CN114495017A - 基于图像处理的地面杂物检测方法、装置、设备及介质 - Google Patents

基于图像处理的地面杂物检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114495017A
CN114495017A CN202210389966.3A CN202210389966A CN114495017A CN 114495017 A CN114495017 A CN 114495017A CN 202210389966 A CN202210389966 A CN 202210389966A CN 114495017 A CN114495017 A CN 114495017A
Authority
CN
China
Prior art keywords
detected
ground
area information
sundry
ground picture
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
Application number
CN202210389966.3A
Other languages
English (en)
Other versions
CN114495017B (zh
Inventor
刘冠军
赵玮玮
赵琛
姚瑶
范兵
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.)
Chengdu Lingfang Information Technology Co ltd
Meiyijia Holding Co ltd
Original Assignee
Chengdu Lingfang Information Technology Co ltd
Meiyijia Holding 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 Chengdu Lingfang Information Technology Co ltd, Meiyijia Holding Co ltd filed Critical Chengdu Lingfang Information Technology Co ltd
Priority to CN202210389966.3A priority Critical patent/CN114495017B/zh
Publication of CN114495017A publication Critical patent/CN114495017A/zh
Application granted granted Critical
Publication of CN114495017B publication Critical patent/CN114495017B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/20212—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
    • G06T2207/30196—Human being; Person
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术，提供了基于图像处理的地面杂物检测方法、装置、设备及介质，是先接收图像采集端上传的待检测地面图片集，将待检测地面图片集存储至预设的存储区域；将待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；将待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；将待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及将第一杂物区域信息与第二杂物区域信息合并，得到杂物区域信息。实现了基于图像采集端上传的待检测地面图片集对室内空间中地面杂物的自动检测，而且提升了检测效率和准确率。

Description

基于图像处理的地面杂物检测方法、装置、设备及介质
技术领域
本发明涉图像处理技术领域，尤其涉及一种基于图像处理的地面杂物检测方法、装置、计算机设备及存储介质。
背景技术
目前，在连锁便利店销售领域，通常要求保持地面清洁，禁止地面出现纸团、垃圾、掉落的货物等杂物。然而在实际处理中，一般是连锁便利店的店员通过人工巡查的方式来发现地面出现的杂物，也即通过人眼观察的方式去人工识别，导致杂物检测定位耗费大量人力成本，而且检测效率低下。
发明内容
本发明实施例提供了一种基于图像处理的地面杂物检测方法、装置、计算机设备及存储介质，旨在解决现有技术中室内空间中地面杂物检测是通过人眼观察的方式去人工识别，导致杂物检测定位耗费大量人力成本，而且检测效率低下的问题。
第一方面，本发明实施例提供了一种基于图像处理的地面杂物检测方法，其包括：
接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域；
将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；
将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；
将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及
将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
第二方面，本发明实施例提供了一种基于图像处理的地面杂物检测装置，其包括：
待检测图片集获取单元，用于接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域；
人体检测单元，用于将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；
动态目标检测单元，用于将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；
静态目标检测单元，用于将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及
检测目标合并单元，用于将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器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方面所述的基于图像处理的地面杂物检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于图像处理的地面杂物检测方法。
本发明实施例提供了一种基于图像处理的地面杂物检测方法、装置、计算机设备及存储介质，是先接收图像采集端上传的待检测地面图片集，将待检测地面图片集存储至预设的存储区域；将待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；将待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；将待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及将第一杂物区域信息与第二杂物区域信息合并，得到杂物区域信息。实现了基于图像采集端上传的待检测地面图片集对室内空间中地面杂物的自动检测，而且提升了检测效率和准确率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于图像处理的地面杂物检测方法的应用场景示意图；
图2为本发明实施例提供的基于图像处理的地面杂物检测方法的流程示意图；
图3为本发明实施例提供的基于图像处理的地面杂物检测装置的示意性框图；
图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于图像处理的地面杂物检测方法的应用场景示意图；图2为本发明实施例提供的基于图像处理的地面杂物检测方法的流程示意图，该基于图像处理的地面杂物检测方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S101~S105。
S101、接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域。
在本实施例中，是以服务器为执行主体描述技术方案。图像采集端（具体如网络摄像头、云摄像头等）是在获得用户使用许可且不侵犯用户隐私的前提下部署在待监控室内空间（具体如便利店、超市等室内空间）内，在每一待监控室内空间内至少设置一个图像采集端，且待监控室内空间内的图像采集端是对准一个方向进行监控视频采集。例如，本申请以一个10-30平米大小的便利店室内为例，在便利店室内部署了一个图像采集端A，图像采集端A对准便利店室内的一个方向且可以获取其对准的地面区域和货架区域。图像采集端A可以实时采集便利店室内的监控视频，并按预设的上传要求和上传周期将监控视频对应的监控图片集上传至服务器。服务器则可以不断的接收图像采集端A上传的各监控图片集以分析各监控图片集分别对应的时间段内便利店室内地面上是否有杂物存在。而且在某一监控图片集中经服务器分析确定便利店室内地面上有杂物存在，则可以在该监控图片集对应的时间段结束之后极短时间内（如在该监控图片集对应的时间段结束1s内）即向接收端发送通知消息，以提示接收端的用户本人及时跟进清理杂物或是请求他人帮助处理杂物。
其中，当服务器接收了图像采集端当前上传的待检测地面图片集后（该待检测地面图片集是一定对应了一段监控视频的起止时间，也即该待检测地面图片集是具备起止时间这一属性值的），是先将所述待检测地面图片集存储至服务器中预设的存储区域，通过所述存储区域先对所述待检测地面图片集进行缓存。在存储了所述待检测地面图片集后，可以对所述待检测地面图片集中每一张待检测地面图片按照预设的裁剪策略进行裁剪，以更新每一张待检测地面图片并再次组成待检测地面图片集。其中，预设的裁剪策略用于将每一张待检测地面图片裁剪成指定区域图片。例如在裁剪策略设置了一个矩形区域且已知矩形区域的四个顶点坐标，此时将待检测地面图片中先定位出上述已知矩形区域的四个顶点坐标，然后基于这四个顶点坐标对应的矩形区域为目标区域，将待检测地面图片中除目标区域之外的区域进行裁剪删除，即实现了裁剪出监控区域。而且基于裁剪策略对待检测地面图片进行裁剪后，可以使后续的图像处理过程专注与地面图像识别，排除货架、桌椅等多种固定物体的干扰，降低杂物识别难度。
S102、将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集。
在本实施例中，当获取了待检测地面图片集后，可以对所述待检测地面图片集中每一张待检测地面图片进行人脸识别以确定是否存在人体图像。若所述待检测地面图片集中有待检测地面图片中存在人体图像则将其对应从所述待检测地面图片集中删除并更新待检测地面图片集，从而进一步降低人体对地面杂物识别的干扰，降低杂物识别难度。
其中，可以基于YOLOv5检测模型对待检测地面图片中是否存在人体图像进行检测；且YOLOv5是YOLO这一对象检测算法的v5版本。
更具体的，YOLOv5检测模型对待检测地面图片中是否存在人体图像进行检测的具体过程如下：1）先收集包含人体图像的数据集；2）然后使用LabelImg（LabelImg是一种目标检测标注工具）标注数据集中各人体图像上的人体部分，得到训练集；3）构建初始YOLOv5网络模型（也即初始待训练的YOLOv5网络模型）；4）通过训练集对初始YOLOv5网络模型进行训练，得到模型参数；5）将模型参数加载至初始YOLOv5网络模型得到YOLOv5检测模型，通过YOLOv5检测模型可对待检测地面图片中是否存在人体图像进行检测，并可在检测到待检测地面图片中存在人体时可以获取相应区域的坐标集。
S103、将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息。
在本实施例中，由于所获取的待检测地面图片集中杂物可能会出现两种情况，具体是：
第一种是具有动态运动的杂物，其在待检测地面图片集中不同帧的待检测地面图片中可能出现在不同的位置，即当视频（本质上是所述待检测地面图片集）中存在移动图像时，相邻多帧待检测地面图片之间灰度存在差异，计算相邻待检测地面图片的灰度差绝对值，由相邻待检测地面图片的灰度差绝对值是否为0来判断杂物是运动还是静止，相邻待检测地面图片的灰度差绝对值为0表示杂物是静止的，相邻待检测地面图片的灰度差绝对值不为0表示杂物是运动的。
第二种是静止的杂物，其在待检测地面图片集中不同帧的待检测地面图片中一直出现在相同的位置。此时先对所述待检测地面图片集中具有动态运动的杂物进行检测，以确定这一类动态杂物对应的存在区域信息。
在一实施例中，步骤S103包括：
获取所述待检测地面图片集依时序排列组成的待检测地面图片序列，将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息；
将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息；
根据所述第一差异区域信息及所述第一阴影区域信息之间的差异确定第一杂物区域信息。
在本实施例中，需要先基于所述待检测地面图片集中各待检测地面图片的采集时间先后顺序对其升序排序以组成待检测地面图片序列，之后将所述待检测地面图片序列依次进行帧间差分和高斯背景建模处理，从而得到具有动态运动的杂物相应的第一杂物区域信息。
在一实施例中，所述将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息，包括：
将所述待检测地面图片序列中各待检测地面图片均进行灰度图像转换，得到待检测地面灰度图片序列；
将所述待检测地面灰度图片序列中各相邻的两帧待检测地面灰度图片进行帧间差分处理，以得到运动目标信息；
将所述运动目标信息进行膨胀处理，得到第一差异区域信息。
在本实施例中，对所述待检测地面图片序列进行帧间差分处理时，更具体是先进行灰度图像转换、帧间差分具体及膨胀处理，初步获取到运动过程中的杂物以及其影子。其中，帧间差分法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法；膨胀则是类似与 '领域扩张' ，将图像的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大。可见，基于上述处理可以得到识别区域准确的第一差异区域信息，且可通过第一差异区域信息初步获取到运动过程中的杂物以及其影子。而且由于所提取得到的运动目标信息存在空洞与噪声，因此需要对其进行形态学开运算处理，即先腐蚀后膨胀，得到了第一差异区域信息（即移动的杂物所投影的区域）。
在一实施例中，所述将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息，包括：
获取将所述待检测地面图片序列对应的背景图像，将所述背景图像按照预设的像素尺寸划分为多个像素块，组成背景像素块集；
获取背景像素块集中各像素块的亮度值向量并进行归一化处理，得到背景像素块集中各背景像素块对应的背景归一化亮度值向量；
获取所述待检测地面图片序列中的第i帧待检测地面图片；其中，i的初始值为1，且i的取值范围是[1，N]，N表示所述待检测地面图片序列中所包括待检测地面图片的总张数；
将所述第i帧待检测地面图片按照所述像素尺寸划分为多个像素块，组成第i像素块集；
获取第i像素块集中各像素块的亮度值向量并进行归一化处理，得到第i像素块集中各像素块对应的归一化亮度值向量；
将第i像素块集中各像素块对应的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量计算欧氏距离，以获取第i像素块集中满足预设第一条件的目标像素块；其中，所述预设第一条件为第i像素块集中像素块的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量之间的欧氏距离大于预设的距离阈值；
若确定第i像素块集中目标像素块不为空值，由第i像素块集中目标像素块组成第i阴影区域子信息；
若确定第i像素块集中目标像素块为空值，将i自增1以更新i的取值；
若确定i未超出N，返回执行所述获取所述待检测地面图片序列中的第i帧待检测地面图片的步骤；
若确定i超出N，获取第1阴影区域子信息至第N阴影区域子信息，组成第一阴影区域信息。
在本实施例中，由于之前已确定了运动过程中的杂物以及其影子，此时需要获取所述待检测地面图片序列中各帧待检测地面图片中杂物影子的区域，这是因为光照产生的阴影也会随着时间遮挡等发生运动，对后续的分析造成困难，因此使用高斯背景建模进行阴影处理。基于高斯背景建模的具体方法对所述待检测地面图片序列进行处理后，即可准确确定所述待检测地面图片序列中各帧待检测地面图片中杂物影子的区域。
S104、将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息。
在本实施例中，在之前已完成了的对所述待检测地面图片集中具有动态运动的杂物进行检测，此时可以对所述待检测地面图片集中静态的杂物进行检测，以确定这一类静态杂物对应的存在区域信息。
在一实施例中，步骤S104包括：
将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息；
将所述第二差异区域信息中的具有预设颜色的区域进行删除，得到第二阴影区域信息；
根据所述第二差异区域信息及所述第二阴影区域信息之间的差异确定第二杂物区域信息。
在本实施例中，同样是需要先获取待检测地面图片序列，之后将所述待检测地面图片序列依次进行高斯模糊处理并删除预设颜色（具体将预设颜色设置为白色）的处理后，从而得到具有静态运动特征的杂物相应的第二杂物区域信息。
在一实施例中，所述将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息，包括：
获取预设的模糊半径及与所述模糊半径对应的权重矩阵，将所述待检测地面图片序列中各帧待检测地面图片通过所述模糊半径和权重矩阵进行高斯模糊处理，以提取各帧待检测地面图片中的差异区域子信息组成第二差异区域信息。
在本实施例中，对待检测地面图片进行高斯模糊处理的核心参数是预设的模糊半径及与所述模糊半径对应的权重矩阵，基于所述模糊半径和权重矩阵可以快速确定所述待检测地面图片序列中存在静态杂物及其阴影光斑的第二差异区域信息。然后由于阴影在图像中大部分为灰色，光斑表现为白色，将第二差异区域信息中阴影对应的区域以及光斑对应的区域进行删除，即可得到第二杂物区域信息。基于上述处理可以得到识别区域准确的第二差异区域信息，且可通过第二差异区域信息初步获取到静止的杂物以及其阴影光斑。
S105、将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
在本实施例中，当获取了具有动态运动特征的杂物相应的第一杂物区域信息，和具有静态运动特征的杂物相应的第二杂物区域信息之后，可以将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。可见，基于杂物区域信息可以准确定位出室内空间中存在杂物的区域。
之后为了进一步提高杂物检测的准确性，还可以将杂物区域信息中面积过小且形状比例过大的区域删除（例如面积小于0.01m2且长宽比大于100：1）、或者是面积过小且形状比例过小的区域删除例如面积小于0.01m2且长宽比小于1：100），剩下的区域即为检测到的杂物区域。
在一实施例中，步骤S105之后还包括：
根据所述杂物区域信息生成对应的提醒消息，将所提醒消息发送至相应的接收端。
在本实施例中，当在服务器中获取到了杂物区域信息，而且是已知了所述待检测地面图片集对应的起始时间后，可以基于杂物区域信息和起始时间生成提醒消息，之后将所提醒消息发送至相应的接收端以提示用户进行及时杂物清理。
本申请具体描述了服务器对一个图像采集端所上传待检测地面图片集进行处理识别地面杂物的方案，若在每一待监控室内空间内设置多个图像采集端，其本质上也可以视为成服务器针对每一个图像采集端所上传待检测地面图片集进行处理识别地面杂物的方案。
该方法实现了基于图像采集端上传的待检测地面图片集对室内空间中地面杂物的自动检测，而且提升了检测效率和准确率。
本发明实施例还提供一种基于图像处理的地面杂物检测装置，该基于图像处理的地面杂物检测装置用于执行前述基于图像处理的地面杂物检测方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的基于图像处理的地面杂物检测装置100的示意性框图。
其中，如图3所示，基于图像处理的地面杂物检测装置100包括待检测图片集获取单元101、人体检测单元102、动态目标检测单元103、静态目标检测单元104和检测目标合并单元105。
待检测图片集获取单元101，用于接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域。
在本实施例中，是以服务器为执行主体描述技术方案。图像采集端（具体如网络摄像头、云摄像头等）是在获得用户使用许可且不侵犯用户隐私的前提下部署在待监控室内空间（具体如便利店、超市等室内空间）内，在每一待监控室内空间内至少设置一个图像采集端，且待监控室内空间内的图像采集端是对准一个方向进行监控视频采集。例如，本申请以一个10-30平米大小的便利店室内为例，在便利店室内部署了一个图像采集端A，图像采集端A对准便利店室内的一个方向且可以获取其对准的地面区域和货架区域。图像采集端A可以实时采集便利店室内的监控视频，并按预设的上传要求和上传周期将监控视频对应的监控图片集上传至服务器。服务器则可以不断的接收图像采集端A上传的各监控图片集以分析各监控图片集分别对应的时间段内便利店室内地面上是否有杂物存在。而且在某一监控图片集中经服务器分析确定便利店室内地面上有杂物存在，则可以在该监控图片集对应的时间段结束之后极短时间内（如在该监控图片集对应的时间段结束1s内）即向接收端发送通知消息，以提示接收端的用户本人及时跟进清理杂物或是请求他人帮助处理杂物。
其中，当服务器接收了图像采集端当前上传的待检测地面图片集后（该待检测地面图片集是一定对应了一段监控视频的起止时间，也即该待检测地面图片集是具备起止时间这一属性值的），是先将所述待检测地面图片集存储至服务器中预设的存储区域，通过所述存储区域先对所述待检测地面图片集进行缓存。在存储了所述待检测地面图片集后，可以对所述待检测地面图片集中每一张待检测地面图片按照预设的裁剪策略进行裁剪，以更新每一张待检测地面图片并再次组成待检测地面图片集。其中，预设的裁剪策略用于将每一张待检测地面图片裁剪成指定区域图片。例如在裁剪策略设置了一个矩形区域且已知矩形区域的四个顶点坐标，此时将待检测地面图片中先定位出上述已知矩形区域的四个顶点坐标，然后基于这四个顶点坐标对应的矩形区域为目标区域，将待检测地面图片中除目标区域之外的区域进行裁剪删除，即实现了裁剪出监控区域。而且基于裁剪策略对待检测地面图片进行裁剪后，可以使后续的图像处理过程专注与地面图像识别，排除货架、桌椅等多种固定物体的干扰，降低杂物识别难度。
人体检测单元102，用于将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集。
在本实施例中，当获取了待检测地面图片集后，可以对所述待检测地面图片集中每一张待检测地面图片进行人脸识别以确定是否存在人体图像。若所述待检测地面图片集中有待检测地面图片中存在人体图像则将其对应从所述待检测地面图片集中删除并更新待检测地面图片集，从而进一步降低人体对地面杂物识别的干扰，降低杂物识别难度。
其中，可以基于YOLOv5检测模型对待检测地面图片中是否存在人体图像进行检测；且YOLOv5是YOLO这一对象检测算法的v5版本。
更具体的，YOLOv5检测模型对待检测地面图片中是否存在人体图像进行检测的具体过程如下：1）先收集包含人体图像的数据集；2）然后使用LabelImg（LabelImg是一种目标检测标注工具）标注数据集中各人体图像上的人体部分，得到训练集；3）构建初始YOLOv5网络模型（也即初始待训练的YOLOv5网络模型）；4）通过训练集对初始YOLOv5网络模型进行训练，得到模型参数；5）将模型参数加载至初始YOLOv5网络模型得到YOLOv5检测模型，通过YOLOv5检测模型可对待检测地面图片中是否存在人体图像进行检测，并可在检测到待检测地面图片中存在人体时可以获取相应区域的坐标集。
动态目标检测单元103，用于将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息。
在本实施例中，由于所获取的待检测地面图片集中杂物可能会出现两种情况，具体是：第一种是具有动态运动的杂物，其在待检测地面图片集中不同帧的待检测地面图片中可能出现在不同的位置，即当视频（本质上是所述待检测地面图片集）中存在移动图像时，相邻多帧待检测地面图片之间灰度存在差异，计算相邻待检测地面图片的灰度差绝对值，由相邻待检测地面图片的灰度差绝对值是否为0来判断杂物是运动还是静止，相邻待检测地面图片的灰度差绝对值为0表示杂物是静止的，相邻待检测地面图片的灰度差绝对值不为0表示杂物是运动的。
第二种是静止的杂物，其在待检测地面图片集中不同帧的待检测地面图片中一直出现在相同的位置。此时先对所述待检测地面图片集中具有动态运动的杂物进行检测，以确定这一类动态杂物对应的存在区域信息。
在一实施例中，动态目标检测单元103具体用于：
获取所述待检测地面图片集依时序排列组成的待检测地面图片序列，将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息；
将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息；
根据所述第一差异区域信息及所述第一阴影区域信息之间的差异确定第一杂物区域信息。
在本实施例中，需要先基于所述待检测地面图片集中各待检测地面图片的采集时间先后顺序对其升序排序以组成待检测地面图片序列，之后将所述待检测地面图片序列依次进行帧间差分和高斯背景建模处理，从而得到具有动态运动的杂物相应的第一杂物区域信息。
在一实施例中，所述将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息，包括：
将所述待检测地面图片序列中各待检测地面图片均进行灰度图像转换，得到待检测地面灰度图片序列；
将所述待检测地面灰度图片序列中各相邻的两帧待检测地面灰度图片进行帧间差分处理，以得到运动目标信息；
将所述运动目标信息进行膨胀处理，得到第一差异区域信息。
在本实施例中，对所述待检测地面图片序列进行帧间差分处理时，更具体是先进行灰度图像转换、帧间差分具体及膨胀处理，初步获取到运动过程中的杂物以及其影子。其中，帧间差分法是一种通过对视频图像序列的连续两帧图像做差分运算获取运动目标轮廓的方法；膨胀则是类似与 '领域扩张' ，将图像的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大。可见，基于上述处理可以得到识别区域准确的第一差异区域信息，且可通过第一差异区域信息初步获取到运动过程中的杂物以及其影子。而且由于所提取得到的运动目标信息存在空洞与噪声，因此需要对其进行形态学开运算处理，即先腐蚀后膨胀，得到了第一差异区域信息（即移动的杂物所投影的区域）。
在一实施例中，所述将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息，包括：
获取将所述待检测地面图片序列对应的背景图像，将所述背景图像按照预设的像素尺寸划分为多个像素块，组成背景像素块集；
获取背景像素块集中各像素块的亮度值向量并进行归一化处理，得到背景像素块集中各背景像素块对应的背景归一化亮度值向量；
获取所述待检测地面图片序列中的第i帧待检测地面图片；其中，i的初始值为1，且i的取值范围是[1，N]，N表示所述待检测地面图片序列中所包括待检测地面图片的总张数；
将所述第i帧待检测地面图片按照所述像素尺寸划分为多个像素块，组成第i像素块集；
获取第i像素块集中各像素块的亮度值向量并进行归一化处理，得到第i像素块集中各像素块对应的归一化亮度值向量；
将第i像素块集中各像素块对应的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量计算欧氏距离，以获取第i像素块集中满足预设第一条件的目标像素块；其中，所述预设第一条件为第i像素块集中像素块的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量之间的欧氏距离大于预设的距离阈值；
若确定第i像素块集中目标像素块不为空值，由第i像素块集中目标像素块组成第i阴影区域子信息；
若确定第i像素块集中目标像素块为空值，将i自增1以更新i的取值；
若确定i未超出N，返回执行所述获取所述待检测地面图片序列中的第i帧待检测地面图片的步骤；
若确定i超出N，获取第1阴影区域子信息至第N阴影区域子信息，组成第一阴影区域信息。
在本实施例中，由于之前已确定了运动过程中的杂物以及其影子，此时需要获取所述待检测地面图片序列中各帧待检测地面图片中杂物影子的区域，这是因为光照产生的阴影也会随着时间遮挡等发生运动，对后续的分析造成困难，因此使用高斯背景建模进行阴影处理。基于高斯背景建模的具体方法对所述待检测地面图片序列进行处理后，即可准确确定所述待检测地面图片序列中各帧待检测地面图片中杂物影子的区域。
静态目标检测单元104，用于将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息。
在本实施例中，在之前已完成了的对所述待检测地面图片集中具有动态运动的杂物进行检测，此时可以对所述待检测地面图片集中静态的杂物进行检测，以确定这一类静态杂物对应的存在区域信息。
在一实施例中，静态目标检测单元104具体用于：
将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息；
将所述第二差异区域信息中的具有预设颜色的区域进行删除，得到第二阴影区域信息；
根据所述第二差异区域信息及所述第二阴影区域信息之间的差异确定第二杂物区域信息。
在本实施例中，同样是需要先获取待检测地面图片序列，之后将所述待检测地面图片序列依次进行高斯模糊处理并删除预设颜色（具体将预设颜色设置为白色）的处理后，从而得到具有静态运动特征的杂物相应的第二杂物区域信息。
在一实施例中，所述将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息，包括：
获取预设的模糊半径及与所述模糊半径对应的权重矩阵，将所述待检测地面图片序列中各帧待检测地面图片通过所述模糊半径和权重矩阵进行高斯模糊处理，以提取各帧待检测地面图片中的差异区域子信息组成第二差异区域信息。
在本实施例中，对待检测地面图片进行高斯模糊处理的核心参数是预设的模糊半径及与所述模糊半径对应的权重矩阵，基于所述模糊半径和权重矩阵可以快速确定所述待检测地面图片序列中存在静态杂物及其阴影光斑的第二差异区域信息。然后由于阴影在图像中大部分为灰色，光斑表现为白色，将第二差异区域信息中阴影对应的区域以及光斑对应的区域进行删除，即可得到第二杂物区域信息。基于上述处理可以得到识别区域准确的第二差异区域信息，且可通过第二差异区域信息初步获取到静止的杂物以及其阴影光斑。
检测目标合并单元105，用于将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
在本实施例中，当获取了具有动态运动特征的杂物相应的第一杂物区域信息，和具有静态运动特征的杂物相应的第二杂物区域信息之后，可以将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。可见，基于杂物区域信息可以准确定位出室内空间中存在杂物的区域。
之后为了进一步提高杂物检测的准确性，还可以将杂物区域信息中面积过小且形状比例过大的区域删除（例如面积小于0.01m2且长宽比大于100：1）、或者是面积过小且形状比例过小的区域删除例如面积小于0.01m2且长宽比小于1：100），剩下的区域即为检测到的杂物区域。
在一实施例中，基于图像处理的地面杂物检测装置100还包括：
提醒消息发送单元，用于根据所述杂物区域信息生成对应的提醒消息，将所提醒消息发送至相应的接收端。
在本实施例中，当在服务器中获取到了杂物区域信息，而且是已知了所述待检测地面图片集对应的起始时间后，可以基于杂物区域信息和起始时间生成提醒消息，之后将所提醒消息发送至相应的接收端以提示用户进行及时杂物清理。
该装置实现了基于图像采集端上传的待检测地面图片集对室内空间中地面杂物的自动检测，而且提升了检测效率和准确率。
上述基于图像处理的地面杂物检测装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，也可以是服务器集群。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图4，该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于图像处理的地面杂物检测方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于图像处理的地面杂物检测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于图像处理的地面杂物检测方法。
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备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。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于图像处理的地面杂物检测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件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发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。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，或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备 ( 可以是个人计算机，后台服务器，或者网络设备等 ) 执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U 盘、移动硬盘、只读存储器 (ROM，Read-OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于图像处理的地面杂物检测方法，其特征在于，包括：
接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域；
将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；
将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；
将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及
将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
2.根据权利要求1所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息，包括：
获取所述待检测地面图片集依时序排列组成的待检测地面图片序列，将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息；
将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息；
根据所述第一差异区域信息及所述第一阴影区域信息之间的差异确定第一杂物区域信息。
3.根据权利要求1所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息，包括：
将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息；
将所述第二差异区域信息中的具有预设颜色的区域进行删除，得到第二阴影区域信息；
根据所述第二差异区域信息及所述第二阴影区域信息之间的差异确定第二杂物区域信息。
4.根据权利要求2所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述待检测地面图片序列进行帧间差分处理得到第一差异区域信息，包括：
将所述待检测地面图片序列中各待检测地面图片均进行灰度图像转换，得到待检测地面灰度图片序列；
将所述待检测地面灰度图片序列中各相邻的两帧待检测地面灰度图片进行帧间差分处理，以得到运动目标信息；
将所述运动目标信息进行膨胀处理，得到第一差异区域信息。
5.根据权利要求2所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述待检测地面图片序列通过高斯背景建模获取对应的第一阴影区域信息，包括：
获取将所述待检测地面图片序列对应的背景图像，将所述背景图像按照预设的像素尺寸划分为多个像素块，组成背景像素块集；
获取背景像素块集中各像素块的亮度值向量并进行归一化处理，得到背景像素块集中各背景像素块对应的背景归一化亮度值向量；
获取所述待检测地面图片序列中的第i帧待检测地面图片；其中，i的初始值为1，且i的取值范围是[1，N]，N表示所述待检测地面图片序列中所包括待检测地面图片的总张数；
将所述第i帧待检测地面图片按照所述像素尺寸划分为多个像素块，组成第i像素块集；
获取第i像素块集中各像素块的亮度值向量并进行归一化处理，得到第i像素块集中各像素块对应的归一化亮度值向量；
将第i像素块集中各像素块对应的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量计算欧氏距离，以获取第i像素块集中满足预设第一条件的目标像素块；其中，所述预设第一条件为第i像素块集中像素块的归一化亮度值向量与相应背景像素块的背景归一化亮度值向量之间的欧氏距离大于预设的距离阈值；
若确定第i像素块集中目标像素块不为空值，由第i像素块集中目标像素块组成第i阴影区域子信息；
若确定第i像素块集中目标像素块为空值，将i自增1以更新i的取值；
若确定i未超出N，返回执行所述获取所述待检测地面图片序列中的第i帧待检测地面图片的步骤；
若确定i超出N，获取第1阴影区域子信息至第N阴影区域子信息，组成第一阴影区域信息。
6.根据权利要求3所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述待检测地面图片集对应的待检测地面图片序列通过高斯模糊处理获取第二差异区域信息，包括：
获取预设的模糊半径及与所述模糊半径对应的权重矩阵，将所述待检测地面图片序列中各帧待检测地面图片通过所述模糊半径和权重矩阵进行高斯模糊处理，以提取各帧待检测地面图片中的差异区域子信息组成第二差异区域信息。
7.根据权利要求1所述的基于图像处理的地面杂物检测方法，其特征在于，所述将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息之后，还包括：
根据所述杂物区域信息生成对应的提醒消息，将所提醒消息发送至相应的接收端。
8.一种基于图像处理的地面杂物检测装置，其特征在于，包括：
待检测图片集获取单元，用于接收图像采集端上传的待检测地面图片集，将所述待检测地面图片集存储至预设的存储区域；
人体检测单元，用于将所述待检测地面图片集中存在人体图像的待检测地面图片删除，以更新待检测地面图片集；
动态目标检测单元，用于将所述待检测地面图片集基于动态目标检测，获取对应的第一杂物区域信息；
静态目标检测单元，用于将所述待检测地面图片集基于静态目标检测，获取对应的第二杂物区域信息；以及
检测目标合并单元，用于将所述第一杂物区域信息与所述第二杂物区域信息合并，得到杂物区域信息。
9.一种计算机设备，包括存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于图像处理的地面杂物检测方法。
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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于图像处理的地面杂物检测方法。
CN202210389966.3A 2022-04-14 2022-04-14 基于图像处理的地面杂物检测方法、装置、设备及介质 Active CN114495017B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210389966.3A CN114495017B (zh) 2022-04-14 2022-04-14 基于图像处理的地面杂物检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210389966.3A CN114495017B (zh) 2022-04-14 2022-04-14 基于图像处理的地面杂物检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114495017A true CN114495017A (zh) 2022-05-13
CN114495017B CN114495017B (zh) 2022-08-09

Family

ID=81487839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210389966.3A Active CN114495017B (zh) 2022-04-14 2022-04-14 基于图像处理的地面杂物检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114495017B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070058837A1 (en) * 2005-09-15 2007-03-15 Honeywell International Inc. Video motion detection using block processing
WO2010017791A1 (de) * 2008-08-12 2010-02-18 Continental Automotive Gmbh Verfahren zur erkennung ausgedehnter statischer objekte
JP2011163804A (ja) * 2010-02-05 2011-08-25 Seiko Epson Corp 異物検出装置および異物検出方法
US9581431B1 (en) * 2014-03-18 2017-02-28 Jeffrey M. Sieracki Method and system for parallactically synced acquisition of images about common target
CN107169993A (zh) * 2017-05-12 2017-09-15 甘肃政法学院 利用公安视频监控模糊图像对目标物进行检测识别方法
CN112528861A (zh) * 2020-12-11 2021-03-19 中国铁道科学研究院集团有限公司电子计算技术研究所 应用于铁路隧道内道床的异物检测方法及装置
CN113487821A (zh) * 2021-07-30 2021-10-08 重庆予胜远升网络科技有限公司 基于机器视觉的电力设备异物入侵识别系统及方法
WO2021203618A1 (zh) * 2020-04-08 2021-10-14 浙江啄云智能科技有限公司 图像样本生成方法及系统、目标检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070058837A1 (en) * 2005-09-15 2007-03-15 Honeywell International Inc. Video motion detection using block processing
WO2010017791A1 (de) * 2008-08-12 2010-02-18 Continental Automotive Gmbh Verfahren zur erkennung ausgedehnter statischer objekte
JP2011163804A (ja) * 2010-02-05 2011-08-25 Seiko Epson Corp 異物検出装置および異物検出方法
US9581431B1 (en) * 2014-03-18 2017-02-28 Jeffrey M. Sieracki Method and system for parallactically synced acquisition of images about common target
CN107169993A (zh) * 2017-05-12 2017-09-15 甘肃政法学院 利用公安视频监控模糊图像对目标物进行检测识别方法
WO2021203618A1 (zh) * 2020-04-08 2021-10-14 浙江啄云智能科技有限公司 图像样本生成方法及系统、目标检测方法
CN112528861A (zh) * 2020-12-11 2021-03-19 中国铁道科学研究院集团有限公司电子计算技术研究所 应用于铁路隧道内道床的异物检测方法及装置
CN113487821A (zh) * 2021-07-30 2021-10-08 重庆予胜远升网络科技有限公司 基于机器视觉的电力设备异物入侵识别系统及方法

Also Published As

Publication number Publication date
CN114495017B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN104303193B (zh) 基于聚类的目标分类
CN109801260B (zh) 牲畜个数的识别方法、装置、控制装置及可读存储介质
CN112183353B (zh) 一种图像数据处理方法、装置和相关设备
CN110210483B (zh) 医疗图像病变区域分割方法、模型训练方法和设备
CN107404628B (zh) 图像处理装置及方法以及监视系统
KR20170138938A (ko) 배경 모델을 업데이트하기 위한 방법 및 장치
Muller-Schneiders et al. Performance evaluation of a real time video surveillance system
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN112418200B (zh) 基于热成像的对象检测方法、装置及服务器
CN111191507A (zh) 智慧社区的安全预警分析方法及系统
JP4999794B2 (ja) 静止領域検出方法とその装置、プログラム及び記録媒体
CN114511820A (zh) 货架商品检测方法、装置、计算机设备及存储介质
CN113920420A (zh) 一种建筑物提取方法、装置、终端设备及可读存储介质
CN114898261A (zh) 一种基于视频和生理数据融合的睡眠质量评估方法及系统
JP2020030750A (ja) 影検出装置、影検出方法、影検出プログラム、学習装置、学習方法、及び学習プログラム
CN108874910A (zh) 基于视觉的小目标识别系统
CN114495017B (zh) 基于图像处理的地面杂物检测方法、装置、设备及介质
CN114140663A (zh) 一种基于多尺度注意力学习网络的害虫识别方法及系统
CN115083008A (zh) 运动目标检测方法、装置、设备及存储介质
KR102040562B1 (ko) 영상정보를 활용한 시정거리 추정 방법
CN112084892A (zh) 一种道路异常事件检测管理装置及其方法
CN112001336A (zh) 行人越界报警方法、装置、设备及系统
JP2020030751A (ja) 物体検出装置、物体検出方法、及び物体検出プログラム
CN114445751A (zh) 视频关键帧图像轮廓特征的提取方法和装置
Beumier et al. Building change detection from uniform regions

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