CN113887372A - 目标聚集检测方法及计算机可读存储介质 - Google Patents
目标聚集检测方法及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113887372A CN113887372A CN202111134835.2A CN202111134835A CN113887372A CN 113887372 A CN113887372 A CN 113887372A CN 202111134835 A CN202111134835 A CN 202111134835A CN 113887372 A CN113887372 A CN 113887372A
- Authority
- CN
- China
- Prior art keywords
- detection frame
- frame
- current detection
- boundary
- target
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种目标聚集检测方法及计算机可读存储介质,包括:识别得到各待测目标的检测框,并加入检测框集合;分别建立各检测框的历史列表,并将各检测框分别加入其对应的历史列表中;遍历检测框集合;扩充当前检测框的边界,并获取与扩充边界后的当前检测框重叠的检测框,得到重叠框;获取当前检测框及重叠框的外接矩形,得到合并后的检测框,并合并当前检测框和重叠框的历史列表,得到合并后的检测框的历史列表;在检测框集合中删除当前检测框和重叠框,并将合并后的检测框加入至检测框集合中;当遍历完检测框集合后,根据检测框集合中的各检测框及其历史列表,得到目标聚集区域及目标数。本发明可同时对多区域的目标聚集进行快速检测。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种目标聚集检测方法及计算机可读存储介质。
背景技术
近年来,随着安防系统的推广,越来越多的视频终端进入生活与生产等场所。但是大部分视频终端倾向于传统的记录作用,用于查证或事后分析。若能更好地利用这些视频资源,实时分析视频内容并做出快速的异常行为预警,则能有效及时地防范危险的发生。
目前,公共场所的人群密度,可以结合计算机视觉技术,对超过阈值的密度实施报警,实现人流管控、高峰分流和防踩踏事件等目的。然而,这种方法一般对应一个摄像头的所有监控范围,当单摄像头监控范围较广时,紧急情况的处理分析有较大的难度。同时,在事后取证时,也需要人为观察监控范围的每个细节。
因此,需要更进一步的智能推荐算法,在单摄像头的监控范围内,当出现目标异常行为时,快速定位聚集行为发生的位置与评估聚集行为的严重程度。
虽然目前已有许多人员聚集检测方法,但针对多区域与需快速定位评估的人员聚集场景,均无法很好地进行检测,或检测的速度不适合较紧急的情况。因此,如何对多区域的人员聚集进行快速定位与评估成为有待解决的问题。
发明内容
本发明所要解决的技术问题是:提供一种目标聚集检测方法及计算机可读存储介质,可同时对多区域的目标聚集进行快速检测。
为了解决上述技术问题,本发明采用的技术方案为:一种目标聚集检测方法,包括:
对包含待测目标的图片进行识别,得到各待测目标的检测框;
分别建立与各检测框一一对应的历史列表,并将各检测框分别加入其对应的历史列表中;
将各待测目标的检测框加入检测框集合;
遍历所述检测框集合,依次从所述检测框集合中获取一检测框,作为当前检测框;
扩充所述当前检测框的边界,并获取与扩充边界后的当前检测框重叠的检测框,得到重叠框;
获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表;
在所述检测框集合中删除所述当前检测框和所述重叠框,并将所述合并后的检测框加入至所述检测框集合中;
当遍历完所述检测框集合后,根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果在于:通过将识别到的检测框都加入检测框集合,在遍历检测框集合的过程中,对重叠或邻近的检测框进行合并,并对应更新检测框集合,当遍历完检测框集合后,剩下的检测框为无法再合并的检测框,即互不重叠且具有一定距离的检测框,也即图片中目标聚集的不同区域,从而实现对多区域目标聚集的同时检测;通过合并被合并的检测框的历史列表,保证历史列表中只存在最初识别到的检测框,而不会包含合并后的检测框,从而使得历史列表的子项数量即为该检测框内包含的目标数,有利于后续快速地获取聚集区域内存在的目标数量。
附图说明
图1为本发明的一种目标聚集检测方法的流程图;
图2为本发明实施例一的方法流程图;
图3为本发明实施例一的检测框示意图;
图4为本发明实施例一的聚集检测结果示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
请参阅图1,一种目标聚集检测方法,包括:
对包含待测目标的图片进行识别,得到各待测目标的检测框;
分别建立与各检测框一一对应的历史列表,并将各检测框分别加入其对应的历史列表中;
将各待测目标的检测框加入检测框集合;
遍历所述检测框集合,依次从所述检测框集合中获取一检测框,作为当前检测框;
扩充所述当前检测框的边界,并获取与扩充边界后的当前检测框重叠的检测框,得到重叠框;
获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表;
在所述检测框集合中删除所述当前检测框和所述重叠框,并将所述合并后的检测框加入至所述检测框集合中;
当遍历完所述检测框集合后,根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数。
从上述描述可知,本发明的有益效果在于:可同时对多区域的目标聚集进行快速检测,且可快速获取各目标聚集区域的目标数。
进一步地,所述对包含待测目标的图片进行识别,得到各待测目标的检测框具体为:
对包含待测目标的图片进行识别,得到各待测目标的检测框以及分类置信度;
根据预设的置信度阈值,对所述检测框进行过滤。
由上述描述可知,通过对检测框进行过滤,可提高后续目标聚集检测的效率和准确性。
进一步地,所述扩充所述当前检测框的边界具体为:
根据预设的扩充边界值,对所述当前检测框的各边界向外进行扩充。
由上述描述可知,定值扩充边界,适用于目标类间宽高比相近且景深不高的场景。
进一步地,所述扩充所述当前检测框的边界具体为:
获取所述当前检测框对应的历史列表中面积最小或面积为中位数的检测框,并获取所述面积最小或面积为中位数的检测框的宽度和高度;
根据所获取的宽度和高度以及预设的比例,计算扩充宽度值和扩充高度值;
根据所述扩充宽度值和扩充高度值,分别对所述当前检测框的宽度边界和高度边界向外进行扩充。
由上述描述可知,自适应扩充边界,适用于目标类宽高比与远近景的大小均不一的场景。
进一步地,所述获取与扩充边界后的当前检测框重叠的检测框,得到重叠框具体为:
根据预设的不重叠条件,从所述检测框集合中获取与扩充边界后的当前检测框不重叠的检测框,所述不重叠条件包括左上角顶点坐标的x值大于或等于扩充边界后的当前检测框的右下角顶点坐标的x值、左上角顶点坐标的y值大于或等于扩充边界后的当前检测框的右下角顶点坐标的y值、右下角顶点坐标的x值小于或等于扩充边界后的当前检测框的左上角顶点坐标的x值以及右下角顶点坐标的y值小于或等于扩充边界后的当前检测框的左上角顶点坐标的y值;
从所述检测框中集合中获取除当前检测框以及与扩充边界后的当前检测框不重叠的检测框外的检测框,得到当前检测框对应的重叠框。
由上述描述可知,通过非重叠过滤法获取与扩充边界后的当前检测框重叠的检测框。
进一步地,所述获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表之前,进一步包括:
分别根据当前检测框与各重叠框的重叠度,对所述重叠框进行过滤,得到待合并检测框。
进一步地,所述分别根据所述当前检测框与各重叠框的重叠度,对所述重叠框进行过滤具体为:
根据所述当前检测框的面积、一重叠框的面积以及所述当前检测框与所述一重叠框的交集的面积,计算所述当前检测框与所述一重叠框的并集的面积,得到第一面积;
计算所述当前检测框与所述一重叠框的外接矩形的面积,得到第二面积;
将所述第一面积除以第二面积,得到所述当前检测框与所述一重叠框的重叠度评分;
若所述重叠度评分大于或等于预设的评分阈值,则将所述一重叠框作为待合并检测框,否则过滤所述一重叠框。
由上述描述可知,通过对重叠框进过滤,防止当前检测框与某些重叠框合并后,合并后的框与合并前的框交集过小,导致大部分区域稀疏,不符合聚集的概念。
进一步地,所述获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表;在所述检测框集合中删除所述当前检测框和所述重叠框,并将所述合并后的检测框加入至所述检测框集合中具体为:
获取当前检测框与所述待合并检测框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述待合并检测框的历史列表,得到所述合并后的检测框的历史列表;
在所述检测框集合中删除所述当前检测框和所述待合并检测框,并将所述合并后的检测框加入至所述检测框集合中。
由上述描述可知,将当前检测框与过滤后的重叠框进行合并,防止合并后的检测框中的大部分区域稀疏。
进一步地,所述根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数具体为:
分别根据所述检测框集合中的各检测框,得到各目标聚集区域;
分别根据所述各检测框对应的历史列表中的检测框个数,确定各目标聚集区域内的目标数。
由上述描述可知,由于历史列表中始终包含的是最初识别到的检测框,因此,历史列表中的检测框的个数可直接作为目标聚集区域内的目标数。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法的步骤。
实施例一
请参照图2-4,本发明的实施例一为:一种目标聚集检测方法,可应用于人群聚集检测、车辆聚集检测等场景,本实施例以人群聚集检测为例进行说明。
如图2所示,包括如下步骤:
S1:对包含待测目标的图片进行识别,得到各待测目标的检测框。
具体地,可以利用传统的图像识别方式或通过神经网络模型进行识别的方式,获取待测目标的检测框,如图3所示。
进一步地,识别得到检测框之外,还可以得到待测目标的类别和分类置信度,过滤分类置信度小于预设的置信度阈值的检测框,然后后续对同一类别的检测框进行合并。
S2:分别建立与各检测框一一对应的历史列表,并将各检测框分别加入其对应的历史列表中;进一步地,还可以分别为各检测框初始化一个计数值,用于表示各检测框对应的历史列表中的检测框个数,所述计数值的初始值为1。
S3:将各待测目标的检测框加入检测框集合;即将过滤后的检测框加入检测框集合。
S4:遍历所述检测框集合,依次从所述检测框集合中获取一检测框,作为当前检测框。
S5:扩充所述当前检测框的边界;即增加当前检测框的感知域。
本步骤主要有两种实现方式,一种是定值扩充边界,适用于目标类间宽高比相近且景深不高的场景;另一种是根据当前检测框的历史列表,自适应扩充边界,适用于目标类宽高比与远近景的大小均不一的场景。
对于定值扩充边界,具体地,根据预设的扩充边界值,对当前检测框的各边界向外进行扩充,即将当前检测框的上下左右四条边都向外扩充预设的扩充边界值,使其感知的范围略大于自身。例如,假设当前检测框的宽高分别为w和h,预设的扩充边界值为a,则扩充边界后的检测框的宽高分别为w+2a和h+2a。
对于自适应扩充边界,具体地,首先,当目标较为密集时,则获取当前检测框对应的历史列表中面积最小的检测框,并获取所述面积最小的检测框的宽度和高度;当目标不是非常密集时,则获取当前检测框对应的历史列表中面积为中位数的检测框,并获取所述中位数的检测框的宽度和高度。
然后,根据所获取的宽度和高度以及预设的比例,计算扩充宽度值和扩充高度值;例如,获取的宽度和高分别度为w’和h’,预设的比例为scaler(优选值为0.5),则扩充宽度值和扩充高度值分别为w’×scaler和h’×scaler。
最后,根据所述扩充宽度值和扩充高度值,分别对所述当前检测框的宽度边界和高度边界向外进行扩充。例如,假设当前检测框的宽高分别为w和h,则扩充边界后的检测框的宽高分别为w+2(w’×scaler)和h+2(h’×scaler)。
S6:获取与扩充边界后的当前检测框重叠的检测框,得到当前检测框对应的重叠框。
本实施例中,本步骤采用非重叠过滤方式来获取重叠框。具体地,根据预设的不重叠条件,从所述检测框集合中获取与扩充边界后的当前检测框不重叠的检测框,所述不重叠条件包括左上角顶点坐标的x值大于或等于扩充边界后的当前检测框的右下角顶点坐标的x值、左上角顶点坐标的y值大于或等于扩充边界后的当前检测框的右下角顶点坐标的y值、右下角顶点坐标的x值小于或等于扩充边界后的当前检测框的左上角顶点坐标的x值,以及右下角顶点坐标的y值小于或等于扩充边界后的当前检测框的左上角顶点坐标的y值;其中,以图片左上角为坐标原点,向右方向为X轴正方向,向下方向为Y轴正方向。
也就是说,如果一个其他的检测框满足上述任一不重叠条件,则认为该检测框为与扩充边界后的当前检测框不重叠。
然后从所述检测框中集合中获取除当前检测框以及与扩充边界后的当前检测框不重叠的检测框外的检测框,得到当前检测框对应的重叠框。即除去自身以及不重叠的检测框之后,剩下的检测框即为与扩充边界后的当前检测框重叠的检测框。
S7:分别根当前检测框与各重叠框的重叠度,对所述重叠框进行过滤,得到当前检测框对应的待合并检测框。
本步骤即进行防稀疏合并过滤。具体地,对于每个重叠框,都分别与当前检测框进行如下步骤:
S701:根据所述当前检测框的面积、一重叠框的面积以及所述当前检测框与所述一重叠框的交集的面积,计算所述当前检测框与所述一重叠框的并集的面积,得到第一面积。例如,假设当前检测框的面积为A1,所述一重叠框的面积为A2,两者的交集的面积为A3,则两者的并集的面积为A1+A2-A3。
S702:计算所述当前检测框与所述一重叠框的外接矩形的面积,得到第二面积;即计算当前检测框与该重叠框合并之后所得到的检测框的面积。
S703:将所述第一面积除以第二面积,得到所述当前检测框与所述一重叠框的重叠度评分。
例如,假设第二面积为A4,则重叠度评分Score=(A1+A2-A3)/A4。
S704:判断所述重叠度评分是否大于或等于预设的评分阈值,若是,则执行步骤S705,若否,则执行步骤S706。
S705:将所述一重叠框作为待合并检测框。
S706:过滤所述一重叠框。
通过对重叠框进过滤,防止当前检测框与某些重叠框合并后,合并后的框与合并前的框交集过小,导致大部分区域稀疏,不符合聚集的概念。
S8:获取所述当前检测框及其对应的待合并检测框的外接矩形,得到合并后的检测框,并合并所述当前检测框的历史列表及其对应的待合并检测框的历史列表,得到所述合并后的检测框的历史列表。
进一步地,合并后的检测框对应的计数值即当前检测框对应的计数值与各待合并检测框对应的计数值之和。
通过合并历史列表,使得历史列表中只存在最初识别到的检测框,而不会包含合并后的检测框,使得历史列表的子项数量即为该检测框内包含的目标数。
S9:在所述检测框集合中删除所述当前检测框和所述待合并检测框,并将所述合并后的检测框加入至所述检测框集合中。
S10:判断是否遍历完所述检测框集合,若是,则执行步骤S11,若否,则继续遍历所述检测框集合,即返回执行步骤S4。
经过上述的遍历过程,会陆续将邻近的检测框进行合并,直至不能合并。
S11:根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数。
具体地,分别根据检测框集合中的各检测框,得到各目标聚集区域;分别根据所述各检测框对应的历史列表中的检测框个数,确定各目标聚集区域的聚集数。
遍历结束后,检测框集合中的检测框均为互不重叠(且具有一定距离)的检测框,此时,将每个检测框都作为一个目标聚集区域,每个目标聚集区域的聚集数即检测框对应的历史列表中的检测框的个数。
最后的检测结果如图4所示。后续可根据提前设置的阈值,评估是否发生异常的人员聚集现象,方便报警后相关人员快速定位与评估问题。另外,在事后取证阶段,发生人员聚集时的报告图,也方便了相关人员的分析。
本实施例可同时对图片中的多区域的目标聚集进行快速检测,且可快速获取各目标聚集区域的目标数。
实施例二
本实施例是对应上述实施例的一种计算机可读存储介质,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上所述的目标聚集检测方法实施例中的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
综上所述,本发明提供的一种目标聚集检测方法及计算机可读存储介质,通过对识别得到的检测框进行过滤,可提高后续目标聚集检测的效率和准确;通过将过滤后的检测框都加入检测框集合,在遍历检测框集合的过程中,对重叠或邻近的检测框进行合并,并对应更新检测框集合,当遍历完检测框集合后,剩下的检测框为无法再合并的检测框,即互不重叠且具有一定距离的检测框,也即图片中目标聚集的不同区域,从而实现对多区域目标聚集的同时检测;通过合并被合并的检测框的历史列表,保证历史列表中只存在最初识别到的检测框,而不会包含合并后的检测框,从而使得历史列表的子项数量即为该检测框内包含的目标数,有利于后续快速地获取聚集区域内存在的目标数量;通过对重叠框进过滤,防止当前检测框与某些重叠框合并后,合并后的框与合并前的框交集过小,导致大部分区域稀疏,从而保证合并后的检测框符合聚集的概念。
本发明可同时对图片中的多区域的目标聚集进行快速检测,且可快速获取各目标聚集区域的目标数,方便相关人员快速定位与评估分析。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种目标聚集检测方法,其特征在于,包括:
对包含待测目标的图片进行识别,得到各待测目标的检测框;
分别建立与各检测框一一对应的历史列表,并将各检测框分别加入其对应的历史列表中;
将各待测目标的检测框加入检测框集合;
遍历所述检测框集合,依次从所述检测框集合中获取一检测框,作为当前检测框;
扩充所述当前检测框的边界,并获取与扩充边界后的当前检测框重叠的检测框,得到重叠框;
获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表;
在所述检测框集合中删除所述当前检测框和所述重叠框,并将所述合并后的检测框加入至所述检测框集合中;
当遍历完所述检测框集合后,根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数。
2.根据权利要求1所述的目标聚集检测方法,其特征在于,所述对包含待测目标的图片进行识别,得到各待测目标的检测框具体为:
对包含待测目标的图片进行识别,得到各待测目标的检测框以及分类置信度;
根据预设的置信度阈值,对所述检测框进行过滤。
3.根据权利要求1所述的目标聚集检测方法,其特征在于,所述扩充所述当前检测框的边界具体为:
根据预设的扩充边界值,对所述当前检测框的各边界向外进行扩充。
4.根据权利要求1所述的目标聚集检测方法,其特征在于,所述扩充所述当前检测框的边界具体为:
获取所述当前检测框对应的历史列表中面积最小或面积为中位数的检测框,并获取所述面积最小或面积为中位数的检测框的宽度和高度;
根据所获取的宽度和高度以及预设的比例,计算扩充宽度值和扩充高度值;
根据所述扩充宽度值和扩充高度值,分别对所述当前检测框的宽度边界和高度边界向外进行扩充。
5.根据权利要求1所述的目标聚集检测方法,其特征在于,所述获取与扩充边界后的当前检测框重叠的检测框,得到重叠框具体为:
根据预设的不重叠条件,从所述检测框集合中获取与扩充边界后的当前检测框不重叠的检测框,所述不重叠条件包括左上角顶点坐标的x值大于或等于扩充边界后的当前检测框的右下角顶点坐标的x值、左上角顶点坐标的y值大于或等于扩充边界后的当前检测框的右下角顶点坐标的y值、右下角顶点坐标的x值小于或等于扩充边界后的当前检测框的左上角顶点坐标的x值以及右下角顶点坐标的y值小于或等于扩充边界后的当前检测框的左上角顶点坐标的y值;
从所述检测框中集合中获取除当前检测框以及与扩充边界后的当前检测框不重叠的检测框外的检测框,得到当前检测框对应的重叠框。
6.根据权利要求1所述的目标聚集检测方法,其特征在于,所述获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表之前,进一步包括:
分别根据当前检测框与各重叠框的重叠度,对所述重叠框进行过滤,得到待合并检测框。
7.根据权利要求6所述的目标聚集检测方法,其特征在于,所述分别根据所述当前检测框与各重叠框的重叠度,对所述重叠框进行过滤具体为:
根据所述当前检测框的面积、一重叠框的面积以及所述当前检测框与所述一重叠框的交集的面积,计算所述当前检测框与所述一重叠框的并集的面积,得到第一面积;
计算所述当前检测框与所述一重叠框的外接矩形的面积,得到第二面积;
将所述第一面积除以第二面积,得到所述当前检测框与所述一重叠框的重叠度评分;
若所述重叠度评分大于或等于预设的评分阈值,则将所述一重叠框作为待合并检测框,否则过滤所述一重叠框。
8.根据权利要求6或7所述的目标聚集检测方法,其特征在于,所述获取当前检测框与所述重叠框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述重叠框的历史列表,得到所述合并后的检测框的历史列表;在所述检测框集合中删除所述当前检测框和所述重叠框,并将所述合并后的检测框加入至所述检测框集合中具体为:
获取当前检测框与所述待合并检测框的外接矩形,得到合并后的检测框,并合并所述当前检测框与所述待合并检测框的历史列表,得到所述合并后的检测框的历史列表;
在所述检测框集合中删除所述当前检测框和所述待合并检测框,并将所述合并后的检测框加入至所述检测框集合中。
9.根据权利要求1所述的目标聚集检测方法,其特征在于,所述根据所述检测框集合中的各检测框及其对应的历史列表,得到目标聚集区域及目标数具体为:
分别根据所述检测框集合中的各检测框,得到各目标聚集区域;
分别根据所述各检测框对应的历史列表中的检测框个数,确定各目标聚集区域内的目标数。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134835.2A CN113887372A (zh) | 2021-09-27 | 2021-09-27 | 目标聚集检测方法及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111134835.2A CN113887372A (zh) | 2021-09-27 | 2021-09-27 | 目标聚集检测方法及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887372A true CN113887372A (zh) | 2022-01-04 |
Family
ID=79006958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111134835.2A Pending CN113887372A (zh) | 2021-09-27 | 2021-09-27 | 目标聚集检测方法及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887372A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494350A (zh) * | 2022-01-28 | 2022-05-13 | 北京中电兴发科技有限公司 | 一种人员聚集检测方法及装置 |
CN114782412A (zh) * | 2022-05-26 | 2022-07-22 | 马上消费金融股份有限公司 | 图像检测方法、目标检测模型的训练方法及装置 |
CN116563521A (zh) * | 2023-04-14 | 2023-08-08 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
-
2021
- 2021-09-27 CN CN202111134835.2A patent/CN113887372A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494350A (zh) * | 2022-01-28 | 2022-05-13 | 北京中电兴发科技有限公司 | 一种人员聚集检测方法及装置 |
CN114782412A (zh) * | 2022-05-26 | 2022-07-22 | 马上消费金融股份有限公司 | 图像检测方法、目标检测模型的训练方法及装置 |
CN116563521A (zh) * | 2023-04-14 | 2023-08-08 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
CN116563521B (zh) * | 2023-04-14 | 2024-04-23 | 依未科技(北京)有限公司 | 目标检测的检测框处理方法及其装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
CN113887372A (zh) | 目标聚集检测方法及计算机可读存储介质 | |
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
KR101735365B1 (ko) | 학습 기반의 영상 내 관심 물체 검지 및 환경 변화에 강인한 물체 추적 방법 | |
US5554983A (en) | Object recognition system and abnormality detection system using image processing | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN109034120B (zh) | 面向智能设备自主行为的场景理解方法 | |
US12002195B2 (en) | Computer vision-based anomaly detection method, device and electronic apparatus | |
Russo et al. | Smoke detection method based on LBP and SVM from surveillance camera | |
CN111553214A (zh) | 一种驾驶员吸烟行为检测方法及系统 | |
CN111488808A (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN111723608A (zh) | 一种驾驶辅助系统的报警方法、装置及电子设备 | |
KR101840042B1 (ko) | 복합 가상 팬스 라인 설정 방법 및 이를 이용한 침입 감지 시스템 | |
CN112104838B (zh) | 图像分辨方法及其监控摄像机与监控摄像系统 | |
CN112633228A (zh) | 停车检测方法、装置、设备及存储介质 | |
KR20150002040A (ko) | 호그 연속기법에 기반한 칼만 필터와 클러스터링 알고리즘을 이용하여 실시간으로 보행자를 인식하고 추적하는 방법 | |
KR101407394B1 (ko) | 방치물 및 도난물 탐지 시스템 | |
CN108960181A (zh) | 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法 | |
CN108510517B (zh) | 一种自适应的视觉背景提取方法及装置 | |
RU2676028C1 (ru) | Способ обнаружения оставленного предмета в видеопотоке | |
Hu et al. | Automatic detection and evaluation of 3D pavement defects using 2D and 3D information at the high speed | |
CN112634299A (zh) | 一种排除飞虫干扰的遗留物检测方法 | |
KR20210083760A (ko) | 영상 기반 객체 검출 정보를 이용한 실시간 다중 클래스 다중 객체 추적 방법 | |
Frías-Velázquez et al. | A mathematical morphology-based approach for vehicle detection in road tunnels |
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 |