CN113657191A - 堆积物识别方法、装置和电子装置 - Google Patents
堆积物识别方法、装置和电子装置 Download PDFInfo
- Publication number
- CN113657191A CN113657191A CN202110846770.8A CN202110846770A CN113657191A CN 113657191 A CN113657191 A CN 113657191A CN 202110846770 A CN202110846770 A CN 202110846770A CN 113657191 A CN113657191 A CN 113657191A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- detected
- standard
- depth information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims description 61
- 238000013507 mapping Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种堆积物识别方法、装置和电子装置，其中，该堆积物识别方法包括：获取待检测图像和标准图像，标准图像中不包括堆积物；分别将待检测图像中各个像素的位置确定为目标位置，并确定各个目标位置对应的实际深度信息和标准深度信息；基于待检测图像中实际深度信息和标准深度信息的偏差值大于偏差值阈值的目标位置的像素，确定待检测图像中的目标区域；基于目标区域，确定待检测图像中是否存在堆积物。通过本申请，解决了通道堵塞识别准确性较差的问题，实现了通过图像处理识别堆积物尺寸，根据堆积物尺寸识别是否存在堵塞以提高堵塞识别的准确率的技术效果。
Description
技术领域
本申请涉及视频监控领域，特别是涉及一种堆积物识别方法、装置和电子装置。
背景技术
随着时代的发展以及都市化的快速推进，人口分布趋于密集。在高楼耸立，在人口密集的区域，通道畅通至关重要。当遇到火灾等突发事件时，作为公共通道的楼梯和过道被杂物堵塞，极易因此人流拥堵，降低人员疏散效率，导致踩踏事件的发生。
现有技术中，基于图像处理技术的通道堵塞识别一般是通过背景建模，检测实时监控图像中的背景是否发生变化，若实时监控图像中的背景发生变化，则进行通道堵塞报警。然而，由于背景建模一般与运动目标检测技术息息相关。通过运动目标检测，判断当前实时监控图像中的场景与背景模型中的未堵塞场景相比，场景是否发生变化，进而判断是否产生了堵塞情况。在实际生活应用中，一些小的物体，比如纸团，酒瓶等小型杂物的出现，虽然不会引起通道的堵塞，但由于引起了监控图像中的背景变化，同样会引起通道堵塞报警，导致误报的情况。
针对相关技术中存在造成通道堵塞的堆积物的识别准确性较差的问题，目前还没有提出有效的解决方案。
发明内容
在本实施例中提供了一种堆积物识别方法、装置、电子装置和存储介质，以解决相关技术中通道堵塞识别准确性较差的问题。
第一个方面，在本实施例中提供了一种堆积物识别方法，包括：
获取待检测图像和标准图像，所述标准图像中不包括堆积物；
分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；
基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；
基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
在其中的一个实施例中，所述分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息包括：确定所述待检测图像中各个像素在所述待检测图像的图像坐标系中的第一平面坐标信息，将所述待检测图像中的所述平面坐标信息映射到参考坐标系得到的深度信息确定为所述实际深度信息，所述实际深度信息包括实际长度信息、实际宽度信息以及实际高度信息；确定所述标准图像中各个像素在所述标准图像的所述图像坐标系中的第二平面坐标信息，将所述标准图像中与所述第一平面坐标信息对应的第二平面坐标信息映射到所述参考坐标系得到的深度信息确定为所述标准深度信息，所述标准深度信息包括标准长度信息、标准宽度信息以及标准高度信息；基于所述实际高度信息与所述标准高度信息确定第一高度偏差值，并将所述第一高度偏差值作为所述偏差值。
在其中的一个实施例中，所述基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域包括：根据所述标准图像对应的标准图像矩阵获取初始统计图像矩阵，所述初始统计图像矩阵与所述标准图像矩阵的行宽相同且列宽相同，且所述初始统计图像矩阵中各位置的像素值都为0；根据所述待检测图像中大于所述偏差值阈值的所述第一高度偏差值对应的所述第一平面坐标信息，得到可疑位置信息；将所述初始统计图像矩阵中位置与所述可疑位置信息相同的像素值增加预设数值，得到目标统计图像；根据所述目标统计图像确定所述目标区域。
在其中的一个实施例中，所述获取待检测图像和标准图像之后包括：基于多帧所述标准图像进行高斯建模，得到高度背景模型；将待检测图像像素与高度背景模型对应的相同位置的像素的模型高度信息进行比对，得到第二高度偏差值。
