CN111582060B - 自动划线周界报警方法、计算机设备及存储装置 - Google Patents

Abstract

本发明公开了一种自动划线周界报警方法、计算机设备及存储装置。该方法包括：采集图像并对图像进行预处理；将预处理后的图像进行分块处理，获得不同的图像块，对图像块进行分类处理，获得感兴趣区域；根据周界报警类型和感兴趣区域确定周界线并进行自动划线；在感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹；根据运动轨迹和周界线判断目标是否触发周界报警。通过上述方式，本发明能够在不同场景下自动划出周界警戒线，避免人工划线以提升周界报警准确性和鲁棒性。

Description

自动划线周界报警方法、计算机设备及存储装置

技术领域

本申请涉及安防监控技术领域，特别是涉及一种自动划线周界报警方法、计算机设备及存储装置。

背景技术

近年来，视频安防技术领域得到了蓬勃发展，从第一代模拟系统(VCR)，到第二代部分数字化系统(DVR/NVR)，再到完全数字化的系统(网络摄像机和视频服务器)，视频安防系统与设备虽然在功能和性能上得到了极大的提高，但是仍然受到一些固有因素的限制，其中既包含人类作为监控者自身在生理上的缺点，也包含视频安防技术领域系统配置和监控设备在功能和性能上的局限性。这些限制因素使各类视频监控系统或多或少地存在报警精确度低、误报和漏报现象多、报警响应时间长、录像数据分析困难等现象，从而导致整个安防系统在安全性和实用性的降低。

随着网络带宽、计算机处理能力和存储容量的迅速提高，以及各种视频信息处理技术的出现，全程数字化、网络化的视频监控系统优势越发明显，其高度的开放性、集成性和灵活性为视频监控系统和设备的整体性能提升创造了必要的条件，其中基于人工智能技术的智能视频监控则是最前沿的应用模式之一。

在传统安防领域中，为了防止非法入侵和其他破坏活动，在外墙周围设置屏障(如铁栅栏、藩笆网、围墙等)或阻挡物，安排人员巡逻。随着各种周界探测技术的不断出现，各种入侵探测报警系统也融入安防领域，如主动红外对射技术、脉冲电子围栏技术等。但上述产品均存在着一定的缺点，主动红外对射技术在野外容易受到环境气候的影响，从而产生误报警现象，脉冲电子围栏由于其高电压、低电流对人体的安全有一定的副作用。近年来，人工智能技术越来越受到关注，计算机视觉是人工智能研究的分支之一，它能够在图像及图像描述之间建立映射关系，从而使计算机能够通过数字图像处理来分析和理解视频画面中的内容。在视频安防领域内，智能视频技术借助计算机强大的数据处理功能，对视频画面章的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。

目前基于视频的周界报警算法主要是通过用户自定义设置警戒面，当目标穿越警戒面时，系统自动产生报警。这种方式需要用户对视频监控场景有很强的了解，同一用户因摄像机安装的不同角度，或者不同的用户都可能设置不同的警戒面而造成实际监控效果不一，同时随着时间推移，监控需求的更改也需要用户手动重新设置的警戒面进行调整，加大了安全风险。

发明内容

本申请提供一种自动划线周界报警方法、计算机设备及存储装置，能够在不同场景下自动划出周界警戒线，避免人工划线以提升周界报警准确性和鲁棒性。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种自动划线周界报警方法，包括：

采集图像并对所述图像进行预处理；

将预处理后的图像进行分块处理，获得不同的图像块，对所述图像块进行分类处理，获得感兴趣区域；

根据周界报警类型和所述感兴趣区域确定周界线并进行自动划线；

在所述感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹；

根据所述运动轨迹和所述周界线判断所述目标是否触发周界报警。

为解决上述技术问题，本申请采用的另一个技术方案是：提供一种计算机设备，包括：处理器、与所述处理器耦接的存储器，其中，

所述存储器存储有用于实现所述的自动划线周界报警方法的程序指令；

所述处理器用于执行所述存储器存储的所述程序指令以进行周界报警。

为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储装置，存储有能够实现上述的自动划线周界报警方法的程序文件。

本申请的有益效果是：通过基于图像分割与分类的场景识别技术进行场景识别从而自动获取感兴趣区域划线，能够避免人工划线不准确带来的误报，同时避免了人工划线每更换一个场景或一个安装角度时，需要重新划线的问题，提升周界报警的准确性和鲁棒性；另外，基于用户感兴趣目标的目标检测能够在用户不同的需求下检测出感兴趣目标，避免不相关目标的干扰，进一步提高了周界报警的准确性和鲁棒性。

附图说明

图1是本发明实施例的自动划线周界报警方法的流程示意图；

图2是本发明实施例中自动划线周界报警方法的步骤S102的流程示意图；

图3是本发明实施例中自动划线周界报警方法的步骤S203的流程示意图；

图4是本发明实施例中自动划线周界报警方法的步骤S104的流程示意图；

图5是本发明实施例中自动划线的流程示意图；

图6是本发明实施例的自动划线的原理示意图；

图7是本发明实施例中周界报警的流程示意图；

图8是本发明实施例的自动划线周界报警装置的结构示意图；

图9是本发明实施例的计算机设备的结构示意图；

图10是本发明实施例的存储装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1是本发明第一实施例的自动划线周界报警方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：

步骤S101：采集图像并对图像进行预处理。

在步骤S101中，利用前端采集设备采集不同场景下的图像，采用直方图均衡化的图像增强方法对图像进行处理。具体地，前端采集设备包括红外一体化网络摄像机、网络半球、网络智能球、高清网络摄像机、立杆、墙挂支架等设备，前端采集设备的选取以能全面地采集图像为目的，不限于特定设备型号。在本实施例中，通过网络摄像机实现对不同场景的图像进行采集。不同场景下的图像采集是为了丰富图像信息，以使得本实施例得出的方法能适用于多种场景，无需受限于一种场景使用一种方法。

在步骤S101中，为了使图像信息利用最大化，本实施例采用基于直方图均衡化的图像增强方法，通过调整图像的灰阶分布，使得在0～255灰阶上的分布更加均衡，提高的图像的对比度，达到增强图像细节的效果。其它图像增强方法如基于拉普拉斯算子、基于对数log变换、基于伽马变换等图像增强方法同样适用于此步骤。

步骤S102：将预处理后的图像进行分块处理，获得不同的图像块，对图像块进行分类处理，获得感兴趣区域。

请参见图2，在步骤S102中，包括以下步骤：步骤S201：采用图像分割方法将预处理后的图像分割为不同的图像块；步骤S202：对每个图像块进行感兴趣区域类别标注，获得标注图像；步骤S203：采用图像分类方法对标注图像进行分类处理，识别出标注图像对应的感兴趣区域类别，将感兴趣区域类别在图像中的分割区域确定为感兴趣区域。

在步骤S201中，首先确定用户需要设置周界报警的感兴趣区域的类别数目，然后采用图像分割方法将预处理后的图像按照感兴趣区域的类别数目分割为不同的图像块。本实施例的感兴趣区域的类别包括但不限于斑马线区域、交通线区域、门禁区域和栅栏区域。图像分割方法包括但不限于超像素分割方法、基于阈值的分割方法、基于区域的分割方法、基于边缘检测的图像分割方法和基于图论的分割方法等。在本实施例中，采用超像素分割方法将图像数据进行超像素分割，分割目标为感兴趣区域及背景区域，超像素指具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块，利用超像素的信息能将特征相似的像素分组，使用超量超像素代替大量的像素来表达图像，降低图像处理的复杂度。具体地，本实施例使用超像素经典算法SLIC(简单线性迭代聚类)进行图像分割，SLIC能生成紧凑、近似均匀的超像素，在运算速度、物体轮廓保持、超像素形状方面具有较好的性能。

在步骤S202中，对分割后的图像块进行缩放和裁剪处理，再对图像块进行感兴趣区域类别标注，获得标注图像。具体地，对于分割后的图像块，因其为不规则的像素集合，需要将图像块缩放并裁剪到固定尺寸的图像以便于后续处理。首先将图像块在原图中按照实际大小抠出矩形区域，然后缩放至固定大小，再对每个固定大小的图像块标注上具体的感兴趣类别，获得标注图像。如将斑马线区域图像块标注为1，交通线区域图像块标注为2，栅栏区域图像块标注为3。

在步骤S203中，采用图像分类方法对标注图像进行分类处理，图像分类方法包括但不限于传统的分类方法和基于深度学习的卷积神经网络，传统的分类方法如KNN、SVM等，基于深度学习的卷积神经网络如VGG、ResNet、DenseNet等。在本实施例中，采用VGG卷积神经网络对斑马线区域、交通线区域、栅栏区域和其余区域进行分类，对于识别出的标注图像的感兴趣区域类别，找出其在原图像的分割区域，即为感兴趣区域。

进一步地，请参见图3，步骤S203还包括以下步骤：

步骤S301：将标注图像按照比例划分训练集图像和测试集图像，对训练集图像进行数据增强处理。

在步骤S301中，将标注图像按照8:2的比例划分训练集图像和测试集图像，并对训练集图像进行数据增强操作，数据增强操作包括旋转、缩放、随机平移裁剪、噪声抖动、色调变化等。数据增强操作能够提升训练的数据量，提高模型泛化能力，而且加入的噪声数据同时也能提升模型对不同情况下的鲁棒性。

步骤S302：将训练集图像输入卷积神经网络中，输出分类特征向量。

在步骤S302中，采用VGG卷积神经网络对斑马线区域、交通线区域、栅栏区域和其余区域进行分类，输出分类特征向量。

步骤S303：获取分类特征向量与训练集图像的交叉熵损失，并进行反向传播更新梯度，直至损失收敛，得到分类模型。

步骤S304：根据分类模型对测试集图像进行分类处理，识别出测试集图像对应的感兴趣区域类别，将感兴趣区域类别在图像中的分割区域确定为感兴趣区域。

本实施例的分类模型采用深度学习的方法进行训练得到，学习出经过分割后的图像块与感兴趣区域类别的映射关系，可以多次多地使用，避免了人工划线每更换一个场景或一个安装角度就需要重新划线的现状。

步骤S103：根据周界报警类型和感兴趣区域确定周界线并进行自动划线。

在步骤S103中，周界报警类型包括：区域报警模式和拌线报警，若是周界报警类型为区域报警，则将感兴趣区域的整体确定为周界线；若是周界报警类型为拌线报警，则将感兴趣区域的中心点连线确定为周界线。

步骤S104：在感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹。

请参见图4，在步骤S104中，包括以下步骤：步骤S401：采用目标检测方法在感兴趣区域内进行目标检测，获得感兴趣目标；步骤S402：采用多目标跟踪算法对感兴趣目标进行跟踪，获得单个感兴趣目标的运动轨迹。

在步骤S401中，自动获取感兴趣区域的图像扩充区域并将图像扩充区域作为目标检测区域；将目标检测区域裁剪后作为目标检测方法的输入图像并进行目标检测，获得多个目标，将目标进行分类，获得感兴趣目标。本实施例的目标检测方法为基于深度学习的目标检测网络或者传统的DPM、运动目标检测方法，对于检测结果的目标进行分类，将不相关的目标类别去除，仅保留感兴趣目标，本实施例将目标类别可以分为人、非机动车、机动车。

具体地，以感兴趣区域的类别为栅栏区域为例进行说明。自动将栅栏区域的1.5倍图像扩充区域作为目标检测区域，将目标检测区域裁剪到一定大小后作为输入图像进行目标检测，本实施例使用基于深度学习的YOLO目标检测网络进行目标检测，对于检测结果的目标进行分类，将不相关的目标类别去除，确定感兴趣目标，然后使用基于深度学习的多目标跟踪算法进行感兴趣目标跟踪，其它常用的多目标跟踪算法如粒子滤波算法、最小代价流优化算法、马尔科夫决策算法等也适用于本发明。在进行多目标跟踪以后，能够得到单个目标的运动轨迹。

步骤S105：根据运动轨迹和周界线判断目标是否触发周界报警。

在步骤S105中，根据运动轨迹判断感兴趣目标是否越过周界线；当感兴趣目标越过周界线时，对外发出周界报警信号。

具体地，在本实施例中，请参见图5，自动划线的流程如下：首先执行步骤S501：确定用户需要设置周界报警的感兴趣区域的类别数目；然后执行步骤S502：将图像按照感兴趣区域的类别数目分割为不同的图像块；接着执行步骤S503：对分割后的图像块进行缩放和裁剪处理，再执行步骤S504：对图像块进行感兴趣区域类别标注；接着执行步骤S505：将标注图像按照比例划分训练集图像和测试集图像；接着执行步骤S506：对标训练集图像进行数据增强处理；接着执行步骤S507：根据训练集图像和感兴趣区域类标签训练分类模型；再执行步骤S508：将测试集图像输入分类模型中，根据分类结果确定感兴趣区域；接着执行步骤S509：判断周界报警类型为区域报警还是拌线报警以获取周界线，若周界报警类型为区域报警，执行步骤S510：则将感兴趣区域的整体确定为周界线；若周界报警类型为拌线报警，执行步骤S511：则将感兴趣区域的中心点连线确定为周界线；最后执行步骤S512：根据周界线进行自动划线。

请参见图6，以感兴趣区域的类别为栅栏区域为例进行说明，采集图像(a)中包含有栅栏区域1、2以及机动车3、4、5，栅栏区域数目为2，获取图像(a)的分割图像块，如(b)所示，分割成两个图像块，再对图(b)进行裁剪处理得到图(c)，图(c)含有栅栏区域1，将图(c)缩放至固定尺寸后，进行分类处理得到栅栏区域1，如图(d)所示，根据周界报警类型和栅栏区域1确定周界线并进行自动划线，如图(e)的虚线所示。

具体地，在本实施例中，请参见图7，周界报警的流程如下：首先执行步骤S701：采集图像；然后执行步骤S702：对图像进行预处理；接着执行步骤S703：根据图像进行场景识别；接着执行步骤S704：从识别结果中获取感兴趣区域；执行步骤S705：在感兴趣区域内进行目标检测；执行步骤S706：对检测结果进行目标分类，接着执行步骤S707：判断目标分类结果是否为感兴趣目标，若否，重新执行步骤S705：在感兴趣区域内进行目标检测，若是，执行步骤S708：对感兴趣目标进行跟踪，获得单个感兴趣目标的运动轨迹；最后执行步骤S709：根据运动轨迹和周界线判断目标是否触发周界报警，当感兴趣目标越过周界线时，对外发出周界报警信号。

本发明实施例的自动划线周界报警方法通过基于图像分割与分类的场景识别技术进行场景识别从而自动获取感兴趣区域划线，能够避免人工划线不准确带来的误报，同时避免了人工划线每更换一个场景或一个安装角度时，需要重新划线的问题，提升周界报警的准确性和鲁棒性；另外，基于用户感兴趣目标的目标检测能够在用户不同的需求下检测出感兴趣目标，避免不相关目标的干扰，进一步提高了周界报警的准确性和鲁棒性。

图8是本发明实施例的色度块预测模式获取装置的结构示意图。如图8所示，该装置80包括图像采集模块81、分块及分类模块82、周界线确定模块83、运动轨迹获取模块84以及周界报警模块85。

图像采集模块81用于采集图像并对图像进行预处理。

分块及分类模块82与图像采集模块81耦接，用于将预处理后的图像进行分块处理，获得不同的图像块，对图像块进行分类处理，获得感兴趣区域。

可选地，分块及分类模块82包括：分块处理单元、标注单元以及分类处理单元。分块处理单元用于采用图像分割方法将图像分割为不同的图像块；标注单元用于对每个图像块进行感兴趣区域类别标注，获得标注图像；分类处理单元用于采用图像分类方法对标注图像进行分类处理，识别出标注图像对应的感兴趣区域类别，将感兴趣区域类别在图像中的分割区域确定为感兴趣区域。

可选地，分块及分类模块82包括：分块处理单元、标注单元、数据划分及处理模块、训练模块、优化模块以及分类处理单元。分块处理单元用于采用图像分割方法将图像分割为不同的图像块；标注单元用于对每个图像块进行感兴趣区域类别标注，获得标注图像；数据划分及处理模块用于将标注图像按照比例划分训练集图像和测试集图像，对标训练集图像进行数据增强处理；训练模块用于将训练集图像输入卷积神经网络中，输出分类特征向量；优化模块用于获取分类特征向量与训练集图像的交叉熵损失，并进行反向传播更新梯度，直至损失收敛，得到分类模型；分类处理单元用于根据分类模型对测试集图像进行分类处理，识别出测试集图像对应的感兴趣区域类别，将感兴趣区域类别在图像中的分割区域确定为感兴趣区域。

周界线确定模块83与分块及分类模块82耦接，用于根据周界报警类型和感兴趣区域确定周界线并进行自动划线。

在本实施例中，周界报警类型包括：区域报警模式和拌线报警，若是周界报警类型为区域报警，周界线确定模块83则将感兴趣区域的整体确定为周界线；若是周界报警类型为拌线报警，周界线确定模块83则将感兴趣区域的中心点连线确定为周界线。

运动轨迹获取模块84与分块及分类模块82耦接，用于在感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹。

在本实施例中，运动轨迹获取模块84采用目标检测方法在感兴趣区域内进行目标检测，获得感兴趣目标；采用多目标跟踪算法对感兴趣目标进行跟踪，获得单个感兴趣目标的运动轨迹。

周界报警模块85分别与周界线确定模块83、运动轨迹获取模块84耦接，用于根据运动轨迹和周界线判断目标是否触发周界报警。

在本实施例中，周界报警模块85根据运动轨迹判断感兴趣目标是否越过周界线；当感兴趣目标越过周界线时，对外发出周界报警信号。

请参阅图9，图9为本发明实施例的计算机设备的结构示意图。如图9所示，该计算机设备90包括处理器91及和处理器91耦接的存储器92。

存储器92存储有用于实现上述任一实施例所述的自动划线周界报警方法的程序指令。

处理器91用于执行存储器92存储的程序指令以进行周界报警。

其中，处理器91还可以称为CPU(Central Processing Unit，中央处理单元)。处理器91可能是一种集成电路芯片，具有信号的处理能力。处理器91还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

参阅图10，图10为本发明实施例的存储装置的结构示意图。本发明实施例的存储装置存储有能够实现上述所有方法的程序文件101，其中，该程序文件101可以以软件产品的形式存储在上述存储装置中，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)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种自动划线周界报警方法，其特征在于，包括：

采集图像并对所述图像进行预处理；

将预处理后的图像进行分块处理，获得不同的图像块，对所述图像块进行分类处理，获得感兴趣区域；

根据周界报警类型和所述感兴趣区域确定周界线并进行自动划线；

在所述感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹；

根据所述运动轨迹和所述周界线判断所述目标是否触发周界报警；

其中，所述周界报警类型包括：区域报警模式和拌线报警，所述根据周界报警类型和所述感兴趣区域确定周界线并进行自动划线的步骤包括：

确定所述周界报警类型；

若是所述周界报警类型为区域报警，则将所述感兴趣区域的整体确定为周界线；

若是所述周界报警类型为拌线报警，则将所述感兴趣区域的中心点连线确定为周界线。

2.根据权利要求1所述的自动划线周界报警方法，其特征在于，所述将预处理后的图像进行分块处理，获得不同的图像块，对所述图像块进行分类处理，获得感兴趣区域的步骤包括：

采用图像分割方法将所述预处理后的图像分割为不同的图像块；

对每个所述图像块进行感兴趣区域类别标注，获得标注图像；

采用图像分类方法对所述标注图像进行分类处理，识别出所述标注图像对应的感兴趣区域类别，将所述感兴趣区域类别在所述图像中的分割区域确定为所述感兴趣区域。

3.根据权利要求2所述的自动划线周界报警方法，其特征在于，所述采用图像分类方法对所述标注图像进行分类处理，识别出所述标注图像对应的感兴趣区域类别，将所述感兴趣区域类别在所述图像中的分割区域确定为所述感兴趣区域的步骤包括：

将所述标注图像按照比例划分训练集图像和测试集图像，对所述训练集图像进行数据增强处理；

将所述训练集图像输入卷积神经网络中，输出分类特征向量；

获取所述分类特征向量与所述训练集图像的交叉熵损失，并进行反向传播更新梯度，直至损失收敛，得到分类模型；

根据所述分类模型对所述测试集图像进行分类处理，识别出所述测试集图像对应的感兴趣区域类别，将所述感兴趣区域类别在所述图像中的分割区域确定为所述感兴趣区域。

4.根据权利要求1所述的自动划线周界报警方法，其特征在于，所述在所述感兴趣区域内进行目标检测和目标跟踪，获得单个目标的运动轨迹的步骤包括：

采用目标检测方法在所述感兴趣区域内进行目标检测，获得感兴趣目标；

采用多目标跟踪算法对所述感兴趣目标进行跟踪，获得单个所述感兴趣目标的运动轨迹。

5.根据权利要求4所述的自动划线周界报警方法，其特征在于，所述采用目标检测方法在所述感兴趣区域内进行目标检测，获得感兴趣目标的步骤包括：

自动获取所述感兴趣区域的图像扩充区域并将所述图像扩充区域作为目标检测区域；

将所述目标检测区域裁剪后作为所述目标检测方法的输入图像并进行目标检测，获得多个目标，将所述目标进行分类，获得感兴趣目标。

6.根据权利要求1所述的自动划线周界报警方法，其特征在于，所述根据所述运动轨迹和所述周界线判断所述目标是否触发周界报警的步骤包括：

根据所述运动轨迹判断所述感兴趣目标是否越过所述周界线；

当所述感兴趣目标越过所述周界线时，对外发出周界报警信号。

7.根据权利要求1所述的自动划线周界报警方法，其特征在于，所述采集图像并对所述图像进行预处理的步骤包括：

利用前端采集设备采集不同场景下的图像，采用直方图均衡化的图像增强方法对所述图像进行处理。

8.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，其中，

所述存储器存储有用于实现如权利要求1-7中任一项所述的自动划线周界报警方法的程序指令；

所述处理器用于执行所述存储器存储的所述程序指令以进行周界报警。

9.一种存储装置，其特征在于，存储有被处理器执行时实现如权利要求1-7中任一项所述的自动划线周界报警方法的程序文件。

Images