CN116630365A - 抛物检测方法、装置、电子设备及存储介质 - Google Patents

抛物检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116630365A
CN116630365A CN202211226241.9A CN202211226241A CN116630365A CN 116630365 A CN116630365 A CN 116630365A CN 202211226241 A CN202211226241 A CN 202211226241A CN 116630365 A CN116630365 A CN 116630365A
Authority
CN
China
Prior art keywords
target
track
moving object
image
target moving
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
Application number
CN202211226241.9A
Other languages
English (en)
Inventor
王周璞
林玲
昌楚钦
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202211226241.9A priority Critical patent/CN116630365A/zh
Publication of CN116630365A publication Critical patent/CN116630365A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本申请实施例提供了一种抛物检测方法、装置、电子设备及存储介质。所述方法包括：获取在当前时刻采集的目标图像；基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。本申请实施例可以提高抛物检测的准确性，降低抛物检测的成本。

Description

抛物检测方法、装置、电子设备及存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种抛物检测方法、装置、电子设备及存储介质。
背景技术
随着城市化的推进，大厦等高层建筑林立，个别人漠视安全随手抛物，给人民群众的生命安全带来极大的威胁。目前，为应对高空抛物，明确责任人，进而杜绝高空抛物的出现，现有技术常用的抛物检测方式包括以下两种：
一种是通过对监控视频的帧差图像进行图像处理分析来获得高空抛物检测结果，然而，上述对高空抛物的检测过程中，当侦测到视频画面中出现飞鸟、摆动的树叶、人员移动等情形时，容易产生非高空抛物的移动侦测误报，影响高空抛物检测的准确度。
另一种是将待识别图像输入到预先训练好的深度神经网络模型中进行前向运算，获取高空抛物体的位置，所述深度神经网络模型包括主干网络和预测网络，根据高空抛物体位置轨迹，判断是否存在高空抛物行为；然而其计算量巨大，需要配备服务器作计算支持，导致成本高昂而不利于推广。
发明内容
本申请实施例所要解决的技术问题是提供一种抛物检测方法、装置、电子设备及存储介质，以提高抛物检测的准确性，同时可以降低抛物检测的成本。
第一方面，本申请实施例提供了一种抛物检测方法，所述方法包括：
获取在当前时刻采集的目标图像；
基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；
在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；
根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
可选地，所述基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象，包括：
对所述目标图像进行压缩处理，生成目标压缩图像；
基于所述预设背景检测模型对所述目标压缩图像进行处理，得到所述目标压缩图像内的非背景点作为所述目标像素点；
根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象。
可选地，所述根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象，包括：
在所述轮廓的面积大于或者等于面积阈值的情况下，确定所述目标图像内存在所述目标运动对象；
在所述轮廓的面积小于面积阈值的情况下，确定所述目标图像内不存在所述目标运动对象。
可选地，在所述获取在当前时刻采集的目标图像之前，还包括：
根据当前时刻对应的前一时刻的图像，获取N条运动轨迹；其中，N为大于等于2的正整数。
可选地，所述根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹，包括：
基于卡尔曼滤波器对所述目标运动对象在所述目标图像内的对象坐标进行校准，得到所述校准位置；
基于所述卡尔曼滤波器对所述N条运动轨迹和N条运动轨迹在所述前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置；
根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹。
可选地，所述根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹，包括：
获取所述预测位置中与所述校准位置之间的距离小于第一距离阈值的目标预测位置；
将所述目标预测位置对应的运动轨迹确定为所述目标运动对象对应的目标运动轨迹。
可选地，所述根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象，包括：
获取所述校准位置与所述轨迹起点之间的目标距离；
根据预先建立的图像坐标系，获取所述校准位置对应的纵轴坐标的绝对值；
根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象。
可选地，所述根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象，包括：
比较所述目标距离与第二距离阈值之间的大小关系；
比较所述轨迹点数量与预设数量阈值之间的大小关系；
比较所述纵轴坐标的绝对值与所述目标图像在纵轴方向上的尺寸的一半的大小关系；
在所述目标距离大于所述第二距离阈值，所述轨迹点数量大于所述预设数量阈值，且所述纵轴坐标的绝对值大于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为高空抛物对象；
在所述目标距离小于等于所述第二距离阈值，和/或所述轨迹点数量小于等于所述预设数量阈值，和/或所述纵轴坐标的绝对值小于等于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为非高空抛物对象。
第二方面，本申请实施例提供了一种抛物检测装置，所述装置包括：
目标图像获取模块，用于获取在当前时刻采集的目标图像；
目标对象确定模块，用于基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；
目标轨迹确定模块，用于在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；
高空抛物判定模块，用于根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
可选地，所述目标对象确定模块包括：
压缩图像生成单元，用于对所述目标图像进行压缩处理，生成目标压缩图像；
目标像素点获取单元，用于基于所述预设背景检测模型对所述目标压缩图像进行处理，得到所述目标压缩图像内的非背景点作为所述目标像素点；
目标对象确定单元，用于根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象。
可选地，所述目标对象确定单元包括：
第一对象确定子单元，用于在所述轮廓的面积大于或者等于面积阈值的情况下，确定所述目标图像内存在所述目标运动对象；
第二对象确定子单元，用于在所述轮廓的面积小于面积阈值的情况下，确定所述目标图像内不存在所述目标运动对象。
可选地，所述装置还包括：
运动轨迹获取模块，用于根据当前时刻对应的前一时刻的图像，获取N条运动轨迹；其中，N为大于等于2的正整数。
可选地，所述目标轨迹确定模块包括：
校准位置获取单元，用于基于卡尔曼滤波器对所述目标运动对象在所述目标图像内的对象坐标进行校准，得到所述校准位置；
预测位置预测单元，用于基于所述卡尔曼滤波器对所述N条运动轨迹和N条运动轨迹在所述前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置；
目标轨迹确定单元，用于根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹。
可选地，所述目标轨迹确定单元包括：
目标预测位置获取子单元，用于获取所述预测位置中与所述校准位置之间的距离小于第一距离阈值的目标预测位置；
目标运动轨迹确定子单元，用于将所述目标预测位置对应的运动轨迹确定为所述目标运动对象对应的目标运动轨迹。
可选地，所述高空抛物判定模块包括：
目标距离获取单元，用于获取所述校准位置与所述轨迹起点之间的目标距离；
绝对值获取单元，用于根据预先建立的图像坐标系，获取所述校准位置对应的纵轴坐标的绝对值；
高空抛物判定单元，用于根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象。
可选地，所述高空抛物判定单元包括：
第一大小关系比较子单元，用于比较所述目标距离与第二距离阈值之间的大小关系；
第二大小关系比较子单元，用于比较所述轨迹点数量与预设数量阈值之间的大小关系；
第三大小关系比较子单元，用于比较所述纵轴坐标的绝对值与所述目标图像在纵轴方向上的尺寸的一半的大小关系；
高空抛物判定子单元，用于在所述目标距离大于所述第二距离阈值，所述轨迹点数量大于所述预设数量阈值，且所述纵轴坐标的绝对值大于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为高空抛物对象；
非高空抛物判定子单元，用于在所述目标距离小于等于所述第二距离阈值，和/或所述轨迹点数量小于等于所述预设数量阈值，和/或所述纵轴坐标的绝对值小于等于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为非高空抛物对象。
第三方面，本申请实施例提供了一种电子设备，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的抛物检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的抛物检测方法。
与现有技术相比，本申请实施例包括以下优点：
本申请实施例中，通过获取在当前时刻采集的目标图像，基于预设背景检测模型对目标图像进行处理，确定目标图像内是否存在目标运动对象。在目标图像内存在目标运动对象的情况下，根据目标运动对象在目标图像内的校准位置，确定目标运动对象对应的目标运动轨迹。根据校准位置、目标运动轨迹的轨迹起点、及目标运动轨迹对应的轨迹点数量，判定目标运动对象是否为高空抛物对象。本申请实施例通过对检测的运动对象进行跟踪检测，可以降低抛物跟踪的丢失率，且能够减少漏检的情况出现，提高了抛物检测的准确度，同时可以降低抛物检测的成本。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
图1为本申请实施例提供的一种抛物检测方法的步骤流程图；
图2为本申请实施例提供的一种目标运动对象确定方法的步骤流程图；
图3为本申请实施例提供的另一种目标运动对象确定方法的步骤流程图；
图4为本申请实施例提供的一种运动轨迹获取方法的步骤流程图；
图5为本申请实施例提供的一种目标运动轨迹确定方法的步骤流程图；
图6为本申请实施例提供的另一种目标运动轨迹确定方法的步骤流程图；
图7为本申请实施例提供的一种高空抛物对象判定方法的步骤流程图；
图8为本申请实施例提供的另一种高空抛物对象判定方法的步骤流程图；
图9为本申请实施例提供的一种抛物检测系统的结构示意图；
图10为本申请实施例提供的一种抛物检测装置的结构示意图；
图11为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
参照图1，示出了本申请实施例提供的一种抛物检测方法的步骤流程图，如图1所示，该抛物检测方法可以包括：步骤101、步骤102、步骤103和步骤104。
步骤101：获取在当前时刻采集的目标图像。
在本实施例中，提供了一种高空抛物检测系统，如图9所示，该高空抛物检测系统可以包括：视频图像采集单元、前景检测单元、轨迹判断单元、告警与记录单元和抛物视频回放单元。
其中，视频图像采集单元可以用于从监控摄像头拉取视频流并读取图像数据。
前景检测单元可以用于接收每帧图像数据并对其进行处理与分析，检测图像数据中的运动物体。
轨迹判断单元可以用于对前景检测中得到的运动物体进行轨迹跟踪，并分析判断运动物体是否属于高空抛物物体。
告警与记录单元可以用于对高空抛物事件的报警和抛物信息记录。
抛物视频回放单元可以根据记录的抛物时间和抛物截图，对抛物事件进行回溯查看。
目标图像是指采集的用于进行高空抛物检测的图像。在具体实现中，可以在现实场所内布置摄像头，并调整摄像头的拍摄角度，以采集高空抛物检测的图像。例如，以住宅小区为例，可以在小区内布置多个摄像头，并调整每个摄像头的拍摄角度以使该摄像头拍摄对应楼层的图像等。
在进行高空抛物检测的过程中，可以获取在当前时刻采集的目标图像。具体地，可以采用视频图像采集单元从监控摄像头拉取视频流中当前时刻的图像数据，以得到目标图像。
在获取到在当前时刻的目标图像之后，执行步骤102。
步骤102：基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象。
在本实施例中，预设背景检测模型可以为高斯模型等。该预设背景检测模型可以用于检测图像内的背景对象和非背景对象。
在具体实现中，在进行背景对象和非背景对象的检测时，可以先训练得到预设背景检测模型。例如，预设背景检测模型以高斯模型为例，可以由业务人员根据先前经验设置高斯模型的初始模型参数，并根据该初始模型参数初始化高斯模型，从而可以得到用于进行背景对象检测的高斯模型，即本示例中的预设背景检测模型等。
在获取到在当前时刻的目标图像之后，可以基于预设背景检测模型对目标图像进行处理，以确定目标图像内是否存在目标运动对象。在本示例中，目标运动对象可以为：花盆、塑料袋、纸张、木板等对象，具体地，对于目标运动对象的具体类型可以根据实际情况而定，本实施例对此不加以限制。
在实际应用中，在采用预设背景检测模型对目标图像进行检测时，可以先对目标图像进行压缩，然后，采用预设背景检测模型对压缩后的图像进行检测。对于该实现过程可以结合图2进行如下详细描述。
参照图2，示出了本申请实施例提供的一种目标运动对象确定方法的步骤流程图，如图2所示，该目标运动对象确定方法可以包括：步骤201、步骤202和步骤203。
步骤201：对所述目标图像进行压缩处理，生成目标压缩图像。
在本实施例中，在获取摄像头采集的图像之后，可以将缓存中，在本示例中，可以预先设置缓存内缓存的图像数量，如设置缓存的图像数量为M，若读取到一帧图像之后，缓存内的图像数量为M，此时，可以删除缓存中的第一帧图像，并缓存当前读取的图像等。
可以理解地，上述示例仅是为了更好地理解本申请实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。
对目标图像进行运动对象的检测时，可以从缓存内抽取该目标图像，并对目标图像进行压缩处理，以得到目标图像在进行压缩之后的目标压缩图像。如图9所示，前景检测单元可以对图像预处理(即压缩处理)，进而得到目标压缩图像。
在本示例中，图像压缩处理的方式可以为：无损编码(如霍夫曼编码、算数编码、行程编码等)、有损编码(如频域编码、混合编码等)等方式，具体地，对于图像压缩方式可以根据业务需求而定，本实施例对此不加以限制。
如图9所示，在前景检测单元检测到运动目标之后，则可以进行检测模型更新、及前景筛选的过程。
在对目标图像进行压缩处理生成目标压缩图像之后，执行步骤202。
步骤202：基于所述预设背景检测模型对所述目标压缩图像进行处理，得到所述目标压缩图像内的非背景点作为所述目标像素点。
目标像素点是指检测得到的目标压缩图像内非背景点的像素点。
在对目标图像进行压缩处理生成目标压缩图像之后，可以基于预设背景检测模型对目标压缩图像进行处理，以得到目标压缩图像内隶属于非背景点的目标像素点。例如，在预设背景检测模型为高斯模型时，可以根据高斯模型匹配准则判断目标压缩图像内的每个像素点属于前景点(即非背景点)还是属于背景点。
在基于预设背景检测模型对目标压缩图像进行处理得到目标压缩图像内隶属于非背景点的目标像素点之后，执行步骤203。
步骤203：根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象。
在基于预设背景检测模型对目标压缩图像进行处理得到目标压缩图像内隶属于非背景点的目标像素点之后，可以根据目标像素点组成的轮廓的面积，确定目标图像内是否存在目标运动对象。在具体实现中，获取到的目标像素点在目标压缩图像内的位置可能是分散的，因此，可以预先设置一个预设距离，在进行轮廓组成时，可以获取目标压缩图像内任意相邻的两个相邻的目标像素点的距离在预设距离内的目标像素点，以组成至少一个对象轮廓。进而，可以计算该对象轮廓的面积，以确定目标图像内是否存在目标运动对象。
