CN111161312A - 一种基于计算机视觉的物体轨迹追踪识别装置及系统 - Google Patents
一种基于计算机视觉的物体轨迹追踪识别装置及系统 Download PDFInfo
- Publication number
- CN111161312A CN111161312A CN201911292314.2A CN201911292314A CN111161312A CN 111161312 A CN111161312 A CN 111161312A CN 201911292314 A CN201911292314 A CN 201911292314A CN 111161312 A CN111161312 A CN 111161312A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- track
- trajectory
- video stream
- 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
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000033001 locomotion Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 14
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于视频流分析处理技术领域,涉及一种基于计算机视觉的物体轨迹追踪识别装置及系统;所述装置包括视频流接入模块用于获取视频流数据;去异色空间噪声模块用于消除视频流数据帧图像中的无关噪声和杂色像素块;物体检索模块用于设置特定色彩空间区域值检索出待追踪物体的像素块;计算模块用于计算所述待追踪物体的像素块的最小外接圆;轨迹模拟模块在视频流数据中获得以待检测物体最小外接圆确定的中心位置的轨迹;轨迹检测模块根据待检测物体最小外接圆形成的运动轨迹检测是否存在特定图形;轨迹识别模块,根据检测到的特定图形完成识别待追踪物体的轨迹。本发明能够去除散粒噪声,且尽可能保留了边缘信息,增强了本发明的鲁棒性和准确性。
Description
技术领域
本发明属于视频流分析处理技术领域,具体涉及一种基于计算机视觉的物体轨迹追踪识别装置及系统。
背景技术
随着现代化的建设逐步完善,监控摄像头已经如“天网”般遍布全国,其中包括街道、学校、游泳馆等公共场所。通过摄像头对这些区域实现多角度覆盖,能够有效地减少财产损失,降低犯罪率,同时能够对监控视频进行一定时间的保存。当下的监控系统,通过对画面中物体的行为、姿态进行纯感性分析,在某些情况出现时能够对之做出相应的决策。
由于现在对覆盖区域的监控体系大都以人力方式,因此难免会出现对覆盖区域的轨迹运动分析不准确甚至是误判的情况,这导致无法对紧急事件的发生进行及时的预警。
中国专利CN110163124A中提出了一种轨迹追踪处理系统,该系统在处理大量的视频监控图像中的待测目标轨迹时,对于不同类别的待测目标不需要人工选择专门的轨迹分析方法进行处理,该轨迹追踪系统实现了对大批量视频数据的实时处理。
中国专利CN109472233A中提出了一种行为追踪系统,该系统自动跟踪规定区域内的所有运动人体或物体;智能动线实时标注物体运动轨迹;不受安装场景的限制,确定监控区域即可识别统计人数;记录存储规定区域内的物体运动轨迹;可将物体轨迹分类记录到录像视频中,并按物体分类进行运动轨迹快速检索;在雨雪天气、大风、酷热等极端天气下依然可正常使用,无场景限制;系统可通过自学习自动排除非人因素的干扰;通过系统智能算法能够对物体运动轨迹进行精准预测;支持周界防控区域内对特定物体运动进行入侵预警;深度自学习AI架构,不断提升准确率。
但是上述系统尤其是对于在某些特殊场合,如对水下监控时,由于画面本身的原因更会加重误判的可能性,造成不必要的损失。其次,上述系统忽略了硬件设备本身对画面的影响,导致画面出现散粒噪声从而削弱了识别效率。再者,上述系统尽管能够对物体检测追踪,但由于处理机制较为复杂,导致视频存在延迟,实时性效果其实并不理想。最后,上述系统对轨迹的识别是基于传统方法或者软件,这样的方法并不能使轨迹的识别得到最理想的效果。
发明内容
基于现有技术存在的问题,本发明的目的是解决上述现阶段技术的不足,本发明尤其针对视频流数据的去噪阶段进行处理,使得在水下,高原,重工业、航天等情形下依旧能够保持优良的识别效果,减少了人工成本;本发明提供了一种基于计算机视觉的物体轨迹追踪识别装置及系统。
本发明解决其技术问题所采用的技术方案是:
一种基于计算机视觉的物体轨迹追踪识别装置,包括:
视频流接入模块,用于获取视频流数据;
去异色空间噪声模块,用于消除视频流数据帧图像中的无关噪声和杂色像素块,尤其是为了消除会对检测、识别结果造成负面影响的因素;
物体检索模块,用于设置特定色彩空间区域值,检索出待追踪物体的像素块;
计算模块,用于计算所述待追踪物体的像素块的最小外接圆及其中心坐标;
轨迹模拟模块,在视频流数据中形成以最小外接圆确定的中心位置的轨迹;
