CN110580708A - 一种快速移动检测方法、装置及电子设备 - Google Patents
一种快速移动检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110580708A CN110580708A CN201810596991.2A CN201810596991A CN110580708A CN 110580708 A CN110580708 A CN 110580708A CN 201810596991 A CN201810596991 A CN 201810596991A CN 110580708 A CN110580708 A CN 110580708A
- Authority
- CN
- China
- Prior art keywords
- detection target
- candidate
- target
- person
- candidate person
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
Abstract
本申请提供一种快速移动检测方法、装置及电子设备,所述方法包括:从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。本申请通过移动速度、姿态特征参数和运动特征参数判断视频帧中的目标人员是否发生快速移动,显著提升了检测快速移动的准确性。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种快速移动检测方法、装置及电子设备。
背景技术
公共场所发生事故往往会造成严峻的人身安全威胁和重大的公共财产损失。为实现公共场所的公共安全管理,通常会对人员密集的公共场所(比如:景区、广场、闹事街区、机场、地铁站等)进行视频监控。
通过机器分析采集到的视频流,可大大降低安保人员的工作量,并获得公共安全管理的判断依据。在实际应用中,可以通过检测视频流中的人员快速移动,来判断公共场所是否存在威胁人身安全和公共财产的事件(比如:抢劫、骚乱、械斗等)。
现有技术中,通过提取视频帧的前景图像后,从前景图像中提取出人体骨架,然后在该骨架中定位出人体的双腿,并根据双腿夹角是否大于夹角阈值来判断是否发生奔跑行为(即快速移动)。
然而,仅仅依据双腿夹角作为快速移动的判断依据,理由并不充分,实际上检测的准确率不高。
发明内容
有鉴于此,本申请提供一种快速移动检测方法、装置及电子设备,用以准确地检测出公共场所的人员是否发生快速移动。
具体地,本申请是通过如下技术方案实现的:
一种快速移动检测方法,包括:
从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
在所述快速移动检测方法中,所述从目标人员的视频帧中选择出满足条件的候选人员的视频帧,包括:
从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系;
根据所述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于所述速度阈值;
如果是,确定该检测目标所在的视频帧为所述候选人员的视频帧。
在所述快速移动检测方法中,所述姿态特征参数包括从所述候选人员的视频帧中确定的所述候选人员的图像;所述运动特征参数包括基于所述候选人员的视频帧计算得到的多个光流图。
在所述快速移动检测方法中,所述依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动,包括:
将所述姿态特征参数和所述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算所述候选人员的移动速度时所用的历史坐标均为所述候选人员的检测目标的历史坐标的置信度;
确定所述第一置信度是否达到预设的置信度阈值,如果是,确定所述候选人员发生快速移动。
在所述快速移动检测方法中,在采集视频流之前,基于配置信息确定快速移动的指定检测区域;
所述从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,包括:
从采集到的视频流中提取在所述指定检测区域的目标人员的检测目标,并跟踪所述检测目标。
一种快速移动监测装置,包括:
选择单元,用于从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
获取单元,用于从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
判断单元,用于依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
在所述快速移动监测装置中,所述选择单元,进一步用于:
从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系;
根据所述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于所述速度阈值;
如果是,确定该检测目标所在的视频帧为所述候选人员的视频帧。
在所述快速移动监测装置中,所述姿态特征参数包括从所述候选人员的视频帧中确定的所述候选人员的图像;所述运动特征参数包括基于所述候选人员的视频帧计算得到的多个光流图。
在所述快速移动监测装置中,所述判断单元,进一步用于:
将所述姿态特征参数和所述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算所述候选人员的移动速度时所用的历史坐标均为所述候选人员的检测目标的历史坐标的置信度;
确定所述第一置信度是否达到预设的置信度阈值,如果是,确定所述候选人员发生快速移动。
在所述快速移动监测装置中,所述装置还包括:
配置单元,用于在采集视频流之前,基于配置信息确定快速移动的指定检测区域;
所述选择单元,进一步用于从采集到的视频流中提取在所述指定检测区域的目标人员的检测目标,并跟踪所述检测目标。
一种电子设备,所述电子设备搭载了处理器,以及,用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:
从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
在本申请实施例中,从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动;
由于本申请首先通过目标人员的移动速度,筛选出可能发生快速移动的候选人员,进而从将上述候选人员的视频帧中获取姿态特征参数和运动特征参数,依据上述姿态特征参数和上述运动特征参数判断在筛选候选人员时,所依据的移动速度是否正确,进而在移动速度正确的情况下,确定上述候选人员发生快速移动;相比相关技术,本申请通过移动速度、姿态特征参数和运动特征参数作为是否发生快速移动的判断依据,可极大地提高判定快速移动的准确性。
附图说明
图1是本申请示出的一种快速移动检测方法的流程示意图;
图2是本申请示出的一种获取光流图的效果示意图;
图3是本申请示出的一种利用卷积神经网络处理视频帧的流程示意图;
图4是本申请示出的一种快速移动检测装置的实施例框图;
图5是本申请示出的一种电子设备的硬件结构图。
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实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对现有技术方案和本发明实施例中的技术方案作进一步详细的说明。
参见图1,为本申请示出的一种快速移动检测方法的流程示意图,该方法包括以下步骤:
步骤101:从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值。
其中,上述方法的执行主体可以是监控设备(比如:监控摄像机),也可以是与监控设备对接的电子设备(比如:与监控设备对接的后台服务器)。为方便描述本申请方案,后文以监控设备为执行主体。
上述目标人员泛指出现在视频流中的任一人员,其只是为便于描述进行的命名,并不限定本申请。
上述候选人员指的是可能发生快速移动的人员。
在示出的一种实施方式中,首先,监控设备可以从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系。
一方面,监控设备可以通过用于前景检测的前景模型从上述视频流中提取前景目标,从而以该前景目标为目标人员的检测目标。其中,上述前景模型可以包括高斯混合模型(Gaussian Mixture Model)和ViBe(visual background extractor,视觉背景提取)算法等。
另一方面,监控设备可以通过已训练的卷积神经网络(Convolutional NeuralNetwork)从上述视频流中提取特征目标,从而以该特征目标为目标人员的检测目标。其中,上述卷积神经网络需预先通过人员特征的训练,可以识别出视频帧出现的特征目标,作为一种实施例,可以用人员的肢体对卷积神经网络进行训练,使得后续已训练的卷积神经网络可以从视频流中提取人员的肢体目标,从而获得检测目标。
在获得检测目标后,进一步地,监控设备可以跟踪上述检测目标,并将跟踪结果记录到跟踪表中。作为一种实施例,监控设备可以通过卡尔曼滤波、粒子滤波或者多目标跟踪技术等方式对上述检测目标进行跟踪,具体可参照相关技术,本申请在此不再赘述。
作为一种实施例,在采集视频流以前,首先可以基于配置信息确定快速移动的指定检测区域。其中,上述配置信息表征监控设备所覆盖的监控区域内需要检测快速移动的区域。
在这种情况下,监控设备在采集到视频流后,需从上述视频流中提取在上述指定检测区域的目标人员的检测目标。并在上述指定检测区域内跟踪上述检测目标。而当上述检测目标离开上述指定检测区域后,监控设备可以停止跟踪上述检测目标。
比如:如果监控设备覆盖的监控区域为地铁站,则指定检测区域可以是地铁站的出入口,这么一来,当目标人员在出入口附近时,监控设备可以对其进行跟踪,并记录跟踪结果到跟踪表,直到该目标人员离开出入口附近的区域。
监控设备在跟踪各目标人员的检测目标后,进一步地,可以根据上述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于预设的速度阈值。
其中,上述预设时长和预设的速度阈值都可以基于实际应用环境进行设置。
具体地,监控设备可以基于预设时长和每秒的帧数,确定当前的视频帧与预设时长前的视频帧相差的帧数,然后基于相差的帧数确定预设时长前的视频帧的标识,再从上述跟踪表中获取检测目标在预设时长前的视频帧里的坐标。
作为一种实施例,上述跟踪表中记录的检测目标的历史坐标可以是检测目标的目标框的中心点的历史坐标。
在这种情况下,可以按照预设的第一公式计算预设时长内每一检测目标的移动速度,该第一公式如下所示:
其中,(x[t],y[t])表示当前的视频帧中包含检测目标的目标框的中心点的坐标,(x[t-n],y[t-n])表示在预设时长n前的视频帧中的该检测目标的目标框的中心点的历史坐标。
