CN110969642B - 视频过滤方法、装置、电子设备及存储介质 - Google Patents
视频过滤方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110969642B CN110969642B CN201911318339.5A CN201911318339A CN110969642B CN 110969642 B CN110969642 B CN 110969642B CN 201911318339 A CN201911318339 A CN 201911318339A CN 110969642 B CN110969642 B CN 110969642B
- Authority
- CN
- China
- Prior art keywords
- background
- frame
- image
- target
- 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.)
- Active
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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种视频过滤方法、装置、电子设备及存储介质,所述方法包括:通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,所述通用背景图像中不包括所述待过滤对象;在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。通过将通用背景图像中与目标区域对应的目标背景图像替换该目标区域,原来目标区域的内容不再进行显示,没有新要素的增加,不会分散用户注意力,从而提高了用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种视频过滤方法、装置、电子设备及存储介质。
背景技术
人工智能在安防领域中广泛应用,通过在各个需求场景中部署摄像头对该需求场景进行视频监控。在一些视频监控场景下会拍摄到目标对象,出于隐私保护或者其他一些目的,需要对拍摄到的目标对象进行保护处理,以使一些没有权限的观察者无法识别出拍摄到的是什么人,从而保护被拍摄到的人员的隐私。传统的保护处理是将检测到的目标对象模糊掉,比如对目标对象进行人工标注或者进行目标检测后,在较大的范围内进行模糊处理,使目标对象的特征不可分辨,但是由于模糊掉的目标对象依然存在于视频图像中,而且,对于该被模糊掉的对象,视频的观察者往往会分配更多的注意力去想要分辨该被模糊掉的对象,使观察者的注意力被分散,从而导致用户体验降低。
发明内容
本发明实施例提供一种视频过滤方法,能够提高用户体验。
第一方面,本发明实施例提供一种视频过滤方法,包括:
通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,所述通用背景图像中不包括所述待过滤对象;
在所述通用背景图像中提取与所述目标区域相对应的目标背景图像;
将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
可选的,所述对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,包括:
获取所述待过滤视频中的连续帧图像,其中,所述连续帧图像中每个像素点对应K个正态分布,K大于1,所述正态分布包括均值参数、方差参数以及权重参数;
将当前帧图像的每个像素点的像素值与对应的K个正态分布进行匹配,判断所述每个像素点是否匹配到满足预设条件的正态分布;
若存在像素值匹配到满足预设条件的M个正态分布的像素点,则将所述M个正态分布进行第一参数更新,并保持其余K-M个正态分布的参数不变,其中,M大于等于1,且M小于等于K;
若存在像素值匹配不到满足预设条件的正态分布的像素点,则在所述像素点对应的K个正态分布中选取均值距离最大的正态分布进行权重赋值,基于所述权重赋值对所述K个正态分布进行第二参数更新,所述均值距离为像素点的像素值与正态分布中均值参数的差值;
基于所述正态分布的方差参数和/或权重参数,选取N个正态分布,并根据所述N个正态分布判断对应像素点是否属于背景像素点,其中,N大于等于1,且N小于等于K;
基于所述背景像素点,构建所述当前帧图像的帧背景;
选取符合预设条件的帧背景作为通用背景图像。
可选的,所述选取符合预设条件的帧背景作为通用背景图像,包括:
提取所述帧背景中的所有像素点匹配到的有效正态分布;
判断所述有效正态分布的方差参数和/或权重参数是否符合预设条件;
若所述有效正态分布的方差参数和/或权重参数是否符合预设条件,则基于所述方差参数和/或权重参数,计算符合预设条件的有效正态分布所对应的有效帧背景的评分;
选取评分最高的L个有效帧背景作为通用背景图像。
可选的,所述选取符合预设条件的帧背景作为通用背景图像,包括:
判断所述当前帧图像中是否存在前景像素点;
若所述当前帧图像中不存在前景像素点,则将所述当前帧图像对应的帧背景作为通用背景图像。
可选的,所述在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,包括:
提取所述目标区域中各个像素点的位置信息;
将所述目标区域中各个像素点的位置信息映射到所述通用背景图像中,得到目标背景区域;
基于所述目标背景区域,在所述通用背景图像中提取得到对应的目标背景图像,所述目标背景图像包括各个背景像素点的位置信息以及像素值。
可选的,所述将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤,包括:
根据所述目标背景图像中各个背景像素点的位置信息,将所述目标背景图像中各个背景像素点的像素值映射到目标区域中,以对所述目标区域进行过滤。
可选的,在所述对所述目标区域进行过滤之后,所述方法还包括:
在所述目标区域中添加标识性掩码层,以对被过滤的目标区域进行标识,所述标识性掩码层具有半透明属性以及颜色属性。
