CN113610835A - 看护摄像机的人形检测方法 - Google Patents
看护摄像机的人形检测方法 Download PDFInfo
- Publication number
- CN113610835A CN113610835A CN202110967525.2A CN202110967525A CN113610835A CN 113610835 A CN113610835 A CN 113610835A CN 202110967525 A CN202110967525 A CN 202110967525A CN 113610835 A CN113610835 A CN 113610835A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- detected
- images
- human shape
- 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 54
- 230000000474 nursing effect Effects 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000036544 posture Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种看护摄像机的人形检测方法,该方法包括:获取N张待检测图像,该N张待检测图像为看护摄像机采集的监控视频中的连续N帧图像;计算N张待检测图像的背景图像;根据背景图确定N张待检测图像中每张待检测图像的人形检测图像,该人形检测图像标记了目标人形的检测范围;根据相邻两张人形检测图像之间的差确定待检测图像中目标人形的第一轮廓。本申请通过相邻待检测图像之间的差值来确定图像中目标人形的轮廓,消除目标人形的轮廓与背景像素点的关系,避免了光照等外界环境变化导致的视频内容变化对人形检测的影响,从而提高人形检测准确度。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种看护摄像机的人形检测方法。
背景技术
随着科学计算的发展,摄像机的使用已经深入生活中,于此同时,越来越多的服务于检测项目采用自动检测的方式,以节省人力成本,特别是在老年人和婴幼儿的看护上,通过将人形检测应用在摄像机等移动设备上,使得在发生危险情况时,能够更有效警示目标。
目前的人形检测主要是基于背景建模的人形识别方法,利用背景建模的方法,提取视频画面中前景运动区域,然后在目标区域中进行特征提取以及分类器学习,从而判断视频画面中是否有行人,但是该方法很难避免由于光照等外界环境变化导致的视频内容变化对人形检测的影响,从而使得人形检测准确度不高,会出现误报和漏报的情况,降低用户体验和产品警示功能的可信度。
发明内容
本申请实施例提供了一种看护摄像机的人形检测方法,
第一方面,本申请实施例提供一种看护摄像机的人形检测方法,所述方法包括:
获取N张待检测图像,所述N张待检测图像为所述看护摄像机采集的监控视频中的连续N帧图像,所述N为大于1的整数;
计算所述N张待检测图像的背景图像;
根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,所述人形检测图像标记了目标人形的检测范围;
根据相邻两张所述人形检测图像之间的差确定所述待检测图像中目标人形的第一轮廓。
第二方面,本申请实施例提供一种终端设备,所述终端设备包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行上述第一方面所述的方法中所描述的部分或全部步骤的指令。
第三方面,本申请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存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行上述第一方面所述的方法中所描述的部分或全部步骤。
第四方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
本申请提供的技术方案,终端设备获取N张待检测图像,该N张待检测图像为看护摄像机采集的监控视频中的连续N帧图像;计算N张待检测图像的背景图像;根据背景图确定N张待检测图像中每张待检测图像的人形检测图像,该人形检测图像标记了目标人形的检测范围;根据相邻两张人形检测图像之间的差确定待检测图像中目标人形的第一轮廓。本申请通过相邻待检测图像之间的差值来确定图像中目标人形的轮廓,消除目标人形的轮廓与背景像素点的关系,避免了光照等外界环境变化导致的视频内容变化对人形检测的影响,从而提高人形检测准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种网络架构的示意图;
图2是本申请实施例提供的一种看护摄像机的人形检测方法的流程示意图;
图3是本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如,包含了一系列步骤或单元的过程、方法、软件、产品或设备没有限定于已列出的步骤或单元,而是还包括没有列出的步骤或单元,或还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
请参阅图1,图1是本申请实施例提供的一种网络架构的示意图,该网络架构包括:服务器和摄像机,其中,摄像机与服务器连接。
其中,摄像机获取实际发生的数据的部分。摄像机可拍摄图像来实时监控预设区域,将实时图像发送至服务器,也能接收服务器的指令,做出对应的执行动作。该服务器可以是具备云端计算能力,可生成指令发送至摄像机;服务器在云端不仅能对边缘设备进行数据交流,还能够通过网络连接接入其他数据平台,形成数据交流及数据同步,在下述实施例中,云服务器可以接入监控平台的数据中心的数据库,从数据库中进行数据同步和数据反馈。
示例地,该网络架构还可包括边缘设备,该边缘设备是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的计算系统,就近提供最近端服务,例如边缘服务器。其应用程序在边缘侧发起,产生更快的网络服务响应,满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间,或处于物理实体的顶端。
其中,边缘设备可以是一种终端设备,边缘设备可以是还包含其它功能诸如个人数字助理和/或音乐播放器功能的便携式终端设备,诸如手机、平板电脑、具备无线通讯功能的可穿戴终端设备(如智能手表)等。便携式终端设备的示例性实施例包括但不限于搭载IOS系统、Android系统、Microsoft系统或者其它操作系统的便携式终端设备。上述便携式终端设备也可以是其它便携式终端设备,诸如膝上型计算机(Laptop)等。还应当理解的是,在其他一些实施例中,上述终端设备也可以不是便携式终端设备,而是台式计算机。
结合上述描述,下面从方法示例的角度描述本申请。
请参阅图2,图2为本申请实施例提供的一种看护摄像机的人形检测方法流程示意图,应用于如图1所示的网络架构。如图2所示,该方法包括如下步骤。
S210、获取N张待检测图像,所述N张待检测图像为所述看护摄像机采集的监控视频中的连续N帧图像,所述N为大于1的整数。
其中,终端设备可以实时获取摄像机采集的一段视频,将该视频中的连续N帧图像作为待检测图像。
示例的,由于摄像机的监控范围没有变化,监控视频中相邻多帧的图像变化很小甚至没有变化。因此,为了节约存储空间,可以按照采用周期对视频采样,得到N张待处理图像。
S220、计算所述N张待检测图像的背景图像。
其中,所述计算所述N张待检测图像的背景图像包括:获取初始图像,所述初始图像为摄像机在监控范围内采集的背景图像;提取N张待检测图像的RGB值组成第一三维矩阵和初始图像的RGB值组成第二三维矩阵;将每个第一三维矩阵和第二三维矩阵分别进行分割,得到多个部分第一三维矩阵和多个部分第二三维矩阵;分别计算每一第i个部分第一三维矩阵与第i个部分第二三维矩阵的差值,得到多个第三差值矩阵,i为正整数;若多个第三差值矩阵中零元素的数量大于数量阈值的差值矩阵的数量大于第一阈值时,将第i个部分第二三维矩阵确定为第i个目标三维矩阵;否则,分别计算两张待检测图像的第i部分的第一差值矩阵的差值,得到第N-1个第四差值矩阵,将N-1个第四差值矩阵中非零元素值大于第二阈值的第四差值矩阵对应的被减的第i个部分第二三维矩阵确定为第i个目标三维矩阵;将所有第i个目标三维矩阵合成背景图像的目标三维矩阵。
其中,所述初始图像可以是终端设备预先存储的摄像机采集监控范围的背景图像。由于不同的环境下监控范围的背景图像可能会有所不同,例如白天和晚上的背景图会因为光线的原因造成背景图像不同。因此可在初始图像的基础上结合N张待检测图像,对初始图像进行调整。
具体地,先将每一待检测图像与初始图像进行比较,若每一第i个部分第一三维矩阵与第i个部分第二三维矩阵的差值矩阵中零元素的数量大于数量阈值的差值矩阵的数量大于第一阈值时,则认为第i部分的初始图像与待检测图像均相同或相似,可将第i部分的初始图像作为第i部分的背景图像;否则,通过第i部分的各个待检测图像之间的帧间差来确定第i部分的背景图像,使得计算出的背景图像能够根据当前环境进行变换。
S230、根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,所述人形检测图像标记了目标人形的检测范围。
其中,在得到背景图像后,可通过将待检测图像与背景图像作对比,可得到提取出待检测图像中的前景。根据前景确定待检测图像中目标人形的检测范围。
可选的,所述根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,包括:获取所述目标人形的长度范围和宽度范围;提取背景图像的RGB值组成第一特征矩阵和每张待检测图像的RGB值组成的N个第二特征矩阵;分别计算第一特征矩阵与所述N个第二特征矩阵的差值,得到N个第一差值矩阵;根据每个第一差值矩阵中的连续相邻非零元素的位置,计算候选目标人形的长度和宽度;若所述候选目标人形的长度和宽度分别位于所述长度范围和所述宽度范围时,将所述候选目标人形的区域面积确定为对应待检测图像中所述目标人形的检测范围。
示例的,本申请可以将第一特征矩阵和N个第二特征矩阵做灰度处理并二值化后,再计算其差值,从而得到一些离散的黑白点块。为了能够识别成人形,可先腐蚀元素,去除不必要的杂点,然后进行膨胀处理。根据定语的目标人形的从长度范围和宽度范围,从多个目标块中确定出目标人形。
S240、根据相邻两张所述人形检测图像之间的差确定所述待检测图像中目标人形的第一轮廓。
其中,根据确定的目标人形的检测范围,利用相邻两张所述人形检测图像之间帧间差,可以提取出目标人形的轮廓,标记轮廓的位置分布。
可选的,所述方法还包括:计算第i个第二特征矩阵与第i+1个第二特征矩阵的差值,得到N-1个第二差值矩阵,所述i为小于N的正整数;分别计算所述N个第一差值矩阵中的前N-1个第一差值矩阵与所述N-1个第二差值矩阵的差值,得到N-1个第三差值矩阵;若所述第三差值矩阵中的零元素大于或等于第一阈值,将所述第三差值矩阵确定为目标差值矩阵;将所述第一特征矩阵更新为目标特征矩阵,所述目标特征矩阵为所述目标差值矩阵与所述第一特征矩阵的和。
在本申请实施例中,当人物长时间停留在监控范围内且活动范围很小甚至可忽略不计时,如果使用帧间差来确定目标人形时,会使目标人形丢失,当物体再次移动时,会产生新的目标人形。因此,本申请实施例中,根据相邻两张待检测图像的第一差值矩阵与待检测图像和背景图像之间的第二差值矩阵的差值,对背景图像的特征矩阵进行更新。使得更新后的背景图像中包括停留的人物,进而可以实时识别出在监控范围内停留的目标人形。
可选的,所述方法还包括:根据所述N张待检测图像中目标人形的第一轮廓确定所述目标人形的目标姿势和目标运动轨迹。
其中,在标记出目标人物的轮廓后,可进一步识别目标人物的姿势和其运动轨迹,以预测目标人物的下一运动路线和姿势。
其中,所述根据所述N张待检测图像中目标人形的第一轮廓确定所述目标人形的目标姿势和目标运动轨迹,包括:获取矫正后图像的大小和畸变参数;基于所述矫正后图像的大小和所述畸变参数,计算N个目标偏移量集,所述目标偏移量集为每张待检测图中目标人形的第一轮廓的边界点在所述矫正后图像与所述待检测图像上的偏移量的集合;基于所述N个偏移量集确定N个位置坐标集,所述位置坐标集为每一所述第一轮廓的边界点在所述矫正后图像上位置坐标的集合;将所述每个位置坐标集中的坐标进行排序后映射于坐标系中,所述坐标系的x轴为时间,Y轴为像素点宽度位置,Z轴为像素点高度位置,每一变化曲线对应一张待检测图像;对所述每张待检测图像对应的坐标点用平滑曲线进行连接,得到N个第二轮廓;根据轮廓与姿势之间的映射关系,确定每个第二轮廓对应的所述目标姿势;确定N个目标坐标点,所述N个目标坐标点为所述N个位置坐标集中第一位置对应的坐标点,所述第一位置由所述目标姿势确定;将所述N个目标坐标点用平滑曲线连接,得到所述目标运动轨迹。
其中,目前常用的摄像机采用的是广角镜头或鱼眼镜头,其拍摄的画面在成像过程中会发生一定程度的畸变,从而影响对目标人物姿势的识别。
在本申请中,根据摄像机标定的坐标(内外参数和畸变参数),将多个待检测图像中的目标人形的第一轮廓映射到矫正后图像中,得到多个矫正后图像中目标人形的坐标位置。具体为通过摄像机标定可以确定块表和坐标表,该块表包括矫正后图像中目标人形的首地址、块高度、块宽度;坐标表包括矫正后图像与待检测图像的映射坐标关系,矫正后图像与待检测图像的映射坐标关系包括矫正后图像中目标人形的行列地址、待检测图像中目标人形的行列地址、矫正后图像中目标人形像素点的行列坐标、待检测图像中目标人形像素点的行列坐标等。然后根据坐标表,将待检测图像中目标人形映射到矫正后图像中目标人形;用块表记录矫正后图像中目标人形的大小和首地址;根据块表和坐标表,将待检测图像中目标人形的每个像素点映射到矫正后图像中目标人形对应的像素点。
具体地,终端设备根据畸变参数和内外参数,计算出每个目标人形的第一轮廓的边界点映射到矫正后图像中对应点的偏移量,得到多个偏移量集。然后根据偏移量集计算出每个第一轮廓的边界点映射到矫正后图像中的坐标,得到每一目标人形对应的坐标集。从而可得到第一轮廓映射到矫正后图像中的形状。由于待检测图像存在畸变,将目标人形映射到矫正后图像中得到的目标人形的形状可能与待检测图像中目标人形的形状不同。例如,目标人形为8×8的矩阵块,映射得到的图像块可能为椭圆形状或不规则形状。
其中,为了描绘出矫正后的目标人形的移动轨迹和轮廓,可将每个位置坐标集中的坐标进行排序后映射于坐标系中,该坐标系的x轴为时间,Y轴为像素点宽度位置,Z轴为像素点高度位置,每一变化曲线对应一张待检测图像。对每张待检测图像对应的坐标点用平滑曲线进行连接,可得到矫正后目标人形的轮廓,将该轮廓与预设姿势列表中的姿势分别进行匹配,从而确定出目标人形的姿势,然后根据坐标系中相邻待检测图像对应的变曲线在X轴上的位置变化确定出目标人形的运动轨迹。
可以看出,本申请提出了一种看护摄像机的人形检测方法,获取N张待检测图像,该N张待检测图像为看护摄像机采集的监控视频中的连续N帧图像;计算N张待检测图像的背景图像;根据背景图确定N张待检测图像中每张待检测图像的人形检测图像,该人形检测图像标记了目标人形的检测范围;根据相邻两张人形检测图像之间的差确定待检测图像中目标人形的第一轮廓。本申请通过相邻待检测图像之间的差值来确定图像中目标人形的轮廓,消除目标人形的轮廓与背景像素点的关系,避免了光照等外界环境变化导致的视频内容变化对人形检测的影响,从而提高人形检测准确度。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,网络设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所提供的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,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申请的范围。
请参阅图3,图3是本申请实施例提供的一种终端设备的结构示意图,该终端设备包括:一个或多个处理器、一个或多个存储器、一个或多个通信接口,以及一个或多个程序;所述一个或多个程序被存储在所述存储器中,并且被配置由所述一个或多个处理器执行。
上述程序包括用于执行以下步骤的指令:
获取N张待检测图像,所述N张待检测图像为所述看护摄像机采集的监控视频中的连续N帧图像,所述N为大于1的整数;
计算所述N张待检测图像的背景图像;
根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,所述人形检测图像标记了目标人形的检测范围;
根据相邻两张所述人形检测图像之间的差确定所述待检测图像中目标人形的第一轮廓。
其中,上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
应理解,上述存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
在本申请实施例中,上述装置的处理器可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
应理解,本申请实施例中涉及的“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器执行存储器中的指令,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如上述单元的划分,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,可以是电性或其它的形式。
上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申请实施例方案的目的。
另外,在本申请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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (7)
1.一种看护摄像机的人形检测方法,其特征在于,所述方法包括:
获取N张待检测图像,所述N张待检测图像为所述看护摄像机采集的监控视频中的连续N帧图像,所述N为大于1的整数;
计算所述N张待检测图像的背景图像;
根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,所述人形检测图像标记了目标人形的检测范围;
根据相邻两张所述人形检测图像之间的差确定所述待检测图像中目标人形的第一轮廓。
2.根据权利要求1所述的方法,其特征在于,所述根据所述背景图像,确定所述N张待检测图像中每张待检测图像的人形检测图像,包括:
获取所述目标人形的长度范围和宽度范围;
提取背景图像的RGB值组成第一特征矩阵和每张待检测图像的RGB值组成的N个第二特征矩阵;
分别计算第一特征矩阵与所述N个第二特征矩阵的差值,得到N个第一差值矩阵;
根据每个第一差值矩阵中的连续相邻非零元素的位置,计算候选目标人形的长度和宽度;
若所述候选目标人形的长度和宽度分别位于所述长度范围和所述宽度范围时,将所述候选目标人形的区域面积确定为对应待检测图像中所述目标人形的检测范围。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
计算第i个第二特征矩阵与第i+1个第二特征矩阵的的差值,得到N-1个第二差值矩阵,所述i为小于N的正整数;
分别计算所述N个第一差值矩阵中的前N-1个第一差值矩阵与所述N-1个第二差值矩阵的差值,得到N-1个第三差值矩阵;
若所述第三差值矩阵中的零元素大于或等于第一阈值,将所述第三差值矩阵确定为目标差值矩阵;
将所述第一特征矩阵更新为目标特征矩阵,所述目标特征矩阵为所述目标差值矩阵与所述第一特征矩阵的和。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述N张待检测图像中目标人形的第一轮廓确定所述目标人形的目标姿势和目标运动轨迹。
5.根据权利要求4所述的方法,其特征在于,所述根据所述N张待检测图像中目标人形的第一轮廓确定所述目标人形的目标姿势和目标运动轨迹,包括:
获取矫正后图像的大小和畸变参数;
基于所述矫正后图像的大小和所述畸变参数,计算N个目标偏移量集,所述目标偏移量集为每张待检测图中目标人形的第一轮廓的边界点在所述矫正后图像与所述待检测图像上的偏移量的集合;
基于所述N个偏移量集确定N个位置坐标集,所述位置坐标集为每一所述第一轮廓的边界点在所述矫正后图像上位置坐标的集合;
将所述每个位置坐标集中的坐标进行排序后映射于坐标系中,所述坐标系的x轴为时间,Y轴为像素点宽度位置,Z轴为像素点高度位置,每一变化曲线对应一张待检测图像;
对所述每张待检测图像对应的坐标点用平滑曲线进行连接,得到N个第二轮廓;
根据轮廓与姿势之间的映射关系,确定每个第二轮廓对应的所述目标姿势;
确定N个目标坐标点,所述N个目标坐标点为所述N个位置坐标集中第一位置对应的坐标点,所述第一位置由所述目标姿势确定;
将所述N个目标坐标点用平滑曲线连接,得到所述目标运动轨迹。
6.一种终端设备,其特征在于,包括处理器、存储器和通信接口,所述存储器存储有一个或多个程序,并且所述一个或多个程序由所述处理器执行,所述一个或多个程序包括用于执行如权利要求1-5任一项所述的方法中的步骤的指令。
7.一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存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-5任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967525.2A CN113610835B (zh) | 2021-08-23 | 2021-08-23 | 看护摄像机的人形检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110967525.2A CN113610835B (zh) | 2021-08-23 | 2021-08-23 | 看护摄像机的人形检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610835A true CN113610835A (zh) | 2021-11-05 |
CN113610835B CN113610835B (zh) | 2022-07-08 |
Family
ID=78341628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110967525.2A Active CN113610835B (zh) | 2021-08-23 | 2021-08-23 | 看护摄像机的人形检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610835B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171217A (zh) * | 2022-07-27 | 2022-10-11 | 北京拙河科技有限公司 | 一种动态背景下的动作识别方法及系统 |
CN116311780A (zh) * | 2023-03-16 | 2023-06-23 | 宁波星巡智能科技有限公司 | 预防婴幼儿从高处跌落的智能监测方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093197A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种识别上吊行为的监控方法和系统 |
JP2015070359A (ja) * | 2013-09-27 | 2015-04-13 | 株式会社京三製作所 | 人数カウント装置 |
CN109271877A (zh) * | 2018-08-24 | 2019-01-25 | 北京智芯原动科技有限公司 | 一种人形识别方法及装置 |
CN112101139A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 人形检测方法、装置、设备及存储介质 |
-
2021
- 2021-08-23 CN CN202110967525.2A patent/CN113610835B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093197A (zh) * | 2013-01-15 | 2013-05-08 | 信帧电子技术(北京)有限公司 | 一种识别上吊行为的监控方法和系统 |