监控设备可以通过上述第一公式计算各个检测目标在预设时长内的移动速度,然后判断计算出的各个检测目标的移动速度是否大于预设的速度阈值。
一方面,如果各个检测目标的移动速度均小于上述速度阈值,则确定暂未发生快速移动,继续对各检测目标进行跟踪。
另一方面,如果存在任一检测目标的移动速度大于上述速度阈值,则可以认定将该检测目标可能发生快速移动,换而言之,该检测目标是候选人员的检测目标,该检测目标所在的视频帧为上述候选人员的视频帧。然而,为避免跟踪过程中出错,导致计算移动速度所采用的历史坐标不属于同一检测目标,需采取进一步的判断。
步骤102:从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数。
其中,上述姿态特征参数包括从上述候选人员的视频帧中确定的的上述候选人员的图像。需要指出的是,上述候选人员的图像可以是RGB(Red Green Blue,红绿蓝)图像、YUV图像或其它格式的图像,基于上述视频帧的格式而定。上述候选人员的图像包括候选人员的肢体轮廓,因此,具有候选人员的姿态信息。
上述运动特征参数包括基于上述候选人员的视频帧计算得到的多个光流图。
上述光流图可以通过以下方式得到:
(1)基于n帧上述候选人员的检测目标所处的视频帧,通过差帧法或用于前景检测的前景模型从上述视频帧中得到运动前景目标。
(2)对第t帧的运动前景目标和第t+1帧的运动前景目标进行相似度匹配,若匹配成功,可以获取运动信息。具体匹配方式可参照相关技术,在此不再赘述。
比如:在第t帧中,A点的坐标为(x1,y1),如果在第t+1帧中找到A点,且A点的坐标为(x2,y2),则在第t帧到第t+1帧之间,A点的运动信息通过如下公式计算得到:(ux,vy)=(x2,y2)-(x1,y1)。
(3)在获得运动前景目标的运动信息后,即可生成光流图。其中,n帧检测目标所处的视频帧,可以生成n-1帧光流图。
参见图2,为本申请示出的一种获取光流图的效果示意图,如图2所示,左侧为人员的检测目标所处的视频帧,右侧为计算生成的光流图。
步骤103:依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
在示出的一种实施方式中,监控设备可以上述姿态特征参数和上述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算上述候选人员的移动速度时所用的历史坐标均为上述候选人员的检测目标的历史坐标置信度。
在这种实施方式中,需预先训练基于姿态特征参数和运动特征参数判断不同视频帧中的检测目标是否为同一检测目标的卷积神经网络。
以上述姿态特征参数为从上述候选人员的视频帧中确定的的上述候选人员的图像,上述运动特征参数为基于上述候选人员的视频帧计算得到的多个光流图为例,该卷积神经网络的训练过程可以包括以下步骤:
首先,监控设备可以获取样本图像,上述样本图像上还携带上述样本图像中的检测目标是否为同一检测目标的标记;其中,上述样本图像包括检测目标指示的人员的图像和上述检测目标所处的多个视频帧计算出的多个光流图,上述标记包括表征是同一检测目标的标记1和表征不是同一检测目标的标记0。
比如:样本图像可以是包括多个检测目标A指示的人员A的图像和检测目标A所处的多个视频帧计算出的多个光流图,标记为1;样本图像可以是包括多个检测目标A指示的人员A的图像和多个检测目标B指示的人员B的图像,以及,检测目标A所处的多个视频帧计算出的多个光流图,标记为0。
进一步地,监控设备可以利用卷积神经网络输出上述样本图像中的检测目标为同一检测目标的置信度,然后根据该置信度和上述样本图像上的标记之间的差异,对上述卷积申请网络的网络参数进行训练。
需要指出的是,在后续应用过程中,该置信度实际也表征计算检测目标指示的候选人员的移动速度时,所用的历史坐标均为该候选人员的检测目标的历史坐标的置信度。
对上述卷积神经网络经过一定数量的样本图像的训练后,得到训练好的卷积神经网络。上述卷积神经网络可以是GoogLeNet、ResNet、VGGNet、AlexNet等深度学习网络中的任意一种。
参见图3,为本申请示出的一种利用卷积神经网络处理视频帧的流程示意图。如图3所示,具体包括:
(1)从上述候选人员的检测目标所处的多个视频帧中确定该候选人员的图像,并将确定的该候选人员的图像输入到已训练的上述卷积神经网络。
需要指出的是,在t时刻计算预设时长n至t时刻之间任一候选人员的移动速度大于速度阈值后,即可从t时刻至t-n时刻的多个视频帧中确定该候选人员的图像。
(2)基于上述候选人员的检测目标所处的多个视频帧计算得到多个光流图,并将光流图输入到已训练的上述卷积神经网络。
需要指出的是,在t时刻计算预设时长n至t时刻之间任一候选人员的移动速度大于速度阈值后,上述光流图由t时刻至t-n时刻的多个视频帧计算得到。
上述卷积神经网络可以基于上述候选人员的图像和计算得到的多个光流图,获得上述候选人员的姿态信息和运动信息,从而计算并输出第一置信度。若基于上述t时刻至t-n时刻的视频帧输出该第一置信度,则该第一置信度表征在计算t时刻至t-n时刻的该候选人员的移动速度时,所用的历史坐标(x[t],y[t])和(x[t-n],y[t-n])均为该候选人员的检测目标的历史坐标的置信度。
进一步地,监控设备可以确定该第一置信度是否达到预设的置信度阈值。
其中,上述置信度阈值越低,则判断是否发生快速移动的灵敏度越高,相应地,准确性会下降。该置信度阈值可以基于实际应用环境进行设置。
在上述卷积神经网络输出上述第一置信度后,将该第一置信度与上述置信度阈值进行比较,确定该第一置信度是否达到上述置信度阈值。
一方面,如果该第一置信度未达到上述置信度阈值,则确定跟踪过程发生错误,计算移动速度的历史坐标不属于同一个检测目标,以及,并未发生快速移动。
另一方面,如果该第一置信度达到上述置信度阈值,则确定计算移动速度的历史坐标属于同一个检测目标,上述检测目标指示的候选人员发生快速移动。在这种情况下,可以输出报警信息。
比如:若上述置信度阈值预配置为0.6,而上述卷积神经网络输出的检测目标A的移动速度由属于同一检测目标的历史坐标计算的置信度为0.8,则可以确定该检测目标A对应的候选人员A发生快速移动。
综上所述,在本申请技术方案中,监控设备从目标人员的视频帧中选择出满足条件的候选人员的视频帧;该条件为:移动速度大于预设的速度阈值;从上述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;进一步地,依据上述姿态特征参数和上述运动特征参数确定上述候选人员是否发生快速移动;
由于本申请首先通过目标人员的移动速度,筛选出可能发生快速移动的候选人员,进而从将上述候选人员的视频帧中获取姿态特征参数和运动特征参数,依据上述姿态特征参数和上述运动特征参数判断在筛选候选人员时,所依据的移动速度是否正确,进而在移动速度正确的情况下,确定上述候选人员发生快速移动;相比相关技术,本申请通过移动速度、姿态特征参数和运动特征参数作为是否发生快速移动的判断依据,可极大地提高判定快速移动的准确性。
与前述快速移动检测方法的实施例相对应,本申请还提供了快速移动检测装置的实施例。
参见图4,为本申请示出的一种快速移动检测装置的实施例框图:
如图4所示,该快速移动检测装置40包括:
选择单元410,用于从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值。
获取单元420,用于从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数。
判断单元430,用于依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
在本例中,所述选择单元410,进一步用于:
从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系;
根据所述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于所述速度阈值;
如果是,确定该检测目标所在的视频帧为所述候选人员的视频帧。
在本例中,所述姿态特征参数包括从所述候选人员的视频帧中确定的所述候选人员的图像;所述运动特征参数包括基于所述候选人员的视频帧计算得到的多个光流图。
在本例中,所述判断单元430,进一步用于:
将所述姿态特征参数和所述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算所述候选人员的移动速度时所用的历史坐标均为所述候选人员的检测目标的历史坐标的置信度;
确定所述第一置信度是否达到预设的置信度阈值,如果是,确定所述候选人员发生快速移动。
在本例中,所述装置还包括:
配置单元440(图中未示出),用于在采集视频流之前,基于配置信息确定快速移动的指定检测区域;
所述选择单元410,进一步用于从采集到的视频流中提取在所述指定检测区域的目标人员的检测目标,并跟踪所述检测目标。
本申请快速移动检测装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
从硬件层面而言,如图5所示,为本申请快速移动检测装置所在电子设备的一种硬件结构图,除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该快速移动检测装置的实际功能,还可以包括其他硬件,对此不再赘述。其中,该电子设备的内存和非易失性存储器中还分别搭载了上述选择单元410对应的机器可执行指令、上述获取单元420对应的机器可执行指令、上述判断单元430对应的机器可执行指令和上述配置单元440对应的机器可执行指令。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (11)
1.一种快速移动检测方法,其特征在于,包括:
从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
2.根据权利要求1所述的方法,其特征在于,所述从目标人员的视频帧中选择出满足条件的候选人员的视频帧,包括:
从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系;
根据所述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于所述速度阈值;
如果是,确定该检测目标所在的视频帧为所述候选人员的视频帧。
3.根据权利要求1所述的方法,其特征在于,所述姿态特征参数包括从所述候选人员的视频帧中确定的所述候选人员的图像;所述运动特征参数包括基于所述候选人员的视频帧计算得到的多个光流图。
4.根据权利要求2所述的方法,其特征在于,所述依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动,包括:
将所述姿态特征参数和所述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算所述候选人员的移动速度时所用的历史坐标均为所述候选人员的检测目标的历史坐标的置信度;
确定所述第一置信度是否达到预设的置信度阈值,如果是,确定所述候选人员发生快速移动。
5.根据权利要求2所述的方法,其特征在于,在采集视频流之前,基于配置信息确定快速移动的指定检测区域;
所述从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,包括:
从采集到的视频流中提取在所述指定检测区域的目标人员的检测目标,并跟踪所述检测目标。
6.一种快速移动监测装置,其特征在于,包括:
选择单元,用于从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
获取单元,用于从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
判断单元,用于依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
7.根据权利要求6所述的装置,其特征在于,所述选择单元,进一步用于:
从采集到的视频流中提取目标人员的检测目标,并跟踪所述检测目标,获得跟踪表;其中,所述跟踪表包括所述检测目标的标识、所述检测目标所处的视频帧的视频帧标识、所述检测目标的历史坐标的映射关系;
根据所述跟踪表中每一检测目标的历史坐标,计算预设时长内每一检测目标的移动速度,并判断该移动速度是否大于所述速度阈值;
如果是,确定该检测目标所在的视频帧为所述候选人员的视频帧。
8.根据权利要求6所述的装置,其特征在于,所述姿态特征参数包括从所述候选人员的视频帧中确定的所述候选人员的图像;所述运动特征参数包括基于所述候选人员的视频帧计算得到的多个光流图。
9.根据权利要求7所述的装置,其特征在于,所述判断单元,进一步用于:
将所述姿态特征参数和所述运动特征参数输入到已训练的卷积神经网络,以由所述卷积神经网络输出第一置信度;其中,所述第一置信度表征计算所述候选人员的移动速度时所用的历史坐标均为所述候选人员的检测目标的历史坐标的置信度;
确定所述第一置信度是否达到预设的置信度阈值,如果是,确定所述候选人员发生快速移动。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括:
配置单元,用于在采集视频流之前,基于配置信息确定快速移动的指定检测区域;
所述选择单元,进一步用于从采集到的视频流中提取在所述指定检测区域的目标人员的检测目标,并跟踪所述检测目标。
11.一种电子设备,其特征在于,所述电子设备搭载了处理器,以及,用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为:
从目标人员的视频帧中选择出满足条件的候选人员的视频帧;所述条件为:移动速度大于预设的速度阈值;
从所述候选人员的视频帧中获取用于表征姿态信息的姿态特征参数和用于表征运动信息的运动特征参数;
依据所述姿态特征参数和所述运动特征参数确定所述候选人员是否发生快速移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596991.2A CN110580708B (zh) | 2018-06-11 | 2018-06-11 | 一种快速移动检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596991.2A CN110580708B (zh) | 2018-06-11 | 2018-06-11 | 一种快速移动检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580708A true CN110580708A (zh) | 2019-12-17 |
CN110580708B CN110580708B (zh) | 2022-05-31 |
Family
ID=68809832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596991.2A Active CN110580708B (zh) | 2018-06-11 | 2018-06-11 | 一种快速移动检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580708B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111767850A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 突发事件的监控方法、装置、电子设备和介质 |
CN112116635A (zh) * | 2020-09-17 | 2020-12-22 | 赵龙 | 一种基于快速人体移动的视觉跟踪方法及装置 |
US11533428B2 (en) | 2020-01-23 | 2022-12-20 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling electronic device |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
CN106780547A (zh) * | 2016-12-24 | 2017-05-31 | 天津大学 | 基于运动能量模型针对监控视频速度异常目标的检测方法 |
CN108122243A (zh) * | 2016-11-26 | 2018-06-05 | 沈阳新松机器人自动化股份有限公司 | 用于机器人检测运动物体的方法 |
-
2018
- 2018-06-11 CN CN201810596991.2A patent/CN110580708B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271527A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
CN108122243A (zh) * | 2016-11-26 | 2018-06-05 | 沈阳新松机器人自动化股份有限公司 | 用于机器人检测运动物体的方法 |
CN106780547A (zh) * | 2016-12-24 | 2017-05-31 | 天津大学 | 基于运动能量模型针对监控视频速度异常目标的检测方法 |
Non-Patent Citations (1)
Title |
---|
吴庆甜等: "基于巡逻机器人的实时跑动检测系统", 《集成技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11533428B2 (en) | 2020-01-23 | 2022-12-20 | Samsung Electronics Co., Ltd. | Electronic device and method for controlling electronic device |
CN111767850A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 突发事件的监控方法、装置、电子设备和介质 |
CN112116635A (zh) * | 2020-09-17 | 2020-12-22 | 赵龙 | 一种基于快速人体移动的视觉跟踪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110580708B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117827B (zh) | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 | |
US10810414B2 (en) | Movement monitoring system | |
CN109076198B (zh) | 基于视频的对象跟踪遮挡检测系统、方法和设备 | |
Vishwakarma et al. | Automatic detection of human fall in video | |
CN109145708B (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN107657244B (zh) | 一种基于多摄像机的人体跌倒行为检测系统及其检测方法 | |
CN109727275B (zh) | 目标检测方法、装置、系统和计算机可读存储介质 | |
KR101737430B1 (ko) | 동적 배경을 가진 영상의 대상 객체 검출 방법 | |
CN110580708B (zh) | 一种快速移动检测方法、装置及电子设备 | |
CN111881853B (zh) | 一种超大桥隧中异常行为识别方法和装置 | |
Hsieh et al. | A kinect-based people-flow counting system | |
CN110516623B (zh) | 一种人脸识别方法、装置及电子设备 | |
JP2007128513A (ja) | シーン解析 | |
CN111325048B (zh) | 一种人员聚集检测方法和装置 | |
CN110264493A (zh) | 一种针对运动状态下的多目标对象追踪方法和装置 | |
KR20190068000A (ko) | 다중 영상 환경에서의 동일인 재식별 시스템 | |
CN112597877A (zh) | 一种基于深度学习的厂区人员异常行为检测方法 | |
KR20180020123A (ko) | 비동기 신호 처리 방법 | |
WO2019220589A1 (ja) | 映像解析装置、映像解析方法、及びプログラム | |
CN113011280A (zh) | 人员接触距离的检测方法、装置、计算机设备和存储介质 | |
CN111091025A (zh) | 图像处理方法、装置和设备 | |
US20230419500A1 (en) | Information processing device and information processing method | |
CN106803937B (zh) | 一种具有文本日志的双摄像头视频监控方法、系统和监控装置 | |
Hadi et al. | Fusion of thermal and depth images for occlusion handling for human detection from mobile robot | |
CN111144260A (zh) | 一种翻越闸机的检测方法、装置及系统 |
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 |