CN112053382A - 出入口监测方法、设备及计算机可读存储介质 - Google Patents
出入口监测方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112053382A CN112053382A CN202010773499.5A CN202010773499A CN112053382A CN 112053382 A CN112053382 A CN 112053382A CN 202010773499 A CN202010773499 A CN 202010773499A CN 112053382 A CN112053382 A CN 112053382A
- Authority
- CN
- China
- Prior art keywords
- image
- frame
- target
- target object
- target tracking
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000006073 displacement reaction Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 25
- 125000004122 cyclic group Chemical group 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 4
- 244000144972 livestock Species 0.000 claims description 3
- 244000144977 poultry Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开出入口监测方法、设备及计算机可读存储介质。其中，出入口监测方法包括：持续获取图像，以形成图像序列，其中，图像序列包括连续的多帧图像，每帧图像中定义有预设区域；持续检测当前帧图像，以检测出目标物体；跟踪图像序列中的目标物体，并判断目标物体是否进入预设区域；若目标物体进入预设区域，则发出报警信号。通过结合检测和跟踪目标物体，本申请的方法可以及时发现并提醒异常情况，并且仅需对目标物体检测一次，随后即可持续跟踪该目标物体，减小运算量，在一定程度上提高了监测效率。并且，本申请的方法对每个目标物体检测后进行单独跟踪，从而使得工作人员可以获知目标物体的数量，以更好应对异常情况。
Description
技术领域
本申请属于图像处理技术领域，具体涉及出入口监测方法、设备及计算机可读存储介质。
背景技术
现有的人或动物的聚集场所，现有的例如养殖场等动物集中场所，智能监控技术主要集中在对养殖场内部环境的监控，主要以监控系统的形式呈现。其监控系统主要包括数据采集、传输、处理与控制等单元模块，通过各个单元的相互配合，实现对养殖场整体运行情况的监控，如养殖场环境温度、养殖场空气质量、动物采食量等，当某个单元检测到的数据出现异常时，上位机可发出报警信号。
然而这种监控系统主要是对养殖场等场所内部整体环境进行的监控，而对于其出入口的异常情况则无法获取，例如，当有动物或材料设备等异常离开养殖场(如被盗窃、逃跑等)时并不能被及时发现，这可能给养殖场带来直接的经济损失。
发明内容
本申请提供出入口监测方法、设备及计算机可读存储介质，以解决出入口异常监测的问题。
为解决上述技术问题，本申请采用的一个技术方案是：一种出入口监测方法，所述方法包括：持续获取图像，以形成图像序列，其中，所述图像序列包括连续的多帧图像，每帧所述图像中定义有预设区域；持续检测当前帧图像，以检测出目标物体；跟踪所述图像序列中的所述目标物体，并判断所述目标物体是否进入所述预设区域；若所述目标物体进入所述预设区域，则发出报警信号。
根据本申请一实施方式，所述持续检测当前帧图像，在当前帧图像出现目标物体时，包括：通过卷积残差提取所述当前帧图像的图像初始特征；对所述图像初始特征进行下采样和特征融合处理，获得图像特征；将所述图像特征经过卷积处理后输出包含所述目标物体的目标检测框。
根据本申请一实施方式，所述跟踪所述图像序列中的所述目标物体包括：跟踪所述当前帧图像中的所述目标检测框，以在下一帧图像中获得目标跟踪框；在所述下一帧图像之后的连续的多帧所述图像中持续跟踪所述目标跟踪框。
根据本申请一实施方式，所述跟踪所述当前帧图像中的所述目标检测框，以在下一帧图像中获得目标跟踪框，包括：在当前帧图像中形成当前目标跟踪区域，所述当前目标跟踪区域大于所述目标检测框，且所述当前目标跟踪区域与所述目标检测框的中心点位置相同；在所述当前目标跟踪区域内进行循环位移，获得多个位移样本；利用所述位移样本训练分类器；在下一帧图像中形成下一目标跟踪区域，所述下一目标跟踪区域与所述当前目标跟踪区域位置相同；在所述下一目标跟踪区域内进行循环位移，获得多个待测样本；计算多个所述位移样本与所述待测样本的相关值，将所述相关值最大的所述待测样本作为所述下一帧图像的所述目标跟踪框。
