CN111462155A - 移动侦测方法、装置、计算机设备和存储介质 - Google Patents

移动侦测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111462155A
CN111462155A CN202010221528.7A CN202010221528A CN111462155A CN 111462155 A CN111462155 A CN 111462155A CN 202010221528 A CN202010221528 A CN 202010221528A CN 111462155 A CN111462155 A CN 111462155A
Authority
CN
China
Prior art keywords
pixel
image
block
determining
image frame
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
Application number
CN202010221528.7A
Other languages
English (en)
Other versions
CN111462155B (zh
Inventor
王飞龙
王大慰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vantop Technology & Innovation Co ltd
Original Assignee
Vantop Technology & Innovation Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Vantop Technology & Innovation Co ltd filed Critical Vantop Technology & Innovation Co ltd
Priority to CN202010221528.7A priority Critical patent/CN111462155B/zh
Publication of CN111462155A publication Critical patent/CN111462155A/zh
Application granted granted Critical
Publication of CN111462155B publication Critical patent/CN111462155B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • 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
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种移动侦测方法、装置、计算机设备和存储介质。所述方法包括：获取当前图像帧，并对当前图像帧进行分割，得到多个图像块；确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；基于权重计算参数计算图像块的权重值；根据像素差值总和以及所述权重值，确定对应图像块的移动指标；当图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定当前图像帧中具有移动物体。采用本方法能够提升移动侦测的准确率。

Description

移动侦测方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种移动侦测方法、装置、计算机设备和存储介质。
背景技术
随着图像识别技术的发展，出现了移动帧测技术，移动侦测技术是指通过对视频中的图像帧进行分析，来检测视频场景中是否有移动物体。目前主要是采用帧差法来进行移动侦测，通过获取前后两帧图像中对应位置的像素点的差异，来判断是否具有移动物体。但是，这种方法容易受到室内灯光变化、室外太阳光影、风吹草动等各种环境因素的影响，从而使得识别准确度低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升识别准确度的移动侦测方法、装置、计算机设备和存储介质。
一种移动侦测方法，所述方法包括：
获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于所述权重计算参数计算所述图像块的权重值；
根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
在其中一个实施例中，所述当前图像帧中内嵌有采集时间；所述确定每个图像块的权重计算参数包括：
根据所述当前图像帧的采集时间，获取相对应的背景图像帧；
对所述背景图像帧进行分割，得到多个背景块；
确定所述背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息；
将所述背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
在其中一个实施例中，所述确定所述背景块的图像复杂度包括：
确定所述背景块所包含的像素点的总数量，以及各像素点的像素值；
基于所述总数量以及像素值计算所述背景块的平均像素值；
确定各像素值与平均像素值之间的偏差；
根据所述总数量、各像素值与平均像素值之间的偏差以及平均像素值计算所述背景块的图像复杂度。
在其中一个实施例中，所述确定所述背景块与相邻背景块的关联度包括：
确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；
确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；
根据所述第一像素值、第二像素值以及总数量确定所述背景块与相邻背景块的关联度。
在其中一个实施例中，所述确定每个图像块所对应的像素差值总和括：
获取前一图像帧；
通过对当前图像帧和前一图像帧进行像素匹配，确定所述当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素；
确定第一像素与第二像素之间的像素差绝对值；
判定所述像素差绝对值大于预设像素阈值的对应第一像素为目标像素；
统计每个图像块中的目标像素的数量，将所述目标像素的数量判定为对应图像块的像素差值总和。
