CN113706573A - 一种运动物体的检测方法、装置及存储介质 - Google Patents
一种运动物体的检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113706573A CN113706573A CN202010383125.2A CN202010383125A CN113706573A CN 113706573 A CN113706573 A CN 113706573A CN 202010383125 A CN202010383125 A CN 202010383125A CN 113706573 A CN113706573 A CN 113706573A
- Authority
- CN
- China
- Prior art keywords
- target
- area
- target object
- moving
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 115
- 238000012544 monitoring process Methods 0.000 description 18
- 238000013461 design Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000007635 classification algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 230000008447 perception Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013139 quantization Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06T7/20—Analysis of motion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种运动物体的检测方法、装置及存储介质,涉及图像处理领域,能够减少移动物体检测的资源消耗,从而使得移动物体检测适用于大多数图像处理设备。具体方案为:运动物体的检测装置获取码流,并根据预设的目标检测算法,确定待检测图像帧中的目标物体,待检测图像帧为码流中的任意一个图像帧,根据该码流,确定待检测图像帧中目标区域中的运动图像块,运动图像块的运动矢量大于第一预设阈值,目标区域为预设区域,目标物体为该预设区域中的物体,或者目标区域为目标物体所在区域,确定目标图像块在目标物体所在区域中的占比,目标图像块为位于目标物体所在区域中的运动图像块,最后根据该占比,确定目标物体是否为运动物体。
Description
技术领域
本申请涉及图像处理领域,尤其涉及一种运动物体的检测方法、装置及存储介质。
背景技术
目前,图像处理设备通常采用深度学习中的目标跟踪算法检测视频中的移动物体,如运动的人、车等。采用目标跟踪算法进行移动物体检测会消耗图像处理设备的较多资源,从而对图像处理设备的中央处理器(central processing unit,CPU)、计算能力以及内存等都有较高的要求,适用性较低。
发明内容
本申请提供一种运动物体的检测方法、装置及存储介质,能够减少移动物体检测的资源消耗,从而使得移动物体检测适用于大多数图像处理设备。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种运动物体的检测方法。获取码流,并根据预设的目标检测算法,确定待检测图像帧中的目标物体。根据该码流,确定待检测图像帧中目标区域中的运动图像块。之后,确定目标图像块在目标物体所在区域中的占比,且根据该占比,确定目标物体是否为运动物体。其中,待检测图像帧为码流中的任意一个图像帧,运动图像块的运动矢量大于第一预设阈值,目标区域为预设区域,目标物体为预设区域中的物体,或者目标区域为目标物体所在区域;目标图像块为位于目标物体所在区域中的运动图像块。
本申请提供的运动物体的检测方法,采用预设的目标检测算法,确定待检测图像帧中的目标物体,并将待检测图像帧中目标区域中运动矢量大于第一预设阈值的图像块确定为运动图像块,通过目标图像块,即位于目标物体所在区域中的运动图像块在目标物体所在区域中的占比,来确定目标物体的运动幅度,从而确定出目标物体是否为运动物体。这样,由于本申请仅采用目标检测算法检测码流中的任意一个图像帧中的目标物体,并结合运动矢量便能确定该目标物体是否为运动物体,与现有技术中的通过检测码流中每一图像帧来确定是否为运动物体相比,大大减少了图像处理设备消耗的性能,从而降低了对图像处理设备的CPU及内存的要求,使得运动物体的检测适用于更多的图像处理设备,提高了适用性。
在一种可能的设计方式中,上述“占比”可以为目标图像块的数量与目标物体所在区域的图像块的数量的比值。或者,上述“占比”可以为重叠面积与目标物体的面积的比值,该重叠面积为目标物体与运动图像块的重叠区域的面积。
在另一种可能的设计方式中,上述“根据占比,确定目标物体是否为运动物体”的方法包括:如果占比大于第二预设阈值,则确定目标物体为运动物体。如果占比小于第二预设阈值,则确定目标物体不是运动物体。如果占比等于第二预设阈值,则图像处理设备可以确定目标物体为运动物体,或者,也可以确定目标物体不是运动物体。对于占比等于第二预设阈值的情况下,是否确定目标物体为运动物体,可以预先在图像处理设备中配置,本申请在此不做限定。
在另一种可能的设计方式中,上述“根据码流,确定待检测图像帧中目标区域中的运动图像块”的方法包括:先从码流中获取待检测图像帧中目标区域中的每一图像块的运动矢量,然后根据获取到的运动矢量,确定运动图像块。
在另一种可能的设计方式中,上述码流由目标视频通道传输,在根据占比,确定目标物体是否为运动物体之后,本申请提供的运动物体的检测方法还可以包括:采用轮询的方式,对除目标视频通道外的其他视频通道的码流进行运动物体的检测。
这样以轮询的方式对多个视频通道中的码流进行运动物体的检测,由于仅需检测每个码流中的任意一个图像帧,通过结合运动矢量便能确定每个码流中的目标物体是否为运动物体,实现了在节省资源的情况下进行多路数的运行物体检测。
在另一种可能的设计方式中,在上述“确定目标物体为运动物体”之后,本申请提供的运动物体的检测方法还可以包括:输出提示信息,该提示信息用于提示待检测图像帧中有运动物体。
其中,在一种实现方式中,该提示信息可以为待检测图像帧中标记的目标物体的矩形边界框。在另一种实现方式中,该提示信息可以为报警信息,该报警信息可以包括目标物体的位置信息,该目标物体的位置信息是采用目标检测算法得到的。
在另一种可能的设计方式中,在上述“确定预设区域内的目标物体”之后,本申请提供的运动物体的检测方法还包括:采用预设的目标分类算法,确定目标物体的类型。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型。
在另一种可能的设计方式中,上述“采用预设的目标分类算法,确定目标物体的类型”的方法包括:若在预设时间段内接收到分类指令,则采用目标分类算法,确定目标物体的类型。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型。
在另一种可能的设计方式中,本申请提供的运动物体的检测方法还包括:若在预设时间段内未接收到分类指令,则不进行分类。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型。该目标物体的类型是采用目标检测算法得到的。
在另一种可能的设计方式中,上述“码流”为编码码流时,上述“待检测图像帧”为待编码的图像帧。上述“码流”为解码码流时,上述“待检测图像帧”为解码后的重建帧图像。
第二方面,本申请提供一种运动物体的检测装置。该运动物体的检测装置包括用于执行第一方面或第一方面中任一种可能的设计方式的方法的各个模块。
第三方面,本申请提供一种运动物体的检测装置,该运动物体的检测装置包括存储器和处理器。上述存储器和处理器耦合。存储器用于存储计算机程序代码,计算机程序代码包括计算机指令。当处理器执行计算机指令时,运动物体的检测装置执行如第一方面及其任一种可能的设计方式的运动物体的检测方法。
第四方面,本申请提供一种芯片系统,该芯片系统应用于运动物体的检测装置;芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联;接口电路用于从运动物体的检测装置的存储器接收信号,并向处理器发送信号,信号包括存储器中存储的计算机指令。当处理器执行计算机指令时,运动物体的检测装置执行如第一方面及其任一种可能的设计方式的运动物体的检测方法。
第五方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当计算机指令在运动物体的检测装置上运行时,使得运动物体的检测装置执行如第一方面及其任一种可能的设计方式的运动物体的检测方法。
第六方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在运动物体的检测装置上运行时,使得运动物体的检测装置执行如第一方面及其任一种可能的设计方式的运动物体的检测方法。
本申请中第二方面到第六方面及其各种实现方式的具体描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面到第六方面及其各种实现方式的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的监控系统的一种结构示意图;
图2为本申请实施例提供的计算装置的一种结构示意图;
图3为本申请实施例提供的运动物体的检测方法的流程示意图一;
图4为本申请实施例提供的物体检测指令的场景示意图;
图5为本申请实施例提供的运动图像块的示意图;
图5A为本申请实施例提供的运动图像块的示意图;
图6为本申请实施例提供的目标图像块的示意图;
图7为本申请实施例提供的重叠区域的示意图;
图8为本申请实施例提供的运动物体的检测方法的流程示意图二;
图9为本申请实施例提供的运动物体的检测方法的流程示意图三;
图10为本申请实施例提供的图像处理设备输出的提示信息的示意图;
图11为本申请实施例提供的运动物体的检测方法的流程示意图四;
图12为本申请实施例提供的分类指令的场景示意图一;
图13为本申请实施例提供的分类指令的场景示意图二;
图14为本申请实施例提供的运动物体的检测装置的一种结构示意图。
具体实施方式
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
首先对本申请实施例中涉及的术语/名词进行解释说明。
(1)图像编码/解码
图像编码是将图像序列压缩成码流的处理过程。
图像解码是将码流按照特定的语法规则和处理方法恢复成重建图像的处理过程。
目前,视频图像的编码过程为:编码端首先将一帧原始图像划分成互不重叠的多个部分,每一部分即可作为一个图像块;然后,编码端针对每个图像块执行预测(Prediction)、变换(Transform)和量化(Quantization)等操作,以得到该图像块对应的码流;其中,预测是为了得到图像块的预测块,从而可以仅对该图像块与其预测块之间的差值(或称为残差或残差块)进行编码和传输,进而节省传输开销;最后,编码端将该图像块对应的码流发送给解码端。
相应的,解码端在接收到该码流之后,执行视频解码过程。具体的,解码端对接收到的码流进行预测、反量化和反变换等操作,得到经重建的图像块(或称为重建图像块),该过程称为图像重建过程(或图像重构过程);然后,解码端对上述原始图像中的每个图像块的重建块进行组装,得到该原始图像的经重建的图像,并播放经重建的图像。
现有的视频图像编解码技术包括帧内预测与帧间预测。其中,帧间预测是指以编码图像块/解码图像块为单位,利用当前帧与其参考帧之间的相关性完成的预测。
需要说明的是,视频编码/解码以图像块为单位,可从图像的左上角位置开始从左到右、从上到下、一行一行进行编码/解码处理。这里,图像块可以为视频编解码标准H.264中的宏块(macro block,MB),也可以为高效视频编码(High Efficiency Video Coding,HEVC)标准中的编码单元(Coding Unit,CU),本申请实施例对此不作具体限定。
(2)运动矢量
运动矢量(Motion Vector,MV)是帧间预测过程中的一个重要参数。在帧间预测编码中,由于图像邻近帧中的景物存在着一定的相关性。因此,可将图像分成若干图像块,并设法搜索出每个图像块在邻近帧图像中的位置,得出两者之间的空间位置的相对偏移量,该相对偏移量就是运动矢量。一般的,可以使用运动估计(Motion Estimation,ME)的方法,诸如运动搜索来获取运动矢量。
(3)目标跟踪算法
目标跟踪算法可以包括目标检测和目标跟踪。其中,目标检测是实现跟踪的第一步,目标检测是从序列图像中将变化区域提取出来。目标跟踪,是通过目标的有效表达在图像序列中寻找与目标模板最相似的目标区域的过程。
本申请实施例中仅采用目标跟踪算法中的目标检测算法。
本申请实施例提供的运动物体的检测方法应用于检测视频中的运动物体的场景中。在相关技术中,图像处理设备采用深度学习中的目标跟踪算法进行运动物体检测,会耗费较多的资源。
为了解决上述问题,本申请实施例提供一种运动物体的检测方法、装置及存储介质,通过使用图像块的运动矢量,并结合目标检测算法来确定目标物体是否为运动物体,减少了运动物体检测的资源消耗。
本申请实施例提供的运动物体的检测方法可以适用于监控系统。图1示出了该监控系统的一种结构。如图1所示,该监控系统可以包括:多个感知设备11和图像处理设备12。图像处理设备12和每个感知设备11连接。
感知设备11,用于获取监控图像,并将该监控图像传输至图像处理设备12。例如,感知设备11可以为相机、抓拍机、摄像机等设备。
图像处理设备12,用于接收每个感知设备11传输的监控图像,还用于对该监控图像进行运动物体的检测,以及显示该监控图像。例如,图像处理设备12可以为硬盘录像机(digital video record,DVR)、网络录像机(network video record,NVR)等设备。
在实际应用中,图像处理设备12为DVR设备时,感知设备11可以为模拟监控摄像机。DVR设备和每个模拟监控摄像机有线连接,该DVR设备可以通过连接线接收相应的模拟监控摄像机传输的视频文件。图像处理设备12为NVR设备时,感知设备11可以为网络监控摄像机。NVR设备和每个网络监控摄像机无线或者有线连接,该NVR设备可以通过网络接收每个网络摄像机传输的码流。
DVR设备可以接收感知设备11发送的视频文件,并对该视频文件进行编码。在编码过程中,DVR设备可以获取到该视频文件中每个图像块的运动矢量。NVR设备可以接收到感知设备11发送的码流。在接收到码流后,NVR设备通常会解析码流,以及在解析过程中获取每个图像块的运动矢量。
上述感知设备11和图像处理设备12的基本硬件结构类似,都包括图2所示计算装置所包括的元件。下面以图2所示的计算装置为例,介绍感知设备11和图像处理设备12的硬件结构。
如图2所示,计算装置可以包括处理器21,存储器22、通信接口23、总线24。处理器21,存储器22以及通信接口23之间可以通过总线24连接。
处理器21是计算装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器21可以是一个通用CPU,也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器21可以包括一个或多个CPU,例如图2中所示的CPU 0和CPU 1。
存储器22可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器22可以独立于处理器21存在,存储器22可以通过总线24与处理器21相连接,用于存储指令或者程序代码。处理器21调用并执行存储器22中存储的指令或程序代码时,能够实现本申请下述实施例提供的运动物体的检测方法。
在本申请实施例中,对于感知设备11和图像处理设备12而言,存储器22中存储的软件程序不同,所以感知设备11和图像处理设备12实现的功能不同。关于各设备所执行的功能将结合下面的流程图进行描述。
另一种可能的实现方式中,存储器22也可以和处理器21集成在一起。
通信接口23,用于计算装置与其他设备通过通信网络连接,所述通信网络可以是以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口23可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线24,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图2中示出的结构并不构成对该计算装置的限定,除图2所示部件之外,该计算装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请实施例提供的运动物体的检测方法的执行主体为运动物体的检测装置。该运动物体的检测装置可以是上述图像处理设备12,也可以是上述图像处理设备12中的CPU,还可以是上述图像处理设备12中用于检测移动物体的控制模块,还可以是上述图像处理设备12中用于检测移动物体的客户端。本申请实施例以图像处理设备12执行运动物体的检测方法为例,对本申请提供的运动物体的检测方法进行说明。
下面结合附图对本申请实施例提供的运动物体的检测方法进行描述。
如图3所示,本申请实施例提供的运动物体的检测方法包括以下步骤301-步骤305。
301、图像处理设备获取码流。
在一种场景中,图像处理设备可以在监控图像页面显示运动检测控件。当用户对该运动检测控件进行操作时,图像处理设备可以响应于用户对运动检测控件的触发操作,获取码流。
可以理解,当图像处理设备为DVR设备时,DVR设备可以响应于物体检测指令,获取编码码流。当图像处理设备为NVR设备时,NVR设备可以响应于物体检测指令,获取解码码流。
示例性的,假设图像处理设备的监控图像页面如图4所示。该监控图像页面包括启动运动检测的控件400,当用户点击该控件400时,图像处理设备可以获取码流。
302、图像处理设备根据预设的目标检测算法,确定待检测图像帧中的目标物体。
图像处理设备在获取到码流之后,可以将该码流中的任意一个图像帧,如待检测图像帧输入目标检测算法的模型中,以进行目标物体检测,并输出处理后的图像帧,该处理后的图像帧中包括目标物体的边界框,该边界框可以为矩形框。
303、图像处理设备根据码流,确定待检测图像帧中目标区域中的运动图像块。
图像处理设备获取到的码流可以包括待检测图像帧的每一图像块的运动矢量等信息。这样,图像处理设备便可以从码流中获取该待检测图像帧中目标区域中的每一图像块的运动矢量,并根据获取到的图像块的运动矢量确定出目标区域中的运动图像块(即运动矢量大于第一预设阈值的图像块)。运动图像块表明该图像块中存在运动的物体。
可选的,图像处理设备确定目标物体和目标区域中的运动图像块可以有以下两种实现方式。
在一些实施例中,目标区域可以为预设区域,目标物体为预设区域中的物体。在具体实现中,可由用户预先在图像处理设备中配置预设区域的范围。图像处理设备便可以确定待检测图像帧中预设区域中的目标物体和运动图像块。
在一些实施例中,目标区域可以为目标物体所在区域。在具体实现中,图像处理设备可以先确定待检测图像帧中的目标物体,然后在目标物体所在区域中确定运动图像块。
可以理解,当图像处理设备为DVR设备,码流为编码码流时,待检测图像帧可以为码流中待编码的图像帧。DVR设备可以通过编码过程中的图像块的运动矢量来确定该图像块是否为运动图像块。当图像处理设备为NVR设备,码流为解码码流时,待检测图像帧可以为解码后的重建帧图像。NVR设备可以解析码流,以获取图像块的运动矢量,从而判断该图像块是否为运动图像块。
需要说明的是,在本申请实施例中,第一预设阈值可由用户配置,可以预先通过实验得到并存储在图像处理设备中。
示例性的,如图5所示,假设待检测图像帧被均分为8行8列,共64个图像块。且假设待检测图像帧的左上角为坐标原点(0,0),目标区域为预设区域,预设区域包括:以(3,2)为起始坐标,3行3列共9个图像块。那么,如果预设区域中的第1行第1列、第1行第2列、第2行第2列,以及第2行第3列的4个图像块中,每个图像块的运动矢量均大于第一预设阈值,那么图像处理设备便可以将这4个图像块确定为预设区域中的运动图像块。为了便于区分,图5中将预设区域中的运动图像块和非运动图像块用不同的阴影方式来标记。
再例如,结合图5,假设目标区域为目标物体所在区域,图像处理设备确定出的目标物体如图5A所示,那么目标物体所在区域为第3行第4列、第3行第5列、第4行第4列、第4行第5列、第5行第4列和第5行第5列的六个图像块所在区域。在目标物体所在区域中,运动图像块包括第3行第4列、第3行第5列和第4行第5列共三个图像块。
304、图像处理设备确定目标图像块在目标物体所在区域中的占比。
图像处理设备在确定出目标物体,并确定出目标区域中的运动图像块之后,可以采用以下两种方式确定目标图像块在目标物体所在区域中的占比。其中,该目标图像块可以为位于目标物体所在区域中的运动图像块。
方式一:图像处理设备可以先确定目标物体所在区域中的运动图像块,即确定目标图像块,并确定目标物体所在区域的图像块。具体实现中,可以结合目标物体的边界框的顶点坐标,确定目标物体所在区域的图像块,并确定目标物体所在区域的图像块中的运动图像块,即确定目标图像块。然后图像处理设备可以确定目标图像块的数量与目标物体所在区域的图像块的数量的比值。需要说明的是,该方法一仅适用于待检测图像帧的各个图像块大小均相同的情况下。
示例性的,结合图5,假设预设区域内的目标物体用白色矩形表示,如图6所示。为了便于理解,设置预设区域中的第1行第1列、第1行第2列、第2行第2列、第2行第3列的4个运动图像块,相对应的标号为:1、2、3、4。那么,由图6可以得出,目标图像块包括:标号为1、2、3的运动图像块,即目标图像块的数量为3。目标物体所在区域的图像块包括:标号为1、2、3的图像块,以及预设区域中的第2行第1列、第3行第1列、第3行第2列的图像块,即目标物体所在区域的图像块的数量为6。最后得出目标图像块的数量与目标物体所在区域的图像块的数量的比值为:3/6=0.5。
方式二:图像处理设备可以先根据目标物体的边界框的顶点坐标,确定目标物体的面积,并根据目标区域中每个运动图像块的顶点坐标确定目标物体与目标区域中的运动图像块的重叠区域的面积,即确定重叠面积。然后图像处理设备可以确定重叠面积与目标物体的面积的比值。
示例性的,结合图6,如图7所示,为目标物体与预设区域中的运动图像块的重叠区域。图像处理设备可以计算该重叠区域的面积,并计算该重叠面积与目标物体的面积的比值。
可以理解,在本申请实施例中,方式一与方式二相比,首先,方式一仅适用于图像块大小相同的情况下,方式二适用于任何情况,所以方式二比方式一的适用性高。其次,方式一通过利用目标图像块的数量与目标物体所在区域的图像块的数量的比值,仅能粗略的体现目标物体的运动幅度,方式二通过重叠面积与目标物体的面积的比值,能够准确反映目标物体的运动幅度,所以方式二比方式一的准确性要高。最后,显而易见的,方式一比方式二计算简单。本申请实施例中,图像处理设备具体使用哪种方式来确定目标图像块在目标物体所在区域中的占比,可以预先根据实际情况进行设置,本申请实施例在此不做限定。
305、图像处理设备根据占比,确定目标物体是否为运动物体。
图像处理设备在确定出目标图像块在目标物体所在区域中的占比之后,可以根据该占比,确定目标物体是否为运动物体。具体的,如果该占比大于第二预设阈值,则图像处理设备可以确定该目标物体为运动物体。如果该占比小于第二预设阈值,则图像处理设备确定该目标物体不是运动物体。如果占比等于第二预设阈值,则图像处理设备可以确定目标物体为运动物体,或者,也可以确定目标物体不是运动物体。对于占比等于第二预设阈值的情况下,是否确定目标物体为运动物体,可以预先在图像处理设备中配置,本申请在此不做限定。
需要说明的是,本申请实施例中,第二预设阈值可由用户配置,可以预先通过实验得到并存储在图像处理设备中。当配置的第二预设阈值越精确时,运动物体的检测越灵敏。也就是说,第二预设阈值越精确,确定目标物体为运动物体所需的目标图像块越少。
本申请提供的运动物体的检测方法,采用预设的目标检测算法,确定待检测图像帧中的目标物体,并将待检测图像帧中目标区域中运动矢量大于第一预设阈值的图像块确定为运动图像块,通过目标图像块,即位于目标物体所在区域中的运动图像块在目标物体所在区域中的占比,来确定目标物体的运动幅度,从而确定出目标物体是否为运动物体。这样,由于本申请仅采用目标检测算法检测码流中的任意一个图像帧中的目标物体,并结合运动矢量便能确定该目标物体是否为运动物体,与现有技术中的通过检测码流中每一图像帧来确定是否为运动物体相比,大大减少了图像处理设备消耗的性能,从而降低了对图像处理设备的CPU及内存的要求,使得运动物体的检测适用于更多的图像处理设备,提高了适用性。
可选的,本申请实施例中,上述步骤301中的码流由目标视频通道传输,图像处理设备在根据占比,确定出目标物体是否为运动物体之后,可以采用轮询的方式,对除目标视频通道外的其他视频通道的码流进行运动物体的检测,即重复执行上述步骤301-步骤305。
可以理解,图像处理设备在依次对多视频通道的码流进行运动物体的检测时,可以对不同视频通道的码流中相同位置的图像帧进行检测,也可以对相同视频通道的码流中的不同图像帧进行检测。
这样以轮询的方式对多个视频通道中的码流进行运动物体的检测,由于仅需检测每个码流中的任意一个图像帧,通过结合运动矢量便能确定每个码流中的目标物体是否为运动物体,实现了在节省资源的情况下进行多路数的运行物体检测。
可选的,在上述步骤305中确定目标物体为运动物体之后,图像处理设备可以输出提示信息,以便于相关人员注意,并采用有效措施避免潜在危险事件的发生。
结合图3,如图8所示,在上述步骤305中确定目标物体为运动物体之后,本申请实施例提供的运动物体的检测方法还可以包括以下步骤801。
801、图像处理设备输出提示信息。
图像处理设备在确定目标物体为运动物体之后,可以输出提示信息,该提示信息用于提示用户待检测图像帧中有运动物体。
可选的,图像处理设备输出的提示信息可以有多种实现。在一种实现方式中,提示信息可以包括待检测图像帧中标记的目标物体的矩形边界框,以提醒相关人员该矩形边界框内为运动物体。当然,该提示信息还可以包括在目标物体的矩形边界框的关联位置显示的目标物体的相关信息,如目标物体的类型等。在另一种实现方式中,提示信息可以为报警信息,该报警信息可以包括目标物体的位置信息,该目标物体的位置信息是在步骤303中采用目标检测算法得到的。
其中,图像处理设备输出的报警信息可以采用以下几种方式来实现。
1、图像处理设备可以发出警报声,提醒视频监控工作者注意。
2、图像处理设备可以向安保系统的服务器发送报警信息,以提醒安保人员注意,使其采取有效措施,避免潜在危险事件的发生。
3、图像处理设备可以通过其他通信手段(例如:短信方式等),将报警信息发送给在现场巡逻的安保人员,使其采取有效措施,避免潜在危险事件的发生。
可选的,在上述步骤302中确定出目标物体之后,图像处理设备可以确定目标物体的类型,以便于相关人员能够更加准确的获知目标物体的相关信息,从而准确的采取相应的措施,提高安保效率。当然,图像处理设备也可以在步骤305中确定出目标物体为运动物体之后,确定目标物体的类型。本申请实施例在此以在确定出目标物体为运动物体之后,确定目标物体的类型为例进行说明。
在第一种实现方式中,图像处理设备可以直接确定目标物体的类型。结合图8,如图9所示,在执行上述步骤305中确定目标物体为运动物体之后,步骤801之前,本申请实施例提供的运动物体的检测方法还可以包括以下步骤901。
901、图像处理设备采用预设的目标分类算法,确定目标物体的类型。
该目标物体的类型可以为人、车等。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型,以便于安保人员对目标物体进行更加精准的判断,从而准确的采取相应的措施,提高安保效率。
示例性的,结合图4,假设图像处理设备在确定出目标物体为运动物体之后,直接确定该目标物体的类型为:人。然后图像处理设备输出提示信息,假设该提示信息包括待检测图像帧中标记的目标物体的矩形边界框,以及在矩形边界框的右侧显示的目标物体的类型,那么图像处理设备输出的提示信息可以如图10所示。
在第二种实现方式中,确定目标物体的类型可以由用户来选择,以提高用户体验,使得安保人员的自主选择权更大。结合图9,如图11所示,上述步骤901具体可以包括以下步骤1101,在该场景下,本申请实施例提供的运动物体的检测方法还可以包括以下步骤1102。
1101、若在预设时间段内接收到分类指令,则图像处理设备采用目标分类算法,确定目标物体的类型。
若接收到用户的分类指令,则表明用户需要进行分类,此时图像处理设备可以采用目标分类算法,确定目标物体的类型。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型,以便于安保人员对目标物体进行更加精准的判断,从而准确的采取相应的措施,提高安保效率。
可选的,本申请实施例中,图像处理设备可以通过语音播报的方式,提示用户是否需要进行目标物体的分类。当用户通过语音确认时,图像处理设备便可以接收到用户的分类指令。
或者,图像处理设备可以显示一提示框,该提示框可以包括用于提示进行分类的控件和用于指示取消分类的控件。当用户选择用于提示进行分类的控件时,图像处理设备便可以接收到用户的分类指令。
或者,图像处理设备可以在监控图像页面显示分类控件,并在该分类控件的关联位置显示一复选框。其中,该分类控件用于指示在确定目标物体为运动物体之后,是否进行目标物体的分类。如果用户选中复选框,则表明需要进行分类,图像处理设备便可以接收到用户的分类指令。如果用户未选中复选框,则表明不需要进行分类。
示例性的,结合图4,假设图像处理设备的监控图像页面还显示有分类控件,以及在分类控件的右侧显示有复选框。如图12所示,当用户选中该复选框时,图像处理设备便可以接收到分类指令。
再例如,结合图4,如图13所示,图像处理设备在确定出目标物体为运动物体之后,可以在监控图像页面弹出一提示框。该提示框中包括文字“是否需要分类?”,以及显示有“是”的控件和“否”的控件。当用户选择“是”的控件时,图像处理设备便可以接收到分类指令。
1102、若在预设时间段内未接收到分类指令,则图像处理设备不进行分类。
若在预设时间段内未接收到用户的分类指令,则表明不需要进行目标物体的分类,此时图像处理设备可以不进行分类。在该场景下,可以在目标物体的矩形边界框的关联位置标记目标物体的类型,或者上述输出的报警信息中还可以包括:目标物体的类型,该目标物体的类型可以是在上述步骤303中采用目标检测算法得到的。
可以理解,在本申请实施例中,采用目标分类算法确定的目标物体的类型要比采用目标检测算法确定的目标物体的类型要准确,但是采用目标分类算法进行分类会消耗一定的资源,所以是选择准确性还是选择少消耗资源,可以由安保人员根据相应的实际情况进行选择。
下面结合具体示例对本申请实施例提供的运动物体的检测方法进行说明。
图像处理设备的监控图像页面显示有运动检测控件。当用户触发该运动检测控件时,图像处理设备获取码流,并根据预设的目标检测算法,确定待检测图像帧中的目标物体,根据该码流,确定待检测图像帧中目标物体所在区域中的运动图像块,或者根据该码流,确定待检测图像帧中预设区域中的运动图像块,以及确定目标图像块在目标物体所在区域中的占比。在图像处理设备根据占比,确定目标物体为运动物体之后,若接收到用户的分类指令,则图像处理设备可以采用预设的目标分类算法,确定目标物体的类型。最后,图像处理设备输出提示信息,以提示用户待检测图像帧中有运动物体。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。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,结合本文中所公开的实施例描述的各示例的算法步骤,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申请的范围。
本申请实施例还提供一种运动物体的检测装置。该运动物体的检测装置可以为图像处理设备12,也可以是图像处理设备12中的CPU,还可以是图像处理设备12中用于检测移动物体的控制模块,还可以是上图像处理设备12中用于检测移动物体的客户端。
如图14所示,为本申请实施例提供的一种运动物体的检测装置140的结构示意图。运动物体的检测装置140用于执行图3、图8、图9或图11所示的运动物体的检测方法。运动物体的检测装置140可以包括获取单元1401和确定单元1402。
其中,获取单元1401,用于获取码流。例如,结合图3,获取单元1401可以用于执行步骤301。确定单元1402,用于根据预设的目标检测算法,确定待检测图像帧中的目标物体,待检测图像帧为码流中的任意一个图像帧;还用于根据获取单元1401获取的码流,确定待检测图像帧中目标区域中的运动图像块;以及用于确定目标图像块在目标物体所在区域中的占比,根据占比,确定目标物体是否为运动物体。例如,结合图3,确定单元1402可以用于执行步骤302、步骤303、步骤304和步骤305。
可选的,确定单元1402,具体用于如果占比大于第二预设阈值,则确定目标物体为运动物体;如果占比小于第二预设阈值,则确定目标物体不是运动物体。
可选的,确定单元1402,具体用于从码流中获取待检测图像帧中目标区域中的每一图像块的运动矢量;还用于根据获取到的运动矢量,确定运动图像块。
可选的,如图14所示,运动物体的检测装置还包括:输出单元1403。其中,输出单元1403,用于输出提示信息。例如,结合图8,输出单元1403可以用于执行步骤801。
可选的,确定单元1402,还用于采用预设的目标分类算法,确定目标物体的类型。例如,结合图9,确定单元1402可以用于执行步骤901。
可选的,确定单元1402,还用于若在预设时间段内接收到分类指令,则采用目标分类算法,确定目标物体的类型。例如,结合图11,确定单元1402可以用于执行步骤1101。
当然,本申请实施例提供的运动物体的检测装置140包括但不限于上述模块。
在实际实现时,获取单元1401、确定单元1402、输出单元1403可以由图2所示的处理器21调用存储器22中的程序代码来实现。其具体的执行过程可参考图3、图8、图9或图11所示的运动物体的检测方法部分的描述,这里不再赘述。
本申请另一实施例还提供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指令,当计算机指令在运动物体的检测装置上运行时,使得运动物体的检测装置执行上述方法实施例所示的方法流程中运动物体的检测装置执行的各个步骤。
本申请另一实施例还提供一种芯片系统,该芯片系统应用于运动物体的检测装置。所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联。接口电路用于从运动物体的检测装置的存储器接收信号,并向处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当处理器执行计算机指令时,运动物体的检测装置执行上述方法实施例所示的方法流程中运动物体的检测装置执行的各个步骤。
在本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括指令,当指令在运动物体的检测装置上运行时,使得运动物体的检测装置执行上述方法实施例所示的方法流程中运动物体的检测装置执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式,可想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种运动物体的检测方法,其特征在于,包括:
获取码流;
根据预设的目标检测算法,确定待检测图像帧中的目标物体;所述待检测图像帧为所述码流中的任意一个图像帧;
根据所述码流,确定所述待检测图像帧中目标区域中的运动图像块;所述运动图像块的运动矢量大于第一预设阈值,所述目标区域为预设区域,所述目标物体为所述预设区域中的物体,或者所述目标区域为所述目标物体所在区域;
确定目标图像块在所述目标物体所在区域中的占比,所述目标图像块为位于所述目标物体所在区域中的运动图像块;
根据所述占比,确定所述目标物体是否为运动物体。
2.根据权利要求1所述的运动物体的检测方法,其特征在于,
所述占比为所述目标图像块的数量与所述目标物体所在区域的图像块的数量的比值;
或者,
所述占比为重叠面积与所述目标物体的面积的比值,所述重叠面积为所述目标物体与所述运动图像块的重叠区域的面积。
3.根据权利要求1或2所述的运动物体的检测方法,其特征在于,所述根据所述占比,确定所述目标物体是否为运动物体,包括:
如果所述占比大于第二预设阈值,则确定所述目标物体为运动物体;
如果所述占比小于所述第二预设阈值,则确定所述目标物体不是运动物体。
4.根据权利要求1或2所述的运动物体的检测方法,其特征在于,所述根据所述码流,确定所述待检测图像帧中目标区域中的运动图像块,包括:
从所述码流中获取所述待检测图像帧中所述目标区域中的每一图像块的运动矢量;
根据获取到的运动矢量,确定所述运动图像块。
5.根据权利要求1所述的运动物体的检测方法,其特征在于,所述码流由目标视频通道传输,在所述根据所述占比,确定所述目标物体是否为运动物体之后,所述运动物体的检测方法还包括:
采用轮询的方式,对除所述目标视频通道外的其他视频通道的码流进行运动物体的检测。
6.一种运动物体的检测装置,其特征在于,包括:
获取单元,用于获取码流;
确定单元,用于根据预设的目标检测算法,确定待检测图像帧中的目标物体;所述待检测图像帧为所述码流中的任意一个图像帧;根据所述码流,确定所述待检测图像帧中目标区域中的运动图像块;所述运动图像块的运动矢量大于第一预设阈值,所述目标区域为预设区域,所述目标物体为所述预设区域中的物体,或者所述目标区域为所述目标物体所在区域;确定目标图像块在所述目标物体所在区域中的占比,所述目标图像块为位于所述目标物体所在区域中的运动图像块;根据所述占比,确定所述目标物体是否为运动物体。
7.根据权利要求6所述的运动物体的检测装置,其特征在于,
所述占比为所述目标图像块的数量与所述目标物体所在区域的图像块的数量的比值;
或者,
所述占比为重叠面积与所述目标物体的面积的比值,所述重叠面积为所述目标物体与所述运动图像块的重叠区域的面积。
8.根据权利要求6或7所述的运动物体的检测装置,其特征在于,所述确定单元,具体用于:
如果所述占比大于第二预设阈值,则确定所述目标物体为运动物体;
如果所述占比小于所述第二预设阈值,则确定所述目标物体不是运动物体。
9.根据权利要求6或7所述的运动物体的检测装置,其特征在于,所述确定单元,具体用于:
从所述码流中获取所述待检测图像帧中所述目标区域中的每一图像块的运动矢量;
根据获取到的运动矢量,确定所述运动图像块。
10.根据权利要求6所述的运动物体的检测装置,其特征在于,所述码流由目标视频通道传输,所述运动物体的检测装置还包括:检测单元;
所述检测单元,用于采用轮询的方式,对除所述目标视频通道外的其他视频通道的码流进行运动物体的检测。
11.一种运动物体的检测装置,其特征在于,所述运动物体的检测装置包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述运动物体的检测装置执行如权利要求1-5中任意一项所述的运动物体的检测方法。
12.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在运动物体的检测装置上运行时,使得所述运动物体的检测装置执行如权利要求1-5中任意一项所述的运动物体的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010383125.2A CN113706573B (zh) | 2020-05-08 | 2020-05-08 | 一种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 |
---|---|---|---|
CN202010383125.2A CN113706573B (zh) | 2020-05-08 | 2020-05-08 | 一种运动物体的检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113706573A true CN113706573A (zh) | 2021-11-26 |
CN113706573B CN113706573B (zh) | 2024-06-11 |
Family
ID=78645284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010383125.2A Active CN113706573B (zh) | 2020-05-08 | 2020-05-08 | 一种运动物体的检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706573B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005117448A1 (ja) * | 2004-05-31 | 2005-12-08 | Matsushita Electric Industrial Co., Ltd. | 移動物体検出装置および移動物体検出方法 |
JP2006203556A (ja) * | 2005-01-20 | 2006-08-03 | Canon Inc | 動きベクトル検出装置、動き補償装置、動きベクトル検出方法、及びコンピュータプログラム |
CN101222627A (zh) * | 2007-01-09 | 2008-07-16 | 华为技术有限公司 | 一种多视点视频编解码系统以及预测向量的方法和装置 |
CN101321287A (zh) * | 2008-07-08 | 2008-12-10 | 浙江大学 | 基于运动目标检测的视频编码方法 |
CN101931803A (zh) * | 2009-06-26 | 2010-12-29 | 华为技术有限公司 | 视频图像运动信息获取方法、装置及设备、模板构造方法 |
US20120027095A1 (en) * | 2010-07-30 | 2012-02-02 | Canon Kabushiki Kaisha | Motion vector detection apparatus, motion vector detection method, and computer-readable storage medium |
CN104244002A (zh) * | 2013-06-14 | 2014-12-24 | 北京三星通信技术研究有限公司 | 一种视频编/解码中运动信息的获取方法及装置 |
CN104346802A (zh) * | 2013-08-05 | 2015-02-11 | 浙江大华技术股份有限公司 | 一种人员离岗监控方法及设备 |
CN107027038A (zh) * | 2016-01-29 | 2017-08-08 | 谷歌公司 | 动态参考运动矢量编码模式 |
CN108200432A (zh) * | 2018-02-03 | 2018-06-22 | 王灏 | 一种基于视频压缩域的目标跟踪技术 |
CN108280843A (zh) * | 2018-01-24 | 2018-07-13 | 新华智云科技有限公司 | 一种视频目标检测跟踪方法及设备 |
CN108898624A (zh) * | 2018-06-12 | 2018-11-27 | 浙江大华技术股份有限公司 | 一种运动物体跟踪的方法、装置、电子设备和存储介质 |
WO2019001024A1 (zh) * | 2017-06-30 | 2019-01-03 | 华为技术有限公司 | 一种确定运动矢量预测值的方法以及相关设备 |
CN109996075A (zh) * | 2017-12-29 | 2019-07-09 | 华为技术有限公司 | 一种图像解码方法及解码器 |
US20190268605A1 (en) * | 2018-02-27 | 2019-08-29 | Canon Kabushiki Kaisha | Moving image encoding apparatus, control method for moving image encoding apparatus, and storage medium |
CN110378218A (zh) * | 2019-06-13 | 2019-10-25 | 大亚湾核电运营管理有限责任公司 | 一种图像处理方法、装置及终端设备 |
CN110378930A (zh) * | 2019-09-11 | 2019-10-25 | 湖南德雅坤创科技有限公司 | 运动目标提取方法、装置和电子设备及可读存储介质 |
CN110557641A (zh) * | 2018-06-04 | 2019-12-10 | 华为技术有限公司 | 获取运动矢量的方法和装置 |
KR102061915B1 (ko) * | 2018-11-26 | 2020-01-02 | 이노뎁 주식회사 | 압축영상에 대한 신택스 기반의 객체 분류 방법 |
CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
KR20200040168A (ko) * | 2018-10-08 | 2020-04-17 | 에스케이텔레콤 주식회사 | 움직임 정보 결정 방법 및 이를 이용한 영상 복호화 장치 |
-
2020
- 2020-05-08 CN CN202010383125.2A patent/CN113706573B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005117448A1 (ja) * | 2004-05-31 | 2005-12-08 | Matsushita Electric Industrial Co., Ltd. | 移動物体検出装置および移動物体検出方法 |
JP2006203556A (ja) * | 2005-01-20 | 2006-08-03 | Canon Inc | 動きベクトル検出装置、動き補償装置、動きベクトル検出方法、及びコンピュータプログラム |
CN101222627A (zh) * | 2007-01-09 | 2008-07-16 | 华为技术有限公司 | 一种多视点视频编解码系统以及预测向量的方法和装置 |
CN101321287A (zh) * | 2008-07-08 | 2008-12-10 | 浙江大学 | 基于运动目标检测的视频编码方法 |
CN101931803A (zh) * | 2009-06-26 | 2010-12-29 | 华为技术有限公司 | 视频图像运动信息获取方法、装置及设备、模板构造方法 |
CN102883160A (zh) * | 2009-06-26 | 2013-01-16 | 华为技术有限公司 | 视频图像运动信息获取方法、装置及设备、模板构造方法 |
US20120027095A1 (en) * | 2010-07-30 | 2012-02-02 | Canon Kabushiki Kaisha | Motion vector detection apparatus, motion vector detection method, and computer-readable storage medium |
CN104244002A (zh) * | 2013-06-14 | 2014-12-24 | 北京三星通信技术研究有限公司 | 一种视频编/解码中运动信息的获取方法及装置 |
CN104346802A (zh) * | 2013-08-05 | 2015-02-11 | 浙江大华技术股份有限公司 | 一种人员离岗监控方法及设备 |
CN107027038A (zh) * | 2016-01-29 | 2017-08-08 | 谷歌公司 | 动态参考运动矢量编码模式 |
WO2019001024A1 (zh) * | 2017-06-30 | 2019-01-03 | 华为技术有限公司 | 一种确定运动矢量预测值的方法以及相关设备 |
CN109218733A (zh) * | 2017-06-30 | 2019-01-15 | 华为技术有限公司 | 一种确定运动矢量预测值的方法以及相关设备 |
CN109996075A (zh) * | 2017-12-29 | 2019-07-09 | 华为技术有限公司 | 一种图像解码方法及解码器 |
CN108280843A (zh) * | 2018-01-24 | 2018-07-13 | 新华智云科技有限公司 | 一种视频目标检测跟踪方法及设备 |
CN108200432A (zh) * | 2018-02-03 | 2018-06-22 | 王灏 | 一种基于视频压缩域的目标跟踪技术 |
US20190268605A1 (en) * | 2018-02-27 | 2019-08-29 | Canon Kabushiki Kaisha | Moving image encoding apparatus, control method for moving image encoding apparatus, and storage medium |
CN110557641A (zh) * | 2018-06-04 | 2019-12-10 | 华为技术有限公司 | 获取运动矢量的方法和装置 |
CN108898624A (zh) * | 2018-06-12 | 2018-11-27 | 浙江大华技术股份有限公司 | 一种运动物体跟踪的方法、装置、电子设备和存储介质 |
CN110879951A (zh) * | 2018-09-06 | 2020-03-13 | 华为技术有限公司 | 一种运动前景检测方法及装置 |
KR20200040168A (ko) * | 2018-10-08 | 2020-04-17 | 에스케이텔레콤 주식회사 | 움직임 정보 결정 방법 및 이를 이용한 영상 복호화 장치 |
KR102061915B1 (ko) * | 2018-11-26 | 2020-01-02 | 이노뎁 주식회사 | 압축영상에 대한 신택스 기반의 객체 분류 방법 |
CN110378218A (zh) * | 2019-06-13 | 2019-10-25 | 大亚湾核电运营管理有限责任公司 | 一种图像处理方法、装置及终端设备 |
CN110378930A (zh) * | 2019-09-11 | 2019-10-25 | 湖南德雅坤创科技有限公司 | 运动目标提取方法、装置和电子设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
唐志峰;王诗俊;杨树元;: "一种高精度的压缩域视频目标分割算法", 电子与信息学报, no. 12, 15 December 2007 (2007-12-15) * |
尤隽永, 刘贵忠, 李宏亮: "一种有效的MPEG视频运动注意力区域提取方法", 西安交通大学学报, no. 10, 10 October 2005 (2005-10-10) * |
穆春迪;谢剑斌;闫玮;刘通;李沛秦;: "面向动摄像机的高速运动目标检测", 中国图象图形学报, no. 03, 16 March 2015 (2015-03-16) * |
赵亚湘;樊晓平;刘少强;: "基于运动矢量场的运动目标区域检测", 光电子・激光, no. 12, 15 December 2014 (2014-12-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN113706573B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9609348B2 (en) | Systems and methods for video content analysis | |
US8675065B2 (en) | Video monitoring system | |
US10713798B2 (en) | Low-complexity motion detection based on image edges | |
US11847816B2 (en) | Resource optimization based on video frame analysis | |
KR101223424B1 (ko) | 비디오 모션 검출 | |
US8938092B2 (en) | Image processing system, image capture apparatus, image processing apparatus, control method therefor, and program | |
US20130170760A1 (en) | Method and System for Video Composition | |
KR20080058171A (ko) | 카메라 템퍼링 검출 | |
CN111654700B (zh) | 一种隐私遮蔽处理方法、装置、电子设备及监控系统 | |
CN108875519B (zh) | 对象检测方法、装置和系统及存储介质 | |
CN103997620B (zh) | 用于检测压缩视频中的运动的系统和方法 | |
CN111669577A (zh) | 一种硬件解码检测方法、装置、电子设备及存储介质 | |
JP2013066016A (ja) | 輪郭抽出システム、輪郭抽出装置及び輪郭抽出プログラム | |
KR102387357B1 (ko) | 바운딩 박스를 시공간상으로 매칭하여 영상 내 객체를 검출하는 방법 및 장치 | |
CN110555862A (zh) | 目标追踪的方法、装置、电子设备和计算机可读存储介质 | |
CN111212246B (zh) | 视频生成方法、装置、计算机设备及存储介质 | |
US10878272B2 (en) | Information processing apparatus, information processing system, control method, and program | |
CN111507342A (zh) | 一种图像处理方法、装置、系统及存储介质 | |
CN113706573B (zh) | 一种运动物体的检测方法、装置及存储介质 | |
US10916016B2 (en) | Image processing apparatus and method and monitoring system | |
CN110751120A (zh) | 一种检测方法、装置及电子设备 | |
CN112637538B (zh) | 用于优化视频分析的智能标签方法、系统、介质及终端 | |
CN115147752A (zh) | 一种视频分析方法、装置及计算机设备 | |
JP5567413B2 (ja) | 輪郭抽出システム、復号化装置及び輪郭抽出プログラム | |
CN117319815B (zh) | 基于图像传感器的视频流识别方法和装置、设备、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 | ||
GR01 | Patent grant |