CN112927178B - 遮挡检测方法、装置、电子设备以及存储介质 - Google Patents
遮挡检测方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN112927178B CN112927178B CN201911147733.7A CN201911147733A CN112927178B CN 112927178 B CN112927178 B CN 112927178B CN 201911147733 A CN201911147733 A CN 201911147733A CN 112927178 B CN112927178 B CN 112927178B
- Authority
- CN
- China
- Prior art keywords
- target
- pixel
- area
- video frame
- background model
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种遮挡检测方法、装置、电子设备及计算机可读存储介质。该方法包括:基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;获取目标连通域的区域信息;在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息。本发明实施例能够在保证遮挡检测有效性的基础上,减少计算量,提高算法效率,从而降低资源占有率。
Description
技术领域
本发明实施例涉及视频监控技术领域,尤其涉及一种遮挡检测方法、装置、电子设备以及计算机可读存储介质。
背景技术
目前,我国各行业各种规模大小的安防监控系统已非常普遍,除了治安、金融、银行、交通、军队和口岸等特殊领域外,社区、写字楼、酒店和公共场所也大多都已安装了安防监控设备。当安防监控设备中的摄像机镜头被人为恶意遮挡时,监控人员未能及时发现,则会导致监控失效,因此,安防监控系统中对摄像机镜头进行遮挡检测功能成为一项实际的硬需求功能。
对于遮挡检测的算法可分为两类:第一类算法主要是基于机器学习,通过对遮挡模型的训练来实现遮挡检测;第二类算法主要是通过传统的图像处理方法,来划分异常遮挡区域。对于第一类算法,虽然当前主流的监控视频主芯片中已经开始集成诸如支持向量机(Support Vector Machine,SVM)、卷积神经网络(Convolutional Neural Networks,CNN)等机器学习硬核,但现阶段智能摄像头功能较多,很多智能功能如人脸识别等需要较为复杂的机器学习算法支撑,占有资源较多,整个摄像机系统留给遮挡检测这类算法的资源并不多,利用机器学习实现遮挡检测的实践意义不大。对于第二类算法,主要是对图像进行阈值划分,以此判断遮挡区域,如此会存在阈值选取的问题,而图像在室外的监控为多态模型问题,一定程度上影响判断的准确性。
相关技术中,可以基于高斯混合模型GMM的背景模型,对摄像头遮挡进行检测,能够减弱阈值划分的背景小幅度变化的影响,增强多态模型的适应能力,提高遮挡检测准确性。然而,GMM的背景模型,是对每一个像元进行模型的数据拟合,其计算量大,算法效率比较低,而导致资源占有率比较高。
发明内容
本发明实施例提供一种遮挡检测方法、装置、电子设备以及计算机可读存储介质,以解决现有技术中,由于GMM的背景模型其计算量大,算法效率低,而导致资源占有率比较高的问题。
第一方面,本发明实施例提供一种遮挡检测方法,所述方法包括:
基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡。
第二方面,本发明实施例提供一种遮挡检测装置,所述装置包括:
前景检测模块,用于基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
生成模块,用于在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
第一获取模块,用于获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
输出模块,用于在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡。
第三方面,本发明实施例提供一种电子设备,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述遮挡检测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述遮挡检测方法的步骤。
本发明实施例提供的遮挡检测方法、装置、电子设备以及计算机可读存储介质,首先,基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;然后,获取目标连通域的区域信息;最后,在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息。
本发明实施例中,在对背景模型进行训练时,基于第一目标区域成像基本相似的原理,以第一目标区域中为中心的像元的灰度,来建立或更新第一目标区域中所有像元对应的高斯分布,相对于传统的GMM背景模型,本发明实施例无需对第一目标区域中的每个像元进行模型的数据拟合,而只需通过对中心像元进行模型的数据拟合,也就是说,只需进行一次数据拟合,即可建立或更新第一目标区域中所有像元对应的高斯分布。这样,可以在保证遮挡检测有效性的基础上,能够减少计算量,提高算法效率,从而降低资源占有率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的遮挡检测方法的流程示意图之一;
图2是建立或更新背景模型的流程示意图之一;
图3是建立或更新背景模型的流程示意图之二;
图4是本发明实施例提供的遮挡检测方法的流程示意图之二;
图5是本发明实施例提供的遮挡检测装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
从背景技术可以看出,对于通过传统的图像处理方法,来划分异常遮挡区域,主要是对图像进行阈值划分,以此判断遮挡区域,如此会存在阈值选取的问题,而图像在室外的监控为多模态问题,一定程度上影响判断的准确性。
比如,单帧算法中一般采用基于图像统计值的方法,如此在整图亮度相似的情况下,则无法合理获取阈值。又比如,多帧算法中一般采用基于临近帧差值的方法,在遇到背景为规律变化的对象时,容易引起误判。
因此,相关技术中,提出基于高斯混合模型GMM的背景模型,对摄像头遮挡进行检测,能够减弱阈值划分的背景小幅度变化的影响,增强多态模型的适应能力,提高遮挡检测准确性。
然而,GMM的背景模型,是对每一个像元进行模型的数据拟合,其计算量大,算法效率比较低,而导致资源占有率比较高。
基于此,本发明实施例提出一种新的遮挡检测方案,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取的所有其他实施例,都属于本发明保护的范围。
下面首先对本发明实施例提供的遮挡检测方法进行说明。
需要说明的是,本发明实施例提供的遮挡检测方法可以应用于电子设备。所述电子设备可以为摄像机系统中的终端设备(如监控摄像头),所述电子设备用于对视频帧进行遮挡检测,以确定监测环境中是否存在指定区域被遮挡。在确定监测环境中存在指定区域被遮挡后,输出遮挡提醒信息,以提醒相关用户。以下实施例中,所述电子设备将以监控摄像头为例进行详细说明。
参见图1,图中示出了本发明实施例提供的遮挡检测方法的流程示意图之一。如图1所示,该方法可以包括如下步骤:
步骤101,基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立或更新高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元。
步骤102,在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像。
步骤103,获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域。
步骤104,在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡。
这里,所述预先训练的背景模型可以为GMM背景模型,所述GMM背景模型是基于高斯混合模型为背景建立的一个概率模型,此模型通过概率高低为背景可能出现的像元建立高斯分布,以此来获取比阈值比较模型更高的可靠性,因此,该GMM背景模型可用于指示视频帧中的背景。
其中,监控摄像头监控获得的视频流的视频帧中的内容有两种情况,第一种情况为:视频帧中仅包括背景,第二种情况为:视频帧中同时包括背景和前景。所述背景可以理解为不长期移动的物体总和,所述前景可以理解为待检测视频帧中除背景之外的物体总和,也就是说,所述前景包括在一定维度(如时间和/或空间)上会移动的物体。
需要说明的是,本发明实施例具体分为两个部分,第一部分为:建立或更新GMM背景模型;第二部分为:基于GMM背景模型,进行遮挡检测。
如图1所示的流程为第二部分的具体内容,而在第二部分的内容的基础上需要用到第一部分的内容,也就是说,首先建立或更新GMM背景模型,然后基于当前建立或更新的GMM背景模型进行遮挡检测。
因此,基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果之前,所述方法还包括:
建立或更新所述背景模型。
使得监控摄像头可以基于当前的GMM背景模型,对待检测视频帧进行遮挡检测。
下面是建立或更新GMM背景模型的具体过程。
参见图2,图中示出了建立或更新背景模型的流程示意图之一。如图2所示,该方法可以包括如下步骤:
步骤201,获取当前采样的待训练视频帧;其中,所述待训练视频帧为基于所述背景模型确定不存在前景的视频帧,所述当前采样的待训练视频帧对应的光敏值与上一次采样的待训练视频帧对应的光敏值的差值在预设范围内。
步骤202,确定所述第一目标区域和第二目标区域;所述第二目标区域为所述待训练视频帧中像元的灰度梯度大于所述预设阈值的区域。
步骤203,基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布;并基于所述第二目标区域中的每个像元的灰度,建立或更新所述背景模型中所述第二目标区域的每个像元对应的高斯分布。
在步骤201中,由于监控摄像头在自然光线下进行长期拍摄,会经历很大的光强变化(比如白天和黑夜),虽然可直接采样建模,但高斯概率分布一般的数量是有限的,在此基础上较难建立一个涵盖较全的背景模型,所以可以对该背景模型进行更新。
同时,有两种情况下,可以不对背景模型进行更新,第一种情况为:在正常的环境下,利用光耦监测的光强不会突变,如果光强突变,此时不更新GMM背景模型,增强模型的容错性。第二种情况为:实际情况中,若发生遮挡,这时若更新背景模型,则会导致长时间遮挡后不报警的现象,故在发生遮挡后,也不对GMM背景模型进行更新。
