CN116527850A - 一种基于视频监控防溺水自适应检测方法 - Google Patents
一种基于视频监控防溺水自适应检测方法 Download PDFInfo
- Publication number
- CN116527850A CN116527850A CN202310562887.2A CN202310562887A CN116527850A CN 116527850 A CN116527850 A CN 116527850A CN 202310562887 A CN202310562887 A CN 202310562887A CN 116527850 A CN116527850 A CN 116527850A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- value
- background
- alarm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 206010013647 Drowning Diseases 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 36
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000000877 morphologic effect Effects 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 6
- 238000012946 outsourcing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 239000003643 water by type Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009182 swimming Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 241000272525 Anas platyrhynchos Species 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000007667 floating Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 241000272517 Anseriformes Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241001520913 Phyllostachys edulis Species 0.000 description 1
- 235000003570 Phyllostachys pubescens Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于视频监控防溺水自适应检测方法,该自适应检测过程包括:通过安装在危险水域摄像机采集周边区域实时视频数据;根据监测区域配置一条和多条进入警戒线,并配置检测参数;采用改进的混合高斯背景模型,对实时视频每个像素创建背景模型;实时提取运动目标像素,并对提取的目标进行噪声去除和数学形态学运算形成联通区域;进行目标分割,根据配置的检测规则过滤目标并对运动目标进行跟踪;根据触发告警策略进行判断是否触发一次进入水域告警。本申请能有效自适应环境变化实时检测进入危险水域事件,进行早期预警;极大地的降低了检测算法算力消耗和样本量;算法具有较高鲁棒性,解决了灯光、飞鸟虫子、刮风下雨天气的干扰;过滤处理云彩自然飘动、水面波动、物体晃动、过往船只和鸭子等游动。
Description
技术领域
本发明属于计算机视觉领域,具体涉及背景模型训练、运动目标提取和跨线侦测,特别涉及基于视频监控防溺水自适应检测方法。
背景技术
随着每年一度的夏天的到来,防溺水工作进入关键时期。在春夏之交强降雨后,河水、山塘水位暴涨,对于喜欢野外游泳、玩水的儿童和青少年来说,这个时期成为溺水高发期。为此,把防溺水工作作为重点来抓,通过多措并举织密防溺水安全网,切实落实防溺水工作,并通过全面摸排,确定一批存在较大风险隐患的危险水域,做好了防溺水“四个一”工程建设,通过设立一个警示牌、摆放一个救生圈、一根安全绳、一对毛竹竿,有效完善了应急处置工具,做到及时发现、及时劝阻、有效警示、有效救助。但目前的主要手段还是安全教育、警示或发生后的应急方案,缺乏进入危险水域事件实时监测、信息化管理,对溺水事件早发现、早处理、针对性警示教育。
