CN115719362A - 一种高空抛物检测方法、系统、设备及存储介质 - Google Patents
一种高空抛物检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115719362A CN115719362A CN202210609539.1A CN202210609539A CN115719362A CN 115719362 A CN115719362 A CN 115719362A CN 202210609539 A CN202210609539 A CN 202210609539A CN 115719362 A CN115719362 A CN 115719362A
- Authority
- CN
- China
- Prior art keywords
- altitude parabolic
- video image
- track
- image
- altitude
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种高空抛物检测方法、系统、设备及存储介质,所述方法包括以下步骤:获取目标楼层的视频图像,并对视频图像进行数据的预处理;对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体;对当前视频图像中检测到的所有运动物体进行过滤,以排除不符合高空抛物特征的物体,并获取符合条件的所有运动物体各自在视频图像中位置;判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。本发明对硬件算力要求低,提高了高空抛物检测的实时性、降低了误报率、提高了准确性。
Description
技术领域
本发明涉及高空抛物检测技术领域,尤其是涉及人工智能技术和智能安防技术,具体地说,涉及一种高空抛物检测方法、系统、设备及存储介质。
背景技术
高空抛物的检测及源头追溯便成了当前的痛点及要点问题,先前高空抛物的检测、追溯以及责任追究主要是依靠安保人员推断事件发生的时间以及楼层,通过查阅视频找到高空抛物的源头,这种做法费时费力,因此使用智能监控手段对高空抛物进行检测的需求更加迫切。
而当前的高空抛物检测算法,主要依靠高清相机采集图像,然后使用深度学习的方法检测大尺寸图像中的高空抛物,这种方案需要高算力硬件支持,如GPU、NPU以及高性能CPU,硬件成本高且不利于在端侧部署,且高空抛物种类多样、目标较小,所需训练样本较多且获取难度大,因此造成了研发及部署成本大大提高;当前方案对目标是否为高空抛物的判断多发生在抛物过程结束后,无法实时性相对较差。
如,中国发明专利,申请号为2020111240131的一种基于机器视觉的高空抛物检测识别方法及系统,该发明使用了IOU作为跟踪依据进行目标跟踪,但是容易造成目标丢失,容易造成误识别及漏识别,准确性较差;抛物判断发生在下落过程完成以后,实时性相对较差。
再如,中国发明专利,公开号为CN112800953A的一种基于计算机视觉的高空抛物检测、跟踪以及告警的系统和方法,该发明使用vibe算法提取检测运动目标,使用卡尔曼滤波算法与匈牙利算法相结合的多目标运动检测算法进行高空抛物判断,若物体符合高空抛物特征则报警,但是该方法也是在物体下落过程完成后判断轨迹是否符合高空抛物特征。
因此,现有高空抛物检测算法的技术主要有以下缺点:
1、当前的高空抛物算法主要是根据跟踪算法输出的高空抛物坐标及编号进行轨迹判断,由于高空抛物的下降速度快、目标小,算法在对目标进行轨迹跟踪时易造成跟踪失败,发生如下两种情况:(1)无法完整追踪整个下落过程,在追踪时丢失目标;(2)在追踪过程中丢失目标,但是在几帧后有重新匹配到了高空抛物轨迹,此时检测到的为同一高空抛物的两条不同的轨迹,在报警时报告有2个抛物,其实只是同一抛物下落轨迹的不同分段。完全依靠跟踪算法得到的轨迹去判断容易造成误报。
2、现有技术是在高空抛物过程结束以后,根据跟踪算法得到的物体完整轨迹去计算物体的运动特征,判断是否属于高空抛物,这种方法无法做到实时监测。
当前高空抛物算法的实现方式主要是采用深度学习进行高空抛物检测,该方法所需的硬件性能较高,且高空抛物种类多样、目标较小,所需训练样本较多且获取难度大,因此造成了研发及部署成本大大提高。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足,提供一种提高了高空抛物检测的实时性、降低了误报率、提高了准确性的高空抛物检测方法、系统、设备及存储介质。
为解决上述技术问题,本发明采用技术方案的基本构思是:
第一方面,一种高空抛物检测方法,所述方法包括以下步骤:
获取目标楼层的视频图像,并对视频图像进行数据的预处理;
对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体;
对当前视频图像中检测到的所有运动物体进行过滤,以排除不符合高空抛物特征的物体,并获取符合条件的所有运动物体各自在视频图像中位置;
判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
在上述任一方案中优选的实施例,所述获取目标楼层的视频图像,并对视频图像进行数据的预处理,具体包括:
高空抛物相机采集目标楼层的视频图像;
将采集到的视频图像传输至arm芯片;
将所述视频图像以均值池化的方式缩小图像的尺寸。
在上述任一方案中优选的实施例,所述对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体,具体包括以下步骤:
使用视频图像前N帧初始化高斯混合模型进行背景建模;
对后续视频帧图像使用高斯混合模型,预测出每一个像素属于当前帧图像或背景图像;
将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图。
在上述任一方案中优选的实施例,所述对当前视频图像中检测到的所有运动物体进行过滤,具体包括以下步骤:
计算运动目标的mask图中每个运动物体的面积;
过滤掉面积大小不符合高空抛物特征的物体;
记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高。
在上述任一方案中优选的实施例,还包括:
确定高空抛物运动经过的至少三个点;
根据所述的点,确定运动的轨迹曲线。
在上述任一方案中优选的实施例,所述判断当前视频图像符合条件的运动物体是否存在高空抛物,具体包括以下步骤:
获取符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
当首次检测到目标时,使用卡尔曼滤波算法分别初始化每个目标的参数,并新建与目标个数对应的轨迹,若并非首次检测到目标,则使用卡尔曼滤波算法预测每个轨迹下一步的位置;
得到预测的每个轨迹的下一步位置后,使用匈牙利算法将当前帧检测到的所有目标与每个轨迹的预测位置进行匹配;
对于未匹配成功的点,以该点为起点建立一条新的轨迹,对于未匹配的轨迹,则判断该轨迹是否之前已确定是高空抛物,若不是,则直接删除该轨迹,若是高空抛物轨迹,若该轨迹的失配次数达到限制,则删除该轨迹,反之则保留该轨迹;对于已相互匹配的点和轨迹,则进入高空抛物判断阶段。
在上述任一方案中优选的实施例,所述高空抛物判断阶段,具体包括以下步骤:
当轨迹没有标记为高空抛物时,则将该点加入与之互相匹配的轨迹,若此时轨迹中的点<3个,则继续遍历其他的点和轨迹;若此时轨迹中的点≥3个,则计算当前点与轨迹中其他点之间的关系是否符合高空抛物特征。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明在目标跟踪阶段即可判断目标是否符合高空抛物特征,可实时过滤掉飞鸟等不符合高空抛物运动规律的干扰因素,不用等待高空抛物过程完成后再判断然后报警,在高空抛物下落过程中就可完成判断并报警,提高了本发明的实时性。
本发明优化高空抛物报警方式,通过判断是否符合高空抛物报警条件,抛弃根据跟踪算法给出的轨迹编号和坐标去判断是否报警的方式,对硬件算力要求低,无需海量数据进行模型训练,算法在arm处理器上即可运行,无需高性能CPU、GPU以及NPU,降低了研发及部署成本,提高了高空抛物检测的实时性,降低了误报率,提高了准确性。
第二方面,一种高空抛物检测系统,包括:
获取模块,用于获取目标楼层的视频图像,并对视频图像进行数据的预处理,所述获取目标楼层的视频图像,并对视频图像以均值池化的方式缩小图像进行预处理;
识别模块,用于对预处理后的视频图像通过初始化高斯混合模型进行处理,预测出每一个像素属于当前帧图像或背景图像,并将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图;
过滤模块,用于对当前视频图像中检测到的所有运动物体进行过滤掉面积大小不符合高空抛物特征的物体,并记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
判断模块,用于判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
采用上述技术方案后,第二方面与第一方面的有益效果相同,故在此不再赘述。
第三方面,一种高空抛物检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述的高空抛物检测方法的步骤。
第三方面与第一方面其有益效果一致,故在此不再赘述。
第四方面,一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现所述的高空抛物检测方法。
第四方面与第一方面其有益效果一致,故在此不再赘述。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,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附图。在附图中:
图1是本发明高空抛物检测方法的流程示意图。
图2是本发明高空抛物检测方法的图像采集与处理流程示意图。
图3是本发明高空抛物检测方法的均值池化示意图。
图4是本发明高空抛物检测方法的运动物体检测流程示意图。
图5是本发明高空抛物检测方法的目标过滤流程示意图。
图6是本发明高空抛物检测方法的高空抛物判断流程示意图。
图7是本发明高空抛物检测方法的高空抛物判断规则示意图。
图8是本发明高空抛物检测方法的报警判断规则示意图。
图9是本发明高空抛物检测方法的数组队列示意图。
图10为本申请实施例高空抛物检测系统示意图。
图11为本申请实施例高空抛物检测设备示意图。
需要说明的是,这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对实施例中的技术方案进行清楚、完整地描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明提供了一种高空抛物检测方法,所述方法包括以下步骤:
步骤1:获取目标楼层的视频图像,并对视频图像进行数据的预处理;
步骤2:对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体;
步骤3:对当前视频图像中检测到的所有运动物体进行过滤,以排除不符合高空抛物特征的物体,并获取符合条件的所有运动物体各自在视频图像中位置;
步骤4:判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
在本发明实施例所述的高空抛物检测方法中,通过优化高空抛物判断过程,在跟踪阶段即可判断目标是否属于高空抛物,提高算法的实时性,优化高空抛物报警方式,通过判断是否符合高空抛物报警条件,抛弃根据跟踪算法给出的轨迹编号和坐标去判断是否报警的方式,无需海量数据进行模型训练,提高了高空抛物检测的实时性,降低了误报率,提高了准确性。
如图2和图3所示,所述获取目标楼层的视频图像,并对视频图像进行数据的预处理,具体包括:
步骤11:高空抛物相机采集目标楼层的视频图像;
步骤12:将采集到的视频图像传输至arm芯片;
步骤13:将所述视频图像以均值池化的方式缩小图像的尺寸。
在本发明实施例所述的高空抛物检测方法中,所述高空抛物相机为高清高空抛物相机,所述高清高空抛物相机主要进行视频的实时采集,所述arm芯片为主要计算单元,算法运行的载体,本发明实施例,通过将视频图像以均值池化处理,可以对硬件算力要求低,无需海量数据进行模型训练,算法在arm处理器上即可运行,无需高性能CPU、GPU以及NPU,降低了研发及部署成本,在本发明实施例中,均值池化方式如图3所示,假设一张图片的像素为N*N,池化核大小为n*n,则池化核的滑动步长为n,此时缩小后的图像大小为原图像的缩小后图像的(即池化核范围内像素的平均值),通过采用该方法,将高清相机获取的高分辨率图像转化为低分辨率图像,并且避免了图像中波纹出现,使缩小后的图像最大限度地与原图像保持一致。
如图4所示,所述对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体,具体包括以下步骤:
步骤21:使用视频图像前N帧初始化高斯混合模型进行背景建模;
步骤22:对后续视频帧图像使用高斯混合模型,预测出每一个像素属于当前帧图像或背景图像;
步骤23:将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图。
在本发明实施例所述的高空抛物检测方法中,采用高斯混合模型(GaussianMixture Model,GMM)进行运动物体检测,高斯混合模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型,对图像背景建立高斯模型的原理及过程:图像灰度直方图反映的是图像中某个灰度值出现的频次,也可以以为是图像灰度概率密度的估计。如果图像所包含的目标区域和背景区域相差比较大,且背景区域和目标区域在灰度上有一定的差异,那么该图像的灰度直方图呈现双峰-谷形状,其中一个峰对应于目标,另一个峰对应于背景的中心灰度,通过将直方图的多峰特性看作是多个高斯分布的叠加,可以解决图像的分割问题,本发明实施例通过使用视频图像前N帧,在本发明实施例中,优选的,采用14帧,可以提高运动物体检测的灵敏度与准确度。
如图5所示,所述对当前视频图像中检测到的所有运动物体进行过滤,具体包括以下步骤:
步骤31:计算运动目标的mask图中每个运动物体的面积;
步骤32:过滤掉面积大小不符合高空抛物特征的物体;
步骤33:记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高。
在本发明实施例所述的高空抛物检测方法中,通过计算前一步得到的mask图中每个运动物体的面积(像素个数),过滤掉面积大小不符合高空抛物特征(面积过大或过小)的物体,并记录符合高空抛物特征的运动物体在该mask图上的中心点坐标、宽和高,可以将视频图像中存在的高空抛物滤除干扰(如飞鸟、雨雪、飞虫等)。
如图6所示,所述高空抛物特征的物体运行的轨迹最少由3个点组成,所述判断当前视频图像符合条件的运动物体是否存在高空抛物,具体包括以下步骤:
步骤41:获取符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
步骤42:当首次检测到目标时,使用卡尔曼滤波算法分别初始化每个目标的参数,并新建与目标个数对应的轨迹,若并非首次检测到目标,则使用卡尔曼滤波算法预测每个轨迹下一步的位置;
步骤43:得到预测的每个轨迹的下一步位置后,使用匈牙利算法将当前帧检测到的所有目标与每个轨迹的预测位置进行匹配,在跟踪阶段即可判断目标是否符合高空抛物的下落特征,有效滤除非高空抛物的干扰,提高了高空抛物判断的准确性;
步骤44:对于未匹配成功的点,以该点为起点建立一条新的轨迹,对于未匹配的轨迹,则判断该轨迹是否之前已确定是高空抛物,若不是,则直接删除该轨迹,若是高空抛物轨迹,若该轨迹的失配次数达到限制,则删除该轨迹,反之则保留该轨迹;对于已相互匹配的点和轨迹,则进入高空抛物判断阶段;所述高空抛物判断阶段,具体包括以下步骤:当轨迹没有标记为高空抛物时,则将该点加入与之互相匹配的轨迹,若此时轨迹中的点<3个,则继续遍历其他的点和轨迹;若此时轨迹中的点≥3个,则计算当前点与轨迹中其他点之间的关系是否符合高空抛物特征。
如图7所示,在本发明实施例所述的高空抛物检测方法中,高空抛物判断规则,包括以下步骤:
1)由于高空抛物是一个向下的加速度,因此需要y1<y2;
2)由于高空抛物是向下的运动,因此需要y1>0,y2>0;
3)由于高空抛物的横向移动较小,若横向移动太大有可能是飞鸟等干扰,因此需要(y1+y2)>(x1+x2);
4)由于此时是高空抛物的初始阶段,因此p2、p3的位移较小,设y1的阈值为δy1,y2的阈值为δy2,则需y1≤δy1,y2≤δy2;
若该轨迹与该目标符合上述判断规则,则将该轨迹标记为高空抛物,且将当前目标标记为高空抛物,反之则删除该轨迹。
当轨迹已被标记成高空抛物时,由于轨迹已经确定,则只需判断当前目标与轨迹中前一个目标(如图7所示,即为p2和p3)的关系是否为高空抛物即可,且高空抛物具有向下的加速度,因此每一帧之间y2的距离会变大,所以需要扩大y2的阈值,此时的判断规则如下:
1)由于此时是高空抛物的中间阶段,因此p2、p3的位移会变大,因此设纵向阈值为δy,则需y2<δy;
2)由于高空抛物的横向移动较小,若横向移动太大则有可能是飞鸟等干扰,因此设横向阈值为δx,需要x2<δx,且需要y2>x2。
经过上述规则判断,将符合高空抛物特征的目标标记为高空抛物并加入对应轨迹。
如图8和图9所示,在本发明实施例所述的高空抛物检测方法中,通过判断检测的结果是否符合高空抛物报警条件,若条件符合则报警,反之则不报警,在本发明实施例中,建立了一个固定长度为L的数组队列,队列元素值初始化为0,在当前帧检测到高空抛物时,向该队列的队尾插入1,移除队首元素,在当前帧没有检测到高空抛物时,向该队列的队尾插入0,移除队首元素,可以设高空抛物的报警阈值为T,当1的个数大于T时报警,反之不报警,由于高空抛物下降速度快,目标小,易造成跟踪失败,发生如下2种情况:(1)追踪到一半丢失目标;(2)对于同一下落过程,追踪到一半中断,又重新捕捉到目标继续追踪,显示为2段轨迹,报告2次,针对这种情况,本发明,抛弃通过跟踪算法给出的轨迹编号和坐标去判断是否报警的方式,提高了算法的准确率,降低了误报率。
采用上述技术方案后,本发明与现有技术相比具有以下有益效果。
本发明在目标跟踪阶段即可判断目标是否符合高空抛物特征,可实时过滤掉飞鸟等不符合高空抛物运动规律的干扰因素,不用等待高空抛物过程完成后再判断然后报警,在高空抛物下落过程中就可完成判断并报警,提高了本发明的实时性。
本发明优化高空抛物报警方式,通过判断是否符合高空抛物报警条件,抛弃根据跟踪算法给出的轨迹编号和坐标去判断是否报警的方式,无需海量数据进行模型训练,提高了高空抛物检测的实时性,降低了误报率,提高了准确性。
如图10所示,一种高空抛物检测系统,包括:
获取模块,用于获取目标楼层的视频图像,并对视频图像进行数据的预处理,所述获取目标楼层的视频图像,并对视频图像以均值池化的方式缩小图像进行预处理;
识别模块,用于对预处理后的视频图像通过初始化高斯混合模型进行处理,预测出每一个像素属于当前帧图像或背景图像,并将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图;
过滤模块,用于对当前视频图像中检测到的所有运动物体进行过滤掉面积大小不符合高空抛物特征的物体,并记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
判断模块,用于判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
如图11所示,一种高空抛物检测设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如所述高空抛物检测方法的步骤。其中,处理器用于控制该测量设备的整体操作,以完成上述的高空抛物检测方法中的全部或部分步骤。存储器用于存储各种类型的数据以支持在该测量设备的操作,这些数据例如可以包括用于在该测量设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现。
例如静态随机存取存储器(StaticRandomAccessMemory,简称SRAM);电可擦除可编程只读存储器ElectricallyErasableProgrammableRead-OnlyMemory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammableRead-OnlyMemory,简称EPROM),可编程只读存储器(ProgrammableRead-OnlyMemory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口为处理器和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件用于该测量设备与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearFieldCommunication,简称NFC),2G、3G、4G或5G,或它们中的一种或几种的组合,因此相应的该通信组件可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,测量设备可以被一个或多个应用专用集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC);
数字信号处理器(DigitalSignalProcessor,简称DSP)、数字信号处理设备(DigitalSignalProcessingDevice,简称DSPD);
可编程逻辑器件(ProgrammableLogicDevice,简称PLD)、现场可编程门阵列(FieldProgrammableGateArray,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的高空抛物检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的高空抛物检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由测量设备的处理器执行以完成上述的高空抛物检测方法。
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种高空抛物检测方法可相互对应参照。
第四方面,一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的高空抛物检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专利的技术人员在不脱离本发明技术方案范围内,当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例,上述实施例中的实施方案也可以进一步组合或者替换,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明方案的范围内。
Claims (10)
1.一种高空抛物检测方法,其特征在于,所述方法包括以下步骤:
获取目标楼层的视频图像,并对视频图像进行数据的预处理;
对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体;
对当前视频图像中检测到的所有运动物体进行过滤,以排除不符合高空抛物特征的物体,并获取符合条件的所有运动物体各自在视频图像中位置;
判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
2.根据权利要求1所述的高空抛物检测方法,其特征在于,所述获取目标楼层的视频图像,并对视频图像进行数据的预处理,具体包括:
高空抛物相机采集目标楼层的视频图像;
将采集到的视频图像传输至arm芯片;
将所述视频图像以均值池化的方式缩小图像的尺寸。
3.根据权利要求2所述的高空抛物检测方法,其特征在于,所述对预处理后的视频图像进行运动物体识别,以检测出当前视频图像中正在运动的物体,具体包括以下步骤:
使用视频图像前N帧初始化高斯混合模型进行背景建模;
对后续视频帧图像使用高斯混合模型,预测出每一个像素属于当前帧图像或背景图像;
将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图。
4.根据权利要求3所述的高空抛物检测方法,其特征在于,所述对当前视频图像中检测到的所有运动物体进行过滤,具体包括以下步骤:
计算运动目标的mask图中每个运动物体的面积;
过滤掉面积大小不符合高空抛物特征的物体;
记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高。
5.根据权利要求4所述的高空抛物检测方法,其特征在于,还包括:
确定高空抛物运动经过的至少三个点;
根据所述的点,确定运动的轨迹曲线。
6.根据权利要求5所述的高空抛物检测方法,其特征在于,所述判断当前视频图像符合条件的运动物体是否存在高空抛物,具体包括以下步骤:
获取符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
当首次检测到目标时,使用卡尔曼滤波算法分别初始化每个目标的参数,并新建与目标个数对应的轨迹,若并非首次检测到目标,则使用卡尔曼滤波算法预测每个轨迹下一步的位置;
得到预测的每个轨迹的下一步位置后,使用匈牙利算法将当前帧检测到的所有目标与每个轨迹的预测位置进行匹配;
对于未匹配成功的点,以该点为起点建立一条新的轨迹,对于未匹配的轨迹,则判断该轨迹是否之前已确定是高空抛物,若不是,则直接删除该轨迹,若是高空抛物轨迹,若该轨迹的失配次数达到限制,则删除该轨迹,反之则保留该轨迹;对于已相互匹配的点和轨迹,则进入高空抛物判断阶段。
7.根据权利要求6所述的高空抛物检测方法,其特征在于,所述高空抛物判断阶段,具体包括以下步骤:
当轨迹没有标记为高空抛物时,则将该点加入与之互相匹配的轨迹,若此时轨迹中的点<3个,则继续遍历其他的点和轨迹;若此时轨迹中的点≥3个,则计算当前点与轨迹中其他点之间的关系是否符合高空抛物特征。
8.一种高空抛物检测系统,其特征在于,包括:
获取模块,用于获取目标楼层的视频图像,并对视频图像进行数据的预处理,所述获取目标楼层的视频图像,并对视频图像以均值池化的方式缩小图像进行预处理;
识别模块,用于对预处理后的视频图像通过初始化高斯混合模型进行处理,预测出每一个像素属于当前帧图像或背景图像,并将当前帧图像与背景图像进行对比,得到当前帧图像中潜在的运动目标,并输出运动目标的mask图;
过滤模块,用于对当前视频图像中检测到的所有运动物体进行过滤掉面积大小不符合高空抛物特征的物体,并记录符合高空抛物特征的运动物体在mask图上的中心点坐标、宽和高;
判断模块,用于判断当前视频图像符合条件的运动物体是否存在高空抛物,若存在高空抛物,则判断是否符合高空抛物的报警条件,若符合报警条件,则报警。
9.一种高空抛物检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7中任一项所述的高空抛物检测方法的步骤。
10.一种存储介质,其特征在于,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至7中任一项所述的高空抛物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609539.1A CN115719362A (zh) | 2022-05-31 | 2022-05-31 | 一种高空抛物检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609539.1A CN115719362A (zh) | 2022-05-31 | 2022-05-31 | 一种高空抛物检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115719362A true CN115719362A (zh) | 2023-02-28 |
Family
ID=85253781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210609539.1A Pending CN115719362A (zh) | 2022-05-31 | 2022-05-31 | 一种高空抛物检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719362A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975373A (zh) * | 2024-03-29 | 2024-05-03 | 济南大学 | 一种电力基建现场高空抛物目标检测与追踪方法及系统 |
-
2022
- 2022-05-31 CN CN202210609539.1A patent/CN115719362A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975373A (zh) * | 2024-03-29 | 2024-05-03 | 济南大学 | 一种电力基建现场高空抛物目标检测与追踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021208275A1 (zh) | 一种交通视频背景建模方法及系统 | |
CN108446630B (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
US8374393B2 (en) | Foreground object tracking | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
EP2474163A2 (en) | Foreground object detection in a video surveillance system | |
CN108537829B (zh) | 一种监控视频人员状态识别方法 | |
CN104966304A (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN112800860A (zh) | 一种事件相机和视觉相机协同的高速抛撒物检测方法和系统 | |
CN111340881B (zh) | 一种动态场景下基于语义分割的直接法视觉定位方法 | |
WO2023273010A1 (zh) | 高空抛物检测方法和装置、设备,及计算机存储介质 | |
CN111027370A (zh) | 一种多目标跟踪及行为分析检测方法 | |
CN113362374A (zh) | 一种基于目标跟踪网络的高空抛物检测方法及系统 | |
CN108710879B (zh) | 一种基于网格聚类算法的行人候选区域生成方法 | |
CN113168520A (zh) | 跟踪场景中的对象的方法 | |
Yang et al. | A method of pedestrians counting based on deep learning | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
CN115719362A (zh) | 一种高空抛物检测方法、系统、设备及存储介质 | |
CN112084957B (zh) | 一种移动目标滞留检测方法及系统 | |
CN105118073A (zh) | 基于Xtion摄像机的人体头部目标识别方法 | |
CN113112479A (zh) | 基于关键区块提取的渐进式目标检测方法和装置 | |
CN110349184B (zh) | 基于迭代滤波和观测判别的多行人跟踪方法 | |
CN107067411B (zh) | 一种结合密集特征的Mean-shift跟踪方法 | |
CN108830166B (zh) | 一种公交车客流量实时统计方法 | |
Sujatha et al. | An innovative moving object detection and tracking system by using modified region growing algorithm |
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 |