轨迹检测模块,用以根据最小外接圆形成的轨迹走势,检测最小外接圆中是否存在特定图形;
轨迹识别模块,用以根据检测到的特定图形,识别待追踪物体被检测出的物体轨迹以尽可能保留图像边缘信息。
进一步的,所述去异色空间噪声模块包括:
无限脉冲响应滤波器,用以对每帧图像进行去噪处理;
图像分割模块,用于将去噪处理后的图像进行分割;
二值处理模块,用于对分割后的图像进行二值化处理;
形态学模块,用于对二值化处理的图像进行膨胀和腐蚀处理;
带通滤波器,用于对形态学处理后的图像进行带通滤波。
进一步的,所述无限脉冲响应滤波器包括区域求和表以及边缘滤波器。
进一步的,在无限脉冲响应滤波器后还连接有非线性的双边滤波器。
进一步的,所述图像分割模块包括采用特定颜色域进行色彩阈值化分割,获取原图的掩膜图,利用马尔可夫随机场对色彩阈值化后分割的图像降噪以及空白填充;采用带环的置信度传播算法计算出一个光滑的分割图像。
进一步的,所述轨迹模拟模块中包括划分出待追踪物体的像素块的最小外接圆,并以此为依据计算出所对应的中心矩,以中心矩的中心位置的运动轨迹等效代替待追踪物体的运动轨迹,对中心位置进行轨迹追踪。
进一步的,为了解决因为摄像头的镜面效应,对视频帧图像进行水平翻转处理,使得呈现的最终呈现出来的图像效果更加符合真实世界中。本发明还包括镜像翻转模块,用于对视频流数据中的镜面图像进行水平翻转处理。
进一步的,为了帮助后台管理人员对视频覆盖区域内可能发生的事故进行及时的反馈。本发明还包括警报模块,用于发出警告信息。
进一步的,所述轨迹识别模块,将已检测到的轨迹作为图像输入,在卷积神经网络VGG16中完成轨迹的识别。
进一步的,基于本发明的同一构思,本发明还提出了一种基于计算机视觉的物体轨迹追踪识别系统;所述系统包括一种基于计算机视觉的物体轨迹追踪识别装置,还包括数据库、匹配装置、警报模块、通信服务器以及客户端;所述数据库存储有各个场景下的警报姿势,所述匹配装置用于调用卷积神经网络VGG16中的相似度参数,对实时获取到的警报姿势与数据库存储的警报姿势进行匹配;若匹配到警报姿势的相似度大于90%,所述警报模块被触发,将警报命令通过通信服务器发送至对应的客户端。
进一步的,所述匹配装置用于将从识别装置中实时获取到的警报姿势与数据库存储的警报姿势进行匹配包括场景匹配与姿势匹配;当场景一致时,则进行姿势匹配,否则不进行姿势匹配。
本发明的有益效果:
本发明对物体的轨迹进行智能追踪,对轨迹状态进行检测分析;能够在直接在现有的监控框架下使用,实现了“即插即用”;能够在一定时间内对物体的轨迹进行保存;使用“区域求和表+边缘”组合领域算子和双边滤波算子进行读入图像的噪声去除,使得在水下,高原,重工业、航天等情形下依旧能够保持优良的识别效果,减少了人工成本;通过引入深度卷积神经网络VGG16进行轨迹图像的识别,能够使轨迹识别的准确率得到有效保证;基于计算机图形学,本发明在“区域求和表+边缘”滤波器后面再接一个非线性的双边滤波,在能够大幅去除散粒噪声的同时,尽可能地保留了边缘信息,增强了本发明的鲁棒性和准确性。
附图说明
图1是本发明一种基于计算机视觉的物体轨迹追踪识别装置的系统框架图;
图2是本发明所分割出待检测的待追踪物体(书籍)的效果图;
图3是本发明的轨迹检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合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。
本方法主要对进入视频覆盖区的满足色彩阈值分割区域条件的物体进行实时轨迹追踪。为视频中被监测物体的轨迹快速检测识别提供有力的依据。
在一个实施例中,如图1所示,一种基于计算机视觉的物体轨迹追踪识别装置,包括:
视频流接入模块,用于获取视频流数据;去异色空间噪声模块,用于消除视频流数据帧图像中的无关噪声和杂色像素块;物体检索模块,用于设置特定色彩空间区域值,检索出待追踪物体的像素块;计算模块,用于计算所述待追踪物体的像素块的最小外接圆;轨迹模拟模块,在视频流数据中形成以最小外接圆确定的中心位置的轨迹;轨迹检测模块,用以根据最小外接圆形成的轨迹走势,检测最小外接圆中是否存在特定图形;轨迹识别模块,用以根据检测到的特定图形,识别待追踪物体被检测出的物体轨迹。
在一个实施例中,所述去异色空间噪声模块包括:
无限脉冲响应滤波器,用以对每帧图像进行去噪处理;
图像分割模块,用于将去噪处理后的图像进行分割;
二值处理模块,用于对分割后的图像进行二值化处理;
形态学模块,用于对二值化处理的图像进行膨胀和腐蚀处理。
在另一个实施例中,所述去异色空间噪声模块的处理过程包括,首先通过高斯滤波对视频帧图进行最初的平滑处理,去除一些较为明显的噪声块。紧接着将预处理后的图像由RGB颜色空间迁移至HSV色彩空间,再一次用高斯滤波对图像进行平滑处理,紧接着利用计算机形态学中的开运算辅以膨胀腐蚀操作,消除由于形态学操作被增强的零散的噪声点,最后用拉普拉斯算子进行带通滤波,最终的结果能够很好地消除视频流中由于设备、天气等原因引入的杂色像素块、无关噪声对待检测物体的影响。
