CN117474983A - 一种基于光视联动的预警方法以及相关装置 - Google Patents
一种基于光视联动的预警方法以及相关装置 Download PDFInfo
- Publication number
- CN117474983A CN117474983A CN202311809843.1A CN202311809843A CN117474983A CN 117474983 A CN117474983 A CN 117474983A CN 202311809843 A CN202311809843 A CN 202311809843A CN 117474983 A CN117474983 A CN 117474983A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- monitoring
- image data
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 193
- 230000011218 segmentation Effects 0.000 claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 230000033001 locomotion Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000009471 action Effects 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 239000013307 optical fiber Substances 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于光视联动的预警方法以及相关装置,属于数据处理技术领域。该方法包括:利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当监视状态满足预设状态时,则获得目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;对第一图像数据和第二图像数据进行背景去除获得第一目标数据和第二目标数据;根据第一时刻和第二时刻将第一目标数据和第二目标数据进行目标融合获得目标监视图像;对目标监视图像进行动作分割获得分割结果,并根据分割结果确定监测对象的运动方向;根据运动方向确定监测对象的异常状态;根据异常状态确定目标位置对应的异常处理策略,并根据异常处理策略执行对应的预警动作。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于光视联动的预警方法以及相关装置。
背景技术
在传统安防监控预警系统中,特别是针对油气管网、围墙等目标区域的安防监控预警,一般采用传感器设在目标区域的周边可以感知目标区域的各种物理参数变化,如振动、温度、压力等,并将传感数据传输到监控预警中心进行分析和处理,但是在面对复杂的场景时,仅仅依靠传感器存在很难确定异常事件发生的具体位置、很难准确判断目标的异常状态等问题,导致无法提供足够的准确度和实时性,在目标检测和异常状态判断方面存在一定的局限性。
发明内容
本发明实施例的主要目的在于提供一种基于光视联动的预警方法以及相关装置,旨在解决相关技术中在判断目标的异常状态时无法准确判断,从而导致监控结果无法提供足够的准确度和实时性,尤其在目标检测和异常状态判断方面存在一定的局限性的问题。
第一方面,本发明实施例提供一种基于光视联动的预警方法,包括:
利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;
对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;
根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;
对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;
根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;
根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
第二方面,本发明实施例提供一种基于光视联动的预警装置,包括:
数据获取模块,用于利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;
背景去除模块,用于对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;
目标融合模块,用于根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;
方向确定模块,用于对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;
状态确定模块,用于根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;
策略执行模块,用于根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
第三方面,本发明实施例还提供一种终端设备,所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,其中所述计算机程序被所述处理器执行时,实现如本发明说明书提供的任一项基于光视联动的预警方法的步骤。
第四方面,本发明实施例还提供一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明说明书提供的任一项基于光视联动的预警方法的步骤。
本发明实施例提供一种基于光视联动的预警方法以及相关装置,本发明包括利用光纤传感对目标位置进行监视获得目标位置对应的监视状态,当监视状态满足预设状态时,则获得目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;对第一图像数据进行背景去除,获得第一图像数据对应的第一目标数据和对第二图像数据进行背景去除,获得第二图像数据对应的第二目标数据;根据第一时刻和第二时刻将第一目标数据和第二目标数据进行目标融合,获得目标位置对应的目标监视图像;进而对目标监视图像进行动作分割获得分割结果,再根据分割结果确定目标位置对应的监测对象的运动方向;根据运动方向确定目标位置对应的监测对象的异常状态;最后根据异常状态确定目标位置对应的异常处理策略,并根据异常处理策略执行对应的预警动作。本申请中将不同时刻下的第一目标数据和第二目标数据进行目标融合,从而将监控对象在不同时刻下的信息呈现至同一目标监视图像中,进而对目标监视图像进行动作分割,获得监控对象在不同时刻下的分割结果,从而根据分割结果判断监测对象的运动方向,进而根据运动方向确定目标位置对应的监测对象的异常状态;最后根据异常状态确定目标位置对应的异常处理策略,并根据异常处理策略执行对应的预警动作。本申请提高了对油气管网、围墙等目标区域的安防监控能力,该方法具有较高的准确性、实时性和灵敏度,能够及时发现并处理异常情况,提供有效的安全保障。并解决了相关技术中处于复杂场景下(例如监测对象入侵的场景)在判断目标的异常状态时无法准确判断,从而导致监控结果无法提供足够的准确度和实时性,尤其在目标检测和异常状态判断方面存在一定的局限性的问题。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例提供的一种基于光视联动的预警方法的流程示意图;
