CN113658229B - 异常对象的确定方法及装置、存储介质、电子装置 - Google Patents
异常对象的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN113658229B CN113658229B CN202110932759.3A CN202110932759A CN113658229B CN 113658229 B CN113658229 B CN 113658229B CN 202110932759 A CN202110932759 A CN 202110932759A CN 113658229 B CN113658229 B CN 113658229B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- determining
- area
- edge
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000033001 locomotion Effects 0.000 claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 10
- 241000238631 Hexapoda Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000256626 Pterygota <winged insects> Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06T7/254—Analysis of motion involving subtraction of images
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
Abstract
本发明实施例提供了一种异常对象的确定方法及装置、存储介质、电子装置,该方法包括在目标区域内出现目标对象的情况下,获取目标区域内的第一图像,其中,第一图像中包括目标对象;利用第一图像和第二图像确定目标对象的运动区域,其中,第二图像包括目标区域中的背景信息,运动区域中包括目标对象的坐标信息;确定运动区域的边缘图像数据,其中,边缘图像数据用于表示运动区域的边缘轮廓信息;基于边缘图像数据确定目标对象是否异常。通过本发明,解决了相关技术中对图像中对象的识别不准确的问题,达到准确识别出异常对象的效果。
Description
技术领域
本发明实施例涉及通信领域,具体而言,涉及一种异常对象的确定方法及装置、存储介质、电子装置。
背景技术
安防监控系统在人类生产和生活中起着越来越重要的作用,成为人们生活中不可或缺的一道安全屏障。目前,大多数视频监控系统为移动触发式视频监控系统,其基本工作原理是:检测是否存在移动对象,并在检测到存在移动对象之后开启视频监控功能。然而,在实际应用中,基于该原理工作的视频监控系统具有诸多缺陷。例如,对于飞虫等近景目标无法过滤。
针对上述技术问题,相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种异常对象的确定方法及装置、存储介质、电子装置,以至少解决相关技术中对图像中的对象识别不准确的问题。
根据本发明的一个实施例,提供了一种异常对象的确定方法,包括:在目标区域内出现目标对象的情况下,获取上述目标区域内的第一图像,其中,上述第一图像中包括上述目标对象;利用上述第一图像和第二图像确定上述目标对象的运动区域,其中,上述第二图像包括上述目标区域中的背景信息,上述运动区域中包括上述目标对象的坐标信息;确定上述运动区域的边缘图像数据,其中,上述边缘图像数据用于表示上述运动区域的边缘轮廓信息;基于上述边缘图像数据确定上述目标对象是否异常。
根据本发明的另一个实施例,提供了一种异常对象的确定装置,包括:第一获取模块,用于在目标区域内出现目标对象的情况下,获取上述目标区域内的第一图像,其中,上述第一图像中包括上述目标对象;第一确定模块,用于利用上述第一图像和第二图像确定上述目标对象的运动区域,其中,上述第二图像包括上述目标区域中的背景信息,上述运动区域中包括上述目标对象的坐标信息;第二确定模块,用于确定上述运动区域的边缘图像数据,其中,上述边缘图像数据用于表示上述运动区域的边缘轮廓信息;第三确定模块,用于基于上述边缘图像数据确定上述目标对象是否异常。
在一个示例性实施例中,上述第一确定模块,包括:第一确定单元,用于确定上述第一图像的第一图像矩阵和上述第二图像的第二图像矩阵;第一计算单元,用于计算上述第一图像矩阵和上述第二图像矩阵之间的矩阵差值;第二确定单元,用于将上述矩阵差值对应的图像坐标确定为上述运动区域。
在一个示例性实施例中,上述第二确定模块,包括:第三确定单元,用于从上述目标对象的坐标信息中确定上述目标对象在上述第一图像中的高度信息和宽度信息;第二计算单元,用于利用上述高度信息和上述宽度信息计算上述目标对象在上述第一图像中的面积;第一过滤单元,用于基于上述面积从上述第一图像中过滤上述运动区域,得到运动区域数据;第四确定单元,用于利用上述运动区域数据确定上述边缘图像数据。
在一个示例性实施例中,上述第四确定单元,包括:第一检测子单元,用于利用边缘检测算法从上述运动区域数据中检测出上述运动区域的边缘区域;第一扩展子单元,用于按照预设数量的像素值扩展上述边缘区域,得到上述边缘图像数据。
