CN112102353B - 运动目标的分类方法、装置、设备及存储介质 - Google Patents

运动目标的分类方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112102353B
CN112102353B CN202010875506.2A CN202010875506A CN112102353B CN 112102353 B CN112102353 B CN 112102353B CN 202010875506 A CN202010875506 A CN 202010875506A CN 112102353 B CN112102353 B CN 112102353B
Authority
CN
China
Prior art keywords
size
classified
connected domain
image
detected
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
Application number
CN202010875506.2A
Other languages
English (en)
Other versions
CN112102353A (zh
Inventor
张文俊
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.)
Pulian International Co ltd
Original Assignee
Pulian International 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 Pulian International Co ltd filed Critical Pulian International Co ltd
Priority to CN202010875506.2A priority Critical patent/CN112102353B/zh
Publication of CN112102353A publication Critical patent/CN112102353A/zh
Application granted granted Critical
Publication of CN112102353B publication Critical patent/CN112102353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种运动目标的分类方法，包括：获取待检测图像；根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域；对若干个连通域进行索引标记；根据所述索引标记在所述待检测图像上进行特征提取，以提取所述待检测图像上的目标运动区域；通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。本发明实施例还提供一种运动目标的分类装置、设备及存储介质，能有效解决现有技术目标检测分类过程中冗余的计算的问题，从而使得安防设备更加智能化。

Description

运动目标的分类方法、装置、设备及存储介质
技术领域
本发明涉及运动目标检测技术领域，尤其涉及一种运动目标的分类方法、装置、设备及存储介质。
背景技术
目前，频监控系统正朝着智能化的方向发展其中，对监控画面中的目标，尤其是运动的目标进行检测是系统的关键部分。目标检测是一种基于目标几何和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。而传统的目标检测方法往往是通过计算图像金字塔，使用统一尺寸的分类器进行滑窗以对目标进行分类。但是图像金字塔的计算对于嵌入式设备来说有很大的压力，算力较低的IPC无法高效地进行多尺度的目标检测。显然地，对于当前的安防设备来说，目标检测分类过程中冗余的计算是实现智能化的主要阻力。
发明内容
本发明实施例提供一种运动目标的分类方法、装置、设备及存储介质，能有效解决现有技术目标检测分类过程中冗余的计算的问题，从而使得安防设备更加智能化。
本发明一实施例提供一种运动目标的分类方法，包括：
获取待检测图像；
根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域；
对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记；
根据所述索引标记在所述待检测图像上进行特征提取，以提取所述待检测图像上的目标运动区域；
通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
作为上述方案的改进，所述根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域，具体包括：
根据背景模型对所述待检测图像进行处理，得到所述待检测图像对应的前景掩码；
对所述前景掩码进行形态学处理，得到若干连通域。
作为上述方案的改进，所述对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记，具体包括：
获取连通域的尺寸；
根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记；
将若干连通域进行排序，以使每一连通域得到对应的序号标记。
作为上述方案的改进，在所述获取连通域的尺寸之后，在所述根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记之前，还包括：
判断连通域的尺寸是否满足预设的连通域过滤条件；
响应于判断结果为满足预设的连通域过滤条件，则根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记；
响应于判断结果为不满足预设的连通域过滤条件，则过滤当前连通域。
作为上述方案的改进，所述通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别，具体包括：
通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域；
判断所述待分类的运动区域中是否含有索引标记；
响应于判断结果为含有索引标记，则根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
作为上述方案的改进，在所述判断所述待分类的运动区域中是否含有索引标记之后，还包括：
响应于判断结果为不含有索引标记，则不需要对所述待分类的运动区域进行分类。
作为上述方案的改进，在所述通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别之后，还包括：
若所述待分类的运动区域上存在多个候选窗口时，则不再对剩余候选窗进行分类。
本发明另一实施例对应提供了一种运动目标的分类装置，包括：
获取模块，用于获取待检测图像；
处理模块，用于根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域；
索引标记模块，用于对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记；
提取模块，用于根据所述索引标记在所述待检测图像上进行特征提取，以提取所述待检测图像上的目标运动区域；
分类模块，用于通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
本发明另一实施例提供了一种运动目标的分类设备，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，所述处理器执行所述计算机程序时实现上述发明实施例所述的运动目标的分类方法。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的运动目标的分类方法。
与现有技术相比，本发明实施例公开的运动目标的分类方法、装置、设备及存储介质，通过根据预设的前景检测算法对待检测图像进行处理，得到若干连通域，并对连通域进行索引标记。再根据索引标记在待检测图像上进行特征提取，以得到目标运动区域，通过滑动候选窗口选取待分类的运动区域，并根据尺寸标记选择对应的分类器，从而对待分类的运动区域进行分类。由上分析可知，通过对连通域进行索引标记，确定了运动目标的粗略位置，能够在待检测图像上快速选择运动目标，从而降低选择滑动窗口时的冗余计算。又由于每个连通域有对应的尺寸标记，标记了每个运动区域的尺寸，从而快速定位所需的分类器，避免了目标分类过程中冗余的计算，使得安防设备对运动目标进行分类时更加快速，从而使得安防设备更加智能化。
附图说明
图1是本发明一实施例提供的一种运动目标的分类方法的流程示意图；
图2是本发明一实施例提供的一种运动目标的分类方法的步骤S20的具体流程示意图；
图3是本发明一实施例提供的一种运动目标的分类方法的步骤S30的具体流程示意图；
图4是本发明一实施例提供的一种运动目标的分类方法的步骤S50的具体流程示意图；
图5是本发明一实施例提供的连通域的示意图；
图6是本发明一实施例提供的放大后的连通域的示意图；
图7是本发明一实施例提供的一种运动目标的分类装置的结构示意图；
图8是本发明一实施例提供的一种运动目标的分类设备的结构示意图。
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。
参见图1，是本发明一实施例提供的一种运动目标的分类方法的流程示意图。
本发明一实施例提供一种运动目标的分类方法，包括：
S10，获取待检测图像。
需要说明的是，运动目标的检测一般运用在视频监控中，因此，待检测图像一般来自于监控视频的视频帧。还可以为其他摄像头记录的图像，在此不做限定。
S20，根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域。
具体地，将待检测模型进行前景提取，从而得到多个连通域，即运动目标区域的外接矩形。
S30，对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记。
需要说明的是，连通域对应的尺寸标记为该连通域对应的尺寸。示例性地，若预先设置有大尺寸目标、中尺寸目标、小尺寸目标，可以根据0、1、2分别标记不同的尺寸，即0对应小尺寸目标、1对应中尺寸目标、2对应大尺寸目标，从而进行尺寸标记。可以理解的是，连通域的尺寸分类不局限于大尺寸目标、中尺寸目标、小尺寸目标，还可以设置更多等级，在此不做限定。
连通域对应的序号标记为将得到的连通域进行排序，那么就得到0、1、2....等区域编号，每一个区域对应设定有一个编号，且编号不同。
在本实施例中，8位的2进制数对连通域进行标记，高四位代表连通域所匹配的尺寸标记，低四位代表连通域对应的序号标记。例如，得到了三个连通域，那么索引的区域就是0、1、2，对应的二进制数就是0000，0001，0010。若尺寸等级设置有三个等级对应0、1、2对应的二进制数就是0000，0001，0010。则大尺寸目标且处于第二连通域，则表示为00100001。
S40，根据所述索引标记在所述待检测图像上进行特征提取，以提取所述待检测图像上的目标运动区域。
具体地，根据索引标记确定待检测图像上的目标运动区域，在本实施例中，特征提取的方式可以为HOG，Haar，LBP等。
S50，通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
需要说明的是，分类器可以为SVM，Adaboost等，不同的分类器分类的目标类别不同，因此根据尺寸标记选择分类器，从而快速定位所需的分类器，避免了目标分类过程中冗余的计算。
综上所述，通过根据预设的前景检测算法对待检测图像进行处理，得到若干连通域，并对连通域进行索引标记。再根据索引标记在待检测图像上进行特征提取，以得到目标运动区域，通过滑动候选窗口选取待分类的运动区域，并根据尺寸标记选择对应的分类器，从而对待分类的运动区域进行分类。由上分析可知，通过对连通域进行索引标记，确定了运动目标的粗略位置，能够在待检测图像上快速选择运动目标，从而降低选择滑动窗口时的冗余计算。又由于每个连通域有对应的尺寸标记，标记了每个运动区域的尺寸，从而快速定位所需的分类器，避免了目标分类过程中冗余的计算，使得安防设备对运动目标进行分类时更加快速，从而使得安防设备更加智能化。
作为上述方案的改进，参见图2，所述根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域，步骤S20具体包括：
S200，根据背景模型对所述待检测图像进行处理，得到所述待检测图像对应的前景掩码。
具体地，背景模型可以为单高斯模型、混合高斯模型等，还可与采用帧差法对待检测图像进行处理得到前景掩码。即二值图，其中，运动前景为1，背景为0。
S201，对所述前景掩码进行形态学处理，得到若干连通域。
具体地，将前景掩码进行形态学处理，再过滤运动噪声，得到新的前景掩码，并将新的前景掩码进行连通域运算，得到每个连通域。
作为上述方案的改进，参见图3，所述对若干个连通域进行索引标记；其中，所述索引标记包括：运动区域对应的尺寸标记及运动区域对应的序号标记，步骤S30具体包括：
S300，获取连通域的尺寸。
在本实施例中，连通域的尺寸连通域的宽和高。
S310，根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记。其中，预设的尺寸基准为高小于第一阈值或宽小于第二阈值。需要说明的是，第一阈值、第二阈值根据需要进行设定，在此不做限定。
具体地，以大目标尺寸、小目标尺寸为例进行说明。那么当高小于第一阈值或宽小于第二阈值为小目标尺寸。当高大于第一阈值且宽大于第二阈值为大目标尺寸。在本实施例中，根据八位二进制数进行表示。
S320，将若干连通域进行排序，以使每一连通域得到对应的序号标记。
具体地，连通域按顺序进行排序，得到0、1、2、3....，根据八位二进制数对序号进行表示。
在本实施例中，参见图5-6，按照连通域的尺度标记对应的比例对连通域进行中心放大，设定候选窗口的大小为3*5，要求重合的宽和高为2和4，则放大后区域参见图6。可以理解的是，连通域放大的比例是根据要求重合的宽和高以及候选窗口大小进行设定的，以使分类器滑动时保证候选窗口与运动区域满足一定的重合，从而快速对运动目标进行分类。
作为上述方案的改进，参见图3，在所述获取连通域的尺寸之后，在所述根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记之前，还包括：
S301，判断连通域的尺寸是否满足预设的连通域过滤条件。
S302，响应于判断结果为满足预设的连通域过滤条件，则根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记。
S303，响应于判断结果为不满足预设的连通域过滤条件，则过滤当前连通域。
其中，预设的连通域过滤条件为宽与高的比值大于第三阈值且小于第四阈值，需要说明的是，第三阈值、第四阈值根据需要进行设定，在此不做限定。
具体地，通过预设的连通域过滤条件对获得的连通域进行初步的过滤，过滤掉尺寸不符合的区域，使得运动目标分类更高效。
作为上述方案的改进，参见图4，所述通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别，步骤S50具体包括：
S500，通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域。
具体地，根据索引标记提取目标运动区域后，滑动候选框选取待分类的运动区域。
S501，判断所述待分类的运动区域中是否含有索引标记。
在本实施例中，判断所述待分类的运动区域中索引标记是否为0，即八位二进制每一位都为0。
S502，响应于判断结果为含有索引标记，则根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
在本实施例中，若八位二进制中有一位不为0，则说明候选窗口包含有连通区域(即运动目标)，此时根据二进制的高四位对分类器进行选择，例如行人，车辆等均对应不同的分类器。
作为上述方案的改进，在所述判断所述待分类的运动区域中是否含有索引标记之后，还包括：
S503，响应于判断结果为不含有索引标记，则不需要对所述待分类的运动区域进行分类。
在本实施例中，若八位二进制均为0，则说明候选窗口不包含运动目标，
作为上述方案的改进，在所述通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别之后，还包括：
S60，若所述待分类的运动区域上存在多个候选窗口时，则不再对剩余候选窗进行分类。
具体地，当待分类的运动区域上存在多个候选窗口时，其中一个候选窗口已经得到分类结果后则无需对其他候选窗口进行分类。但当判断出当前的候选窗口中不含有索引标记，则继续对其他候选窗口进行分类，避免出现漏检运动目标的问题。
参见图7，是本发明一实施例提供的一种运动目标的分类装置的结构示意图。
本发明另一实施例对应提供了一种运动目标的分类装置，包括：
获取模块10，用于获取待检测图像。
处理模块20，用于根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域。
索引标记模块30，用于对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记。
提取模块40，用于根据所述索引标记在所述待检测图像上进行特征提取，以提取所述待检测图像上的目标运动区域。
分类模块50，用于通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
本发明实施例提供的一种运动目标的分类装置，通过根据预设的前景检测算法对待检测图像进行处理，得到若干连通域，并对连通域进行索引标记。再根据索引标记在待检测图像上进行特征提取，以得到目标运动区域，通过滑动候选窗口选取待分类的运动区域，并根据尺寸标记选择对应的分类器，从而对待分类的运动区域进行分类。由上分析可知，通过对连通域进行索引标记，确定了运动目标的粗略位置，能够在待检测图像上快速选择运动目标，从而降低选择滑动窗口时的冗余计算。又由于每个连通域有对应的尺寸标记，标记了每个运动区域的尺寸，从而快速定位所需的分类器，避免了目标分类过程中冗余的计算，使得安防设备对运动目标进行分类时更加快速，从而使得安防设备更加智能化。
参见图8，是本发明一实施例提供的一种运动目标的分类设备的示意图。该实施例的运动目标的分类设备包括：处理器11、存储器12以及存储在所述存储器中并可在所述处理器11上运行的计算机程序。所述处理器11执行所述计算机程序时实现上述各个故障检测方法实施例中的步骤。或者，所述处理器11执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器11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运动目标的分类设备中的执行过程。
所述运动目标的分类设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是运动目标的分类设备的示例，并不构成对运动目标的分类设备的限定，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，例如所述运动目标的分类设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器11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该处理器也可以是任何常规的处理器等，所述处理器是所述运动目标的分类设备的控制中心，利用各种接口和线路连接整个运动目标的分类设备的各个部分。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述运动目标的分类设备的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述运动目标的分类设备集成的模块/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中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (8)

1.一种运动目标的分类方法，其特征在于，包括：
获取待检测图像；
根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域；
对若干个连通域进行索引标记，得到所述待检测图像上的目标运动区域；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记；
通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域；
对所述待分类的运动区域进行特征提取，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
2.如权利要求1所述的运动目标的分类方法，其特征在于，所述根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域，具体包括：
根据背景模型对所述待检测图像进行处理，得到所述待检测图像对应的前景掩码；
对所述前景掩码进行形态学处理，得到若干连通域。
3.如权利要求1所述的运动目标的分类方法，其特征在于，所述对若干个连通域进行索引标记；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记，具体包括：
获取连通域的尺寸；
根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记；
将若干连通域进行排序，以使每一连通域得到对应的序号标记。
4.如权利要求3所述的运动目标的分类方法，其特征在于，在所述获取连通域的尺寸之后，在所述根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记之前，还包括：
判断连通域的尺寸是否满足预设的连通域过滤条件；
响应于判断结果为满足预设的连通域过滤条件，则根据预设的尺寸基准判断连通域的尺寸，以得到连通域对应的尺寸标记；
响应于判断结果为不满足预设的连通域过滤条件，则过滤当前连通域。
5.如权利要求1所述的运动目标的分类方法，其特征在于，在所述通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别之后，还包括：
若所述待分类的运动区域上存在多个候选窗口时，则不再对剩余候选窗口进行分类。
6.一种运动目标的分类装置，其特征在于，包括：
获取模块，用于获取待检测图像；
处理模块，用于根据预设的前景检测算法对所述待检测图像进行处理，得到若干个连通域；
索引标记模块，用于对若干个连通域进行索引标记，得到所述待检测图像上的目标运动区域；其中，所述索引标记包括：连通域对应的尺寸标记及连通域对应的序号标记；
提取模块，用于通过滑动候选窗口在所述目标运动区域上选取待分类的运动区域；
分类模块，用于对所述待分类的运动区域进行特征提取，并根据所述尺寸标记选择对应的分类器对所述待分类的运动区域进行分类，以得到所述待分类的运动区域对应的类别。
7.一种运动目标的分类设备，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，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的运动目标的分类方法。
8.一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，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的运动目标的分类方法。
CN202010875506.2A 2020-08-27 2020-08-27 运动目标的分类方法、装置、设备及存储介质 Active CN112102353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010875506.2A CN112102353B (zh) 2020-08-27 2020-08-27 运动目标的分类方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010875506.2A CN112102353B (zh) 2020-08-27 2020-08-27 运动目标的分类方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112102353A CN112102353A (zh) 2020-12-18
CN112102353B true CN112102353B (zh) 2024-06-07

Family

ID=73757846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010875506.2A Active CN112102353B (zh) 2020-08-27 2020-08-27 运动目标的分类方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112102353B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115190311B (zh) * 2022-09-08 2022-11-15 湖北工业大学 一种安防监控视频压缩存储方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388145A (zh) * 2008-11-06 2009-03-18 北京汇大通业科技有限公司 道路交通安全自动警示方法及装置
CN101872477A (zh) * 2009-04-24 2010-10-27 索尼株式会社 检测图像中的对象的方法、装置，及包括该装置的系统
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
CN103839279A (zh) * 2014-03-18 2014-06-04 湖州师范学院 一种目标检测中基于vibe的粘连目标分割方法
CN105224922A (zh) * 2015-09-18 2016-01-06 桂林远望智能通信科技有限公司 一种人车分类视频流式处理系统及方法
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107784291A (zh) * 2017-11-03 2018-03-09 北京清瑞维航技术发展有限公司 基于红外视频的目标检测跟踪方法和装置
CN108564054A (zh) * 2018-04-24 2018-09-21 电子科技大学 一种基于cfar的精确溢油检测方法
CN108898065A (zh) * 2018-05-31 2018-11-27 北京航空航天大学 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN109001780A (zh) * 2018-06-22 2018-12-14 航天恒星科技有限公司 一种自适应的sar卫星海面舰船目标在轨检测方法
CN110992381A (zh) * 2019-12-17 2020-04-10 嘉兴学院 一种基于改进Vibe+算法的运动目标背景分割方法
CN111105419A (zh) * 2019-10-09 2020-05-05 中国船舶重工集团公司第七0九研究所 一种基于极化sar图像的车辆船舶检测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190304102A1 (en) * 2018-03-30 2019-10-03 Qualcomm Incorporated Memory efficient blob based object classification in video analytics

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101388145A (zh) * 2008-11-06 2009-03-18 北京汇大通业科技有限公司 道路交通安全自动警示方法及装置
CN101872477A (zh) * 2009-04-24 2010-10-27 索尼株式会社 检测图像中的对象的方法、装置，及包括该装置的系统
CN103049763A (zh) * 2012-12-07 2013-04-17 华中科技大学 一种基于上下文约束的目标识别方法
CN103839279A (zh) * 2014-03-18 2014-06-04 湖州师范学院 一种目标检测中基于vibe的粘连目标分割方法
CN105224922A (zh) * 2015-09-18 2016-01-06 桂林远望智能通信科技有限公司 一种人车分类视频流式处理系统及方法
CN105913040A (zh) * 2016-04-27 2016-08-31 重庆邮电大学 暗视觉条件下的双摄像头实时行人检测系统
CN106940784A (zh) * 2016-12-26 2017-07-11 无锡高新兴智能交通技术有限公司 一种基于视频的公交车检测与识别方法及系统
CN107784291A (zh) * 2017-11-03 2018-03-09 北京清瑞维航技术发展有限公司 基于红外视频的目标检测跟踪方法和装置
CN108564054A (zh) * 2018-04-24 2018-09-21 电子科技大学 一种基于cfar的精确溢油检测方法
CN108898065A (zh) * 2018-05-31 2018-11-27 北京航空航天大学 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN109001780A (zh) * 2018-06-22 2018-12-14 航天恒星科技有限公司 一种自适应的sar卫星海面舰船目标在轨检测方法
CN111105419A (zh) * 2019-10-09 2020-05-05 中国船舶重工集团公司第七0九研究所 一种基于极化sar图像的车辆船舶检测方法及装置
CN110992381A (zh) * 2019-12-17 2020-04-10 嘉兴学院 一种基于改进Vibe+算法的运动目标背景分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Real-Time Automatic Obstacle Detection method for Traffic Surveillance in Urban Traffic;Jinhui Lan等;《J Sign Process Syst》;第82卷;第357-371页 *
Video SAR运动目标检测方法研究;周香林;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2020）07期);I136-707 *
基于监控视频的行人统计方法研究;方士兵;《中国优秀硕士学位论文全文数据库 信息科技辑》(第（2016）02期);I138-1229 *
基于语义分割的高原鼠兔目标检测;陈海燕等;《华中科技大学学报（自然科学版）》;第48卷(第7期);第7-12页 *

Also Published As

Publication number Publication date
CN112102353A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
EP3493101B1 (en) Image recognition method, terminal, and nonvolatile storage medium
CN106156766B (zh) 文本行分类器的生成方法及装置
Ashtari et al. An Iranian license plate recognition system based on color features
CN110795595B (zh) 基于边缘计算的视频结构化存储方法、装置、设备及介质
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
EP3203417B1 (en) Method for detecting texts included in an image and apparatus using the same
CN111145209A (zh) 一种医学图像分割方法、装置、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
CN108108734B (zh) 一种车牌识别方法及装置
CN106203539B (zh) 识别集装箱箱号的方法和装置
CN105868708A (zh) 一种图像目标识别方法及装置
CN111986183A (zh) 一种染色体散型图像自动分割识别系统及装置
CN108229232B (zh) 批量扫描二维码的方法和批量扫描二维码的装置
CN114387591A (zh) 车牌识别方法、系统、设备及存储介质
JPH05225378A (ja) 文書画像の領域分割システム
CN117612179A (zh) 图像中字符识别方法、装置、电子设备及存储介质
CN112102353B (zh) 运动目标的分类方法、装置、设备及存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
Pirgazi et al. An efficient robust method for accurate and real-time vehicle plate recognition
CN111199228B (zh) 一种车牌定位的方法及装置
CN110210425B (zh) 人脸识别方法、装置、电子设备及存储介质
US12118808B2 (en) Image generation method, computing device, and storage medium
CN112215783B (zh) 一种图像噪点识别方法、装置、存储介质及设备
Abdullah et al. Determining adaptive thresholds for image segmentation for a license plate recognition system
CN114549884A (zh) 一种异常图像检测方法、装置、设备及介质

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