图2为本发明实施例提供的一种基于光视联动的预警装置的模块结构示意图;
图3为本发明实施例提供的一种终端设备的结构示意框图。
实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种基于光视联动的预警方法以及相关装置。其中,该基于光视联动的预警方法可应用于终端设备中,该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器,也可以为服务器集群。
下面结合附图,对本发明的一些实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本发明实施例提供的一种基于光视联动的预警方法的流程示意图。
如图1所示,该基于光视联动的预警方法包括步骤S101至步骤S106。
步骤S101、利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据。
示例性地,在目标位置对应的监测区域设置光纤传感器(例如分布式光纤传感器),进而当光纤传感器的传输参数发生变化时,则将目标位置对应的监视状态确定为触发状态;当光纤传感器的传输参数未发生变化时,则将目标位置对应的监视状态确定为未触发状态;预设状态为触发状态,进而当监视状态为触发状态时,则采用摄像头对目标位置进行视频采集,从而获得目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据。
例如,光纤传感器的作用是监测目标位置对应的监测区域的压力是否发生变化,则当有人或者其它动物处于光纤传感器的监测范围时,则光纤传感器采集的压力参数将发生变化,则此时目标位置对应的监视状态将确定为触发状态,进而目标位置对应的摄像头将会对目标位置进行视频采集,从而获得目标位置对应的视频数据,进而从视频数据中获得连续相邻时刻下的图像数据,可以是第一时刻下的第一图像数据和第二时刻下的第二图像数据,也可以是第一时刻下的第一图像数据、第二时刻下的第二图像数据和第三时刻下的第三图像数据。
可选地,本申请对获得多个时刻下的图像数量不做具体限制,用户可根据实际需求自行设置。
步骤S102、对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据。
示例性地,当目标位置对应的监测区域出现监测对象时,则目标位置对应的摄像头会对该目标位置进行监测,从而获得不同时刻下的图像数据。但是在获得的第一图像数据和第二图像数据中存在背景,该背景对于待监测对象后续运动方向的判定具有干扰作用,为此为减少第一图像数据和第二图像数据中背景信息的干扰,提高后续预警行为的准确性,进而对第一图像数据进行背景去除,获得第一图像数据对应的第一目标数据和对第二图像数据进行背景去除,获得第二图像数据对应的第二目标数据。
在一些实施方式中,所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据,包括:获得所述目标位置对应的背景图像,并确定背景阈值;将所述第一图像数据和所述背景图像进行作差,获得第一差值图像;将所述第一差值图像和所述背景阈值进行比较,确定所述第一图像数据对应的所述第一目标数据;将所述第二图像数据和所述背景图像进行作差,获得第二差值图像;将所述第二差值图像和所述背景阈值进行比较,确定所述第二图像数据对应的所述第二目标数据。
示例性地,在获得第一时刻下的第一图像数据和第二时刻下的第二图像数据之前,首先采集目标对象对应的背景图像,也即当监测对象未出现在目标位置时,目标位置对应的图像确定为背景图像。
例如,监测对象为人物,则当监测对象未出现在目标位置时,或者监测对象未使得目标位置对应的监视状态切换为触发状态时,采集目标位置时获得的背景图像。
示例性地,将第一图像数据减去背景图像获得第一差值图像;将第一差值图像和背景阈值进行比较,当第一差值图像中像素位置对应的像素值小于背景阈值时,则将该像素位置确定为背景并将该像素位置对应的像素值设置为0,当第一差值图像中像素位置对应的像素值大于或者等于背景阈值时,则将该像素位置确定为监测对象并将该像素位置对应的像素值设置为1,进而获得第一目标数据。同理,将第二图像数据减去背景图像获得第二差值图像;将第二差值图像和背景阈值进行比较,当第二差值图像中像素位置对应的像素值小于背景阈值时,则将该像素位置确定为背景并将该像素位置对应的像素值设置为0,当第二差值图像中像素位置对应的像素值大于或者等于背景阈值时,则将该像素位置确定为监测对象并将该像素位置对应的像素值设置为1,进而获得第二目标数据。
示例性地,获得背景图像时,不同时刻或不同天气下的背景图像存在较大差异,因此,为减少背景判断的误差,则在设置背景阈值时,可根据第一时刻和第二时刻下当前的天气信息,对背景阈值进行调整,以使得背景阈值可满足不同时刻下确定背景位置的需求。
在一些实施方式中,所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据,包括:根据多个高斯分布构建背景模型,进而根据所述背景模型获得所述第一图像数据中每个像素位置为背景元素的第一背景概率;根据所述第一背景概率确定所述第一图像数据对应的所述第一目标数据;根据所述背景模型获得所述第二图像数据中每个像素位置为背景元素的第二背景概率;根据所述第二背景概率确定所述第二图像数据对应的所述第二目标数据。
示例性地,图像数据中任意像素位置下的像素值在时间轴上符合高斯分布,因此,可以用多个高斯分布构建背景模型,通过不断更新背景模型来适应背景的变化,故而当背景变化时也能够得到较好的效果。
示例性地,根据背景模型获得第一图像数据中每个像素位置为背景元素的第一背景概率;当第一背景概率大于或者等于背景概率阈值时,则将该像素位置确定为背景并将该像素位置对应的像素值设置为0,当第一背景概率小于背景概率阈值时,则将该像素位置确定为监测对象并将该像素位置对应的像素值设置为1,进而获得第一目标数据。