第二方面,本发明实施例提供一种视频过滤装置,包括:
第一提取模块,用于通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
获取模块,用于对所述待过滤视频中的每一帧图像进行动态背景建模,以获取所述待过滤视频的通用背景图像;
第二提取模块,用于在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;
替换模块,用于将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上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本发明实施例提供的视频过滤方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现发明实施例提供的视频过滤方法中的步骤。
本发明实施例中,通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,所述通用背景图像中不包括所述待过滤对象;在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。通过将通用背景图像中与目标区域对应的目标背景图像替换该目标区域,使得到目标区域显示为目标背景图像,原来目标区域的内容不再进行显示,即目标区域在视频中被过滤掉,没有新要素的增加,不会分散用户注意力,从而提高了用户体验,另外,由于采用动态背景建模,使得获取到的通用背景图像更接近当前背景,从而提高目标背景图像与视频背景的同步率,使得过滤后的视频更自然。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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是本发明实施例提供的一种视频过滤方法的流程图;
图2是本发明实施例提供的一种动态背景建模方法的流程图;
图3是本发明实施例提供的一种通用背景图像选取方法的流程图;
图4是本发明实施例提供的一种视频过滤装置的结构示意图;
图5是本发明实施例提供的另一种视频过滤装置的结构示意图;
图6是本发明实施例提供的另一种视频过滤装置的结构示意图;
图7是本发明实施例提供的另一种视频过滤装置的结构示意图;
图8是本发明实施例提供的另一种视频过滤装置的结构示意图;
图9是本发明实施例提供的另一种视频过滤装置的结构示意图;
图10是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,图1是本发明实施例提供的一种视频过滤方法的流程图,如图1所示,包括以下步骤:
101、通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域。
其中,上述的预先训练好的图像分割网络可以是卷积神经网络(中文名称:卷积神经网络,英文名称:Convolutional Neural Network,简称CNN),上述预先训练好的图像分割网络能够将目标对象所在的目标区域进行分割。在一种可能的实施例中,上述的预先训练好的图像分割网络对分割到的目标区域进行掩码,使得该目标区域区别于图像中的其他区域。比如,上述预先训练好的图像分割网络为人体图像分割网络,上述人体图像分割网络可以将人体特征所在的区域识别出来,并将该区域掩码为255,将非目标区域掩码为0,当然,也可以是通过二值掩码。
上述的待过滤视频可以是目标监控场景的监测视频,上述的待过滤视频可以通过用户在用户端上进行上传,也可以是通过部署在目标监控场景的摄像头拍摄的实时监测视频,还可以是在视频数据库中获取到的视频。需要说明的是,上述的待过滤视频可以是源视频进行复制得到,比如,用户上传一个视频,会先将该视频进行复制,再将复制后的视频作为待过滤视频进行处理。
上述的目标区域包括待过滤对象以及该待过滤对象所在图像的位置信息,上述的位置包括帧图像位置以及在该帧图像中的像素位置。比如,需要对人体进行过滤时,则上述目标区域包括待过滤人体以及该待过滤人体所在图像的位置信息,此时,上述的位置信息可以是待过滤人体出现在该待过滤视频中的哪些帧图像中,出现在帧图像中的哪个位置等信息。
上述的待过滤对象可以是人体、车辆、动物等运动目标,比如,在道路场景中,通过视频对行驶车辆进行分析,此时,对于其他出现在视频中的特征,出于隐私或保密需要,会对其他的特征进行处理,从而只保留视频中行驶车辆为可见特征,此时,其他的特征则是待过滤对象。
102、对待过滤视频中的每一帧图像进行动态背景建模,以得到待过滤视频的通用背景图像。
上述的通用背景图像可以理解为目标场景图像的通用背景,可以在对待过滤视频中的每一帧图像进行动态背景建模过程中进行选取,比如选取一帧没有前景图像出现的帧图像作为通用背景图像,也可以是计算背景图像的稳定性,来选取稳定性最高的背景图像作为通用背景图像。
上述的动态背景建模指的是根据不同当前帧图像建立不同的背景图像,即每一帧图像都对应一个背景图像。上述的背景图像在连续图像序列中的体现为:连续图像序列中,作为背景图像的像素点的像素值不变或像素值变化在一定范围内。上述的动态背景建模依赖于连续图像序列中像素点在不同帧图像之间的关联,可以理解为在连续图像序列中一个像素点作为背景像素点的像素值变化是服从正态分布的,该背景像素点的像素值在变化过程中,该背景像素点的像素值分布在一个范围内,该范围以该背景像素点的像素值的变化均值进行确定,可以认为背景像素点的像素值变化分布在该变化均值的两侧。
具体的,请参见图2,图2是本发明实施例提供的一种动态背景建模方法的流程图,如图2所示,上述动态背景建模的方法包括以下步骤:
201、获取待过滤视频中的连续帧图像。
其中,上述的连续帧图像指是在时间序列上的连续图像。
202、构建连续帧图像中每个像素点对应K个正态分布。
其中,K大于1,所述正态分布包括均值参数、方差参数以及权重参数。
在该步骤中,可以先对第一帧图像的每个像素点对应的K个正态分布进行初始化,使该K个正态分布中,其中,该K个正态分布可以通过下列式子进行表达:
其中,上述的P(xj)表示第j个像素点的正态分布模型,该正态分布模型中包括该第j个像素点的K个正态分布,xj,t表示该第j个像素点的像素值,上述的表示第t帧图像中第j个像素点的第i个正态分布的权重参数,上述的/>表示第t帧图像中第j个像素点的第i个正态分布的均值参数,上述的/>表示第t帧图像中第j个像素点的第i个正态分布的方差参数,上述的η为正态分布的密度函数,上述的σ为标准差,由/>得到。
在对第一帧图像的每个像素点对应的K个正态分布进行初始化过程中,可以将该第一帧图像的每个像素点中一个正态分布进行初始化,上述的初始化可以是将该个正态分布中的均值参数赋值为对应像素点的像素值,将权重参数赋值为1,此时方差为0,除该个正态分布的其余正态分布的均值参数和权重参数都赋值为0。比如,一个像素点有5个正态分布,即K=5,在这5个正态分布中,选取一个正态分布的均值参数和权重参数进行赋值,其余的4个正态分布的均值参数和权重参数都赋值为0。由于第一帧图像中各个像素点没有在前序列的依赖,所以需要对该第一帧图像中各个像素点的正态分布进行初始化。
当然,在一种可能的实施例中,可以采用随机初始化的方式对第一帧图像中每个像素点的所有正态分布进行随机赋值,需要说明的是,该随机赋值过程中,所有正态分布的权重参数的赋值之和需要等于1。
203、将当前帧图像的每个像素点的像素值与对应的K个正态分布进行匹配。
其中,上述的当前帧图像的不为第一帧图像。
以当前帧图像中的一个像素点j来举例进行说明,假设当前帧图像为第t帧图像,可以理解的是,在之前的第一帧图像到第t-1帧图像中,每个像素点对应像素值的均值与方差都是求已知的,比如,截至第t-1帧图像,在像素点j的K个正态分布中,均值参数为第一帧图像到第t-1帧图像中像素点j所有像素值之和,再除以帧图像的数据,即是除以t-1,得到该均值参数为像素点j的方差参数为第t-1帧图像中像素点j对应的像素值减去该均值参数/>再求平方得到该方差参数为/>由此可得第t-1帧图像中像素点j的K个正态分布:
在当前的第t帧图像中,如果像素点j为背景像素点,则像素点j的像素值xj满足上述k个正态分布中的一个或多个。这是由于在监测场景中,背景像素点对应的像素值通常是不变的或变化很小的,也就是说,背景像素点对应的像素值分布,在一定的像素值范围内是可被预测的,由于长时间对背景像素点对应的像素值进行采样处理,使得背景像素点对应的像素值数据量足够大,进而使得背景像素点对应的像素值服从正态分布,即数据集中在均值参数的附近,遵从正态分布的随机变量,为均值参数附近的值的概率大,为远离均值参数的值的概率小。举例来说,将第t帧图像中像素点j的像素值xj,t看作随机变量,如果像素点j为背景像素点,则xj,t是在近取值。因此,可以通过xj,t与/>的关系来对像素点j对应的K个正态分布进行匹配。
204、判断各个像素点是否匹配到满足预设条件的正态分布。
若存在像素值匹配到满足预设条件的M个正态分布的像素点,则转入步骤205,若存在像素值匹配不到满足预设条件的正态分布的像素点,则转入步骤206。
上述的预设条件可以是xj,t与的差值满足预先设置的差值阈值,上述预先设置的差值阈值可以是根据xj,t-1的正态分布中的标准差进行确定,该标准差由/>得到。具体的,可以判断xj,t与/>的差值是否小于该标准差的系数倍,比如判断xj,t与/>的差值是否小于1.5倍、2.5倍等标准差。
若xj,t与的差值是否小于该标准差的系数倍,则说明该第t帧中像素点j服从该正态分布,即匹配到满足预设条件的正态分布。遍历判断是否服从该个像素点的K个正态分布,从而判断该第t帧中像素点j服从K个正态分布的个数。遍历第t帧中每个像素点,从而判断各个像素点匹配的正态分布情况。
205、将M个正态分布进行第一参数更新,并保持其余K-M个正态分布的参数不变。
其中,M大于等于1,且M小于等于K。
在该步骤中,对满足预设条件的M个正态分布进行更新,上述的第一参数更新指的是对正态分布中的均值参数以及方差参数进行更新,比如,将更新为新均值/>将更新为新均值/>即可得到第t帧中像素点j的当前正态分布。对于一个像素点,只以满足预设条件的M个正态分布进行更新,保持剩余K-M个正态分布的参数不变。
206、在像素点对应的K个正态分布中选取均值距离最大的正态分布进行权重赋值,基于权重赋值对K个正态分布进行第二参数更新。
上述均值距离为像素点的像素值与正态分布中均值参数的差值。
在该步骤中,对于一个像素点匹配不到对应的K个正态分布中的任意一个时,则选取xj,t与的差值最大的一个正态分布进行第二参数更新,剩余的K-1个正态分布保持不变。
上述的第二参数更新指的是对正态分布中的权重参数进行更新,比如,将更新为新均值/>具体的,在更新后,再次判断该个像素点是否与新的正态分布匹配。可以通过下述公式对正态分布中的权重参数进行更新:
其中,上述的a为算法的学习速率,上述的Mi,t为更新后的匹配结果,若更新权重后该个像素点能够匹配新的正态分布,则Mi,t取值为1,若更新权重后该个像素点仍然不能够匹配新的正态分布,则Mi,t取值为0。
由于背景像素点是服从正态分布的,所以,上述该个像素点若能够匹配新的正态分布,则说明该个像素点为背景点,若不能够匹配新的正态分布分布,则说明该个像素点为前景点。具体的,根据上述权重参数更新式子可以知道,若该个像素点能够匹配新的正态分布,则最终的正态分布中权重参数是增大的,若该个像素点不能够匹配新的正态分布,则最终的正态分布中权重参数是减小的。
207、基于正态分布的方差参数和/或权重参数,选取N个正态分布,并根据N个正态分布判断对应像素点是否属于背景像素点。
其中,N为K个正态分布中权重参数与方差参数比值最大于N个正态分布,N大于等于1,且N小于等于K。
上述的方差参数表征了数据分布的离散程度,方差越大,离散程度越大,方差越小,离散程度越小。离散程度越小,说明数据集中在一个小范围,特征也就越明显。因此,一个背景像素点可以选取K个正态分布中方差参数最小的N个正态分布作为该背景的最佳描述。
上述的权重参数表征了各个正态分布的数据支持程度,当背景持续不改变时,该背景中的背景像素点对应的分布数据会持续累积,所支持的正态分布权重比例就越高,落入该正态分布的概率就越高。因此,一个背景像素点可以选取K个正态分布中权重参数最大的N个正态分布作为该背景的最佳描述。需要说明的是,在一个像素点对应的K个正态分布中,K个权重参数之和为1。