在其中的一个实施例中，所述得到第二高度偏差值之后还包括：基于多帧所述标准图像进行运动检测，建立可见光背景模型；统计所述第二高度偏差值小于第二预设阈值的像素位置，确定待更新区域位置信息；根据所述待更新区域位置信息获取待更新区域；将所述待检测图像中待更新区域图像与所述可见光背景模型中待更新区域图像进行特征比对，得到特征匹配参数；若所述特征匹配参数大于第三预设阈值，则根据所述待检测图像中待更新区域的位置信息以及对应像素值，替换所述可见光背景模型中、以及高度背景模型中的待更新区域图像的实际高度信息和对应像素值。
在其中的一个实施例中，所述基于所述目标区域，确定所述待检测图像中是否存在所述堆积物包括：基于所述待检测图像中对应目标区域的各个像素的所述目标位置以及所述实际深度信息，确定所述待检测图像中可疑物品的实际尺寸信息；基于所述实际尺寸信息，确定所述可疑物品是否为堆积物。
在其中的一个实施例中，所述实际尺寸信息包括长度信息、高度信息和宽度信息，所述基于所述实际尺寸信息，确定所述可疑物品是否为堆积物包括：将所述长度信息与长度阈值进行比对，得到第一比对结果；将所述宽度信息与宽度阈值进行比对，得到第二比对结果；将所述高度信息与高度阈值进行比对，得到第三比对结果；根据所述第一比对结果、第二比对结果以及第三比对结果，确定所述待检测图像中的可疑物品是否为堆积物，若所述可疑物品为堆积物，则确定所述堆积物的堵塞等级。
在其中的一个实施例中，所述待检测图像和所述标准图像通过双目相机采集。
第二个方面，在本实施例中提供了一种堆积物识别装置，包括：
第一获取模块，用于获取待检测图像和标准图像，所述标准图像中不包括堆积物；
第二获取模块，用于分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；
计算模块，用基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；
判断模块，用于基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
第三个方面，在本实施例中提供了一种电子装置，包括存储器、处理器以及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，所述处理器执行所述计算机程序时实现上述第一个方面所述的堆积物识别方法。
与相关技术相比，在本实施例中提供的堵塞识别方法，通过获取待检测图像和标准图像，所述标准图像中不包括堆积物；分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；基于所述目标区域，确定所述待检测图像中是否存在所述堆积物，解决了堆积物的识别准确性较差的问题，实现了通过图像处理方法，准确识别堆积物的技术效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本实施例的堆积物识别方法的终端的硬件结构框图；
图2是本实施例的堆积物识别方法的流程图；
图3是本优选实施例的堆积物识别方法的流程图；
图4是本实施例的堆积物识别装置的结构框图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“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这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的堆积物识别方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的堆积物识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
对于消防而言，人员疏散是个永恒的话题，特别是火灾情况下的人员疏散。消防通道是消防人员在火场中灭火救援和疏散被困人员的专用通道，同时也是火场中被困者的逃生通道。但是在日常生活中，由于部分人员消防意识薄弱，随意将个人物品堆积在公共通道区域，当堆积的物品数量较多或物品本身体积就较为庞大时，极易引起通道的堵塞。不仅在平时给人员的通行带来不便，当遇到火灾等需要人员紧急疏散的情况时，堆积物会极大降低人员疏散效率，甚至造成重大的人员伤亡和财产损失。
在本实施例中提供了一种堆积物识别方法，图2是本实施例的堆积物识别方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取待检测图像和标准图像。
具体的，待检测图像是通过摄像装置获取的、需要进行堆积物识别的场景图像。例如楼梯口图像、门口图像等。堆积物是指体积或尺寸超过预设范围的，会引起空间堵塞的一个或多个物品。例如位于楼道中的自行车、堆积的大型包裹等，都属于堆积物。堆积物的确定一般与具体的检测场景相联系，这些检测场景一般包括消防通道、楼梯口、仓库出入口等较为狭窄但人流量或货流量较大的位置。当物品已经可能引起当前场景堵塞时，则该物品即可作为堆积物。标准图像中不包括堆积物。标准图像为预先采集的、不存在堆积物的未堵塞场景图像，标准图像中不包括堆积物。待检测图像为实时采集的当前待检测场景的图像。
步骤S202，分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息。
具体的，摄像领域常用的图像坐标系包括图像坐标系、成像平面坐标系、摄像机坐标系以及世界坐标系。其中图像坐标系是指摄像机采集的数字图像在计算机内可以存储为数组，数组中的每一个元素的值即是图像点的亮度，即灰度。该数组通常用矩阵表示。在图像上定义直角坐标系，每一个像素的坐标(i，j)分别是该像素在数组中的列数和行数，故(i，j)是以像素为单位的图像坐标系坐标。将该坐标(i，j)作为像素对应的目标位置。世界坐标系是指，在环境中选择一个参考坐标系来描述摄像机和物体的位置，该坐标系称为世界坐标系。摄像机坐标系和世界坐标系之间的关系可用旋转矩阵与平移向量来描述。也就是说，将像素的目标位置(i，j)映射到世界坐标系中得到的三维坐标信息即是深度信息。