示例性地,根据背景模型获得第二图像数据中每个像素位置为背景元素的第二背景概率;当第二背景概率大于或者等于背景概率阈值时,则将该像素位置确定为背景并将该像素位置对应的像素值设置为0,当第二背景概率小于背景概率阈值时,则将该像素位置确定为监测对象并将该像素位置对应的像素值设置为1,进而获得第二目标数据。
例如,可根据下列公式确定获得第一图像数据中每个像素位置为背景元素的第一背景概率或者确定获得第二图像数据中每个像素位置为背景元素的第二背景概率:
;
其中,表示第t时刻下该第t图像数据中的像素位置属于背景元素的第t背景概率,t可以为1或2中的任一者;为第t时刻下第i个高斯分布对应的权重信息;表示第i个高斯分布;表示第t时刻下第i个高斯分布对应的均值信息;表示第t时刻下第i个高斯分布对应的方差信息。
在一些实施方式中,所述根据多个高斯分布构建背景模型,包括:获得多个时刻下的训练图像,并确定所述训练图像对应的高斯通道数;根据所述高斯通道数确定所述训练图像在对应时刻下的像素值对应的初始均值和初始方差以及所述高斯通道数对应的每个高斯分布对应的权重信息;根据所述初始方差和所述权重信息对所述高斯分布进行匹配,获得匹配结果;当所述匹配结果为匹配不成功时,则更新所述初始均值、所述初始方差和所述权重信息;当所述匹配结果为匹配成功时,则获得所述背景模型。
示例性地,采集多个时刻下的训练图像,训练图像可以是对目标位置在不同时刻下采集得到的。并确定训练图像对应的高斯通道数,通过高斯通道数来综合确定该训练图像中像素位置是否为背景。
可选地,高斯通道数可以为3、4、5等等,本申请不做具体限制,用户可根据实际需求自行设置。
示例性地,高斯通道数为4,则利用4个高斯分布来对背景概率进行计算,若训练数据包括t1时刻、t2时刻、t3时刻下的图像数据,则将t1时刻、t2时刻、t3时刻下的图像数据以及图像数据在不同高斯分布下的初始均值和初始方差进行设置。例如,初始均值为t1时刻下图像数据的像素均值,初始方差为t1时刻下图像数据的像素方差。
示例性地,不同参数下的高斯分布对背景概率的计算作用不同,则对不同参数下的高斯分布设置对应的权重信息,该权重信息此时为初始权重,则可根据高斯通道数将1进行平分,从而确定不同参数下的高斯分布对应的初始权重。例如,高斯通道数为4,则可知不同参数下的高斯分布对应的初始权重为1/4=0.25。
示例性地,获得t1时刻下的的图像信息,并根据权重信息和初始方差的比值信息,将多个高斯分布从高到低进行排列,则将t1时刻下的图像信息依次与排列后的高斯分布进行匹配,当满足匹配条件时,则匹配结果为匹配成功,当不满足匹配条件时,则匹配结果为匹配不成功。
示例性地,匹配条件为,则当t1时刻下图像信息中像素位置的像素值满足与第k个高斯分布的均值之间的误差绝对值小于2.5倍下的第k个高斯分布的方差时,则匹配结果为匹配成功,否则匹配结果为匹配不成功。
示例性地,当匹配结果为匹配不成功时,则更新初始均值、初始方差和权重信息。
示例性地,当t1时刻下图像信息中像素位置的像素值分别与k个高斯分布进行匹配时,存在与高斯分布匹配成功,也存在与高斯分布匹配不成功的,则利用学习率对不同高斯分布对应的权重信息进行更新,如下列公式所示:
;
其中,为第i个高斯分布对应的更新后的权重信息,为学习率,为第i个高斯分布对应的匹配结果,当匹配结果为匹配成功时,则等于1;当匹配结果为匹配不成功时,则等于0。表示第i个高斯分布对应的当前的权重信息。i的取值范围为1到k,可表示高斯分布对应的高斯通道数。
示例性地,当t1时刻下图像信息中像素位置的像素值分别与k个高斯分布进行匹配时,当匹配结果为匹配不成功时,则更新高斯分布对应的初始均值和初始方差。如下列公式所示:
;
;
其中,表示第i个高斯分布更新后的初始均值,表示第i个高斯分布更新后的初始方差,为学习率,表示t1时刻下的图像信息在第i个高斯分布中对应的概率信息;表示第i个高斯分布的初始均值,表示第i个高斯分布的初始方差;表示t1时刻下图像信息中像素位置的像素值。
示例性地,获得更新后的初始均值、初始方差和权重信息,进而将t1时刻、t2时刻、t3时刻下的图像数据依次输入匹配条件进行重新匹配,直至全部匹配成功则获得背景模型。其中,当匹配过程中,若当前的高斯通道数下的高斯分布在每个时刻下的图像数据均不满足匹配条件,则增加一个高斯通道数,重新进行匹配,直至获得背景模型。
步骤S103、根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像。
示例性地,将第一图像数据进行背景去除获得第一目标数据和将第二图像数据进行背景去除获得第二目标数据,进而当监测对象运动时,监测对象在第一时刻下的第一目标数据中的位置和在第二时刻下的第二目标数据中的位置是不同的。
示例性地,将第一时刻转换为第一时间戳和将第二时刻转换为第二时间戳,进而将第一时间戳和第二时间戳分别转换成0-255之间对应的第一像素和第二像素,则将第一目标数据中监测对象对应的像素值转换为第一像素获得第三目标数据,并将第二目标数据中监测对象对应的像素值转换为第二像素获得第四目标数据,进而将第三目标数据和第四目标数据进行求和,从而获得目标位置对应的目标监视图像。
在一些实施方式中,所述根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像,包括:确定第一监视图像,并设置预设时间间隔;将所述第一时刻对应的第一时间戳更新至所述第一目标数据,获得第一目标图像,并将所述第二时刻对应的第二时间戳更新至所述第二目标数据,获得第二目标图像;确定所述第一目标图像和所述第一监视图像中对应的像素值之间的第一时间差值,并根据所述第一时间差值和所述预设时间间隔更新所述第一监视图像,获得第二监视图像;获得所述第二目标图像和所述第二监视图像中对应的像素值之间的第二时间差值,并根据所述第二时间差值和所述预设时间间隔更新所述第二监视图像,获得所述目标监视图像;其中,根据下列公式确定所述目标监视图像:
;
其中,表示所述目标监视图像在水平坐标x和垂直坐标y下对应的像素值,表示所述预设时间间隔,表示所述第二时刻,表示所述第二监视图像在水平坐标x和垂直坐标y下对应的像素值。
示例性地,第一监视图像为像素值全部为0的图像,则在获得目标监视图像图像,创建一个像素值全部为0的图像作为第一监视图像。
示例性地,第一目标数据为第一时刻下去除背景后的图像数据,则第一目标数据中只包含监测对象,进而将第一目标数据中对应的监测对象的像素至变换成第一时刻对应的时间戳,从而获得第一目标图像。则在获得第一目标图像后,可清楚得到该监测对象当前状态对应的时间。进而将第一目标图像直接赋值给第一监视图像获得第二监视图像。
示例性地,当第一监视图像不为像素值全部为0的图像时,则第一监视图像为最近一段时间的监测图像,并且第一监视图像中对应的像素值也表示获得该监测结果对应的采集时间。进而将第一目标图像和第一监视图像中对应的像素值之间进行差值,也即是将不同的采集时间进行做差,从而获得对应的第一时间差值,将第一时间差值和预设时间间隔进行比较,当第一时间差值大于预设时间间隔时,则将第一监视图像中的一段时间之前的像素值赋值为0,当第一时间差值小于或者等于预设时间间隔时,则将第一监视图像中对应像素位置的像素值更新为第一时刻对应的第一时间戳,从而实现对第一监视图像的更新,获得第二监视图像。
示例性地,获得第二时刻对应的第二目标图像,则将第二目标图像和第二监视图像中对应的像素值之间的第二时间差值,则当第二时间差值大于预设时间间隔时,则将第二监视图像中对应像素位置的像素值设置为0;当第二时间差值小于或者等于预设时间间隔时,则将第二监视图像中对应像素位置的像素值设置为第二时刻对应的时间戳,从而实现对第二监视图像的更新获得目标监视图像。其中,目标监视图像可根据下列公式获得:
;
其中,表示目标监视图像在水平坐标x和垂直坐标y下对应的像素值,表示预设时间间隔,表示第二时刻或者第二时刻对应的时间戳,表示第二监视图像在水平坐标x和垂直坐标y下对应的像素值。
示例性地,目标监视图像的更新与获得不同时刻下的图像数据有关,也与获得的时刻数量有关。当获得第三时刻对应的第三图像数据时,则还需根据第三图像数据对目标监视图像继续更新,直至将全部时刻的图像数据中的信息均呈现在目标监视图像中。
示例性地,当获得目标监视图像后,由于目标监视图像中的像素值为不同时刻获得的监测对象的时间戳,进而当时间戳大于1或者255时,在图像显示时无法直接区分出来,进而将目标监视图像进行映射,使得像素值映射至0-255区间内,则可得到映射后的目标监视图像。并且该目标监视图像中距离当前时刻越近则视觉效果越亮,当距离当前时刻越远也即较早时刻的信息则视觉效果较暗。故而经过像素映射的目标监视图像可以清晰的获得监测对象在不同时刻的位置,进而为后续获得监测对象的运动方向提供良好的支撑。
步骤S104、对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向。
示例性地,获得目标监视图像中相邻像素位置之间的像素差值,当像素差值满足预设差值时,则将对应像素位置确定为分割位置,将像素差值相同的分割位置进行连线,从而确定分割线,进而根据分割线对目标监视图像进行动作分割,从而获得对应的分割结果。
示例性地,根据分割线获得目标监视图像对应的分割结果后,其中,分割结果包括多个分割区域,则获得不同分割区域对应的区域中心,进而将分割区域对应的区域中心进行相连获得中心连接线,并根据分割区域对应的时刻信息,获得中心连接线对应的方向信息,从而根据中心连接线和中心连接线对应的方向信息确定目标位置对应的监测对象的运动方向。
例如,分割结果包括多个分割区域,分割区域从左到右依次排列在目标监视图像中,若分割区域对应的时刻距离当前时刻为从近到远,也即最左侧的分割区域为距离当前时刻最近时采集得到的信息。进而可根据不同分割区域对应的时刻信息获得监测对象的运动方向为从右至左。
在一些实施方式中,所述对所述目标监视图像进行动作分割获得分割结果,包括:获得所述目标监视图像中第二时刻对应的第一目标边缘,并根据所述第一目标边缘在所述目标监视图像中进行查找,获得所述第一目标边缘对应的第一连通域;根据所述第一连通域确定所述第一时刻对应的第二目标边缘;根据所述第一目标边缘和所述第二目标边缘获得所述分割结果。
示例性地,目标监视图像中表示监测对象的像素点并不是所有的点均可用来计算该监测对象对应的运动方式,只有边界上的点才能表示运动方向,进而求解目标监视图像中第二时刻对应的第一目标边缘和第一时刻对应的第二目标边缘。
示例性地,第二时刻为距离当前时刻最近的时刻,则目标监视图像中第二时刻对应的像素值较大,则获得目标监视图像中像素值较大时对应的第一目标边缘,进而根据第一目标边缘在目标监视图像中进行查找,将第一目标边缘周围与第一目标边缘像素值不同的区域,并且该区域对应的像素值为第一时刻对应的时间戳,则将该区域确定为第一目标边缘对应的第一连通域。
示例性地,在第一连通域中继续往外查找,获得与第一时刻对应的时间戳不同的像素位置,从而获得第一时刻对应的第二目标边缘。从而根据第一目标边缘和第二目标边缘对目标监视图像进行分割,从而获得对应的分割结果。
示例性地,当目标监视图像中不只包含监测对象在第一时刻和第二时刻时对应的信息时,则还可继续获得其它时刻对应的目标边缘,从而对目标监视图像进行分割,获得对应的分割结果。
例如,遍历目标监视图像,寻找属于第二时刻的像素点,并对第二时刻的像素点进行分析获得第二时刻在目标监视图像中处于第二时刻和第一时刻交界界上的点,进而作为第一目标边缘; 进而判断第一目标边缘周围的像素点中是否有与该像素点邻近时间戳的相邻像素点,若没有则继续逆时针遍历第一目标边缘上的像素点,直到获得相邻像素点,进而用一个新值标记这个相邻像素点,并用新值标记这个相邻像素点的相同像素值的位置,从而获得第一目标边缘对应的第一连通域,可知第一连通域为第二时刻的上一时刻的信息,再以这个第一连通域为基准,依此不断寻找周围前一个时间戳的连通域并标记,当标记完成后,将标记的区域提取出来,进而得到了分割结果。
在一些实施方式中,所述根据所述分割结果确定所述目标位置对应的监测对象的运动方向,包括:对所述分割结果进行梯度求解,获得所述分割结果对应的梯度分布;根据所述梯度分布确定所述分割结果对应的初始梯度方向;将所述梯度分布和所述初始梯度方向进行差值计算,获得对应的差值结果;根据所述梯度分布对应的像素位置的目标时间确定所述差值结果对应的差值权重;根据所述差值结果和所述差值权重对所述初始梯度方向进行更新,获得所述分割结果对应的全局梯度方向;根据所述全局梯度方向确定所述目标位置对应的所述监测对象的所述运动方向。
示例性地,利用梯度算子如Sobel算子对分割结果进行梯度求解,从而获得分割结果对应的梯度分布,进而对梯度分布进行求取均值,从而获得分割结果对应的初始梯度方向,或者将梯度分布中数量最多的梯度方向确定为分割结果对应的初始梯度方向。
示例性地,将梯度分布与初始梯度方向进行差值计算,获得对应的差值结果。由于不同时刻下的监测对象在目标监视图像对应的分割结果对运动方向的判断的权重不同,时间距离现在最近的点,对应的梯度方向的权重越大,进而将梯度分布对应的像素位置的目标时间也即目标监视图像中像素值为时间戳时的数据归一化到0-1之间,从而将该归一化结果确定为对应差值结果的差值权重。
例如,梯度分布对应像素位置的目标时间包括t1、t2、t3等等,则将t1、t2、t3归一化至0-1之间获得w1、w2、w3,则分别将w1、w2、w3作为对应的梯度分布的差值结果的差值权重。
示例性地,根据差值结果和差值权重进行加权求和,从而获得求和结果,进而将求和结果除以全部差值权重之和获得梯度更新值,进而将梯度更新值和
初始梯度方向进行求和,从而实现对初始梯度方向的更新,获得分割结果对应的全局梯度方向;从而根据全局梯度方向在梯度值和运动方向的映射表中进行查询,从而获得目标位置对应的监测对象的运动方向。
步骤S105、根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态。
示例性地,根据运动方向判断目标位置对应的监测对象是否存在跨越围墙或者油气管网的行为,当运动方向确定监测对象对应的异常行为为在围墙或油气管网周围游荡时,则将异常状态确定为需要工作人员进行提醒的状态;当运动方向确定监测对象对应的异常行为为翻越围墙或油气管网时,则将异常状态确定为需要工作人员进行拦截的状态。
步骤S106、根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
示例性地,当异常状态为需要工作人员进行提醒的状态时,则目标位置对应的异常处理策略为播放相关语音,并将监测结果发送至相关工作人员进行提醒,以引起相关工作人员的重视。
示例性地,当异常状态为需要工作人员进行拦截的状态时,则将通过警报或通知,将异常状态及相关信息发送给工作人员,以便他们能够及时到达目标位置并及时采取行动。
请参阅图2,图2为本申请实施例提供的一种基于光视联动的预警装置200,该基于光视联动的预警装置200包括数据获取模块201、背景去除模块202、目标融合模块203、方向确定模块204、状态确定模块205、策略执行模块206,其中,数据获取模块201,用于利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;背景去除模块202,用于对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;目标融合模块203,用于根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;方向确定模块204,用于对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;状态确定模块205,用于根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;策略执行模块206,用于根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
在一些实施方式中,背景去除模块202在所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据过程中,执行:
获得所述目标位置对应的背景图像,并确定背景阈值;
将所述第一图像数据和所述背景图像进行作差,获得第一差值图像;
将所述第一差值图像和所述背景阈值进行比较,确定所述第一图像数据对应的所述第一目标数据;
将所述第二图像数据和所述背景图像进行作差,获得第二差值图像;
将所述第二差值图像和所述背景阈值进行比较,确定所述第二图像数据对应的所述第二目标数据。
在一些实施方式中,背景去除模块202在所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据过程中,执行:
根据多个高斯分布构建背景模型,进而根据所述背景模型获得所述第一图像数据中每个像素位置为背景元素的第一背景概率;
根据所述第一背景概率确定所述第一图像数据对应的所述第一目标数据;
根据所述背景模型获得所述第二图像数据中每个像素位置为背景元素的第二背景概率;
根据所述第二背景概率确定所述第二图像数据对应的所述第二目标数据。
在一些实施方式中,背景去除模块202在所述根据多个高斯分布构建背景模型过程中,执行:
获得多个时刻下的训练图像,并确定所述训练图像对应的高斯通道数;
根据所述高斯通道数确定所述训练图像在对应时刻下的像素值对应的初始均值和初始方差以及所述高斯通道数对应的每个高斯分布对应的权重信息;
根据所述初始方差和所述权重信息对所述高斯分布进行匹配,获得匹配结果;
当所述匹配结果为匹配不成功时,则更新所述初始均值、所述初始方差和所述权重信息;
当所述匹配结果为匹配成功时,则获得所述背景模型。
在一些实施方式中,目标融合模块203在所述根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像过程中,执行:
确定第一监视图像,并设置预设时间间隔;
将所述第一时刻对应的第一时间戳更新至所述第一目标数据,获得第一目标图像,并将所述第二时刻对应的第二时间戳更新至所述第二目标数据,获得第二目标图像;
确定所述第一目标图像和所述第一监视图像中对应的像素值之间的第一时间差值,并根据所述第一时间差值和所述预设时间间隔更新所述第一监视图像,获得第二监视图像;
获得所述第二目标图像和所述第二监视图像中对应的像素值之间的第二时间差值,并根据所述第二时间差值和所述预设时间间隔更新所述第二监视图像,获得所述目标监视图像;
其中,根据下列公式确定所述目标监视图像:
;
其中,表示所述目标监视图像在水平坐标x和垂直坐标y下对应的像素值,表示所述预设时间间隔,表示所述第二时刻,表示所述第二监视图像在水平坐标x和垂直坐标y下对应的像素值。
在一些实施方式中,方向确定模块204在所述对所述目标监视图像进行动作分割获得分割结果过程中,执行:
获得所述目标监视图像中第二时刻对应的第一目标边缘,并根据所述第一目标边缘在所述目标监视图像中进行查找,获得所述第一目标边缘对应的第一连通域;
根据所述第一连通域确定所述第一时刻对应的第二目标边缘;
根据所述第一目标边缘和所述第二目标边缘获得所述分割结果。
在一些实施方式中,方向确定模块204在所述根据所述分割结果确定所述目标位置对应的监测对象的运动方向过程中,执行:
对所述分割结果进行梯度求解,获得所述分割结果对应的梯度分布;
根据所述梯度分布确定所述分割结果对应的初始梯度方向;
将所述梯度分布和所述初始梯度方向进行差值计算,获得对应的差值结果;
根据所述梯度分布对应的像素位置的目标时间确定所述差值结果对应的差值权重;
根据所述差值结果和所述差值权重对所述初始梯度方向进行更新,获得所述分割结果对应的全局梯度方向;
根据所述全局梯度方向确定所述目标位置对应的所述监测对象的所述运动方向。
在一些实施方式中,基于光视联动的预警装置200可应用于终端设备。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的基于光视联动的预警装置200的具体工作过程,可以参考前述基于光视联动的预警方法实施例中的对应过程,在此不再赘述。
请参阅图3,图3为本发明实施例提供的一种终端设备的结构示意性框图。
如图3所示,终端设备300包括处理器301和存储器302,处理器301和存储器302通过总线303连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器301用于提供计算和控制能力,支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit,CPU),该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,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。
