CN114693556A - 一种高空抛物帧差法运动目标检测去拖影方法 - Google Patents

一种高空抛物帧差法运动目标检测去拖影方法 Download PDF

Info

Publication number
CN114693556A
CN114693556A CN202210321746.7A CN202210321746A CN114693556A CN 114693556 A CN114693556 A CN 114693556A CN 202210321746 A CN202210321746 A CN 202210321746A CN 114693556 A CN114693556 A CN 114693556A
Authority
CN
China
Prior art keywords
value
analysis
smear
foreground
frame
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
CN202210321746.7A
Other languages
English (en)
Other versions
CN114693556B (zh
Inventor
李�诚
周晓
陶乐乐
朱才志
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.)
Intelingda Information Technology Shenzhen Co ltd
Original Assignee
Intelingda Information Technology Shenzhen 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 Intelingda Information Technology Shenzhen Co ltd filed Critical Intelingda Information Technology Shenzhen Co ltd
Priority to CN202210321746.7A priority Critical patent/CN114693556B/zh
Publication of CN114693556A publication Critical patent/CN114693556A/zh
Application granted granted Critical
Publication of CN114693556B publication Critical patent/CN114693556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/10—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
    • G06T7/20—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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种高空抛物帧差法运动目标检测去拖影方法，涉及图像处理和安防技术领域，用于解决现有的高空抛物侦测算法复杂度低，存在拖影现象，造成部分非运动区域被识别前景，进而造成抛物误识别的问题；本发明视频流当前帧与前一帧进行帧差绝对值计算，利用阈值进行二值化以得到当前帧的运动前景图；再通过轮廓边缘提取算法从运动前景图中提取出封闭的前景区域，计算前景区域面积，再利用面积阈值对前景区域过滤，得到符合面积最小值和最大值之间的前景区域；计算前景区域与记忆帧历史运动区域像素交并比，通过高空抛物场景下的视频流进行帧差法去拖影，能够克服帧差法“拖影”问题，过滤非真实运动区域，提升检测效果。

Description

一种高空抛物帧差法运动目标检测去拖影方法
技术领域
本发明涉及图像处理和安防技术领域，具体为一种高空抛物帧差法运动目标检测去拖影方法。
背景技术
视频帧运动目标检测技术是计算机视觉视频分析领域中一项重要基础性技术，能够捕捉视频画面中兴趣目标，为后续其他分析提供输入，通常有高斯背景建模法和帧差法。高斯背景建模方法通常需要对画面像素帧建立背景模型，需要一定的算力支撑，不适用于低成本嵌入式设备；
高空抛物侦测算法多内置于智能型监控相机或者视频分析盒内，需考虑设备算力限制，多采用帧差法检测运动目标。帧差法算法复杂度低，但存在“拖影”现象，会造成部分非运动区域被识别前景，进而造成抛物误识别，同时，高空抛物场景存在以下特点，视频监控涵盖面积较大，抛物运动目标像素占比较小，运动速度较快等，这些特性利于运动“拖影”的消除；
因此，本发明提出一种高空抛物场景下帧差法中“拖影”消除算法，该方法能够充分利用高空抛物场景特性以及历史运动区域，起到去“拖影”作用，同时具备能够去除持续运动非抛物干扰等优点，非常适用于低成本边缘计算设备。
发明内容
本发明的目的就在于为了解决现有的高空抛物侦测算法复杂度低，存在拖影现象，造成部分非运动区域被识别前景，进而造成抛物误识别的问题，而提出一种高空抛物帧差法运动目标检测去拖影方法。
本发明的目的可以通过以下技术方案实现：
一种高空抛物帧差法运动目标检测去拖影方法，包括以下步骤：
步骤S1：采用视频流当前帧fc与前一帧fp帧差绝对值：d＝|fc-fp|，利用阈值t进行二值化，得到当前帧的运动前景图；
步骤S2：采用轮廓边缘提取算法，从运动前景图中提取出封闭的前景区域，计算前景区域面积，利用面积阈值对前景区域过滤，仅保留符合面积最小值和最大值之间的前景区域：smin≤s≤smax；
步骤S3：计算前景区域与记忆帧历史运动区域像素交并比，从前景区域中删除交并比超过阈值的前景区域，若没有历史运动区域，则跳过本步骤，直接进入步骤S4；
步骤S4：将前景区域加入到历史运动区域中，从历史运动区域中删除超过帧窗口的运动区域；
步骤S5：输出前景区域作为当前帧运动区域，将当前帧fc设置为fp，进入下一帧计算；
作为本发明的一种优选实施方式，步骤S1所述的当前帧fc与前一帧fp均为灰度图，是三通道彩色图像经过灰度化得到的单通道图像数据；
步骤S1所述的运动前景图是指，背景像素值为0，前景像素值为1或者255的阈值切割图像；
作为本发明的一种优选实施方式，步骤S2所述的封闭前景区域，是指采用类似种子点漫水填充方法，能够获得相互独立的图像连通域；
作为本发明的一种优选实施方式，步骤S3所述的历史运动区域，是指由当前帧向前倒推N帧，这些帧里面计算保留的前景区域；
作为本发明的一种优选实施方式，步骤S3所述的记忆帧数量可由现场情况设定，N设置越大，过滤效果越好，N设置越小，漏检率越小；
作为本发明的一种优选实施方式，步骤S4所述的像素交并比IOU是指两块前景区域的交集内像素个数与并集内像素个数比率：IOU＝Sintersection/Sunion；
步骤S4所述的帧窗口，是指固定长度的划窗历史运动区域，当前帧前N帧以内的运动区域保留计算，当前帧前N+1帧的运动区域将会被删除；
作为本发明的一种优选实施方式，所述视频分析端内还包括指令接收单元和分析处理单元；
所述指令接收单元用于接收视频流的拖影处理信令并进行解析以得到拖影处理请求并将其发送至分析处理单元；
所述分析处理单元用于接收拖影处理请求并对视频流进行处理，具体分析过程为：
向服务器发送信息获取信令以获取对应辅助分析端的端拖信息，其中，端拖信息包括辅助分析端的通信地址以及端拖值；
对视频流内的视频按照预设时间长度分为若干个视频段；将辅助分析端依据端拖值由大到小进行排序并统计辅助分析端的数量，当辅助分析端的数量小于视频段的数量时，将若干个视频段依次发送至辅助分析端，发送至排序最后的辅助分析端后，再将其余的视频段从排序最前的辅助分析端依次发送，依次类推；当辅助分析端的数量大于或等于视频段的数量时，将若干个视频段依照排序依次发送给辅助分析端；辅助分析端接收到视频段后，对视频段依据步骤S1至步骤S4进行处理以得到去拖影图像并反馈去拖影图像至视频分析端；
作为本发明的一种优选实施方式，所述服务器内包括指令处理单元和数据库；
所述指令处理单元用于接收信息获取指令并进行处理，具体过程为：当指令处理单元接收到信息获取指令后，对进行解析以获取视频分析端的位置和拖影处理请求；以视频分析端的位置为圆心构建筛选范围，获取数据库内注册的注册分析端的位置，将注册分析端的位置在筛选范围内的注册分析端标记为初选分析端；向初选分析端发送辅助检测指令，当在预设时间范围内接收到初选分析端反馈的确认结果时，将初选分析端标记为优选分析端；向优选分析端发送测试指令以获取优选分析端的速度数据；对速度数据进行处理以得到优选分析端的速机值；获取优选分析端的图像预设值以及注册时值，将速机值与图像预设值和注册时值进行归一化处理并取三者归一处理后的数值，将三者数值依次标记为MA1、MA2和MA3；
代入公式TY＝MA1×ba1+MA2×ba2+MA3×ba3以得到优选分析端的端拖值TY，其中，ba1、ba2和ba3为速度机值与图像预设值和注册时值对应的权重系数；
将端拖值TY大于设定阈值的优选分析端标记为辅助分析端，将辅助分析端的通信地址以及端拖值标记为端拖信息并反馈至分析处理单元；
作为本发明的一种优选实施方式，所述对速度数据进行处理的具体过程为：
速度数据为预设采集范围内上传的速度和下载速度的集合；
对上传速度进行处理，将所有的上传速度依据时间先后进行排序，从排序的两端去除预设数量个上传速度，然后将剩余的上传速度进行平均值计算以得到平均速度并标记为PX，统计剩余的上传速度中的值最大的上传速度和值最小的上传速度并计算两者之间的差值得到最大速度差值FX；将剩余的上传速度的数值依次标记为Di，i＝1，2,……，n；n表示上传速度的总数，取值为正整数；
代入公式
Figure BDA0003566081590000041
得到上传波动差BZ，提取上传波动差、平均速度和最大速度差的数值，以平均速度的数值和上传波动差的数值为半径画圆，将两个圆的圆心进行重合，选取两个圆上的一点进行连线，得到两个圆之间的连接线，且连接线的延长线过两个圆的圆心；选取连接线的中点，以中点为起始点，以最大速度差的数值的倒数为长度做垂直于连接线的直线并将其标记为中垂线，将中垂线的结束点与连接线的两端进行连线得到三角形，计算三角形的面积，将面积的数值标记为上传值；
同理，依据上传速度的处理过程对下载速度进行处理以得到下载值，提取上传值和下载值得数值并标记为QF1和QF2，设定上传值和下载值对应的预设权重系数为w1和w2，通过公式MA1＝QF1×w1+QF2×w2得到速机值MA1；
作为本发明的一种优选实施方式，所述服务器内还包括注册单元和端分单元；注册单元用于用户提交图像处理设备的设备信息进行注册并将注册成功的设备信息发送至数据库内存储，其中，设备信息包括图像处理设备的通信地址和内部图像处理器的型号等，数据库将注册成功的图像处理设备标记为注册分析端；端分单元用于采集注册分析端接收到视频段的总次数以及注册成功的时刻，将注册成功的时刻与当前时刻进行时刻差计算得到注册时长，将注册时长的数值和总次数的数值分别乘以预设的系数并求和得到注册时值；设定所有的图像处理器型号都对应一个预设型号值，将注册分析端对应的图像处理器型号与所有的图像处理器型号进行匹配以得到对应的预设型号值并标记为注册分析端的图像预设值。
与现有技术相比，本发明的有益效果是：
本发明将视频流当前帧与前一帧进行帧差绝对值计算，利用阈值进行二值化以得到当前帧的运动前景图；再通过轮廓边缘提取算法从运动前景图中提取出封闭的前景区域，计算前景区域面积，再利用面积阈值对前景区域过滤，得到符合面积最小值和最大值之间的前景区域；计算前景区域与记忆帧历史运动区域像素交并比，从前景区域中删除交并比超过阈值的前景区域；将前景区域加入到历史运动区域中，从历史运动区域中删除超过帧窗口的运动区域；输出前景区域作为当前帧运动区域，将当前帧设置为前一帧，进入下一帧计算；通过高空抛物场景下的视频流进行帧差法去拖影，能够克服帧差法“拖影”问题，过滤非真实运动区域，提升检测效果。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明运动目标检测去拖影的流程图；
图2为本发明运动目标检测去拖影示意效果图；
图3为本发明像素交并比示意图；
图4为本发明整体原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
帧差法采用当前帧与前一帧计算像素值差值绝对值，运动区域像素值变化较大，会被识别为前景区域，但由于帧差法存在“拖影”现象，对真实运动目标检测造成干扰；以图2示意图为例，视频画面依次以t1，t2，t3，t4呈现，图像帧中黑色实心圆圈表示从上到下、位置不重复的运动块，黑色实心正方形表示从左到右，从右到左不停往返的运动块，第二行是帧差法输出结果，“拖影”表示其中黑色虚心圆圈和正方形，是物体运动造成的帧差区域，但不是真正的运动物体区域，此区域会对后续分析环节增加干扰和计算量，不利于视频运动目标分析；
一种高空抛物帧差法运动目标检测去拖影方法，用于视频分析端中，其中视频分析端为智能型监控相机或者视频分析盒等设备；
请参阅图1所示，一种高空抛物帧差法运动目标检测去拖影方法，能够有效改善算法效果，具体步骤如下：
步骤S1：用视频流当前帧fc与前一帧fp帧差绝对值：d＝|fc-fp|，利用阈值t进行二值化，得到当前帧的运动前景图；以图2帧差法以两帧作为输入，逐像素作差并取绝对值，利用阈值t进行二值化输出，二值化方法如下：
Figure BDA0003566081590000071
在算法初始化时，会实例化一个历史运动区域队列list，并置空，用于后续保存历史运动帧。
步骤S2：采用轮廓边缘提取算法，从运动前景图中提取出封闭的前景区域，计算前景区域面积，利用面积阈值对前景区域过滤，仅保留符合面积最小值和最大值之间的前景区域：smin≤s≤smax；本发明不要求采用特定的轮廓边缘提取算法，采用普通适合场景的已公开算法可满足需求，例如常用的sobel算子，canny算子，结合现有轮廓提取算法即可完成封闭前景区域提取。
采用面积阈值过滤可以进一步减小非兴趣目标的干扰，例如，在高空抛物场景中，需侦测的运动目标像素占比不会太大，所以可以采用最大面积阈值过滤掉非抛物干扰。
步骤S3：计算前景区域与历史运动区域像素交并比，从前景区域中删除交并比超过阈值的前景区域。如果没有历史运动区域，则跳过本步骤，直接进入S4；
图3为交并比示意图，IOU＝Sintersection/Sunion；针对任何运动前景区域，也可通过清点交集内和并集内像素个数方式，完成计算。在此发明中，前景区域与历史运动区域交并比反映的是该前景区域是否在之前历史运动区域出现过，例如图2中帧差法输出和历史运动过去会排除掉已经出现过的运动区域，输出真实的或者没有出现过的运动区域。
本发明中，历史运动区域是多个帧组成的历史队列，例如t1，t2，t3中多张历史运动轨迹图，当前前景区域需要与历史队列中每一帧运动区域计算交并比，过滤“拖影”或重复运动区域。
交并比阈值取值范围为(0，1)，过大会造成去“拖影”效果差，过小会容易将较慢运动物体过滤掉。实际取值可依据场景灵活设置，高抛场景下一般建议取值在0.5至0.6之间。
步骤S4：将前景区域加入到历史运动区域中，从历史运动区域中删除超过帧窗口的运动区域；
当前经过过滤输出的运动前景区域，会以独立帧的方式，加入到历史运动区域list中，假设历史运动区域队列长度限制为3，当前新的运动前景帧加入时，list头部帧会被删除，保持队列大小不变，从而限制内存占用，并降低有一定时间间隔后的运动目标被过滤。
步骤S5：输出前景区域作为当前帧运动区域，将当前帧fc设置为fp，进入下一帧计算，过滤后的运动前景区域可作为真实运动区域输出，例如图2中的第三行。
未进一步改善本发明提出的方法效果，通常会屏蔽掉前几帧输出，例如图2中从第3帧开始才起到“拖影”消除效果。
视频分析端内还包括指令接收单元和分析处理单元；
指令接收单元用于接收视频流的拖影处理信令并进行解析以得到拖影处理请求并将其发送至分析处理单元；
分析处理单元用于接收拖影处理请求并对视频流进行处理，具体分析过程为：
向服务器发送信息获取信令以获取对应辅助分析端的端拖信息，其中，端拖信息包括辅助分析端的通信地址以及端拖值；
对视频流内的视频按照预设时间长度分为若干个视频段；将辅助分析端依据端拖值由大到小进行排序并统计辅助分析端的数量，当辅助分析端的数量小于视频段的数量时，将若干个视频段依次发送至辅助分析端，发送至排序最后的辅助分析端后，再将其余的视频段从排序最前的辅助分析端依次发送，依次类推；当辅助分析端的数量大于或等于视频段的数量时，将若干个视频段依照排序依次发送给辅助分析端；辅助分析端接收到视频段后，对视频段依据步骤S1至步骤S4进行处理以得到去拖影图像并反馈去拖影图像至视频分析端；
服务器内包括指令处理单元、数据库、注册单元和端分单元；
指令处理单元用于接收信息获取指令并进行处理，具体过程为：当指令处理单元接收到信息获取指令后，对进行解析以获取视频分析端的位置和拖影处理请求；以视频分析端的位置为圆心构建筛选范围，获取数据库内注册的注册分析端的位置，将注册分析端的位置在筛选范围内的注册分析端标记为初选分析端；向初选分析端发送辅助检测指令，当在预设时间范围内接收到初选分析端反馈的确认结果时，将初选分析端标记为优选分析端；向优选分析端发送测试指令以获取优选分析端的速度数据；对速度数据进行处理，
对上传速度进行处理，将所有的上传速度依据时间先后进行排序，从排序的两端去除预设数量个上传速度，然后将剩余的上传速度进行平均值计算以得到平均速度并标记为PX，统计剩余的上传速度中的值最大的上传速度和值最小的上传速度并计算两者之间的差值得到最大速度差值FX；将剩余的上传速度的数值依次标记为Di，i＝1，2,……，n；n表示上传速度的总数，取值为正整数；
代入公式
Figure BDA0003566081590000101
得到上传波动差BZ，提取上传波动差、平均速度和最大速度差的数值，以平均速度的数值和上传波动差的数值为半径画圆，将两个圆的圆心进行重合，选取两个圆上的一点进行连线，得到两个圆之间的连接线，且连接线的延长线过两个圆的圆心；选取连接线的中点，以中点为起始点，以最大速度差的数值的倒数为长度做垂直于连接线的直线并将其标记为中垂线，将中垂线的结束点与连接线的两端进行连线得到三角形，计算三角形的面积，将面积的数值标记为上传值；
同理，依据上传速度的处理过程对下载速度进行处理以得到下载值，提取上传值和下载值得数值并标记为QF1和QF2，设定上传值和下载值对应的预设权重系数为w1和w2，通过公式MA1＝QF1×w1+QF2×w2得到速机值MA1
获取优选分析端的图像预设值以及注册时值，将速机值与图像预设值和注册时值进行归一化处理并取三者归一处理后的数值，将三者数值依次标记为MA1、MA2和MA3；
代入公式TY＝MA1×ba1+MA2×ba2+MA3×ba3以得到优选分析端的端拖值TY，其中，ba1、ba2和ba3为速度机值与图像预设值和注册时值对应的权重系数；
将端拖值TY大于设定阈值的优选分析端标记为辅助分析端，将辅助分析端的通信地址以及端拖值标记为端拖信息并反馈至分析处理单元；
注册单元用于用户提交图像处理设备的设备信息进行注册并将注册成功的设备信息发送至数据库内存储，其中，设备信息包括图像处理设备的通信地址和内部图像处理器的型号等，数据库将注册成功的图像处理设备标记为注册分析端；
端分单元用于采集注册分析端接收到视频段的总次数以及注册成功的时刻，将注册成功的时刻与当前时刻进行时刻差计算得到注册时长，将注册时长的数值和总次数的数值分别乘以预设的系数并求和得到注册时值；设定所有的图像处理器型号都对应一个预设型号值，将注册分析端对应的图像处理器型号与所有的图像处理器型号进行匹配以得到对应的预设型号值并标记为注册分析端的图像预设值；
本发明在使用时，将视频流当前帧fc与前一帧fp进行帧差绝对值计算，利用阈值t进行二值化以得到当前帧的运动前景图；再通过轮廓边缘提取算法从运动前景图中提取出封闭的前景区域，计算前景区域面积，再利用面积阈值对前景区域过滤，得到符合面积最小值和最大值之间的前景区域；计算前景区域与记忆帧历史运动区域像素交并比，从前景区域中删除交并比超过阈值的前景区域；将前景区域加入到历史运动区域中，从历史运动区域中删除超过帧窗口的运动区域；输出前景区域作为当前帧运动区域，将当前帧fc设置为fp，进入下一帧计算；通过高空抛物场景下的视频流进行帧差法去拖影，能够克服帧差法“拖影”问题，过滤非真实运动区域，提升检测效果；通过分析处理单元对视频流的拖影处理请求进行处理得到对应的辅助分析端的端拖信息，将视频流内的视频按照预设时间长度分为若干个视频段并发送至辅助分析端进行处理，进行提高视频流处理效率，避免视频流对应的视频过多，造成去拖影分析缓慢。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (8)

1.一种高空抛物帧差法运动目标检测去拖影方法，用于视频分析端中，其特征在于，包括以下步骤：
步骤S1：将视频流当前帧fc与前一帧fp进行帧差绝对值计算，利用阈值t进行二值化以得到当前帧的运动前景图；
步骤S2：再通过轮廓边缘提取算法从运动前景图中提取出封闭的前景区域，计算前景区域面积，再利用面积阈值对前景区域过滤，得到符合面积最小值和最大值之间的前景区域；
步骤S3：计算前景区域与记忆帧历史运动区域像素交并比，从前景区域中删除交并比超过阈值的前景区域；
步骤S4：将前景区域加入到历史运动区域中，从历史运动区域中删除超过帧窗口的运动区域；
步骤S5：输出前景区域作为当前帧运动区域，将当前帧fc设置为fp，进入下一帧计算。
2.根据权利要求1所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，步骤S1所述的当前帧fc与前一帧fp均为灰度图，是三通道彩色图像经过灰度化得到的单通道图像数据；运动前景图为背景像素值为0，前景像素值为1或者255的阈值切割图像。
3.根据权利要求1所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，步骤S2所述的封闭前景区域为通过采用种子点漫水填充方法获得相互独立的图像连通域。
4.根据权利要求1所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，步骤S3所述的历史运动区域由当前帧向前倒推N帧，在N帧里面计算保留的前景区域。
5.根据权利要求1所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，步骤S4所述的像素交并比为两块前景区域的交集内像素个数与并集内像素个数比率；帧窗口为固定长度的划窗历史运动区域，当前帧前N帧以内的运动区域保留计算，当前帧前N+1帧的运动区域将会被删除。
6.根据权利要求1所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，所述视频分析端内还包括指令接收单元和分析处理单元；
所述指令接收单元用于接收视频流的拖影处理信令并进行解析以得到拖影处理请求并将其发送至分析处理单元；
所述分析处理单元用于接收拖影处理请求并对视频流进行处理，具体分析过程为：
向服务器发送信息获取信令以获取对应辅助分析端的端拖信息；
对视频流内的视频按照预设时间长度分为若干个视频段；将辅助分析端依据端拖值由大到小进行排序并统计辅助分析端的数量，当辅助分析端的数量小于视频段的数量时，将若干个视频段依次发送至辅助分析端，发送至排序最后的辅助分析端后，再将其余的视频段从排序最前的辅助分析端依次发送，依次类推；当辅助分析端的数量大于或等于视频段的数量时，将若干个视频段依照排序依次发送给辅助分析端；辅助分析端接收到视频段后，对视频段依据步骤S1至步骤S4进行处理以得到去拖影图像并反馈去拖影图像至视频分析端。
7.根据权利要求6所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，所述服务器内包括指令处理单元和数据库；
所述指令处理单元用于接收信息获取指令并进行处理，具体过程为：当指令处理单元接收到信息获取指令后，对进行解析以获取视频分析端的位置和拖影处理请求；以视频分析端的位置为圆心构建筛选范围，获取数据库内注册的注册分析端的位置，将注册分析端的位置在筛选范围内的注册分析端标记为初选分析端；向初选分析端发送辅助检测指令，当在预设时间范围内接收到初选分析端反馈的确认结果时，将初选分析端标记为优选分析端；向优选分析端发送测试指令以获取优选分析端的速度数据；对速度数据进行处理以得到优选分析端的速机值；获取优选分析端的图像预设值以及注册时值，将速机值与图像预设值和注册时值进行归一化处理以得到优选分析端的端拖值；
将端拖值大于设定阈值的优选分析端标记为辅助分析端，将辅助分析端的通信地址以及端拖值标记为端拖信息并反馈至分析处理单元。
8.根据权利要求7所述的一种高空抛物帧差法运动目标检测去拖影方法，其特征在于，所述对速度数据进行处理的具体过程为：
对上传速度进行处理，将所有的上传速度依据时间先后进行排序，从排序的两端去除预设数量个上传速度，然后将剩余的上传速度进行平均值计算以得到平均速度并标记为PX，统计剩余的上传速度中的值最大的上传速度和值最小的上传速度并计算两者之间的差值得到最大速度差值FX；对剩余的上传速度的数值进行处理得到上传波动差，提取上传波动差、平均速度和最大速度差的数值并处理得到上传值；同理，依据上传速度的处理过程对下载速度进行处理以得到下载值，提取上传值和下载值得数值并处理得到速机值。
CN202210321746.7A 2022-03-25 2022-03-25 一种高空抛物帧差法运动目标检测去拖影方法 Active CN114693556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210321746.7A CN114693556B (zh) 2022-03-25 2022-03-25 一种高空抛物帧差法运动目标检测去拖影方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321746.7A CN114693556B (zh) 2022-03-25 2022-03-25 一种高空抛物帧差法运动目标检测去拖影方法

Publications (2)

Publication Number Publication Date
CN114693556A true CN114693556A (zh) 2022-07-01
CN114693556B CN114693556B (zh) 2023-06-27

Family

ID=82141610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321746.7A Active CN114693556B (zh) 2022-03-25 2022-03-25 一种高空抛物帧差法运动目标检测去拖影方法

Country Status (1)

Country Link
CN (1) CN114693556B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147415A (zh) * 2022-09-02 2022-10-04 山东微山湖酒业有限公司 基于图像处理的酒盒缺陷检测方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236606A (zh) * 2008-03-07 2008-08-06 北京中星微电子有限公司 视频监控中的阴影消除方法及系统
US20190130583A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Still and slow object tracking in a hybrid video analytics system
US20190180454A1 (en) * 2017-12-11 2019-06-13 Dolby Laboratories Licensing Corporation Detecting motion dragging artifacts for dynamic adjustment of frame rate conversion settings
CN110781721A (zh) * 2019-09-05 2020-02-11 温州视鑫科技有限公司 一种基于改进vibe算法的户外场景运动目标检测方法
CN112183361A (zh) * 2020-09-29 2021-01-05 中科人工智能创新技术研究院(青岛)有限公司 一种结合目标检测与动态差分的进球检测方法及系统
CN112418069A (zh) * 2020-11-19 2021-02-26 中科智云科技有限公司 一种高空抛物检测方法、装置、计算机设备及存储介质
CN112818766A (zh) * 2021-01-18 2021-05-18 深圳英飞拓科技股份有限公司 一种基于计算机视觉的高空抛物检测警报方法及系统
CN113158926A (zh) * 2021-04-26 2021-07-23 广东博智林机器人有限公司 一种高空抛物轨迹判别方法、装置、设备及存储介质
CN113192057A (zh) * 2021-05-21 2021-07-30 上海西井信息科技有限公司 目标检测方法、系统、设备及存储介质
CN113297949A (zh) * 2021-05-20 2021-08-24 科大讯飞股份有限公司 高空抛物检测方法、装置、计算机设备和存储介质
CN113313730A (zh) * 2021-07-28 2021-08-27 北京微吼时代科技有限公司 直播场景中获取图像前景区域的方法和装置
CN113362374A (zh) * 2021-06-07 2021-09-07 浙江工业大学 一种基于目标跟踪网络的高空抛物检测方法及系统
CN113379801A (zh) * 2021-06-15 2021-09-10 江苏科技大学 一种基于机器视觉的高空抛物监测定位方法
CN113420693A (zh) * 2021-06-30 2021-09-21 成都新潮传媒集团有限公司 一种门状态检测方法、装置、轿厢乘客流量统计方法及设备
CN113781516A (zh) * 2021-11-11 2021-12-10 湖南汇视威智能科技有限公司 一种高空抛物检测方法
CN114022517A (zh) * 2021-11-29 2022-02-08 北京博思廷科技有限公司 一种基于运动轨迹分析监控视频检测高空抛物的方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101236606A (zh) * 2008-03-07 2008-08-06 北京中星微电子有限公司 视频监控中的阴影消除方法及系统
US20190130583A1 (en) * 2017-10-30 2019-05-02 Qualcomm Incorporated Still and slow object tracking in a hybrid video analytics system
US20190180454A1 (en) * 2017-12-11 2019-06-13 Dolby Laboratories Licensing Corporation Detecting motion dragging artifacts for dynamic adjustment of frame rate conversion settings
CN110781721A (zh) * 2019-09-05 2020-02-11 温州视鑫科技有限公司 一种基于改进vibe算法的户外场景运动目标检测方法
CN112183361A (zh) * 2020-09-29 2021-01-05 中科人工智能创新技术研究院(青岛)有限公司 一种结合目标检测与动态差分的进球检测方法及系统
CN112418069A (zh) * 2020-11-19 2021-02-26 中科智云科技有限公司 一种高空抛物检测方法、装置、计算机设备及存储介质
CN112818766A (zh) * 2021-01-18 2021-05-18 深圳英飞拓科技股份有限公司 一种基于计算机视觉的高空抛物检测警报方法及系统
CN113158926A (zh) * 2021-04-26 2021-07-23 广东博智林机器人有限公司 一种高空抛物轨迹判别方法、装置、设备及存储介质
CN113297949A (zh) * 2021-05-20 2021-08-24 科大讯飞股份有限公司 高空抛物检测方法、装置、计算机设备和存储介质
CN113192057A (zh) * 2021-05-21 2021-07-30 上海西井信息科技有限公司 目标检测方法、系统、设备及存储介质
CN113362374A (zh) * 2021-06-07 2021-09-07 浙江工业大学 一种基于目标跟踪网络的高空抛物检测方法及系统
CN113379801A (zh) * 2021-06-15 2021-09-10 江苏科技大学 一种基于机器视觉的高空抛物监测定位方法
CN113420693A (zh) * 2021-06-30 2021-09-21 成都新潮传媒集团有限公司 一种门状态检测方法、装置、轿厢乘客流量统计方法及设备
CN113313730A (zh) * 2021-07-28 2021-08-27 北京微吼时代科技有限公司 直播场景中获取图像前景区域的方法和装置
CN113781516A (zh) * 2021-11-11 2021-12-10 湖南汇视威智能科技有限公司 一种高空抛物检测方法
CN114022517A (zh) * 2021-11-29 2022-02-08 北京博思廷科技有限公司 一种基于运动轨迹分析监控视频检测高空抛物的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHU JUN 等: "Foreground Object Detection Combining Gaussian Mixture Model and Inter-Frame Difference in the Application of Classroom recording Apparatus", 《ICCAE 2018: PROCEEDINGS OF THE 2018 10TH INTERNATIONAL CONFERENCE ON COMPUTER AND AUTOMATION ENGINEERING》, pages 111 - 115 *
夏莹杰 等: "面向高速公路抛洒物检测的动态背景建模方法", 《浙江大学学报(工学版)》, no. 07, pages 1249 - 1255 *
张双双: "具备智能识别的高空抛物监控设备关键技术浅析", 《中国安全防范技术与应用》, pages 10 - 14 *
牟雅婷 等: "运动目标检测的改进ViBe算法", 《信息技术与信息化 》, pages 75 - 77 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115147415A (zh) * 2022-09-02 2022-10-04 山东微山湖酒业有限公司 基于图像处理的酒盒缺陷检测方法

Also Published As

Publication number Publication date
CN114693556B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112528878B (zh) 检测车道线的方法、装置、终端设备及可读存储介质
CN108694386B (zh) 一种基于并联卷积神经网络的车道线检测方法
CN113449606B (zh) 一种目标对象识别方法、装置、计算机设备及存储介质
CN111223129A (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN110647836A (zh) 一种鲁棒的基于深度学习的单目标跟踪方法
CN113887387A (zh) 一种滑雪场目标影像生成方法、系统和服务器
CN113781526A (zh) 一种家畜计数识别系统
CN114693556A (zh) 一种高空抛物帧差法运动目标检测去拖影方法
CN115880260A (zh) 基站施工的检测方法、装置、设备及计算机可读存储介质
CN113298707B (zh) 图像帧拼接方法、视频巡检方法、装置、设备及存储介质
CN114037895A (zh) 一种无人机杆塔巡检图像识别方法
CN112115737B (zh) 一种车辆朝向的确定方法、装置及车载终端
CN116342632A (zh) 一种基于深度信息的抠图方法及抠图网络训练方法
CN108428241B (zh) 高清视频中移动目标的运动轨迹捕获方法
CN115082517B (zh) 基于数据增强的赛马场景多目标追踪方法
CN114091520B (zh) 一种井工煤矿中工作设备识别与检测的方法与装置
CN115331151A (zh) 一种视频测速方法、装置、电子设备和存储介质
CN113591591A (zh) 人工智能现场行为识别系统
CN113920089A (zh) 目标检测方法、装置以及电子控制器
CN114049317A (zh) 一种基于人工智能的ccd设备自动化检验系统及方法
CN112733610A (zh) 一种基于无人机的输电线路图像识别检测方法
CN111738257B (zh) 一种基于深度学习的不同网络模型级联目标精确推理系统及方法
CN112733730B (zh) 采油作业现场吸烟人员识别处理方法及系统
CN118037736B (zh) 一种基于特征参数提取的金属增材制造熔池形态检测方法
Araf et al. A Robust Vision Based Lane Scenario Detection and Classification Using Machine Learning for SelfDriving Vehicles

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