在本实施例中，可以根据轮廓的面积与预先设定的面积阈值判定目标图像内是否存在目标运动对象。具体地，可以结合图3进行如下详细描述。
参照图3，示出了本申请实施例提供的另一种目标运动对象确定方法的步骤流程图，如图3所示，该目标运动对象确定方法可以包括：步骤301和步骤302。
步骤301：在所述轮廓的面积大于或者等于面积阈值的情况下，确定所述目标图像内存在所述目标运动对象。
步骤302：在所述轮廓的面积小于面积阈值的情况下，确定所述目标图像内不存在所述目标运动对象。
在本实施例中，面积阈值是指预先设置的用于判定图像内是否存在目标运动对象的轮廓面积的阈值，对于面积阈值的具体数值可以根据业务需求而定，本实施例对此不加以限制。
在获取到目标像素点组成的轮廓的面积之后，可以比较轮廓的面积与面积阈值之间的大小关系。
在轮廓的面积大于或者等于面积阈值的情况下，则可以确定目标图像内存在目标运动对象。
在轮廓的面积小于面积阈值的情况下，则可以确定目标图像内不存在目标运动对象。
本申请实施例通过使用压缩算法对图像进行预处理，以进行运动对象的检测，能够减少需要实时处理的像素点数目，从而提高抛物检测的效率。
在实际应用中，由于预设背景检测模型是根据先验经验赋予的模型参数，在具体地抛物检测过程中，可以前景点和背景点的像素点匹配结果更新预设背景检测模型的模型参数，以保证预设背景检测模型与真实动态背景相匹配。
基于预设背景检测模型对目标图像进行处理确定目标图像内存在目标运动对象之后，执行步骤103。
步骤103：在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹。
校准位置是指根据目标运动对象在目标图像内的轮廓坐标对目标运动对象的位置进行校准之后，得到的目标运动对象的位置。
在基于预设背景检测模型对目标图像进行处理确定目标图像内存在目标运动对象之后，可以获取目标运动对象在目标图像内的校准位置，进而可以根据该校准位置确定出目标运动对象对应的目标运动轨迹。如图9所示，轨迹判断单元可以进行轨迹预测、轨迹匹配等，以得到目标运动对象对应的目标运动轨迹。
在具体实现中，可以根据每个时刻采集的图像内的运动对象绘制相应的运动轨迹，对于该实现过程可以结合图4进行如下详细描述。
参照图4，示出了本申请实施例提供的一种运动轨迹获取方法的步骤流程图，如图4所示，该运动轨迹获取方法可以包括：步骤401。
步骤401：根据当前时刻对应的前一时刻的图像，获取N条运动轨迹；其中，N为大于等于2的正整数。
在本实施例中，可以每得到一幅抛物检测的图像之后，可以进行运动轨迹与目标运动对象的匹配。若当前帧图像的运动轨迹为空，则为所有前景点建立新的轨迹并结束匹配；若当前轨迹不为空，则使用卡尔曼滤波器对每条轨迹的下一点依次进行预测。
在对当前时刻的目标图像进行高空抛物的检测时，可以根据当前时刻对应的前一时刻的图像，获取N条运动轨迹，其中，N为大于等于2的正整数。可以理解地，在当前时刻的运动轨迹为空时，则为所有前景点建立新的轨迹并不再对目标图像执行后续的流程。
在具体实现中，在获取到当前时刻的目标图像内的所有前景点(即目标像素点)之后，可以合并距离小于预设阈值的前景点，然后再进行前景点与运动轨迹的匹配。可以理解地，在当前帧图像为第一帧图像时，则可以为该第一帧图像内的每个前景点建立相应的运动轨迹等，具体地建立过程可以为：按照前景点的位置以及前景点的运动朝向，绘制相应的运动轨迹等。
在根据当前时刻对应的前一时刻的图像获取到N条运动轨迹之后，则进行目标运动轨迹的匹配流程。具体地，可以结合图5进行如下详细描述。
参照图5，示出了本申请实施例提供的一种目标运动轨迹确定方法的步骤流程图，如图5所示，该目标运动轨迹确定方法可以包括：步骤501、步骤502和步骤503。
步骤501：基于卡尔曼滤波器对所述目标运动对象在所述目标图像内的对象坐标进行校准，得到所述校准位置。
在本实施例中，可以根据预先设置的模型参数初始化卡尔曼滤波器。
在得到目标运动对象在目标图像内的对象坐标之后，可以将该对象坐标赋值给卡尔曼滤波器，并记录当前帧的时间(即当前时刻)。
首先，可以利用当前帧和上一帧的时间间隔进行卡尔曼预测，预测目标在当前帧的位置，具体地公式可以如下述公式(1)所示：
上述公式(1)中，为目标运动对象在当前帧图像内的预测位置，/>为目标运动对象在前一帧图像内的预测位置，Φ为状态转移矩阵。
然后，可以计算协方差预测矩阵，如下述公式(2)所示：
上述公式(2)中，为当前帧图像对应的协方差预测矩阵，/>为前一图像帧对应的协方差预测矩阵，Q为过程噪声协方差矩阵。
在计算得到协方差预测矩阵之后，可以根据协方差预测矩阵计算卡尔曼滤波器的滤波增益，具体地可以如下述公式(3)所示：
上述公式(3)中，Kk为滤波增益，H为测量矩阵，R为测量噪声协方差矩阵。
在得到滤波增益之后，则可以采用卡尔曼滤波器根据滤波增益对目标运动对象在目标图像内的位置进行校准，以得到目标运动对象在目标图像内的校准位置。
在基于卡尔曼滤波器对目标运动对象在目标图像内的对象坐标进行校准得到校准位置之后，执行步骤502。
步骤502：基于所述卡尔曼滤波器对所述N条运动轨迹和N条运动轨迹在所述前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置。
在基于卡尔曼滤波器对目标运动对象在目标图像内的对象坐标进行校准得到校准位置之后，可以基于卡尔曼滤波器对N条运动轨迹和N条运动轨迹在前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置。即每条运动轨迹在前一帧图像内的位置，预测出运动轨迹在当前帧图像内的位置，即预测位置。
在预测得到N条运动轨迹在当前时刻的预测位置之后，执行步骤503。
步骤503：根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹。
在预测得到N条运动轨迹在当前时刻的预测位置之后，可以根据预测位置和校准位置确定目标运动对象对应的目标运动轨迹。具体地，可以根据预测位置与校准位置之间的距离，获取目标运动对象对应的目标运动轨迹。对于该实现过程可以结合图6进行如下详细描述。
