CN113506315A - 运动物体的检测方法、装置及存储介质 - Google Patents
运动物体的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113506315A CN113506315A CN202110843785.9A CN202110843785A CN113506315A CN 113506315 A CN113506315 A CN 113506315A CN 202110843785 A CN202110843785 A CN 202110843785A CN 113506315 A CN113506315 A CN 113506315A
- Authority
- CN
- China
- Prior art keywords
- moving object
- image data
- image
- acquiring
- floor
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
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
本申请提供一种运动物体的检测方法、装置及存储介质。所述方法包括:获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。本申请的检测方法、装置及存储介质可快速精准地获取到目标运动物体,有效地提高检测的效率和精度。
Description
技术领域
本申请涉及自动测量技术领域,特别是涉及一种运动物体的检测方法、装置及存储介质。
背景技术
随着经济发展和社会的进步,城市中的楼层越来越高,在解决了城市中居民的居住问题的同时,也带来了严峻的考验。越来越多的不文明行为,在城市中上演,从高楼中向下抛弃物品(高空抛物行为)被称为“悬在城市上的空的痛”,给社会安全带来非常大的隐患。
由于高空抛物的行为多发于高空楼层,目击者很少,且从高空中坠落的物品用时很短,很难追踪到抛物者的具体位置,这就给执法部门造成很大的麻烦。因此,如何快速准确的识别出高空抛物者的位置就成为急需解决的问题之一。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供一种运动物体的检测方法、装置及存储介质,用于解决现有技术中无法快速准确的识别出高空抛物者的位置的问题。
为实现上述目的及其他相关目的,本申请的第一方面,提供一种运动物体的检测方法,所述方法包括:
获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;
判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
在本申请第一方面的某些实施方式中,在对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤之前,还包括:
对所述图像数据中的感兴趣区域进行抖动检测,并对抖动的图像进行处理;
对抖动处理后的图像进行增强处理;
所述对所述图像数据中的感兴趣区域进行背景建模以获取运动物体包括:对增强处理的图像进行背景建模以获取所述运动物体。
在本申请第一方面的某些实施方式中,对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤包括:
将所述图像数据与预设图像类型进行匹配,所述预设图像类型包括第一图像类型和第二图像类型;
当所述图像数据为第一图像类型时,对所述图像数据中的感兴趣区域进行三通道背景建模以获取运动物体;
当所述图像数据为第二图像类型时,对所述图像数据中的感兴趣区域进行单通道背景建模以获取运动物体。
在本申请第一方面的某些实施方式中,在对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤之后,还包括:
对获取到的运动物体进行滤波以获得滤波后的运动物体;
对滤波后的运动物体通过形态学处理,并获取各个运动物体的目标轮廓;
根据所述运动物体的目标轮廓将不符合预设形态的运动物体进行滤除。
在本申请第一方面的某些实施方式中,所述对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹的步骤包括:
分别获取同一ID的运动物体在相邻两帧图像中的位置框;
获取所述位置框的交并比;
当所述交并比大于预设交叠阈值时,确认所述运动物体的运动轨迹。
在本申请第一方面的某些实施方式中,在将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体的步骤之后,还包括:
获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
在本申请第一方面的某些实施方式中,所述获取楼层平均高度信息的步骤包括:
通过边缘检测算法获取楼层的边缘二值信息;
对所述边缘二值信息进行霍夫变换,以获取楼层的直线信息;
判断所述直线信息是否符合预设线段阈值;
基于符合预设线段阈值的直线信息获取楼层的边缘信息;
根据所述边缘信息获取所述楼层平均高度信息。
本申请第二方面,提供一种运动物体的检测装置,所述装置包括:图像获取模块,用于获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;运动物体获取模块,用于对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;运动轨迹获取模块,用于对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;拟合模块,用于对各个运动物体的运动轨迹进行抛物线拟合,并通过支持向量机模型对拟合的各条抛物线进行训练;确定模块,用于判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
在本申请第二方面的某些实施方式中,所述装置还包括:
平均高度获取模块,用于获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
位置信息获取模块,用于基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
显示模块,用于将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
本申请的第三方面,提供一种存储介质,其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前述的方法的步骤。
如上所述,本申请的运动物体的检测方法、装置及存储介质,具有以下有益效果:
在本申请中,在获取到多帧图像数据后,先在所述图像数据中选取出感兴趣区域,然后对感兴趣区域进行背景建模以获取运动物体,对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹,再对各个运动物体的运动轨迹进行拟合,并通过支持向量机模型对各个抛物线进行训练,将抛物线满足预设阈值的运动物体确定为目标运动物体。通过本申请的方法,可准确地从图像数据中获取到运动物体,从而减少了其他物体的干扰,提高了对运动物体的检测精度。
进一步地,本申请中在快速准确地获取到运动物体后,还可以通过楼层的平均高度信息及运动物体的初始坐标获取到所述运动物体的楼层高度信息,从而可以准确高效地获取到高空抛空者的位置信息,提高了检测的精度和效率。
附图说明
图1显示为本申请运动物体检测方法的实施例一的流程示意图。
图2显示为本申请运动物体检测方法的实施例二的流程示意图。
图3显示为本申请运动物体检测方法的实施例三的流程示意图。
图4显示为本申请运动物体检测装置的实施例一的结构示意图。
图5显示为本申请运动物体检测装置的实施例二的结构示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效。
在下述描述中,参考附图,附图描述了本申请的若干实施例。应当理解,还可使用其他实施例,并且可以在不背离本公开的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变.下面的详细描述不应该被认为是限制性的,并且本申请的实施例的范围仅由公布的专利的权利要求书所限定.这里使用的术语仅是为了描述特定实施例,而并非旨在限制本申请。空间相关的术语,例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等,可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
虽然在一些实例中术语第一、第二等在本文中用来描述各种元件,但是这些元件不应当被这些术语限制。这些术语仅用来将一个元件与另一个元件进行区分。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的,或意味着任一个或任何组合。因此,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A、B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
如背景技术中所述的,现有的高空抛物现象越来越严重,为解决现有技术中无法快速准确地识别出高空抛者的位置的问题,本申请提供了一种运动物体的检测方法、装置及存储介质,通过对图像数据的处理可准确地获知哪些是高空抛落的物体,哪些是干扰物体,从而进行准确的识别,同时也提高了检测的效率。
实施例一
请参阅图1,图1显示为本申请运动物体检测方法的实施例一的流程示意图,如图1所示,所述运动物体的检测方法包括:
步骤S10,获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
步骤S20,对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