JP2015070359A (ja) * | 2013-09-27 | 2015-04-13 | 株式会社京三製作所 | 人数カウント装置 |
CN109271877A (zh) * | 2018-08-24 | 2019-01-25 | 北京智芯原动科技有限公司 | 一种人形识别方法及装置 |
CN112101139A (zh) * | 2020-08-27 | 2020-12-18 | 普联国际有限公司 | 人形检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
张坤石: "《潜艇光电装备技术》", 31 December 2012, 哈尔滨工程大学出版社 * |
朱国安等: "室内视频监控中孤寡老人异常行为检测与告警", 《内江科技》 * |
毛志智: "人形识别关键技术的研究与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171217A (zh) * | 2022-07-27 | 2022-10-11 | 北京拙河科技有限公司 | 一种动态背景下的动作识别方法及系统 |
CN115171217B (zh) * | 2022-07-27 | 2023-03-03 | 北京拙河科技有限公司 | 一种动态背景下的动作识别方法及系统 |
CN116311780A (zh) * | 2023-03-16 | 2023-06-23 | 宁波星巡智能科技有限公司 | 预防婴幼儿从高处跌落的智能监测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113610835B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934065B (zh) | 一种用于手势识别的方法和装置 | |
CN113610835B (zh) | 看护摄像机的人形检测方法 | |
JP7151488B2 (ja) | 移動物体検出装置、移動物体検出方法及びプログラム | |
JP7272024B2 (ja) | 物体追跡装置、監視システムおよび物体追跡方法 | |
US8953900B2 (en) | Increased quality of image objects based on depth in scene | |
JP2020149111A (ja) | 物体追跡装置および物体追跡方法 | |
CN111382637A (zh) | 行人检测跟踪方法、装置、终端设备及介质 | |
JP2016206995A (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN111667504A (zh) | 一种人脸追踪方法、装置及设备 | |
CN111582032A (zh) | 行人检测方法、装置、终端设备及存储介质 | |
CN111047622B (zh) | 视频中对象的匹配方法和装置、存储介质及电子装置 | |
WO2020137193A1 (ja) | 人検出装置および人検出方法 | |
KR20200096426A (ko) | 동체 검출 장치, 동체 검출 방법, 동체 검출 프로그램 | |
CN110827314A (zh) | 单目标跟踪方法及相关设备 | |
JP6798609B2 (ja) | 映像解析装置、映像解析方法およびプログラム | |
CN116128922A (zh) | 基于事件相机的物体掉落检测方法、装置、介质及设备 | |
CN114518106B (zh) | 高精度地图垂向要素更新检测方法、系统、介质及设备 | |
CN113192127B (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN113762027B (zh) | 一种异常行为的识别方法、装置、设备及存储介质 | |
US11270442B2 (en) | Motion image integration method and motion image integration system capable of merging motion object images | |
CN114387648A (zh) | 异常图像检测方法、装置、计算机设备及存储介质 | |
CN111091513A (zh) | 图像处理方法、装置、计算机可读存储介质及电子设备 | |
CN112991179B (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
JP7384225B2 (ja) | 行列解析装置、制御方法、及びプログラム | |
JP2012226403A (ja) | 画像領域追跡装置、画像領域追跡方法、および、コンピュータ・プログラム |
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 |