CN112884801A - 高空抛物检测方法、装置、设备和存储介质 - Google Patents

高空抛物检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112884801A
CN112884801A CN202110142061.1A CN202110142061A CN112884801A CN 112884801 A CN112884801 A CN 112884801A CN 202110142061 A CN202110142061 A CN 202110142061A CN 112884801 A CN112884801 A CN 112884801A
Authority
CN
China
Prior art keywords
foreground
image
altitude parabolic
equation
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.)
Pending
Application number
CN202110142061.1A
Other languages
English (en)
Inventor
许楚萍
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.)
TP Link Technologies Co Ltd
Original Assignee
TP Link Technologies 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 TP Link Technologies Co Ltd filed Critical TP Link Technologies Co Ltd
Priority to CN202110142061.1A priority Critical patent/CN112884801A/zh
Publication of CN112884801A publication Critical patent/CN112884801A/zh
Pending legal-status Critical Current

Links

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
    • G06T7/215—Motion-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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高空抛物检测方法，包括：获取预设数量张待检测图像；获取每张所述待检测图像中的前景点；根据所述前景点生成运动前景图；对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。本发明还公开了一种高空抛物检测装置、一种高空抛物检测设备和一种计算机可读存储介质。采用本发明实施例，能有效提高高空抛物检测的灵敏度和正确率。

Description

高空抛物检测方法、装置、设备和存储介质
技术领域
本发明涉及图像数据处理领域，尤其涉及一种高空抛物检测方法、装置、设备和存储介质。
背景技术
随着城市的快速发展，近年来高空抛物事件频频发生，高空抛物伤人的严重性引起了社会的广泛关注。高空抛物不仅会污染居民的居住环境，而且对路上的行人的人身安全造成极大的威胁。传统检测高空抛物的方式基本以监控和录像为主，当高空抛物伤人事件发生时再去查看监控录像回访，而在日常生活中只是起到威慑作用。为了起到能够主动检测高空抛物的作用，现有技术中还提出了基于深度学习来检测高空抛物的方式，但由于高空抛物数据稀缺，模型难以训练，导致高空抛物识别率低、误检率高。
发明内容
本发明实施例的目的是提供一种高空抛物检测方法、装置、设备和存储介质，能有效提高高空抛物检测的灵敏度和正确率。
为实现上述目的，本发明实施例提供了一种高空抛物检测方法，包括：
获取预设数量张待检测图像；
获取每张所述待检测图像中的前景点；
根据所述前景点生成运动前景图；
对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
作为上述方案的改进，所述根据所述前景点生成运动前景图，包括：
将每张所述待检测图像中的前景点进行叠加，获取所述运动前景图。
作为上述方案的改进，所述对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程，包括：
连续N次获取所述运动前景图中至少三个前景点的坐标信息；其中，N为整数且N≥2；
根据所述坐标信息构建初始方程；
计算N个初始方程的可信度，并将可信度最大的初始方程作为所述轨迹方程。
作为上述方案的改进，所述计算N个初始方程的可信度，包括：
在所述运动前景图中获取若干个目标前景点的坐标信息；
将所述目标前景点的坐标信息依次代入所述初始方程；
判断所述初始方程的结果值是否小于预设误差阈值；
若是，将所述初始方程的可信度累加1；若否，将所述初始方程的可信度累加0；其中，所述初始方程的可信度的初始值为0。
作为上述方案的改进，所述高空抛物条件包括以下至少一种：
所述轨迹方程对应的抛物线的开口向下；
所述轨迹方程的可信度大于预设的可信度阈值；
位于所述轨迹方程对应的抛物线的预设距离内的前景点的离散程度满足预设的离散指标。
作为上述方案的改进，所述获取预设数量张待检测图像后，还包括：
当所述待检测图像的格式不符合预设图像格式时，对所述待检测图像进行格式转换。
作为上述方案的改进，所述预设图像格式为YUV格式。
为实现上述目的，本发明实施例还提供了一种高空抛物检测装置，包括：
图像获取模块，用于获取预设数量张待检测图像；
前景点获取模块，用于获取每张所述待检测图像中的前景点；
运动前景图生成模块，用于根据所述前景点生成运动前景图；
轨迹方程生成模块，对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
高空抛物判断模块，用于当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
为实现上述目的，本发明实施例还提供一种高空抛物检测设备，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如上述任一实施例所述的高空抛物检测方法。
为实现上述目的，本发明实施例还提供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，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上述任一实施例所述的高空抛物检测方法。
本发明实施例所述的高空抛物检测方法、装置、设备和存储介质，相比于以监控和录像为主的技术方案，可以实现主动检测和预警高空抛物事件。本发明通过生成运动前景图以分析运动物体的轨迹，能够检测出高空抛物事件中较小的抛物体，解决深度学习难以识别抛物的问题，同时还解决无法检测小物体的问题，提高高空抛物检测的灵敏度。另外，本发明采用轨迹拟合方法，通过多次生成轨迹，选取满足预设的高空抛物条件的轨迹方程，避免了监控画面中运动干扰物对轨迹检测的影响，提高了高空抛物检测的准确性和鲁棒性。
附图说明
图1是本发明实施例提供的一种高空抛物检测方法的流程图；
图2是本发明实施例提供的生成轨迹方程的流程图；
图3是本发明实施例提供的一种高空抛物检测装置的结构框图；
图4是本发明实施例提供的一种高空抛物检测设备的结构框图。
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，图1是本发明实施例提供的一种高空抛物检测方法的流程图，所述高空抛物检测方法包括：
S1、获取预设数量张待检测图像；
S2、获取每张所述待检测图像中的前景点；
S3、根据所述前景点生成运动前景图；
S4、对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
S5、当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
值得说明的是，本发明实施例所述的高空抛物检测方法可以由监控中心中的控制器执行实现，所述控制器与若干个监控设备建立连接，通过获取所述监控设备的图像来分析是否有高空抛物事件的发生。
具体地，在步骤S1中，所述预设数量为至少5张，所述监控设备在检测到有运动物体后，开始获取待检测图像。为保证能够准确获取到运动物体的运动轨迹，需要在较短的时间内获取完所有待检测图像，如在1s内获取5张待检测图像。在获取到所述待检测图像后，还需要判断所述待检测图像的格式是否符合处理条件，此时还包括步骤S11～S12：
S11、判断所述待检测图像的格式是否符合预设图像格式；
S12、若是，则执行步骤S2；若否，则对所述待检测图像进行格式转换。
示例性的，所述预设图像格式为YUV格式或者Y格式。本发明实施例后续算法都是基于图像灰度进行的算法，所以如果待检测图像不是YUV格式或者Y格式，都要进行格式转换，具体的格式转换过程可参考现有技术，本发明对此不做具体限定。
具体地，在步骤S2中，在一种实施方式中，通过将每张所述待检测图像与预设的背景图像进行比对来获取前景点，此时，所述获取每张所述待检测图像中的前景点，包括步骤S21～S22：
S21、利用所述待检测图像的每个像素点与背景模型对应的像素点数值相减，得到绝对差值；
S22、根据所述绝对差值与预设背景像素阈值的相对大小关系来判断当前位置的像素点是否为前景点。
示例性的，本发明实施例中预先搭建有所述监控设备监控环境的背景模型，在监控设备启动后开始建立背景模型，并不断更新和维护背景模型，具体的更新和维护背景模型的方法可参考现有技术，本发明在此不做具体限定。假设所述待检测图像当前位置i的像素点数值为Pi，背景模型中同一位置i的像素点数值为Bi，计算绝对值差值Di＝|Pi-Bi|，设置绝对差值的阈值为Threshold，前景点在当前位置的计算公式满足以下公式：
Figure BDA0002929048190000051
其中，当Fi＝1时表示当前位置i是前景点，Fi＝0时表示当前位置i不是前景点。
在另一种实施方式中，可以根据光流法获取每张所述待检测图像中的前景点，具体地采用光流法获取前景点的方式可以参考现有技术，在此不再赘述。
具体地，在步骤S3中，所述根据所述前景点生成运动前景图，包括：
将每张所述待检测图像中的前景点进行叠加，获取所述运动前景图。
示例性的，根据所述前景点生成一段连续时间内的运动前景图。对于任意位置i，只要在统计的时间内出现过前景，则在运动前景图上被标为前景点。记{F1,F2,…,FN}为获取的N张待检测图像的前景点，
Figure BDA0002929048190000061
为第n张待检测图像位置i的数值，运动前景图ACC的计算公式为：
Figure BDA0002929048190000062
其中，数值为1的位置代表前景点所在的位置。
具体地，在步骤S4中，所述对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程，包括步骤S41～S43：
S41、连续N次获取所述运动前景图中至少三个前景点的坐标信息；其中，N为整数且N≥2；
S42、根据所述坐标信息构建初始方程；
S43、计算N个初始方程的可信度，并将可信度最大的初始方程作为所述轨迹方程。
示例性的，随机选取运动累计图上的三个不同的前景点，计算得到N个初始方程，所述初始方程的表达式满足以下公式：
y＝ax2+bx+c。
值得说明是，本发明实施例中的初始方程的表达式不限于此，也可以为y＝ax2+bx，或者为y＝ax2+b。
进一步地，所述计算N个初始方程的可信度，包括步骤S431～S434：
S431、在所述运动前景图中获取若干个目标前景点的坐标信息；
S432、将所述目标前景点的坐标信息依次代入所述初始方程；
S433、判断所述初始方程的结果值是否小于预设误差阈值；
S434、若是，将所述初始方程的可信度累加1；若否，将所述初始方程的可信度累加0；其中，所述初始方程的可信度的初始值为0。
示例性的，统计所述运动前景图上的若干个目标前景点作为抛物线方程的可信度计算基准值。对于所述运动前景图上的每个前景点，设其坐标为(xi,yi)，若满足|axi 2+bxi+c-yi|<e，则该轨迹方程的可信度加1，反之则加0；其中，e为所述预设误差阈值。获得N个轨迹方程及其可信度，选取其中可信度最大的轨迹方程作为轨迹拟合结果。
值得说明的是，上述步骤S3和S4可参考图2。
具体地，在步骤S5中，所述高空抛物条件包括以下至少一种：
所述轨迹方程对应的抛物线的开口向下；
所述轨迹方程的可信度大于预设的可信度阈值；
位于所述轨迹方程对应的抛物线的预设距离内的前景点的离散程度满足预设的离散指标。
示例性的，当所述轨迹方程对应的抛物线的开口向下时，可以表明运动物体是从上往下抛出去的，此时可以确定所述轨迹方程对应的运动物体为高空抛物。当所述轨迹方程的可信度大于预设的可信度阈值，表明所述轨迹方程符合高空抛物运动轨迹，此时可以确定所述轨迹方程对应的运动物体为高空抛物。同理，当位于所述轨迹方程对应的抛物线的预设距离内的前景点的离散程度满足预设的离散指标时，表明所述轨迹方程符合高空抛物运动轨迹，此时可以确定所述轨迹方程对应的运动物体为高空抛物；其中，所述离散指标包括：极差、平均差和标准差；通过对前景点之间离散程度的测定，可以反映各个前景点之间的差异大小，从而也就可以反映该轨迹方程的可信度。
本发明实施例所述的高空抛物检测方法，相比于以监控和录像为主的技术方案，可以实现主动检测和预警高空抛物事件。本发明通过生成运动前景图以分析运动物体的轨迹，能够检测出高空抛物事件中较小的抛物体，解决深度学习难以识别抛物的问题，同时还解决无法检测小物体的问题，提高高空抛物检测的灵敏度。另外，本发明采用轨迹拟合方法，通过多次生成轨迹，选取满足预设的高空抛物条件的轨迹方程，避免了监控画面中运动干扰物对轨迹检测的影响，提高了高空抛物检测的准确性和鲁棒性。
参见图3，图3是本发明实施例提供的一种高空抛物检测装置10的结构框图，所述高空抛物检测装置10包括：
图像获取模块11，用于获取预设数量张待检测图像；
前景点获取模块12，用于获取每张所述待检测图像中的前景点；
运动前景图生成模块13，用于根据所述前景点生成运动前景图；
轨迹方程生成模块14，对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
高空抛物判断模块15，用于当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
可选地，所述运动前景图生成模块13用于：
将每张所述待检测图像中的前景点进行叠加，获取所述运动前景图。
可选地，所述轨迹方程生成模块14用于：
连续N次获取所述运动前景图中至少三个前景点的坐标信息；其中，N为整数且N≥2；
根据所述坐标信息构建初始方程；
计算N个初始方程的可信度，并将可信度最大的初始方程作为所述轨迹方程。
可选地，所述计算N个初始方程的可信度，包括：
在所述运动前景图中获取若干个目标前景点的坐标信息；
将所述目标前景点的坐标信息依次代入所述初始方程；
判断所述初始方程的结果值是否小于预设误差阈值；
若是，将所述初始方程的可信度累加1；若否，将所述初始方程的可信度累加0；其中，所述初始方程的可信度的初始值为0。
可选地，所述高空抛物条件包括以下至少一种：
所述轨迹方程对应的抛物线的开口向下；
所述轨迹方程的可信度大于预设的可信度阈值；
位于所述轨迹方程对应的抛物线的预设距离内的前景点的离散程度满足预设的离散指标。
可选地，所述图像获取模块11还用于：
当所述待检测图像的格式不符合预设图像格式时，对所述待检测图像进行格式转换。
可选地，所述预设图像格式为YUV格式。
值得说明的是，本发明实施例所述的高空抛物检测装置10中各个模块的工作过程可参考上述实施例所述的高空抛物检测方法的工作过程，在此不再赘述。
本发明实施例所述的高空抛物检测装置10，相比于以监控和录像为主的技术方案，可以实现主动检测和预警高空抛物事件。本发明通过生成运动前景图以分析运动物体的轨迹，能够检测出高空抛物事件中较小的抛物体，解决深度学习难以识别抛物的问题，同时还解决无法检测小物体的问题，提高高空抛物检测的灵敏度。另外，本发明采用轨迹拟合方法，通过多次生成轨迹，选取满足预设的高空抛物条件的轨迹方程，避免了监控画面中运动干扰物对轨迹检测的影响，提高了高空抛物检测的准确性和鲁棒性。
参见图4，图4是本发明实施例提供的一种高空抛物检测设备20的结构框图，该实施例的高空抛物检测设备20包括：处理器21、存储器22以及存储在所述存储器22中并可在所述处理器21上运行的计算机程序。所述处理器21执行所述计算机程序时实现上述各个高空抛物检测方法实施例中的步骤。或者，所述处理器21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22中，并由所述处理器21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高空抛物检测设备20中的执行过程。
所述高空抛物检测设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述高空抛物检测设备20可包括，但不仅限于，处理器21、存储器22。本领域技术人员可以理解，所述示意图仅仅是高空抛物检测设备20的示例，并不构成对高空抛物检测设备20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，例如所述高空抛物检测设备20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21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21是所述高空抛物检测设备20的控制中心，利用各种接口和线路连接整个高空抛物检测设备20的各个部分。
所述存储器22可用于存储所述计算机程序和/或模块，所述处理器21通过运行或执行存储在所述存储器22内的计算机程序和/或模块，以及调用存储在存储器22内的数据，实现所述高空抛物检测设备20的各种功能。所述存储器22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22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(SecureDigital,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，所述高空抛物检测设备20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21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。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
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 (10)

1.一种高空抛物检测方法，其特征在于，包括：
获取预设数量张待检测图像；
获取每张所述待检测图像中的前景点；
根据所述前景点生成运动前景图；
对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
2.如权利要求1所述的高空抛物检测方法，其特征在于，所述根据所述前景点生成运动前景图，包括：
将每张所述待检测图像中的前景点进行叠加，获取所述运动前景图。
3.如权利要求1所述的高空抛物检测方法，其特征在于，所述对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程，包括：
连续N次获取所述运动前景图中至少三个前景点的坐标信息；其中，N为整数且N≥2；
根据所述坐标信息构建初始方程；
计算N个初始方程的可信度，并将可信度最大的初始方程作为所述轨迹方程。
4.如权利要求3所述的高空抛物检测方法，其特征在于，所述计算N个初始方程的可信度，包括：
在所述运动前景图中获取若干个目标前景点的坐标信息；
将所述目标前景点的坐标信息依次代入所述初始方程；
判断所述初始方程的结果值是否小于预设误差阈值；
若是，将所述初始方程的可信度累加1；若否，将所述初始方程的可信度累加0；其中，所述初始方程的可信度的初始值为0。
5.如权利要求3所述的高空抛物检测方法，其特征在于，所述高空抛物条件包括以下至少一种：
所述轨迹方程对应的抛物线的开口向下；
所述轨迹方程的可信度大于预设的可信度阈值；
位于所述轨迹方程对应的抛物线的预设距离内的前景点的离散程度满足预设的离散指标。
6.如权利要求1所述的高空抛物检测方法，其特征在于，所述获取预设数量张待检测图像后，还包括：
当所述待检测图像的格式不符合预设图像格式时，对所述待检测图像进行格式转换。
7.如权利要求6所述的高空抛物检测方法，其特征在于，所述预设图像格式为YUV格式。
8.一种高空抛物检测装置，其特征在于，包括：
图像获取模块，用于获取预设数量张待检测图像；
前景点获取模块，用于获取每张所述待检测图像中的前景点；
运动前景图生成模块，用于根据所述前景点生成运动前景图；
轨迹方程生成模块，对所述运动前景图中的前景点进行轨迹拟合，以生成轨迹方程；
高空抛物判断模块，用于当所述轨迹方程满足预设的高空抛物条件时，判定所述待检测图像中的运动物体为高空抛物。
9.一种高空抛物检测设备，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7中任意一项所述的高空抛物检测方法。
10.一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7中任意一项所述的高空抛物检测方法。
CN202110142061.1A 2021-02-02 2021-02-02 高空抛物检测方法、装置、设备和存储介质 Pending CN112884801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110142061.1A CN112884801A (zh) 2021-02-02 2021-02-02 高空抛物检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110142061.1A CN112884801A (zh) 2021-02-02 2021-02-02 高空抛物检测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN112884801A true CN112884801A (zh) 2021-06-01

Family

ID=76052582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110142061.1A Pending CN112884801A (zh) 2021-02-02 2021-02-02 高空抛物检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112884801A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409360A (zh) * 2021-06-29 2021-09-17 深圳市商汤科技有限公司 高空抛物检测方法和装置、设备及计算机存储介质
CN113822859A (zh) * 2021-08-25 2021-12-21 日立楼宇技术（广州）有限公司 基于图像识别的物品检测方法、系统、装置和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150185307A1 (en) * 2013-12-31 2015-07-02 Jin Qiang He Magnetic Resonance Signal Correction
US20160355278A1 (en) * 2015-06-04 2016-12-08 The Boeing Company Systems and methods for analyzing flutter test data using damped sine curve fitting with the closed form shape fit
CA2976906A1 (en) * 2016-08-19 2018-02-19 Fraunhofer Usa, Inc. System and method for characterization of retrofit opportunities in building
CN110503009A (zh) * 2019-07-31 2019-11-26 华为技术有限公司 车道线跟踪方法及相关产品
CN111445541A (zh) * 2020-03-30 2020-07-24 中国地质大学（武汉） 一种矿物栅格图像信息提取和评价方法
CN111488799A (zh) * 2020-03-13 2020-08-04 安徽小眯当家信息技术有限公司 一种基于图像识别的坠落物识别方法及系统
CN111553274A (zh) * 2020-04-28 2020-08-18 青岛聚好联科技有限公司 一种基于轨迹分析的高空抛物检测方法及装置
CN111553256A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于物体轨迹识别的高空抛物预警识别方法
CN111806459A (zh) * 2020-06-30 2020-10-23 三一专用汽车有限责任公司 车辆轨迹预测方法、装置和车辆

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150185307A1 (en) * 2013-12-31 2015-07-02 Jin Qiang He Magnetic Resonance Signal Correction
US20160355278A1 (en) * 2015-06-04 2016-12-08 The Boeing Company Systems and methods for analyzing flutter test data using damped sine curve fitting with the closed form shape fit
CA2976906A1 (en) * 2016-08-19 2018-02-19 Fraunhofer Usa, Inc. System and method for characterization of retrofit opportunities in building
CN110503009A (zh) * 2019-07-31 2019-11-26 华为技术有限公司 车道线跟踪方法及相关产品
CN111488799A (zh) * 2020-03-13 2020-08-04 安徽小眯当家信息技术有限公司 一种基于图像识别的坠落物识别方法及系统
CN111445541A (zh) * 2020-03-30 2020-07-24 中国地质大学（武汉） 一种矿物栅格图像信息提取和评价方法
CN111553256A (zh) * 2020-04-26 2020-08-18 上海天诚比集科技有限公司 基于物体轨迹识别的高空抛物预警识别方法
CN111553274A (zh) * 2020-04-28 2020-08-18 青岛聚好联科技有限公司 一种基于轨迹分析的高空抛物检测方法及装置
CN111806459A (zh) * 2020-06-30 2020-10-23 三一专用汽车有限责任公司 车辆轨迹预测方法、装置和车辆

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李园园 等: "基于地面高光谱遥感数据的梭梭地上生物量估算模型", 《干旱区资源与环境》, vol. 32, no. 07, 18 May 2018 (2018-05-18), pages 93 - 97 *
李振雨 等: "等损失SVM在机床主轴轴心轨迹偏心预测中的应用", 《组合机床与自动化加工技术》, no. 07, 20 July 2017 (2017-07-20), pages 142 - 145 *
江维 等: "半结构环境中电力作业机器人机械手鲁棒轨迹跟踪控制", 《北京理工大学学报》, vol. 39, no. 04, 30 April 2019 (2019-04-30), pages 391 - 398 *
陆林 等: "拉普拉斯变换求解转动参考系下的真实自由落体", 《遵义师范学院学报》, vol. 19, no. 06, 31 December 2017 (2017-12-31), pages 101 - 103 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409360A (zh) * 2021-06-29 2021-09-17 深圳市商汤科技有限公司 高空抛物检测方法和装置、设备及计算机存储介质
WO2023273010A1 (zh) * 2021-06-29 2023-01-05 深圳市商汤科技有限公司 高空抛物检测方法和装置、设备，及计算机存储介质
CN113822859A (zh) * 2021-08-25 2021-12-21 日立楼宇技术（广州）有限公司 基于图像识别的物品检测方法、系统、装置和存储介质
CN113822859B (zh) * 2021-08-25 2024-02-27 日立楼宇技术（广州）有限公司 基于图像识别的物品检测方法、系统、装置和存储介质

Similar Documents

Publication Publication Date Title
CN108121986B (zh) 目标检测方法及装置、计算机装置和计算机可读存储介质
US11501572B2 (en) Object behavior anomaly detection using neural networks
WO2021232229A1 (zh) 虚拟场景生成方法、装置、计算机设备和存储介质
CN110619423A (zh) 多任务预测方法、装置、电子设备及存储介质
US20180203445A1 (en) Generating Simulated Sensor Data For Training And Validation Of Detection Models
CN112949863A (zh) 进行防御免受对抗攻击的机器学习系统
JP5919665B2 (ja) 情報処理装置、物体追跡方法および情報処理プログラム
CN112884801A (zh) 高空抛物检测方法、装置、设备和存储介质
JP7105383B2 (ja) 画像処理方法、装置、記憶媒体及び電子機器
CN112904331B (zh) 移动轨迹的确定方法、装置、设备及存储介质
US20220351398A1 (en) Depth detection method, method for training depth estimation branch network, electronic device, and storage medium
CN111582032A (zh) 行人检测方法、装置、终端设备及存储介质
CN113780064A (zh) 一种目标跟踪方法以及装置
CN113177968A (zh) 目标跟踪方法、装置、电子设备及存储介质
WO2021022698A1 (zh) 尾随检测方法、装置、电子设备及存储介质
JP2020109644A (ja) 転倒検出方法、転倒検出装置及び電子機器
WO2022173601A1 (en) Mixed reality object detection
CN110390226B (zh) 人群事件识别方法、装置、电子设备及系统
CN113239746B (zh) 电动车检测方法、装置、终端设备及计算机可读存储介质
CN112132015A (zh) 违规驾驶姿势的检测方法、装置、介质和电子设备
CN109600627B (zh) 一种视频识别方法和装置
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
US20230064460A1 (en) Generating input processing rules engines using probabilistic clustering techniques
WO2023065312A1 (zh) 障碍物识别方法、装置、存储介质及电子设备
CN112416128B (zh) 一种手势识别方法及终端设备

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