具体地,存储器302可以是Flash芯片、只读存储器 (ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明实施例方案相关的部分结构的框图,并不构成对本发明实施例方案所应用于其上的终端设备的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的基于光视联动的预警方法。
在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;
对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;
根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;
对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;
根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;
根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
在一些实施方式中,处理器301在所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据过程中,执行:
获得所述目标位置对应的背景图像,并确定背景阈值;
将所述第一图像数据和所述背景图像进行作差,获得第一差值图像;
将所述第一差值图像和所述背景阈值进行比较,确定所述第一图像数据对应的所述第一目标数据;
将所述第二图像数据和所述背景图像进行作差,获得第二差值图像;
将所述第二差值图像和所述背景阈值进行比较,确定所述第二图像数据对应的所述第二目标数据。
在一些实施方式中,处理器301在所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据过程中,执行:
根据多个高斯分布构建背景模型,进而根据所述背景模型获得所述第一图像数据中每个像素位置为背景元素的第一背景概率;
根据所述第一背景概率确定所述第一图像数据对应的所述第一目标数据;
根据所述背景模型获得所述第二图像数据中每个像素位置为背景元素的第二背景概率;
根据所述第二背景概率确定所述第二图像数据对应的所述第二目标数据。
在一些实施方式中,处理器301在所述根据多个高斯分布构建背景模型过程中,执行:
获得多个时刻下的训练图像,并确定所述训练图像对应的高斯通道数;
根据所述高斯通道数确定所述训练图像在对应时刻下的像素值对应的初始均值和初始方差以及所述高斯通道数对应的每个高斯分布对应的权重信息;
根据所述初始方差和所述权重信息对所述高斯分布进行匹配,获得匹配结果;
当所述匹配结果为匹配不成功时,则更新所述初始均值、所述初始方差和所述权重信息;
当所述匹配结果为匹配成功时,则获得所述背景模型。
在一些实施方式中,处理器301在根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像过程中,执行:
确定第一监视图像,并设置预设时间间隔;
将所述第一时刻对应的第一时间戳更新至所述第一目标数据,获得第一目标图像,并将所述第二时刻对应的第二时间戳更新至所述第二目标数据,获得第二目标图像;
确定所述第一目标图像和所述第一监视图像中对应的像素值之间的第一时间差值,并根据所述第一时间差值和所述预设时间间隔更新所述第一监视图像,获得第二监视图像;
获得所述第二目标图像和所述第二监视图像中对应的像素值之间的第二时间差值,并根据所述第二时间差值和所述预设时间间隔更新所述第二监视图像,获得所述目标监视图像;
其中,根据下列公式确定所述目标监视图像:
;
其中,表示所述目标监视图像在水平坐标x和垂直坐标y下对应的像素值,表示所述预设时间间隔,表示所述第二时刻,表示所述第二监视图像在水平坐标x和垂直坐标y下对应的像素值。
在一些实施方式中,处理器301在对所述目标监视图像进行动作分割获得分割结果过程中,执行:
获得所述目标监视图像中第二时刻对应的第一目标边缘,并根据所述第一目标边缘在所述目标监视图像中进行查找,获得所述第一目标边缘对应的第一连通域;
根据所述第一连通域确定所述第一时刻对应的第二目标边缘;
根据所述第一目标边缘和所述第二目标边缘获得所述分割结果。
在一些实施方式中,处理器301在所述根据所述分割结果确定所述目标位置对应的监测对象的运动方向过程中,执行:
对所述分割结果进行梯度求解,获得所述分割结果对应的梯度分布;
根据所述梯度分布确定所述分割结果对应的初始梯度方向;
将所述梯度分布和所述初始梯度方向进行差值计算,获得对应的差值结果;
根据所述梯度分布对应的像素位置的目标时间确定所述差值结果对应的差值权重;
根据所述差值结果和所述差值权重对所述初始梯度方向进行更新,获得所述分割结果对应的全局梯度方向;
根据所述全局梯度方向确定所述目标位置对应的所述监测对象的所述运动方向。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端设备的具体工作过程,可以参考前述基于光视联动的预警方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例说明书提供的任一项基于光视联动的预警方法的步骤。
其中,所述存储介质可以是前述实施例所述的终端设备的内部存储单元,例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
应当理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于光视联动的预警方法,其特征在于,所述方法包括:
利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;
对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;
根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;
对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;
根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;
根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据,包括:
获得所述目标位置对应的背景图像,并确定背景阈值;
将所述第一图像数据和所述背景图像进行作差,获得第一差值图像;
将所述第一差值图像和所述背景阈值进行比较,确定所述第一图像数据对应的所述第一目标数据;
