CN111382692A - 高空抛物检测方法、装置及计算机可读存储介质 - Google Patents
高空抛物检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111382692A CN111382692A CN202010148595.0A CN202010148595A CN111382692A CN 111382692 A CN111382692 A CN 111382692A CN 202010148595 A CN202010148595 A CN 202010148595A CN 111382692 A CN111382692 A CN 111382692A
- Authority
- CN
- China
- Prior art keywords
- pixel
- background
- model
- target
- gaussian model
- 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
Images
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
- G06T7/20—Analysis of motion
-
- 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
- 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)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高空抛物检测方法、装置及计算机可读存储介质,其中高空抛物检测方法,包括以下步骤:S1、获取高楼监控图像;S2、通过单高斯模型和双高斯模型进行图像检测;S3、设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。本高空抛物检测方法、装置及计算机可读存储介质,能够准确对高空抛物进行检测。
Description
技术领域
本发明涉及高空抛物检测技术领域,尤其涉及一种高空抛物检测方法、装置及计算机可读存储介质。
背景技术
高空抛物现象曾被称为“悬在城市上空的痛”。高空抛物不仅污染城市环境,还对地面上的人及财物造成威胁。目前,高空抛物已经成为了城市管理的毒瘤,每个城市都投入了大量的资源对此进行整治,但收效甚微。
目前在进行高空抛物检测时,主要是通过摄像头进行视频拍摄。由于高空目标物体受环境影响,像素点会出现随机起伏、闪烁和图像中物体的位置漂移,这使得传统的背景建模方法在高空环境下难以准确检测运动目标。
发明内容
有鉴于此,本发明要解决的技术问题是提供一种高空抛物检测方法、装置及计算机可读存储介质,能够准确对高空抛物进行检测。
本发明的技术方案是这样实现的:
一种高空抛物检测方法,包括以下步骤:
S1、获取高楼监控图像;
S2、通过单高斯模型和双高斯模型进行图像检测;
S3、设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
优选的,所述单高斯模型的建模方法为:
用单高斯模型建模背景平坦区域;
S21、设任意s帧的任意像素位置(x,y)服从一维正态分布N(μ,σ2),其中μ和σ2分别为该像素高斯分布的平均值和方差;令I(x,y,t)表示像素点(x,y)在t时刻的像素值,则其概率为:
S22、每一个像素点的背景模型由包括当前时刻的期望值μt(x,y)和标准差σt(x,y)构成;对于t时刻的像素值I(x,y,t),令Flag(x,y,t)表示是否判定为背景,则有:
S23、检测完毕后对被判定为背景的像素的背景模型进行更新:
优选的,所述双高斯模型的建模方法为:
用双高斯模型建模背景中的物体边缘区域:
背景中物体边缘区域一点(x,y),(x,y)∈Q亮度Xt的变化用双高斯模型来描述:
优选的,在所述S3之后,还包括:
S4、目标跟踪;
通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
本发明还提出了一种高空抛物检测装置,包括:
获取模块;用于获取高楼监控图像;
检测模块;用于通过单高斯模型和双高斯模型进行图像检测;
判定模块;用于设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
优选的,所述所述单高斯模型的建模方法为:
用单高斯模型建模背景平坦区域;
S21、设任意s帧的任意像素位置(x,y)服从一维正态分布N(μ,σ2),其中μ和σ2分别为该像素高斯分布的平均值和方差;令I(x,y,t)表示像素点(x,y)在t时刻的像素值,则其概率为:
S22、每一个像素点的背景模型由包括当前时刻的期望值μt(x,y)和标准差σt(x,y)构成;对于t时刻的像素值I(x,y,t),令Flag(x,y,t)表示是否判定为背景,则有:
S23、检测完毕后对被判定为背景的像素的背景模型进行更新:
优选的,所述双高斯模型的建模方法为:
用双高斯模型建模背景中的物体边缘区域:
背景中物体边缘区域一点(x,y),(x,y)∈Q亮度Xt的变化用双高斯模型来描述:
优选的,还包括:
目标跟踪模块;用于通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
本发明还提出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多条指令,所述指令适于处理器进行加载,以执行权利要求1-4任一项所述的高空抛物检测方法中的步骤。
本发明提出的高空抛物检测方法、装置及计算机可读存储介质,单高斯模型计算速度快、准确度较高,能较好地处理背景干扰;双高斯分布包括两组分别对应在背景中物体边缘两侧亮度不同的像素点由各种背景变化引起的亮度变化的高斯分布,由于天气风向引起的位置漂移而叠加在一起形成双高斯分布。双高斯分布既描述了亮度的起伏也描述了位置漂移,从而能够准确对高空抛物进行检测。
附图说明
图1为本发明实施例提出的高空抛物检测方法的流程图。