在其中一个实施例中，所述方法还包括：
在所述当前图像帧中具有移动物体时，根据所述目标图像块的数量确定对应的报警等级；
获取与所述报警等级相对应的报警事件；
基于所述报警事件进行报警。
在其中一个实施例中，所述方法还包括：
获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；
统计所述多张图像帧中具有相同位置信息的目标图像块的数量；
当数量超过预设统计阈值时，根据所述数量调整具有相同位置信息的背景块的权重计算参数。
一种移动侦测装置，所述装置包括：
权重计算参数确定模块，用于获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
移动指标确定模块，用于基于所述权重计算参数计算所述图像块的权重值；根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
移动物体侦测模块，用于当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于所述权重计算参数计算所述图像块的权重值；
根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
一种计算机可读存储介质，其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以下步骤：
获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于所述权重计算参数计算所述图像块的权重值；
根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
上述移动侦测方法、装置、计算机设备和存储介质，通过获取当前图像帧，可以对当前图像帧进行分割，得到多个图像块；通过确定各图像块的权重计算参数，可以基于权重计算参数计算图像块的权重值；通过确定图像块的像素差值总和以及权重值，可以基于像素差值总和和权重值确定图像块的移动指标，从而可以基于移动指标判断当前图像帧中是否具有移动物体。由于本申请中的移动指标是基于权重计算参数确定的，而权重计算参数的确定充分考虑了外界环境因素的干扰，因此相比于传统的基于帧差法来进行移动侦测，本申请可以降低室内外光线变化、风吹草动等各种环境因素的影响，从而提升移动物体检测的准确性。
附图说明
图1为一个实施例中移动侦测方法的应用环境图；
图2为一个实施例中移动侦测方法的流程示意图；
图3为一个实施例中权重计算参数确定方法的流程示意图；
图4为一个实施例中像素差值总和确定方法的流程示意图；
图5为一个实施例中移动侦测装置的结构框图；
图6为另一个实施例中移动侦测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中移动侦测方法的应用环境图。参照图1，该移动侦测方法应用于移动侦测系统。该移动侦测系统包括图像采集设备110、终端120和服务器130。图像采集设备110与服务器130通过网络连接，服务器130与终端120通过网络连接。移动侦测方法可以在服务器130或终端120完成。图像采集设备110可以将采集到的多于一帧的现场图像发送至服务器130，服务器130采用上述移动侦测方法对现场图像进行处理，从而根据处理结果判定现场图像中是否具有移动物体。或者，图像采集设备110可以将采集到的多于一帧的现场图像发送至终端120，终端120采用上述移动侦测方法对现场图像进行处理，从而根据处理结果判定现场图像中是否具有移动物体。图像采集设备110可以是摄像头、摄像机、相机或其他具有图像采集功能的设备，如手机、平板电脑等。服务器130可以用独立的服务器或者是多个服务器组成的服务器集群来实现。终端120具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。
在一个实施例中，如图2所示，提供了一种移动侦测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，获取当前图像帧，并对当前图像帧进行分割，得到多个图像块。
其中，当前图像帧是能够反映待监测区域现实场景情况的图像，可以是基于架设在待监测区域附近的图像采集设备采集得到的。待监测区域是需要对移动物体进行监测的地理区域，可以是用一个虚拟的围栏在公路或停车场等目标场所围出的一个虚拟地理边界。在当前图像帧中，待监测区域可以是多个连续坐标点围成的封闭轮廓。
具体地，图像采集设备在当前采集时段内，实时扫描摄像视野中的现实场景，并按照预设时间频率实时地生成图像帧，所生成的图像帧可缓存在图像采集设备本地。时间频率是指单位时间内所需拍摄现场图像的帧数，如5帧/秒。在当前统计时段结束时，图像采集设备将采集到的当前采集时段的全部现场图像发送至计算机设备。计算机设备根据现场图像中的时间戳对现场图像进行排序，并将时间间隔相邻的两张现场图像中后一顺序的现场图像确定为当前图像帧，将前一顺序的现场图像确定为前一图像帧。与此同时，计算机设备按照预设的分割尺寸对当前图像帧进行分割，得到多个图像块。比如，计算机设备可以将当前图像帧分割为16*16(以像素为单位)大小的图像块。
在一个实施例中，图像采集设备在采集到图像帧后，直接将采集的图像帧发送至计算机设备，计算机设备对图像帧进行分割，得到多个图像块。
在一个实施例中，当图像采集设备采集到现场图像后，可以对图像帧进行压缩、裁剪，从而得到具有统一尺寸的图像帧。
在一个实施例中，图像采集设备在完成一个采集时段的图像帧传输，并确认传输成功后，将本地存储的该统计子时段的图像帧删除，以减少对本地存储资源的占用。确认传输成功的方式可以是接收到计算机设备返回的接收成功报文等。
S204，确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和。
其中，权重计算参数包括图像块的图像复杂度、亮度、与相邻图像块的关联度和位置信息。图像复杂度是对图像内在复杂程度的描述，是反映完成某些操作(如边缘检测、图像增强、图像压缩、目标自动提取等)内在的困难程度的重要指标。图像块与相邻图像块的关联度是指当前图像块与相邻图像块之间的联通程度，关联度越低，当前图像块与相邻图像块越趋近于大块完整区域。