将所述第二图像数据和所述背景图像进行作差,获得第二差值图像;
将所述第二差值图像和所述背景阈值进行比较,确定所述第二图像数据对应的所述第二目标数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据,包括:
根据多个高斯分布构建背景模型,进而根据所述背景模型获得所述第一图像数据中每个像素位置为背景元素的第一背景概率;
根据所述第一背景概率确定所述第一图像数据对应的所述第一目标数据;
根据所述背景模型获得所述第二图像数据中每个像素位置为背景元素的第二背景概率;
根据所述第二背景概率确定所述第二图像数据对应的所述第二目标数据。
4.根据权利要求3所述的方法,其特征在于,所述根据多个高斯分布构建背景模型,包括:
获得多个时刻下的训练图像,并确定所述训练图像对应的高斯通道数;
根据所述高斯通道数确定所述训练图像在对应时刻下的像素值对应的初始均值和初始方差以及所述高斯通道数对应的每个高斯分布对应的权重信息;
根据所述初始方差和所述权重信息对所述高斯分布进行匹配,获得匹配结果;
当所述匹配结果为匹配不成功时,则更新所述初始均值、所述初始方差和所述权重信息;
当所述匹配结果为匹配成功时,则获得所述背景模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像,包括:
确定第一监视图像,并设置预设时间间隔;
将所述第一时刻对应的第一时间戳更新至所述第一目标数据,获得第一目标图像,并将所述第二时刻对应的第二时间戳更新至所述第二目标数据,获得第二目标图像;
确定所述第一目标图像和所述第一监视图像中对应的像素值之间的第一时间差值,并根据所述第一时间差值和所述预设时间间隔更新所述第一监视图像,获得第二监视图像;
获得所述第二目标图像和所述第二监视图像中对应的像素值之间的第二时间差值,并根据所述第二时间差值和所述预设时间间隔更新所述第二监视图像,获得所述目标监视图像;
其中,根据下列公式确定所述目标监视图像:
;
其中,表示所述目标监视图像在水平坐标x和垂直坐标y下对应的像素值,表示所述预设时间间隔,表示所述第二时刻,表示所述第二监视图像在水平坐标x和垂直坐标y下对应的像素值。
6.根据权利要求1所述的方法,其特征在于,所述对所述目标监视图像进行动作分割获得分割结果,包括:
获得所述目标监视图像中第二时刻对应的第一目标边缘,并根据所述第一目标边缘在所述目标监视图像中进行查找,获得所述第一目标边缘对应的第一连通域;
根据所述第一连通域确定所述第一时刻对应的第二目标边缘;
根据所述第一目标边缘和所述第二目标边缘获得所述分割结果。
7.根据权利要求1中所述的方法,其特征在于,所述根据所述分割结果确定所述目标位置对应的监测对象的运动方向,包括:
对所述分割结果进行梯度求解,获得所述分割结果对应的梯度分布;
根据所述梯度分布确定所述分割结果对应的初始梯度方向;
将所述梯度分布和所述初始梯度方向进行差值计算,获得对应的差值结果;
根据所述梯度分布对应的像素位置的目标时间确定所述差值结果对应的差值权重;
根据所述差值结果和所述差值权重对所述初始梯度方向进行更新,获得所述分割结果对应的全局梯度方向;
根据所述全局梯度方向确定所述目标位置对应的所述监测对象的所述运动方向。
8.一种基于光视联动的预警装置,其特征在于,包括:
数据获取模块,利用光纤传感对目标位置进行监视获得所述目标位置对应的监视状态,当所述监视状态满足预设状态时,则获得所述目标位置在第一时刻下的第一图像数据和第二时刻下的第二图像数据;
背景去除模块,用于对所述第一图像数据进行背景去除,获得所述第一图像数据对应的第一目标数据和对所述第二图像数据进行背景去除,获得所述第二图像数据对应的第二目标数据;
目标融合模块,用于根据所述第一时刻和所述第二时刻将所述第一目标数据和所述第二目标数据进行目标融合,获得所述目标位置对应的目标监视图像;
方向确定模块,用于对所述目标监视图像进行动作分割获得分割结果,并根据所述分割结果确定所述目标位置对应的监测对象的运动方向;
状态确定模块,用于根据所述运动方向确定所述目标位置对应的所述监测对象的异常状态;
策略执行模块,用于根据所述异常状态确定所述目标位置对应的异常处理策略,并根据所述异常处理策略执行对应的预警动作。
9.一种终端设备,其特征在于,所述终端设备包括处理器、存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的基于光视联动的预警方法。
10.一种计算机存储介质,用于计算机存储,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的基于光视联动的预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311809843.1A CN117474983B (zh) | 2023-12-27 | 2023-12-27 | 一种基于光视联动的预警方法以及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311809843.1A CN117474983B (zh) | 2023-12-27 | 2023-12-27 | 一种基于光视联动的预警方法以及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474983A true CN117474983A (zh) | 2024-01-30 |
CN117474983B CN117474983B (zh) | 2024-03-12 |
Family
ID=89638185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311809843.1A Active CN117474983B (zh) | 2023-12-27 | 2023-12-27 | 一种基于光视联动的预警方法以及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474983B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014249A1 (en) * | 2015-12-28 | 2019-01-10 | Huawei Technologies Co., Ltd. | Image Fusion Method and Apparatus, and Terminal Device |
CN109740527A (zh) * | 2018-12-30 | 2019-05-10 | 杭州铭智云教育科技有限公司 | 一种视频帧中图像处理方法 |
CN111881853A (zh) * | 2020-07-31 | 2020-11-03 | 中北大学 | 一种超大桥隧中异常行为识别方法和装置 |