在一个实施例中,为了避免在使用拉普拉斯算法去除噪声时带来的细节丢失和出现鬼影等这样的缺点,本发明提出了利用无限脉冲响应的滤波器,即“区域求和表+边缘”滤波器进行近似代替,这样可以实现对大面积图像的平滑计算;所述无限脉冲响应滤波器包括区域求和表以及边缘滤波器。
在一个优选实施例中,在传统的去噪处理机制上,通常只是通过一个简单的金字塔算法进行的,上述实施例中,本发明利用了一个组合滤波器算法进行了近似代替,能够有效地避免传统金字塔算法带来的弊端。与此同时,本发明考虑到实际摄像头读入图像数据时,由于硬件本身的原因,可能引入散粒噪声,而“区域求和表+边缘”滤波器的本质依旧是处于可分离的一维滤波阶段的算子,所以不能得到很好的表现。为了得到更好的识别效果,本发明在“区域求和表+边缘”滤波器后面再接一个非线性的双边滤波。本实施例在能够大幅去除散粒噪声的同时,尽可能地保留了边缘信息。
在一个实施例中,所述图像分割模块包括获取原图的掩膜图,通过对掩模图与原图进行图像与运算,在原图上得到本发明待跟踪的物体。
在一个优选实施例中,本实施例为了能够还原最真实的场景,利用马尔可夫随机场完成图像降噪和空白填充。在这样操作之后,带环的置信度传播算法能够计算出一个稍低的能量和一个比alpha-扩张图分割算法更光滑的分割图像,能够极大提高检测效果。
在一个实施例中,所述特定色彩空间检索模块的处理过程包括预先设置特定HSV色彩空间区域值,通过色彩阈值分割,得到的效果是保留满足色彩区域值的物体,其余无关待追踪物体的像素值被置为0,即纯黑处理。最后得到本发明检索画面中真正需要去跟踪的物体,如图2所示。
在一个实施例中,所述轨迹模拟模块中包括划分出待追踪物体的像素块的最小外接圆,并以此为依据计算出所对应的中心矩,以中心矩的中心位置的运动轨迹等效代替待追踪物体的运动轨迹,对中心位置进行轨迹追踪。
所述轨迹检测模块,根据在实时画面中物体中心坐标呈现出的轨迹走势,检测出特定图形;
所述轨迹识别模块,本发明采用基于深度卷积神经网络VGG16以识别检测出的物体轨迹,如图3所示,本实施例通过识别圆来进行测试,图3中不规则的线条是待检测物体的实际运动轨迹,亮色的圆是待检测物体的最小外接圆,粗黑色的圆是检测到的圆形。结果证明,本发明效果优秀,且本发明具备较好的鲁棒性,可以通过加入不同的识别模型在不同场景广泛应用。
在一个实施例中,为了解决因为摄像头的镜面效应,对视频帧图像进行水平翻转处理,使得呈现的最终呈现出来的图像效果更加符合真实世界中。本发明还包括镜像翻转模块,用于对视频流数据中的镜面图像进行水平翻转处理。
本发明还提出了一种基于计算机视觉的物体轨迹追踪识别系统;所述系统包括一种基于计算机视觉的物体轨迹追踪识别装置,还包括数据库、匹配装置、警报模块、通信服务器以及客户端;所述数据库存储有各个场景下的警报姿势,所述匹配装置用于调用卷积神经网络VGG16中的相似度参数,对实时获取到的警报姿势与数据库存储的警报姿势进行匹配;若匹配到警报姿势的相似度大于90%,所述警报模块被触发,将警报命令通过通信服务器发送至对应的客户端。
进一步的,所述匹配装置用于将从识别装置中实时获取到的警报姿势与数据库存储的警报姿势进行匹配包括场景匹配与姿势匹配;当场景一致时,则进行姿势匹配,否则不进行姿势匹配。
在一个实施例中,所述警报模块,用于发出警告信息;所述警报模块检测到检测到的特定姿势,则通过蜂鸣器发出警报声并发送警报命令至通信服务器,通信服务器再发送至对应的客户端。例如在游泳池,当游泳人遇到诸如脚抽筋等不良身体状况时,做不到立即引起救生员的注意,此时,只要用手势比划一个设定的图像,如画圆,并且此时的画圆不一定标准,一旦识别装置检测到这样的圆就是向救生员所携带的客户端发出警报,从而降低事故率。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,包括:
视频流接入模块,用于获取视频流数据;
去异色空间噪声模块,用于消除视频流数据帧图像中的无关噪声和杂色像素块;
物体检索模块,用于设置特定色彩空间区域值,检索出待追踪物体的像素块;
计算模块,用于计算所述待追踪物体的像素块的最小外接圆及其中心坐标;
轨迹模拟模块,在视频流数据中形成以最小外接圆确定的中心位置的轨迹;
轨迹检测模块,用以根据最小外接圆形成的轨迹走势,检测最小外接圆中是否存在特定图形;
轨迹识别模块,用以根据检测到的特定图形,识别待追踪物体被检测出的物体轨迹。
2.根据权利要求1所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,所述去异色空间噪声模块包括:
无限脉冲响应滤波器,用以对每帧图像进行去噪处理;
图像分割模块,用于将去噪处理后的图像进行分割;
二值处理模块,用于对分割后的图像进行二值化处理;
形态学模块,用于对二值化处理的图像进行膨胀和腐蚀处理;
带通滤波器,用于对形态学处理后的图像进行带通滤波。
3.根据权利要求2所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,所述无限脉冲响应滤波器包括区域求和表以及边缘滤波器。
4.根据权利要求3所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,在无限脉冲响应滤波器后还连接有非线性的双边滤波器。
5.根据权利要求2所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,所述图像分割模块包括采用特定颜色域进行色彩阈值化分割,获取原图的掩膜图,利用马尔可夫随机场对色彩阈值化分割图像降噪以及空白填充;采用带环的置信度传播算法计算出一个光滑的分割图像。
6.根据权利要求1所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,所述轨迹模拟模块中包括划分出待追踪物体的像素块的最小外接圆,并以此为依据计算出所对应的中心矩,以中心矩的中心位置的运动轨迹等效代替待追踪物体的运动轨迹,对中心位置进行轨迹追踪。
7.根据权利要求1所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,还包括镜像翻转模块,用于对视频流数据中的镜面图像进行水平翻转处理。
8.根据权利要求1~7任一所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,所述轨迹识别模块包括将已检测到的轨迹作为图像输入,在卷积神经网络VGG16中完成轨迹的识别。
9.一种基于计算机视觉的物体轨迹追踪识别系统,所述系统包括如权利要求8所述的一种基于计算机视觉的物体轨迹追踪识别装置,其特征在于,还包括数据库、匹配装置、警报模块、通信服务器以及客户端;所述数据库存储有各个场景下的警报姿势,所述匹配装置用于调用卷积神经网络VGG16中的相似度参数,对实时获取到的警报姿势与数据库存储的警报姿势进行匹配;若匹配到警报姿势的相似度大于90%,所述警报模块被触发,将警报命令通过通信服务器发送至对应的客户端。
10.根据权利要求8所述的一种基于计算机视觉的物体轨迹追踪识别系统,其特征在于,所述匹配装置用于将从识别装置中实时获取到的警报姿势与数据库存储的警报姿势进行匹配包括场景匹配与姿势匹配;当场景一致时,则进行姿势匹配,否则不进行姿势匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292314.2A CN111161312B (zh) | 2019-12-16 | 2019-12-16 | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911292314.2A CN111161312B (zh) | 2019-12-16 | 2019-12-16 | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161312A true CN111161312A (zh) | 2020-05-15 |
CN111161312B CN111161312B (zh) | 2022-03-22 |
Family
ID=70557288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911292314.2A Active CN111161312B (zh) | 2019-12-16 | 2019-12-16 | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161312B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527793A (zh) * | 2020-12-05 | 2021-03-19 | 泰州市朗嘉馨网络科技有限公司 | 水下沉浸时长检测系统 |
CN112633145A (zh) * | 2020-12-21 | 2021-04-09 | 武汉虚世科技有限公司 | 基于3D检测识别与运动目标追踪的WebAR处理方法 |
CN112785619A (zh) * | 2020-12-31 | 2021-05-11 | 大连海事大学 | 一种基于视觉感知的无人水下航行器自主循迹方法 |
CN112801903A (zh) * | 2021-01-29 | 2021-05-14 | 北京博雅慧视智能技术研究院有限公司 | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 |
CN112837347A (zh) * | 2021-02-04 | 2021-05-25 | 安徽工程大学 | 一种基于rgb色彩特征的衣物洗烘设备洗烘过程衣物运动轨迹分析方法及系统 |
CN113379790A (zh) * | 2021-06-21 | 2021-09-10 | 山东八五信息技术有限公司 | 一种基于3d模型的高空瞭望观测物体的ai预警定位方法 |
CN114565744A (zh) * | 2022-03-01 | 2022-05-31 | 江苏蓝创文化科技有限公司 | 魔法棒交互体验系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