参照图6，示出了本申请实施例提供的另一种目标运动轨迹确定方法的步骤流程图，如图6所示，该目标运动轨迹确定方法可以包括：步骤601和步骤602。
步骤601：获取所述预测位置中与所述校准位置之间的距离小于第一距离阈值的目标预测位置。
在本实施例中，在获取到N条运动轨迹分别对应的预测位置之后，可以获取预测位置中与校准位置之间的距离小于第一距离阈值的目标预测位置。
可以理解地，在预测位置中与校准位置之间的距离小于第一距离阈值的预测位置的个数为多个时，则选取距离校准位置最近的预测位置作为目标预测位置。
在获取到预测位置中与校准位置之间的距离小于第一距离阈值的目标预测位置之后，执行步骤602。
步骤602：将所述目标预测位置对应的运动轨迹确定为所述目标运动对象对应的目标运动轨迹。
在获取到预测位置中与校准位置之间的距离小于第一距离阈值的目标预测位置之后，可以将目标预测位置对应的运动轨迹确定为目标运动对象对应的目标运动轨迹。
在实际应用中，若前景点与预测点的距离小于预设阈值，则将前景点分配给该轨迹，否则不分配。查看是否有未被匹配的前景点，若有，则为它们建立新轨迹(本实施例对于此种情况不做考虑)。
在具体实现中，可以根据轨迹匹配结构对卡尔曼滤波模型的模型参数进行更新，如图9所示的跟踪模型更新，匹配成功时，使用该实际检测到的位置坐标作为卡尔曼滤波器的输入(未匹配成功时则使用预测的位置坐标进行更新)，修正状态向量。若某条轨迹连续多次未成功匹配到运动物体，即连续通过卡尔曼滤波算法预测得到的轨迹点的个数大于设定的阈值，则将该条轨迹删去。
在根据目标运动对象在目标图像内的校准位置，确定出目标运动对象对应的目标运动轨迹之后，执行步骤104。
步骤104：根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
在根据目标运动对象在目标图像内的校准位置，确定出目标运动对象对应的目标运动轨迹之后，可以根据校准位置、目标运动轨迹的轨迹起点、以及目标运动轨迹对应的轨迹点数量，判定目标运动对象是否为高空抛物对象。如图9所示，轨迹判断单元可以进行抛物的判定。
具体地，对于该判定过程可以结合图7进行如下详细描述。
参照图7，示出了本申请实施例提供的一种高空抛物对象判定方法的步骤流程图，如图7所示，该高空抛物对象判定方法可以包括：步骤701、步骤702和步骤703。
步骤701：获取所述校准位置与所述轨迹起点之间的目标距离。
在本实施例中，目标距离是指校准位置与轨迹起点之间的距离。
在获取到目标运动轨迹的轨迹起点之后，可以计算轨迹起点与校准位置之间的目标距离。具体地，可以根据轨迹起点在采集的图像内的坐标，以及校准位置在目标图像内的坐标，计算得到目标距离。
在获取到校准位置与轨迹起点之间的目标距离之后，执行步骤703。
步骤702：根据预先建立的图像坐标系，获取所述校准位置对应的纵轴坐标的绝对值。
图像坐标系是指依据采集的抛物检测图像建立的坐标系，在具体实现中，图像坐标系是指以图像的左角顶点为原点建立的坐标系。
在获取到校准位置之后，可以根据预先建立的图像坐标系获取校准位置对应的纵轴坐标的绝对值，即校准位置的纵轴高度。
在根据预先建立的图像坐标系获取到校准位置对应的纵轴坐标的绝对值之后，执行步骤703。
步骤703：根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象。
在获取到目标距离和纵轴坐标的绝对值之后，可以根据目标距离、目标运动轨迹的轨迹点数量和纵轴坐标的绝对值，判定目标运动对象是否为高空抛物对象。具体地判定方式可以结合图8进行如下详细描述。
参照图8，示出了本申请实施例提供的另一种高空抛物对象判定方法的步骤流程图，如图8所示，该高空抛物对象判定方法可以包括：步骤801、步骤802、步骤803、步骤804和步骤805。
步骤801：比较所述目标距离与第二距离阈值之间的大小关系。
在本实施例中，第二距离阈值是指用于判定目标运动对象下降距离的阈值。对于第二距离阈值的具体数值可以根据业务需求而定，本实施例对此不加以限制。
在获取到目标距离之后，可以比较目标距离与第二距离阈值之间的大小关系。
步骤802：比较所述轨迹点数量与预设数量阈值之间的大小关系；
预设数量阈值是指用于判定运动轨迹是否符合抛物条件的对象的轨迹点数量的阈值，对于预设数量阈值的具体数值可以根据业务需求而定，本实施例对此不加以限制。
在获取到目标运动轨迹之后，可以比较目标运动轨迹对应的轨迹点数量与预设数量阈值之间的大小关系。具体地，该目标运动轨迹对应的轨迹点数量即为目标运动轨迹出现在的图像的图像数量。
步骤803：比较所述纵轴坐标的绝对值与所述目标图像在纵轴方向上的尺寸的一半的大小关系。
在获取到校准位置对应的纵轴坐标的绝对值之后，可以比较纵轴坐标的绝对值与目标图像在纵轴方向上的尺寸的一半的大小关系。
在进行上述三种比较之后，执行步骤804，或者执行步骤805。
步骤804：在所述目标距离大于所述第二距离阈值，所述轨迹点数量大于所述预设数量阈值，且所述纵轴坐标的绝对值大于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为高空抛物对象；
步骤805：在所述目标距离小于等于所述第二距离阈值，和/或所述轨迹点数量小于等于所述预设数量阈值，和/或所述纵轴坐标的绝对值小于等于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为非高空抛物对象。
在目标距离大于第二距离阈值，轨迹点数量大于预设数量阈值，且纵轴坐标的绝对值大于目标图像在纵轴方向上的尺寸的一半的情况下，则可以判定目标运动对象为高空抛物对象。
在目标距离小于等于第二距离阈值，和/或轨迹点数量小于等于预设数量阈值，和/或纵轴坐标的绝对值小于等于目标图像在纵轴方向上的尺寸的一半的情况下，则可以判定目标运动对象为非高空抛物对象。
具体地，获取抛物轨迹，当轨迹点数大于2时，需要作以下判断：
1、判断轨迹下降距离是否超过预设阈值(根据摄像头架设距离、分辨率等设定)。
2、轨迹点数是否超过预设阈值(根据对抛物视频历史数据集的测试设定阈值)，以消除轨迹匹配带来的误差，减少虚警；
3、轨迹最后一点是否超过画面的二分之一，即轨迹中最后一点的y坐标是否大于1/2*图像高度；
若上述三种判断均为是，则判定为发生高空抛物，即判定目标运动对象为高空抛物对象。
本申请实施例通过使用图像压缩降低需要处理的像素点数目，减少计算量；在轨迹匹配中考虑到前景检测可能出现物体分裂等情况，引入了一种新颖的轨迹匹配方式，可大幅度降低对抛物跟踪的丢失率；基于使用少量存储置换大量计算的思想，加入了缓存操作，只有出现疑似前景时，才对原始分辨率图像进行扫描和判别，能够在保证抛物检测的准确度的同时，降低实时检测的计算量，使得单个CPU支持接入的视频流数目更多，降低实际部署的成本。相比于其他高空抛物检测的方式，可以在保证抛物识别准确率和实时性的前提下，大幅降低硬件成本。最后，通过简单的阈值判断，对获得的运动物体轨迹进行筛选，能够滤除飞鸟、行人等不符合高空抛物特点的轨迹，能够减少误检次数。与其它方式的区别在于，本实施例考虑到实际部署中的成本问题，基于使用少量存储置换大量计算的思想，通过引入缓存操作，降低实时计算量，降低在长时间尺度下的计算复杂度，使得单个CPU(Central Processing Unit，中央处理器)支持接入的视频流数目更多，平衡了高空抛物识别准确度和实际部署中的硬件成本。
本申请实施例提供的抛物检测方法，通过获取在当前时刻采集的目标图像，基于预设背景检测模型对目标图像进行处理，确定目标图像内是否存在目标运动对象。在目标图像内存在目标运动对象的情况下，根据目标运动对象在目标图像内的校准位置，确定目标运动对象对应的目标运动轨迹。根据校准位置、目标运动轨迹的轨迹起点、及目标运动轨迹对应的轨迹点数量，判定目标运动对象是否为高空抛物对象。本申请实施例通过对检测的运动对象进行跟踪检测，可以降低抛物跟踪的丢失率，且能够减少漏检的情况出现，提高了抛物检测的准确度，同时可以降低抛物检测的成本。
参照图10，示出了本申请实施例提供的一种抛物检测装置的结构示意图，如图10所示，该抛物检测装置1000可以包括以下模块：
目标图像获取模块1010，用于获取在当前时刻采集的目标图像；
目标对象确定模块1020，用于基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；
目标轨迹确定模块1030，用于在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；
高空抛物判定模块1040，用于根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
可选地，所述目标对象确定模块1020包括：
压缩图像生成单元，用于对所述目标图像进行压缩处理，生成目标压缩图像；
目标像素点获取单元，用于基于所述预设背景检测模型对所述目标压缩图像进行处理，得到所述目标压缩图像内的非背景点作为所述目标像素点；
目标对象确定单元，用于根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象。
可选地，所述目标对象确定单元包括：
第一对象确定子单元，用于在所述轮廓的面积大于或者等于面积阈值的情况下，确定所述目标图像内存在所述目标运动对象；
第二对象确定子单元，用于在所述轮廓的面积小于面积阈值的情况下，确定所述目标图像内不存在所述目标运动对象。
可选地，所述装置还包括：
运动轨迹获取模块，用于根据当前时刻对应的前一时刻的图像，获取N条运动轨迹；其中，N为大于等于2的正整数。
可选地，所述目标轨迹确定模块1030包括：
校准位置获取单元，用于基于卡尔曼滤波器对所述目标运动对象在所述目标图像内的对象坐标进行校准，得到所述校准位置；
预测位置预测单元，用于基于所述卡尔曼滤波器对所述N条运动轨迹和N条运动轨迹在所述前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置；
目标轨迹确定单元，用于根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹。
可选地，所述目标轨迹确定单元包括：
目标预测位置获取子单元，用于获取所述预测位置中与所述校准位置之间的距离小于第一距离阈值的目标预测位置；
目标运动轨迹确定子单元，用于将所述目标预测位置对应的运动轨迹确定为所述目标运动对象对应的目标运动轨迹。
可选地，所述高空抛物判定模块1040包括：
目标距离获取单元，用于获取所述校准位置与所述轨迹起点之间的目标距离；
绝对值获取单元，用于根据预先建立的图像坐标系，获取所述校准位置对应的纵轴坐标的绝对值；
高空抛物判定单元，用于根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象。
可选地，所述高空抛物判定单元包括：
第一大小关系比较子单元，用于比较所述目标距离与第二距离阈值之间的大小关系；
第二大小关系比较子单元，用于比较所述轨迹点数量与预设数量阈值之间的大小关系；
第三大小关系比较子单元，用于比较所述纵轴坐标的绝对值与所述目标图像在纵轴方向上的尺寸的一半的大小关系；
高空抛物判定子单元，用于在所述目标距离大于所述第二距离阈值，所述轨迹点数量大于所述预设数量阈值，且所述纵轴坐标的绝对值大于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为高空抛物对象。在本实施例中，在判定目标运动对象为高空抛物对象之后，则可以调用如图9所示的告警与记录单元对高空抛物事件的报警和抛物信息记录，并调用抛物视频回放单元根据记录的抛物时间和抛物截图，对抛物事件进行回溯查看。以便于后续追责时进行取证。
非高空抛物判定子单元，用于在所述目标距离小于等于所述第二距离阈值，和/或所述轨迹点数量小于等于所述预设数量阈值，和/或所述纵轴坐标的绝对值小于等于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为非高空抛物对象。
本申请实施例提供的抛物检测装置，通过获取在当前时刻采集的目标图像，基于预设背景检测模型对目标图像进行处理，确定目标图像内是否存在目标运动对象。在目标图像内存在目标运动对象的情况下，根据目标运动对象在目标图像内的校准位置，确定目标运动对象对应的目标运动轨迹。根据校准位置、目标运动轨迹的轨迹起点、及目标运动轨迹对应的轨迹点数量，判定目标运动对象是否为高空抛物对象。本申请实施例通过对检测的运动对象进行跟踪检测，可以降低抛物跟踪的丢失率，且能够减少漏检的情况出现，提高了抛物检测的准确度，同时可以降低抛物检测的成本。
本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述抛物检测方法。
图11示出了本发明实施例的一种电子设备1100的结构示意图。如图11所示，电子设备1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序指令或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序指令，来执行各种适当的动作和处理。在RAM1103中，还可存储电子设备1100操作所需的各种程序和数据。CPU1101、ROM1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标、麦克风等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，可由处理单元1101执行。例如，上述任一实施例的方法可被实现为计算机软件程序，其被有形地包含于计算机可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序被加载到RAM1103并由CPU1101执行时，可以执行上文描述的方法中的一个或多个动作。
另外地，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述抛物检测方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端上，使得在计算机或其他可编程终端上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端中还存在另外的相同要素。
以上对本申请所提供的一种抛物检测方法、一种抛物检测装置、一种电子设备和一种计算机可读存储介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (11)

1.一种抛物检测方法，其特征在于，所述方法包括：
获取在当前时刻采集的目标图像；
基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；
在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；
根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
2.根据权利要求1所述的方法，其特征在于，所述基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象，包括：
对所述目标图像进行压缩处理，生成目标压缩图像；
基于所述预设背景检测模型对所述目标压缩图像进行处理，得到所述目标压缩图像内的非背景点作为所述目标像素点；
根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标像素点组成的轮廓的面积，确定所述目标图像内是否存在所述目标运动对象，包括：
在所述轮廓的面积大于或者等于面积阈值的情况下，确定所述目标图像内存在所述目标运动对象；
在所述轮廓的面积小于所述面积阈值的情况下，确定所述目标图像内不存在所述目标运动对象。
4.根据权利要求1所述的方法，其特征在于，在所述获取在当前时刻采集的目标图像之前，还包括：
根据当前时刻对应的前一时刻的图像，获取N条运动轨迹；其中，N为大于等于2的正整数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹，包括：
基于卡尔曼滤波器对所述目标运动对象在所述目标图像内的对象坐标进行校准，得到所述校准位置；
基于所述卡尔曼滤波器对所述N条运动轨迹和N条运动轨迹在所述前一时刻的运动对象的位置，预测得到N条运动轨迹在当前时刻的预测位置；
根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹。
6.根据权利要求5所述的方法，其特征在于，所述根据所述预测位置和所述校准位置，确定所述目标运动对象对应的目标运动轨迹，包括：
获取所述预测位置中与所述校准位置之间的距离小于第一距离阈值的目标预测位置；
将所述目标预测位置对应的运动轨迹确定为所述目标运动对象对应的目标运动轨迹。
7.根据权利要求1所述的方法，其特征在于，所述根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象，包括：
获取所述校准位置与所述轨迹起点之间的目标距离；
根据预先建立的图像坐标系，获取所述校准位置对应的纵轴坐标的绝对值；
根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象。
8.根据权利要求7所述的方法，其特征在于，所述根据所述目标距离、所述轨迹点数量和所述纵轴坐标的绝对值，判定所述目标运动对象是否为高空抛物对象，包括：
比较所述目标距离与第二距离阈值之间的大小关系；
比较所述轨迹点数量与预设数量阈值之间的大小关系；
比较所述纵轴坐标的绝对值与所述目标图像在纵轴方向上的尺寸的一半的大小关系；