作为本发明的一个实施例,也可以是根据权重参数与方差参数的比值来进行选取,一个背景像素点可以选取K个破碎分布中权重参数与方差参数比值最大的N个正态分布作为该背景的最佳描述。
在确定各个像素点对应的N个正态分布后,将当前的第t帧图像中各个像素点与对应的N个正态分布再次进行匹配,匹配到至少一个正态分布时,则说明该个像素点为背景像素点。
208、基于背景像素点,构建当前帧图像的帧背景。
在确定像素点为当前帧图像的背景像素点时,则可以对当前帧图像的背景像素点进行掩码,以区别于前景部分,得到对应当前帧图像的帧背景,将该帧背景更新到待过滤视频中对应的帧图像,从而得到监测场景的每一帧背景图像。
在本发明实施例中,通过正态分布对背景图像的背景像素点进行判断,可以一个像素点以往的数据分布来预测该像素点是否为背景像素点,提高动态背景建模的准确度。
209、选取符合预设条件的帧背景作为通用背景图像。
上述的预设条件可以是判断各个帧图像对应的帧背景中是否存在前景像素点,若不存在前景像素点,则说明该帧图像对应的帧背景中所有像素点都是背景像素像素点,是描述待过滤视频背景的较佳描述。若存在前景像素点,则说明该帧图像对应的帧背景中可能存在前景图像,由于前景图像的变化极大,不适合作为通用背景图像。在有多个帧背景中不存在前景像素点时,则可以选取帧序列靠后的帧背景作为通用背景图像,这样,可以对通用背景图像进行实时更新,使得通用背景图像在时间维度上更接近当前待过滤目标区域所在的帧图像。
其中,上述的前景像素点的为与对应的N个正态分布不匹配的像素点。具体的,将当前待分割图像的每个像素点的像素值与对应的N个正态分布进行匹配,判断每个像素点是否匹配到满足预设条件的正态分布;若存在像素点匹配不到满足预设条件的正态分布,则判断匹配不到满足预设条件的正态分布的像素点为前景像素点。
可选的,请参见图3,图3是本发明实施例提供的一种通用背景图像的选取方法的流程图,如图3所示,上述通用背景图像的选取方法包括以下步骤:
301、提取帧背景中的所有像素点匹配到的有效正态分布。
上述的帧背景可以是所有像素点都为背景像素点的帧图像对应的帧背景,上述的有效正态分布可以是各个像素点匹配到的正态分布,由于一个像素点会在最终的N个正态分布中进行匹配,所以一个像素点会至少对应一个有效正态分布,最多对应N个有效正态分布。
302、判断有效正态分布的方差参数和/或权重参数是否符合预设条件。
在该步骤中,上述的预设条件可以基于方差参数进行设置,也可以基于权重参数进行设置,还可以基于权重参数与方差参数的比值进行设置。比如,上述的预设条件可以是帧背景中各个有效正态分布的方差均值是否小于第一预设条件,上述方差均值为全部有效正态分布的方差之和除以有效正态分布的数量;上述的预设条件可以是帧背景中各个有效正态分布的权重均值是否大于第二预设条件,上述的权重均值为全部有效正态分布的权重之和除以有效正态分布的数量;上述预设条件还可以是帧背景中各个有效正态分布的权重参数与方差参数的比值的均值是否大于第三预设条件,上述的权重参数与方差参数的比值之和除以有效正态分布的数量。
303、若有效正态分布的方差参数和/或权重参数是否符合预设条件,则基于方差参数和/或权重参数,计算符合预设条件的有效正态分布所对应的有效帧背景的评分。
在该步骤中,上述的预设条件可以是所有像素点的方差参数的均值是否小于第一预设值,上述的方差参数表征了数据分布的离散程度,方差越大,离散程度越大,方差越小,离散程度越小。离散程度越小,说明数据集中在一个小范围,特征也就越明显。因此,可以在帧背景中的选取方差均值小于第一预设值的帧背景作为通用背景图像候选的有效帧背景,因为该有效帧背景的像素数据变化较小,说明该帧背景最符合通用背景图像。若只存在一个有效帧背景时,则选取该有效帧背景作为通用背景图像,若存在多个帧背景的方差均值满足该预设条件,则可以选取其中方差均值最小的帧背景作为通用背景图像。
上述的预设条件可以是所有像素点的权重参数的均值是否大于一个第二预设值,上述的权重参数表征了各个正态分布的数据支持程度,当背景持续不改变时,该背景中的背景像素点对应的分布数据会持续累积,所支持的正态分布权重比例就越高,落入该正态分布的概率就越高。因此,可以在帧背景中的选取权重均值满足第二预设值的帧背景作为通用背景图像候选的有效帧背景,因为该有效帧背景的像素数据分布权重比例较高,相当于预测到该帧背景为通用背景图像的概率较大。同样的,若存在多个帧背景的权重均值满足该预设条件,则可以选取其中权重均值最大的帧背景作为通用背景图像。
在一种可能的实施例中,也可以是根据权重参数与方差参数比值的均值来进行选取,上述的预设条件可以是所有像素点的权重参数与方差参数比值的均值是否大于一个第三预设值,若权重参数与方差参数比值的均值是大于该个第三预设值,则选取对应的帧背景作为通用背景图像。若只存在一个有效帧背景时,则选取该有效帧背景作为通用背景图像,若存在多个权重参数与方差参数比值的均值大于该第三预设值,则可以选取其中权重参数与方差参数比值的均值最大的帧背景作为通用背景图像。
可选的,若存在多个帧背景的方差均值满足该预设条件,则可以将该多个帧背景输入到预先训练好的背景评分模型中的进行评分。上述的背景评分模型通过背景样本集进行训练,上述的背景样本集中每个背景样本数据均标注有评分值。由于帧背景中各个背景像素点的分布均不同,比如,摄像头监控道路的同时,背景除了车辆行驶的道路外,还有树或建筑对应的背景,由于树和建筑长期不会被遮挡,所以会积累大量的数据分布,使得这些区域的背景像素点具有高权重以及低方差的属性,但该场景最想要的背景是道路,当较多的车辆行驶时,会使得到道路的背景像素点权重不高,方差也不低。通过背景评分模型对有效帧背景进行预测评分,可以得到感兴趣背景的评分,通过该评分来进行通用背景图像的选取。
304、选取评分最高的L个有效帧背景作为通用背景图像。
上述的评分为执行步骤303所得到的评分,可以选取评分最高的L个有效帧背景作为通用背景图像,上述的L大于等于1。
103、在通用背景图像中提取与目标区域相对应的目标背景图像。
其中,上述的目标区域包括待过滤对象以及该待过滤对象所在图像的位置信息,上述的位置包括帧图像位置以及在该帧图像中的像素位置。通过上述的帧图像位置,可以找到待过滤对象所在帧图像,通过上述的像素位置,可以找到待过滤对象在帧图像中的位置。由于帧背景是根据待过滤视频的背景建模过程中得到,所以帧背景与待过滤视频中的帧图像具有相同的像素尺寸,从帧背景中选取得到的通用背景图像也与待过滤视频中的帧图像具有相同的像素尺寸,所以通用背景图像与待过滤视频中的帧图像可以共用一个坐标系,从而可以将帧图像中的目标区域映射到通用背景图像中,得到与目标区域具有相同形状的目标背景图像。
具体的,提取目标区域中各个像素点的位置信息;将目标区域中各个像素点的位置信息映射到通用背景图像中,得到目标背景区域;基于目标背景区域,在通用背景图像中提取得到对应的目标背景图像,目标背景图像包括各个背景像素点的位置信息以及像素值。
104、将目标背景图像替换目标区域,以对目标区域进行过滤。
在该步骤中,可以通过将目标背景图像的位置信息以及像素值,将目标背景图像映射回对应的帧图像中,以实现对目标区域的替换,从而对目标区域进行过滤,使得对应的帧图像中目标区域显示为目标背景图像,待过滤对象在视频中“消失”。
具体的,上述的目标背景图像的位置信息包括各个像素点对应的位置信息,上述的目标背景图像的像素值为各个背景像素点对应的像素值。根据每个背景像素点的位置信息,将各个背景像素点的像素值映射到帧图像中对应的像素点。进一步的,可以将帧图像中对应的像素点的像素值替换为对应背景像素点的像素值,完成替换。
可选的,在通过目标背景图像对帧图像中的目标区域进行过滤之后,可以在该帧图像中的目标区域添加掩码层,该掩码层可以是具有颜色属性和半透明属性的掩码层。这样,可以通过颜色对目标区域进行标识,同时,也不会对替换后的背景进行遮挡,相当于该帧图像中只有一个目标区域的半透明轮廓。
本发明实施例中,通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,所述通用背景图像中不包括所述待过滤对象;在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。通过将通用背景图像中与目标区域对应的目标背景图像替换该目标区域,使得到目标区域显示为目标背景图像,原来目标区域的内容不再进行显示,即目标区域在视频中被过滤掉,没有新要素的增加,不会分散用户注意力,从而提高了用户体验,另外,由于采用动态背景建模,使得获取到的通用背景图像更接近当前背景,从而提高目标背景图像与视频背景的同步率,使得过滤后的视频更自然。
需要说明的是,本发明实施例提供的视频过滤方法可以应用于需要对目标对象进行过滤的移动终端、监控器、计算机、服务器等设备。
请参见图4,图4是本发明实施例提供的一种视频过滤装置的结构示意图,如图4所示,所述装置包括:
第一提取模块401,用于通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
获取模块402,用于对所述待过滤视频中的每一帧图像进行动态背景建模,以获取所述待过滤视频的通用背景图像;
第二提取模块403,用于在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;
替换模块404,用于将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
可选的,如图5所示,所述获取模块402包括,包括:
获取单元4021,用于获取所述待过滤视频中的连续帧图像,其中,所述连续帧图像中每个像素点对应K个正态分布,K大于1,所述正态分布包括均值参数、方差参数以及权重参数;
第一判断单元4022,用于将当前帧图像的每个像素点的像素值与对应的K个正态分布进行匹配,判断所述每个像素点是否匹配到满足预设条件的正态分布;
第一更新单元4023,用于若存在像素值匹配到满足预设条件的M个正态分布的像素点,则将所述M个正态分布进行第一参数更新,并保持其余K-M个正态分布的参数不变,其中,M大于等于1,且M小于等于K;
第二更新单元4024,用于若存在像素值匹配不到满足预设条件的正态分布的像素点,则在所述像素点对应的K个正态分布中选取均值距离最大的正态分布进行权重赋值,基于所述权重赋值对所述K个正态分布进行第二参数更新,所述均值距离为像素点的像素值与正态分布中均值参数的差值;
第二判断单元4025,用于基于所述正态分布的方差参数和/或权重参数,选取N个正态分布,并根据所述N个正态分布判断对应像素点是否属于背景像素点,其中,N大于等于1,且N小于等于K;
构建单元4026,用于基于所述背景像素点,构建所述当前帧图像的帧背景;
选取单元4027,用于选取符合预设条件的帧背景作为通用背景图像。
可选的,如图6所示,所述选取单元4027,包括:
第一提取子单元40271,用于提取所述帧背景中的所有像素点匹配到的有效正态分布;
第一判断子单元40272,用于判断所述有效正态分布的方差参数和/或权重参数是否符合预设条件;
评分子单元40273,用于若所述有效正态分布的方差参数和/或权重参数是否符合预设条件,则基于所述方差参数和/或权重参数,计算符合预设条件的有效正态分布所对应的有效帧背景的评分;
第一选取子单元40274,用于选取评分最高的L个有效帧背景作为通用背景图像。
可选的,如图7所示,所述选取单元4027,包括:
第二判断子单元40275,用于判断所述当前帧图像中是否存在前景像素点;
第二选取子单元40276,用于若所述当前帧图像中不存在前景像素点,则将所述当前帧图像对应的帧背景作为通用背景图像。
可选的,如图8所示,所述第二提取模块403,包括:
第二提取单元4031,用于提取所述目标区域中各个像素点的位置信息;
映射单元4032,用于将所述目标区域中各个像素点的位置信息映射到所述通用背景图像中,得到目标背景区域;
第三提取单元4034,用于基于所述目标背景区域,在所述通用背景图像中提取得到对应的目标背景图像,所述目标背景图像包括各个背景像素点的位置信息以及像素值。