目前预防溺水主要是通过安全警示牌或广播喇叭循环播放防溺水语音消息;暑期安排安全网格员或专人对危险水域进行人工巡检等措施,需要耗费大量的人力、物力,但效率不高,存在时间空档期,没有提前预警和信息化管理,而且存在效率低、质量不高、整治效果极易反复的问题。还有一种是通过AI智能人脸识别技术识别检测区域里的人脸或车辆目标识别,以此判断是否存在目标出现在危险水域,然而,此种识别方式的误判率和漏检测率较高,而且存在不通用的问题,只能适用于小监控范围,而且对视频采集设备的安装高度和角度有着较高要求,具有一定的使用局限性,还会将在水域边逗留观光或其他非游泳而经过水域的人员产生大量虚告警。特别在古浮桥等景观建筑旁边,存在大量的观光、旅游人员,采用人脸、人体目标检测会产生大量虚告警,而且当游泳者佩戴遮阳帽、泳镜或低头非正脸的情况下,还会发生漏检测。因此,针对现有技术的不足,提供一种通用性高、检测精度高的自适应检测进入危险水域方法是很有必要的。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于视频监控进入危险水域识别方法,该方法旨在解决现今防溺水检测存在对应用场景要求较高,普适性差、工作量大,并容易产生逻辑漏洞,且优化和项目维护工作复杂,同时检测效果上限较低,在其基础上难有较大提升的技术问题;解决灯光、飞鸟虫子、刮风下雨天气的干扰;过滤处理云彩自然飘动、悬挂物晃动、树枝晃动,过往船只和鸭子等动物进入。该检测方法能极快地实现进入危险水域行为检测,而且对应用场景要求较低,在不同需求下的普适性极高,可应对不同的需求,进入山塘、浮桥旁边、湖边、江边游泳的行为,或投河自尽的极端行为,降低工作量的同时,极大地提高了检测效果的上限。
为了解决上述技术问题,本发明提供了这样一种基于视频监控防溺水自适应检测方法,包括以下步骤:
(1)获取待检测场景下的摄像头对应的视频流,截取一视频帧图像,在该视频帧图像上通过画一条或多条警戒线,重点检测区域设置完后对该视频流之后截取的视频帧均有效;
(2)取一视频段中所有帧的某位置上的像素值,求其平均来作为比较的标准值,将视频段中此位置像素值最接近该标准值的帧作为该视频段的关键帧;
(3)混合高斯背景建模,根据建立的模型判断关键帧各像素值属于背景还是前景;
(4)对于步骤(1)获取的实时视频帧图像与步骤(3)训练得到的背景图像进行比较,提取实时帧图像中的运动前景目标像素,并对提取的目标进行噪声去除和数学形态学运算形成联通区域;
(5)进行目标分割,分析连通域的边缘轮廓,并计算各个轮廓的面积、占空比、矩形度和轮廓的形心;根据配置的目标尺寸规则过滤目标并对运动目标进行跟踪;将运动目标存放在候选目标队列中;
(6)根据步骤(5)的候选目标队列,遍历整个目标队列,假如目标的追踪轨迹点超过设置的长度阈值Lmin,该值表征运动目标在配置检测区域持续时间;根据目标轨迹线与配置警戒线的几何关系及与配置运动方向匹配度,根据目标轮廓与警戒线的重合度和方向匹配度,计算进入危险水域事件的置信度;长度阈值Lmin表示同一运动目标轨迹队列的长度,也是运动目标的在区域内运动时长;根据不同的应用场景采用不同的判断策略:
(6-1)若应用在进入山塘、水库、河边、湖边、浮桥危险水域,目标对象跨越过警戒线,目标轮廓形心跨越到警戒线的另一侧,轨迹点的相对位置发生变化;根据警戒线与当前帧图像的相对位置,划分为:左侧、右侧,上侧、下侧,根据目标运动方向向量与警戒线角度进行计算;在该邻域,跨线告警或拌线告警适用(6-1)判断策略;
(6-2)若应用在投河异常行为检测,在桥梁、栏杆配置合适的警戒线,异常行为一般突发,目标物快速移动;与(6-1)不同,目标对象触碰到警戒线,计算目标区域与警戒线的重合度达到设定值A触发一次告警;相对比(6-1)策略,更容易触发,适合于桥梁、围栏等危险区域,一般情况行人不经过或触碰到的区域;
(7)根据步骤(6)告警策略触发一次告警,并将告警消息上传到中心服务器,在安装摄像机的广播喇叭播放警示通知消息,比如“你已经进入防溺水危险水域,请尽快离开”;
(8)步骤(7)触发一次告警事件后,根据告警间隔配置参数,避免同一事件重复告警;经过间隔时间后,初始化背景模型,进入下一次检测。
进一步地,在步骤(3)中,对于随机变量X的观测数据集{x1,x2,...,xN},xt为t时刻像素的样本,t=1,2,…,N,N为采样点数,则单个采样点样本xt服从的混合高斯分布概率密度函数p(xt):
其中,k为分布模型总数,η(xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为均值,τi,t为协方差矩阵,δi,t为方差,I为三维单位矩阵,ωi,t为t时刻第i个高斯分布的权重,上标T为矩阵转置。
进一步地,在步骤(3)中,判断像素值属于背景还是前景的方法如下:
(3-1)每个新像素值Xt同当前k个分布模型按下式进行比较,直到找到匹配新像素值分布模型:
|Xt-μi,t-1|≤2.5σi,t-1
其中,μi,t-1表示t-1时刻的均值,σi,t-1表示t-1时刻的标准差;
(3-2)如果所匹配的模型符合背景要求,则该像素属于背景,否则属于前景;
(3-3)各模型权值按下式更新,然后各模型的权重进行归一化:
ωi,t=(1-α)*ωi,t-1+α*Mi,t
其中,α是学习速率,对于匹配的模型,Mi,t=1,否则Mi,t=0;
(3-4)未匹配模型的均值与标准差不变,匹配模型的参数按下式更新:
μi,t=(1-ρ)*μi,t-1+ρ*Xt
ρ=α*η(Xt|μt,σt)
其中,η(Xt|μt,σt)表示像素值Xt在t时刻满足匹配的第i个高斯分布模型,μt和σt为总体的均值和标准差,上标T表示转置,ρ表示背景模型更新率,表征当前值对背景的贡献,值在0到1之间;
(3-5)如果步骤(3-1)中没有任何模式匹配,则权重最小的模型被替换,即该模型的均值为当前像素值,标准差为其它高斯分量的最大值,权重为其它高斯分量的权重最小值;
(3-6)各模型根据自身权重与α2的比值降序排序;采用学习率的平方比值可放大模型间的权重差异,而权重是基于学习率α迭代计算,假如采用500帧视频图像进行背景训练(即20秒视频),α=0.002,提升数据计算的精度;
(3-7)选前B个模型作为背景,B满足下式:
其中,T0是预先设定的阈值,代表背景成分占整个高斯过程的比例,0≤T0≤1;重新检测每一个像素Xt与得到的B个模型是否匹配,如果匹配则为背景,否则为前景;可选地,T0=0.9;
(3-8)根据自然光照环境变化动态调整背景更新率α值,分为:初始化模型、出现突变或大比例运动目标、出现疑似运动目标和自动学习率。
与现有技术相比,本发明的有益效果在于:
本发明基于视频监控对进入危险水域实时检测预警,第一时间检测到进入危险水域,通过在进入路径配置警戒线、进入方向和其他检测参数,自适应不同的检测环境,随着环境光线、背景变化自动更新背景;解决了夏天强光环境检测,目标人撑伞、遮阳帽或遮挡人脸情况的检测,解决了人脸抓拍摄像机由于安装高度、角度、人脸遮挡、低头侧脸而漏检测的缺陷,避免周期性的树枝晃动、水面波动、环境光线变化、灯光扫过、鸟虫飞过、鸭子经过或过往船只等的干扰,自适应检测环境的变化,不需要大量样本完成机器学习,采用少量的正负样本训练生成检测参数。
本发明的识别方法能极快地实现检测目标人进入危险水域,而且对应用场景要求较低,在不同需求下的普适性极高,可应对不同的需求,并且又避免了目标人遮挡、低头带来的漏检测问题,降低工作量的同时,极大地提高了检测效果的上限。
附图说明
为了更清楚的说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术中描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一种实施方式,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的附图。
图1为本发明进入危险水域识别方法实施例中进入警戒线规则配置图;
图2为本发明进入危险水域识别方法实施例中运动目标轨迹跟踪轨迹图;
图3为本发明实施例检测过程流程图;
图4为本发明实施例目标点轨迹追踪区域掩码图像;
图5为本发明实施例有效检测区域掩码图像;
图6为本发明实施例系统结构模块图;
图7为本发明进入危险水域识别方法实施例中浮桥警戒线规则配置图;
图8为本发明实施例进入危险水域告警示意图;
图9为本发明实施例水域旁边经过不告警示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明具体实施方式中的技术方案进行清楚、完整的描述,以进一步阐述本发明,显然,所描述的具体实施方式仅仅是本发明的一部分实施方式,而不是全部的样式。
实施例1:
本实施例公开了一种基于视频监控防溺水自适应检测方法,其检测过程如图3所示,其系统组成模块如图6所示,步骤如下:
(1)获取待检测场景下的摄像头对应的视频流,截取一帧视频图像,在该视频帧图像上通过画一条或多条警戒线,重点检测区域设置完后对该视频流之后截取的视频帧均有效;
(1-1)在配置警戒线时,生成以警戒线为中心线的外包矩形框Rect0,同时生成外包矩形框的外接矩形框ROI,ROI矩形框为检测有效区域,包括后续背景训练和运动目标提取,Rect0为目标对象形心有效区域,具体详见图1、图2、图4和图5;
(1-2)警戒线配置在接近水面的直线,过往船只或在警戒线旁边经过不会触发虚告警。
(2)取一视频段中所有帧的某位置上的像素值,求其平均来作为比较的标准值,将视频段中此位置像素值最接近该标准值的帧作为该视频段的关键帧。
(3)混合高斯背景建模,根据建立的模型判断关键帧各像素值属于背景还是前景;
在本实施例中,步骤(3)采用如下优选方案实现:
在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的,对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律,高斯分布模型分为单模态(单峰)高斯分布模型和多模态(多峰)高斯分布模型,对于多峰高斯分布模型,图像的每一个像素点按不同权值的多个高斯分布的叠加来建模,每种高斯分布对应一个可能产生像素点所呈现颜色的状态,各个高斯分布的权值和分布参数随时间更新,当处理彩色图像时,假定图像像素点R、G、B三色通道相互独立并具有相同的方差;
对于随机变量X的观测数据集{x1,x2,…,xN},xt为t时刻像素的样本,t=1,2,…,N,N为采样点数,则单个采样点样本xt服从的混合高斯分布概率密度函数p(xt):
其中,k为分布模型总数,η(xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为均值,τi,t为协方差矩阵,δi,t为方差,I为三维单位矩阵,ωi,t为t时刻第i个高斯分布的权重,上标T为矩阵转置;
判断像素值属于背景还是前景的方法如下:
(3-1)每个新像素值Xt同当前k个分布模型按下式进行比较,直到找到匹配新像素值分布模型:
|Xt-μi,t-1|≤2.5σi,t-1
其中,μi,t-1表示t-1时刻的均值,σi,t-1表示t-1时刻的标准差;
(3-2)如果所匹配的模型符合背景要求,则该像素属于背景,否则属于前景;
(3-3)各模型权值按下式更新,然后各模型的权重进行归一化:
ωi,t=(1-α)*ωi,t-1+α*Mi,t
其中,α是学习速率,对于匹配的模型,Mi,t=1,否则Mi,t=0;
(3-4)未匹配模型的均值与标准差不变,匹配模型的参数按下式更新:
μi,t=(1-ρ)*μi,t-1+ρ*Xt
ρ=α*η(Xt|μt,σt)
其中,η(Xt|μt,σt)表示像素值Xt在t时刻满足匹配的第i个高斯分布模型,μt和σt为总体的均值和标准差,上标T表示转置,ρ表示背景模型更新率,表征当前值对背景的贡献,值在0到1之间;
(3-5)如果步骤(3-1)中没有任何模式匹配,则权重最小的模型被替换,即该模型的均值为当前像素值,标准差为其它高斯分量的最大值,权重为其它高斯分量的权重最小值;
(3-6)各模型根据自身权重与α2的比值降序排序;
(3-7)选前B个模型作为背景,B满足下式:
其中,T0是预先设定的阈值,代表背景成分占整个高斯过程的比例,0≤T0≤1,重新检测每一个像素Xt与得到的B个模型是否匹配,如果匹配则为背景,否则为前景;本实施例中,T0=0.9,由于基于像素级的计算,不同背景采用不同的模型个数,假如背景变换缓慢且没有运动目标出现,再实时匹配更新次数多,对应模型ω值大,模型个数少;相反背景变化快或出现运动目标频率高,会生成多个临时背景;通过实验取0.9既能使模型数量尽量少、减少每次计算量,同时又能自动适应复杂环境变化;
(3-8)根据自然光照环境变化动态调整背景更新率α值,分为:初始化模型、出现突变或大比例运动目标、出现疑似运动目标和自动学习率。
(4)对于步骤(1)获取的实时视频帧图像与步骤(3)训练得到的背景图像进行比较,提取实时帧图像中的运动前景目标像素,并对提取的目标进行噪声去除和数学形态学运算形成联通区域。
(5)进行目标分割,分析连通域的边缘轮廓,并计算各个轮廓的面积、占空比、矩形度和轮廓的形心;根据配置的目标尺寸规则过滤目标并对运动目标进行跟踪;将运动目标存放在候选目标队列中。
(6)根据步骤(5)的候选目标队列,遍历整个目标队列,假如目标的追踪轨迹点超过设置的长度阈值Lmin,该值表征运动目标在配置检测区域持续时间;根据目标轨迹线与配置警戒线的几何关系及与配置运动方向匹配度,根据目标轮廓与警戒线的重合度和方向匹配度,计算进入危险水域事件的置信度;根据不同的应用场景不同的判断策略;
(6-1)若应用在进入山塘、水库、河边、湖边、浮桥危险水域,目标对象跨越过警戒线,目标轮廓形心跨越到警戒线的另一侧,轨迹点的相对位置发生变化;根据警戒线与当前帧图像的相对位置,划分为:左侧、右侧,上侧、下侧,根据目标运动方向向量与警戒线角度进行计算;在该邻域,跨线告警或拌线告警适用(6-1)判断策略;
(6-2)若应用在投河异常行为检测,在桥梁、栏杆配置合适的警戒线,异常行为一般突发,目标物快速移动;与(6-1)不同,目标对象触碰到警戒线,计算目标区域与警戒线的重合度达到设定值A触发一次告警;相对比(6-1)策略,更容易触发,适合于桥梁、围栏等危险区域,一般情况行人不经过或触碰到的区域。
(7)根据步骤(6)告警策略触发一次告警,并将告警消息上传到中心服务器,在安装在摄像机旁边的广播喇叭播放警示通知消息,比如“你已经进入防溺水危险水域,请尽快离开”。
(8)步骤(7)触发一次告警事件后,根据告警间隔配置参数,避免同一事件重复告警;经过间隔时间后,初始化背景模型,进入下一次检测。
为进一步描述如上检测方法,下面结合浮桥实例进行阐述:
本实施例方法可对进入危险水域游泳与在旁边经过或停留进行分辨,通过运动目标轨迹线和运动方向与警戒线的几何关系作为决策策略,识别运动目标的意图;当运动目标轨迹队列长度达到设置长度阈值Lmin时,计算运动方向向量与警戒线的角度,当角度值在195°~345°,且运动目标点相对位置从一侧进入相对的另一侧,根据警戒线的与图像X轴夹角,分为2类,第一类左右;第二类上下。如图7目标行人通过浮桥,其运动轨迹方向不符合触发告警的条件,如图9所示,其运动目标轨迹点一直处于警戒线同一侧,当目标行人进入危险水域时,如图8所示,其运动轨迹点从水域旁跨过警戒线进入危险水域区域,此时触发告警。本申请的方法在具体实施的细节和方式上可能有所不同;采用该判断策略的技术方案都在本申请保护范围。
以上描述了本发明的主要技术特征和基本原理及相关优点,对于本领域技术人员而言,显然本发明不限于上述示范性具体实施方式的细节,而且在不背离本发明的构思或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将上述具体实施方式看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照各实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施方式中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于视频监控防溺水自适应检测方法,其特征在于,包括以下步骤:
(1)获取待检测场景下的摄像头对应的视频流,截取一张视频帧图像,在该视频帧图像上通过画一个或多个红色警戒线,并以警戒线外接矩形框为重点检测区域,并配置好在当前监控画面下目标最大、最小万分比例;
(2)取一视频段中所有帧的某位置上的像素值,求其平均来作为比较的标准值,将视频段中此位置像素值最接近该标准值的帧作为该视频段的关键帧;
(3)混合高斯背景建模,根据建立的模型判断关键帧各像素值属于背景还是运动前景;
(4)对于步骤(1)获取的实时视频帧图像与步骤(3)训练得到的背景图像进行比较,提取实时帧图像中的运动前景目标像素,并对提取的目标进行噪声去除和数学形态学运算形成联通区域;
(5)进行目标分割,分析连通域的边缘轮廓,并计算各个轮廓的面积、占空比、矩形度和轮廓的形心;根据配置的目标尺寸规则过滤目标并对运动目标进行跟踪;将运动目标存放在候选目标队列中;
(6)根据步骤(5)的候选目标队列,遍历整个目标队列,假如目标的追踪轨迹点超过设置的长度阈值Lmin,该值表征运动目标在配置检测区域持续时间;根据目标轨迹线与配置警戒线的几何关系及与配置运动方向匹配度,根据目标轮廓与警戒线的重合度和方向匹配度,计算进入危险水域事件的置信度;长度阈值Lmin为同一运动目标轨迹队列的长度,也是运动目标的在区域内运动时长;根据不同的应用场景采用不同的判断策略:
(6-1)若应用在进入山塘、水库、河边、湖边、浮桥危险水域,目标对象跨越过警戒线,目标轮廓形心跨越到警戒线的另一侧,轨迹点的相对位置发生变化;根据警戒线与当前帧图像的相对位置,划分为:左侧、右侧,上侧、下侧,根据目标运动方向向量与警戒线角度进行计算;在该邻域,跨线告警或拌线告警适用(6-1)判断策略;
(6-2)若应用在投河异常行为检测,在桥梁、栏杆配置合适的警戒线,异常行为一般突发,目标物快速移动;与(6-1)不同,目标对象触碰到警戒线,计算目标区域与警戒线的重合度达到设定值A触发一次告警;相对比(6-1)策略,更容易触发,适合于桥梁、围栏等危险区域,一般情况行人不经过或触碰到的区域;
(7)根据步骤(6)告警策略触发一次告警,并将告警消息上传到中心服务器,在安装摄像机的广播喇叭播放警示通知消息;
(8)步骤(7)触发一次告警事件后,根据告警间隔配置参数,避免同一事件重复告警;经过间隔时间后,初始化背景模型,进入下一次检测。
2.根据权利要求1所述的一种基于视频监控防溺水自适应检测方法,其特征在于:步骤(3)中判断像素值属于背景还是前景的方法如下:
对于随机变量X的观测数据集{x1,x2,...,xN},xt为t时刻像素的样本,t=1,2,…,N,N为采样点数,则单个采样点样本xt服从的混合高斯分布概率密度函数p(xt):
其中,k为分布模型总数,η(xt,μi,t,τi,t)为t时刻第i个高斯分布,μi,t为均值,τi,t为协方差矩阵,δi,t为方差,I为三维单位矩阵,ωi,t为t时刻第i个高斯分布的权重,上标T为矩阵转置;
(3-1)每个新像素值Xt同当前k个分布模型按下式进行比较,直到找到匹配新像素值分布模型:
|Xt-μi,t-1|≤2.5σi,t-1
其中,μi,t-1表示t-1时刻的均值,σi,t-1表示t-1时刻的标准差;
(3-2)如果所匹配的模型符合背景要求,则该像素属于背景,否则属于前景;
(3-3)各模型权值按下式更新,然后各模型的权重进行归一化:
ωi,t=(1-α)*ωi,t-1+α*Mi,t
其中,α是学习速率,对于匹配的模型,Mi,t=1,否则Mi,t=0;
(3-4)未匹配模型的均值与标准差不变,匹配模型的参数按下式更新:
μi,t=(1-ρ)*μi,t-1+ρ*Xt
ρ=α*η(Xt|μt,σt)
其中,η(Xt|μt,σt)表示像素值Xt在t时刻满足匹配的第i个高斯分布模型,μt和σt为总体的均值和标准差,上标T表示转置,ρ表示背景模型更新率,表征当前值对背景的贡献,值在0到1之间;
(3-5)如果步骤(3-1)中没有任何模式匹配,则权重最小的模型被替换,即该模型的均值为当前像素值,标准差为其它高斯分量的最大值,权重为其它高斯分量的权重最小值;
(3-6)各模型根据自身权重与α2的比值降序排序;
(3-7)选前B个模型作为背景,B满足下式:
其中,T0是预先设定的阈值,代表背景成分占整个高斯过程的比例,0≤T0≤1;重新检测每一个像素Xt与得到的B个模型是否匹配,如果匹配则为背景,否则为前景;
(3-8)根据自然光照环境变化动态调整背景更新率α值,分为:初始化模型、出现突变或大比例运动目标、出现疑似运动目标和自动学习率。
3.根据权利要求2所述的一种基于视频监控防溺水自适应检测方法,其特征在于:步骤(3-7)中,T0=0.9。
4.根据权利要求1所述的一种基于视频监控防溺水自适应检测方法,其特征在于:步骤(1)红色警戒线配置时:
(1-1)生成以警戒线为中心线的外包矩形框Rect0,同时生成外包矩形框的外接矩形框ROI,ROI矩形框为检测有效区域,包括后续背景训练和运动目标提取,Rect0为目标对象形心有效区域;
(1-2)警戒线配置在接近水面的直线,过往船只或在警戒线旁边经过不会触发虚告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562887.2A CN116527850A (zh) | 2023-05-18 | 2023-05-18 | 一种基于视频监控防溺水自适应检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562887.2A CN116527850A (zh) | 2023-05-18 | 2023-05-18 | 一种基于视频监控防溺水自适应检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116527850A true CN116527850A (zh) | 2023-08-01 |
Family
ID=87397590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562887.2A Pending CN116527850A (zh) | 2023-05-18 | 2023-05-18 | 一种基于视频监控防溺水自适应检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116527850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152689A (zh) * | 2023-10-31 | 2023-12-01 | 易启科技(吉林省)有限公司 | 一种基于视觉的河道目标检测方法及系统 |
-
2023
- 2023-05-18 CN CN202310562887.2A patent/CN116527850A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152689A (zh) * | 2023-10-31 | 2023-12-01 | 易启科技(吉林省)有限公司 | 一种基于视觉的河道目标检测方法及系统 |
CN117152689B (zh) * | 2023-10-31 | 2024-01-19 | 易启科技(吉林省)有限公司 | 一种基于视觉的河道目标检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
CN104217215B (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN111144232A (zh) | 基于智能视频监控的变电站电子围栏监测方法、存储介质及设备 | |
CN106816038A (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
CN104933680B (zh) | 一种智能的无人艇视觉系统视频快速海雾去除方法 | |
CN111091110B (zh) | 一种基于人工智能的反光背心穿戴识别方法 | |
CN104123544A (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN107437318B (zh) | 一种可见光智能识别算法 | |
Kartashov et al. | Optical detection of unmanned air vehicles on a video stream in a real-time | |
CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
CN111161312B (zh) | 一种基于计算机视觉的物体轨迹追踪识别装置及系统 | |
CN108629935B (zh) | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 | |
CN113096075B (zh) | 输电线路缠绕异物清除器的入侵物检测方法及系统 | |
CN102142085B (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN108830246B (zh) | 一种交通环境行人多维运动特征视觉提取方法 | |
Lu et al. | A vision-based approach to early detection of drowning incidents in swimming pools | |
CN116527850A (zh) | 一种基于视频监控防溺水自适应检测方法 | |
CN107301375A (zh) | 一种基于稠密光流的视频图像烟雾检测方法 | |
CN111353338B (zh) | 一种基于营业厅视频监控的能效改进方法 | |
CN113743256A (zh) | 一种工地安全智能预警方法与装置 | |
Li et al. | Application research of artificial intelligent technology in substation inspection tour | |
CN114792405A (zh) | 一种架空线路防异物入侵监测方法 | |
CN114155470A (zh) | 一种河道区域入侵检测方法、系统及存储介质 | |
CN106128105B (zh) | 一种交通路口行人行为监测系统 |
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 |