实际深度信息是由待检测图像中的目标位置映射得到的。标准深度信息是由标准图像中对应的目标位置映射得到的。例如，待检测图像中的某个像素对应的目标位置为(1，1)，该目标位置映射到世界坐标系下的深度信息为(0，0，30)。则实际深度信息为(0，0，30)；标准图像中对应的目标位置(1，1)映射到世界坐标系下的深度信息为(0，0，20)，则标准深度信息为(0，0，20)，若世界坐标系的坐标以厘米为单位，则表明在该位置原本没有堆积物时的高度是20厘米，而检测到的当前位置的实际高度是30厘米。步骤S203，基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域。
具体的，将实际深度信息和标准深度信息进行比对，可以得到实际深度信息和标准深度信息之间的偏差值。例如，若世界坐标系以厘米为单位，根据待检测图像获得的某个目标位置(1，1)对应的实际深度信息为(0，0，30)；根据标准图像获得的对应目标位置(1，1)对应的标准深度信息为(0，0，20)；将实际深度信息与标准深度信息进行比对可知，实际深度信息和标准深度信息在Z轴上的偏差值为10，也就是说，在该位置原本没有堆积物时的高度是20厘米，而检测到的当前位置的实际高度是30厘米，当前位置相较于标准未堵塞场景存在多余物品，且该物品在该位置的高度为10厘米。用户可根据实际需要设定偏差值阈值，设置偏差值阈值的目的是为了对存在偏差的位置进行筛选，避免由于可见光导致待检测图像与标准图像产生误差导致误检的情况，或者由于偏差值较小，并不会引起场景堵塞，避免误检。统计偏差值大于偏差值阈值的目标位置以及对应的像素。基于该目标位置以及像素确定待检测图像中的目标区域，即存在可疑堆积物的区域。
步骤S204，基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
具体的，基于识别算法或基于待检测图像中目标区域的大小，判断待检测图像中是否存在堆积物。例如，通过预先训练好的神经网络模型或机器学习模型对图像中的堆积物进行堆积物识别。又例如，设置图像中的区域面积阈值，当待检测图像中的目标区域的面积大于区域面积阈值，则确定待检测图像中存在堆积物。优选的，根据目标区域中像素对应的实际深度信息和标准深度信息，计算出目标区域对应的物体尺寸，若该物体的尺寸大于尺寸阈值，则确定待检测图像中存在堆积物。
通过上述步骤，本申请通过获取图像中每个像素对应的实际场景下的三维空间信息，将当前待检测图像的像素对应的实际深度信息与标准图像中的相同位置的像素对应的标准深度信息进行比对，得到偏差值，统计满足高度差的对应像素的位置，基于该位置获取可疑堵塞区域，根据该堵塞区域获取对应的堆积物的尺寸信息，基于堆积物尺寸与预设阈值的比较结果得到堵塞识别结果，解决了现有技术通过背景状态模型进行堵塞识别，当检测到背景变化即进行报警，易受到小型杂物干扰，造成误判的问题，实现了准确进行堵塞识别的技术效果。
在其中的一个实施例中，所述分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息包括：确定所述待检测图像中各个像素在所述待检测图像的图像坐标系中的第一平面坐标信息，将所述待检测图像中的所述平面坐标信息映射到参考坐标系得到的深度信息确定为所述实际深度信息，所述实际深度信息包括实际长度信息、实际宽度信息以及实际高度信息；确定所述标准图像中各个像素在所述标准图像的所述图像坐标系中的第二平面坐标信息，将所述标准图像中与所述第一平面坐标信息对应的第二平面坐标信息映射到所述参考坐标系得到的深度信息确定为所述标准深度信息，所述标准深度信息包括标准长度信息、标准宽度信息以及标准高度信息；基于所述实际高度信息与所述标准高度信息确定第一高度偏差值，并将所述第一高度偏差值作为所述偏差值。
具体的，待检测图像和标准图像通过双目相机获得。将双目相机按一定角度架设，获取当前场景的待检测图像。标准图像可以是预先获取的，连续多帧的基于当前场景的未堵塞图像。将待检测图像中每个像素的位置可通过像素位置坐标(i，j)表示，即第一平面坐标信息，其中，i表示该像素位于待检测图像对应的待检测图像矩阵的第i行，j表示该像素位于待检测图像对应的待检测图像矩阵的第j列。由于通过双目相机采集图像，通过标定内参和外参，可以获取待检测图像中的该像素的第一平面坐标信息映射到世界坐标系下的实际位置信息，即实际深度信息。像素的位置坐标(i，j)与待检测场景中像素对应位置的实际深度信息(x，y，z)进行对应。同理，获取到标准检测场景的标准图像像素的第二平面坐标信息(u，v)以及对应的标准深度信息(m，n，k)。若待检测图像像素的第一位置坐标(i0，j0)与标准图像像素的第二位置坐标(u0，v0)相同，则将待检测像素对应的实际深度信息中的实际高度信息z0与标准深度信息中的标准高度信息k0进行比对，得到高度偏差值。
在其中的一个实施例中，所述基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域包括：根据所述标准图像对应的标准图像矩阵获取初始统计图像矩阵，所述初始统计图像矩阵与所述标准图像矩阵的行宽相同且列宽相同，且所述初始统计图像矩阵中各位置的像素值都为0；根据所述待检测图像中大于所述偏差值阈值的所述第一高度偏差值对应的所述第一平面坐标信息，得到可疑位置信息；将所述初始统计图像矩阵中位置与所述可疑位置信息相同的像素值增加预设数值，得到目标统计图像；根据所述目标统计图像确定所述目标区域。
具体的，数字图像数据可以用矩阵来表示，因此可以采用矩阵理论和矩阵算法对数字图像进行分析和处理。由于数字图像可以表示为矩阵的形式，所以在计算机数字图像处理程序中，通常用二维数组来存放图像数据。视差图是指同一个场景在两个相机下成像的像素的位置偏差。建立与双目相机的视差图相同大小的矩阵X、Y、Z分别存在(i，j)对应的实际长度信息x，实际宽度信息y和实际高度信息z。根据标准图像矩阵获取初始统计图像矩阵，由于初始统计图像矩阵与标准图像矩阵的行宽相同且列宽相同，因此获取到可疑位置信息之后，对初始统计图像矩阵中相同位置的像素值添加预设值。例如，可疑位置信息为(1，2)和(2，2)，则对标准图像矩阵中位置信息为(1，2)和(2，2)的像素值加1，得到目标统计图像矩阵，根据目标统计图像矩阵得到目标统计图像进而得到可疑堵塞区域，即目标区域。
在其中的一个实施例中，将多帧待检测图像分别与标准图像进行比对，每次经过比对得到可疑位置信息之后，都对初始统计图像矩阵中与可疑位置信息相同位置的像素值添加预设值，即，初始统计图像矩阵经过多次累加得到目标统计图像矩阵。根据目标统计图像矩阵得到可疑堵塞区域。通过多次累计，可以提高目标统计图像的精度，使得获取的可疑堵塞区域更加准确。
在其中的一个实施例中，所述根据所述目标统计图像得到所述可疑堵塞区域包括：基于所述目标统计图像进行图像二值化，得到二值化统计图像；根据所述二值化统计图像获取可疑堵塞区域。具体的，获取初始二值频率矩阵，该初始二值频率矩阵与初始统计图像矩阵相同。获取预设统计阈值，将目标统计图像矩阵各个位置的像素值与预设统计阈值进行比对，得到大于预设统计阈值的像素值的位置信息，根据大于预设统计阈值的像素值的位置信息将初始二值频率矩阵中相同位置的像素值设为1，其余位置设为0，得到二值化统计图像。根据二值化统计图像获取可疑堵塞区域，即目标区域。
在其中的一个实施例中，所述获取待检测图像和标准图像之后包括：基于多帧所述标准图像进行高斯建模，得到高度背景模型；将待检测图像像素与高度背景模型对应的相同位置的像素的模型高度信息进行比对，得到第二高度偏差值。
在其中的一个实施例中，所述得到第二高度偏差值之后还包括：基于多帧所述标准图像进行运动检测，建立可见光背景模型；统计所述第二高度偏差值小于第二预设阈值的像素位置，确定待更新区域位置信息；根据所述待更新区域位置信息获取待更新区域；将所述待检测图像中待更新区域图像与所述可见光背景模型中待更新区域图像进行特征比对，得到特征匹配参数；若所述特征匹配参数大于第三预设阈值，则根据所述待检测图像中待更新区域的位置信息以及对应像素值，替换所述可见光背景模型中、以及高度背景模型中的待更新区域图像的实际高度信息和对应像素值。
具体的，采用高斯建模对可见光双目图像中的左图像进行运动背景建模，获得可见光背景模型。将高度差值小于第二预设阈值的像素位置，作为待更新区域。优选的，第二预设阈值为5厘米。对应当前可见光图像区域和可见光背景模型区域进行图像对比，提取区域内图像特征，进行特征比对，若特征匹配比例大于80％，则认为该区域高度和可见光像素变化较小，此时待检测图像中待更新区域的位置信息以及对应的像素值，更新高度模型和可见光背景模型中对应区域的高度信息和像素值。通过可见光背景模型，避免了光照、水渍等带来的干扰，提高了高度背景模型的准确度。
在其中的一个实施例中，所述基于所述目标区域，确定所述待检测图像中是否存在所述堆积物包括：基于所述待检测图像中对应目标区域的各个像素的所述目标位置以及所述实际深度信息，确定所述待检测图像中可疑物品的实际尺寸信息；基于所述实际尺寸信息，确定所述可疑物品是否为堆积物。
在其中的一个实施例中，所述实际尺寸信息包括长度信息、高度信息和宽度信息，所述基于所述实际尺寸信息，确定所述可疑物品是否为堆积物包括：将所述长度信息与长度阈值进行比对，得到第一比对结果；将所述宽度信息与宽度阈值进行比对，得到第二比对结果；将所述高度信息与高度阈值进行比对，得到第三比对结果；根据所述第一比对结果、第二比对结果以及第三比对结果，确定所述待检测图像中的可疑物品是否为堆积物，若所述可疑物品为堆积物，则确定所述堆积物的堵塞等级。
具体的，第一比对结果包括可疑物品长度大于或等于长度阈值和可疑物品长度小于长度阈值；第二比对结果包括可疑物品宽度大于或等于宽度阈值和可疑物品宽度小于宽度阈值；第三比对结果包括可疑物品高度大于或等于高度阈值和可疑物品高度小于高度阈值。用户可根据实际需要设置判断条件，当第一比对结果、第二比对结果和第三比对结果中的一个或多个为可疑物品的实际尺寸信息大于对应阈值，则将可疑物品确定为堆积物。优选的，当可疑物品长度大于或等于长度阈值、可疑物品宽度大于或等于宽度阈值且可疑物品高度大于或等于高度阈值时，将可疑物品确定为堆积物。此外，用户可以设置多级阈值，该多级阈值与堵塞等级相对应。例如：设置第一高度阈值为20厘米、第二高度阈值为40厘米、第三高度阈值为60厘米。对应的堵塞等级分别为轻度堵塞堆积物、中度堵塞堆积物和高度堵塞堆积物。
在其中的一个实施例中，所述待检测图像和所述标准图像通过双目相机采集。
下面通过优选实施例对本实施例进行描述和说明。
图3是本优选实施例的堆积物识别方法的流程图。如图3所示，双目相机45度架设，标定相机内参和外参。通过双目相机获取图像中每个像素的3D信息(x，y，z)，图像中每个像素坐标(i，j)与3D信息对应。图像左上角对应为世界坐标系中原点，x为对应坐标原点的长；y为对应坐标原点的宽；z为对应坐标原点的高。建立与视差图相同大小的矩阵X、Y、Z分别存在(i，j)对应的x、y、z信息。获取初始统计图像矩阵以及初始二值频率矩阵，对高度矩阵进行高度建模。
获取多帧未堵塞图像，采用高斯背景建模获得高度背景高斯模型；同理采用高斯建模对可见光双目图像中的左图像进行运动背景建模，获得可见光背景模型。
建模后获取多帧待检测图像，每次比对过程中，将待检测图像像素对应的高度矩阵和未堵塞图形对应的高度模型进行比较，记录每个位置的高度差值；设置阈值A，优选的阈值A为40厘米，如果高度差值大于阈值A，则初始统计图像矩阵中对应高度差值的位置加1，进而获得目标统计图像矩阵。基于得到的目标统计图像矩阵进行处理，对于像素值大于第二阈值B的位置，则将初始二值频率矩阵中对应位置设置为1，否则设置为0。基于设置后的初始二值频率矩阵得到二值化统计图像。优选的，第二阈值B为100。
根据二值化统计图像进行外轮廓检测，获得满足可疑堵塞区域；可疑堵塞区域为(Zx1，Zy1，Zx2，Zy2)，其中，(Zx1，Zy1)表示可疑堵塞区域外接检测框的左上角顶点的图像像素坐标；(Zx2，Zy2)表示的可疑堵塞区域外接检测框的右下角顶点的图像像素坐标。根据可疑堵塞区域获取待检测图像中可疑堵塞区域的对应的三维坐标矩X、Y、Z。对矩阵X、Y、Z进行中值滤波5*5，以避免出现异常值。计算出堆积物的长、宽、高。预先配置的尺寸阈值包括：长度阈值为40厘米、宽度阈值为50厘米，高度阈值为60厘米，若堆积物的尺寸长、宽、高全部大于对应阈值，则判断通道堵塞并进行报警，报警方式可以为语音提示或灯光提示等，本发明对报警规则不作具体限定。
需要强调的是，在获取高度差值之后，获取第二预设阈值M，其中，第二预设阈值M小于阈值A，优选的，第二预设阈值M为5厘米。若高度差值小于第二预设阈值M，则将满足该条件的高度差值对应的区域作为满足区域N。基于满足区域N，对应当前可见光图像区域和可见光背景模型区域进行图像对比，提取区域内图像特征，进行特征比对，特征匹配比例大于第三特征阈值，例如第三特征阈值为80％，则认为该区域高度和可见光像素变化较小，并根据待检测图像中满足区域N内的像素高度信息和像素值更新高度模型和可见光背景模型中对应区域的高度信息和像素信息。
通过上述步骤，本申请采用双目相机获得图像中对应目标3D信息，对高度信息进行建模获得高度背景模型，对可见光图像进行运动背景建模；通过当前高度和建模高度进行比较，获取可疑位置信息；对存在高度差值的像素统计出现频率，获得高度差异频率图，即目标统计图像；并将目标统计图像二值化，通过聚类算法获取可疑堵塞区域。基于可疑堵塞轮廓，结合3D信息获取可疑堆积物的长、宽和高信息，对满足堵塞规则的目标进行报警。能够有效过滤非堵塞物体的干扰，降低堵塞识别的误报率。此外，本申请还基于实时获取的待检测图像对高度模型和可见光背景模型更新，通过获得当前高度和建模高度差异较小区域；对比当前可见光区域和可见光背景区域，通过特征对比，计算对应区域差异，如果差异小于设置规则，将高度模型和可见光背景模型对应区域数据更新。避免了光照和水渍等带来的干扰。并且，相较于现有技术中基于深度学习模型进行堵塞物品识别的方法，本申请提出的堆积物识别方法，基于堆积物的尺寸进行堵塞识别，适用性更强，更能满足真实场景需求。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种堆积物识别装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图4是本实施例的堆积物识别装置的结构框图，如图4所示，该装置包括：
第一获取模块10，用于获取待检测图像和标准图像，所述标准图像中不包括堆积物；
第二获取模块20，用于分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；
计算模块30，用基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；
判断模块40，用于基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
所述第二获取模块20，还用于确定所述待检测图像中各个像素在所述待检测图像的图像坐标系中的第一平面坐标信息，将所述待检测图像中的所述平面坐标信息映射到参考坐标系得到的深度信息确定为所述实际深度信息，所述实际深度信息包括实际长度信息、实际宽度信息以及实际高度信息；确定所述标准图像中各个像素在所述标准图像的所述图像坐标系中的第二平面坐标信息，将所述标准图像中与所述第一平面坐标信息对应的第二平面坐标信息映射到所述参考坐标系得到的深度信息确定为所述标准深度信息，所述标准深度信息包括标准长度信息、标准宽度信息以及标准高度信息；基于所述实际高度信息与所述标准高度信息确定第一高度偏差值，并将所述第一高度偏差值作为所述偏差值。
所述计算模块30，还用于根据所述标准图像对应的标准图像矩阵获取初始统计图像矩阵，所述初始统计图像矩阵与所述标准图像矩阵的行宽相同且列宽相同，且所述初始统计图像矩阵中各位置的像素值都为0；根据所述待检测图像中大于所述偏差值阈值的所述第一高度偏差值对应的所述第一平面坐标信息，得到可疑位置信息；将所述初始统计图像矩阵中位置与所述可疑位置信息相同的像素值增加预设数值，得到目标统计图像；根据所述目标统计图像确定所述目标区域。
所述第二获取模块20，还用于基于多帧所述标准图像进行高斯建模，得到高度背景模型；将待检测图像像素与高度背景模型对应的相同位置的像素的模型高度信息进行比对，得到第二高度偏差值。
所述计算模块30，还用于基于多帧所述标准图像进行运动检测，建立可见光背景模型；统计所述第二高度偏差值小于第二预设阈值的像素位置，确定待更新区域位置信息；根据所述待更新区域位置信息获取待更新区域；将所述待检测图像中待更新区域图像与所述可见光背景模型中待更新区域图像进行特征比对，得到特征匹配参数；若所述特征匹配参数大于第三预设阈值，则根据所述待检测图像中待更新区域的位置信息以及对应像素值，替换所述可见光背景模型中、以及高度背景模型中的待更新区域图像的实际高度信息和对应像素值。
所述判断模块40，还用于基于所述待检测图像中对应目标区域的各个像素的所述目标位置以及所述实际深度信息，确定所述待检测图像中可疑物品的实际尺寸信息；基于所述实际尺寸信息，确定所述可疑物品是否为堆积物。
所述判断模块40，还用于将所述长度信息与长度阈值进行比对，得到第一比对结果；将所述宽度信息与宽度阈值进行比对，得到第二比对结果；将所述高度信息与高度阈值进行比对，得到第三比对结果；根据所述第一比对结果、第二比对结果以及第三比对结果，确定所述待检测图像中的可疑物品是否为堆积物，若所述可疑物品为堆积物，则确定所述堆积物的堵塞等级。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在本实施例中还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取待检测图像和标准图像。
S2，分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息。
S3，基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域。
S4，基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。
此外，结合上述实施例中提供的堵塞识别方法，在本实施例中还可以提供一种存储介质来实现。该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实施例中的任意一种堵塞识别方法。
应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。
显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。
“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种堆积物识别方法，其特征在于，包括：
获取待检测图像和标准图像，所述标准图像中不包括堆积物；
分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；
基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；
基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
2.根据权利要求1所述的堆积物识别方法，其特征在于，所述分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息包括：
确定所述待检测图像中各个像素在所述待检测图像的图像坐标系中的第一平面坐标信息，将所述待检测图像中的所述平面坐标信息映射到参考坐标系得到的深度信息确定为所述实际深度信息，所述实际深度信息包括实际长度信息、实际宽度信息以及实际高度信息；
确定所述标准图像中各个像素在所述标准图像的所述图像坐标系中的第二平面坐标信息，将所述标准图像中与所述第一平面坐标信息对应的第二平面坐标信息映射到所述参考坐标系得到的深度信息确定为所述标准深度信息，所述标准深度信息包括标准长度信息、标准宽度信息以及标准高度信息；
基于所述实际高度信息与所述标准高度信息确定第一高度偏差值，并将所述第一高度偏差值作为所述偏差值。
3.根据权利要求2所述的堆积物识别方法，其特征在于，所述基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域包括：
根据所述标准图像对应的标准图像矩阵获取初始统计图像矩阵，所述初始统计图像矩阵与所述标准图像矩阵的行宽相同且列宽相同，且所述初始统计图像矩阵中各位置的像素值都为0；
根据所述待检测图像中大于所述偏差值阈值的所述第一高度偏差值对应的所述第一平面坐标信息，得到可疑位置信息；
将所述初始统计图像矩阵中位置与所述可疑位置信息相同的像素值增加预设数值，得到目标统计图像；
根据所述目标统计图像确定所述目标区域。
4.根据权利要求1所述的堆积物识别方法，其特征在于，所述获取待检测图像和标准图像之后包括：
基于多帧所述标准图像进行高斯建模，得到高度背景模型；
将待检测图像像素与高度背景模型对应的相同位置的像素的模型高度信息进行比对，得到第二高度偏差值。
5.根据权利要求4所述的堆积物识别方法，其特征在于，所述得到第二高度偏差值之后还包括：
基于多帧所述标准图像进行运动检测，建立可见光背景模型；
统计所述第二高度偏差值小于第二预设阈值的像素位置，确定待更新区域位置信息；
根据所述待更新区域位置信息获取待更新区域；
将所述待检测图像中待更新区域图像与所述可见光背景模型中待更新区域图像进行特征比对，得到特征匹配参数；
若所述特征匹配参数大于第三预设阈值，则根据所述待检测图像中待更新区域的位置信息以及对应像素值，替换所述可见光背景模型中、以及高度背景模型中的待更新区域图像的实际高度信息和对应像素值。
6.根据权利要求1所述的堆积物识别方法，其特征在于，所述基于所述目标区域，确定所述待检测图像中是否存在所述堆积物包括：
基于所述待检测图像中对应目标区域的各个像素的所述目标位置以及所述实际深度信息，确定所述待检测图像中可疑物品的实际尺寸信息；
基于所述实际尺寸信息，确定所述可疑物品是否为堆积物。
7.根据权利要求6所述的堆积物识别方法，其特征在于，所述实际尺寸信息包括长度信息、高度信息和宽度信息，所述基于所述实际尺寸信息，确定所述可疑物品是否为堆积物包括：
将所述长度信息与长度阈值进行比对，得到第一比对结果；
将所述宽度信息与宽度阈值进行比对，得到第二比对结果；
将所述高度信息与高度阈值进行比对，得到第三比对结果；
根据所述第一比对结果、第二比对结果以及第三比对结果，确定所述待检测图像中的可疑物品是否为堆积物，若所述可疑物品为堆积物，则确定所述堆积物的堵塞等级。
8.根据权利要求1所述的堆积物识别方法，其特征在于，所述待检测图像和所述标准图像通过双目相机采集。
9.一种堆积物识别装置，其特征在于，包括：
第一获取模块，用于获取待检测图像和标准图像，所述标准图像中不包括堆积物；
第二获取模块，用于分别将所述待检测图像中各个像素的位置确定为目标位置，并确定各个所述目标位置对应的实际深度信息和标准深度信息；所述实际深度信息是由所述待检测图像中的所述目标位置映射得到的，所述标准深度信息是由所述标准图像中对应的所述目标位置映射得到的；
计算模块，用于基于所述待检测图像中所述实际深度信息和所述标准深度信息的偏差值大于偏差值阈值的所述目标位置的像素，确定所述待检测图像中的目标区域；
判断模块，用于基于所述目标区域，确定所述待检测图像中是否存在所述堆积物。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至8中任一项所述的堆积物识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110846770.8A CN113657191A (zh) | 2021-07-26 | 2021-07-26 | 堆积物识别方法、装置和电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110846770.8A CN113657191A (zh) | 2021-07-26 | 2021-07-26 | 堆积物识别方法、装置和电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113657191A true CN113657191A (zh) | 2021-11-16 |
Family
ID=78478741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110846770.8A Pending CN113657191A (zh) | 2021-07-26 | 2021-07-26 | 堆积物识别方法、装置和电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657191A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1093954A (ja) * | 1996-09-13 | 1998-04-10 | Oki Electric Ind Co Ltd | 物体検知方法及びシステム |
| WO2017087244A1 (en) * | 2015-11-18 | 2017-05-26 | Symbol Technologies, Llc | Methods and systems for container fullness estimation |
| JP2017111815A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 堆積物体の認識方法と装置 |
| CN108227015A (zh) * | 2016-12-21 | 2018-06-29 | 电缆检测有限公司 | 地下公共设施测绘 |
| CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
| CN111546891A (zh) * | 2020-05-27 | 2020-08-18 | 张厂林 | 一种基于大数据的车辆安全监测管理系统 |
| CN112070053A (zh) * | 2020-09-16 | 2020-12-11 | 青岛维感科技有限公司 | 背景图像的自更新方法、装置、设备及存储介质 |
-
2021
- 2021-07-26 CN CN202110846770.8A patent/CN113657191A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1093954A (ja) * | 1996-09-13 | 1998-04-10 | Oki Electric Ind Co Ltd | 物体検知方法及びシステム |
| WO2017087244A1 (en) * | 2015-11-18 | 2017-05-26 | Symbol Technologies, Llc | Methods and systems for container fullness estimation |
| JP2017111815A (ja) * | 2015-12-15 | 2017-06-22 | 株式会社リコー | 堆積物体の認識方法と装置 |
| CN108227015A (zh) * | 2016-12-21 | 2018-06-29 | 电缆检测有限公司 | 地下公共设施测绘 |
| CN111310645A (zh) * | 2020-02-12 | 2020-06-19 | 上海东普信息科技有限公司 | 货物堆积量的溢仓预警方法、装置、设备及存储介质 |
| CN111546891A (zh) * | 2020-05-27 | 2020-08-18 | 张厂林 | 一种基于大数据的车辆安全监测管理系统 |
| CN112070053A (zh) * | 2020-09-16 | 2020-12-11 | 青岛维感科技有限公司 | 背景图像的自更新方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| IRENA BAGIŃSKA ET AL: "Identification of soil types and their arrangement in overburden heaps using the deconvolution approach and CPTu tests results", 《ENGINEERING GEOLOGY》, 31 October 2020 (2020-10-31), pages 1 - 15 * |
| 张森: "基于面结构光的堆积物体积快速测量方法", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 February 2021 (2021-02-15), pages 005 - 405 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428522B (zh) | 一种智慧新城的智能安防系统 | |
| US8891825B2 (en) | Tracking method | |
| Camplani et al. | Background foreground segmentation with RGB-D Kinect data: An efficient combination of classifiers | |
| Yang et al. | Counting people in crowds with a real-time network of simple image sensors | |
| US20190130189A1 (en) | Suppressing duplicated bounding boxes from object detection in a video analytics system | |
| CN104303193B (zh) | 基于聚类的目标分类 | |
| US20200012923A1 (en) | Computer device for training a deep neural network | |
| US10009579B2 (en) | Method and system for counting people using depth sensor | |
| WO2019083738A1 (en) | METHODS AND SYSTEMS FOR APPLYING COMPLEX OBJECT DETECTION IN A VIDEO ANALYSIS SYSTEM | |
| CN112102409A (zh) | 目标检测方法、装置、设备及存储介质 | |
| Rougier et al. | Video surveillance for fall detection | |
| CN111899279A (zh) | 一种目标对象的运动速度检测方法及装置 | |
| CN112633096A (zh) | 客流的监测方法、装置、电子设备及存储介质 | |
| CN115880765A (zh) | 区域入侵异常行为检测方法、装置及计算机设备 | |
| Jung et al. | Object Detection and Tracking‐Based Camera Calibration for Normalized Human Height Estimation | |
| CN113657191A (zh) | 堆积物识别方法、装置和电子装置 | |
| CN107613269A (zh) | 一种监控效果好的安防监控系统 | |
| Shi et al. | An algorithm of occlusion detection for the surveillance camera | |
| Takeda et al. | Calibration‐Free Height Estimation for Person | |
| CN107103267A (zh) | 一种基于视频的打架斗殴行为检测方法、装置 | |
| CN115578827B (zh) | 基于ai视频的危化品领用容器跟踪方法及系统 | |
| Baumann et al. | Classification of 3D structures based on an object detection for facade elements in multiple views during the reconstruction process | |
| Olaniyi et al. | A Systematic Review of Background Subtraction Algorithms for Smart Surveillance System | |
| Landabaso et al. | Hierarchical representation of scenes using activity information | |
| CN116503810A (zh) | 一种安全监控视频目标检测方法及相关装置 |
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 |