可选的,替换模块404还用于根据所述目标背景图像中各个背景像素点的位置信息,将所述目标背景图像中各个背景像素点的像素值映射到目标区域中,以对所述目标区域进行过滤。
可选的,如图9所示,所述装置还包括:
掩码模块405,用于在所述目标区域中添加标识性掩码层,以对被过滤的目标区域进行标识,所述标识性掩码层具有半透明属性以及颜色属性。
需要说明的是,本发明实施例提供的视频过滤装置可以应用于需要对目标对象进行过滤的移动终端、监控器、计算机、服务器等设备。
本发明实施例提供的视频过滤装置能够实现上述方法实施例中视频过滤方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图10,图10是本发明实施例提供的一种电子设备的结构示意图,如图10所示,包括:存储器1002、处理器1001及存储在所述存储器1002上并可在所述处理器1001上运行的计算机程序,其中:
处理器1001用于调用存储器1002存储的计算机程序,执行如下步骤:
通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,所述通用背景图像中不包括所述待过滤对象;
在所述通用背景图像中提取与所述目标区域相对应的目标背景图像;
将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
可选的,处理器1001执行的所述对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,包括:
获取所述待过滤视频中的连续帧图像,其中,所述连续帧图像中每个像素点对应K个正态分布,K大于1,所述正态分布包括均值参数、方差参数以及权重参数;
将当前帧图像的每个像素点的像素值与对应的K个正态分布进行匹配,判断所述每个像素点是否匹配到满足预设条件的正态分布;
若存在像素值匹配到满足预设条件的M个正态分布的像素点,则将所述M个正态分布进行第一参数更新,并保持其余K-M个正态分布的参数不变,其中,M大于等于1,且M小于等于K;
若存在像素值匹配不到满足预设条件的正态分布的像素点,则在所述像素点对应的K个正态分布中选取均值距离最大的正态分布进行权重赋值,基于所述权重赋值对所述K个正态分布进行第二参数更新,所述均值距离为像素点的像素值与正态分布中均值参数的差值;
基于所述正态分布的方差参数和/或权重参数,选取N个正态分布,并根据所述N个正态分布判断对应像素点是否属于背景像素点,其中,N大于等于1,且N小于等于K;
基于所述背景像素点,构建所述当前帧图像的帧背景;
选取符合预设条件的帧背景作为通用背景图像。
可选的,处理器1001执行的所述选取符合预设条件的帧背景作为通用背景图像,包括:
提取所述帧背景中的所有像素点匹配到的有效正态分布;
判断所述有效正态分布的方差参数和/或权重参数是否符合预设条件;
若所述有效正态分布的方差参数和/或权重参数是否符合预设条件,则基于所述方差参数和/或权重参数,计算符合预设条件的有效正态分布所对应的有效帧背景的评分;
选取评分最高的L个有效帧背景作为通用背景图像。
可选的,处理器1001执行的所述选取符合预设条件的帧背景作为通用背景图像,包括:
判断所述当前帧图像中是否存在前景像素点;
若所述当前帧图像中不存在前景像素点,则将所述当前帧图像对应的帧背景作为通用背景图像。
可选的,处理器1001执行的所述在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,包括:
提取所述目标区域中各个像素点的位置信息;
将所述目标区域中各个像素点的位置信息映射到所述通用背景图像中,得到目标背景区域;
基于所述目标背景区域,在所述通用背景图像中提取得到对应的目标背景图像,所述目标背景图像包括各个背景像素点的位置信息以及像素值。
可选的,处理器1001执行的所述将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤,包括:
根据所述目标背景图像中各个背景像素点的位置信息,将所述目标背景图像中各个背景像素点的像素值映射到目标区域中,以对所述目标区域进行过滤。
可选的,在处理器1001执行的所述对所述目标区域进行过滤之后,处理器1001还执行包括:
在所述目标区域中添加标识性掩码层,以对被过滤的目标区域进行标识,所述标识性掩码层具有半透明属性以及颜色属性。
需要说明的是,本发明实施例提供的电子设备可以应用于需要对目标对象进行过滤的移动终端、监控器、计算机、服务器等设备。
本发明实施例提供的电子设备能够实现上述方法实施例中视频过滤方法实现的各个过程,且可以达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的视频过滤方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (8)
1.一种视频过滤方法,其特征在于,包括以下步骤:
通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像;
对所述待过滤视频中的每一帧图像进行动态背景建模,以得到所述待过滤视频的通用背景图像,包括:对所述待过滤视频中的每一帧图像进行动态背景建模,得到每一帧图像对应的帧背景,提取所述帧背景中的所有像素点匹配到的有效正态分布,所述有效正态分布是各个像素点匹配到的正态分布;判断所述有效正态分布的方差参数和/或权重参数是否符合预设条件;若所述有效正态分布的方差参数和/或权重参数符合预设条件,若存在符合预设条件的多个有效帧背景,则通过背景评分模型对有效帧背景进行预测评分,得到有效帧背景的评分;选取评分最高的L个有效帧背景作为通用背景图像;所述预设条件是帧背景中各个有效正态分布的方差均值是否小于第一预设条件,所述方差均值为全部有效正态分布的方差之和除以有效正态分布的数量;或者,所述预设条件是帧背景中各个有效正态分布的权重均值是否大于第二预设条件,所述权重均值为全部有效正态分布的权重之和除以有效正态分布的数量;或者,上述预设条件是帧背景中各个有效正态分布的权重参数与方差参数的比值的均值是否大于第三预设条件,上述的权重参数与方差参数的比值之和除以有效正态分布的数量;
在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;
将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
2.如权利要求1所述的方法,其特征在于,所述对所述待过滤视频中的每一帧图像进行动态背景建模,包括:
获取所述待过滤视频中的连续帧图像,其中,所述连续帧图像中每个像素点对应K个正态分布,K大于1,所述正态分布包括均值参数、方差参数以及权重参数;
将当前帧图像的每个像素点的像素值与对应的K个正态分布进行匹配,判断所述每个像素点是否匹配到满足预设条件的正态分布;
若存在像素值匹配到满足预设条件的M个正态分布的像素点,则将所述M个正态分布进行第一参数更新,并保持其余K-M个正态分布的参数不变,其中,M大于等于1,且M小于等于K;
若存在像素值匹配不到满足预设条件的正态分布的像素点,则在所述像素点对应的K个正态分布中选取均值距离最大的正态分布进行权重赋值,基于所述权重赋值对所述K个正态分布进行第二参数更新,所述均值距离为像素点的像素值与正态分布中均值参数的差值;
基于所述正态分布的方差参数和/或权重参数,选取N个正态分布,并根据所述N个正态分布判断对应像素点是否属于背景像素点,其中,N大于等于1,且N小于等于K;
基于所述背景像素点,构建所述当前帧图像的帧背景。
3.如权利要求1所述的方法,其特征在于,所述在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,包括:
提取所述目标区域中各个像素点的位置信息;
将所述目标区域中各个像素点的位置信息映射到所述通用背景图像中,得到目标背景区域;
基于所述目标背景区域,在所述通用背景图像中提取得到对应的目标背景图像,所述目标背景图像包括各个背景像素点的位置信息以及像素值。
4.如权利要求3所述方法,其特征在于,所述将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤,包括:
根据所述目标背景图像中各个背景像素点的位置信息,将所述目标背景图像中各个背景像素点的像素值映射到目标区域中,以对所述目标区域进行过滤。
5.如权利要求1所述的方法,其特征在于,在所述对所述目标区域进行过滤之后,所述方法还包括:
在所述目标区域中添加标识性掩码层,以对被过滤的目标区域进行标识,所述标识性掩码层具有半透明属性以及颜色属性。
6.一种视频过滤装置,其特征在于,所述装置包括:
第一提取模块,用于通过预先训练好的图像分割网络提取待过滤视频中每一帧图像的目标区域;
获取模块,用于对所述待过滤视频中的每一帧图像进行动态背景建模,以获取所述待过滤视频的通用背景图像;
所述获取模块具体用于对所述待过滤视频中的每一帧图像进行动态背景建模,得到每一帧图像对应的帧背景,提取所述帧背景中的所有像素点匹配到的有效正态分布,所述有效正态分布是各个像素点匹配到的正态分布;判断所述有效正态分布的方差参数和/或权重参数是否符合预设条件;若所述有效正态分布的方差参数和/或权重参数符合预设条件,若存在符合预设条件的多个有效帧背景,则通过背景评分模型对有效帧背景进行预测评分,得到有效帧背景的评分;选取评分最高的L个有效帧背景作为通用背景图像;所述预设条件是帧背景中各个有效正态分布的方差均值是否小于第一预设条件,所述方差均值为全部有效正态分布的方差之和除以有效正态分布的数量;或者,所述预设条件是帧背景中各个有效正态分布的权重均值是否大于第二预设条件,所述权重均值为全部有效正态分布的权重之和除以有效正态分布的数量;或者,上述预设条件是帧背景中各个有效正态分布的权重参数与方差参数的比值的均值是否大于第三预设条件,上述的权重参数与方差参数的比值之和除以有效正态分布的数量;
第二提取模块,用于在所述通用背景图像中提取与所述目标区域相对应的目标背景图像,所述目标背景图像与所述目标区域具有相同的形状;
替换模块,用于将所述目标背景图像替换所述目标区域,以对所述目标区域进行过滤。
7.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上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如权利要求1至5中任一项所述的视频过滤方法中的步骤。
8.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的视频过滤方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318339.5A CN110969642B (zh) | 2019-12-19 | 2019-12-19 | 视频过滤方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318339.5A CN110969642B (zh) | 2019-12-19 | 2019-12-19 | 视频过滤方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969642A CN110969642A (zh) | 2020-04-07 |
CN110969642B true CN110969642B (zh) | 2023-10-10 |
Family
ID=70035210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911318339.5A Active CN110969642B (zh) | 2019-12-19 | 2019-12-19 | 视频过滤方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969642B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111882550A (zh) * | 2020-07-31 | 2020-11-03 | 上海眼控科技股份有限公司 | 冰雹检测方法、装置、计算机设备和可读存储介质 |
CN112347899B (zh) * | 2020-11-03 | 2023-09-19 | 广州杰赛科技股份有限公司 | 一种运动目标图像提取方法、装置、设备及存储介质 |
CN113591869A (zh) * | 2021-08-03 | 2021-11-02 | 北京地平线信息技术有限公司 | 点云实例分割方法和装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469379A (zh) * | 2014-09-04 | 2016-04-06 | 广东中星电子有限公司 | 视频目标区域遮挡方法和装置 |
CN108280842A (zh) * | 2017-12-29 | 2018-07-13 | 广州海昇计算机科技有限公司 | 一种克服光照突变的前景分割方法 |
CN108629200A (zh) * | 2018-03-15 | 2018-10-09 | 青岛海信移动通信技术股份有限公司 | 一种图像处理方法和装置 |
CN109658433A (zh) * | 2018-12-05 | 2019-04-19 | 青岛小鸟看看科技有限公司 | 图像背景建模和前景提取方法、装置和电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3319041B1 (en) * | 2016-11-02 | 2022-06-22 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and storage medium |
-
2019
- 2019-12-19 CN CN201911318339.5A patent/CN110969642B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469379A (zh) * | 2014-09-04 | 2016-04-06 | 广东中星电子有限公司 | 视频目标区域遮挡方法和装置 |
CN108280842A (zh) * | 2017-12-29 | 2018-07-13 | 广州海昇计算机科技有限公司 | 一种克服光照突变的前景分割方法 |
CN108629200A (zh) * | 2018-03-15 | 2018-10-09 | 青岛海信移动通信技术股份有限公司 | 一种图像处理方法和装置 |
CN109658433A (zh) * | 2018-12-05 | 2019-04-19 | 青岛小鸟看看科技有限公司 | 图像背景建模和前景提取方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110969642A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052787B (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
CN111079663B (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN110969642B (zh) | 视频过滤方法、装置、电子设备及存储介质 | |
CN112734775B (zh) | 图像标注、图像语义分割、模型训练方法及装置 | |
US20190122072A1 (en) | Reverse neural network for object re-identification | |
CN111178183B (zh) | 人脸检测方法及相关装置 | |
CN107153817B (zh) | 行人重识别数据标注方法和装置 | |
JP5763965B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN110555390A (zh) | 基于半监督训练方式的行人重识别方法、装置及介质 | |
CN110298297B (zh) | 火焰识别方法和装置 | |
CN110807757B (zh) | 基于人工智能的图像质量评估方法、装置及计算机设备 | |
CN111161307B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN110569754A (zh) | 图像目标检测方法、装置、存储介质及设备 | |
CN107563299B (zh) | 一种利用ReCNN融合上下文信息的行人检测方法 | |
CN109360179B (zh) | 一种图像融合方法、装置及可读存储介质 | |
CN108268823A (zh) | 目标再识别方法和装置 | |
CN114708555A (zh) | 基于数据处理的森林防火监控方法及电子设备 | |
Panda et al. | A new Wronskian change detection model based codebook background subtraction for visual surveillance applications | |
CN117437470A (zh) | 一种基于人工智能的火灾危险等级评估方法及系统 | |
JP5952942B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN115294162B (zh) | 目标识别方法、装置、设备及存储介质 | |
CN113688810B (zh) | 一种边缘设备的目标捕获方法、系统及相关设备 | |
CN113628242A (zh) | 一种基于背景减除法的卫星视频目标跟踪方法及系统 | |
CN112183444A (zh) | 城市景观分类优化方法及装置、设备及介质 | |
CN111126177A (zh) | 人数统计的方法及装置 |
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 |