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做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。
如图1所示,本发明实施例提出了一种高空抛物检测方法,包括以下步骤:
S1、获取高楼监控图像;
S2、通过单高斯模型和双高斯模型进行图像检测;
S3、设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
可见,本发明提出的高空抛物检测方法,单高斯模型计算速度快、准确度较高,能较好地处理背景干扰;双高斯分布包括两组分别对应在背景中物体边缘两侧亮度不同的像素点由各种背景变化引起的亮度变化的高斯分布,由于天气风向引起的位置漂移而叠加在一起形成双高斯分布。双高斯分布既描述了亮度的起伏也描述了位置漂移,从而能够准确对高空抛物进行检测。
在本发明的一个优选实施例中,所述单高斯模型的建模方法为:
用单高斯模型建模背景平坦区域;
S21、设任意s帧的任意像素位置(x,y)服从一维正态分布N(μ,σ2),其中μ和σ2分别为该像素高斯分布的平均值和方差;令I(x,y,t)表示像素点(x,y)在t时刻的像素值,则其概率为:
S22、每一个像素点的背景模型由包括当前时刻的期望值μt(x,y)和标准差σt(x,y)构成;对于t时刻的像素值I(x,y,t),令Flag(x,y,t)表示是否判定为背景,则有:
S23、检测完毕后对被判定为背景的像素的背景模型进行更新:
在本发明的一个优选实施例中,所述双高斯模型的建模方法为:
用双高斯模型建模背景中的物体边缘区域:
背景中物体边缘区域一点(x,y),(x,y)∈Q亮度Xt的变化用双高斯模型来描述:
在本发明的一个优选实施例中,在所述S3之后,还包括:
S4、目标跟踪;
通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
本发明还提出了一种高空抛物检测装置,包括:
获取模块;用于获取高楼监控图像;
检测模块;用于通过单高斯模型和双高斯模型进行图像检测;
判定模块;用于设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
在本发明的一个优选实施例中,所述所述单高斯模型的建模方法为:
用单高斯模型建模背景平坦区域;
S21、设任意s帧的任意像素位置(x,y)服从一维正态分布N(μ,σ2),其中μ和σ2分别为该像素高斯分布的平均值和方差;令I(x,y,t)表示像素点(x,y)在t时刻的像素值,则其概率为:
S22、每一个像素点的背景模型由包括当前时刻的期望值μt(x,y)和标准差σt(x,y)构成;对于t时刻的像素值I(x,y,t),令Flag(x,y,t)表示是否判定为背景,则有:
S23、检测完毕后对被判定为背景的像素的背景模型进行更新:
在本发明的一个优选实施例中,所述双高斯模型的建模方法为:
用双高斯模型建模背景中的物体边缘区域:
背景中物体边缘区域一点(x,y),(x,y)∈Q亮度Xt的变化用双高斯模型来描述:
在本发明的一个优选实施例中,还包括:
目标跟踪模块;用于通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
本发明还提出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多条指令,所述指令适于处理器进行加载,以执行上述任一项所述的高空抛物检测方法中的步骤。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solidstatedisk,SSD))等。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (9)
1.一种高空抛物检测方法,其特征在于,包括以下步骤:
S1、获取高楼监控图像;
S2、通过单高斯模型和双高斯模型进行图像检测;
S3、设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
4.如权利要求1所述的高空抛物检测方法,其特征在于,在所述S3之后,还包括:
S4、目标跟踪;
通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
5.一种高空抛物检测装置,其特征在于,包括:
获取模块;用于获取高楼监控图像;
检测模块;用于通过单高斯模型和双高斯模型进行图像检测;
判定模块;用于设定判别式对图像的像素点进行判别,并更新模型参数,针对亮度突变点建立自适应判别模型,结合判别式的判别结果,构造判别条件消除亮度突变点,分割得到目标点;通过连通区域约束得到目标区域。
8.如权利要求5所述的高空抛物检测装置,其特征在于,还包括:
目标跟踪模块;用于通过对目标区域进行跟踪,识别目标特性,判断是否为高空抛物。
9.一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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1-4任一项所述的高空抛物检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148595.0A CN111382692A (zh) | 2020-03-05 | 2020-03-05 | 高空抛物检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148595.0A CN111382692A (zh) | 2020-03-05 | 2020-03-05 | 高空抛物检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382692A true CN111382692A (zh) | 2020-07-07 |
Family
ID=71217071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148595.0A Pending CN111382692A (zh) | 2020-03-05 | 2020-03-05 | 高空抛物检测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382692A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080152192A1 (en) * | 2005-07-07 | 2008-06-26 | Ingenious Targeting Laboratory, Inc. | System For 3D Monitoring And Analysis Of Motion Behavior Of Targets |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测系统与方法 |
CN109872341A (zh) * | 2019-01-14 | 2019-06-11 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测方法与系统 |
CN110647822A (zh) * | 2019-08-30 | 2020-01-03 | 重庆博拉智略科技有限公司 | 高空抛物行为识别方法、装置、存储介质及电子设备 |
-
2020
- 2020-03-05 CN CN202010148595.0A patent/CN111382692A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080152192A1 (en) * | 2005-07-07 | 2008-06-26 | Ingenious Targeting Laboratory, Inc. | System For 3D Monitoring And Analysis Of Motion Behavior Of Targets |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测系统与方法 |
CN109872341A (zh) * | 2019-01-14 | 2019-06-11 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测方法与系统 |
CN110647822A (zh) * | 2019-08-30 | 2020-01-03 | 重庆博拉智略科技有限公司 | 高空抛物行为识别方法、装置、存储介质及电子设备 |
Non-Patent Citations (4)
Title |
---|
刘永涛等: "基于自适应混合高斯模型的火焰识别方法" * |
张硕: "基于监控视频的运动目标检测算法" * |
张硕: "基于监控视频的运动目标检测算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
支祖利等: "融合单高斯模型的改进ViBE算法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723654B (zh) | 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置 | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
CN108197604A (zh) | 基于嵌入式设备的快速人脸定位跟踪方法 | |
CN111339979B (zh) | 基于特征提取的图像识别方法及图像识别装置 | |
CN108010242B (zh) | 一种基于视频识别的安防报警方法、系统及存储介质 | |
CN111383244B (zh) | 一种目标检测跟踪方法 | |
CN111539265A (zh) | 一种电梯轿厢内异常行为检测方法 | |
CN111368741A (zh) | 一种高空抛物检测系统 | |
Hao et al. | Detection of bird nests on power line patrol using single shot detector | |
CN111445487A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112560880A (zh) | 目标分类方法、目标分类装置及计算机可读存储介质 | |
Lou et al. | Smoke root detection from video sequences based on multi-feature fusion | |
CN111382692A (zh) | 高空抛物检测方法、装置及计算机可读存储介质 | |
CN112633179A (zh) | 基于视频分析的农贸市场过道物体占道检测方法 | |
CN116543238A (zh) | 一种电缆绝缘层的图像检测方法 | |
CN114022509B (zh) | 基于多个动物的监控视频的目标跟踪方法及相关设备 | |
EP4220495A1 (en) | Task learning system and method, and related device | |
CN115761896A (zh) | 一种生猪的异常行为识别方法、系统、设备以及介质 | |
CN112734794B (zh) | 一种基于深度学习的运动目标跟踪与定位方法 | |
CN117474983B (zh) | 一种基于光视联动的预警方法以及相关装置 | |
US11875489B2 (en) | Detecting hybdrid-distance adversarial patches | |
CN213241250U (zh) | 矿工安全帽检测系统 | |
Singhof et al. | Finding Trees in Mountains-Outlier Detection on Polygonal Chains. | |
CN116030417B (zh) | 一种员工识别方法、装置、设备、介质及产品 |
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 |