因此,上述两种情况下的视频帧,不能作为待训练视频帧。也就是说,光强突变的视频帧和存在前景遮挡的视频帧。
具体的,首先,在视频流中获取当前采样的视频帧。
在实际的视频布控环境,监控的对象相对固定,自然光照条件不会短时剧变,故而图像在正常情况下帧间不会发生强烈差异。同时,由于建立GMM背景模型有一定的计算复杂度,基于以上原因,在GMM背景模型建立或更新过程中,抽取视频帧作为待训练视频帧的间隔可以比较长。
然后,获取光敏值,判断当前采样的视频帧是否进入GMM背景模型的训练更新。
基于自然光照条件不会突变的原因,用于监测环境光强的光敏值正常也不会发生突变,如果短时发生剧烈突变,则当前采样的视频帧不作为待训练视频帧,不参与GMM模型的训练更新。
在步骤202中,所述确定所述第一目标区域和第二目标区域,包括:
计算所述待训练视频帧中每个像元的灰度梯度;
基于所述待训练视频帧中每个像元的灰度梯度,获得区域图像;其中,所述区域图像包括平坦区域和高细节区域,所述平坦区域包括灰度梯度小于或等于所述预设阈值的像元,所述高细节区域包括灰度梯度大于所述预设阈值的像元;
将目标平坦区域确定为所述第一目标区域;其中,所述目标平坦区域为满足第二预设条件的平坦区域;
将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
具体的,首先,计算所述待训练视频帧中每个像元的灰度梯度,可以通过如下式(1)所示的公式来计算。
其中,(x,y)为像元基于灰度的坐标点,Laplace(E)为像元的灰度梯度。
然后,基于各像元的灰度梯度,对待训练视频帧对应的图像进行区域划分,得到区域图像,其中,所述区域图像中包括平坦区域和高细节区域,优选的,还可以对所述区域图像进行二值化,得到二值化的区域图像。
比如,若像元的灰度梯度小于或等于所述预设阈值,则将该像元划分为平坦区域中的像元,该像元设置为0;同时,若像元的灰度梯度大于所述预设阈值,则将该像元划分为高细节区域中的像元,该像元设置为1。
接着,从平坦区域中确定目标平坦区域,所述目标平坦区域可以为形状满足预设形状,且面积大于预设面积的平坦区域,比如形状不能为狭长的形状。
具体的,通过形态学和滤波处理,对平坦区域进行区域整形。其过程可以为:将二值化的区域图像进行腐蚀,去掉其中的零星小点,并断开狭长的连接;对经过腐蚀的二值化的区域图像进行中值滤波,对二值化的区域图像的杂散点进一步整形;最后对二值化的区域图像进行膨胀,恢复区域。
之后,计算平坦区域连通程度,保留达到一定面积的平坦区域。其过程可以为:对进行区域整形后的区域图像进行连通域计算,对连通域面积大于阈值的区域,确定为目标平坦区域,目标平坦区域可以标记为Fio,其中,i代表第几个目标平坦区域,o代表该目标平坦区域中的中心点。否则,不将该平坦区域作为目标平坦区域处理。
在确定出目标平坦区域之后,将确定的目标平坦区域确定为第一目标区域。
最后,将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
在步骤203中,对GMM背景模型中各像元的灰度均值和方差的进行实时更新;同时,将不在该GMM背景模型中的像元建立对应的高斯分布。
所述基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布,包括:
判断所述第一目标像元是否在所述背景模型中已建立有高斯分布;
若是,则基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差;
若否,则基于所述第一目标像元的灰度,建立所述背景模型中所述第一目标区域的每个像元对应的高斯分布。
具体的,记已建立高斯分布的像元的GMM背景模型如下式(2)所示。
其中,g代表此像元在当前t时刻的灰度,k代表高斯函数的个数,u和δ分别表示t-1时刻的灰度均值和方差。
第一目标区域中包括M个目标平坦区域,M为正整数,取第i个目标平坦区域的中心点o(x,y),i取值为1,2,···,M,判断该中心点是否在当前的GMM背景模型中,也就是说,判断该中心点是否在所述GMM背景模型中已建立有高斯分布。可以通过确定该目标平坦区域的中心点与前一次采样的待训练视频帧的第i个目标平坦区域的中心点是否一致,若是,则确定该中心点在当前的GMM背景模型中,若否,则确定不在该GMM背景模型中。
若该中心点在当前的GMM背景模型中,则更新GMM背景模型中该目标平坦区域的中心点对应的像元的灰度均值u和协方差矩阵Σ,如下式(3)和(4)所示。
uk,t=(1-ρ)ui,t-1+ρ*go (3)
Σk,t=(1-ρ)*Σi,t-1+ρ*diag[(go-ui,t)T(go-ui,t)] (4)
其中,go为该目标平坦区域中的中心点对应的像元的灰度,可发现更新过程若像元的灰度相等,则GMM背景模型中的各个参数值相等,故可用目标平坦区域中的中心点对应像元的GMM背景模型,来代替该目标平坦区域中整个区域的GMM背景模型。
故第i个目标平坦区域中其他像元(j=1,2,...,n)的GMM背景模型更新用o(x,y)的uk,t和Σk,t来代替,如下式(5)所示。
GMM(Fij)=GMM(o(x,y)) (5)
从而可以基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差。
若该中心点不在当前的GMM背景模型中,在GMM背景模型中建立一个新的高斯分布。
建立或更新所述背景模型中所述第二目标区域的一像元对应的高斯分布,与建立或更新所述背景模型中所述第一目标区域的第一目标像元对应的高斯分布的过程类似,其区别在于需要针对第二目标区域中的每个像元,确定该像元是否在当前的GMM背景模型中,若在,则更新所述背景模型中该像元对应的高斯分布,若不在,则建立所述背景模型中该像元对应的高斯分布。
通过以上步骤,便可以实现对GMM背景模型的更新。
参见图3,图中示出了建立或更新背景模型的流程示意图之二。如图3所示,流程如下:
步骤301,获取当前采样的视频帧;
步骤302,确定当前采样的视频帧是否作为待训练视频帧;若是,则执行步骤303;若否,则返回执行步骤301;
步骤303,对待训练视频帧进行区域划分;
步骤304,确定划分的平坦区域是否为目标平坦区域;若是,则执行步骤306,若否,则执行步骤305;
步骤305,对不是目标平坦区域的区域中各个像元的GMM背景模型逐一更新;返回执行步骤301;
步骤306,基于目标平坦区域的中心点像元,对所述目标平坦区域的各个像元的GMM背景模型进行统一更新;返回执行步骤301。
进一步的,在更新GMM背景模型之后,基于该GMM背景模型对待检测视频帧进行遮挡检测。
在步骤101中,获取当前采样的待检测视频帧。由于实时的视频流的采样帧率较高,待检测视频帧也采用抽帧方式获取,其抽帧的频率高于待训练视频帧的抽帧频率。
所述基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果,包括:
若所述待检测视频帧中存在第二目标像元,获取所述第二目标像元的灰度均值;其中,所述第二目标像元为所述待检测视频帧中在所述背景模型中未建立有高斯分布的像元;
将所述第二目标像元的灰度均值与所述背景模型中与所述第二目标像元对应位置的像元的灰度均值进行比对,获得均值比对结果;
基于所述均值比对结果,获得检测结果。
判断该待检测视频帧中的各个像元是否在所述GMM背景模型中已建立有高斯分布。可以通过确定待检测视频帧中的像元与待训练视频帧中对应位置的像元是否一致,若是,则确定待检测视频帧中的像元在当前的GMM背景模型中,若否,则确定不在该GMM背景模型中。
将待检测视频帧中不在GMM背景模型中的像元确定第二目标像元。其中,所述第二目标像元可以包括多个像元。
将所述第二目标像元中每个像元的灰度均值与所述背景模型中与该像元对应位置的像元的灰度均值进行比对,获得均值比对结果,基于所述均值比对结果,获得检测结果,可以采用下式(6)来表示。
|mt-ui,t-1|≤2.5σi,t-1 (6)
其中,mt为第二目标像元中某一像元在当前t时刻的灰度均值。
也就是说,若均值比对结果小于或等于预设比对结果,则检测结果表明该像元为背景,若均值比对结果大于预设比对结果,则检测结果表明该像元为前景。
在步骤102中,在所述检测结果表明所述待检测视频帧中存在前景的情况下,对为前景的像元进行提取,获取前景信息,并生成包括前景信息的前景图像。优选的,可以对该前景图像进行二值化,对为背景的像元设置为0,对为前景的像元设置为1,从而得到二值化的前景图像。
在步骤103中,对二值化后的前景图像进行连通域计算,确定所述前景图像的目标连通域,其中,所述目标连通域为形状满足预设形状,且面积大于预设面积的连通域,比如,目标连通域不包括形状比较狭长的连通域,也不包括面积很小而不足以引起遮挡的连通域。
获取所述目标连通域的区域信息,比如,获取目标连通域的面积和位置,目标连通域的位置可以理解为监控环境中的位置,如监控环境的正中间,监控环境的左边缘区域。
在步骤104中,确定目标连通域中的遮挡连通域,可以设置遮挡设定条件,所述遮挡设定条件可以为以下之一:
目标连通域的面积大于遮挡面积;
目标连通域在指定区域;
目标连通域在指定区域内,且占指定区域的百分比大于预设百分比。
如指定区域可以为预先在监控环境中划分的区域,如正中间区域和左边缘区域等。
在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息,监控摄像头可以直接采用报警的方式输出遮挡提醒信息,也可以将遮挡提醒信息输出至监控中心,以使监控中心的用户及时知道遮挡情况。
参见图4,图中示出了本发明实施例提供的遮挡检测方法的流程示意图之二。如图4所示,流程如下:
步骤401,获取当前采样的待检测视频帧;
步骤402,基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;
步骤403,在所述检测结果表明所述待检测视频帧中存在前景的情况下,提取所述待检测视频帧中的前景,生成包括前景信息的前景图像;并对其进行二值化;
步骤404,对二值化的前景图像进行连通域计算,确定目标连通域;
步骤405,基于目标连通域对遮挡情况进行判断,输出遮挡提醒信息;
返回执行步骤401。
本发明实施例提供的遮挡检测方法,在对背景模型进行训练时,基于第一目标区域成像基本相似的原理,以第一目标区域中为中心的像元的灰度,来建立或更新第一目标区域中所有像元对应的高斯分布,相对于传统的GMM背景模型,本发明实施例无需对第一目标区域中的每个像元进行模型的数据拟合,而只需通过对中心像元进行模型的数据拟合,也就是说,只需进行一次数据拟合,即可建立或更新第一目标区域中所有像元对应的高斯分布。这样,可以在保证遮挡检测有效性的基础上,能够减少计算量,提高算法效率,从而降低资源占有率。并且,还可以避免因光照和抖动等的误判,提高遮挡检测的准确性。
另外,在GMM背景模型建立中,在视频流中对待训练视频帧进行抽帧时,通过设定抽帧间隔较长,使得可以基于不同时段采集的视频帧对GMM背景模型进行更新,从而可适应自然光线渐变的环境。同时,引入了一些外部条件,如光敏值变化等,通过引入这些外部条件,可一定程度剔除意外干扰的视频帧,健壮背景的GMM背景模型,提升遮挡检测的鲁棒性和检测的效果。
进一步的,还可以对指定区域进行遮挡检测。
下面对本发明实施例提供的遮挡检测装置进行说明。
参见图5,图中示出了本发明实施例提供的遮挡检测装置的结构示意图。如图5所示,遮挡检测装置500包括:
前景检测模块501,用于基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
生成模块502,用于在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
第一获取模块503,用于获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
输出模块504,用于在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡。
可选的,所述装置还包括:
第二获取模块,用于获取待训练视频帧;其中,所述待训练视频帧为基于所述背景模型确定不存在前景的视频帧;
确定模块,用于确定所述第一目标区域和第二目标区域;所述第二目标区域为所述待训练视频帧中像元的灰度梯度大于所述预设阈值的区域;
更新模块,用于基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布;并基于所述第二目标区域中的每个像元的灰度,建立或更新所述背景模型中所述第二目标区域的每个像元对应的高斯分布。
可选的,所述确定模块包括:
计算单元,计算所述待训练视频帧中每个像元的灰度梯度;
第一获取单元,用于基于所述待训练视频帧中每个像元的灰度梯度,获得区域图像;其中,所述区域图像包括平坦区域和高细节区域,所述平坦区域包括灰度梯度小于或等于所述预设阈值的像元,所述高细节区域包括灰度梯度大于所述预设阈值的像元;
第一确定单元,用于将目标平坦区域确定为所述第一目标区域;其中,所述目标平坦区域为满足第二预设条件的平坦区域;
第二确定单元,用于将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
可选的,所述更新模块包括:
判断单元,用于判断所述第一目标像元是否在所述背景模型中已建立有高斯分布;
更新单元,用于在所述第一目标像元在所述背景模型中已建立有高斯分布的情况下,则基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差;
建立单元,用于在所述第一目标像元在所述背景模型中未建立有高斯分布的情况下,则基于所述第一目标像元的灰度,建立所述背景模型中所述第一目标区域的每个像元对应的高斯分布。
可选的,所述前景检测模块包括:
第二获取单元,用于若所述待检测视频帧中存在第二目标像元,获取所述第二目标像元的灰度均值;其中,所述第二目标像元为所述待检测视频帧中在所述背景模型中未建立有高斯分布的像元;
比对单元,用于将所述第二目标像元的灰度均值与所述背景模型中与所述第二目标像元对应位置的像元的灰度均值进行比对,获得均值比对结果;
第三获取单元,用于基于所述均值比对结果,获得检测结果。
需要说明的是,本发明实施例中装置能够实现上述方法实施例中实现的各个过程,并能达到相同的有益效果,为避免重复,这里不再赘述。
参见图6,图中示出了本发明实施例提供的电子设备的结构示意图。如图6所示,电子设备600包括:处理器601、存储器602、用户接口603和总线接口604。
处理器601,用于读取存储器602中的程序,执行下列过程:
基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立或更新高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡。
在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器601代表的一个或多个处理器和存储器602代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口604提供接口。针对不同的用户设备,用户接口603还可以是能够外接内接需要设备的接口,连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
处理器601负责管理总线架构和通常的处理,存储器602可以存储处理器601在执行操作时所使用的数据。
可选的,处理器601,还用于:
获取待训练视频帧;其中,所述待训练视频帧为基于所述背景模型确定不存在前景的视频帧;
确定所述第一目标区域和第二目标区域;所述第二目标区域为所述待训练视频帧中像元的灰度梯度大于所述预设阈值的区域;
基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布;并基于所述第二目标区域中的每个像元的灰度,建立或更新所述背景模型中所述第二目标区域的每个像元对应的高斯分布。
可选的,处理器601,具体用于:
计算所述待训练视频帧中每个像元的灰度梯度;
基于所述待训练视频帧中每个像元的灰度梯度,获得区域图像;其中,所述区域图像包括平坦区域和高细节区域,所述平坦区域包括灰度梯度小于或等于所述预设阈值的像元,所述高细节区域包括灰度梯度大于所述预设阈值的像元;
将目标平坦区域确定为所述第一目标区域;其中,所述目标平坦区域为满足第二预设条件的平坦区域;
将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
可选的,处理器601,具体用于:
判断所述第一目标像元是否在所述背景模型中已建立有高斯分布;
若是,则基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差;
若否,则基于所述第一目标像元的灰度,建立所述背景模型中所述第一目标区域的每个像元对应的高斯分布。
可选的,处理器601,具体用于:
若所述待检测视频帧中存在第二目标像元,获取所述第二目标像元的灰度均值;其中,所述第二目标像元为所述待检测视频帧中在所述背景模型中未建立有高斯分布的像元;
将所述第二目标像元的灰度均值与所述背景模型中与所述第二目标像元对应位置的像元的灰度均值进行比对,获得均值比对结果;
基于所述均值比对结果,获得检测结果。
优选的,本发明实施例还提供一种电子设备,包括处理器601,存储器602,存储在存储器602上并可在所述处理器601上运行的计算机程序,该计算机程序被处理器601执行时实现上述遮挡检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述遮挡检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,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。
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单元来实现本发明实施例方案的目的。
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。
所述功能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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种遮挡检测方法,其特征在于,所述方法包括:
基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立或更新高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡;
所述基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果,包括:
若所述待检测视频帧中存在第二目标像元,获取所述第二目标像元的灰度均值;其中,所述第二目标像元为所述待检测视频帧中在所述背景模型中未建立有高斯分布的像元;
将所述第二目标像元的灰度均值与所述背景模型中与所述第二目标像元对应位置的像元的灰度均值进行比对,获得均值比对结果;
基于所述均值比对结果,获得检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果之前,所述方法还包括:
获取当前采样的待训练视频帧;其中,所述待训练视频帧为基于所述背景模型确定不存在前景的视频帧,所述当前采样的待训练视频帧对应的光敏值与上一次采样的待训练视频帧对应的光敏值的差值在预设范围内;
确定所述第一目标区域和第二目标区域;所述第二目标区域为所述当前采样的待训练视频帧中像元的灰度梯度大于所述预设阈值的区域;
基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布;并基于所述第二目标区域中的每个像元的灰度,建立或更新所述背景模型中所述第二目标区域的每个像元对应的高斯分布。
3.根据权利要求2所述的方法,其特征在于,所述确定所述第一目标区域和第二目标区域,包括:
计算所述当前采样的待训练视频帧中每个像元的灰度梯度;
基于所述待训练视频帧中每个像元的灰度梯度,获得区域图像;其中,所述区域图像包括平坦区域和高细节区域,所述平坦区域包括灰度梯度小于或等于所述预设阈值的像元,所述高细节区域包括灰度梯度大于所述预设阈值的像元;
将目标平坦区域确定为所述第一目标区域;其中,所述目标平坦区域为满足第二预设条件的平坦区域;
将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布,包括:
判断所述第一目标像元是否在所述背景模型中已建立有高斯分布;
若是,则基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差;
若否,则基于所述第一目标像元的灰度,建立所述背景模型中所述第一目标区域的每个像元对应的高斯分布。
5.一种遮挡检测装置,其特征在于,所述装置包括:
前景检测模块,用于基于预先训练的背景模型对待检测视频帧进行前景检测,获得检测结果;其中,所述背景模型为基于第一目标区域中的第一目标像元的灰度,为背景中的像元建立高斯分布的模型,所述第一目标区域为预先获取的待训练视频帧中像元的灰度梯度小于或等于预设阈值的区域,所述第一目标像元包括所述第一目标区域中为中点的像元;
生成模块,用于在所述检测结果表明所述待检测视频帧中存在前景的情况下,生成包括前景信息的前景图像;
第一获取模块,用于获取目标连通域的区域信息;其中,所述目标连通域包括所述前景图像中前景信息的连通域中满足第一预设条件的连通域;
输出模块,用于在所述目标连通域中存在遮挡连通域的情况下,输出遮挡提醒信息;其中,所述遮挡连通域为区域信息满足遮挡设定条件的连通域,所述遮挡提醒信息用于指示所述遮挡连通域对应的区域存在遮挡;
所述前景检测模块包括:
第二获取单元,用于若所述待检测视频帧中存在第二目标像元,获取所述第二目标像元的灰度均值;其中,所述第二目标像元为所述待检测视频帧中在所述背景模型中未建立有高斯分布的像元;
比对单元,用于将所述第二目标像元的灰度均值与所述背景模型中与所述第二目标像元对应位置的像元的灰度均值进行比对,获得均值比对结果;
第三获取单元,用于基于所述均值比对结果,获得检测结果。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取待训练视频帧;其中,所述待训练视频帧为基于所述背景模型确定不存在前景的视频帧;
确定模块,用于确定所述第一目标区域和第二目标区域;所述第二目标区域为所述待训练视频帧中像元的灰度梯度大于所述预设阈值的区域;
更新模块,用于基于所述第一目标区域中的第一目标像元的灰度,建立或更新所述背景模型中所述第一目标区域的每个像元对应的高斯分布;并基于所述第二目标区域中的每个像元的灰度,建立或更新所述背景模型中所述第二目标区域的每个像元对应的高斯分布。
7.根据权利要求6所述的装置,其特征在于,所述确定模块包括:
计算单元,计算所述待训练视频帧中每个像元的灰度梯度;
第一获取单元,用于基于所述待训练视频帧中每个像元的灰度梯度,获得区域图像;其中,所述区域图像包括平坦区域和高细节区域,所述平坦区域包括灰度梯度小于或等于所述预设阈值的像元,所述高细节区域包括灰度梯度大于所述预设阈值的像元;
第一确定单元,用于将目标平坦区域确定为所述第一目标区域;其中,所述目标平坦区域为满足第二预设条件的平坦区域;
第二确定单元,用于将除所述目标平坦区域之外的平坦区域和所述高细节区域确定为所述第二目标区域。
8.根据权利要求6所述的装置,其特征在于,所述更新模块包括:
判断单元,用于判断所述第一目标像元是否在所述背景模型中已建立有高斯分布;
更新单元,用于在所述第一目标像元在所述背景模型中已建立有高斯分布的情况下,则基于所述第一目标像元的灰度,更新所述背景模型中所述第一目标区域的每个像元的灰度均值和方差;
建立单元,用于在所述第一目标像元在所述背景模型中未建立有高斯分布的情况下,则基于所述第一目标像元的灰度,建立所述背景模型中所述第一目标区域的每个像元对应的高斯分布。
9.一种电子设备,其特征在于,包括处理器,存储器,存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4中任一项所述的遮挡检测方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的遮挡检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147733.7A CN112927178B (zh) | 2019-11-21 | 2019-11-21 | 遮挡检测方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147733.7A CN112927178B (zh) | 2019-11-21 | 2019-11-21 | 遮挡检测方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112927178A CN112927178A (zh) | 2021-06-08 |
CN112927178B true CN112927178B (zh) | 2023-04-07 |
Family
ID=76160704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911147733.7A Active CN112927178B (zh) | 2019-11-21 | 2019-11-21 | 遮挡检测方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112927178B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177944B (zh) * | 2021-06-30 | 2021-09-17 | 深之蓝海洋科技股份有限公司 | 水下镜头污渍的检测方法和水下机器人 |
CN114332721A (zh) * | 2021-12-31 | 2022-04-12 | 上海商汤临港智能科技有限公司 | 摄像装置遮挡检测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108881952A (zh) * | 2018-07-02 | 2018-11-23 | 上海商汤智能科技有限公司 | 视频生成方法及装置、电子设备和存储介质 |
CN109389048A (zh) * | 2018-09-13 | 2019-02-26 | 华南理工大学 | 一种监控视频中的行人检测与跟踪方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7280673B2 (en) * | 2003-10-10 | 2007-10-09 | Intellivid Corporation | System and method for searching for changes in surveillance video |
CN101739550B (zh) * | 2009-02-11 | 2012-02-22 | 北京智安邦科技有限公司 | 运动目标检测方法及系统 |
ES2395102B1 (es) * | 2010-10-01 | 2013-10-18 | Telefónica, S.A. | Metodo y sistema para segmentacion de primer plano de imagenes en tiempo real |
CN102737370B (zh) * | 2011-04-02 | 2015-07-01 | 株式会社理光 | 检测图像前景的方法及设备 |
CN103400110B (zh) * | 2013-07-10 | 2016-11-23 | 上海交通大学 | Atm取款机前的异常人脸检测方法 |
CN105184820B (zh) * | 2015-09-15 | 2018-03-13 | 杭州中威电子股份有限公司 | 一种融合图形梯度和灰度的背景建模和运动目标检测方法及装置 |
US20170083764A1 (en) * | 2015-09-23 | 2017-03-23 | Behavioral Recognition Systems, Inc. | Detected object tracker for a video analytics system |
CN106599783B (zh) * | 2016-11-09 | 2020-01-14 | 浙江宇视科技有限公司 | 一种视频遮挡检测方法及装置 |
-
2019
- 2019-11-21 CN CN201911147733.7A patent/CN112927178B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108881952A (zh) * | 2018-07-02 | 2018-11-23 | 上海商汤智能科技有限公司 | 视频生成方法及装置、电子设备和存储介质 |
CN109389048A (zh) * | 2018-09-13 | 2019-02-26 | 华南理工大学 | 一种监控视频中的行人检测与跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112927178A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862270B (zh) | 人脸分类器训练方法、人脸检测方法及装置、电子设备 | |
CN112927178B (zh) | 遮挡检测方法、装置、电子设备以及存储介质 | |
CN104658152A (zh) | 一种基于视频的运动物体入侵报警方法 | |
CN109033973A (zh) | 监控预警方法、装置及电子设备 | |
CN108629254B (zh) | 一种运动目标的检测方法及装置 | |
CN110636281B (zh) | 一种基于背景模型的监控摄像头遮挡实时检测方法 | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
Ramirez-Alonso et al. | Temporal weighted learning model for background estimation with an automatic re-initialization stage and adaptive parameters update | |
KR20220126264A (ko) | 비디오 흔들림 검출 방법, 장치, 전자 기기 및 저장 매체 | |
CN110348343A (zh) | 一种暴力行为监测方法、装置、存储介质及终端设备 | |
CN113628236A (zh) | 摄像头遮挡检测方法、装置、设备、存储介质及程序产品 | |
CN111428653B (zh) | 行人拥挤状态判断方法、装置、服务器及存储介质 | |
Zhang et al. | Counting vehicles in urban traffic scenes using foreground time‐spatial images | |
JP2020504383A (ja) | 画像前景の検出装置、検出方法及び電子機器 | |
CN113283356A (zh) | 多级注意力尺度感知人群计数方法 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN103618846A (zh) | 一种视频分析中抑制光线突然变化影响的背景去除方法 | |
CN111369591A (zh) | 一种运动物体的跟踪方法、装置及设备 | |
WO2014085025A1 (en) | Object removable detection using 3-d depth information | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
JP2022184761A (ja) | 入力データにおける異常を検知するための概念 | |
CN110991375B (zh) | 一种群体行为分析方法及装置 | |
CN110647858B (zh) | 一种视频遮挡判断方法、装置和计算机存储介质 | |
CN111062337B (zh) | 人流方向检测方法及装置、存储介质和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |