CN113963373A - 一种基于视频图像动态检测与跟踪算法系统及方法 - Google Patents

一种基于视频图像动态检测与跟踪算法系统及方法 Download PDF

Info

Publication number
CN113963373A
CN113963373A CN202111113267.8A CN202111113267A CN113963373A CN 113963373 A CN113963373 A CN 113963373A CN 202111113267 A CN202111113267 A CN 202111113267A CN 113963373 A CN113963373 A CN 113963373A
Authority
CN
China
Prior art keywords
image
module
video
cameras
image acquisition
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
Application number
CN202111113267.8A
Other languages
English (en)
Inventor
周冰清
桂丽
赵峥来
魏雪燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Bozidao Intelligent Industry Technology Research Institute Co ltd
Original Assignee
Jiangsu Bozidao Intelligent Industry Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Bozidao Intelligent Industry Technology Research Institute Co ltd filed Critical Jiangsu Bozidao Intelligent Industry Technology Research Institute Co ltd
Priority to CN202111113267.8A priority Critical patent/CN113963373A/zh
Publication of CN113963373A publication Critical patent/CN113963373A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • 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
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于视频图像动态检测与跟踪算法系统及方法，涉及图像检测与识别技术领域，包括终端服务器，与所述终端服务器相连的视频图像采集模块、图像处理模块、关键帧抽取模块、运动图像识别模块、特征提取模块、人脸模型数据库和路径生成模块；视频图像采集模块包括第一视频图像采集模块和第二视频图像采集模块。本发明可对局部区域内进入人员进行无死角检测和识别，对非区域进入人员进行实时跟踪并自动生成路径，有利提高校园安防能力。

Description

一种基于视频图像动态检测与跟踪算法系统及方法
技术领域
本发明属于图像检测与识别技术领域，具体涉及一种基于视频图像动态检测与跟踪算法系统及方法。
背景技术
校园安防是加强学校安全管理的重要环节，是学校正常开展教育教学和生活秩序的保障，也是当前有效解决校园安全问题的有效办法。现有的安防一般通过在校园内设置摄像头进行人工监管，导致监管工作量大，易造成监控不到位，往往都是校园安全事故发生后，以调取录像的方式来查看，无法及时发现和跟踪非校园人员的进入和跟踪，也无法做到提前预警，防患于未然。
随着5G、人工智能时代的到来，凭借强大的计算能力和数据处理能力，对视频图像动态检测、捕获、处理和记录具有很大提升，也是探讨现代校园安防的一个突破口，为此，我们提出一种基于视频图像动态检测与跟踪算法系统及方法。
发明内容
本发明的目的是为了解决现有技术中人工智能在图像处理方面存在高昂成本和高能耗，无法应用到小范围领域的缺点，而提出的一种基于视频图像动态检测与跟踪算法系统及方法。
为了实现上述目的，本发明采用了如下技术方案：
设计一种基于视频图像动态检测与跟踪算法系统，包括：终端服务器，与所述终端服务器相连的视频图像采集模块、图像处理模块、关键帧抽取模块、运动图像识别模块、特征提取模块、人脸模型数据库和路径生成模块；
所述视频图像采集模块包括第一视频图像采集模块和第二视频图像采集模块，所述第一视频图像采集模块由4个摄像头a和2个摄像头b组成，所述摄像头a和摄像头b呈圆形矩阵方式设置在监控区域的入口位置，所述第二视频图像采集模块包括多个摄像头c，所述摄像头c呈离散型分布在监控区域的各个路口位置；
图像处理模块，用于根据系统时钟频率筛选出摄像头a、摄像头b和摄像头c的连续图像，并生成二值图像，通过帧差法检测运动物体；
关键帧抽取模块，用于抽取运动物体全部呈现在图像时的一帧图像；
运动图像识别模块，用于识别出关键帧图像中的人脸信息，并通过卷积神经网络与人脸模型数据库进行对比训练，筛选出异常或非数据库人员图像并标定；
特征提取模块，用于对含有异常或非数据库人员的关键帧图像进行特征提取，通过边缘检测算法对图形进行处理，使用图像提取矩阵对图像做卷积，提取大量特征图像信息存储在特征信息数据库；
路径生成模块，用于出现异常或非数据库人员图像后，在监控区域地图入口坐标点位置生成第一标记点，通过多个摄像头c采集的视频图像特征信息来确定目标人物在监控区域地图出现的坐标点，并通过采集的时间顺序在监控区域地图生成路径，完成对目标的跟踪。
进一步的，所述摄像头a呈对角线关系对称设置在入口道路的两侧，摄像头b呈轴线关系对称设置在入口道路的两侧，监控区域的入口位置道路为单人通道，4个摄像头a和2个摄像头b构成对入口道路形成全方位无死角的图像采集。
进一步的，所述帧差法检测运动物体具体方式：
Figure 100002_DEST_PATH_IMAGE001
公式（1）
式中
Figure DEST_PATH_IMAGE002
表示阈值，若
Figure 100002_DEST_PATH_IMAGE003
，表示该像素点为运动状态，若
Figure DEST_PATH_IMAGE004
，表示该像素点为背景像素点。
进一步的，所述关键帧的具体抽取方法：
帧差法检测出具有运动物体的所有二值化图像均对其求取图像熵，图像熵的方式：
Figure 100002_DEST_PATH_IMAGE005
公式（2）
式中，
Figure DEST_PATH_IMAGE006
表示待选关键帧的图像熵，
Figure 100002_DEST_PATH_IMAGE007
用于表示运动图像r中k个灰度值的概率分布，选取图像熵值最大的作为运动图像的关键帧。
进一步的，所述边缘检测算法的检测算子采用canny 算子、prewitt 算子、sobel算子、log算子或roberts 算子中的一种。
进一步的，所述图像提取矩阵对图像做卷积的卷积乘子为36×36矩阵。
本发明提出的一种基于视频图像动态检测与跟踪算法系统及方法，有益效果在于：
（1）、本发明通过对视频采集的合理布局，可对局部区域内进入人员进行无死角检测和识别，并对非区域人员进行跟踪并发出预警，提醒校园安防人员，智能化识别可减轻安防人员的监控压力，同时可有效提高监控的力度。
（2）、本发明系统会对非区域进入人员进行实时跟踪并自动生成路径，以便安防人员掌握非区域进入人员在校园的轨迹以及动向，有利校园安防人员第一时间消除校园存在的安全隐患。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的系统结构示意图；
图2是本发明的系统框图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。这些实施例仅用于说明本发明而不用于限制本发明的范围。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设有”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
现结合说明书附图，详细说明本发明的结构特点。
参见图1-2，一种基于视频图像动态检测与跟踪算法系统，包括：终端服务器，与所述终端服务器相连的视频图像采集模块、图像处理模块、关键帧抽取模块、运动图像识别模块、特征提取模块、人脸模型数据库和路径生成模块。
参见图1所示，视频图像采集模块包括第一视频图像采集模块和第二视频图像采集模块，第一视频图像采集模块由4个摄像头a和2个摄像头b组成，摄像头a和摄像头b呈圆形矩阵方式设置在监控区域的入口位置，摄像头a呈对角线关系对称设置在入口道路的两侧，摄像头b呈轴线关系对称设置在入口道路的两侧，监控区域的入口位置道路为单人通道，第二视频图像采集模块包括多个摄像头c，摄像头c呈离散型分布在监控区域的各个路口位置， 4个摄像头a和2个摄像头b构成对入口道路形成全方位无死角的图像采集。
通过4个摄像头a和2个摄像头b组成组成的环绕式布局，可对进入局部区域人员进行360度无死角图形采集，有利对非局部区域人员进行全方位特征信息采集。多个摄像头c区域性分布，可对区域各个路口进行视频图像采集。
图像处理模块，用于根据系统时钟频率筛选出摄像头a、摄像头b和摄像头c的连续图像，并生成二值图像，通过帧差法检测运动物体，所述帧差法检测运动物体具体方式：
Figure 744686DEST_PATH_IMAGE001
公式（1）
式中
Figure 396248DEST_PATH_IMAGE002
表示阈值，若
Figure 644826DEST_PATH_IMAGE003
，表示该像素点为运动状态，若
Figure 774456DEST_PATH_IMAGE004
，表示该像素点为背景像素点。
关键帧抽取模块，用于抽取运动物体全部呈现在图像时的一帧图像，所述关键帧的具体抽取方法：
帧差法检测出具有运动物体的所有二值化图像均对其求取图像熵，图像熵的方式：
Figure 57670DEST_PATH_IMAGE005
公式（2）
式中，
Figure 348974DEST_PATH_IMAGE006
表示待选关键帧的图像熵，
Figure 350428DEST_PATH_IMAGE007
用于表示运动图像r中k个灰度值的概率分布，选取图像熵值最大的作为运动图像的关键帧。
运动图像识别模块，用于识别出关键帧图像中的人脸信息，并通过卷积神经网络与人脸模型数据库进行对比训练，筛选出异常或非数据库人员图像并标定。
特征提取模块，用于对含有异常或非数据库人员的关键帧图像进行特征提取，通过边缘检测算法对图形进行处理，边缘检测算法的检测算子采用canny 算子、prewitt 算子、sobel 算子、log算子或roberts 算子中的一种，使用图像提取矩阵对图像做卷积，图像提取矩阵对图像做卷积的卷积乘子为36×36矩阵，提取大量特征图像信息存储在特征信息数据库。
出现异常或非数据库人员图像后，路径生成模块在监控区域地图入口坐标点位置生成第一标记点，通过多个摄像头c采集的视频图像特征信息来确定目标人物在监控区域地图出现的坐标点，并通过采集的时间顺序在监控区域地图生成路径，完成对目标的跟踪。
本发明的基于视频图像动态检测与跟踪算法系统，通过对视频采集的合理布局，可对局部区域内进入人员进行无死角检测和识别，并对非区域人员进行跟踪并发出预警，提醒校园安防人员，智能化识别可减轻安防人员的监控压力，同时可有效提高监控的力度，另一方面，系统会对非区域进入人员进行实时跟踪并自动生成路径，以便安防人员掌握非区域进入人员在校园的轨迹以及动向，有利校园安防人员第一时间消除校园存在的安全隐患。
具体的，本发明基于视频图像动态检测与跟踪算法系统的实施方法，在校园的入口位置，采取单通道的方式布局摄像头a和摄像头b，并在校园内各个路口设置摄像头c，将摄像头a、摄像头b和摄像头c接入到终端服务器，终端服务器通过无线通信的方式与云端服务器进行互联，利用云端服务器强大的算力对校园视频图形进行动态检测、识别进行计算。
当有非区域人员进入后，摄像头a和摄像头b全方位采集非区域人员的身体上的特征信息，并对特征信息进行训练存储，以供摄像头c采集信息的识别和标记，通过采集的时间顺序在监控区域地图生成路径，完成对目标的跟踪。
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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，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 (6)

1.一种基于视频图像动态检测与跟踪算法系统，其特征在于，包括：终端服务器，与所述终端服务器相连的视频图像采集模块、图像处理模块、关键帧抽取模块、运动图像识别模块、特征提取模块、人脸模型数据库和路径生成模块；
所述视频图像采集模块包括第一视频图像采集模块和第二视频图像采集模块，所述第一视频图像采集模块由4个摄像头a和2个摄像头b组成，所述摄像头a和摄像头b呈圆形矩阵方式设置在监控区域的入口位置，所述第二视频图像采集模块包括多个摄像头c，所述摄像头c呈离散型分布在监控区域的各个路口位置；
图像处理模块，用于根据系统时钟频率筛选出摄像头a、摄像头b和摄像头c的连续图像，并生成二值图像，通过帧差法检测运动物体；
关键帧抽取模块，用于抽取运动物体全部呈现在图像时的一帧图像；
运动图像识别模块，用于识别出关键帧图像中的人脸信息，并通过卷积神经网络与人脸模型数据库进行对比训练，筛选出异常或非数据库人员图像并标定；
特征提取模块，用于对含有异常或非数据库人员的关键帧图像进行特征提取，通过边缘检测算法对图形进行处理，使用图像提取矩阵对图像做卷积，提取大量特征图像信息存储在特征信息数据库；
路径生成模块，用于出现异常或非数据库人员图像后，在监控区域地图入口坐标点位置生成第一标记点，通过多个摄像头c采集的视频图像特征信息来确定目标人物在监控区域地图出现的坐标点，并通过采集的时间顺序在监控区域地图生成路径，完成对目标的跟踪。
2.根据权利要求1所述的基于视频图像动态检测与跟踪算法系统，其特征在于，所述摄像头a呈对角线关系对称设置在入口道路的两侧，摄像头b呈轴线关系对称设置在入口道路的两侧，监控区域的入口位置道路为单人通道，4个摄像头a和2个摄像头b构成对入口道路形成全方位无死角的图像采集。
3.根据权利要求1所述的基于视频图像动态检测与跟踪算法系统，其特征在于，所述帧差法检测运动物体具体方式：
Figure DEST_PATH_IMAGE001
公式（1）
式中
Figure 939614DEST_PATH_IMAGE002
表示阈值，若
Figure DEST_PATH_IMAGE003
，表示该像素点为运动状态，若
Figure 308016DEST_PATH_IMAGE004
，表示该像素点为背景像素点。
4.根据权利要求1所述的基于视频图像动态检测与跟踪算法系统，其特征在于，所述关键帧的具体抽取方法：
帧差法检测出具有运动物体的所有二值化图像均对其求取图像熵，图像熵的方式：
Figure DEST_PATH_IMAGE005
公式（2）
式中，
Figure 793355DEST_PATH_IMAGE006
表示待选关键帧的图像熵，
Figure DEST_PATH_IMAGE007
用于表示运动图像r中k个灰度值的概率分布，选取图像熵值最大的作为运动图像的关键帧。
5.根据权利要求1所述的基于视频图像动态检测与跟踪算法系统，其特征在于，所述边缘检测算法的检测算子采用canny 算子、prewitt 算子、sobel 算子、log算子或roberts算子中的一种。
6.根据权利要求1所述的基于视频图像动态检测与跟踪算法系统，其特征在于，所述图像提取矩阵对图像做卷积的卷积乘子为36×36矩阵。
CN202111113267.8A 2021-09-23 2021-09-23 一种基于视频图像动态检测与跟踪算法系统及方法 Pending CN113963373A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111113267.8A CN113963373A (zh) 2021-09-23 2021-09-23 一种基于视频图像动态检测与跟踪算法系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111113267.8A CN113963373A (zh) 2021-09-23 2021-09-23 一种基于视频图像动态检测与跟踪算法系统及方法

Publications (1)

Publication Number Publication Date
CN113963373A true CN113963373A (zh) 2022-01-21

Family

ID=79462275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111113267.8A Pending CN113963373A (zh) 2021-09-23 2021-09-23 一种基于视频图像动态检测与跟踪算法系统及方法

Country Status (1)

Country Link
CN (1) CN113963373A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612503A (zh) * 2022-05-13 2022-06-10 深圳市巨力方视觉技术有限公司 一种基于机器视觉的图像处理式运动监测系统
CN116189336A (zh) * 2023-02-24 2023-05-30 广州奔智电子科技有限公司 一种智能门锁安防系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114612503A (zh) * 2022-05-13 2022-06-10 深圳市巨力方视觉技术有限公司 一种基于机器视觉的图像处理式运动监测系统
CN116189336A (zh) * 2023-02-24 2023-05-30 广州奔智电子科技有限公司 一种智能门锁安防系统
CN116189336B (zh) * 2023-02-24 2023-09-08 广州奔智电子科技有限公司 一种智能门锁安防系统

Similar Documents

Publication Publication Date Title
CN109819208B (zh) 一种基于人工智能动态监控的密集人群安防监控管理方法
CN108062349B (zh) 基于视频结构化数据及深度学习的视频监控方法和系统
CN108053427B (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN109657575B (zh) 室外施工人员智能视频跟踪算法
CN103824070B (zh) 一种基于计算机视觉的快速行人检测方法
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位系统
KR102122859B1 (ko) 교통 영상감시시스템의 멀티 표적 추적 방법
CN103986910A (zh) 一种基于智能分析摄像机的客流统计方法和系统
WO2024037408A1 (zh) 一种基于图像融合和特征增强的煤矿井下行人检测方法
CN113963373A (zh) 一种基于视频图像动态检测与跟踪算法系统及方法
CN102799935A (zh) 一种基于视频分析技术的人流量统计方法
CN111753651A (zh) 一种基于车站二维人群密度分析的地铁群体异常行为检测方法
CN104820995A (zh) 一种面向大型公共场所的人流密度监测预警方法
CN110728252A (zh) 一种应用于区域人员运动轨迹监控的人脸检测方法
CN108932464A (zh) 客流量统计方法及装置
CN106851229A (zh) 一种基于图像识别的安防智能决策的方法与系统
CN110390784A (zh) 一种基于深度学习的输电线路防外破监控系统
CN116311071A (zh) 一种融合帧差和ca的变电站周界异物识别方法及系统
CN112836683A (zh) 用于便携式摄像设备的车牌识别方法、装置、设备和介质
CN116311166A (zh) 交通障碍物识别方法、装置及电子设备
CN111489380A (zh) 一种目标物体轨迹分析方法
CN105447463B (zh) 变电站基于人体特征识别的跨摄像机自动跟踪系统
CN112508893B (zh) 基于机器视觉的铁路双轨间微小异物检测方法及系统
CN113673326A (zh) 一种基于图像深度学习的无人机平台人群计数方法及系统
CN113052139A (zh) 一种基于深度学习双流网络的攀爬行为检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication