CN115442668B - 目标状态识别方法、设备及计算机可读存储介质 - Google Patents
目标状态识别方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115442668B CN115442668B CN202210869213.2A CN202210869213A CN115442668B CN 115442668 B CN115442668 B CN 115442668B CN 202210869213 A CN202210869213 A CN 202210869213A CN 115442668 B CN115442668 B CN 115442668B
- Authority
- CN
- China
- Prior art keywords
- background
- current
- target
- current frame
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000001788 irregular Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 241000283070 Equus zebra Species 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/81—Monomedia components thereof
- H04N21/8146—Monomedia components thereof involving graphical data, e.g. 3D object, 2D graphics
- H04N21/8153—Monomedia components thereof involving graphical data, e.g. 3D object, 2D graphics comprising still images, e.g. texture, background image
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44012—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving rendering scenes according to scene graphs, e.g. MPEG-4 scene graphs
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种目标状态识别方法、设备及计算机可读存储介质。该方法包括:获取对监控区域拍摄得到的待处理视频;确定待处理视频的当前帧中的前景目标;基于第一像素点的原始像素值更新背景模型,第一像素点为处在当前帧中前景目标对应区域之外的像素点,背景模型是基于至少一个历史帧得到的,历史帧为待处理视频中位于当前帧之前的视频帧;基于更新后的背景模型获取当前帧的背景;基于当前帧的背景,确定监控区域中的监控背景目标在当前帧的运行状态。通过上述方式,能够减少监控背景目标漏识别和误识别的情况,提高状态识别结果准确度。
Description
技术领域
本申请涉及视频处理技术领域,特别是涉及一种目标状态识别方法、设备及计算机可读存储介质。
背景技术
在诸多应用场景需要用到目标状态识别技术。例如,为了实现交通设施运维,需要通过对交通设施进行状态识别,确定交通设施的运行状态(如变形、偏移、消失、新增)。又如,为了实现公共生活场所的物品管理,需要对物品进行状态识别,确定物品的运行状态(如乱放、堆叠)等等。
但是,现有的目标状态识别方法,得到的状态识别结果准确度不高。
发明内容
本申请提供一种目标状态识别方法、设备及计算机可读存储介质,能够解决现有的目标状态识别方法,得到的状态识别结果准确度不高的问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种目标状态识别方法。该方法包括:获取对监控区域拍摄得到的待处理视频;确定待处理视频的当前帧中的前景目标;基于第一像素点的原始像素值更新背景模型,第一像素点为处在当前帧中前景目标对应区域之外的像素点,背景模型是基于至少一个历史帧得到的,历史帧为待处理视频中位于当前帧之前的视频帧;基于更新后的背景模型获取当前帧的背景;基于当前帧的背景,确定监控区域中的监控背景目标在当前帧的运行状态。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种目标状态识别设备,该目标状态识别设备包括处理器、与处理器连接的存储器,其中,存储器存储有程序指令;处理器用于执行存储器存储的程序指令以实现上述方法。
为解决上述技术问题,本申请采用的又一个技术方案是:提供一种计算机可读存储介质,存储有程序指令,该程序指令被执行时能够实现上述方法。
通过上述方式,本申请确定当前帧中的前景目标,基于第一像素点(处在当前帧中前景目标对应区域之外的像素点)更新基于至少一个历史帧得到的背景模型,基于更新后的背景模型获取当前帧的背景,应用于监控背景目标的状态识别。由于更新后的背景模型能够表达至少一个历史帧和当前帧中可见的背景信息,因此当前帧的背景包含了至少一个历史帧和当前帧中可见的背景信息,即使监控背景目标在当前帧中被前景目标遮挡,但是只要该监控背景目标被遮挡的部分在至少一个历史帧中可见,该监控背景目标在当前帧的背景中也是可见的,从而基于当前帧的背景进行该监控背景目标进行正常的状态识别,提高状态识别结果的准确度。并且,本申请提高的目标状态识别方法,无需人工参与,且无需在监控区域安装额外的辅助识别装置,依据纯视觉就能够实现监控背景目标的状态识别,故能够降低成本。
附图说明
图1是本申请目标状态识别方法一实施例的流程示意图;
图2是图1中S15的具体流程示意图;
图3是对折线赋予宽度形成封闭形状的示意图;
图4是目标状态识别系统的结构示意图;
图5是本申请目标状态识别方法一具体实例的流程示意图;
图6是本申请目标状态识别设备一实施例的结构示意图;
图7是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”、“第三”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”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,在不冲突的情况下,本文所描述的实施例可以与其它实施例相结合。
在介绍本申请的目标状态识别方法之前,先列举其几个应用场景:
应用场景1:对交通场景中固定设置的交通设施进行状态识别,以确定交通设施的运行状态,基于交通设施的运行状态实现交通设施运维,例如在交通设施的运行状态异常的情况下,对交通设施进行修复、更替。交通设施可以包括道路标志、道路标线、防护设施等等。道路标志可以包括警告标志(如“前方有行人出入”)、禁令标志(如“施工现场禁止进入”)、指示标志(如“前方直行”)等等。道路标线可以包括斑马线、白实线、白虚线等等。防护设施可以包括护栏、隔离带等。
应用场景2:对公共生活场所的物品进行状态识别,以确定物品的运行状态,基于物品的运行状态确定公共生活场所的原有物品是否被挪动、公共生活场所是否乱放新增物品、是否堆叠物品等。
图1是本申请目标状态识别方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本实施例并不以图1所示的流程顺序为限。
如图1所示,本实施例可以包括:
S11:获取对监控区域拍摄得到的待处理视频。
本申请方法实施例的执行主体是目标状态识别装置,目标状态识别设备可以是摄像器件本身、与摄像器件建立通信连接的电子设备,如手机、电脑、服务器等等。
待处理视频是由摄像器件对监控区域拍摄得到的,待处理视频包括若干个视频帧。监控区域可以是任何有监控需求的区域,如在前述应用场景1下监控区域是交通道路,在前述应用场景2下监控区域是公共生活场所。监控区域包括若干个目标,目标可以是行人、车辆、动物、交通设施、物品等等,目标可以分为前景目标和背景目标。前景目标是指位置不是固定在监控区域的目标,如人、车辆。背景目标是指位置固定在监控区域的目标,如交通设施、物品。例如,在应用场景1下背景目标为交通设施,前景目标为交通设施之外的目标。
S12:确定待处理视频的当前帧中的前景目标。
当前帧为待处理视频中当前正在被处理的一个视频帧。在一些实施例中,可以通过前景目标检测或者前景目标分割得到前景目标。前景目标检测和前景目标分割是依据训练好的神经网络实现的,例如yolov5。
S13:基于第一像素点的原始像素值更新背景模型。
第一像素点为处在当前帧中所述前景目标对应区域之外的像素点,背景模型是基于至少一个历史帧得到的,历史帧为待处理视频中位于当前帧之前的视频帧。
背景模型可以是高斯背景模型(Single Gaussian Background Model,可以是单高斯背景模型,也可以是混合高斯背景模型)、平均背景模型(Average BackgroundModel)、非参数化背景模型等等。待处理视频的背景模型可以包括待处理视频中各个像素点的背景模型。
高斯背景模型的基本思想是,将各个像素点在视频帧中的原始像素值均视为随机变量,将各个像素点在待处理视频的各个视频帧中的原始像素值的分布,用若干个高斯背景模型的叠加作为各个像素点的高斯背景模型。平均背景模型的基本思想是,计算各个像素点在待处理视频的各个视频帧中的原始像素值的均值,作为各个像素点的背景模型。其他背景模型的基本思想请参考相关技术,在此不赘述。
背景模型是动态更新的。也就是说,在对待处理视频处理的过程中,在每个视频帧作为当前帧到来时,基于当前帧动态更新背景模型。具体来说,在S13中,以各个像素点在当前帧中的位置为依据,将各个像素点划分为第一像素点和第二像素点,第一像素点为处在当前帧中前景目标对应区域之外的像素点、第二像素点为处在当前帧中前景目标对应区域的像素点,将待处理视频的背景模型划分为第一像素点的第一背景模型和第二像素点的第二背景模型,第一背景模型是基于第一像素点在至少一个历史帧中的原始像素值得到的,第二背景模型是基于第二像素点在至少一个历史帧中的原始像素值得到的。基于第一像素点的原始像素值更新背景模型,也即是基于第一像素点在当前帧中的原始像素值更新第一背景模型。
可以理解的是,由于第一像素点未处在当前帧中前景目标对应区域,因此第一像素点处的背景信息未被前景目标遮挡(可见),第一像素点的原始像素值能够表达背景信息,可以用于更新第一背景模型。而第二像素点处在当前帧中前景目标对应区域,因此第二像素点处的背景信息被前景目标遮挡(不可见),第二像素点的原始像素值不能够表达背景信息,因此第二背景模型不更新。由此,在S13中,跳过当前帧中前景目标的范围,仅基于第一像素点的原始像素值更新得到的背景模型,能够表达当前帧以及至少一个历史帧中可见的背景信息,后续基于更新后的背景模型获取的当前帧的背景包含当前帧以及至少一个历史帧中可见的背景信息。
S14:基于更新后的背景模型获取当前帧的背景。
当前帧的背景由各个像素点在当前帧的背景像素值组成。可以基于更新后的第一背景模型获取第一像素点在当前帧中的背景像素值,以及基于第二背景模型获取第二像素点在当前帧中的背景像素值,得到当前帧的背景。
S15:基于当前帧的背景,确定监控区域中的监控背景目标在当前帧的运行状态。
监控背景目标的状态可以分为三种,一种是消失状态,一种是新增状态,一种是处于消失与出现的中间状态,中间状态可以包括偏移、形变、开裂、磨损、模糊不清等等。例如在前述应用场景1的情况下,可能存在的中间状态有道路标志开裂、变形,防护设施形变,道路标线模糊不清、磨损)。
在一些实施例中,监控背景目标包括当前帧的背景中的若干当前背景目标。可以确定当前帧的背景中的若干当前背景目标,对各个当前背景目标进行状态识别,得到各个当前背景目标在当前帧的运行状态。该方式下能够检测到中间状态,但是无法检测到消失状态和出现状态,即无法检测到哪些监控背景目标在当前帧是新增的,哪些监控背景目标在当前帧消失了。
在一些实施例中,监控背景目标包括当前帧的背景中的若干当前背景目标和参考帧的背景中的若干参考背景目标,通过当前帧的背景中当前背景目标和背景帧的背景中参考背景目标之间的差异,确定监控背景目标的状态。在此方式下能够检测到消失状态、新增状态和中间状态三者,减少漏识别和误识别的情况。结合参阅图2,S15可以包括以下子步骤:
S151:确定当前帧的背景中的若干当前背景目标、以及参考帧的背景中的若干参考背景目标。
参考帧可以为待处理视频中的一个历史帧,由此参考帧的背景为该个历史帧的背景,参考帧的背景中的参考背景目标为该个历史帧的背景中的历史参考目标。参考帧的背景获取方式与当前帧的背景的获取方式同理。
或者,参考帧的背景可以是基于所有历史帧的背景中的历史背景目标构建得到的,即构建一个空白的背景,将所有历史背景目标叠加至该空白的背景,得到参考帧的背景,由此参考帧的背景可以包含所有历史背景目标。
当前背景目标即当前帧的背景中可见的监控背景目标,参考背景目标即参考帧中可见的监控背景目标。可以对当前帧的背景进行背景目标检测或者背景目标分割,得到当前帧的背景中的当前背景目标。背景目标检测或者背景目标分割可以得到当前背景目标的位置、类别等信息。背景目标检测可以通过自底向上的关键点检测等方法实现。背景目标检测得到的当前背景目标的位置形式可以是矩形(包含左上角和右下角的坐标),也可以是其他符合当前背景目标的形状(包含沿形状上各个点排序的若干个坐标)。例如,当前背景目标是斑马线,位置形式是多边形;当前背景目标是线、护栏,位置形式是折线等等。背景目标分割得到的当前背景目标的位置形式是连通域。在检测得到当前背景目标之后,还可以将当前背景目标的位置存储,以供后续视频帧(待处理视频中位于当前帧之后的视频帧)进行处理时使用。
可以理解的是,由于当前帧的背景包含当前帧及至少一个历史帧的背景信息,即使监控背景目标在当前帧被遮挡,只要该监控背景目标被遮挡的部分在至少一个历史帧中可见,该监控背景目标被遮挡的部分在当前帧的背景中也是可见的,因此能够在当前帧的背景中确定出该监控背景目标,不会造成对该监控背景目标的误检或者漏检,进而后续能够基于当前帧的背景正常对该监控背景目标进行状态识别(不会误识别或者漏识别)。
在一些实施例中,在确定当前帧的背景中的当前背景目标之后,还可以对各个当前背景目标进行状态识别,得到各个当前背景目标在当前帧的背景的运行状态,以供后续使用。确定当前背景目标、当前背景目标的状态识别可以依据不同的神经网络实现,也可以依据同一神经网络实现,后者情况下,能够降低计算量。
S152:将各个当前背景目标与各个参考背景目标进行匹配,得到匹配结果。
匹配结果指示哪些当前背景目标与参考背景目标匹配上,哪些当前背景目标未与参考背景目标匹配上,哪些参考背景目标未与当前背景目标匹配上。相互匹配的当前背景目标与参考背景目标为同一监控背景目标,未与参考背景目标匹配的当前背景目标,为出现在当前帧的背景而未出现在参考帧的背景的监控背景目标,未与当前背景目标匹配的参考背景目标,为出现在参考帧的背景而未出现在当前帧的背景的监控背景目标。每一参考背景目标具有一标识信息(id),针对与参考背景目标匹配上的当前背景目标,为其赋予与其匹配的参考背景目标相同的id,针对未与参考背景目标匹配上的当前背景目标,为其赋予新的id,以此方式能够为待处理视频中同一监控背景目标赋予相同id,将不同监控背景目标区分开来。
在一些实施例中,为了减少计算量,匹配可以是在同类别的当前背景目标和参考背景目标之间进行。
在一些实施例中,可以基于各个当前背景目标在当前帧的背景中的特征、以及各个参考背景目标在参考帧的背景中的特征,将各个当前背景目标与各个参考背景目标进行匹配,得到匹配结果。
在一些实施例中,可以基于各个当前背景目标在当前帧的背景中的位置、以及各个参考背景目标在参考帧的背景中的位置,对各个当前背景目标与各个参考背景目标进行匹配,得到匹配结果。
具体来说,可以计算当前背景目标的位置与参考背景目标的位置之间的面积比,在面积比大于面积比阈值时,确定当前背景目标与参考背景目标匹配。若位置形式为封闭形状,可以将封闭形状所占的像素数量确定为封闭图像的面积。封闭形状包括规则的封闭形状(如矩形、三角形)和不规则的封闭形状(如多边形、连通域)。若位置形式为规则的封闭形状,可以依据面积计算公式得到面积,如对矩形的宽和高相乘得到占用面积;对于不规则的封闭形状,可以逐个累积所占的像素数量得到面积,或者为了增加计算效率,可以将不规则的封闭形状的外接矩形的面积(外接矩形的宽和高的乘积)用于粗略的位置匹配,在粗略的位置匹配通过的情况下才累积不规则的封闭形状的面积用于精细的位置匹配。若位置形式为非封闭形状(如折线、弧线),可以为非封闭形状赋予宽度而形成封闭形状,将形成的封闭形状所占的像素数量确定为折线的面积。图3是对折线赋予宽度形成封闭形状的示意图,如图3所示,位置形式为折线,a1和a2分别为折线a的两个端点,为a赋予宽度即分别对a1和a2向外延伸,对应得到a11和a12、a21和a22,依次将a11、a12、a22和a21连接,得到封闭形状b,a为b的中轴线。
可以理解的是,一般来说监控区域中背景目标的位置不会改变,那么同一背景目标在当前帧和参考帧的位置不变或者位置偏移不明显,因此基于位置进行匹配,可以确定当前帧和参考帧之间属于同一监控背景目标的当前背景目标和参考背景目标。相对基于特征匹配的方式来说,基于位置匹配的方式可以有效减少计算量。
S153:基于匹配结果确定监控背景目标在当前帧的运行状态。
监控背景目标包括至少一个当前背景目标和/或至少一个参考背景目标。
在S153中,至少一个当前背景目标可以包括与参考背景目标匹配上的当前背景目标、未与参考背景目标匹配上的当前背景目标中的至少一个。至少一个参考背景目标可以包括未与当前背景目标匹配上的参考背景目标中的至少一个。
针对与参考背景目标匹配上的当前背景目标,可以将当前背景目标在当前帧的背景的运行状态,确定为当前背景目标在当前帧的运行状态。当前背景目标在当前帧的背景的运行状态,可以是在S151中确定当前帧的背景中的若干当前背景目标之后,进一步对各个当前背景目标进行状态识别得到的。
针对未与参考背景目标匹配上的当前背景目标,确定当前背景目标在当前帧的背景中对应区域和在参考帧的背景中对应区域之间的第一差异值;若第一差异值大于第一差异阈值,则确定当前背景目标在当前帧的运行状态为新增状态;否则确定当前背景目标被误检。可以对当前背景目标在当前帧的背景中对应区域和在参考帧的背景中对应区域进行差异检测,得到第一差异值,差异检测的方法可以是关键点匹配方法、深度学习的方法(比如孪生网络判断相似度)等计算区域相似度的方法。从而,能够采用局部区域差异检测,确定处于新增状态的监控前景目标。
针对未与当前背景目标匹配上的参考背景目标,确定参考背景目标在当前帧中对应区域和在参考帧中对应区域之间的第二差异值;若第二差异值大于第二差异阈值,则确定参考背景目标在当前帧的运行状态为消失状态;否则确定参考背景目标在当前帧的背景中被漏检。获取第二差异值的方式与获取第一差异值的方式同理。从而,能够采用局部区域差异检测,确定处于消失状态的监控前景目标。
可以理解的是,待处理视频的视频帧中前景目标的存在,引起视频帧中前景目标对应区域的背景信息被遮挡,监控背景目标在当前帧中属于背景的一部分,因此当前帧中背景信息被遮挡可能引起监控背景目标在当前帧中被遮挡。因此,如果不跳过前景目标的范围,直接获取当前帧的背景,那么在获取当前帧的背景的过程中,容易将当前帧中静止的前景目标对应区域的信息视为背景信息用于更新背景模型,基于更新后的背景模型获取的当前帧的背景存在前景目标,造成干扰,引起监控背景目标的漏识别或者误识别。
通过本实施例的实施,本申请确定当前帧中的前景目标,基于第一像素点(处在当前帧中前景目标对应区域之外的像素点)更新基于至少一个历史帧得到的背景模型,基于更新后的背景模型获取当前帧的背景,应用于监控背景目标的状态识别。由于更新后的背景模型能够表达至少一个历史帧和当前帧中可见的背景信息,因此当前帧的背景包含了至少一个历史帧和当前帧中可见的背景信息,即使监控背景目标在当前帧中被前景目标遮挡,但是只要该监控背景目标被遮挡的部分在至少一个历史帧中可见,该监控背景目标在当前帧的背景中也是可见的,从而基于当前帧的背景进行该监控背景目标进行正常的状态识别,提高状态识别结果的准确度。并且,本申请提高的目标状态识别方法,无需人工参与,且无需在监控区域安装额外的辅助识别装置,依据纯视觉就能够实现监控背景目标的状态识别,故能够降低成本。
进一步地,在一些实施例中,为进一步提高监控背景目标的运行状态的准确度,可以基于待处理视频的连续预设数量个视频帧确定监控背景目标的最终运行状态。具体来说,可以判断监控背景目标在待处理视频的连续预设数量个视频帧的运行状态,是否均为同一运行状态;若均为同一运行状态,则确定监控背景目标的最终状态为监控背景目标在连续预设数量个视频帧的运行状态;若不均为同一运行状态,则基于连续预设数量个视频帧之后的视频帧继续进行状态识别,以确定最终运行状态。
进一步地,在一些实施例中,还可以在监控背景目标的运行状态异常的情况下上报异常事件,以提醒相关人员及时处理。例如,在道路标线模糊不清的情况下,认为道路标线的运行状态异常,上报异常事件,以提醒相关人员及时对道路标线进行修复。又如,在公共生活场所乱放物品的情况下,认为该物品的运行状态异常,上报异常事件,以提醒相关人员及时对该物品进行整理。
如下结合图4和图5,以一个例子的形式,对本申请提供的目标状态识别方法进行详细说明:
图4是目标状态识别系统的结构示意图,如图4所示,目标状态识别系统包括摄像器件11和目标状态识别设备12。摄像器件11布设在交通道路,用于拍摄交通道路的待处理视频,目标状态识别设备12用于从摄像器件11获取交通道路的待处理视频,以实现交通道路的交通设施的状态识别。
结合参阅图5,目标状态识别设备12的处理流程具体可以如下:
1)获取针对交通道路的待处理视频,包括视频帧1~5。将视频帧i作为当前帧进行后续处理,i的初始值为1,将视频帧1作为参考帧,视频帧中的交通设施为参考交通设施。
2)判断是否满足i≤5;若满足则进入3);否则结束。
3)确定视频帧i中的前景目标。
4)基于前景目标对背景模型进行更新。
5)基于更新后的背景模型获取当前帧的背景。
6)对当前帧的背景进行交通设施的检测和状态识别,得到当前帧的背景中各当前交通设施的信息(id,类别,位置,中间状态)。
7)将同类别的当前交通设施与同类别的参考交通设施进行匹配,基于匹配结果确定交通设施在当前帧的运行状态(消失、出现、中间状态)。
8)i=i+1。返回2)。
图6是本申请目标状态识别设备一实施例的结构示意图。如图6所示,该目标状态识别设备包括处理器21、与处理器21耦接的存储器22。
其中,存储器22存储有用于实现上述任一实施例的方法的程序指令;处理器21用于执行存储器22存储的程序指令以实现上述方法实施例的步骤。其中,处理器21还可以称为CPU(Central Processing Unit,中央处理单元)。处理器21可能是一种集成电路芯片,具有信号的处理能力。处理器21还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
图7是本申请计算机可读存储介质一实施例的结构示意图。如图7所示,本申请实施例的计算机可读存储介质30存储有程序指令31,该程序指令31被执行时实现本申请上述实施例提供的方法。其中,该程序指令31可以形成程序文件以软件产品的形式存储在上述计算机可读存储介质30中,以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的计算机可读存储介质30包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,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,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,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,可以是电性,机械或其它的形式。
另外,在本申请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。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种目标状态识别方法,其特征在于,包括:
获取对监控区域拍摄得到的待处理视频;
确定所述待处理视频的当前帧中的前景目标;
利用第一像素点在所述当前帧中的原始像素值更新第一背景模型,所述第一像素点为处在所述当前帧中所述前景目标对应区域之外的像素点,所述第一背景模型是基于所述第一像素点在至少一个所述历史帧中的原始像素值得到的,所述历史帧为所述待处理视频中位于所述当前帧之前的视频帧;
基于更新后的所述第一背景模型获取所述第一像素点在所述当前帧中的背景像素值,以及基于第二背景模型获取第二像素点在所述当前帧中的背景像素值,得到所述当前帧的背景,所述第二像素点为处在所述当前帧中所述前景目标对应区域的像素点,所述第二背景模型是基于所述第二像素点在至少一个所述历史帧中的原始像素值得到的;
基于所述当前帧的背景,确定所述监控区域中的监控背景目标在所述当前帧的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述基于所述当前帧的背景,确定所述监控区域中的监控背景目标在所述当前帧的运行状态,包括:
以一个所述历史帧为参考帧,确定所述当前帧的背景中的若干当前背景目标、以及参考帧的背景中的若干参考背景目标;
将各个所述当前背景目标与各个所述参考背景目标进行匹配,得到匹配结果;
基于所述匹配结果确定所述监控背景目标在所述当前帧的运行状态,所述监控背景目标包括至少一个所述当前背景目标和/或至少一个所述参考背景目标。
3.根据权利要求2所述的方法,其特征在于,所述将各个所述当前背景目标与各个所述参考背景目标进行匹配,得到匹配结果,包括:
基于各个所述当前背景目标在所述当前帧的背景中的位置、以及各个所述参考背景目标在所述参考帧的背景中的位置,对各个所述当前背景目标与各个所述参考背景目标进行匹配,得到所述匹配结果。
4.根据权利要求2所述的方法,其特征在于,所述监控背景目标包括至少一个所述当前背景目标;
在所述确定所述当前帧的背景中的若干当前背景目标之后,还包括:
对各个所述当前背景目标进行状态识别,得到各个所述当前背景目标在所述当前帧的背景的运行状态;
所述基于所述匹配结果确定所述监控背景目标在所述当前帧的运行状态,包括:
针对各个所述当前背景目标,将所述当前背景目标在所述当前帧的背景的运行状态,确定为所述当前背景目标在所述当前帧的运行状态。
5.根据权利要求2所述的方法,其特征在于,所述监控背景目标包括至少一个所述当前背景目标,至少一个所述当前背景目标包括未与所述参考背景目标匹配上的所述当前背景目标;所述基于所述匹配结果确定所述监控背景目标在所述当前帧的运行状态,包括:
针对未与所述参考背景目标匹配上的所述当前背景目标,确定所述当前背景目标在所述当前帧的背景中对应区域和在所述参考帧的背景中对应区域之间的第一差异值;
若所述第一差异值大于第一差异阈值,则确定所述当前背景目标在所述当前帧的运行状态为新增状态。
6.根据权利要求2所述的方法,其特征在于,所述监控背景目标包括至少一个所述参考背景目标,至少一个所述参考背景目标包括未与所述当前背景目标匹配上的所述参考背景目标;所述基于所述匹配结果确定所述监控背景目标在所述当前帧的运行状态,包括:
针对未与所述当前背景目标匹配上的所述参考背景目标,确定所述参考背景目标在所述当前帧中对应区域和在所述参考帧中对应区域之间的第二差异值;
若所述第二差异值大于第二差异阈值,则确定所述参考背景目标在所述当前帧的运行状态为消失状态。
7.根据权利要求1所述的方法,其特征在于,在所述基于所述当前帧的背景,确定所述监控区域中的监控背景目标在所述当前帧的运行状态之后,所述方法还包括:
若所述监控背景目标在所述待处理视频的连续预设数量个所述视频帧的运行状态均为同一运行状态,则确定所述监控背景目标的最终运行状态为所述监控背景目标在连续预设数量个所述视频帧的运行状态。
8.根据权利要求1所述的方法,其特征在于,所述监控区域为交通道路,所述监控背景目标为交通设施,所述前景目标为交通设施之外的目标。
9.一种目标状态识别设备,其特征在于,包括处理器、与所述处理器连接的存储器,其中,
所述存储器存储有程序指令;
所述处理器用于执行所述存储器存储的所述程序指令以实现权利要求1-8中任一项所述的方法。
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程序指令,所述程序指令能够被处理器执行,被执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869213.2A CN115442668B (zh) | 2022-07-21 | 2022-07-21 | 目标状态识别方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210869213.2A CN115442668B (zh) | 2022-07-21 | 2022-07-21 | 目标状态识别方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115442668A CN115442668A (zh) | 2022-12-06 |
CN115442668B true CN115442668B (zh) | 2024-04-12 |
Family
ID=84240665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210869213.2A Active CN115442668B (zh) | 2022-07-21 | 2022-07-21 | 目标状态识别方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115442668B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268478A (zh) * | 2013-05-23 | 2013-08-28 | 西安科技大学 | 一种基于历史像素集匹配度的遗留物快速检测方法 |
CN105279771A (zh) * | 2015-10-23 | 2016-01-27 | 中国科学院自动化研究所 | 一种视频中基于在线动态背景建模的运动目标检测方法 |
CN111062273A (zh) * | 2019-12-02 | 2020-04-24 | 青岛联合创智科技有限公司 | 一种遗留物品追溯检测与报警方法 |
CN111369591A (zh) * | 2020-03-05 | 2020-07-03 | 杭州晨鹰军泰科技有限公司 | 一种运动物体的跟踪方法、装置及设备 |
CN112634319A (zh) * | 2020-12-28 | 2021-04-09 | 平安科技(深圳)有限公司 | 视频背景与前景分离方法、系统、电子装置及存储介质 |
CN113869110A (zh) * | 2021-08-20 | 2021-12-31 | 浙江大华技术股份有限公司 | 物品检测方法、装置、终端及计算机可读存储介质 |
CN114022468A (zh) * | 2021-11-12 | 2022-02-08 | 珠海安联锐视科技股份有限公司 | 一种安防监控中物品遗留丢失检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104183127B (zh) * | 2013-05-21 | 2017-02-22 | 北大方正集团有限公司 | 交通监控视频检测方法和装置 |
US9158985B2 (en) * | 2014-03-03 | 2015-10-13 | Xerox Corporation | Method and apparatus for processing image of scene of interest |
-
2022
- 2022-07-21 CN CN202210869213.2A patent/CN115442668B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268478A (zh) * | 2013-05-23 | 2013-08-28 | 西安科技大学 | 一种基于历史像素集匹配度的遗留物快速检测方法 |
CN105279771A (zh) * | 2015-10-23 | 2016-01-27 | 中国科学院自动化研究所 | 一种视频中基于在线动态背景建模的运动目标检测方法 |
CN111062273A (zh) * | 2019-12-02 | 2020-04-24 | 青岛联合创智科技有限公司 | 一种遗留物品追溯检测与报警方法 |
CN111369591A (zh) * | 2020-03-05 | 2020-07-03 | 杭州晨鹰军泰科技有限公司 | 一种运动物体的跟踪方法、装置及设备 |
CN112634319A (zh) * | 2020-12-28 | 2021-04-09 | 平安科技(深圳)有限公司 | 视频背景与前景分离方法、系统、电子装置及存储介质 |
CN113869110A (zh) * | 2021-08-20 | 2021-12-31 | 浙江大华技术股份有限公司 | 物品检测方法、装置、终端及计算机可读存储介质 |
CN114022468A (zh) * | 2021-11-12 | 2022-02-08 | 珠海安联锐视科技股份有限公司 | 一种安防监控中物品遗留丢失检测方法 |
Non-Patent Citations (2)
Title |
---|
改进视觉背景提取的运动目标检测算法;吴晗;黄山;;计算机工程与设计(05);全文 * |
视频监控中运动目标检测的背景提取及更新;杨惠;韩其睿;;计算机技术与发展(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115442668A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kanhere et al. | Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features | |
Patel et al. | License plate detection using Harris corner and character segmentation by integrated approach from an image | |
CN108268867B (zh) | 一种车牌定位方法及装置 | |
Tae-Hyun et al. | Detection of traffic lights for vision-based car navigation system | |
CN111399492A (zh) | 一种机器人及其障碍物感知方法和装置 | |
Li et al. | Lane detection based on connection of various feature extraction methods | |
JP2001175876A (ja) | 移動物体検出方法及び移動物体検出装置 | |
Bhujbal et al. | Lane departure warning system based on Hough transform and Euclidean distance | |
CN111626275B (zh) | 一种基于智能视频分析的异常停车检测方法 | |
Li et al. | A lane marking detection and tracking algorithm based on sub-regions | |
CN111079621B (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN111783573B (zh) | 一种远光灯检测方法、装置及设备 | |
CN112733598A (zh) | 车辆违法判别方法、装置、计算机设备和存储介质 | |
CN113297939B (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN111767776A (zh) | 一种异常车牌推选方法及装置 | |
CN115442668B (zh) | 目标状态识别方法、设备及计算机可读存储介质 | |
CN111507126A (zh) | 一种驾驶辅助系统的报警方法、装置及电子设备 | |
CN113569812A (zh) | 未知障碍物的识别方法、装置和电子设备 | |
CN112633228A (zh) | 停车检测方法、装置、设备及存储介质 | |
Płaczek | A real time vehicle detection algorithm for vision-based sensors | |
CN116434161A (zh) | 用于判断基于高位视频的停车行为是否可信的方法和系统 | |
Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
CN115880632A (zh) | 超时停留检测方法、监控设备、计算机可读存储介质和芯片 | |
Date et al. | Vision based lane detection and departure warning system | |
KR100976142B1 (ko) | 차량검출방법 |
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 |