具体地，当确定待监测区域内无移动物体时，图像采集装置对待监测区域进行图像采集，得到无移动物体的背景图像帧，并将背景图像帧上传至计算机设备中。计算机设备获取对当前图像帧进行分割所采用的分割尺寸，并基于同一分割尺寸对背景图像进行分割，得到多个背景块。计算机设备计算各背景块中图像复杂度、亮度、与相邻背景块的关联度和位置信息，并将各背景块的权重计算参数作为具有相同位置信息的图像块的权重计算参数。比如，当A背景块在背景图像中所处的位置信息为a，B图像块在当前图像帧中所处的位置信息同为a时，将A背景块的权重计算参数判定为B图像块的权重计算参数。
与此同时，计算机设备根据内嵌于图像帧中的时间戳，获取位于当前图像帧之前的前一图像帧，并确定当前图像帧与前一图像帧中每个像素所在的位置信息以及计算当前图像帧与前一图像帧中的每个像素的像素值。计算机设备基于位置信息对当前图像帧和前一图像帧进行像素匹配，确定当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素，更具体地，计算机设备将位置信息相同的第一像素与第二像素确定为相匹配的像素。与此同时，计算机设备根据像素值计算相匹配的第一像素与第二像素之间的亮度差，并将亮度差大于预设像素阈值的第一像素确定为目标像素。计算机设备统计各图像块中目标像素的数量，并将目标像素的数量判定为对应图像块的像素差值总和。其中，像素值是指图像帧被数字化时由计算机赋予的值,它代表了图像帧中某一小方块的平均亮度信息。
例如，计算机设备将相匹配的第一像素的亮度值减去第二像素的亮度值，得到亮度差，并对亮度差进行求绝对值运算，之后，判断平均后的亮度差是否大于预设像素阈值，若大于预设像素阈值，计算机设备为对应的第一像素贴上“1”标签，若小于预设像素阈值，为对应第一像素贴上“0”标签。如此，计算机设备遍历当前图像帧中的每个像素，并基于“1”标签确定各图像块所对应的像素差值总和。
在一个实施例中，计算机设备获取图像采集设备的像素传感器的精度值，根据像素传感器的精度值对应调整像素阈值,比如，可以根据精度值将像素阈值设置为2。
在一个实施例中，计算机设备计算当前背景块中每个像素点的像素值，以及统计当前背景块中像素点的总数量，并根据总数量以及各像素点的像素值计算当前背景块的平均亮度值，将平均亮度值确定为当前背景块的亮度值。
在一个实施例中，计算机设备确定当前背景块在背景图像帧中的位置坐标{ri,li}，以及位于背景图像帧的中心区域的背景块所在的位置坐标
Figure BDA0002426258570000071
其中，r为横坐标、l为纵坐标。计算机设备根据预设的位置信息计算公式计算当前背景块的位置信息。位置信息(pos)的计算公式为
Figure BDA0002426258570000072
在一个实施例中，在确定当前背景块的复杂度、亮度、与相邻背景块之间的关联度以及位置信息后，计算机设备对各权重计算参数进行归一化运算，使得各权重值计算参数的取值范围位于0至1之间。
S206，基于权重计算参数计算图像块的权重值。
具体地，当图像块复杂度越低，图像块中的像素值会越收敛，其对室内灯光变化、室外太阳光影、风吹草动等各种环境因素的抗干扰能力越差，此时，计算机设备基于复杂度自动降低具有低复杂度的图像块的权重值，从而用于压制光线变化、风吹草动等自然环境对移动物体检测的影响。
当图像块的亮度值低于预设值时，其对应于图像帧中的暗部场景，此时图像采集装置为了优化图像，提升清晰度，往往会对暗部场景进行动态调整，增加图像帧亮度的增益值，这就导致了动态调整后的图像块会对室外太阳光影、风吹草动等各种环境因素较为敏感，因此，计算机设备基于亮度值自动降低具有低亮度值的图像块的权重值。
当图像块的关联度越高时，图像块与相邻图像块的组合越接近大块完整区域，此场景下，移动物体突然出现的概率会低于预设的平均概率值，此时，计算机设备基于关联度自动降低具有高关联度的图像块的权重值。
由于移动动物体往往是平稳进入图像帧中，而非突然闯入，因此，移动物体突然出现在图像帧的中心区域的概率会低于预设的平均概率值，此时，计算机设备基于图像块的位置信息自动降低中心区域图像块的权重值。
例如，当计算机设备确定各图像块所对应的权重计算参数后，计算机设备将权重计算参数输入预设的权重值计算函数中，基于权重值计算函数计算各图像块所对应的权重值。权重值计算函数(a)可以为a＝0.25com+0.25lig+0.25rel+0.25pos。其中，com为图像块的复杂度、lig为图像块的亮度、rel为图像块与相邻图像块之间的关联度、pos为图像块在图像帧中的位置信息、0.25为权重值计算系数，不同的权重值计算参数可以有不同的权重值计算系数。
在一个实施例中，用户可以获取针对同一监测区域采集大量的样本图像帧，并对样本图像中的移动物体进行标签标注。计算机设备基于上述方法确定样本图像中各图像块的权重值，并根据权重值预估对应样本图像中是否具有移动物体。计算机设备将预估结果与标签标注进行对比，基于预估结果与标签标注之间的差异调整权重计算参数。
在一个实施例中，用户可以获取针对同一监测区域采集大量的样本图像帧，并对样本图像帧进行分割，得到样本图像块，之后对样本图像块中的移动物体进行标签标注。计算机设备计算具有相同位置的样本图像块的平均关联度，以及根据标签标注计算具有相同位置信息的样本图像块具有移动物体的概率值，根据样本图像块的位置信息生成关联度与概率之间的关联关系。当确定当前图像帧中的当前图像块的关联度时，计算机设备根据关联度与概率值之间的关联关系，确定与当前图像块的关联度相对应的概率值，并将此概率值判定为权重值计算函数(a)中的与关联度相对应的权重计算系数。
通过大量的样本图像帧，确定关联度与概率值之间的对应关系，使得基于关联度确定的概率值更符合实际，从而使得权重值的计算更为准确。
S208，根据像素差值总和以及权重值，确定对应图像块的移动指标。
S210，当图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定当前图像帧中具有移动物体。
具体地，计算机设备将图像块的像素差值总和乘以权重值，得到对应图像块的移动指标。计算机设备判断移动指标是否大于预设图像块阈值，并将移动指标大于预设图像块阈值的图像块判定为目标图像块，此时，可以认为目标图像块的移动指标为目标移动指标，并且目标图像块中具有移动物体。计算机设备为目标图像块贴上预设标签，比如为目标图像块贴上“1”标签。同理，若移动指标小于预设图像块阈值，则可以认为此图像块中不具有移动物体。计算机设备遍历图像帧中的每个图像块，直至为每个图像块均贴上对应标签。
计算机设备统计当前图像帧中具有预设标签的图像块的数量，以及当前图像帧中的图像块的总数量，并将具有预设标签的图像块的数量除以总数量，得到具有移动物体的图像块占总图像块的比例值。计算机设备判断此比例值是否大于预设触发阈值，若大于，则可以认为当前图像帧中具有移动物体。
上述移动侦测方法中，通过获取当前图像帧，可以对当前图像帧进行分割，得到多个图像块；通过确定各图像块的权重计算参数，可以基于权重计算参数计算图像块的权重值；通过确定图像块的像素差值总和以及权重值，可以基于像素差值总和和权重值确定图像块的移动指标，从而可以基于移动指标判断当前图像帧中是否具有移动物体。由于本申请中的移动指标是基于权重计算参数确定的，而权重计算参数的确定充分考虑了外界环境因素的干扰，因此相比于传统的基于帧差法来进行移动侦测，本申请可以降低室内外光线变化、风吹草动等各种环境因素的影响，从而提升移动物体检测的准确性。
在一个实施例中，如图3所示，确定每个图像块的权重计算参数包括：
S302，根据当前图像帧的采集时间，获取相对应的背景图像帧。
S304，对背景图像帧进行分割，得到多个背景块。
S306，确定背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息。
S308，将背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
具体地，用户将监测时间段划分为多个监测子时间段，比如可以将一天划分为早中晚三个监测子时段，并控制图像采集装置分别在各监测子时间段内采集无移动物体的背景图像帧。当获取到当前图像帧后，计算机设备根据当前图像帧内嵌的采集时间确定采集时间所在的监测子时间段，并提取在确定的监测子时间段内采集得到的背景图像帧。计算机设备对背景图像帧进行分割，得到多个背景块。计算机设备计算各背景块中图像复杂度、亮度、与相邻背景块的关联度和位置信息，并将各背景块的权重计算参数作为具有相同位置信息的图像块的权重计算参数。
在一个实施例中，终端中运行有图像采集装置管理应用程序，用于打开或关闭图像采集装置，当用户通过图像采集装置管理应用程序打开图像采集装置时，图像采集装置立即采集背景图像帧，并将背景图像帧发送至服务器。
本实施例中，由于不同监测子时间段的环境因素差别较大，比如早晨的光线与中午的光线差别较大，因此，不同采集时间段的当前图像帧对应不同的背景图像帧，从而使得图像块的权重计算参数更为准确。
在一个实施例中，确定背景块的图像复杂度包括：确定背景块所包含的像素点的总数量，以及各像素点的像素值；基于总数量以及像素值计算背景块的平均像素值；确定各像素值与平均像素值之间的偏差；根据总数量、各像素值与平均像素值之间的偏差以及平均像素值计算背景块的图像复杂度。
具体地，计算机设备根据图像帧的分辨率以及分割尺寸确定背景块所包含的像素点的总数量，并读取当前背景块中每个像素点的像素值。计算机设备将当前背景块中各像素点的像素值相加，得到总像素值，并将总像素值除以总数量，得到平均像素值。计算机设备根据像素点的像素值以及平均像素值，确定各像素点与平均像素值之间的偏差，并根据预设的复杂度计算公式计算当前背景块的图像复杂度。预设的复杂度计算公式为：
Figure BDA0002426258570000111
其中，
n为像素点的总数量，xi为像素点的像素值，
Figure BDA0002426258570000112
为平均像素值。
本实施例中，由于图像复杂度与像素值和平均像素值密切相关，因此根据像素值与平均像素值之间的偏差可以准确、快速得出图像复杂度。
在一个实施例中，确定背景块与相邻背景块的关联度包括：确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；根据第一像素值、第二像素值以及总数量确定背景块与相邻背景块的关联度。
其中，边缘像素点是图像块中与分割线相邻像素点，即位于图像块边缘的像素点。
具体地，计算机设备确定背景图像中各像素点的位置信息，并根据各像素点的位置信息以及分割尺寸，确定与当前背景块相邻的相邻背景块，以及当前背景块中的第一边缘像素点、相邻背景块中的第二边缘像素点。计算机设备确定各第一边缘像素点与各第二边缘像素点之间的坐标差值，将坐标差值最小的第一边缘像素点与第二边缘像素点确定为相匹配的边缘像素点对，即确定位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点。比如，当a、b、c为当前背景块中的第一边缘像素点，A、B、C为相邻背景块中的第二边缘像素点，计算机设备分别将每个a、b、c的位置坐标减去每个A、B、C的位置坐标，得到坐标差值，并将坐标差值最小的a与A确定为相匹配的边缘像素点对。
计算机设备确定边缘像素点对中的第一边缘像素点的第一像素值、第二边缘像素点的第二像素值以及第一边缘像素点的总数量，并将第一像素值、第二像素值以及总数量输入预设的关联度计算公式中进行运算，从而得到当前背景块的关联度。关联度计算公式为：
Figure BDA0002426258570000121
其中，n为第一边缘像素点的总数量，xi为第一边缘像素点的像素值，yi为第二边缘像素点的像素值。
在一个实施例中，计算机设备从各第二边缘像素点中筛选出与第一边缘像素点具有相同分割线的目标第二边缘像素点，并对第一边缘像素点与目标第二边缘像素点求坐标差值。如此，可以减少需要计算的第二边缘像素点的数量，从而节约计算机运算资源。
本实施例中，仅需确定边缘像素点的像素值，便可得到当前背景块的关联度，从而大大提升了权值计算参数的确定效率，进而提升了移动侦测的侦测效率。
在一个实施例中，如图4所示，确定每个图像块所对应的像素差值总和包括：
S402：获取前一图像帧。
S404：通过对当前图像帧和前一图像帧进行像素匹配，确定当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素。
S406：确定第一像素与第二像素之间的像素差绝对值。
S408：判定像素差绝对值大于预设像素阈值的对应第一像素为目标像素。
S410：统计每个图像块中目标像素的数量，将目标像素的数量判定为对应图像块的像素差值总和。
具体地，将当前图像帧以及前一图像帧输入已训练的匹配模型。匹配模型可以从当前图像帧中提取出第一像素的位置信息以及从前一图像帧中提取出第二像素的位置信息，并从当前图像帧中筛选出与第一像素的位置相隔距离小于预设距离阈值的第二像素。例如，当距离阈值为q，第一像素的位置坐标为(x1，y1，z1)，此时筛选出的第二像素即为(x2，y2，z2)，其中x1∈x2±q，y1∈y2±q，z1∈z2±q。匹配模型具体可以为神经网络模型、双路径网络模型(DPN，DualPathNetwork)、支持向量机或者逻辑回归模型等。
进一步地，匹配模型从第一像素中提取出第一点特征，从第二像素中提取出第二点特征，并对第一点特征与第二点特征进行相似度匹配，将相似度最大的一个第一像素确定为与第二像素相匹配的像素点。此时的第一像素与对应的第二像素可以为不同时刻针对同一物体表面同一个点所采集的图像数据。匹配模型遍历当前图像帧中的每个第一像素，直至每个第一像素均匹配到对应的第二像素。
进一步地，计算机设备获取相匹配的第一像素的像素值以及第二像素的像素值，根据第一像素的像素值以及第二像素的像素值，确定相匹配的第一像素与第二像素之间的像素差值，并对像素差值进行求绝对值运算，从而得到像素差绝对值。计算机设备判断与当前第一像素相对应的像素差绝对值是否大于预设像素阈值，若是，将此第一像素判定为目标像素，如此，直至遍历完当前图像帧中的全部第一像素。计算机设备统计当前图像块中目标像素的数量，并将目标像素的数量判定为当前图像块的像素差值总和。
本实施例中，通过已训练的匹配模型对当前图像帧以及前一图像帧进行像素匹配，可以得到准确的匹配像素对，从而后续计算机设备可以根据准确的匹配像素对确定当前图像块的像素差值总和。
在一个实施例中，上述移动侦测方法还包括：在当前图像帧中具有移动物体时，根据目标图像块的数量确定对应的报警等级；获取与报警等级相对应的报警事件；基于报警事件进行报警。
具体地，服务器中具有图像帧中目标图像块的数量与报警等级的对应关系，以及报警等级与报警事件的对应关系。服务器根据当前图像帧中具有目标图像块的数量确定相对应的报警等级，比如当具有目标图像块的数量为10时，相应的报警等级可以为三级。此时，计算机设备根据报警等级确定对应的报警事件，并将报警事件下发至终端，以使终端用户可以根据报警事件进行相应处理，比如，根据报警事件对移动物体进行排查。
容易理解的，上述报警事件确定方法也可以在终端中完成，服务器将具有目标移动指标的图像块的数量发送至终端，以使终端根据数量确定对应的报警事件。
本实施例中，由于报警等级是根据目标图像块的数量确定的，因此可以为图像帧设置不同等级的报警事件，从而用户可以根据报警事件的轻重缓急进行相应处理，进而大大提升了用户的体验度。
在一个实施例中，上述移动侦测方法还包括：获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；统计多张图像帧中具有相同位置信息的目标图像块的数量；当数量超过预设统计阈值时，根据数量调整具有相同位置信息的背景块的权重计算参数。
具体地，计算机设备获取预设的监测时间段内的多张图像帧，以及各图像帧中的目标图像块的位置信息。计算机设备根据位置信息统计监测时间段内的多张图像帧中的，具有相同位置信息的目标图像块的数量。比如，预设的监测时间段内具有A、B两张图像帧，并且A图像帧中的目标图像块的位置信息为a1、a2、a3；B图像帧中的目标图像块的位置信息为a1、a2。此时，计算机设备确定位置信息为a1的目标图像块的数量为2；位置信息为a2的目标图像块的数量为2；位置信息为a3的目标图像块的数量为1。
进一步地，计算机设备判断具有相同位置信息的目标图像块的数量是否大于预设统计阈值，若大于，则可以认为此目标图像块出现移动物体的概率较高，此时，计算机设备确定具有相同位置信息的背景块，并根据具有相同位置信息的目标图像块的数量对应调整背景块的权重计算参数。比如，在上述举例中，当统计阈值为1时，计算机设备确定位置信息为a1的背景块，并根据数量2提升位置信息为a1的背景块的权重计算参数。
本实施例中，通过统计多张图像帧中具有相同位置信息的目标图像块的数量，可以基于数量确定目标图像块出现移动物体的概率，从而可以通过提升权重计算参数的方式来重点关注概率高的目标图像块，进而可以提升移动侦测的准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种移动侦测装置500，包括：权重计算参数确定模块502、移动指标确定模块504和移动物体侦测模块506，其中：
权重计算参数确定模块502，用于获取当前图像帧，并对当前图像帧进行分割，得到多个图像块；确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和。
移动指标确定模块504，用于基于权重计算参数计算图像块的权重值；根据像素差值总和以及权重值，确定对应图像块的移动指标。
移动物体侦测模块506，用于当图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定当前图像帧中具有移动物体。
在一个实施例中，如图6所示，权重计算参数确定模块502还包括背景块确定模块5021，用于根据当前图像帧的采集时间，获取相对应的背景图像帧；对背景图像帧进行分割，得到多个背景块；确定背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息；将背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
在一个实施例中，背景块确定模块5021还用于确定背景块所包含的像素点的总数量，以及各像素点的像素值；基于总数量以及像素值计算背景块的平均像素值；确定各像素值与平均像素值之间的偏差；根据总数量、各像素值与平均像素值之间的偏差以及平均像素值计算背景块的图像复杂度。
在一个实施例中，背景块确定模块5021还用于确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；根据第一像素值、第二像素值以及总数量确定背景块与相邻背景块的关联度。
在一个实施例中，权重计算参数确定模块502还包括像素差值总和确定模块5022，用于获取前一图像帧；通过对当前图像帧和前一图像帧进行像素匹配，确定当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素；确定第一像素与第二像素之间的像素差绝对值；判定像素差绝对值大于预设像素阈值的对应第一像素为目标像素；统计每个图像块中的目标像素的数量，将目标像素的数量判定为对应图像块的像素差值总和。
在一个实施例中，移动侦测装置500还包括报警模块508，用于在当前图像帧中具有移动物体时，根据目标图像块的数量确定对应的报警等级；获取与报警等级相对应的报警事件；基于报警事件进行报警。
在一个实施例中，移动侦测装置500还用于获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；统计多张图像帧中具有相同位置信息的目标图像块的数量；当数量超过预设统计阈值时，根据数量调整具有相同位置信息的背景块的权重计算参数。
关于移动侦测装置的具体限定可以参见上文中对于移动侦测方法的限定，在此不再赘述。上述移动侦测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储移动侦测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种移动侦测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取当前图像帧，并对当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于权重计算参数计算图像块的权重值；
根据像素差值总和以及权重值，确定对应图像块的移动指标；
当图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定当前图像帧中具有移动物体。
在一个实施例中，当前图像帧中内嵌有采集时间；处理器执行计算机程序时还实现以下步骤：
根据当前图像帧的采集时间，获取相对应的背景图像帧；
对背景图像帧进行分割，得到多个背景块；
确定背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息；
将背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定背景块所包含的像素点的总数量，以及各像素点的像素值；
基于总数量以及像素值计算背景块的平均像素值；
确定各像素值与平均像素值之间的偏差；
根据总数量、各像素值与平均像素值之间的偏差以及平均像素值计算背景块的图像复杂度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；
确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；
根据第一像素值、第二像素值以及总数量确定背景块与相邻背景块的关联度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取前一图像帧；
通过对当前图像帧和前一图像帧进行像素匹配，确定当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素；
确定第一像素与第二像素之间的像素差绝对值；
判定像素差绝对值大于预设像素阈值的对应第一像素为目标像素；
统计每个图像块中的目标像素的数量，将目标像素的数量判定为对应图像块的像素差值总和。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在当前图像帧中具有移动物体时，根据目标图像块的数量确定对应的报警等级；
获取与报警等级相对应的报警事件；
基于报警事件进行报警。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；
统计多张图像帧中具有相同位置信息的目标图像块的数量；
当数量超过预设统计阈值时，根据数量调整具有相同位置信息的背景块的权重计算参数。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前图像帧，并对当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于权重计算参数计算图像块的权重值；
根据像素差值总和以及权重值，确定对应图像块的移动指标；
当图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定当前图像帧中具有移动物体。
在一个实施例中，当前图像帧中内嵌有采集时间；计算机程序被处理器执行时还实现以下步骤：
根据当前图像帧的采集时间，获取相对应的背景图像帧；
对背景图像帧进行分割，得到多个背景块；
确定背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息；
将背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定背景块所包含的像素点的总数量，以及各像素点的像素值；
基于总数量以及像素值计算背景块的平均像素值；
确定各像素值与平均像素值之间的偏差；
根据总数量、各像素值与平均像素值之间的偏差以及平均像素值计算背景块的图像复杂度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；
确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；
根据第一像素值、第二像素值以及总数量确定背景块与相邻背景块的关联度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取前一图像帧；
通过对当前图像帧和前一图像帧进行像素匹配，确定当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素；
确定第一像素与第二像素之间的像素差绝对值；
判定像素差绝对值大于预设像素阈值的对应第一像素为目标像素；
统计每个图像块中的目标像素的数量，将目标像素的数量判定为对应图像块的像素差值总和。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在当前图像帧中具有移动物体时，根据目标图像块的数量确定对应的报警等级；
获取与报警等级相对应的报警事件；
基于报警事件进行报警。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；
统计多张图像帧中具有相同位置信息的目标图像块的数量；
当数量超过预设统计阈值时，根据数量调整具有相同位置信息的背景块的权重计算参数。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种移动侦测方法，其特征在于，所述方法包括：
获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；
确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
基于所述权重计算参数计算所述图像块的权重值；