US20110013840A1 (en) * | 2008-03-14 | 2011-01-20 | Masahiro Iwasaki | Image processing method and image processing apparatus |
CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及系统 |
US20170091917A1 (en) * | 2015-09-25 | 2017-03-30 | Intel Corporation | Device and method for depth image dequantization |
CN107615298A (zh) * | 2015-05-25 | 2018-01-19 | 彻可麦迪克私人投资有限公司 | 人脸识别方法及系统 |
CN107909604A (zh) * | 2017-11-07 | 2018-04-13 | 武汉科技大学 | 基于双目视觉的动态物体运动轨迹识别方法 |
CN109472233A (zh) * | 2018-11-01 | 2019-03-15 | 济南创视睿智能科技有限公司 | 一种行为追踪系统 |
CN110163124A (zh) * | 2019-04-30 | 2019-08-23 | 北京易华录信息技术股份有限公司 | 一种轨迹追踪处理系统 |
-
2019
- 2019-12-16 CN CN201911292314.2A patent/CN111161312B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
US20100303372A1 (en) * | 2007-07-26 | 2010-12-02 | Omron Corporation | Digital image processing and enhancing system and method with function of removing noise |
US20110013840A1 (en) * | 2008-03-14 | 2011-01-20 | Masahiro Iwasaki | Image processing method and image processing apparatus |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及系统 |
CN107615298A (zh) * | 2015-05-25 | 2018-01-19 | 彻可麦迪克私人投资有限公司 | 人脸识别方法及系统 |
US20170091917A1 (en) * | 2015-09-25 | 2017-03-30 | Intel Corporation | Device and method for depth image dequantization |
CN107909604A (zh) * | 2017-11-07 | 2018-04-13 | 武汉科技大学 | 基于双目视觉的动态物体运动轨迹识别方法 |
CN109472233A (zh) * | 2018-11-01 | 2019-03-15 | 济南创视睿智能科技有限公司 | 一种行为追踪系统 |
CN110163124A (zh) * | 2019-04-30 | 2019-08-23 | 北京易华录信息技术股份有限公司 | 一种轨迹追踪处理系统 |
Non-Patent Citations (3)
Title |
---|
卢斯伟等: "基于双边滤波算法下的焊缝跟踪系统研究", 《机械》 * |
李培华: "一种新颖的基于颜色信息的粒子滤波器跟踪算法", 《计算机学报》 * |
王宇帆: "遥感图像匹配技术在核能领域的应用探究", 《仪器仪表用户》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527793A (zh) * | 2020-12-05 | 2021-03-19 | 泰州市朗嘉馨网络科技有限公司 | 水下沉浸时长检测系统 |
CN112633145A (zh) * | 2020-12-21 | 2021-04-09 | 武汉虚世科技有限公司 | 基于3D检测识别与运动目标追踪的WebAR处理方法 |
CN112633145B (zh) * | 2020-12-21 | 2024-04-26 | 武汉虚世科技有限公司 | 基于3D检测识别与运动目标追踪的WebAR处理方法 |
CN112785619A (zh) * | 2020-12-31 | 2021-05-11 | 大连海事大学 | 一种基于视觉感知的无人水下航行器自主循迹方法 |
CN112801903A (zh) * | 2021-01-29 | 2021-05-14 | 北京博雅慧视智能技术研究院有限公司 | 一种基于视频降噪的目标跟踪方法、装置和计算机设备 |
CN112837347A (zh) * | 2021-02-04 | 2021-05-25 | 安徽工程大学 | 一种基于rgb色彩特征的衣物洗烘设备洗烘过程衣物运动轨迹分析方法及系统 |
CN112837347B (zh) * | 2021-02-04 | 2022-10-18 | 安徽工程大学 | 一种基于rgb色彩特征的衣物洗烘设备洗烘过程衣物运动轨迹分析方法及系统 |
CN113379790A (zh) * | 2021-06-21 | 2021-09-10 | 山东八五信息技术有限公司 | 一种基于3d模型的高空瞭望观测物体的ai预警定位方法 |
CN114565744A (zh) * | 2022-03-01 | 2022-05-31 | 江苏蓝创文化科技有限公司 | 魔法棒交互体验系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111161312B (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161312B (zh) | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 | |
CN110136449B (zh) | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
Tian et al. | Real-time detection of abandoned and removed objects in complex environments | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
Salehi et al. | An automatic video-based drowning detection system for swimming pools using active contours | |
CN110059634B (zh) | 一种大场景人脸抓拍方法 | |
CN110490043A (zh) | 一种基于区域划分和特征提取的森林烟火检测方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
Zang et al. | Object classification and tracking in video surveillance | |
Xu et al. | Segmentation and tracking of multiple moving objects for intelligent video analysis | |
Chang et al. | Localized detection of abandoned luggage | |
CN110544271A (zh) | 抛物动作检测方法及相关装置 | |
KR101243294B1 (ko) | 이동 객체 추출 및 추적 방법 및 장치 | |
CN115035564A (zh) | 基于巡逻车智能摄像机的人脸识别方法、系统及相关组件 | |
CN114332781A (zh) | 一种基于深度学习的智能车牌识别方法及系统 | |
Wang et al. | Video image vehicle detection system for signaled traffic intersection | |
CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
Lee | An accident detection system on highway through CCTV with calogero-moser system | |
Landabaso et al. | Robust tracking and object classification towards automated video surveillance | |
CN114022468B (zh) | 一种安防监控中物品遗留丢失检测方法 | |
Hai-Feng et al. | Vehicle abnormal behavior detection system based on video | |
Kumar et al. | Smart City Traffic Management and Surveillance System for Indian Scenario | |
Sridevi et al. | Automatic generation of traffic signal based on traffic volume | |
CN112004056A (zh) | 一种抗干扰能力强的智能视频分析方法 |
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 |