步骤S30,对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
步骤S40,对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;
步骤S50,判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
在具体应用中,为检测从高空抛落的物体,可以架设多路监控相机以进行运动物体的捕捉,也就是说,步骤S10中所述的多帧图像数据可以通过监控相机来获取。对于监控相机的路线以及监控相机的型号选择并不限制本申请的保护范围。
当通过监控相机获取到图像数据后,可根据监控相机的架设场景以及具体的应用从所述图像数据中选取出感兴趣区域(ROI,region ofinterest),在本实施例中,可以通过方框、圆、椭圆、不规则多边形等多种方式选取出需要处理的区域(感兴趣区域)。通过这种方式,可有效地降低图像处理的难度并减少图像处理的时间,从而提高后续处理的效率和精度。
然后执行步骤S20,对所述图像数据中的感兴趣区域进行背景建模。在本实施例中,所述背景建模的方式包括但不限于:单高斯模型(Single Gaussian)、混合高斯模型(Mixture ofGaussian Model)、滑动高斯平均(Running Gaussian average)、码本(CodeBook)、自组织背景检测(SOBS-Self-organization background subtraction)、样本一致性背景建模算法(SACON)、VIBE算法、基于颜色信息的背景建模方法(Color)、统计平均法中值滤波法(Temporal Median filter)、W4方法、本征背景法、核密度估计方法等等,本实施例中采用改进的VIBE算法进行背景建模。通过背景建模及前景检测的方法可以有效地检测到运动物体。
在本实施例中,所述步骤S20对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤具体包括:将所述图像数据与预设图像类型进行匹配,所述预设图像类型包括第一图像类型和第二图像类型;当所述图像数据为第一图像类型时,对所述图像数据中的感兴趣区域进行三通道背景建模以获取运动物体;当所述图像数据为第二图像类型时,对所述图像数据中的感兴趣区域进行单通道背景建模以获取运动物体。
在实际应用中,通过监控相机获取的图像数据可能是白天获取到的,也可能是夜晚获取到的;即使同是白天获取的图像,由于天气不同(如晴天或阴天等),也会导致图像数据的灰度或对比度不同。对于不同时间段或不同天气中获取到的图像数据来说,若采用相同的方法进行背景建模会导致处理后的图像质量不高,从而影响后续的检测精度。因此本实施例中,对图像数据进行不同的图像类型分类,例如可以将白天正常亮度的图像数据设置为第一图像类型;而将白天较暗且对比度低的图像或夜晚获取的图像设置为第二图像类型。当然所述图像类型分类数量及分类依据可以根据实际需求做其他设置,其不应限制本申请的保护范围。
在将监控相机采集到的图像数据与预设图像类型进行匹配后,可根据匹配结果进行不同的背景建模。若获取到的图像数据为第一图像类型,则对图像数据中的感兴趣区域进行三通道(RGB)背景建模。具体地,可以通过RGB三个通道分别判断背景与前景的差别,最终根据距离信息进行目标融合提取以完成背景建模及运动物体的获取。反之,若获取到的图像数据为第二图像类型,则对图像数据中的感兴趣区域进行单通道背景建模,即可通过灰度图像进行背景建模和运动物体的提取。也就是说,若获取到的图像为对应白天亮度正常的图像,则采用RGB三通道背景建模以提高检测效果;而若获取到的图像为夜晚红外图像或白天对比度低的图像时,则利用单通道背景建模,以适应红外图像的检测效果。通过对图像的类型进行分类并采用不同的建模的方式,有效地提高了背景建模的精度,进而大大提高了最终的检测精度。
通过背景建模获取到运动物体之后,执行步骤S30:对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹。具体地,分别获取同一ID的运动物体在相邻两帧图像中的位置框;获取所述位置框的交并比(Intersection over Union,IOU);当所述交并比大于预设交叠阈值时,确认所述运动物体的运动轨迹。
然后执行步骤S40进行抛物线拟合及对抛物线进行训练。在具体应用中可采用最小二乘法或随机采样一致性算法等进行抛物线拟合。本申请对此不做限制。本实施例中,通过随机采样一致性算法(RANSAC算法)对各个运动物体的运动轨迹进行抛物线拟合。在RANSAC算法中,假设样本中包含正确数据(inliers,可以被模型描述的数据),也包含异常数据(outliers,偏离正常范围很远、无法适应数学模型的数据),即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。具体地,首先考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P,集合P的样本数#(P)>n,从P中随机抽取包含n个样本的P的子集S初始化模型M;
其次,余集SC=P\S中与模型M的误差小于某一设定阈值t的样本集以及S构成S*。S*认为是内点集,它们构成S的一致集(Consensus Set);
然后,若#(S*)≥N,认为得到正确的模型参数,并利用集S*(内点inliers)采用最小二乘等方法重新计算新的模型M*;重新随机抽取新的S,重复以上过程。
最后,在完成一定的抽样次数后,若未找到一致集则算法失败,否则选取抽样后得到的最大一致集判断内外点,算法结束。
通过采用RANSAC算法对拟物线进行拟合,对图像噪声的鲁棒性更好,不受个别噪声的影响,提高了拟合的精度和效率。
在拟合出各运动物体的抛物线之后,将各个抛物线输入至支持向量机(SupportVector Machine,SVM)模型中进行训练。支持向量机作为一种二分类模型,其目的在于寻找一个超平面来对样本进行分割,分割的原则是间隔最大化,最终转化为一个凸二次规划问题来求解。具体的模型可以包括:当训练样本线性可分时,通过硬间隔最大化,学习一个线性可分支持向量机;当训练样本近似线性可分时,通过软间隔最大化,学习一个线性支持向量机;当训练样本线性不可分时,通过核技巧和软间隔最大化,学习一个非线性支持向量机。具体的训练过程与现有技术相似,在此不再赘述。
在对各个抛物线训练完成之后,执行步骤S50,判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。通过步骤S50的判断过程,可精确地将高空抛落的物体以及其他干扰物体区分开来。具体地,满足预设阈值的抛物线所对应的运动物体即为高空抛落的物体(目标运动物体);而不满足预设阈值的抛物线所对应的运动物体则为干扰物体。在实际应用中,干扰物体可以为飘浮的塑料袋、飞行的小鸟或蜻蜓等动物,还可以为滴落的水滴等等。通过本实施例的方法可精确地将干扰物体区分出来,有效地避免了其对高空抛落的物体的干扰,从而极大地提高了检测精度。当然,所述预设阈值可根据实际需求做具体设置,本申请对此不做限制。
本实施例的运动物体的检测方法,通过对图像的处理即可有效地获取到运动物体,并精确地滤除掉其他物品的干扰,因此检测精度高,且不需要人工参与,极大的提高了检测效率。
实施例二
请参阅图2,图2显示为本申请运动物体检测方法的实施例二的流程示意图,如图2所示,所述运动物体的检测方法包括:
步骤S10,获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
步骤S61,对所述图像数据中的感兴趣区域进行抖动检测,并对抖动的图像进行处理;
步骤S62,对抖动处理后的图像进行增强处理;
步骤S21,对增强处理的图像进行背景建模以获取运动物体;
步骤S71,对获取到的运动物体进行滤波以获得滤波后的运动物体;
步骤S72,对滤波后的运动物体通过形态学处理,并获取各个运动物体的目标轮廓;
步骤S73,根据所述运动物体的目标轮廓将不符合预设形态的运动物体进行滤除;
步骤S30,对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
步骤S40,对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;
步骤S50,判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
与实施例一相比,本实施例的区别之处在于,在执行完步骤S10:在所述图像数据中选取出感兴趣区域之后,且在进行背景建模以获取运动物体的步骤之前,还包括:
步骤S61:对所述图像数据中的感兴趣区域进行抖动检测,并对抖动的图像进行处理。具体地,可利用光流跟踪图像数据内稳定的特征点,以所述稳定的稳定点的位置作为基准位置;若检测到图像数据中超过所述稳定特征点的位置变化大于基准阈值时,则判断为画面抖动;当检测到画面在抖动,则不对背景建模进行更新,避免将背景当做目标处理。
步骤S62,对抖动处理后的图像进行增强处理。本实施例中,可通过CLAHE算法(Contrast LimitedAdaptive Histogram Equalization,限制对比度自适应直方图均衡)进行增强处理。具体地,可先对图像数据进行分块,以块为单位,先计算直方图,然后修剪直方图,最后进行均衡;然后进行块间线性插值,例如可以遍历、操作各个图像块,在插值过程中可得到CDF函数,也就获得了对应的亮度变换函数,在计算变换函数的时候可以通过插值过程来降低计算量;最后,与原图做图层滤色混合操作。通过CLAHE算法可以有效的增强或改善图像(局部)对比度,从而获取更多图像相关边缘信息。
在对图像进行增强处理之后,执行步骤S21:对增强处理的图像进行背景建模以获取所述运动物体。需要说明的是,本实施例中,所述步骤S10获取多帧图像数据,并在所述图像数据中选取出感兴趣区域的步骤与实施例一中的步骤S10相似,在此不再赘述。与实施例一相比,本实施例的区别还在于,在通过所述步骤S21获取运动物体的步骤之后,还包括:
步骤S71,对获取到的图像进行滤波以获得滤波后的运动物体;
步骤S72,对滤波后的运动物体通过形态学处理,并获取各个运动物体的目标轮廓;
步骤S73,根据所述运动物体的目标轮廓将不符合预设形态的运动物体进行滤除。
本实施例中可以采用邻域平均法对运动物体进行均值滤波,即用均值代替原图像中的各个像素值,具体地,可使用3*3的均值滤波器对图像进行滤波处理,以滤除干扰噪声。例如对待处理的目标像素点A(x,y),选择一个滤波模板,该滤波模板可由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点A(x,y),作为处理后图像在该点上的灰度g(x,y),即g(x,y)=∑f(x,y)/m;其中m为该模板中包含当前像素在内的像素总个数。例如,可以选取目标像素点A(x,y)为中心的周围8个像素以构成一个滤波模板(包括目标像素本身),再用该滤波模板中的全体像素的平均值来代替原来像素值。在实际应用中,可以根据实际需求选取不同数量的像素点组成滤波模板,本申请对此不做限制。通过对运动物体进行均值滤波可以将运动物体中的噪点滤除从而提高图像数据的精度。
在获取到运动物体的目标轮廓之后,将获取到的目标轮廓与预设形态进行比对,将不符合预设形态的运动物体进行滤除;换句话说,目标轮廓不符合预设形态的运动物体并非高空抛落物,通过本实施例的方法可以有效地滤除掉噪声,从而大大提高检测的效率及精度。
在本实施例中,通过步骤S73完成滤除之后,所述步骤S30:对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹。本实施例中,由于通过步骤S73进行了运动物体的滤除,因此本实施例的步骤S30中仅对目标轮廓满足预设形态的运动物体进进行相邻两帧图像的匹配以获取其对应的运动轨迹;对不符合预设形态的运动物体不再进行匹配,从而有效地减少了检测量,提高了检测的效率。
本实施例的其他步骤S40和S50与实施例一中的过程相似,在此不再赘述。本实施例通过增加对图像的抖动检测、增强处理、滤波、形态学处理等,有效地减少了图像数据中的噪声,提高了图像的质量,有效地提高了后续处理的精度和效率。
实施例三
请参阅图3,图3显示为本申请运动物体检测方法的实施例三的流程示意图,如图3所示,所述运动物体的检测方法包括:
步骤S10,获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
步骤S20,对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
步骤S30,对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
步骤S40,对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;
步骤S50,判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体;
步骤S81,获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
步骤S82,基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
步骤S83,将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
与实施例一相比,本实施例在执行完步骤S50确定出目标运动物体之后,执行步骤S81以获取目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息。具体地,所述获取楼层平均高度信息的步骤包括:通过边缘检测算法获取楼层的边缘二值信息;对所述边缘二值信息进行霍夫变换,以获取楼层的直线信息;判断所述直线信息是否符合预设线段阈值;基于符合预设线段阈值的直线信息获取楼层的边缘信息;根据所述边缘信息获取所述楼层平均高度信息。
本实施例中,优选Canny算法获取所述楼层的边缘数据;具体应用中,获取到的图像数据通常为RGB图像,这时需要先对RGB图像先进行灰度处理以转换为灰度图像,对于RGB图像转灰度图像的具体实现方式可采用现有技术实现,本申请对此不再赘述。在转换为灰度图像后,对边缘信息进行提取,然后通过霍夫变换(Hough)获取图像中的直线信息。由于图像空间中的直线与参数空间中的点是一一对应的,参数空间中的直线与图像空间中的点也是一一对应的。因此,图像空间中的每条直线在参数空间中都对应着单独一个点来表示;图像空间中的直线上任何一部分线段在参数空间对应的是同一个点。这样就可以在参数空间中对点的来实现直线信息的获取,本实施例中通过Hough变换在参数空间里寻找峰值来实现直线信息的获取。在获取到直线信息后,判断所述直线信息是否符合预设线段阈值,如预设长度阈值或/和预设角度阈值,所述预设长度阈值或预设角度阈值可根据实际需求进行设置,例如,可将所述预设长度阈值设置为大于或等于最大直线信息长度的0.3倍,将所述预设角度阈值设置为±5°。这样,当直线信息的角度过大,超过±5°时均不符合预设线段阈值;同理,若直线信息的长度小于获取到的最大直线信息长度的0.3倍时,也不符合预设线段阈值。通过将直线信息与预设线段阈值进行比较后,可有效地筛选出真正有用的直线信息,而滤除不必要的噪声,从而提高处理的效率和精度。
在获取到楼层平均高度信息后中,将所述目标运动物体的初始坐标(纵坐标)除以所述楼层平均高度信息即可精确的获取到所述目标运动物体的楼层位置信息。最后还可以将所述楼层位置信息和运动轨迹进行显示。具体地显示形式可根据具体应用场景而适应性调整,本申请对此不做限制。
需要说明的是,本实施例中涉及的步骤S81、S82和S83也可以应用到图2所示的实施例中,即在图2所示的步骤S50确定出目标运动物体后,再依次执行所述步骤S81、S82和S83以确认所述目标运动物体的楼层位置信息并进行显示。具体的工作过程如前述内容相类似,在此不再赘述。
本实施例的运动物体的检测方法在获取到目标运动物体后,再获取目标运动物体的初始坐标和楼层平均高度信息,最后获取到目标运动物体所在的楼层位置信息,其获取方式简单快速,且精准地定位出高空抛落物体的楼层位置信息,极大了提高了其实用性。
本申请还提供一种存储介质,其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前述的运动物体的检测方法的步骤。具体地实现过程可参考前述运动物体的检测方法的具体描述,在此不再赘述。需要说明的是,所述存储介质可以包括U盘、磁盘、软盘、光盘、DVD、硬盘、闪存、CF卡、SD卡、MMC卡、SM卡等等,本申请对此不做限制。另外,所述存储介质可以作为一个单独的部件,也可以是某电子设备中的部分部件,例如,所述电子设备可以包括但不限于笔记本电脑、平板电脑、移动电话、智能手机、媒体播放器、个人数字助理(PDA)等等,还包括其中两项或多项的组合。所述电子设备可以包括存储器、存储器控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、触摸屏、其他输出或控制设备,以及外部端口。这些组件通过一条或多条通信总线或信号线进行通信。所述电子设备还包括用于为各种组件供电的电源系统。该电源系统可以包括电源管理系统、一个或多个电源(例如电池、交流电(AC))、充电系统、电源故障检测电路、电源转换器或逆变器、电源状态指示器(例如发光二极管(LED)),以及与便携式设备中的电能生成、管理和分布相关联的其他任何组件。
请参阅图4,图4显示为本申请运动物体检测装置的实施例一的结构示意图,如图4所示,所述运动物体的检测装置,包括:
图像获取模块10,用于获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
运动物体获取模块20,用于对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
运动轨迹获取模块30,用于对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
拟合模块40,用于对各个运动物体的运动轨迹进行抛物线拟合,并通过支持向量机模型对拟合的各条抛物线进行训练;
确定模块50,用于判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
本实施例中各个模块的工作过程可参考图1及前述各个相关步骤的详细描述,在此不再赘述。另外,在其他实施例中,所述装置还可以包括:
抖动检测及处理模块,用于对图像获取模块10获取到的所述图像数据中的感兴趣区域进行抖动检测,并对抖动的图像进行处理;
增强处理模块,用于对抖动处理后的图像进行增强处理;
所述运动物体获取模块20用于对增强处理的图像进行背景建模以获取运动物体。
以上抖动检测及处理模块及增强处理模块的具体工作方式可参考图2及对应的步骤S61至步骤S62的详细描述,在此不再赘述。
进一步地,所述运动物体的检测装置还可以包括:
滤波模块,用于对通过所述运动物体获取模块20获取到的运动物体进行滤波以获得滤波后的运动物体;
形态学处理模块,用于对滤波后的运动物体通过形态学处理,并获取各个运动物体的目标轮廓;
筛选模块,用于根据所述运动物体的目标轮廓将不符合预设形态的运动物体进行滤除。以上滤波模块、形态学处理模块及筛选模块的工作方式可参考图2及相关步骤S71至S73的详细说明,在此不再赘述。
请参阅图5,图5显示为本申请运动物体检测装置的实施例二的结构示意图,如图5所示,与图4所示的实施例一相比,本实施例的装置还包括:
平均高度获取模块60,用于获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
位置信息获取模块70,用于基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
显示模块80,用于将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
本实施例中平均高度获取模块60、位置信息获取模块70及显示模块80的具体工作方式可参考图3及步骤S81至S83的详细说明;本实施例的其他模块与图4所示的实施例一的模块相类似,在此不再赘述。
本申请的运动物体的检测方法、装置及存储介质通过对感兴趣区域进行背景建模以获取运动物体,然后对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹,再对各个运动物体的运动轨迹进行拟合,并通过支持向量机模型对各个抛物线进行训练,将抛物线满足预设阈值的运动物体确定为目标运动物体。通过本申请的方法,可准确地从图像数据中获取到运动物体,从而减少了其他物体的干扰,提高了对运动物体的检测精度。同时,本申请中在快速准确地获取到运动物体后,还可以通过楼层的平均高度信息及运动物体的初始坐标获取到所述运动物体的楼层高度信息,从而可以准确高效地获取到高空抛空者的位置信息,提高了检测的精度和效率。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种运动物体的检测方法,其特征在于,包括:
获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
对各个运动物体的运动轨迹进行抛物线拟合,通过支持向量机模型对拟合的各条抛物线进行训练;
判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
2.根据权利要求1所述的方法,其特征在于,在对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤之前,还包括:
对所述图像数据中的感兴趣区域进行抖动检测,并对抖动的图像进行处理;
对抖动处理后的图像进行增强处理;
所述对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤包括:对增强处理的图像进行背景建模以获取所述运动物体。
3.根据权利要求1所述的方法,其特征在于,对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤包括:
将所述图像数据与预设图像类型进行匹配,所述预设图像类型包括第一图像类型和第二图像类型;
当所述图像数据为第一图像类型时,对所述图像数据中的感兴趣区域进行三通道背景建模以获取运动物体;
当所述图像数据为第二图像类型时,对所述图像数据中的感兴趣区域进行单通道背景建模以获取运动物体。
4.根据权利要求1所述的方法,其特征在于,在对所述图像数据中的感兴趣区域进行背景建模以获取运动物体的步骤之后,还包括:
对获取到的运动物体进行滤波以获得滤波后的运动物体;
对滤波后的运动物体通过形态学处理,并获取各个运动物体的目标轮廓;
根据所述运动物体的目标轮廓将不符合预设形态的运动物体进行滤除。
5.根据权利要求1所述的方法,其特征在于,所述对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹的步骤包括:
分别获取同一ID的运动物体在相邻两帧图像中的位置框;
获取所述位置框的交并比;
当所述交并比大于预设交叠阈值时,确认所述运动物体的运动轨迹。
6.根据权利要求1所述的方法,其特征在于,在将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体的步骤之后,还包括:
获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
7.根据权利要求6所述的方法,其特征在于,所述获取楼层平均高度信息的步骤包括:
通过边缘检测算法获取楼层的边缘二值信息;
对所述边缘二值信息进行霍夫变换,以获取楼层的直线信息;
判断所述直线信息是否符合预设线段阈值;
基于符合预设线段阈值的直线信息获取楼层的边缘信息;
根据所述边缘信息获取所述楼层平均高度信息。
8.一种运动物体的检测装置,其特征在于,包括:
图像获取模块,用于获取多帧图像数据,并在所述图像数据中选取出感兴趣区域;
运动物体获取模块,用于对所述图像数据中的感兴趣区域进行背景建模以获取运动物体;
运动轨迹获取模块,用于对同一ID的运动物体进行相邻两帧图像的匹配以获取各个运动物体的运动轨迹;
拟合模块,用于对各个运动物体的运动轨迹进行抛物线拟合,并通过支持向量机模型对拟合的各条抛物线进行训练;
确定模块,用于判断各条抛物线的训练结果是否满足预设阈值,将满足预设阈值的抛物线所对应的运动物体确定为目标运动物体。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
平均高度获取模块,用于获取所述目标运动物体的初始坐标、运动轨迹坐标,并获取楼层平均高度信息;
位置信息获取模块,用于基于所述目标运动物体的初始坐标和楼层平均高度信息获取所述目标运动物体的楼层位置信息;
显示模块,用于将所述目标运动物体的楼层位置信息和运动轨迹坐标进行显示。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843785.9A CN113506315A (zh) | 2021-07-26 | 2021-07-26 | 运动物体的检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110843785.9A CN113506315A (zh) | 2021-07-26 | 2021-07-26 | 运动物体的检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113506315A true CN113506315A (zh) | 2021-10-15 |
Family
ID=78014089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110843785.9A Pending CN113506315A (zh) | 2021-07-26 | 2021-07-26 | 运动物体的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113506315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863370A (zh) * | 2022-07-08 | 2022-08-05 | 合肥中科类脑智能技术有限公司 | 一种复杂场景高空抛物识别方法及系统 |
-
2021
- 2021-07-26 CN CN202110843785.9A patent/CN113506315A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114863370A (zh) * | 2022-07-08 | 2022-08-05 | 合肥中科类脑智能技术有限公司 | 一种复杂场景高空抛物识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108446617B (zh) | 抗侧脸干扰的人脸快速检测方法 | |
CN109766830B (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
US8750573B2 (en) | Hand gesture detection | |
CN102348128B (zh) | 具有摄像机异常检测装置的监视用摄像机系统 | |
US8374440B2 (en) | Image processing method and apparatus | |
CN109753878B (zh) | 一种恶劣天气下的成像识别方法及系统 | |
US20120027252A1 (en) | Hand gesture detection | |
CN109583345B (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN101470809B (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
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 | |
CN107872644A (zh) | 视频监控方法及装置 | |
GB2502187A (en) | Determining parking lot occupancy from digital camera images | |
CN105868708A (zh) | 一种图像目标识别方法及装置 | |
CN114399644A (zh) | 一种基于小样本目标检测方法及装置 | |
CN111046746A (zh) | 一种车牌检测方法及装置 | |
CN111582410B (zh) | 图像识别模型训练方法、装置、计算机设备及存储介质 | |
CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN103065126A (zh) | 不同场景对人体图像再识别的方法 | |
CN115880260A (zh) | 基站施工的检测方法、装置、设备及计算机可读存储介质 | |
CN113506315A (zh) | 运动物体的检测方法、装置及存储介质 | |
Jenifa et al. | Rapid background subtraction from video sequences | |
CN112132892A (zh) | 目标位置标注方法、装置及设备 | |
CN108805838A (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 |
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 |