根据本申请一实施方式，所述在所述下一帧图像之后的连续的多帧所述图像中持续跟踪所述目标跟踪框，包括：根据所述下一帧图像的所述目标跟踪框与所述当前帧图像的目标检测框的偏移量，更新所述下一目标跟踪区域；在更新后的所述下一目标跟踪区域内进行循环位移，获得多个位移样本；利用所述位移样本更新训练所述分类器；在再下一帧图像中形成再下一目标跟踪区域，所述再下一目标跟踪区域与更新后的所述下一目标跟踪区域位置相同；在所述再下一目标跟踪区域内进行循环位移，获得多个待测样本；计算多个所述位移样本与所述待测样本的相关值，将所述相关值最大的所述待测样本作为所述再下一帧图像的所述目标跟踪框。
根据本申请一实施方式，所述判断所述目标物体是否进入预设区域，包括：判断所述目标跟踪框的中心点是否进入预设区域。
根据本申请一实施方式，所述目标物体包括人、家禽、家畜、饲料和/或设备。
根据本申请一实施方式，所述预设区域为所述出入口处的区域。
为解决上述技术问题，本申请采用的又一个技术方案是：一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述任一方法。
为解决上述技术问题，本申请采用的又一个技术方案是：一种计算机可读存储介质，其上存储有程序数据，所述程序数据被处理器执行时实现上述任一方法。
本申请的有益效果是：通过结合检测视频图像中的目标物，并跟踪目标物体，从而可以判断目标物体是否进入异常的预设区域，从而本申请的方法可以及时发现并提醒异常情况，并且仅需对目标物体检测一次，随后即可持续跟踪该目标物体，减小运算量，有效提高了监测效率。并且，本申请的方法对每个目标物体检测后进行单独跟踪，从而使得工作人员可以获知目标物体的数量，以更好应对异常情况。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，其中：
图1是本申请的出入口监测方法一实施例的流程示意图；
图2是本申请的出入口监测方法一实施例中检测目标物体的网络模型的流程示意图；
图3是本申请的出入口监测方法一实施例中检测目标物体的网络模型的残差结构的流程示意图；
图4是本申请的出入口监测方法一实施例中检测目标物体的流程示意图；
图5是本申请的出入口监测方法一实施例中跟踪目标物体的流程示意图；
图6是本申请的出入口监测模型一实施例的框架示意图；
图7是本申请的电子设备一实施例的框架示意图；
图8是本申请计算机可读存储介质一实施例的框架示意图。
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。
请参阅图1至图5，图1是本申请的出入口监测方法一实施例的流程示意图；图2是本申请的出入口监测方法一实施例中检测目标物体的网络模型的流程示意图；图3是本申请的出入口监测方法一实施例中检测目标物体的网络模型的残差结构的流程示意图；图4是本申请的出入口监测方法一实施例中检测目标物体的流程示意图；图5是本申请的出入口监测方法一实施例中跟踪目标物体的流程示意图。
本申请一实施例提供了一种出入口监测方法，包括如下步骤：
S11：持续获取图像，以形成图像序列。
持续获取图像，以形成图像序列，其中，图像序列包括连续的多帧图像。通常图像序列通常为监控设备拍摄获得的多帧连续图像。
图像所显示的画面为按照实际需求，在出入口划定的监控区域。每帧图像中定义有预设区域，预设区域为监控画面中人为预先设定的至少一块区域，通常为出入口外的空地，预设区域可以为任意形状的多边形，预设区域用于后续报警信号的触发。
S12：持续检测当前帧图像，以检测出目标物体。
在一实施例中，如图2所示，可利用yolov3网络模型持续检测当前帧图像。yolov3网络模型经过识别目标物体的预训练。目标物体包括人、家禽、家畜、养殖场的饲料和设备等。
其中，持续检测当前帧图像，以在当前帧图像检测出目标物体，包括：
S121：通过卷积残差提取当前帧图像的图像初始特征。具体地，可使用darknet_53作为基础网络，darknet_53是由53个卷积层构成的网络结构，用于提取图像的特征。这53个卷积层组成多个残差结构res，图3中res后面的个数表示该相同结构res的个数，如图2所示，每个残差结构均由两个卷积层及其BN层和relu层组成，通过本申请的残差网络提取当前帧图像的图像初始特征，使得网络结构在层数加深的情况下，对图像初始特征的提取结果仍保持较优的效果。
S122：对图像初始特征进行下采样和特征融合处理，获得图像特征。具体地，当前帧图像在经过卷积残差提取图像初始特征后，需要做下采样处理，以便与之后的卷积网络卷积得到更深层特征。因此，在浅层卷积网络中得到的特征图分辨率高，原图信息更完整，保留了更多图片细节信息，适合用于检测小目标。而深层卷积网络中由于多次下采样，特征图分辨率低，只保留了图像的主要信息，适合用于检测大目标。
在一具体实施方式中，yolov3网络模型中一共进行了5次下采样，每次下采样所得的特征图是原图大小的二分之一，因此图像最终下采样的倍数为32。32倍下采样的输出是网络最深层的特征，可以用于检测大目标。相对32倍下采样，16倍下采样的输出特征则相对浅层，可用于检测中等目标，相对16倍下采样，8倍下采样输出的特征更为浅层，因此适合检测小目标。由于网络越深特征表达效果越好，因此32倍下采样结果可以直接输出图像特征，无需再进行特征融合处理。
16倍和8倍下采样直接输出的效果却不太理想。为解决这一问题，将进行特征的融合，具体操作是，将32倍下采样特征进行2倍上采样，使其获得与16倍下采样结果一样的尺寸，将二者融合，可得到更为准确的16倍下采样输出的图像特征；同理，可将上述融合过的16倍下采样结果再进行2倍上采样，使之得到与8倍下采样相同的尺寸，与8倍下采样进行融合，可得到更为准确的8倍下采样输出的图像特征。特征融合部分如图2后半部分所示。
需要说明的是，yolov3网络模型在检测当前帧图像时，会对目标物体属于大目标、中等目标还是小目标自动判断，并进行对应的特征提取。
S123：将图像特征经过卷积处理后输出包含目标物体的目标检测框。
将图像特征经过卷积处理后输出包含目标物体的目标检测框。
其中，步骤S122中可获得32倍下采样结果、融合后的16倍下采样结果与融合后的8倍下采样结果。假设输入图像的宽高是w,h，则32倍下采样输出的尺寸为w/32，h/32，由于其特征较为深层，对应到的原图尺寸较大，可用于检测大目标；16倍下采样输出的尺寸为w/16,h/16，由于其特征深度较为中等，对应到原图的尺寸也比较中等，可用于检测中等目标；8倍下采样的输出尺寸为w/8,h/8，由于其特征较为浅层，对应到原图的尺寸较小，可用于检测小目标。
需要说明的是，大目标、中等目标和小目标可预设或由网络学习后识别。
S13：跟踪图像序列中的目标物体。
在一实施例中，可利用KCF算法对目标物体进行跟踪，跟踪图像序列中的目标物体包括：
S131：跟踪当前帧图像中的目标检测框，以在下一帧图像中获得目标跟踪框。
在当前帧图像中形成当前目标跟踪区域，当前目标跟踪区域大于目标检测框，且当前目标跟踪区域与目标检测框的中心点位置相同。具体地，当前目标跟踪区域可以为目标检测框的1.5-2.5倍。
在当前目标跟踪区域内进行循环位移，获得多个位移样本。循环位移即是将当前目标跟踪区域的融合图像特征的矩阵的每行进行左移或右移，并且下一行比上一行的位移量始终大1，即可得到目标物体处于不同位置的样本。需要说明的是，在当前目标跟踪区域内进行循环位移时，需要利用目标跟踪区域的图像特征，具体地，提取当前目标跟踪区域的梯度直方图特征和灰度特征，并融合后获得融合图像特征。其中，梯度直方图特征是通过计算和统计图像局部区域的梯度直方图所得到的，主要用来描述局部目标的表象和形状。灰度特征则是图像灰度图的像素特征，为避免特征的冗余，将其按照区域相似度进行聚类，得到一组灰度特征向量。将梯度直方图特征和灰度特征按照一定权重进行融合，可获得融合图像特征，即目标跟踪区域的特征向量。
利用位移样本训练分类器，并保存。
在下一帧图像中形成下一目标跟踪区域，下一目标跟踪区域与当前目标跟踪区域位置相同。
在下一目标跟踪区域内进行循环位移，获得多个待测样本。同样地，在下一目标跟踪区域内进行循环位移时，需要利用下一目标跟踪区域的图像特征，具体地，提取下一目标跟踪区域的梯度直方图特征和灰度特征，并融合后获得图像特征。
用训练好的分类器与待测样本计算高斯相关，将相关值最大的待测样本作为所述下一帧图像的目标跟踪框，从而获得目标跟踪框的位置。
S132：在下一帧图像之后的连续的多帧图像中持续跟踪目标跟踪框。
获得下一帧图像的目标跟踪框后，还需要继续对该目标跟踪框进行跟踪，具体包括：
根据下一帧图像的目标跟踪框与当前帧图像的目标检测框的偏移量，更新下一目标跟踪区域。
在更新后的下一目标跟踪区域内进行循环位移，获得多个位移样本。循环位移即是将更新后的下一目标跟踪区域矩阵的每行进行左移或右移，并且下一行比上一行的位移量始终大1，即可得到目标物体处于不同位置的样本。需要说明的是，在下一目标跟踪区域内进行循环位移时，需要利用下一目标跟踪区域的图像特征，具体地，提取更新后的下一目标跟踪区域的梯度直方图特征和灰度特征，并融合后获得融合图像特征。
利用上一步位移样本更新训练分类器，分类器需要随每帧图像的目标跟踪区域的更新而更新。
在再下一帧图像中形成再下一目标跟踪区域，再下一目标跟踪区域与更新后的下一目标跟踪区域位置相同。
在再下一目标跟踪区域内进行循环位移，获得多个待测样本。同样地，在再下一目标跟踪区域内进行循环位移时，需要利用再下一目标跟踪区域的图像特征，具体地，提取再下一目标跟踪区域的梯度直方图特征和灰度特征，并融合后获得融合图像特征。
用更新训练后的分类器与待测样本计算高斯相关，将相关值最大的待测样本作为再下一帧图像的目标跟踪框。
依次类推，即可对目标物体持续跟踪。
S14：判断目标物体是否进入预设区域。
在一实施例中，判断目标物体是否进入预设区域包括：判断目标跟踪框的中心点是否进入预设区域。
S15：若目标物体进入预设区域，则发出报警信号。
若检测到目标物体进入预设区域，则发出报警信号，或者控制报警单元发出报警信号，以对异常情况进行警示，并可通知工作人员及时查看。利于应用在猪舍等地方，可以及时通知工作人员将逃出猪舍的猪只赶回猪舍，避免其丢失。
若否，则继续跟踪目标物体，并判断目标物体是否进入预设区域。
通过结合检测和跟踪目标物体，本申请的方法可以及时发现并提醒异常情况，并且仅需对目标物体检测一次，随后即可持续跟踪该目标物体，减小运算量，在一定程度上提高了监测效率。并且，本申请的方法对每个目标物体检测后进行单独跟踪，从而使得工作人员可以获知目标物体的数量，以更好应对异常情况。
请参阅图6，图6是本申请的出入口监测模型一实施例的框架示意图。
本申请又一实施例提供了一种出入口监测装置20，包括依次连接的图像获取模块21、检测模块22、跟踪模块23、判断模块24和报警模块25。其中，图像获取模块21持续获取图像，以形成图像序列，其中，图像序列包括连续的多帧图像，每帧图像中定义有预设区域。检测模块22持续检测当前帧图像，以检测出目标物体。跟踪模块23跟踪图像序列中的目标物体。判断模块24判断目标物体是否进入预设区域。若目标物体进入预设区域，则报警模块25发出报警信号。
本装置20通过结合检测和跟踪目标物体，仅需对目标物体检测一次，随后即可持续跟踪该目标物体，减小运算量，在一定程度上提高了监测效率。并且，本申请的方法对每个目标物体检测后进行单独跟踪，从而使得工作人员可以获知目标物体的数量，以更好应对异常情况。
请参阅图7，图7是本申请的电子设备一实施例的框架示意图。
本申请又一实施例提供了一种电子设备30，包括相互耦接的存储器31和处理器32，处理器32用于执行存储器31中存储的程序指令，以实现上述任一实施例的出入口监测方法。在一个具体的实施场景中，电子设备30可以包括但不限于：微型计算机、服务器，此外，电子设备30还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器32用于控制其自身以及存储器31以实现上述任一利用网络模型对遥感影像进行分割的方法实施例中的步骤。处理器32还可以称为CPU(CentralProcessing Unit，中央处理单元)。处理器32可能是一种集成电路芯片，具有信号的处理能力。处理器32还可以是通用处理器、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。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。另外，处理器32可以由集成电路芯片共同实现。
请参阅图8，图8是本申请计算机可读存储介质一实施例的框架示意图。
本申请又一实施例提供了一种计算机可读存储介质40，其上存储有程序数据41，程序数据41被处理器执行时实现上述任一实施例的出入口监测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请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。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质40中。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或者该技术方案的全部或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一个存储介质40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方法的全部或部分步骤。而前述的存储介质40包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、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。
以上所述仅为本申请的实施例，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 (10)
1.一种出入口监测方法，其特征在于，所述方法包括：
持续获取图像，以形成图像序列，其中，所述图像序列包括连续的多帧图像，每帧所述图像中定义有预设区域；
持续检测当前帧图像，以检测出目标物体；
跟踪所述图像序列中的所述目标物体，并判断所述目标物体是否进入所述预设区域；
若所述目标物体进入所述预设区域，则发出报警信号。
2.根据权利要求1所述的方法，其特征在于，所述持续检测当前帧图像，在当前帧图像出现目标物体时，包括：
通过卷积残差提取所述当前帧图像的图像初始特征；
对所述图像初始特征进行下采样和特征融合处理，获得图像特征；
将所述图像特征经过卷积处理后输出包含所述目标物体的目标检测框。
3.根据权利要求2中所述的方法，其特征在于，所述跟踪所述图像序列中的所述目标物体包括：
跟踪所述当前帧图像中的所述目标检测框，以在下一帧图像中获得目标跟踪框；
在所述下一帧图像之后的连续的多帧所述图像中持续跟踪所述目标跟踪框。
4.根据权利要求3中所述的方法，其特征在于，所述跟踪所述当前帧图像中的所述目标检测框，以在下一帧图像中获得目标跟踪框，包括：
在当前帧图像中形成当前目标跟踪区域，所述当前目标跟踪区域大于所述目标检测框，且所述当前目标跟踪区域与所述目标检测框的中心点位置相同；
在所述当前目标跟踪区域内进行循环位移，获得多个位移样本；
利用所述位移样本训练分类器；
在下一帧图像中形成下一目标跟踪区域，所述下一目标跟踪区域与所述当前目标跟踪区域位置相同；
在所述下一目标跟踪区域内进行循环位移，获得多个待测样本；
用训练好的所述分类器与所述待测样本计算高斯相关，将相关值最大的所述待测样本作为所述下一帧图像的所述目标跟踪框。
5.根据权利要求4中所述的方法，其特征在于，所述在所述下一帧图像之后的连续的多帧所述图像中持续跟踪所述目标跟踪框，包括：
根据所述下一帧图像的所述目标跟踪框与所述当前帧图像的目标检测框的偏移量，更新所述下一目标跟踪区域；
在更新后的所述下一目标跟踪区域内进行循环位移，获得多个位移样本；
利用所述位移样本更新训练所述分类器；
在再下一帧图像中形成再下一目标跟踪区域，所述再下一目标跟踪区域与更新后的所述下一目标跟踪区域位置相同；
在所述再下一目标跟踪区域内进行循环位移，获得多个待测样本；
用更新训练后的所述分类器与所述待测样本计算高斯相关，将相关值最大的所述待测样本作为所述再下一帧图像的所述目标跟踪框。
6.根据权利要求1中所述的方法，其特征在于，所述判断所述目标物体是否进入预设区域，包括：
判断所述目标跟踪框的中心点是否进入预设区域。
7.根据权利要求1中所述的方法，其特征在于，所述目标物体包括人、家禽、家畜、饲料和/或设备。
8.根据权利要求1中所述的方法，其特征在于，所述预设区域为所述出入口处的区域。
9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有程序数据，其特征在于，所述程序数据被处理器执行时实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773499.5A CN112053382A (zh) | 2020-08-04 | 2020-08-04 | 出入口监测方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010773499.5A CN112053382A (zh) | 2020-08-04 | 2020-08-04 | 出入口监测方法、设备及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112053382A true CN112053382A (zh) | 2020-12-08 |
Family
ID=73601378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010773499.5A Pending CN112053382A (zh) | 2020-08-04 | 2020-08-04 | 出入口监测方法、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053382A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464880A (zh) * | 2020-12-11 | 2021-03-09 | 东莞先知大数据有限公司 | 夜间异动物体检测方法、装置、介质及设备 |
| CN115086527A (zh) * | 2022-07-04 | 2022-09-20 | 天翼数字生活科技有限公司 | 一种家庭视频跟踪监控方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN109544598A (zh) * | 2018-11-21 | 2019-03-29 | 电子科技大学 | 目标跟踪方法、装置及可读存储介质 |
| CN110796412A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 包裹跟踪方法以及相关装置 |
| CN110874905A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 监控方法及装置 |
| CN111325178A (zh) * | 2020-03-05 | 2020-06-23 | 上海眼控科技股份有限公司 | 警示物检测结果获取方法、装置、计算机设备和存储介质 |
-
2020
- 2020-08-04 CN CN202010773499.5A patent/CN112053382A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190005657A1 (en) * | 2017-06-30 | 2019-01-03 | Baidu Online Network Technology (Beijing) Co., Ltd . | Multiple targets-tracking method and apparatus, device and storage medium |
