CN112101148A - 一种运动目标检测方法、装置、存储介质及终端设备 - Google Patents
一种运动目标检测方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112101148A CN112101148A CN202010892850.2A CN202010892850A CN112101148A CN 112101148 A CN112101148 A CN 112101148A CN 202010892850 A CN202010892850 A CN 202010892850A CN 112101148 A CN112101148 A CN 112101148A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- gaussian
- pixel
- matching condition
- frame image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 239000000203 mixture Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V20/41—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
- 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
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种运动目标检测方法、装置、存储介质及终端设备,包括:获取待检测的第t+1帧图像;根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足第一匹配条件和第二匹配条件;第一匹配条件用于判断每个像素点的像素值与对应的任一背景成分的均值的偏差是否小于第一偏差阈值;第二匹配条件用于判断每个像素点的邻域像素集合中,像素值与对应的任一背景成分的均值的偏差小于第二偏差阈值的邻域像素点的个数是否大于数量阈值;若不满足第一匹配条件和第二匹配条件,则判定对应的像素点为前景;根据判定为前景的所有像素点获取第t+1帧图像上的运动目标区域。本发明能够结合像素点的领域像素信息,提高运动目标检测的检测效果。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种运动目标检测方法、装置、计算机可读存储介质及终端设备。
背景技术
目前,在大量摄像头被使用的情况下,人脸检测、行人检测等功能被广泛的应用在了移动端的摄像头上,并且这些检测方法往往以运动检测为基础,能够提升检测速度以及检测准确率。然而在实际应用中,运动检测往往会检测到树木,或者摄像头的小幅抖动、流动的水面等干扰,导致检测到大量零散的运动区域,对后续检测运动目标造成了干扰。
现有常见的运动目标检测方法有帧间差分法、高斯混合模型方法、ViBe方法等,相对来说,高斯混合模型方法和ViBe方法性能接近,且性能优于帧间差分法,可以有效减少零散的检测点。但是,相对于ViBe方法,高斯混合模型方法也有不足之处,高斯混合模型由相应像素点的时序变化所决定,没有使用到相应像素点的邻域像素信息,导致运动目标检测的效果不佳。
发明内容
本发明实施例所要解决的技术问题在于,提供一种运动目标检测方法、装置、计算机可读存储介质及终端设备,能够结合像素点的领域像素信息,提高运动目标检测的检测效果。
为了解决上述技术问题,本发明实施例提供了一种运动目标检测方法,包括:
获取待检测的第t+1帧图像;其中,t>0;
根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域。
进一步地,所述第一匹配条件为|Xp,t+1-μp,i,t|<δ1*σp,i,t;其中,Xp,t+1表示所述第t+1帧图像上的任一像素点p的像素值,μp,i,t和σp,i,t分别表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ1>0,0<i≤Bp<K,Bp表示像素点p对应的K个高斯成分中的背景成分的个数,将像素点p对应的K个高斯成分按照wp,i,t/σp,i,t的值从大到小的顺序进行排序后的前Bp个高斯成分作为背景成分,wp,i,t表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的权重,
进一步地,所述第二匹配条件为Mpq>T2;其中,Ωp表示像素点p的邻域像素集合,且当所述邻域像素集合中的任一像素点q满足|Xq,t+1-μq,i,t|<δ2*σq,i,t时,Mpq=1,否则,Mpq=0,μq,i,t和σq,i,t分别表示像素点q对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ2>0,0<i≤Bq<K,Bq表示像素点q对应的K个高斯成分中的背景成分的个数,T2>0。
进一步地,所述方法还包括:
根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新。
进一步地,所述根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新,具体包括:
当所述第t+1帧图像上的任一像素点p满足所述第二匹配条件时,αp,t+1=α1;否则,αp,t+1=α2;其中,αp,t+1表示像素点p对应的根据第t+1帧图像更新后的K个高斯成分的更新速率,0<α1<α2;
当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式wp,i,t+1=(1-αp,t+1)*wp,i,t+1对与像素点p匹配的第i个高斯成分的权重wp,i,t进行更新;否则,根据公式wp,j,t+1=(1-αp,t+1)*wp,j,t对不与像素点p匹配的第j个高斯成分的权重wp,j,t进行更新;对权重更新后的K个高斯成分的权重分别进行归一化处理;其中,0<j<K;
当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式对与像素点p匹配的第i个高斯成分的均值μp,i,t和标准差σp,i,t进行更新;否则,不与像素点p匹配的第j个高斯成分的均值μp,j,t和标准差σp,j,t保持不变。
进一步地,所述对权重更新后的K个高斯成分的权重分别进行归一化处理,具体包括:
对于权重更新后的K个高斯成分中的第n个高斯成分,根据公式对第n个高斯成分的权重wp,n,t+1进行归一化处理,获得像素点p对应的根据第t+1帧图像更新后的第n个高斯成分的权重wp,n,t+1';其中,0<n≤K。
进一步地,所述方法还包括:
当所述第t+1帧图像上的任一像素点p以及对应的K个高斯成分均不满足|Xp,t+1-μp,i,t|<δ1*σp,i,t时,将像素点p对应的排序后的第K个高斯成分的均值更新为相应的像素点p的像素值、标准差更新为相应的预设标准差值以及权重更新为相应的预设权重值;其中,0<i≤K。
为了解决上述技术问题,本发明实施例还提供了一种运动目标检测装置,包括:
待检测图像获取模块,用于获取待检测的第t+1帧图像;其中,t>0;
匹配条件判断模块,用于根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
前景及背景判断模块,用于若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
运动目标获取模块,用于根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域。
本发明实施例还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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的运动目标检测方法。
本发明实施例还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现上述任一项所述的运动目标检测方法。
与现有技术相比,本发明实施例提供了一种运动目标检测方法、装置、计算机可读存储介质及终端设备,通过获取待检测的第t+1帧图像,并根据预设的高斯混合模型判断第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件,若不满足第一匹配条件和第二匹配条件,则判定对应的像素点为前景,否则,判定对应的像素点为背景,根据判定为前景的所有像素点获取第t+1帧图像上的运动目标区域;其中,第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;本发明实施例能够结合像素点的领域像素信息,提高运动目标检测的检测效果。
附图说明
图1是本发明提供的一种运动目标检测方法的一个优选实施例的流程图;
图2是本发明提供的一种运动目标检测装置的一个优选实施例的结构框图;
图3是本发明提供的一种终端设备的一个优选实施例的结构框图。
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,本技术领域普通技术人员在没有作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。
本发明实施例提供了一种运动目标检测方法,参见图1所示,是本发明提供的一种运动目标检测方法的一个优选实施例的流程图,所述方法包括步骤S11至步骤S14:
步骤S11、获取待检测的第t+1帧图像;其中,t>0;
步骤S12、根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
步骤S13、若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
步骤S14、根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域。
具体的,本发明实施例预先利用若干帧图像(与待检测图像的大小相同)为图像上的每一个像素点分别建立了高斯混合模型,每一个像素点对应的高斯混合模型均包括K个高斯成分,在利用高斯混合模型对图像进行运动目标检测时,获取待检测的第t+1帧图像,并根据预先设置的每一个像素点的高斯混合模型(每一个像素点对应的高斯混合模型中的K个高斯成分均根据已经检测过的第t帧图像分别进行相应更新)对应判断待检测的第t+1帧图像上的每一个像素点是否满足预先设置的第一匹配条件和第二匹配条件;其中,第一匹配条件用来判断每个像素点的像素值与该像素点所对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预先设置的第一偏差阈值,第二匹配条件用来判断在每个像素点的邻域像素集合所包含的所有邻域像素点中,像素值与邻域像素点所对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预先设置的第二偏差阈值的邻域像素点的总个数是否大于预先设置的数量阈值;当待检测的第t+1帧图像上的任意一个像素点不满足第一匹配条件(即某个像素点的像素值与该像素点所对应的K个高斯成分中的任意一个背景成分的均值的偏差不小于预先设置的第一偏差阈值)且不满足第二匹配条件(即在某个像素点的邻域像素集合所包含的所有邻域像素点中,像素值与邻域像素点所对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预先设置的第二偏差阈值的邻域像素点的总个数是不大于预先设置的数量阈值)时,判定该像素点为前景像素点,否则,判定该像素点为背景像素点,同理,可以判断出待检测的第t+1帧图像上的每一个像素点是前景像素点还是背景像素点,从而根据判定为前景的所有像素点获取待检测的第t+1帧图像上的运动目标区域。
需要说明的是,当t>0时,在利用高斯混合模型对待检测的第t+1帧图像进行运动目标检测时,该高斯混合模型中的K个高斯成分已经根据第t帧图像进行了相应更新,当t=0时,在利用高斯混合模型对待检测的第1帧图像进行运动目标检测时,该高斯混合模型为预先建立的初始化模型,即每一次对待检测图像进行运动目标检测后,均根据当前检测后的待检测图像对每一个像素点所对应的高斯混合模型中的K个高斯成分进行更新。
本发明实施例所提供的一种运动目标检测方法,通过获取待检测的第t+1帧图像,并根据预设的高斯混合模型判断第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件,若不满足第一匹配条件和第二匹配条件,则判定对应的像素点为前景,否则,判定对应的像素点为背景,根据判定为前景的所有像素点获取第t+1帧图像上的运动目标区域;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值,第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;本发明实施例能够结合像素点的领域像素信息,提高运动目标检测的检测效果。
作为上述方案的改进,所述第一匹配条件为|Xp,t+1-μp,i,t|<δ1*σp,i,t;其中,Xp,t+1表示所述第t+1帧图像上的任一像素点p的像素值,μp,i,t和σp,i,t分别表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ1>0,0<i≤Bp<K,Bp表示像素点p对应的K个高斯成分中的背景成分的个数,将像素点p对应的K个高斯成分按照wp,i,t/σp,i,t的值从大到小的顺序进行排序后的前Bp个高斯成分作为背景成分,wp,i,t表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的权重,
具体的,结合上述实施例,第一匹配条件可以为:|Xp,t+1-μp,i,t|<δ1*σp,i,t;Xp,t+1表示第t+1帧图像上的任意一个像素位置p处的像素点p的像素值,μp,i,t和σp,i,t分别表示像素点p所对应的根据第t帧图像更新后的K个高斯成分中的第i个高斯成分的均值和标准差,δ1*σp,i,t表示第一偏差阈值,δ1为常数,0<i≤Bp<K,Bp表示像素点p所对应的K个高斯成分中属于背景成分的高斯成分的个数,例如,将像素点p所对应的K个高斯成分按照wp,i,t/σp,i,t的值(即每一个高斯成分对应的权重和标准差的比值)从大到小的顺序进行排序后的前Bp个高斯成分作为背景成分,wp,i,t表示像素点p所对应的根据第t帧图像更新后的第i个高斯成分的权重,T1为常数,表示前Bp个高斯成分的权重加和大于预设的阈值T1,Bp的取值为满足该条件的最小值。
可以理解的,当像素点p的像素值Xp,t+1与对应的第i个背景成分的均值μp,i,t满足|Xp,t+1-μp,i,t|<δ1*σp,i,t时,说明像素点p满足第一匹配条件,且对应的第i个背景成分与像素点p相匹配;
作为上述方案的改进,所述第二匹配条件为Mpq>T2;其中,Ωp表示像素点p的邻域像素集合,且当所述邻域像素集合中的任一像素点q满足|Xq,t+1-μq,i,t|<δ2*σq,i,t时,Mpq=1,否则,Mpq=0,μq,i,t和σq,i,t分别表示像素点q对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ2>0,0<i≤Bq<K,Bq表示像素点q对应的K个高斯成分中的背景成分的个数,T2>0。
具体的,结合上述实施例,第二匹配条件可以为:Ωp表示像素点p的预设的邻域内的邻域像素集合,并且当该邻域像素集合中的任意一个像素位置q处的像素点q的像素值Xq,t+1满足|Xq,t+1-μq,i,t|<δ2*σq,i,t时,Mpq=1,否则,Mpq=0,μq,i,t和σq,i,t分别表示像素点q所对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,T2表示数量阈值,T2为常数,δ2*σq,i,t表示第二偏差阈值,δ2为常数,0<i≤Bq<K,Bq表示像素点q所对应的K个高斯成分中属于背景成分的高斯成分的个数,例如,将像素点q所对应的K个高斯成分按照wq,i,t/σq,i,t的值(即每一个高斯成分对应的权重和标准差的比值)从大到小的顺序进行排序后的前Bq个高斯成分作为背景成分,T1'为常数,表示前Bq个高斯成分的权重加和大于预设的阈值T1',Bq的取值为满足该条件的最小值。
可以理解的,当像素点q的像素值Xq,t+1与对应的第i个背景成分的均值μq,i,t满足|Xq,t+1-μq,i,t|<δ2*σq,i,t时,说明像素点q与对应的第i个背景成分相匹配,则有Mpq=1,否则,Mpq=0,统计所有满足该条件的邻域像素点的个数当统计值大于预设的数量阈值T2时,说明像素点p满足第二匹配条件。
在另一个优选实施例中,所述方法还包括:
根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新。
具体的,结合上述实施例,为了进一步提高高斯混合模型的检测效果,在对待检测的第t+1帧图像进行运动目标检测后,可以根据待检测的第t+1帧图像上的每一个像素点的匹配条件判断结果,分别对每一个像素点所对应的高斯混合模型中的K个高斯成分进行更新。
在又一个优选实施例中,所述根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新,具体包括:
当所述第t+1帧图像上的任一像素点p满足所述第二匹配条件时,αp,t+1=α1;否则,αp,t+1=α2;其中,αp,t+1表示像素点p对应的根据第t+1帧图像更新后的K个高斯成分的更新速率,0<α1<α2;
当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式wp,i,t+1=(1-αp,t+1)*wp,i,t+1对与像素点p匹配的第i个高斯成分的权重wp,i,t进行更新;否则,根据公式wp,j,t+1=(1-αp,t+1)*wp,j,t对不与像素点p匹配的第j个高斯成分的权重wp,j,t进行更新;对权重更新后的K个高斯成分的权重分别进行归一化处理;其中,0<j<K;
当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式对与像素点p匹配的第i个高斯成分的均值μp,i,t和标准差σp,i,t进行更新;否则,不与像素点p匹配的第j个高斯成分的均值μp,j,t和标准差σp,j,t保持不变。
具体的,结合上述实施例,对每一个像素点所对应的高斯混合模型中的K个高斯成分进行更新的方法相同,且至少包括每一个高斯成分的相关参数的更新速率的更新、每一个高斯成分对应的权重的更新、每一个高斯成分对应的均值的更新以及每一个高斯成分对应的标准差的更新,这里以对第t+1帧图像上的任意一个像素点p所对应的高斯混合模型中的K个高斯成分进行更新为例进行说明。
对相关参数的更新速率的更新包括:当像素点p满足上述第二匹配条件时,像素点p所对应的根据第t+1帧图像进行更新后的K个高斯成分的相关参数的更新速率为αp,t+1=α1,否则,αp,t+1=α2,0<α1<α2;
对权重的更新包括:当像素点p满足上述第一匹配条件时,对于与像素点p相匹配的第i个高斯成分,根据公式wp,i,t+1=(1-αp,t+1)*wp,i,t+1对第i个高斯成分的权重wp,i,t进行更新;否则,对于不与像素点p相匹配的第j(0<j<K)个高斯成分,根据公式wp,j,t+1=(1-αp,t+1)*wp,j,t对第j个高斯成分的权重wp,j,t进行更新,并且在更新后分别对像素点p所对应的K个高斯成分的权重进行归一化处理,以保证最终获得的每一个高斯成分对应的更新后的权重值在0到1之间;
对均值及标准差的更新包括:当像素点p满足上述第一匹配条件时,对于与像素点p相匹配的第i个高斯成分,根据公式对第i个高斯成分的均值μp,i,t和标准差σp,i,t进行更新;否则,对于不与像素点p相匹配的第j(0<j<K)个高斯成分,其均值μp,j,t和标准差σp,j,t保持不变。
在又一个优选实施例中,所述对权重更新后的K个高斯成分的权重分别进行归一化处理,具体包括:
对于权重更新后的K个高斯成分中的第n个高斯成分,根据公式对第n个高斯成分的权重wp,n,t+1进行归一化处理,获得像素点p对应的根据第t+1帧图像更新后的第n个高斯成分的权重wp,n,t+1';其中,0<n≤K。
具体的,结合上述实施例,对每一个像素点所对应的K个高斯成分中的每一个高斯成分的权重进行归一化处理的方法相同,这里以对第t+1帧图像上的任意一个像素点p所对应的K个高斯成分中的第n个高斯成分的权重进行归一化处理为例进行说明:根据公式对第n个高斯成分的权重wp,n,t+1进行归一化处理,获得像素点p所对应的根据第t+1帧图像更新后的第n个高斯成分的权重wp,n,t+1'。
在又一个优选实施例中,所述方法还包括:
当所述第t+1帧图像上的任一像素点p以及对应的K个高斯成分均不满足|Xp,t+1-μp,i,t|<δ1*σp,i,t时,将像素点p对应的排序后的第K个高斯成分的均值更新为相应的像素点p的像素值、标准差更新为相应的预设标准差值以及权重更新为相应的预设权重值;其中,0<i≤K。
具体的,结合上述实施例,如果待检测的第t+1帧图像上的任意一个像素点p以及该像素点p所对应的K个高斯成分均不满足|Xp,t+1-μp,i,t|<δ1*σp,i,t(0<i≤K),即像素点p没有相匹配的高斯成分,像素点p所对应的K个高斯成分也不满足均值偏差在δ1*σp,i,t内,则将像素点p所对应的排序后的第K个高斯成分的均值更新为相应的像素点p的像素值,将像素点p所对应的排序后的第K个高斯成分的标准差更新为相应的预设标准差值,将像素点p所对应的排序后的第K个高斯成分的权重更新为相应的预设权重值。
本发明实施例还提供了一种运动目标检测装置,能够实现上述任一实施例所述的运动目标检测方法的所有流程,装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的运动目标检测方法的作用以及实现的技术效果对应相同,这里不再赘述。
参见图2所示,是本发明提供的一种运动目标检测装置的一个优选实施例的结构框图,所述装置包括:
待检测图像获取模块11,用于获取待检测的第t+1帧图像;其中,t>0;
匹配条件判断模块12,用于根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
前景及背景判断模块13,用于若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
运动目标获取模块14,用于根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域;
优选地,所述第一匹配条件为|Xp,t+1-μp,i,t|<δ1*σp,i,t;其中,Xp,t+1表示所述第t+1帧图像上的任一像素点p的像素值,μp,i,t和σp,i,t分别表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ1>0,0<i≤Bp<K,Bp表示像素点p对应的K个高斯成分中的背景成分的个数,将像素点p对应的K个高斯成分按照wp,i,t/σp,i,t的值从大到小的顺序进行排序后的前Bp个高斯成分作为背景成分,wp,i,t表示像素点p对应的根据第t帧图像更新后的第i个高斯成分的权重,
优选地,所述第二匹配条件为其中,Ωp表示像素点p的邻域像素集合,且当所述邻域像素集合中的任一像素点q满足|Xq,t+1-μq,i,t|<δ2*σq,i,t时,Mpq=1,否则,Mpq=0,μq,i,t和σq,i,t分别表示像素点q对应的根据第t帧图像更新后的第i个高斯成分的均值和标准差,δ2>0,0<i≤Bq<K,Bq表示像素点q对应的K个高斯成分中的背景成分的个数,T2>0。
优选地,所述装置还包括:
模型更新模块,用于根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新。
优选地,所述模型更新模块具体包括:
更新速率更新单元,用于当所述第t+1帧图像上的任一像素点p满足所述第二匹配条件时,αp,t+1=α1;否则,αp,t+1=α2;其中,αp,t+1表示像素点p对应的根据第t+1帧图像更新后的K个高斯成分的更新速率,0<α1<α2;
权重更新单元,用于当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式wp,i,t+1=(1-αp,t+1)*wp,i,t+1对与像素点p匹配的第i个高斯成分的权重wp,i,t进行更新;否则,根据公式wp,j,t+1=(1-αp,t+1)*wp,j,t对不与像素点p匹配的第j个高斯成分的权重wp,j,t进行更新;对权重更新后的K个高斯成分的权重分别进行归一化处理;其中,0<j<K;
均值及标准差更新单元,用于当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式对与像素点p匹配的第i个高斯成分的均值μp,i,t和标准差σp,i,t进行更新;否则,不与像素点p匹配的第j个高斯成分的均值μp,j,t和标准差σp,j,t保持不变。
优选地,所述权重更新单元具体用于:
对于权重更新后的K个高斯成分中的第n个高斯成分,根据公式对第n个高斯成分的权重wp,n,t+1进行归一化处理,获得像素点p对应的根据第t+1帧图像更新后的第n个高斯成分的权重wp,n,t+1';其中,0<n≤K。
优选地,所述装置还包括:
参数更新模块,用于当所述第t+1帧图像上的任一像素点p以及对应的K个高斯成分均不满足|Xp,t+1-μp,i,t|<δ1*σp,i,t时,将像素点p对应的排序后的第K个高斯成分的均值更新为相应的像素点p的像素值、标准差更新为相应的预设标准差值以及权重更新为相应的预设权重值;其中,0<i≤K。
本发明实施例还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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的运动目标检测方法。
本发明实施例还提供了一种终端设备,参见图3所示,是本发明提供的一种终端设备的一个优选实施例的结构框图,所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序,所述处理器10在执行所述计算机程序时实现上述任一实施例所述的运动目标检测方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······),所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器10执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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,通用处理器可以是微处理器,或者所述处理器10也可以是任何常规的处理器,所述处理器10是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器20可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图3结构框图仅仅是上述终端设备的示例,并不构成对终端设备的限定,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。
综上,本发明实施例所提供的一种运动目标检测方法、装置、计算机可读存储介质及终端设备,具有以下有益效果:
(1)相对于传统的高斯混合模型,能够结合像素点的领域像素信息,有助于消除往复运动所产生的前景干扰,从而提高了运动目标检测的检测效果;
(2)相对于其他使用邻域的检测方法,本发明实施例中的高斯混合模型的大小没有变化,但是丰富了每个像素点的背景成分;
(3)改变了高斯混合模型的更新方式,根据邻域像素的高斯成分匹配结果能够调整高斯成分更新的更新速率,当待检测像素点的邻域像素与对应的高斯成分不匹配时,能够有效提高模型的更新速率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种运动目标检测方法,其特征在于,包括:
获取待检测的第t+1帧图像;其中,t>0;
根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域。
4.如权利要求1~3任一项所述的运动目标检测方法,其特征在于,所述方法还包括:
根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新。
5.如权利要求4所述的运动目标检测方法,其特征在于,所述根据所述第t+1帧图像上的每个像素点的匹配条件判断结果,分别对每个像素点对应的高斯混合模型中的K个高斯成分进行更新,具体包括:
当所述第t+1帧图像上的任一像素点p满足所述第二匹配条件时,αp,t+1=α1;否则,αp,t+1=α2;其中,αp,t+1表示像素点p对应的根据第t+1帧图像更新后的K个高斯成分的更新速率,0<α1<α2;
当所述第t+1帧图像上的任一像素点p满足所述第一匹配条件时,根据公式wp,i,t+1=(1-αp,t+1)*wp,i,t+1对与像素点p匹配的第i个高斯成分的权重wp,i,t进行更新;否则,根据公式wp,j,t+1=(1-αp,t+1)*wp,j,t对不与像素点p匹配的第j个高斯成分的权重wp,j,t进行更新;对权重更新后的K个高斯成分的权重分别进行归一化处理;其中,0<j<K;
7.如权利要求5所述的运动目标检测方法,其特征在于,所述方法还包括:
当所述第t+1帧图像上的任一像素点p以及对应的K个高斯成分均不满足|Xp,t+1-μp,i,t|<δ1*σp,i,t时,将像素点p对应的排序后的第K个高斯成分的均值更新为相应的像素点p的像素值、标准差更新为相应的预设标准差值以及权重更新为相应的预设权重值;其中,0<i≤K。
8.一种运动目标检测装置,其特征在于,包括:
待检测图像获取模块,用于获取待检测的第t+1帧图像;其中,t>0;
匹配条件判断模块,用于根据预设的高斯混合模型判断所述第t+1帧图像上的每个像素点是否满足预设的第一匹配条件和第二匹配条件;其中,每个像素点对应的高斯混合模型均包括根据第t帧图像进行更新后的K个高斯成分,K>1;所述第一匹配条件用于判断每个像素点的像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差是否小于预设的第一偏差阈值;所述第二匹配条件用于判断在每个像素点的邻域像素集合中,像素值与对应的K个高斯成分中的任意一个背景成分的均值的偏差小于预设的第二偏差阈值的邻域像素点的个数是否大于预设的数量阈值;
前景及背景判断模块,用于若不满足所述第一匹配条件和所述第二匹配条件,则判定对应的像素点为前景;否则,判定对应的像素点为背景;
运动目标获取模块,用于根据判定为前景的所有像素点获取所述第t+1帧图像上的运动目标区域。
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包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1~7任一项所述的运动目标检测方法。
10.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如权利要求1~7任一项所述的运动目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892850.2A CN112101148B (zh) | 2020-08-28 | 2020-08-28 | 一种运动目标检测方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010892850.2A CN112101148B (zh) | 2020-08-28 | 2020-08-28 | 一种运动目标检测方法、装置、存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101148A true CN112101148A (zh) | 2020-12-18 |
CN112101148B CN112101148B (zh) | 2024-05-03 |
Family
ID=73758493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010892850.2A Active CN112101148B (zh) | 2020-08-28 | 2020-08-28 | 一种运动目标检测方法、装置、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101148B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409353A (zh) * | 2021-06-04 | 2021-09-17 | 杭州联吉技术有限公司 | 运动前景检测方法、装置、终端设备及存储介质 |
CN117877398A (zh) * | 2024-01-12 | 2024-04-12 | 深圳市佳达亿光电有限公司 | 一种oled显示屏检测方法、装置、系统及存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957997A (zh) * | 2009-12-22 | 2011-01-26 | 北京航空航天大学 | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 |
CN102903120A (zh) * | 2012-07-19 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 基于时空条件信息的运动目标检测方法 |
CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
CN105046683A (zh) * | 2014-12-31 | 2015-11-11 | 北京航空航天大学 | 一种参数自适应调节的高斯混合模型目标检测方法 |
CN105513053A (zh) * | 2015-11-26 | 2016-04-20 | 河海大学 | 一种用于视频分析中背景建模方法 |
CN105957078A (zh) * | 2016-04-27 | 2016-09-21 | 浙江万里学院 | 一种基于图割的多视点视频分割方法 |
CN107292905A (zh) * | 2017-05-25 | 2017-10-24 | 西安电子科技大学昆山创新研究院 | 基于改进混合高斯模型的运动目标检测方法 |
CN108174055A (zh) * | 2017-12-29 | 2018-06-15 | 广东工业大学 | 一种智能监控方法、系统、设备及存储介质 |
CN108550163A (zh) * | 2018-04-19 | 2018-09-18 | 湖南理工学院 | 一种复杂背景场景中运动目标检测方法 |
CN108629254A (zh) * | 2017-03-24 | 2018-10-09 | 杭州海康威视数字技术股份有限公司 | 一种运动目标的检测方法及装置 |
CN109544592A (zh) * | 2018-10-26 | 2019-03-29 | 天津理工大学 | 针对相机移动的运动目标检测算法 |
US20190219409A1 (en) * | 2018-01-12 | 2019-07-18 | General Electric Company | System and methods for robotic autonomous motion planning and navigation |
CN110909712A (zh) * | 2019-12-05 | 2020-03-24 | 重庆紫光华山智安科技有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-08-28 CN CN202010892850.2A patent/CN112101148B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957997A (zh) * | 2009-12-22 | 2011-01-26 | 北京航空航天大学 | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 |
CN102903120A (zh) * | 2012-07-19 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 基于时空条件信息的运动目标检测方法 |
CN103150738A (zh) * | 2013-02-02 | 2013-06-12 | 南京理工大学 | 分布式多传感器运动目标的检测方法 |
CN103810703A (zh) * | 2014-01-22 | 2014-05-21 | 安徽科力信息产业有限责任公司 | 一种基于图像处理的隧道视频运动目标检测方法 |
CN105046683A (zh) * | 2014-12-31 | 2015-11-11 | 北京航空航天大学 | 一种参数自适应调节的高斯混合模型目标检测方法 |
CN105513053A (zh) * | 2015-11-26 | 2016-04-20 | 河海大学 | 一种用于视频分析中背景建模方法 |
CN105957078A (zh) * | 2016-04-27 | 2016-09-21 | 浙江万里学院 | 一种基于图割的多视点视频分割方法 |
CN108629254A (zh) * | 2017-03-24 | 2018-10-09 | 杭州海康威视数字技术股份有限公司 | 一种运动目标的检测方法及装置 |
CN107292905A (zh) * | 2017-05-25 | 2017-10-24 | 西安电子科技大学昆山创新研究院 | 基于改进混合高斯模型的运动目标检测方法 |
CN108174055A (zh) * | 2017-12-29 | 2018-06-15 | 广东工业大学 | 一种智能监控方法、系统、设备及存储介质 |
US20190219409A1 (en) * | 2018-01-12 | 2019-07-18 | General Electric Company | System and methods for robotic autonomous motion planning and navigation |
CN108550163A (zh) * | 2018-04-19 | 2018-09-18 | 湖南理工学院 | 一种复杂背景场景中运动目标检测方法 |
CN109544592A (zh) * | 2018-10-26 | 2019-03-29 | 天津理工大学 | 针对相机移动的运动目标检测算法 |
CN110909712A (zh) * | 2019-12-05 | 2020-03-24 | 重庆紫光华山智安科技有限公司 | 运动目标检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (8)
Title |
---|
CHAONAN FAN 等: "A new moving target detection algorithm", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》, 31 December 2019 (2019-12-31), pages 1 - 7 * |
刘培培: "基于区域特征的运动目标检测算法的研究与开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2016 (2016-03-15), pages 138 - 6960 * |
张宇峰: "基于OpenCV的运动车辆目标检测与跟踪研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 December 2018 (2018-12-15), pages 138 - 1142 * |
李凯强: "基于实时视觉的运动目标的检测与跟踪", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2020 (2020-02-15), pages 138 - 1768 * |
李广阳: "基于运动上下文信息学习的室内视频烟雾预警算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 July 2020 (2020-07-15), pages 138 - 967 * |
王永忠 等: "基于自适应混合高斯模型的时空背景建模", 《自动化学报》, 15 April 2009 (2009-04-15), pages 371 - 378 * |
王涛: "特征度量与信息传递的交互式图论分割方法研究", 《中国博士论文全文数据库 信息科技辑》, 15 July 2018 (2018-07-15), pages 138 - 40 * |
肖丹: "复杂背景下视频运动目标检测与跟踪", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 October 2018 (2018-10-15), pages 138 - 708 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409353A (zh) * | 2021-06-04 | 2021-09-17 | 杭州联吉技术有限公司 | 运动前景检测方法、装置、终端设备及存储介质 |
CN117877398A (zh) * | 2024-01-12 | 2024-04-12 | 深圳市佳达亿光电有限公司 | 一种oled显示屏检测方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112101148B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9947077B2 (en) | Video object tracking in traffic monitoring | |
CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
CN109919002B (zh) | 黄色禁停线识别方法、装置、计算机设备及存储介质 | |
CN110909712B (zh) | 运动目标检测方法、装置、电子设备及存储介质 | |
CN111783524B (zh) | 一种场景变换检测方法、装置、存储介质及终端设备 | |
CN107784281B (zh) | 人脸检测方法、装置、设备及计算机可读介质 | |
WO2021013049A1 (zh) | 前景图像获取方法、前景图像获取装置和电子设备 | |
CN106373128B (zh) | 一种嘴唇精确定位的方法和系统 | |
WO2022142417A1 (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
CN112101148A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN111667504A (zh) | 一种人脸追踪方法、装置及设备 | |
CN111832556A (zh) | 一种基于深度学习的船舷字符精准检测方法 | |
CN111583299A (zh) | 一种运动检测方法、装置、存储介质及终端设备 | |
CN114445769A (zh) | 一种钓鱼行为检测方法、装置及系统 | |
CN113409353B (zh) | 运动前景检测方法、装置、终端设备及存储介质 | |
CN107452019B (zh) | 一种基于模型切换的目标检测方法、装置、系统及存储介质 | |
CN112949423B (zh) | 物体识别方法、物体识别装置及机器人 | |
CN113628259A (zh) | 图像的配准处理方法及装置 | |
CN113256683A (zh) | 目标跟踪方法及相关设备 | |
CN110910429B (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
CN101567088B (zh) | 一种运动物体检测的方法和装置 | |
CN109102526B (zh) | 无人机的监控系统的前景检测方法以及装置 | |
CN104754248B (zh) | 一种获取目标快照的方法及装置 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 |
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 |