在一个示例性实施例中,上述第三确定模块,包括:第三计算单元,用于计算上述边缘图像数据的方差值;第一比较单元,用于将上述方差值与预设阈值进行比较;第五确定单元,用于基于比较结果确定上述目标对象是否异常。
在一个示例性实施例中,上述第五确定单元,包括:第一确定子单元,用于在上述方差值大于上述预设阈值的情况下,确定上述目标对象异常,其中,上述目标对象在上述第一图像中的边缘区域清晰度满足预设清晰度。
在一个示例性实施例中,上述装置还包括:第一输出模块,用于在上述方差值大于上述预设阈值的情况下,确定上述目标对象异常之后,输出报警信息,其中,上述报警信息用于表示触发对上述目标对象的报警。
在一个示例性实施例中,上述第五确定单元包括:第二确定子单元,用于在上述方差值小于或等于上述预设阈值的情况下,确定上述目标对象非异常,其中,上述目标对象在上述第一图像中的边缘区域清晰度未满足预设清晰度。
根据本发明的又一个实施例,还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,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上述任一项方法实施例中的步骤。
通过本发明,通过在目标区域内出现目标对象的情况下,获取目标区域内的第一图像,其中,第一图像中包括目标对象;利用第一图像和第二图像确定目标对象的运动区域,其中,第二图像包括目标区域中的背景信息,运动区域中包括目标对象的坐标信息;确定运动区域的边缘图像数据,其中,边缘图像数据用于表示运动区域的边缘轮廓信息;基于边缘图像数据确定目标对象是否异常。实现了通过目标区域中的背景图像确定出目标对象的运动区域的目的,并基于运动区域的边缘图像数据确定出目标对象是否是异常对象。因此,可以解决相关技术中对图像中对象的识别不准确的问题,达到准确识别出异常对象的效果。
附图说明
图1是本发明实施例的一种异常对象的确定方法的移动终端的硬件结构框图;
图2是根据本发明实施例的异常对象的确定方法的流程图;
图3是根据本发明具体实施例的流程图;
图4是根据本发明实施例的远景图像的示意图(一);
图5根据本发明实施例的远景图像的示意图(二);
图6根据本发明实施例的近景图像的示意图(一);
图7据本发明实施例的近景图像的示意图(二);
图8是根据本发明实施例的异常对象的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种异常对象的确定方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(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)和用于存储数据的存储器104,其中,上述移动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,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
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,如本发明实施例中的异常对象的确定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移动终端。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface 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,传输装置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。
在本实施例中提供了一种异常对象的确定方法,图2是根据本发明实施例的异常对象的确定方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,在目标区域内出现目标对象的情况下,获取目标区域内的第一图像,其中,第一图像中包括目标对象;
步骤S204,利用第一图像和第二图像确定目标对象的运动区域,其中,第二图像包括目标区域中的背景信息,运动区域中包括目标对象的坐标信息;
步骤S206,确定运动区域的边缘图像数据,其中,边缘图像数据用于表示运动区域的边缘轮廓信息;
步骤S208,基于边缘图像数据确定目标对象是否异常。
其中,上述步骤的执行主体可以为终端等,但不限于此。
本实施例包括但不限于应用于对目标区域中的对象进行识别的场景中,例如,对飞虫等近景对象进行的识别过程。
在本实施例中,目标区域包括但不限于是摄像设备所能拍摄到的区域。例如,拍摄办公室中人员的走动,或者飞虫的飞动等。飞虫相对于人,尺寸比例要小40倍。要产生在画面上相同大小的占比,昆虫离镜头的距离要比人小40倍。一般监控镜头焦距3.6mm,近景目标轮廓较模糊。
在本实施例中,第一图像中包括活动的对象。第二图像中仅包括目标区域中的背景图像。通过第一图像和第二图像之间的帧差可以确定出目标对象的运动区域。
在实施例中,边缘图像数据可以是清晰的图像,例如,行人距离摄像设备较远,获取的行人的图像的边缘是清晰的。边缘图像数据也可能是模糊的图像,例如,飞虫距离摄像设备比较近的情况下,获取的飞虫的图像的边缘是模糊的。
通过上述步骤,通过在目标区域内出现目标对象的情况下,获取目标区域内的第一图像,其中,第一图像中包括目标对象;利用第一图像和第二图像确定目标对象的运动区域,其中,第二图像包括目标区域中的背景信息,运动区域中包括目标对象的坐标信息;确定运动区域的边缘图像数据,其中,边缘图像数据用于表示运动区域的边缘轮廓信息;基于边缘图像数据确定目标对象是否异常。实现了通过目标区域中的背景图像确定出目标对象的运动区域的目的,并基于运动区域的边缘图像数据确定出目标对象是否是异常对象。因此,可以解决相关技术中对图像中对象的识别不准确的问题,达到准确识别出异常对象的效果。
在一个示例性实施例中,利用第一图像和第二图像确定目标对象的运动区域,包括:
S1,确定第一图像的第一图像矩阵和第二图像的第二图像矩阵;
S2,计算第一图像矩阵和第二图像矩阵之间的矩阵差值;
S3,将矩阵差值对应的图像坐标确定为运动区域。
在本实施例中,例如,第一图像的第一图像矩阵是yuv_background[x0,y0],第二图像的第二图像矩阵是tmp_background[x0,y0],根据两张图像之间的帧差得到运动区域[x1,y1,h,w],其中,x1,y1是运动区域的坐标;h,w是运动区域的高度和宽度。
在一个示例性实施例中,确定运动区域的边缘图像数据,包括:
S1,从目标对象的坐标信息中确定目标对象在第一图像中的高度信息和宽度信息;
S2,利用高度信息和宽度信息计算目标对象在第一图像中的面积;
S3,基于面积从第一图像中过滤运动区域,得到运动区域数据;
S4,利用运动区域数据确定边缘图像数据。
在本实施例中,例如,运动区域的高度和宽度是h和w,根据h*w面积进行过滤,微小区域动检进行过滤,微小区域过滤后得到运动区域数据。
在一个示例性实施例中,利用运动区域数据确定边缘图像数据,包括:
S1,利用边缘检测算法从运动区域数据中检测出运动区域的边缘区域;
S2,按照预设数量的像素值扩展边缘区域,得到边缘图像数据。
在本实施例中,例如,利用边缘检测算法Canny算法来计算得到边缘区域,根据得到的边缘区域对图像数据外扩6个像素,得到边缘图像数据。
在一个示例性实施例中,基于边缘图像数据确定目标对象是否异常,包括:
S1,计算边缘图像数据的方差值;
S2,将方差值与预设阈值进行比较;
S3,基于比较结果确定目标对象是否异常。
在一个示例性实施例中,基于比较结果确定目标对象异常,包括:
S1,在方差值大于预设阈值的情况下,确定目标对象异常,其中,目标对象在第一图像中的边缘区域清晰度满足预设清晰度。
在本实施例中,在方差值大于预设阈值的情况下,判断目标对象的边缘比较清晰,为远景目标触发。
在一个示例性实施例中,在方差值大于预设阈值的情况下,确定目标对象异常之后,方法还包括:
S1,输出报警信息,其中,报警信息用于表示触发对目标对象的报警。
在本实施例中,图像动检区域边缘计算得到的方差与阈值进行比较,方差大于阈值,则判断边缘比较清晰,为远景目标触发,确定目标对象是活动的异常对象。
在一个示例性实施例中,基于比较结果确定目标对象非异常,包括:
S1,在方差值小于或等于预设阈值的情况下,确定目标对象非异常,其中,目标对象在第一图像中的边缘区域清晰度未满足预设清晰度。
在本实施例中,在方差值小于或等于预设阈值的情况下,目标对象的边缘比较模糊,为近景目标触发。判断为近景小目标触发,目标对象不是异常对象。
下面结合具体实施例对本发明进行说明:
本实施例中,第一图像以当前图像为例,第二图像以背景图像为例进行说明,如图3所示,本实施例包括以下步骤:
S301,获取背景图像矩阵数据yuv_background[x0,y0];
S302,获取当前图像矩阵数据tmp_background[x0,y0];
S303,根据两张图片帧差得到运动区域[x1,y1,h,w];
S304,根据h*w面积进行过滤,微小区域动检进行过滤;
S305,微小区域过滤后,得到运动区域数据,move_img[h,w]=tmp_background[x1:x1+h,y1:y1+w];
S306,通过canny算法来计算得到运动区域边缘,edge[h,w]=canny(move_img);
S307,根据得到的边缘对图像数据外扩6个像素,得到边缘图像数据,edge_img[h,w]=extract_edge(move_img,edge);通过对边缘数据edge_img[h,w]求取方差;
S310-S311,图像动检区域边缘计算得到的方差与阈值进行比较,方差大于阈值,则判断边缘比较清晰,为远景目标触发(如图4、图5所示),报警不做过滤。
S308-S309,图像动检区域边缘计算得到的方差与阈值进行比较,方差小于阈值,则判断边缘比较模糊,为近景目标触发(如图6、图7所示)。判断为近景小目标触发,报警做过滤。
综上所述,本实施例通过帧差法迅速确定画面运动区域;通过Canny算法得到的边缘数据,提取出原图像的运动边缘图像数据;通过对运动边缘图像数据求取方法来得到边缘模糊度评估指标;结合定焦镜头成像原理,利用近景目标成像边缘模糊特定来确认目标是否模糊;通过方差数据来评判是否为近景目标触发;近景目标模糊来过滤动检报警,从而规避夜晚飞虫等小目标在镜头近出移动而产生的报警。使得成本低,消耗的资源少,能过滤近景小目标产生的动检。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
在本实施例中还提供了一种异常对象的确定装置,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。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例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8是根据本发明实施例的异常对象的确定装置的结构框图,如图8所示,该装置包括:
第一获取模块82,用于在目标区域内出现目标对象的情况下,获取目标区域内的第一图像,其中,第一图像中包括目标对象;
第一确定模块84,用于利用第一图像和第二图像确定目标对象的运动区域,其中,第二图像包括目标区域中的背景信息,运动区域中包括目标对象的坐标信息;
第二确定模块86,用于确定运动区域的边缘图像数据,其中,边缘图像数据用于表示运动区域的边缘轮廓信息;
第三确定模块88,用于基于边缘图像数据确定目标对象是否异常。
在一个示例性实施例中,上述第一确定模块,包括:
第一确定单元,用于确定上述第一图像的第一图像矩阵和上述第二图像的第二图像矩阵;
第一计算单元,用于计算上述第一图像矩阵和上述第二图像矩阵之间的矩阵差值;
第二确定单元,用于将上述矩阵差值对应的图像坐标确定为上述运动区域。
在一个示例性实施例中,上述第二确定模块,包括:
第三确定单元,用于从上述目标对象的坐标信息中确定上述目标对象在上述第一图像中的高度信息和宽度信息;
第二计算单元,用于利用上述高度信息和上述宽度信息计算上述目标对象在上述第一图像中的面积;
第一过滤单元,用于基于上述面积从上述第一图像中过滤上述运动区域,得到运动区域数据;
第四确定单元,用于利用上述运动区域数据确定上述边缘图像数据。
在一个示例性实施例中,上述第四确定单元,包括:
第一检测子单元,用于利用边缘检测算法从上述运动区域数据中检测出上述运动区域的边缘区域;
第一扩展子单元,用于按照预设数量的像素值扩展上述边缘区域,得到上述边缘图像数据。
在一个示例性实施例中,上述第三确定模块,包括:
第三计算单元,用于计算上述边缘图像数据的方差值;
第一比较单元,用于将上述方差值与预设阈值进行比较;
第五确定单元,用于基于比较结果确定上述目标对象是否异常。
在一个示例性实施例中,上述第五确定单元,包括:
第一确定子单元,用于在上述方差值大于上述预设阈值的情况下,确定上述目标对象异常,其中,上述目标对象在上述第一图像中的边缘区域清晰度满足预设清晰度。
在一个示例性实施例中,上述装置还包括:
第一输出模块,用于在上述方差值大于上述预设阈值的情况下,确定上述目标对象异常之后,输出报警信息,其中,上述报警信息用于表示触发对上述目标对象的报警。
在一个示例性实施例中,上述第五确定单元包括:
第二确定子单元,用于在上述方差值小于或等于上述预设阈值的情况下,确定上述目标对象非异常,其中,上述目标对象在上述第一图像中的边缘区域清晰度未满足预设清晰度。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中,上述计算机可读存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
在一个示例性实施例中,上述计算机可读存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例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。
在一个示例性实施例中,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。
在一个示例性实施例中,上述处理器可以被设置为通过计算机程序执行以上各步骤。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种异常对象的确定方法,其特征在于,包括:
在目标区域内出现目标对象的情况下,获取所述目标区域内的第一图像,其中,所述第一图像中包括所述目标对象;
利用所述第一图像和第二图像确定所述目标对象的运动区域,其中,所述第二图像包括所述目标区域中的背景信息,所述运动区域中包括所述目标对象的坐标信息;
确定所述运动区域的边缘图像数据,其中,所述边缘图像数据用于表示所述运动区域的边缘轮廓信息;
基于所述边缘图像数据确定所述目标对象是否异常。
2.根据权利要求1所述的方法,其特征在于,利用所述第一图像和第二图像确定所述目标对象的运动区域,包括:
确定所述第一图像的第一图像矩阵和所述第二图像的第二图像矩阵;
计算所述第一图像矩阵和所述第二图像矩阵之间的矩阵差值;
将所述矩阵差值对应的图像坐标确定为所述运动区域。
3.根据权利要求1所述的方法,其特征在于,确定所述运动区域的边缘图像数据,包括:
从所述目标对象的坐标信息中确定所述目标对象在所述第一图像中的高度信息和宽度信息;
利用所述高度信息和所述宽度信息计算所述目标对象在所述第一图像中的面积;
基于所述面积从所述第一图像中过滤所述运动区域,得到运动区域数据;
利用所述运动区域数据确定所述边缘图像数据。
4.根据权利要求3所述的方法,其特征在于,利用所述运动区域数据确定所述边缘图像数据,包括:
利用边缘检测算法从所述运动区域数据中检测出所述运动区域的边缘区域;
按照预设数量的像素值扩展所述边缘区域,得到所述边缘图像数据。
5.根据权利要求1所述的方法,其特征在于,基于所述边缘图像数据确定所述目标对象是否异常,包括:
计算所述边缘图像数据的方差值;
将所述方差值与预设阈值进行比较;
基于比较结果确定所述目标对象是否异常。
6.根据权利要求5所述的方法,其特征在于,基于比较结果确定所述目标对象异常,包括:
在所述方差值大于所述预设阈值的情况下,确定所述目标对象异常,其中,所述目标对象在所述第一图像中的边缘区域清晰度满足预设清晰度。
7.根据权利要求6所述的方法,其特征在于,在所述方差值大于所述预设阈值的情况下,确定所述目标对象异常之后,所述方法还包括:
输出报警信息,其中,所述报警信息用于表示触发对所述目标对象的报警。
8.根据权利要求5所述的方法,其特征在于,基于比较结果确定所述目标对象非异常,包括:
在所述方差值小于或等于所述预设阈值的情况下,确定所述目标对象非异常,其中,所述目标对象在所述第一图像中的边缘区域清晰度未满足预设清晰度。
9.一种异常对象的确定装置,其特征在于,包括:
第一获取模块,用于在目标区域内出现目标对象的情况下,获取所述目标区域内的第一图像,其中,所述第一图像中包括所述目标对象;
第一确定模块,用于利用所述第一图像和第二图像确定所述目标对象的运动区域,其中,所述第二图像包括所述目标区域中的背景信息,所述运动区域中包括所述目标对象的坐标信息;
第二确定模块,用于确定所述运动区域的边缘图像数据,其中,所述边缘图像数据用于表示所述运动区域的边缘轮廓信息;
第三确定模块,用于基于所述边缘图像数据确定所述目标对象是否异常。
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中存储有计算机程序,其中,所述计算机程序被处理器执行时实现所述权利要求1至8任一项中所述的方法。
11.一种电子装置,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所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932759.3A CN113658229B (zh) | 2021-08-13 | 2021-08-13 | 异常对象的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110932759.3A CN113658229B (zh) | 2021-08-13 | 2021-08-13 | 异常对象的确定方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658229A CN113658229A (zh) | 2021-11-16 |
CN113658229B true CN113658229B (zh) | 2024-02-02 |
Family
ID=78491602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110932759.3A Active CN113658229B (zh) | 2021-08-13 | 2021-08-13 | 异常对象的确定方法及装置、存储介质、电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658229B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593666A (zh) * | 2012-08-13 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、过滤方法及相关装置 |
CN106845331A (zh) * | 2016-11-18 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控系统的人体异常行为识别方法 |
CN108389195A (zh) * | 2018-02-24 | 2018-08-10 | 北京理工大学 | 图像检测方法及装置 |
CN110517246A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN110781853A (zh) * | 2019-11-01 | 2020-02-11 | 浙江大华技术股份有限公司 | 人群异常检测方法以及相关装置 |
CN111540020A (zh) * | 2020-04-28 | 2020-08-14 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质、电子装置 |
CN112132881A (zh) * | 2016-12-12 | 2020-12-25 | 华为技术有限公司 | 一种动态三维图像获取的方法和设备 |
CN112637568A (zh) * | 2020-12-24 | 2021-04-09 | 中标慧安信息技术股份有限公司 | 基于多节点边缘计算设备的分布式安全监控方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039637A1 (en) * | 2013-07-31 | 2015-02-05 | The Nielsen Company (Us), Llc | Systems Apparatus and Methods for Determining Computer Apparatus Usage Via Processed Visual Indicia |
JP6299373B2 (ja) * | 2014-04-18 | 2018-03-28 | 富士通株式会社 | 撮像方向の正常性の判定方法、撮像方向の正常性の判定プログラムおよび撮像方向の正常性の判定装置 |
-
2021
- 2021-08-13 CN CN202110932759.3A patent/CN113658229B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593666A (zh) * | 2012-08-13 | 2014-02-19 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、过滤方法及相关装置 |