| CN110874905A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 监控方法及装置 |
| CN109544598A (zh) * | 2018-11-21 | 2019-03-29 | 电子科技大学 | 目标跟踪方法、装置及可读存储介质 |
| CN110796412A (zh) * | 2019-10-29 | 2020-02-14 | 浙江大华技术股份有限公司 | 包裹跟踪方法以及相关装置 |
| CN111325178A (zh) * | 2020-03-05 | 2020-06-23 | 上海眼控科技股份有限公司 | 警示物检测结果获取方法、装置、计算机设备和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464880A (zh) * | 2020-12-11 | 2021-03-09 | 东莞先知大数据有限公司 | 夜间异动物体检测方法、装置、介质及设备 |
| CN115086527A (zh) * | 2022-07-04 | 2022-09-20 | 天翼数字生活科技有限公司 | 一种家庭视频跟踪监控方法、装置、设备和存储介质 |
| CN115086527B (zh) * | 2022-07-04 | 2023-05-12 | 天翼数字生活科技有限公司 | 一种家庭视频跟踪监控方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9396400B1 (en) | Computer-vision based security system using a depth camera | |
| US7822275B2 (en) | Method for detecting water regions in video | |
| CN110059666B (zh) | 一种注意力检测方法及装置 | |
| US9934585B2 (en) | Apparatus and method for registering images | |
| WO2009152509A1 (en) | Method and system for crowd segmentation | |
| US11631306B2 (en) | Methods and system for monitoring an environment | |
| WO2021051547A1 (zh) | 暴力行为检测方法及系统 | |
| CN109977824B (zh) | 物品取放识别方法、装置及设备 | |
| CN111401215B (zh) | 一种多类别目标检测的方法及系统 | |
| CN112633255B (zh) | 目标检测方法、装置及设备 | |
| CN111104925A (zh) | 图像处理方法、装置、存储介质和电子设备 | |
| CN112053382A (zh) | 出入口监测方法、设备及计算机可读存储介质 | |
| Roy et al. | Suspicious and violent activity detection of humans using HOG features and SVM classifier in surveillance videos | |
| CN112989962A (zh) | 轨迹生成方法、装置、电子设备及存储介质 | |
| CN111814690A (zh) | 一种目标重识别方法、装置和计算机可读存储介质 | |
| CN111339884B (zh) | 图像识别方法以及相关设备、装置 | |
| CN112232140A (zh) | 人群计数方法、装置、电子设备及计算机存储介质 | |
| WO2022257314A1 (zh) | 图像检测方法和相关训练方法及相关装置、设备及介质 | |
| Venkatesvara Rao et al. | Real-time video object detection and classification using hybrid texture feature extraction | |
| CN113468914A (zh) | 一种商品纯净度的确定方法、装置及设备 | |
| CN111563492B (zh) | 一种跌倒检测方法、跌倒检测装置及存储装置 | |
| CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
| US20190102888A1 (en) | Image processing apparatus and method and monitoring system | |
| CN113033510A (zh) | 图像变化检测模型的训练和检测方法、设备及存储介质 | |
| CN111967403A (zh) | 视频移动区域确定方法、装置及电子设备 |
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 |