根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
2.根据权利要求1所述的方法，其特征在于，所述当前图像帧中内嵌有采集时间；所述确定每个图像块的权重计算参数包括：
根据所述当前图像帧的采集时间，获取相对应的背景图像帧；
对所述背景图像帧进行分割，得到多个背景块；
确定所述背景块的图像复杂度、亮度、与相邻背景块的关联度和位置信息；
将所述背景块的图像复杂度、亮度、与相邻背景块的关联度以及位置信息作为对应图像块的权重计算参数。
3.根据权利要求2所述的方法，其特征在于，所述确定所述背景块的图像复杂度包括：
确定所述背景块所包含的像素点的总数量，以及各像素点的像素值；
基于所述总数量以及像素值计算所述背景块的平均像素值；
确定各像素值与平均像素值之间的偏差；
根据所述总数量、各像素值与平均像素值之间的偏差以及平均像素值计算所述背景块的图像复杂度。
4.根据权利要求2所述的方法，其特征在于，所述确定所述背景块与相邻背景块的关联度包括：
确定背景块中第一边缘像素点，以及位于相邻背景块中的与第一边缘像素点相邻的第二边缘像素点；
确定第一边缘像素点的第一像素值、第二边缘像素点的第二像素值，以及第一边缘像素点的总数量；
根据所述第一像素值、第二像素值以及总数量确定所述背景块与相邻背景块的关联度。
5.根据权利要求1所述的方法，其特征在于，所述确定每个图像块所对应的像素差值总和包括：
获取前一图像帧；
通过对当前图像帧和前一图像帧进行像素匹配，确定所述当前图像帧中每个第一像素与前一图像帧中相匹配的第二像素；
确定所述第一像素与第二像素之间的像素差绝对值；
判定所述像素差绝对值大于预设像素阈值的对应第一像素为目标像素；
统计每个图像块中的目标像素的数量，将所述目标像素的数量判定为对应图像块的像素差值总和。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述当前图像帧中具有移动物体时，根据所述目标图像块的数量确定对应的报警等级；
获取与所述报警等级相对应的报警事件；
基于所述报警事件进行报警。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取监测时间段内的多张图像帧及每张图像帧中的目标图像的位置信息；
统计所述多张图像帧中具有相同位置信息的目标图像块的数量；
当数量超过预设统计阈值时，根据所述数量调整具有相同位置信息的背景块的权重计算参数。
8.一种移动侦测装置，其特征在于，所述装置包括：
权重计算参数确定模块，用于获取当前图像帧，并对所述当前图像帧进行分割，得到多个图像块；确定每个图像块的权重计算参数，以及每个图像块所对应的像素差值总和；
移动指标确定模块，用于基于所述权重计算参数计算所述图像块的权重值；根据所述像素差值总和以及所述权重值，确定对应图像块的移动指标；
移动物体侦测模块，用于当所述图像块中的，移动指标为目标指标的目标图像块的数量大于预设数量阈值时，判定所述当前图像帧中具有移动物体。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010221528.7A 2020-03-26 2020-03-26 移动侦测方法、装置、计算机设备和存储介质 Active CN111462155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010221528.7A CN111462155B (zh) 2020-03-26 2020-03-26 移动侦测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010221528.7A CN111462155B (zh) 2020-03-26 2020-03-26 移动侦测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111462155A true CN111462155A (zh) 2020-07-28
CN111462155B CN111462155B (zh) 2023-10-24

Family

ID=71685694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010221528.7A Active CN111462155B (zh) 2020-03-26 2020-03-26 移动侦测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111462155B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491999A (zh) * 2020-11-18 2021-03-12 成都佳华物链云科技有限公司 一种数据上报方法及装置
CN112598093A (zh) * 2020-12-18 2021-04-02 湖南特能博世科技有限公司 图例复杂度排序方法、图例匹配方法、装置及计算机设备
CN114119675A (zh) * 2021-11-10 2022-03-01 爱芯元智半导体(上海)有限公司 像素点的偏移获取方法、装置、电子设备及存储介质
WO2022165735A1 (zh) * 2021-02-02 2022-08-11 豪威芯仑传感器(上海)有限公司 一种运动物体检测方法及系统
CN116503290A (zh) * 2023-06-20 2023-07-28 苏州浪潮智能科技有限公司 图像处理方法、装置、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048240A (ja) * 2007-08-13 2009-03-05 Tokyo Institute Of Technology 動画像における移動物体の検出方法、検出装置、監視方法および監視システム
US20130188871A1 (en) * 2012-01-19 2013-07-25 Sony Corporation Image processing apparatus and method
CN106204636A (zh) * 2016-06-27 2016-12-07 北京大学深圳研究生院 基于监控视频的视频前景提取方法
CN106612385A (zh) * 2015-10-22 2017-05-03 株式会社理光 视频检测方法和视频检测装置
CN108681994A (zh) * 2018-05-11 2018-10-19 京东方科技集团股份有限公司 一种图像处理方法、装置、电子设备及可读存储介质
CN109697699A (zh) * 2017-10-24 2019-04-30 比亚迪股份有限公司 图像处理方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009048240A (ja) * 2007-08-13 2009-03-05 Tokyo Institute Of Technology 動画像における移動物体の検出方法、検出装置、監視方法および監視システム
US20130188871A1 (en) * 2012-01-19 2013-07-25 Sony Corporation Image processing apparatus and method
CN108022252A (zh) * 2012-01-19 2018-05-11 索尼公司 图像处理设备和方法
CN106612385A (zh) * 2015-10-22 2017-05-03 株式会社理光 视频检测方法和视频检测装置
CN106204636A (zh) * 2016-06-27 2016-12-07 北京大学深圳研究生院 基于监控视频的视频前景提取方法
US20190108642A1 (en) * 2016-06-27 2019-04-11 Peking University Shenzhen Graduate School Surveillance video based video foreground extraction method
CN109697699A (zh) * 2017-10-24 2019-04-30 比亚迪股份有限公司 图像处理方法、装置、设备及存储介质
CN108681994A (zh) * 2018-05-11 2018-10-19 京东方科技集团股份有限公司 一种图像处理方法、装置、电子设备及可读存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491999A (zh) * 2020-11-18 2021-03-12 成都佳华物链云科技有限公司 一种数据上报方法及装置
CN112491999B (zh) * 2020-11-18 2022-10-11 成都佳华物链云科技有限公司 一种数据上报方法及装置
CN112598093A (zh) * 2020-12-18 2021-04-02 湖南特能博世科技有限公司 图例复杂度排序方法、图例匹配方法、装置及计算机设备
CN112598093B (zh) * 2020-12-18 2024-05-28 湖南特能博世科技有限公司 图例复杂度排序方法、图例匹配方法、装置及计算机设备
WO2022165735A1 (zh) * 2021-02-02 2022-08-11 豪威芯仑传感器(上海)有限公司 一种运动物体检测方法及系统
CN114119675A (zh) * 2021-11-10 2022-03-01 爱芯元智半导体(上海)有限公司 像素点的偏移获取方法、装置、电子设备及存储介质
CN116503290A (zh) * 2023-06-20 2023-07-28 苏州浪潮智能科技有限公司 图像处理方法、装置、服务器及存储介质
CN116503290B (zh) * 2023-06-20 2023-09-12 苏州浪潮智能科技有限公司 图像处理方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN111462155B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN111462155B (zh) 移动侦测方法、装置、计算机设备和存储介质
CN110428522B (zh) 一种智慧新城的智能安防系统
US10070053B2 (en) Method and camera for determining an image adjustment parameter
CN110570454B (zh) 一种检测异物入侵的方法及装置
WO2021139049A1 (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
WO2003003721A1 (en) Surveillance system and methods regarding same
JP5388829B2 (ja) 侵入物体検知装置
CN111161206A (zh) 一种图像抓拍方法、监控相机及监控系统
CN112669344A (zh) 一种运动物体的定位方法、装置、电子设备及存储介质
CN112733690A (zh) 一种高空抛物检测方法、装置及电子设备
CN108230607B (zh) 一种基于区域特征分析的图像火灾探测方法
CN109254271B (zh) 一种用于地面监视雷达系统的静止目标抑制方法
CN112632354A (zh) 一种imsi和人脸深度拟合方法、装置、设备及系统
CN115393681A (zh) 一种目标融合方法、装置、电子设备及存储介质
CN106682590B (zh) 一种监控业务的处理方法以及服务器
CN113505643A (zh) 违章目标物检测方法及相关装置
CN112770081B (zh) 监控设备的参数调整方法、装置、电子设备及存储介质
CN112183431A (zh) 实时行人数量统计方法、装置、相机和服务器
CN112738387B (zh) 目标抓拍方法、装置及存储介质
CN112153464A (zh) 一种智慧城市管理系统
AU2009230796A1 (en) Location-based brightness transfer function
CN116543343B (zh) 一种滞留行李检测方法、装置、计算机设备和存储介质
CN114820692B (zh) 跟踪目标的状态分析方法、装置、存储介质和终端
CN110765817A (zh) 人群计数模型的选择方法、装置、设备及其存储介质
CN117237383B (zh) 一种基于室内环境的智能门窗控制方法及系统

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