CN106845331A (zh) * | 2016-11-18 | 2017-06-13 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN112132881A (zh) * | 2016-12-12 | 2020-12-25 | 华为技术有限公司 | 一种动态三维图像获取的方法和设备 |
CN107273866A (zh) * | 2017-06-26 | 2017-10-20 | 国家电网公司 | 一种基于监控系统的人体异常行为识别方法 |
CN108389195A (zh) * | 2018-02-24 | 2018-08-10 | 北京理工大学 | 图像检测方法及装置 |
CN110517246A (zh) * | 2019-08-23 | 2019-11-29 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN110781853A (zh) * | 2019-11-01 | 2020-02-11 | 浙江大华技术股份有限公司 | 人群异常检测方法以及相关装置 |
CN111540020A (zh) * | 2020-04-28 | 2020-08-14 | 浙江大华技术股份有限公司 | 目标行为的确定方法及装置、存储介质、电子装置 |
CN112637568A (zh) * | 2020-12-24 | 2021-04-09 | 中标慧安信息技术股份有限公司 | 基于多节点边缘计算设备的分布式安全监控方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113658229A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376667B (zh) | 目标检测方法、装置及电子设备 | |
EP3588456B1 (en) | Image processing apparatus, image processing method, and program | |
KR101687530B1 (ko) | 촬상 시스템에 있어서의 제어방법, 제어장치 및 컴퓨터 판독 가능한 기억매체 | |
CN108665476B (zh) | 一种行人跟踪方法以及电子设备 | |
US9875411B2 (en) | Video monitoring method, video monitoring apparatus and video monitoring system | |
US10306133B2 (en) | Image processing apparatus for generating a likelihood distribution of an object | |
KR20160048140A (ko) | 올-인-포커스 이미지를 생성하기 위한 방법 및 장치 | |
CN106603968B (zh) | 信息处理装置及信息处理方法 | |
CN110059666B (zh) | 一种注意力检测方法及装置 | |
EP3518529A1 (en) | Method and apparatus of processing a signal from an event-based sensor | |
CN110675426B (zh) | 人体跟踪方法、装置、设备及存储介质 | |
CN112215037A (zh) | 对象追踪方法及装置、电子设备及计算机可读存储介质 | |
CN111310727B (zh) | 对象检测方法及装置、存储介质、电子装置 | |
US10455144B2 (en) | Information processing apparatus, information processing method, system, and non-transitory computer-readable storage medium | |
JP2020087312A (ja) | 行動認識装置、行動認識方法及びプログラム | |
CN113536980A (zh) | 拍摄行为检测方法、装置、电子装置和存储介质 | |
CN113658229B (zh) | 异常对象的确定方法及装置、存储介质、电子装置 | |
CN112613358A (zh) | 物品的识别方法、装置、存储介质以及电子装置 | |
JP5954212B2 (ja) | 画像処理装置、画像処理方法、および画像処理プログラム | |
JPWO2018179119A1 (ja) | 映像解析装置、映像解析方法およびプログラム | |
JP6598952B2 (ja) | 画像処理装置及び方法及び監視システム | |
CN116051736A (zh) | 一种三维重建方法、装置、边缘设备和存储介质 | |
CN112232170A (zh) | 对象行为的确定方法及装置、存储介质、电子装置 | |
CN111179332A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN112822496B (zh) | 一种视频分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |