CN116489317A - 基于摄像装置的物体侦测方法、系统以及存储介质 - Google Patents

Abstract

本发明提供一种基于摄像装置的物体侦测方法、系统以及存储介质，属于摄像装置技术领域，具体包括：根据目标物体的移动速度和移动方向进行备选摄像装置的确定，其中二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；基于备选摄像装置的位置和目标物体的图像面积确定目标物体在备选摄像装置的图像面积，并结合备选摄像装置的清晰度分析结果和监控面积确定备选摄像装置的侦测时长，通过侦测时长获取所述备选摄像装置的图像，当超过侦测时长时结束对所述目标物体的侦测，从而进一步提升了目标物体侦测的效率和实时性。

Description

基于摄像装置的物体侦测方法、系统以及存储介质

技术领域

本发明属于摄像装置技术领域，尤其涉及一种基于摄像装置的物体侦测方法、系统以及存储介质。

背景技术

为了实现对物体的实时侦测，现有技术方案中往往是通过单一的摄像装置实现对物体的侦测，而一旦物体移动出摄像装置的侦测区域后，则无法实现对物体的移动轨迹的准确侦测，需要人工对不同的监控装置进行分析后对物体的移动轨迹进行确定，不仅耗时耗力，而且准确率欠佳，因此如何实现不同的摄像装置的协同控制，实现对物体的侦测成为一个亟待解决的技术问题。

为了实现对不同的摄像装置的协同控制，在发明专利CN111131697B《一种多摄像机智能跟踪拍摄方法、系统、设备及存储介质》中通过根据实际物理空间坐标生成所述各受控摄像机对应的设备参数，并通过设备参数获取目标跟踪拍摄物体，但是却存在以下技术问题：

未考虑结合对物体的运动姿态的解析结果确定待选摄像机的确定，从而实现摄像机的协同控制，对于不同的物体，根据其运动姿态可以大致确定下一步的位置和时间，因此若不能首先进行待选摄像机的确定，则有可能导致对摄像机进行协同控制的所需处理的数据量较大，无法准确的实现对物体的运动轨迹的准确捕捉。

未考虑结合对物体的体积、移动速度等进行对摄像装置进行协同控制的云端平台的解析时间的确定，由于云端平台的存储容量和解析实时性的要求，因此若解析时间过长，则会导致无法实时准确的实现对目标跟踪拍摄物体的准确捕捉。

针对上述技术问题，本发明提供了一种基于摄像装置的物体侦测方法、摄像装置以及存储介质。

发明内容

为实现本发明目的，本发明采用如下技术方案：

根据本发明的一个方面，提供了一种基于摄像装置的物体侦测方法。

一种基于摄像装置的物体侦测方法，其特征在于，具体包括：

S11对目标摄像装置的图像进行实时获取得到实时图像，并通过对所述实时图像的图像特征确定存在目标物体时，将所述摄像装置的实时图像传输至云端解析平台；

S12通过所述云端解析平台采用双边滤波器对所述实时图像进行去噪处理得到去噪图像，并通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，对去噪图像的运动前景进行提取，并基于所述运动前景确定所述目标物体的移动速度、图像面积、移动方向；

S13根据所述目标物体的移动速度和移动方向进行备选摄像装置的确定，所述备选摄像装置根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，其中所述二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；

S14基于所述备选摄像装置的位置和目标物体的图像面积确定所述目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，通过所述侦测时长进行所述备选摄像装置的图像的获取，当超过所述侦测时长时结束对所述目标物体的侦测。

进一步的技术方案在于，所述图像特征包括HOG特征和颜色特征。

进一步的技术方案在于，所述云端解析平台为服务器、云服务器、计算机、嵌入式设备中的一种或者多种。

进一步的技术方案在于，所述运动前景提取算法包括SSIM算法和SSIM-ViBe算法，其中所述SSIM算法为结构相似度算法，所述SSIM-ViBe算法为融合结构相似度算法和ViBe算法融合性算法。

进一步的技术方案在于，根据所述图像复杂度确定运动前景提取算法，具体包括：

当所述图像复杂度大于预设值时，则将所述SSIM-ViBe算法作为运动前景提取算法，若否，则将SSIM算法作为运动前景提取算法。

进一步的技术方案在于，根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，具体包括：

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的与所述目标摄像装置最近的摄像装置作为一级备选摄像装置；

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的除所述一级备选摄像装置外的作为二级备选摄像装置。

第二方面，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于摄像装置的物体侦测方法。

第三方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于摄像装置的物体侦测方法。

本发明的有益效果在于：

通过将所述摄像装置的实时图像传输至云端解析平台，从而实现了从多重角度和多个摄像装置对目标物体的侦测，不仅保证了目标物体的侦测效率，同时也保证了图像分析的全面性和准确性。

通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，从而实现了从纹理、颜色、熵值三个角度对图像的复杂度进行评估，保证了评估的全面性和正确性，同时也避免了图像简单的运动前景提取的难度过大的问题。

通过结合所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行二级备选摄像装置的数量的确定，从而不仅仅考虑到目标物体的侦测难度，同时也考虑到一级备选摄像装置的侦测的可靠性以及平台的解析能力，从而保证了能够更加全面准确的实现对目标物体的侦测。

通过结合目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，从而不仅避免了侦测时长较短时无法准确的实现对物体的侦测的问题，同时也避免了侦测时间过长导致的处理效率和复杂度过高的问题。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显；

图1是一种基于摄像装置的物体侦测方法的流程图；

图2是去噪图像的复杂度确定的具体步骤的流程图；

图3是SSIM-ViBe算法实现的具体步骤的流程图；

图4是二级备选摄像装置的数量确定的具体步骤的流程图；

图5是备选摄像装置的侦测时长确定的具体步骤的流程图；

图6是一种计算机系统的框架图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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他实施例，都应当属于本说明书保护的范围。

为解决上述问题，根据本发明的一个方面，如图1所示，提供了根据本发明的一个方面，提供了一种基于摄像装置的物体侦测方法，其特征在于，具体包括：

S11对目标摄像装置的图像进行实时获取得到实时图像，并通过对所述实时图像的图像特征确定存在目标物体时，将所述摄像装置的实时图像传输至云端解析平台；

可以理解的是，所述图像特征包括HOG特征和颜色特征，也可以为其他的图像特征。

具体的，所述云端解析平台为服务器、云服务器、计算机、嵌入式设备中的一种或者多种。

在本实施例中，通过将所述摄像装置的实时图像传输至云端解析平台，从而实现了从多重角度和多个摄像装置对目标物体的侦测，不仅保证了目标物体的侦测效率，同时也保证了图像分析的全面性和准确性。

S12通过所述云端解析平台采用双边滤波器对所述实时图像进行去噪处理得到去噪图像，并通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，对去噪图像的运动前景进行提取，并基于所述运动前景确定所述目标物体的移动速度、图像面积、移动方向；

需要说明的是，如图2所示，所述去噪图像的复杂度确定的具体步骤为：

S21将所述去噪图像在HSV颜色空间下进行量化处理，基于量化处理完成的去噪图像，采用基于CNN算法的图像复杂度评估模型，得到所述去噪图像的模型图像复杂度，并基于所述模型图像复杂度确定所述去噪图像是否为复杂图像，若是，则进入步骤S22，若否，则确定基于SSIM算法作为运动前景提取算法；

S22将所述去噪图像在HSV颜色空间下进行量化处理，并基于量化处理完成的去噪图像的颜色熵、分布均匀度、色调的三阶矩、饱和度的三阶矩进行所述去噪图像的颜色复杂度的确定，并通过所述颜色复杂度确定所述去噪图像是否为复杂图像，若是，则采用基于SSIM-ViBe算法作为运动前景提取算法，若否，则进入步骤S23；

S23基于所述去噪图像的共生矩阵的对比度、逆差矩、同质性进行所述去噪图像的纹理复杂度的确定，并基于所述纹理复杂性确定所述去噪图像是否为复杂图像，若是，则基于SSIM-ViBe算法作为运动前景提取算法，若否，则进入步骤S24；

S24通过所述去噪图像的颜色复杂度、纹理负载度、方向梯度分布熵，并结合所述去噪图像的模型图像复杂度进行所述图像复杂度的确定。

需要说明的是，所述运动前景提取算法包括SSIM算法和SSIM-ViBe算法，其中所述SSIM算法为结构相似度算法，所述SSIM-ViBe算法为融合结构相似度算法和ViBe算法融合性算法。

可以理解的是，根据所述图像复杂度确定运动前景提取算法，具体包括：

当所述图像复杂度大于预设值时，则将所述SSIM-ViBe算法作为运动前景提取算法，若否，则将SSIM算法作为运动前景提取算法。

具体的举例说明，如图3所示，所述SSIM-ViBe算法实现的具体步骤为：

S31通过所述目标摄像装置的不同帧的去噪图像，通过所述ViBe算法进行所述去噪图像的运动前景的提取，得到所述去噪图像的运动前景的像素点；

S32通过SSIM算法，确定当前帧的去噪图像的运动前景的像素点确定在所述像素点的邻域的色调的三阶矩、饱和度的三阶矩、强度的三阶矩、 Hu矩，与所述当前帧的前一帧的去噪图像的运动前景的像素点确定在所述像素点的邻域的色调的三阶矩、饱和度的三阶矩、强度的三阶矩、 Hu矩的差值，得到所述当前帧的去噪图像的运动前景的像素点的色调偏差、饱和度偏差、强度偏差、 Hu矩偏差；

S33通过所述当前帧的去噪图像的运动前景的像素点的色调偏差、饱和度偏差、强度偏差、 Hu矩偏差确定所述当前帧的去噪图像的运动前景的像素点的相似度，并基于所述相似度对所述去噪图像的运动前景的像素点进行筛选得到筛选后的运动前景的像素点，并通过所述筛选后的运动前景的像素点进行运动前景的提取。

在本实施例中，通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，从而实现了从纹理、颜色、熵值三个角度对图像的复杂度进行评估，保证了评估的全面性和正确性，同时也避免了图像简单的运动前景提取的难度过大的问题。

S13根据所述目标物体的移动速度和移动方向进行备选摄像装置的确定，所述备选摄像装置根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，其中所述二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；

具体的，根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，具体包括：

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的与所述目标摄像装置最近的摄像装置作为一级备选摄像装置；

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的除所述一级备选摄像装置外的作为二级备选摄像装置。

具体的举例说明，如图4所示，所述二级备选摄像装置的数量确定的具体步骤为：

S41通过所述云端解析平台的运行状态数据进行所述云端解析平台的解析能力的确认，并基于所述解析能力确定所述二级备选摄像装置的数量的最大值；

S42通过所述目标物体在所述目标摄像装置中的图像面积确定所述目标物体在所述目标摄像装置中的图像面积的最大值、图像面积的平均值和最小值、图像面积在所述目标摄像装置的实时图像的比例的平均值进行所述目标物体的面积评估值的确定，并基于所述面积评估值确定所述目标物体是否容易被侦测，若是，则进入步骤S43，若否，则将所述二级备选摄像装置的数量设置为最大值；

S43通过所述目标物体的移动速度和所述面积评估值确定所述目标物体是否容易被侦测，若是，则进入步骤S44，若否，则将所述二级备选摄像装置的数量设置为最大值；

S44通过所述一级备选摄像装置的监控面积确定所述目标物体是否容易被侦测，若是，则进入步骤S45，若否，则将所述二级备选摄像装置的数量设置为最大值；

S45通过所述面积评估值、目标物体的移动速度、一级备选摄像装置的监控面积进行所述二级备选摄像装置的推荐数量的确定，并结合所述二级备选摄像装置的数量的最大值进行所述二级备选摄像装置的数量的确定。

需要进一步说明的是，通过所述目标物体的移动速度和所述面积评估值确定所述目标物体是否容易被侦测，具体包括：

判断所述目标物体的移动速度是否大于预设速度，若是，则确定所述目标物体不容易被侦测，若否，则进入下一步骤；

判断所述目标物体的移动速度是否小于第二预设速度，若是，则确定所述目标物体容易被侦测，若否，则进入下一步骤；

通过所述目标物体的移动速度以及面积评估值进行所述目标物体的侦测难度的确定，并基于所述侦测难度确定所述目标物体是否容易被侦测。

在本实施例中，通过结合所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行二级备选摄像装置的数量的确定，从而不仅仅考虑到目标物体的侦测难度，同时也考虑到一级备选摄像装置的侦测的可靠性以及平台的解析能力，从而保证了能够更加全面准确的实现对目标物体的侦测。

S14基于所述备选摄像装置的位置和目标物体的图像面积确定所述目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，通过所述侦测时长进行所述备选摄像装置的图像的获取，当超过所述侦测时长时结束对所述目标物体的侦测。

具体的举例说明，如图5所示，所述备选摄像装置的侦测时长确定的具体步骤为：

S51通过所述备选摄像装置的光线强度的侦测结果确定所述备选摄像装置的清晰度分析结果，并基于所述备选摄像装置的清洗度分析结果确定是否需要对基础侦测时长进行调整，若是，则进入步骤S54，若否，则进入步骤S52；

S52通过所述备选摄像装置的监控面积确定是否需要对基础侦测时长进行调整，若是，则进入步骤S54，若否，则进入步骤S53；

S53通过所述目标物体在所述备选摄像装置的图像面积确定所述目标物体在所述备选摄像装置的侦测时间内的图像面积的平均值、图像面积超过预设面积的时长以及图像面积的最大值，并基于所述目标物体在所述备选摄像装置的侦测时间内的图像面积的平均值、图像面积超过预设面积的时长以及图像面积的最大值进行所述备选摄像装置的图像面积评估值的确定，并基于所述图像面积评估值确定基础侦测时长是否满足要求，若是，则将所述基础侦测时长作为所述备选摄像装置的侦测时长，若否，则进入步骤S52；

S54通过所述备选摄像装置的图像面积评估值、清晰度分析结果、监控面积对所述基础侦测时长进行修正，得到所述备选摄像装置的侦测时长。

需要说明的是，该侦测时长为目标物体可能进入到备选摄像装置的时刻到备选摄像装置截止进行目标物体的图像的解析的时长。

具体的举例说明，目标物体可能进入到备选摄像装置的时刻，可以根据目标物体的移动方向、移动速度进行确定。

在本实施例中，通过结合目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，从而不仅避免了侦测时长较短时无法准确的实现对物体的侦测的问题，同时也避免了侦测时间过长导致的处理效率和复杂度过高的问题。

另一方面，如图6所示，本发明提供了一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行上述的一种基于摄像装置的物体侦测方法。

上述的一种基于摄像装置的物体侦测方法，具体包括：

对目标摄像装置的图像进行实时获取得到实时图像，并通过对所述实时图像的图像特征确定存在目标物体时，将所述摄像装置的实时图像传输至云端解析平台；

通过所述云端解析平台采用双边滤波器对所述实时图像进行去噪处理得到去噪图像，并通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，对去噪图像的运动前景进行提取，并基于所述运动前景确定所述目标物体的移动速度、图像面积、移动方向；

根据所述目标物体的移动速度和移动方向进行备选摄像装置的确定，所述备选摄像装置根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置；其中所述二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；

通过所述云端解析平台的运行状态数据进行所述云端解析平台的解析能力的确认，并基于所述解析能力确定所述二级备选摄像装置的数量的最大值；

通过所述目标物体在所述目标摄像装置中的图像面积确定所述目标物体在所述目标摄像装置中的图像面积的最大值、图像面积的平均值和最小值、图像面积在所述目标摄像装置的实时图像的比例的平均值进行所述目标物体的面积评估值的确定，并基于所述面积评估值确定所述目标物体不容易被侦测，则将所述二级备选摄像装置的数量设置为最大值；

基于所述备选摄像装置的位置和目标物体的图像面积确定所述目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，通过所述侦测时长获取所述备选摄像装置的图像，当超过所述侦测时长时结束对所述目标物体的侦测。

另一方面，本发明提供了一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的一种基于摄像装置的物体侦测方法。

上述的一种基于摄像装置的物体侦测方法，具体包括：

对目标摄像装置的图像进行实时获取得到实时图像，并通过对所述实时图像的图像特征确定存在目标物体时，将所述摄像装置的实时图像传输至云端解析平台；

通过所述云端解析平台采用双边滤波器对所述实时图像进行去噪处理得到去噪图像，并通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，对去噪图像的运动前景进行提取，并基于所述运动前景确定所述目标物体的移动速度、图像面积、移动方向；

根据所述目标物体的移动速度和移动方向进行备选摄像装置的确定，所述备选摄像装置根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置；其中所述二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；

通过所述云端解析平台的运行状态数据进行所述云端解析平台的解析能力的确认，并基于所述解析能力确定所述二级备选摄像装置的数量的最大值；

通过所述目标物体在所述目标摄像装置中的图像面积确定所述目标物体在所述目标摄像装置中的图像面积的最大值、图像面积的平均值和最小值、图像面积在所述目标摄像装置的实时图像的比例的平均值进行所述目标物体的面积评估值的确定，并基于所述面积评估值确定所述目标物体不容易被侦测，则将所述二级备选摄像装置的数量设置为最大值；

基于所述备选摄像装置的位置和目标物体的图像面积确定所述目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，通过所述侦测时长获取所述备选摄像装置的图像，当超过所述侦测时长时结束对所述目标物体的侦测。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种基于摄像装置的物体侦测方法，其特征在于，具体包括：

对目标摄像装置的图像进行实时获取得到实时图像，并通过对所述实时图像的图像特征确定存在目标物体时，将所述摄像装置的实时图像传输至云端解析平台；

通过所述云端解析平台采用双边滤波器对所述实时图像进行去噪处理得到去噪图像，并通过所述去噪图像的颜色复杂度、纹理复杂度、方向梯度分布熵确定所述去噪图像的图像复杂度，并根据所述图像复杂度确定运动前景提取算法，对去噪图像的运动前景进行提取，并基于所述运动前景确定所述目标物体的移动速度、图像面积、移动方向；

根据所述目标物体的移动速度和移动方向进行备选摄像装置的确定，所述备选摄像装置根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，其中所述二级备选摄像装置的数量根据所述云端解析平台的解析能力、目标物体的图像面积、目标物体的移动速度、一级备选摄像装置的监控面积进行确定；

基于所述备选摄像装置的位置和目标物体的图像面积确定所述目标物体在所述备选摄像装置的图像面积，并结合所述备选摄像装置的清晰度分析结果和监控面积确定所述备选摄像装置的侦测时长，通过所述侦测时长获取所述备选摄像装置的图像，当超过所述侦测时长时结束对所述目标物体的侦测。

2.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，所述图像特征包括HOG特征和颜色特征。

3.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，所述云端解析平台为服务器、云服务器、计算机、嵌入式设备中的一种或者多种。

4.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，所述去噪图像的复杂度确定的具体步骤为：

将所述去噪图像在HSV颜色空间下进行量化处理，基于量化处理完成的去噪图像，采用基于CNN算法的图像复杂度评估模型，得到所述去噪图像的模型图像复杂度，并基于所述模型图像复杂度确定所述去噪图像是否为复杂图像，若是，则进入下一步骤，若否，则确定基于SSIM算法作为运动前景提取算法；

将所述去噪图像在HSV颜色空间下进行量化处理，并基于量化处理完成的去噪图像的颜色熵、分布均匀度、色调的三阶矩、饱和度的三阶矩进行所述去噪图像的颜色复杂度的确定，并通过所述颜色复杂度确定所述去噪图像是否为复杂图像，若是，则采用基于SSIM-ViBe算法作为运动前景提取算法，若否，则进入下一步骤；

基于所述去噪图像的共生矩阵的对比度、逆差矩、同质性进行所述去噪图像的纹理复杂度的确定，并基于所述纹理复杂性确定所述去噪图像是否为复杂图像，若是，则基于SSIM-ViBe算法作为运动前景提取算法，若否，则进入下一步骤；

通过所述去噪图像的颜色复杂度、纹理负载度、方向梯度分布熵，并结合所述去噪图像的模型图像复杂度进行所述图像复杂度的确定。

5.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，所述运动前景提取算法包括SSIM算法和SSIM-ViBe算法，其中所述SSIM算法为结构相似度算法，所述SSIM-ViBe算法为融合结构相似度算法和ViBe算法融合性算法。

6.如权利要求5所述的一种基于摄像装置的物体侦测方法，其特征在于，根据所述图像复杂度确定运动前景提取算法，具体包括：

当所述图像复杂度大于预设值时，则将所述SSIM-ViBe算法作为运动前景提取算法，若否，则将SSIM算法作为运动前景提取算法。

7.如权利要求6所述的一种基于摄像装置的物体侦测方法，其特征在于，所述SSIM-ViBe算法实现的具体步骤为：

通过所述目标摄像装置的不同帧的去噪图像，通过所述ViBe算法进行所述去噪图像的运动前景的提取，得到所述去噪图像的运动前景的像素点；

通过SSIM算法，确定当前帧的去噪图像的运动前景的像素点确定在所述像素点的邻域的色调的三阶矩、饱和度的三阶矩、强度的三阶矩、 Hu矩，与所述当前帧的前一帧的去噪图像的运动前景的像素点确定在所述像素点的邻域的色调的三阶矩、饱和度的三阶矩、强度的三阶矩、 Hu矩的差值，得到所述当前帧的去噪图像的运动前景的像素点的色调偏差、饱和度偏差、强度偏差、 Hu矩偏差；

通过所述当前帧的去噪图像的运动前景的像素点的色调偏差、饱和度偏差、强度偏差、Hu矩偏差确定所述当前帧的去噪图像的运动前景的像素点的相似度，并基于所述相似度对所述去噪图像的运动前景的像素点进行筛选得到筛选后的运动前景的像素点，并通过所述筛选后的运动前景的像素点进行运动前景的提取。

8.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，根据所述目标物体的移动方向划分为一级备选摄像装置和二级备选摄像装置，具体包括：

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的与所述目标摄像装置最近的摄像装置作为一级备选摄像装置；

基于所述目标物体的移动方向，将在所述目标物体的移动方向上的除所述一级备选摄像装置外的作为二级备选摄像装置。

9.如权利要求1所述的一种基于摄像装置的物体侦测方法，其特征在于，所述二级备选摄像装置的数量确定的具体步骤为：

通过所述云端解析平台的运行状态数据进行所述云端解析平台的解析能力的确认，并基于所述解析能力确定所述二级备选摄像装置的数量的最大值；

通过所述目标物体在所述目标摄像装置中的图像面积确定所述目标物体在所述目标摄像装置中的图像面积的最大值、图像面积的平均值和最小值、图像面积在所述目标摄像装置的实时图像的比例的平均值进行所述目标物体的面积评估值的确定，并基于所述面积评估值确定所述目标物体是否容易被侦测，若是，则进入下一步骤，若否，则将所述二级备选摄像装置的数量设置为最大值；

通过所述目标物体的移动速度和所述面积评估值确定所述目标物体是否容易被侦测，若是，则进入下一步骤，若否，则将所述二级备选摄像装置的数量设置为最大值；

通过所述一级备选摄像装置的监控面积确定所述目标物体是否容易被侦测，若是，则进入下一步骤，若否，则将所述二级备选摄像装置的数量设置为最大值；

通过所述面积评估值、目标物体的移动速度、一级备选摄像装置的监控面积进行所述二级备选摄像装置的推荐数量的确定，并结合所述二级备选摄像装置的数量的最大值进行所述二级备选摄像装置的数量的确定。

10.一种计算机系统，包括：通信连接的存储器和处理器，以及存储在所述存储器上并能够在所述处理器上运行的计算机程序，其特征在于：所述处理器运行所述计算机程序时执行权利要求1-9任一项所述的一种基于摄像装置的物体侦测方法。

11.一种计算机存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-9任一项所述的一种基于摄像装置的物体侦测方法。