在所述目标距离大于所述第二距离阈值，所述轨迹点数量大于所述预设数量阈值，且所述纵轴坐标的绝对值大于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为高空抛物对象；
在所述目标距离小于等于所述第二距离阈值，和/或所述轨迹点数量小于等于所述预设数量阈值，和/或所述纵轴坐标的绝对值小于等于所述目标图像在纵轴方向上的尺寸的一半的情况下，判定所述目标运动对象为非高空抛物对象。
9.一种抛物检测装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取在当前时刻采集的目标图像；
目标对象确定模块，用于基于预设背景检测模型对所述目标图像进行处理，确定所述目标图像内是否存在目标运动对象；
目标轨迹确定模块，用于在所述目标图像内存在所述目标运动对象的情况下，根据所述目标运动对象在所述目标图像内的校准位置，确定所述目标运动对象对应的目标运动轨迹；
高空抛物判定模块，用于根据所述校准位置、所述目标运动轨迹的轨迹起点、及所述目标运动轨迹对应的轨迹点数量，判定所述目标运动对象是否为高空抛物对象。
10.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至8中任一项所述的抛物检测方法。
11.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1至8中任一项所述的抛物检测方法。
CN202211226241.9A 2022-10-09 2022-10-09 抛物检测方法、装置、电子设备及存储介质 Pending CN116630365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211226241.9A CN116630365A (zh) 2022-10-09 2022-10-09 抛物检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211226241.9A CN116630365A (zh) 2022-10-09 2022-10-09 抛物检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116630365A true CN116630365A (zh) 2023-08-22

Family

ID=87596050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211226241.9A Pending CN116630365A (zh) 2022-10-09 2022-10-09 抛物检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116630365A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934556A (zh) * 2024-03-25 2024-04-26 杭州海康威视数字技术股份有限公司 高空抛物的检测方法、装置、存储介质和电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117934556A (zh) * 2024-03-25 2024-04-26 杭州海康威视数字技术股份有限公司 高空抛物的检测方法、装置、存储介质和电子设备

Similar Documents

Publication Publication Date Title
CN109309811B (zh) 一种基于计算机视觉的高空抛物检测系统与方法
WO2021184894A1 (zh) 一种去模糊的人脸识别方法、系统和一种巡检机器人
US8073261B2 (en) Camera tampering detection
WO2021139049A1 (zh) 检测方法、检测装置、监控设备和计算机可读存储介质
CN110647822A (zh) 高空抛物行为识别方法、装置、存储介质及电子设备
CN110084130B (zh) 基于多目标跟踪的人脸筛选方法、装置、设备及存储介质
CN111462155B (zh) 移动侦测方法、装置、计算机设备和存储介质
CN110751630A (zh) 基于深度学习的输电线路异物检测方法、装置及介质
CN110717408B (zh) 一种基于tof相机的人流计数方法
KR102391853B1 (ko) 영상 정보 처리 시스템 및 방법
JP2014027442A (ja) 画像処理装置、画像処理方法、およびプログラム
CN112652021B (zh) 相机偏移检测方法、装置、电子设备及存储介质
CN110679586B (zh) 一种输电网鸟类驱赶方法及其系统、计算机可读存储介质
CN113936252A (zh) 基于视频监控的电瓶车智能管理系统及方法
CN116630365A (zh) 抛物检测方法、装置、电子设备及存储介质
CN114936975A (zh) 一种模型的训练方法、人脸识别方法、装置及介质
CN117221609B (zh) 一种高速公路收费业务集中监控值机系统
CN113158963B (zh) 一种高空抛物的检测方法及装置
CN112669294B (zh) 相机遮挡检测方法、装置、电子设备及存储介质
CN116805435B (zh) 一种数电机房智能巡检装置
CN117745709A (zh) 一种铁路异物侵限检测方法、系统、设备及介质
CN113963307A (zh) 目标上内容的识别及视频采集方法、装置、存储介质、计算机设备
CN115719362B (zh) 一种高空抛物检测方法、系统、设备及存储介质
CN113496136B (zh) 无人机及其影像识别方法
CN113554685A (zh) 遥感卫星运动目标检测方法、装置、电子设备及存储介质

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