CN111435436B - 一种基于目标位置的周界防入侵方法和装置 - Google Patents
一种基于目标位置的周界防入侵方法和装置 Download PDFInfo
- Publication number
- CN111435436B CN111435436B CN201911291329.7A CN201911291329A CN111435436B CN 111435436 B CN111435436 B CN 111435436B CN 201911291329 A CN201911291329 A CN 201911291329A CN 111435436 B CN111435436 B CN 111435436B
- Authority
- CN
- China
- Prior art keywords
- point
- boundary
- frame image
- suspicious target
- suspicious
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 35
- 230000002265 prevention Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000003707 image sharpening Methods 0.000 claims description 5
- 241001465754 Metazoa Species 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000036544 posture Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000037237 body shape Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标位置的周界防入侵方法和装置,该方法包括:获取目标位置的周界视频片段;从所述周界视频片段中截取每一帧的帧图像;对每一帧所述帧图像进行特征识别以判断是否有异常特征;从所述帧图像中识别可疑目标对象的边界点位置;根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸;将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;根据确定的所述可疑目标的类别输出相应的报警信息。这种周界防入侵方法可以对可疑目标的类别进行分类,并发出与之相对应的报警信息,方便及时采取与可疑目标类别相对应的应对措施,并提高可疑目标识别的准确性。
Description
技术领域
本发明涉及电子围网监控技术领域,具体涉及一种基于目标位置的周界防入侵方法和装置。
背景技术
周界防入侵是防护重要区域,预防人员、车辆等非允许目标进入该区域的重要技术手段。经过多年发展,出现了红外对射、微波对射、张力围栏、振动光纤、智能视频分析、(地埋)泄漏电缆、分立MEMS振动传感器、调频连续波FMCW体制雷达等多种周界防入侵技术。
但是,传统用于周界防入侵的智能视频分析技术主要基于动目标与背景分离技术以及人工设置虚拟周界区域方式实现可疑目标探测,但是简单的视频分析容易受到光照条件、目标姿态以及非可疑目标移动等因素影响,无法准确地对可疑目标的类别进行分类,也就是说无法判断可疑目标具体是人员、动物、车辆还是无人机等等,也就无法根据不同类别的入侵目标发出对应的报警信号。
发明内容
有鉴于此,本发明提供一种基于目标位置的周界防入侵方法和装置,以解决现有技术中周界防入侵系统无法根据不同类别的可疑目标发出与之相对应的报警信号的技术问题。
为解决上述技术问题,本发明的技术方案如下:
第一方面,本发明实施例提供了一种基于目标位置的周界防入侵方法,包括:
获取目标位置的周界视频片段;
从所述周界视频片段中截取每一帧的帧图像;
对每一帧所述帧图像进行特征识别以判断是否有异常特征,若是则执行下一步骤,若否则退出所述帧图像的处理;
从所述帧图像中识别可疑目标对象的边界点位置;
根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,若否则退出所述帧图像的处理,若是,则执行下一步骤;
将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;
根据确定的所述可疑目标的类别输出相应的报警信息。
进一步地,所述对每一帧所述帧图像进行特征识别以判断是否有异常特征,包括:
从周界模板图像中提取每一区域的特征点;
从所述帧图像中提取每一区域的特征点;
将所述帧图像中每一区域的特征点与所述周界模板图像中每一区域的特征点进行匹配,根据匹配结果判断是否有异常特征。
进一步地,所述从所述帧图像中识别可疑目标对象的边界点位置,包括:
对所述帧图像的边界特性进行预处理;
对经过预处理后的帧图像进行分割处理得到二值图像;
在所述二值图像中确定可疑目标对象的边界点位置。
进一步地,所述对所述帧图像的边界特性进行预处理,包括:
采用伽马变换对所述帧图像进行降噪处理;
对降噪处理后的所述帧图像进行各向异性处理。
进一步地,所述对降噪处理后的所述帧图像进行各向异性处理,包括:
计算所述帧图像中各个像素的梯度方向;
在像素的梯度方向上对所述帧图像的灰度进行图像锐化处理;
在像素梯度的垂直方向上对所述帧图像的灰度进行平滑处理。
进一步地,所述对经过预处理后的帧图像进行分割处理得到二值图像,包括:
采用水平集算法获取预处理后的帧图像的边缘轮廓;
根据所述边缘轮廓对所述帧图像进行二值转换,得到分割后的二值图像;
采用基于区域像素面积的方法滤去所述二值图像中的噪点,得到降噪后的二值图像。
进一步地,根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,包括:
依次连接可疑目标对象的所有边界点形成所述可疑目标的外形轮廓;
计算所述外形轮廓中任意相对设置的两个边界点之间的位置距离的最大值作为所述可疑目标的尺寸;
比较所述可疑目标的尺寸和预设尺寸的大小,根据比较结果判断选择执行下一步骤或退出所述帧图像的处理。
进一步地,,所述数据库中各种可疑目标的标准图像包括:各种身高、体型、姿态的人形图像和动物图像;各种型号大小的车辆、无人机图像。
第二方面,本发明实施例提供了一种基于目标位置的周界防入侵装置,包括:
图像获取单元,用于接收视频监控装置拍摄的目标位置的周界视频片段;
帧图像提取单元,连接所述图像获取单元,用于从所述周界视频片段中截取每一帧的帧图像;
第一判定单元,连接所述帧图像提取单元,用于对每一帧所述帧图像进行特征识别并判断否有有异常特征;
边界点识别单元,连接所述帧图像提取单元,用于从所述帧图像中识别可疑目标对象的边界点位置;
图像勾勒判定单元,连接所述边界点识别单元,用于根据所述边界点的位置勾勒可疑目标对象,并判断所述可疑目标的尺寸是否大于预设尺寸;
图像比对单元,连接所述图像勾勒单元,用于将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;
报警单元,连接所述图像比对单元,用于根据所述可疑目标的类别输出相应的报警信息。
根据第三方面,本发明实施例提供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计算机指令,所述计算机指令用于使所述计算机执行上述的基于目标位置的周界防入侵方法。
本发明技术方案,具有如下优点:
1.本发明提供的基于目标位置的周界防入侵方法,通过对周界视频片段的每一帧帧图像进行特征识别,提取出含有异常特征的帧图像,然后从含有异常特征的帧图像中识别可疑目标对象的边界点位置,再根据边界点位置勾勒可疑目标对象的尺寸大小,然后与预设尺寸大小进行比对,剔除一些非常小的可疑目标对象,然后将符合尺寸要求的可疑目标对象与数据库中各种可疑目标标准图像进行对比,从而确定可疑目标的具体类别,最后根据可疑目标的不同类别,输出相应的报警信息。这种周界防入侵方法,可以对可疑入侵目标的类别进行分类,并发出与之相对应的报警信息,方便及时采取相应的应对措施;而且在进行可疑目标类别比对前,先对帧图像进行特征识别,再对可疑目标的尺寸进行大小比对,可以减少后续可疑目标类别比对的计算量,提高可疑目标类别识别的速度和准确率。
2.本发明提供的基于目标位置的周界防入侵方法,通过对帧图像进行预处理和分割处理得到帧图像的二值图像,从而确定可疑目标对象的边界点位置的方式,可以帧图像中的噪声进行抑制,提高可疑目标对象边界点的连续性和可辨度,进而提高后续可疑目标类别比对结果的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的基于目标位置的周界防入侵方法的实现流程图;
图2为本发明实施例提供中对每一帧所述帧图像进行特征识别以判断是否有异常特征方法的实现流程图;
图3为本发明实施例中从所述帧图像中识别可疑目标对象的边界点位置方法的实现流程图;
图4为本发明实施例中对所述帧图像的边界特性进行预处理方法的实现流程图;
图5为本发明实施例中对经过预处理后的帧图像进行分割处理得到二值图像方法的实现流程图;
图6为本发明实施例中提供的基于目标位置的周界防入侵装置的结构示意图;
图7为本发明实施例中提供的基于目标位置的周界防入侵装置的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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所示的一种基于目标位置的周界防入侵方法,包括以下步骤:
步骤S10,获取目标位置的周界视频片段。
具体的,通过设置在目标位置周界的多个监控摄像机获取目标周界位置的视频片段。
步骤S20,从所述周界视频片段中截取每一帧的帧图像。
具体的,在一些实施例中,
步骤S30,对每一帧所述帧图像进行特征识别以判断是否有异常特征,若是则执行下一步骤,若否则退出所述帧图像的处理;
步骤S40,从所述帧图像中识别可疑目标对象的边界点位置;
具体的,由于可疑目标在帧图像中的灰度与帧图像中背景部分的灰度有明显差异,因此可以通过灰度差异从帧图像中识别出可疑目标的边界点位置。
步骤S50,根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,若否则退出所述帧图像的处理,若是,则执行下一步骤;
步骤S60,将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;
步骤S70,根据确定的所述可疑目标的类别输出相应的报警信息。
这种基于目标位置的周界防入侵方法,通过对周界视频片段的每一帧帧图像进行特征识别,提取出含有异常特征的帧图像,然后从含有异常特征的帧图像中识别可疑目标对象的边界点位置,再根据边界点位置勾勒可疑目标对象的尺寸大小,然后与预设尺寸大小进行比对,剔除一些非常小的可疑目标对象,然后将符合尺寸要求的可疑目标对象与数据库中各种可疑目标标准图像进行对比,从而确定可疑目标的具体类别,最后根据可疑目标的不同类别,输出相应的报警信息。这种周界防入侵方法,可以对可疑入侵目标的类别进行分类,并发出与之相对应的报警信息,方便及时采取相应的应对措施;而且在进行可疑目标类别比对前,先对帧图像进行特征识别,再对可疑目标的尺寸进行大小比对,可以减少后续可疑目标类别比对的计算量,提高可疑目标类别识别的速度和准确率。
如图2所示,在步骤S30中,所述对每一帧所述帧图像进行特征识别以判断是否有异常特征,具体包括以下步骤:
步骤S301,从周界模板图像中提取每一区域的特征点;
步骤S302,从所述帧图像中提取每一区域的特征点;
步骤S303,将所述帧图像中每一区域的特征点与所述周界模板图像中每一区域的特征点进行匹配,根据匹配结果判断是否有异常特征。
采用区域特征点匹配的方法,可以快速得到帧图像是否有异常特征的判断结果,提高后续报警信息发出的及时性。
如图3所示,在步骤S40中,所述从所述帧图像中识别可疑目标对象的边界点位置,具体包括以下步骤:
步骤S401,对所述帧图像的边界特性进行预处理;
步骤S402,对经过预处理后的帧图像进行分割处理得到二值图像;
步骤S403,在所述二值图像中确定可疑目标对象的边界点位置。
通过对帧图像进行预处理和分割处理得到帧图像的二值图像,从而确定可疑目标对象的边界点位置的方式,可以帧图像中的噪声进行抑制,提高可疑目标对象边界点的连续性和可辨度,进而提高后续可疑目标类别比对结果的准确率。
如图4所示,在步骤S401中,所述对所述帧图像的边界特性进行预处理,具体包括以下步骤:
步骤S4011,采用伽马变换对所述帧图像进行降噪处理;
具体的,由于帧图像中其它像素点的噪声会导致帧图像中可疑目标对象边界点的对比度的下降,减少可疑目标对象边界点的连续性,故需要对帧图像中的噪声进行抑制,提高可疑目标对象边界点的连续性。其中,噪声主要表现为斑点噪声,在本实施方式中采用伽马变换对帧图像进行预处理,可以增强亮度较高的可疑目标对象边界点,减少噪声的影响。在其他实施方式中,还可以采用但不限于高斯滤波、直方图均衡化和规定化的方法进行降噪处理。
对降噪处理后的所述帧图像进行各向异性处理,包括:
步骤S4012,计算所述帧图像中各个像素的梯度方向;
步骤S4013,在像素的梯度方向上对所述帧图像的灰度进行图像锐化处理;
步骤S4014,在像素梯度的垂直方向上对所述帧图像的灰度进行平滑处理。
具体的,图像锐化处理的具体方式采用一维拉普拉斯滤波;平滑处理的具体方式采用中值或者均值滤波。各向异性处理可以提升帧图像中可疑目标对象边界点的连续性和边缘锐度,从而提高帧图像中可疑目标对象边界点的可辨度,有利于后续的图像分割。在其他实施方式中,图像锐化处理和平滑处理的方式还可以采用其他的滤波方式。
如图5所示,在步骤S402中,所述对经过预处理后的帧图像进行分割处理得到二值图像,具体包括以下步骤:
步骤S4021,采用水平集算法获取预处理后的帧图像的边缘轮廓;
具体的,水平集算法是一种几何轮廓模型,主要是将低维目标曲线演化过程用比它高一维的水平集函数的零水平集切面来表述。当极小化水平集的泛函时,受到内力和外力作用,水平集函数的零水平集会收缩到目标边界处。具体的计算过程为本领域技术人员的公知常识,此处不予详述。通过水平集算法,可以得到帧图像中可疑目标对象的边缘轮廓。
步骤S4022,根据所述边缘轮廓对所述帧图像进行二值转换,得到分割后的二值图像;
具体的,以基于灰度阈值的分割方法为例,将帧图像中亮度大于阈值的所有像素灰度置为255,其他像素置为0,也就是将整个帧图像呈现出明显的黑白效果的过程,帧图像的二值化使帧图像中数据量大为减少,从而能突显出可疑目标对象的边缘轮廓。灰度阈值的选择依据包括但不限于最大熵、类内方差和类间方差等,可以根据目标图像的具体特征、具体情况灵活选定。
在其他实施方式中,还可以基于图像物理特性及参数设置上的差异,图像的分割方法还可以采用活动轮廓模型的图像分割方法、基于聚类的图像分割方法。
步骤S4023,采用基于区域像素面积的方法滤去所述二值图像中的噪点,得到降噪后的二值图像。
在所述步骤S50中,所述根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,具体包括以下步骤:
步骤S501,依次连接可疑目标对象的所有边界点形成所述可疑目标的外形轮廓;
步骤S502,计算所述外形轮廓中任意相对设置的两个边界点之间的位置距离的最大值作为所述可疑目标的尺寸;
步骤S503,比较所述可疑目标的尺寸和预设尺寸的大小,根据比较结果判断选择执行下一步骤或退出所述帧图像的处理。
具体的,在步骤S501的过程中,获取到可疑目标对象的边界点位置后,可以在图像上勾勒出可疑目标对象的大致边界,但大致边界未必是完全封闭的,每一个断开部分都会产生两个断点,两两计算断点之间的欧氏距离,把距离最近的两个点连接到一起,然后重新计算其他断点间的距离,依次迭代,完成封闭的大致边界勾勒。
在勾勒出可疑目标对象的大致边界后,进一步预处理确定可疑目标对象的粗糙边界。在帧图像的所有边界点上选择第一、第二边界点,设其为横坐标最小、最大边界点,分别记为点A,点B,设线段AB上所有点的横坐标集合为{x1,x2,...,xn},令在帧图像的所有边界点上选择第三、第四边界点,设其为纵坐标最小、最大边界点,分别记为点C,点D,设线段CD上所有点的横坐标集合为{y1,y2,...,yn},令则坐标为{(x1+x2+...+xn)/n,(y1+y2+...+yn)/n}的点即为可疑目标对象的重心;将帧图像的重心移动到坐标轴的原点处,依次取与横轴正方向夹角为0°,1°,...,359°的矢量方向,即为采样扫描线的方向;取原点和大致边界间的采样扫描线为采样线段,得到采样线段集合S={S0,S1,S2,...,S359},设采样线段S0上从原点到边界方向所有像素点集合依次为{d0,d1,...,dn},每点的灰色度分别记为{g0,g1,g2,...,gn},灰色变化度分别记为{g′0,g′1,g′2,...,g′n},则gi′=|gi+1-gi|,i=0,1,2,...,n-1,g′n=g′n-1。取最大灰色变化度的点记为采样线段S0的颜色突变像素点,依次分别取得采样线段S1,S2,..,S359的颜色突变像素点,最后将这360个点连接,可得电力元器件的可疑目标的外形轮廓。
在通过上述步骤得到可疑目标的外形轮廓之后,进一步对帧图像进行扩张处理。将可疑目标的外形轮廓围住的每条采样线段扩张到105%长度,取原采样线段95%到105%之间的线段,得到采样条带;之后针对采样条带与采样扫描线确定的采样线段集S360,帧图像表示为G=f(x,y),G表示图像中任意一点像素值,x,y为该点在坐标系中的横纵坐标,依次求每个采样线段各点的一阶导数,取每个采样线段中导数最大的点,记为集合S′={S′1,S′2,...,S′360}。统计相邻采样线的S′,如果当前S′超过了一定值Tl,那么则认为是有噪声引起的边界无法确定,丢掉该采样点,其中,那么剩下的点即为可疑目标的精确边界点。
上述勾勒可疑目标的外形轮廓的方法,可以有效提高可疑目标对象被勾勒出来的真实度,进而提高后续可疑目标类别比对结果的准确率。
在步骤S60中,所述数据库中各种可疑目标的标准图像包括:各种身高、体型、姿态的人形图像和动物图像;各种型号大小的车辆、无人机图像。
另一方面,本发明实施例还提供了一种基于目标位置的周界防入侵装置,包括:图像获取单元10、帧图像提取单元20、第一判定单元30、边界点识别单元40、图像勾勒单元50、图像比对单元60和报警单元70。其中,图像获取单元10用于接收视频监控装置拍摄的目标位置的周界视频片段;帧图像提取单元20连接所述图像获取单元10,用于从所述周界视频片段中截取每一帧的帧图像;第一判定单元30连接所述帧图像提取单元20,用于对每一帧所述帧图像进行特征识别并判断否有有异常特征;边界点识别单元40连接所述帧图像提取单元30,用于从所述帧图像中识别可疑目标对象的边界点位置;图像勾勒单元50连接所述边界点识别单元50,用于根据所述边界点的位置勾勒可疑目标对象,并判断所述可疑目标的尺寸是否大于预设尺寸;图像比对单元60连接所述图像勾勒单元50,用于将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;报警单元70连接所述图像比对单元60,用于根据所述可疑目标的类别输出相应的报警信息。
这种基于目标位置的周界防入侵装置,可以对可疑入侵目标的类别进行分类,并发出与之相对应的报警信息,方便及时采取相应的应对措施;而且在进行可疑目标类别比对前,先对帧图像进行特征识别,再对可疑目标的尺寸进行大小比对,可以减少后续可疑目标类别比对的计算量,提高可疑目标类别识别的速度和准确率。
如图7所示,本发明实施例还提供了一种基于目标位置的周界防入侵装置,包括但不限于存储器82、处理器81以及储存在所述存储器82中并可在所述处理器81上运行的计算机程序。本领域技术人员可以理解,图7仅仅是基于目标位置的周界防入侵装置的示例,并不构成对基于目标位置的周界防入侵装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如基于目标位置的周界防入侵装置还可以包括输入输出设备、网络接入设备、总线等。所述处理器81执行所述计算机程序时实现如上所述的基于目标位置的周界防入侵方法。
处理器81可以为中央处理器(Central Processing Unit,CPU)。处理器81还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器72作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的基于目标位置的周界防入侵方法对应的程序指令/模块。处理器71通过运行存储在存储器72中的非暂态软件程序、指令以及模块,从而执行处理器71的各种功能应用以及数据处理,即实现上述方法实施例中的基于目标位置的周界防入侵方法。
存储器72可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器71所创建的数据等。此外,存储器72可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器72可选包括相对于处理器71远程设置的存储器72,这些远程存储器72可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器72中,当被所述处理器71执行时,执行如图1所示实施例中的基于目标位置的周界防入侵方法。
上述基于目标位置的周界防入侵装置具体细节可以对应参阅图6所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,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,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器72(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器72的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于目标位置的周界防入侵方法,其特征在于,包括:
获取目标位置的周界视频片段;
从所述周界视频片段中截取每一帧的帧图像;
对每一帧所述帧图像进行特征识别以判断是否有异常特征,若是则执行下一步骤,若否则退出所述帧图像的处理;
从所述帧图像中识别可疑目标对象的边界点位置;
根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,若否则退出所述帧图像的处理,若是,则执行下一步骤;根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,包括:
依次连接可疑目标对象的所有边界点形成所述可疑目标的外形轮廓;在勾勒出可疑目标对象的大致边界后,进一步预处理确定可疑目标对象的粗糙边界,在帧图像的所有边界点上选择第一、第二边界点,设其为横坐标最小、最大边界点,分别记为点A,点B,设线段AB上所有点的横坐标集合为{x1,x2,...,xn},令在帧图像的所有边界点上选择第三、第四边界点,设其为纵坐标最小、最大边界点,分别记为点C,点D,设线段CD上所有点的横坐标集合为{y1,y2,...,yn},令则坐标为{(x1+x2+...+xn)/n,(y1+y2+...+yn)/n}的点即为可疑目标对象的重心,n为大于1的正整数;将帧图像的重心移动到坐标轴的原点处,依次取与横轴正方向夹角为0°,1°,...,359°的矢量方向,即为采样扫描线的方向;取原点和大致边界间的采样扫描线为采样线段,得到采样线段集合S={S0,S1,S2,...,S359},设采样线段S0上从原点到边界方向所有像素点集合依次为{d0,d1,...,dn},每点的灰色度分别记为{g0,g1,g2,...,gn},灰色变化度分别记为{g′0,g′1,g′2,...,g′n},则gi′=|gi+1-gi|,i=0,1,2,...,n-1,g′n=g′n-1;取最大灰色变化度的点记为采样线段S0的颜色突变像素点,依次分别取得采样线段S1,S2,..,S359的颜色突变像素点,最后将这360个点连接,可得可疑目标的外形轮廓;
在通过上述步骤得到可疑目标的外形轮廓之后,进一步对帧图像进行扩张处理;将可疑目标的外形轮廓围住的每条采样线段扩张到105%长度,取原采样线段95%到105%之间的线段,得到采样条带;之后针对采样条带与采样扫描线确定的采样线段集S360,帧图像表示为G=f(x,y),G表示图像中任意一点像素值,x,y为该点在坐标系中的横纵坐标,依次求每个采样线段各点的一阶导数,取每个采样线段中导数最大的点,记为集合S′={S′1,S′2,...,S′360};统计相邻采样线的S′,如果当前S′超过了一定值Tl,那么则认为是有噪声引起的边界无法确定,丢掉该采样点,那么剩下的点即为可疑目标的精确边界点;
计算所述外形轮廓中任意相对设置的两个边界点之间的位置距离的最大值作为所述可疑目标的尺寸;
比较所述可疑目标的尺寸和预设尺寸的大小,根据比较结果判断选择执行下一步骤或退出所述帧图像的处理;
将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;
根据确定的所述可疑目标的类别输出相应的报警信息。
2.根据权利要求1所述的基于目标位置的周界防入侵方法,其特征在于,所述对每一帧所述帧图像进行特征识别以判断是否有异常特征,包括:
从周界模板图像中提取每一区域的特征点;
从所述帧图像中提取每一区域的特征点;
将所述帧图像中每一区域的特征点与所述周界模板图像中每一区域的特征点进行匹配,根据匹配结果判断是否有异常特征。
3.根据权利要求1所述的基于目标位置的周界防入侵方法,其特征在于,所述从所述帧图像中识别可疑目标对象的边界点位置,包括:
对所述帧图像的边界特性进行预处理;
对经过预处理后的帧图像进行分割处理得到二值图像;
在所述二值图像中确定可疑目标对象的边界点位置。
4.根据权利要求3所述的基于目标位置的周界防入侵方法,其特征在于,所述对所述帧图像的边界特性进行预处理,包括:
采用伽马变换对所述帧图像进行降噪处理;
对降噪处理后的所述帧图像进行各向异性处理。
5.根据权利要求4所述的基于目标位置的周界防入侵方法,其特征在于,所述对降噪处理后的所述帧图像进行各向异性处理,包括:
计算所述帧图像中各个像素的梯度方向;
在像素的梯度方向上对所述帧图像的灰度进行图像锐化处理;
在像素梯度的垂直方向上对所述帧图像的灰度进行平滑处理。
6.根据权利要求3所述的基于目标位置的周界防入侵方法,其特征在于,所述对经过预处理后的帧图像进行分割处理得到二值图像,包括:
采用水平集算法获取预处理后的帧图像的边缘轮廓;
根据所述边缘轮廓对所述帧图像进行二值转换,得到分割后的二值图像;
采用基于区域像素面积的方法滤去所述二值图像中的噪点,得到降噪后的二值图像。
7.根据权利要求1所述的基于目标位置的周界防入侵方法,其特征在于,所述数据库中各种可疑目标的标准图像包括:各种身高、体型、姿态的人形图像和动物图像;各种型号大小的车辆、无人机图像。
8.一种基于目标位置的周界防入侵装置,其特征在于,包括:
图像获取单元,用于接收视频监控装置拍摄的目标位置的周界视频片段;
帧图像提取单元,连接所述图像获取单元,用于从所述周界视频片段中截取每一帧的帧图像;
第一判定单元,连接所述帧图像提取单元,用于对每一帧所述帧图像进行特征识别并判断否有有异常特征;
边界点识别单元,连接所述帧图像提取单元,用于从所述帧图像中识别可疑目标对象的边界点位置;
图像勾勒判定单元,连接所述边界点识别单元,用于根据所述边界点的位置勾勒可疑目标对象,并判断所述可疑目标的尺寸是否大于预设尺寸;根据所述边界点的位置勾勒可疑目标对象,判断所述可疑目标的尺寸是否大于预设尺寸,包括:
依次连接可疑目标对象的所有边界点形成所述可疑目标的外形轮廓;在勾勒出可疑目标对象的大致边界后,进一步预处理确定可疑目标对象的粗糙边界,在帧图像的所有边界点上选择第一、第二边界点,设其为横坐标最小、最大边界点,分别记为点A,点B,设线段AB上所有点的横坐标集合为{x1,x2,...,xn},令在帧图像的所有边界点上选择第三、第四边界点,设其为纵坐标最小、最大边界点,分别记为点C,点D,设线段CD上所有点的横坐标集合为{y1,y2,...,yn},令则坐标为{(x1+x2+...+xn)/n,(y1+y2+...+yn)/n}的点即为可疑目标对象的重心,n为大于1的正整数;将帧图像的重心移动到坐标轴的原点处,依次取与横轴正方向夹角为0°,1°,...,359°的矢量方向,即为采样扫描线的方向;取原点和大致边界间的采样扫描线为采样线段,得到采样线段集合S={S0,S1,S2,...,S359},设采样线段S0上从原点到边界方向所有像素点集合依次为{d0,d1,...,dn},每点的灰色度分别记为{g0,g1,g2,...,gn},灰色变化度分别记为{g′0,g′1,g′2,...,g′n},则gi′=|gi+1-gi|,i=0,1,2,...,n-1,g′n=g′n-1;取最大灰色变化度的点记为采样线段S0的颜色突变像素点,依次分别取得采样线段S1,S2,..,S359的颜色突变像素点,最后将这360个点连接,可得可疑目标的外形轮廓;
在通过上述步骤得到可疑目标的外形轮廓之后,进一步对帧图像进行扩张处理;将可疑目标的外形轮廓围住的每条采样线段扩张到105%长度,取原采样线段95%到105%之间的线段,得到采样条带;之后针对采样条带与采样扫描线确定的采样线段集S360,帧图像表示为G=f(x,y),G表示图像中任意一点像素值,x,y为该点在坐标系中的横纵坐标,依次求每个采样线段各点的一阶导数,取每个采样线段中导数最大的点,记为集合S′={S′1,S′2,...,S′360};统计相邻采样线的S′,如果当前S′超过了一定值Tl,那么则认为是有噪声引起的边界无法确定,丢掉该采样点,那么剩下的点即为可疑目标的精确边界点;
计算所述外形轮廓中任意相对设置的两个边界点之间的位置距离的最大值作为所述可疑目标的尺寸;
比较所述可疑目标的尺寸和预设尺寸的大小,根据比较结果判断选择执行下一步骤或退出所述帧图像的处理;
图像比对单元,连接所述图像勾勒单元,用于将勾勒得到的所述可疑目标对象与数据库中各种可疑目标标准图像进行对比,确定可疑目标对象的类别;
报警单元,连接所述图像比对单元,用于根据所述可疑目标的类别输出相应的报警信息。
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计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的基于目标位置的周界防入侵方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291329.7A CN111435436B (zh) | 2019-12-13 | 2019-12-13 | 一种基于目标位置的周界防入侵方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291329.7A CN111435436B (zh) | 2019-12-13 | 2019-12-13 | 一种基于目标位置的周界防入侵方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111435436A CN111435436A (zh) | 2020-07-21 |
CN111435436B true CN111435436B (zh) | 2021-01-08 |
Family
ID=71580938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291329.7A Active CN111435436B (zh) | 2019-12-13 | 2019-12-13 | 一种基于目标位置的周界防入侵方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111435436B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112153295A (zh) * | 2020-11-24 | 2020-12-29 | 山东富通信息科技有限公司 | 一种基于无线网络视频控制的系统及方法 |
CN113093810A (zh) * | 2021-04-13 | 2021-07-09 | 北京微纳星空科技有限公司 | 一种围栏出界报警的方法、系统、装置、无人机和存储介质 |
CN113393455A (zh) * | 2021-07-05 | 2021-09-14 | 武汉智目智能技术合伙企业(有限合伙) | 一种基于机器视觉技术的异纤检测方法 |
CN115359424B (zh) * | 2022-08-18 | 2023-04-07 | 中国人民公安大学 | 基于遥感图像的安全监控方法、装置、设备及存储介质 |
CN117133020B (zh) * | 2023-10-26 | 2024-01-19 | 湖北华中电力科技开发有限责任公司 | 基于图像大数据的电网设施异常检测与处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6289456B1 (en) * | 1998-08-19 | 2001-09-11 | Compaq Information Technologies, Inc. | Hood intrusion and loss of AC power detection with automatic time stamp |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
CN104463811A (zh) * | 2014-12-29 | 2015-03-25 | 南京信息工程大学 | 基于能量泛函的图像平滑与锐化算法 |
CN104902241A (zh) * | 2015-06-06 | 2015-09-09 | 李志刚 | 基于电力线通信的监狱监控平台 |
CN105575027A (zh) * | 2014-10-09 | 2016-05-11 | 北京君正集成电路股份有限公司 | 一种入侵与周界防范方法及装置 |
CN108492502A (zh) * | 2018-03-16 | 2018-09-04 | 深圳勇艺达机器人有限公司 | 智能机器人单目广角视觉防盗报警方法 |
CN109949231A (zh) * | 2019-02-02 | 2019-06-28 | 浙江工业大学 | 一种用于城市管理信息采集和处理的方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8229172B2 (en) * | 2009-12-16 | 2012-07-24 | Sony Corporation | Algorithms for estimating precise and relative object distances in a scene |
CN102800063B (zh) * | 2012-07-12 | 2014-10-01 | 中国科学院软件研究所 | 基于各向异性滤波的图像增强与抽象化方法 |
US20150009031A1 (en) * | 2013-07-03 | 2015-01-08 | Honeywell International Inc. | Multilayer perimeter instrusion detection system for multi-processor sensing |
CN105389920B (zh) * | 2015-11-30 | 2017-11-17 | 北京正安维视科技股份有限公司 | 基于二维激光雷达和视频分析的周界报警方法 |
-
2019
- 2019-12-13 CN CN201911291329.7A patent/CN111435436B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6289456B1 (en) * | 1998-08-19 | 2001-09-11 | Compaq Information Technologies, Inc. | Hood intrusion and loss of AC power detection with automatic time stamp |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
CN105575027A (zh) * | 2014-10-09 | 2016-05-11 | 北京君正集成电路股份有限公司 | 一种入侵与周界防范方法及装置 |
CN104463811A (zh) * | 2014-12-29 | 2015-03-25 | 南京信息工程大学 | 基于能量泛函的图像平滑与锐化算法 |
CN104902241A (zh) * | 2015-06-06 | 2015-09-09 | 李志刚 | 基于电力线通信的监狱监控平台 |
CN108492502A (zh) * | 2018-03-16 | 2018-09-04 | 深圳勇艺达机器人有限公司 | 智能机器人单目广角视觉防盗报警方法 |
CN109949231A (zh) * | 2019-02-02 | 2019-06-28 | 浙江工业大学 | 一种用于城市管理信息采集和处理的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111435436A (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111435436B (zh) | 一种基于目标位置的周界防入侵方法和装置 | |
US8792722B2 (en) | Hand gesture detection | |
US8750573B2 (en) | Hand gesture detection | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
JP4479478B2 (ja) | パターン認識方法および装置 | |
CN111178245A (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
JP5223675B2 (ja) | 車両検知装置,車両検知方法並びに車両検知プログラム | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
US10922535B2 (en) | Method and device for identifying wrist, method for identifying gesture, electronic equipment and computer-readable storage medium | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN114067147B (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
Ye et al. | Overhead ground wire detection by fusion global and local features and supervised learning method for a cable inspection robot | |
CN112668374A (zh) | 图像处理方法、装置、重识别网络的训练方法及电子设备 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
US7440636B2 (en) | Method and apparatus for image processing | |
Getahun et al. | A robust lane marking extraction algorithm for self-driving vehicles | |
Miron et al. | Cross-comparison census for colour stereo matching applied to intelligent vehicle | |
CN107578037B (zh) | 一种基于似物性估计的道线检测方法 | |
Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
US20240221181A1 (en) | Image processing system | |
CN107153823B (zh) | 一种基于视觉关联双空间的车道线特征提取方法 | |
Bahri et al. | Fast moving human detection using fourier and hog descriptors based CUDA | |
KR101592334B1 (ko) | 위성 영상의 관심 시설 탐색 장치 및 그 방법 |
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 |