泥头车检测模型中，利用检测模型对泥头车的状态进行检测，根据利用泥头车检测模型对前景图像的检测结果判断是否发出报警信息，报警信息可以直接提示路过的泥头车进行整改，也可以提示监管部门有不合法的泥头车在行驶。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：训练泥头车检测模型具体包括：获取并分割第二监控视频得到图片集；接收从图片集中挑选到的车辆样本图片进行标注得到的数据集，对数据集进行训练得到泥头车检测模型。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：第二监控视频为拍摄到的包含各种状态以及型号的泥头车的监控视频，对第二监控视频进行拆解成视频帧并形成图片集，从图片集中挑选30000张车辆样本图片进行手工标注样本图片，手动标注泥头车车辆数据时泥头车类别分为两类，泥头车载货未覆盖类的异常状态为一类、泥头车其它符合环保要求的正常状态如载货覆盖、未载货等为另外一类，从而得到相应的两类泥头车数据集，使用该数据集训练基于深度学习SSD框架的泥头车检测模型，SSD框架为一种物体检测模型，将采集到的数据集输入到SSD框架中可以生成相应的检测模型，除了使用SSD检测模型还可以使用如Faster-RCNN、YOLO3、Light Head R-CNN等检测框架训练的检测模型，手工标注样本图片使标注得到的数据集更加准确，进一步提高所得到的泥头车检测模型的准确性，并且泥头车检测模型是利用正常状态和异常状态两类数据集进行训练的，使可以有效减少漏检和误检。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：根据判断结果确定是否进行报警具体包括：在判定泥头车处于异常状态时，监控系统发出报警信息；在判定泥头车处于正常情况时，获取当前前景图像的下一帧前景图像。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：泥头车检测模型中泥头车分为两类，第一类为泥头车载货未覆盖的异常状态，第二类为泥头车符合环保要求的正常状态如载货覆盖、未载货等，利用泥头车检测模型检测包含泥头车的前景图像是否属于正常情况，通过将泥头车状态分为正常和异常两种状态，并且正常状态包括载货覆盖和未载货两种状态，可以提高对泥头车的检测的准确率，避免漏检误检，如果处于正常情况则对下一帧视频进行检测，否则发出报警信息，报警之后会继续检测当前前景图像的下一帧前景图像，实现对道路上的车辆进行逐一检测的目的。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：从第一监控视频或监控图像中提取包含车辆图像的前景图像具体包括：对第一监控视频进行预处理；读取第一监控视频的视频帧或监控图像，对视频帧或监控图像进行前背景分离，得到前景图像。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：其中前景图像为视频帧或者监控图像中的车辆或者行人，也就是说视频中移动的物体且需要检测的图像部分，背景图像为视频帧或者监控图像中的背景，如道路等环境图像，也就是第一监控视频中不动且不需要检测的图像部分，将第一监控视频的视频帧或者监控图像的前景和背景进行分离，从而得到该第一监控视频或者监控图像的前景图像。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：对第一监控视频进行预处理具体包括：
在第一监控视频中标定感兴趣区域，感兴趣区域用于标定第一监控视频中前景图像的位置。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：在第一监控视频中通过方框、圆、椭圆等方式标定出的需要处理的区域，也就是在视频中车辆行驶的区域，车辆行驶的区域可以标定为第一监控视频中待提取的前景图像的位置，为后续对第一监控视频或者监控图像进行提取前景图像提供便利。
在本申请的一个实施例中，提供了一种视频监控装置100，包括，存储器110、处理器120及存储在存储器110上并可在处理器上运行的计算机程序：对视频帧或监控图像进行前背景分离具体包括：对视频帧或监控图像进行高斯背景建模得到背景模型，通过背景模型和感兴趣区域对视频帧或监控图像进行前背景分离。
在该实施例中，视频监控装置100，包括：存储器110及存储在存储器110上并可在处理器120上运行的计算机程序；计算机程序被处理器执行时实现如：对视频帧或者监控图像进行高斯背景建模得到高斯背景模型，再将感兴趣区域映射到高斯背景模型中，可以将第一监控视频中的背景和前景进行分离，使获取到的前景图像更加准确。
进一步地，在对背景和前景进行分离还可以使用背景减除法或者背景差分法来代替高斯建模，使用这两种方法可以使计算速度更快，但这两种方法也有各自的缺点，其中背景减除法更容易受到光照的影响抗干扰能力较差，可以用于光照变化不大的环境的进行使用；而背景差分法对于目标宽高以及面积的估计受运动目标的速度影响较大，可以用于对车辆行驶速度存在限制的环境进行使用，根据实际情况进行选择使用。
鉴于上述，根据本发明的第二个方面，提供了一种视频监控装置100，包括：存储器110及存储在存储器上并可在处理器120上运行的计算机程序；
计算机程序被处理器执行时实现如上述任一实施例的方法的步骤，因而具有视频监控方法的全部有益技术效果，在此不再赘述。
本发明第三个方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的方法的步骤，因而具有上述回油控制方法的全部有益技术效果，在此不再赘述。
具体地，上述计算机可读存储介质可以包括能够存储或传输信息的任何介质。计算机可读存储介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
在本说明书的描述中，术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种视频监控方法，用于泥头车覆盖状态检测装置，其特征在于，包括：
获取第一监控视频或监控图像；
从所述第一监控视频或所述监控图像中提取包含车辆图像的前景图像，对所述前景图像进行二值化处理得到二值化图像；
识别所述二值化图像中的所述车辆图像的车辆轮廓，计算得到所述车辆轮廓的轮廓参数，基于所述轮廓参数车辆图像中的车辆为泥头车的情况，判断所述泥头车是否处于异常状态。
2.根据权利要求1所述的视频监控方法，其特征在于，还包括：
设置预设参数最小阈值；
将所述轮廓参数与预设参数最小阈值进行对比，轮廓参数大于预设参数最小阈值，判断为所述车辆图像中的车辆为泥头车，否则，所述车辆图像中的车辆未非泥头车。
3.根据权利要求1所述的视频监控方法，其特征在于，判断所述泥头车是否处于异常状态具体包括：
训练泥头车检测模型；
将被确认为包含泥头车的所述前景图像输入泥头车检测模型中进行检测，得到判断结果；
根据判断结果确定是否发出报警信息。
4.根据权利要求3所述的视频监控方法，其特征在于，训练泥头车检测模型具体包括：
获取并分割第二监控视频得到图片集；
接收从所述图片集中挑选到的车辆样本图片进行标注得到的数据集，对所述数据集进行训练得到所述泥头车检测模型。
5.根据权利要求3所述的视频监控方法，其特征在于，根据判断结果确定是否进行报警具体包括：
在判定泥头车处于所述异常状态时，监控系统发出报警信息；在判定泥头车未处于所述异常状态时，获取当前所述前景图像的下一帧前景图像。
6.根据权利要求1至5中任一项所述的视频监控方法，其特征在于，从所述第一监控视频或所述监控图像中提取包含车辆图像的前景图像具体包括：
对所述第一监控视频进行预处理；
读取所述第一监控视频的视频帧或所述监控图像，对所述视频帧或所述监控图像进行前背景分离，得到所述前景图像。
7.根据权利要求6所述的视频监控方法，其特征在于，对所述第一监控视频进行预处理具体包括：
在所述第一监控视频中标定感兴趣区域，所述感兴趣区域用于标定所述第一监控视频中所述前景图像的位置。
8.根据权利要求7所述的视频监控方法，其特征在于，对所述视频帧或所述监控图像进行前背景分离具体包括：
对所述视频帧或所述监控图像进行高斯背景建模得到背景模型，通过所述背景模型和所述感兴趣区域对所述视频帧或所述监控图像进行前背景分离。
9.一种视频监控装置，其特征在于，所述视频监控装置包括：
存储器及存储在所述存储上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的视频监控方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有视频监控程序，所述视频监控程序被处理器执行时实现如权利要求1至8中任一项所述的视频监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634194.3A CN110324583A (zh) | 2019-07-15 | 2019-07-15 | 一种视频监控方法、视频监控装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634194.3A CN110324583A (zh) | 2019-07-15 | 2019-07-15 | 一种视频监控方法、视频监控装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110324583A true CN110324583A (zh) | 2019-10-11 |
Family
ID=68123453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910634194.3A Pending CN110324583A (zh) | 2019-07-15 | 2019-07-15 | 一种视频监控方法、视频监控装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110324583A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046822A (zh) * | 2019-12-19 | 2020-04-21 | 山东财经大学 | 一种基于人工智能视频识别的大型车辆防盗方法 |
| CN111126261A (zh) * | 2019-12-23 | 2020-05-08 | 珠海深圳清华大学研究院创新中心 | 视频数据分析方法及装置、树莓派装置及可读存储介质 |
| CN112131966A (zh) * | 2020-09-01 | 2020-12-25 | 深圳中兴网信科技有限公司 | 泥头车监控方法、系统和存储介质 |
| CN113222894A (zh) * | 2021-04-08 | 2021-08-06 | 北京工业大学 | 粮面害虫数量的确定方法、装置、电子设备和存储介质 |
| CN113358125A (zh) * | 2021-04-30 | 2021-09-07 | 西安交通大学 | 一种基于环境目标检测和环境目标地图的导航方法及系统 |
| CN117132936A (zh) * | 2023-08-31 | 2023-11-28 | 北京中电拓方科技股份有限公司 | 煤炭板块自建系统数据梳理及数据接入系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3156939A1 (en) * | 2015-10-14 | 2017-04-19 | Fujitsu Limited | Method and apparatus for detecting a traffic state and electronic equipment |
| CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、系统和计算机可读存储介质 |
| CN109815856A (zh) * | 2019-01-08 | 2019-05-28 | 深圳中兴网信科技有限公司 | 目标车辆的状态标记方法、系统和计算机可读存储介质 |
-
2019
- 2019-07-15 CN CN201910634194.3A patent/CN110324583A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3156939A1 (en) * | 2015-10-14 | 2017-04-19 | Fujitsu Limited | Method and apparatus for detecting a traffic state and electronic equipment |
| CN109815856A (zh) * | 2019-01-08 | 2019-05-28 | 深圳中兴网信科技有限公司 | 目标车辆的状态标记方法、系统和计算机可读存储介质 |
| CN109800696A (zh) * | 2019-01-09 | 2019-05-24 | 深圳中兴网信科技有限公司 | 目标车辆的监控方法、系统和计算机可读存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111046822A (zh) * | 2019-12-19 | 2020-04-21 | 山东财经大学 | 一种基于人工智能视频识别的大型车辆防盗方法 |
| CN111126261A (zh) * | 2019-12-23 | 2020-05-08 | 珠海深圳清华大学研究院创新中心 | 视频数据分析方法及装置、树莓派装置及可读存储介质 |
| CN111126261B (zh) * | 2019-12-23 | 2023-05-26 | 珠海深圳清华大学研究院创新中心 | 视频数据分析方法及装置、树莓派装置及可读存储介质 |
| CN112131966A (zh) * | 2020-09-01 | 2020-12-25 | 深圳中兴网信科技有限公司 | 泥头车监控方法、系统和存储介质 |
| CN113222894A (zh) * | 2021-04-08 | 2021-08-06 | 北京工业大学 | 粮面害虫数量的确定方法、装置、电子设备和存储介质 |
| CN113358125A (zh) * | 2021-04-30 | 2021-09-07 | 西安交通大学 | 一种基于环境目标检测和环境目标地图的导航方法及系统 |
| CN117132936A (zh) * | 2023-08-31 | 2023-11-28 | 北京中电拓方科技股份有限公司 | 煤炭板块自建系统数据梳理及数据接入系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110324583A (zh) | 一种视频监控方法、视频监控装置及计算机可读存储介质 | |
| Ai et al. | Automatic pixel-level pavement crack detection using information of multi-scale neighborhoods | |
| Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
| CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
| CN103069434B (zh) | 用于多模式视频事件索引的方法和系统 | |
| WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
| KR101935010B1 (ko) | 영상 기반 차량 번호판 인식 장치 및 방법 | |
| CA3094424A1 (en) | Safety monitoring and early-warning method for man-machine interaction behavior of underground conveyor belt operator | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| US20140169639A1 (en) | Image Detection Method and Device | |
| CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
| CN111199647B (zh) | 一种道路车辆连续变道和违规掉头的监控视频检测方法 | |
| CN106951898B (zh) | 一种车辆候选区域推荐方法及系统、电子设备 | |
| CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
| Wu et al. | A new approach to video-based traffic surveillance using fuzzy hybrid information inference mechanism | |
| Indrabayu et al. | Blob modification in counting vehicles using gaussian mixture models under heavy traffic | |
| Chen et al. | A novel fire identification algorithm based on improved color segmentation and enhanced feature data | |
| CN101908214A (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
| US9727780B2 (en) | Pedestrian detecting system | |
| CN111402185B (zh) | 一种图像检测方法及装置 | |
| Diaz-Cabrera et al. | Traffic light recognition during the night based on fuzzy logic clustering | |
| CN117124332A (zh) | 基于ai视觉抓取的机械臂控制方法及系统 | |
| Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
| Khuc | Computer vision based structural identification framework for bridge health mornitoring | |
| Li et al. | A video-based algorithm for moving objects detection at signalized intersection |
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 |