CN112417937A (zh) * | 2020-07-10 | 2021-02-26 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于时间序列的变电站视频目标检测方法 |
US20220005332A1 (en) * | 2018-10-29 | 2022-01-06 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
CN114298948A (zh) * | 2021-12-08 | 2022-04-08 | 南京理工大学 | 基于PSPNet-RCNN的球机监控异常检测方法 |
CN114998275A (zh) * | 2022-06-09 | 2022-09-02 | 北京百度网讯科技有限公司 | 目标对象的状态识别方法和深度学习模型的训练方法 |
US20220292711A1 (en) * | 2021-03-10 | 2022-09-15 | Beijing Tusen Zhitu Technology Co., Ltd. | Pose estimation method and device, related equipment and storage medium |
WO2023050586A1 (zh) * | 2021-09-28 | 2023-04-06 | 中国科学院深圳先进技术研究院 | 定位传感器的异常检测方法、装置及终端设备 |
CN116703797A (zh) * | 2023-07-07 | 2023-09-05 | 中国平安人寿保险股份有限公司 | 图像融合方法、图像融合系统、计算机设备及存储介质 |
CN116935281A (zh) * | 2023-07-28 | 2023-10-24 | 南京理工大学 | 基于雷达和视频的机动车道异常行为在线监测方法及设备 |
-
2023
- 2023-12-27 CN CN202311809843.1A patent/CN117474983B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190014249A1 (en) * | 2015-12-28 | 2019-01-10 | Huawei Technologies Co., Ltd. | Image Fusion Method and Apparatus, and Terminal Device |
US20220005332A1 (en) * | 2018-10-29 | 2022-01-06 | Hexagon Technology Center Gmbh | Facility surveillance systems and methods |
CN109740527A (zh) * | 2018-12-30 | 2019-05-10 | 杭州铭智云教育科技有限公司 | 一种视频帧中图像处理方法 |
CN112417937A (zh) * | 2020-07-10 | 2021-02-26 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于时间序列的变电站视频目标检测方法 |
CN111881853A (zh) * | 2020-07-31 | 2020-11-03 | 中北大学 | 一种超大桥隧中异常行为识别方法和装置 |
US20220292711A1 (en) * | 2021-03-10 | 2022-09-15 | Beijing Tusen Zhitu Technology Co., Ltd. | Pose estimation method and device, related equipment and storage medium |
WO2023050586A1 (zh) * | 2021-09-28 | 2023-04-06 | 中国科学院深圳先进技术研究院 | 定位传感器的异常检测方法、装置及终端设备 |
CN114298948A (zh) * | 2021-12-08 | 2022-04-08 | 南京理工大学 | 基于PSPNet-RCNN的球机监控异常检测方法 |
CN114998275A (zh) * | 2022-06-09 | 2022-09-02 | 北京百度网讯科技有限公司 | 目标对象的状态识别方法和深度学习模型的训练方法 |
CN116703797A (zh) * | 2023-07-07 | 2023-09-05 | 中国平安人寿保险股份有限公司 | 图像融合方法、图像融合系统、计算机设备及存储介质 |
CN116935281A (zh) * | 2023-07-28 | 2023-10-24 | 南京理工大学 | 基于雷达和视频的机动车道异常行为在线监测方法及设备 |
Non-Patent Citations (1)
Title |
---|
李倩: "基于计算机图像处理的智能监控技术研究", 《安阳师范学院学报》, no. 5, 31 October 2017 (2017-10-31), pages 38 - 42 * |
Also Published As
Publication number | Publication date |
---|---|
CN117474983B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035299B (zh) | 目标跟踪方法、装置、计算机设备及存储介质 | |
US10417503B2 (en) | Image processing apparatus and image processing method | |
CN111898486B (zh) | 监控画面异常的检测方法、装置及存储介质 | |
US20230005176A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
CN112989987B (zh) | 用于识别人群行为的方法、装置、设备以及存储介质 | |
CN112800846B (zh) | 高空抛物的监测方法、装置、电子设备及存储介质 | |
CN114972490B (zh) | 一种数据自动标注方法、装置、设备及存储介质 | |
CN111460917B (zh) | 基于多模态信息融合的机场异常行为检测系统及方法 | |
CN114926726A (zh) | 基于多任务网络的无人船感知方法及相关设备 | |
CN117576778A (zh) | 基于视频流的厂区异常行为监测方法及系统、电子设备 | |
CN115049954A (zh) | 目标识别方法、装置、电子设备和介质 | |
CN111383246A (zh) | 条幅检测方法、装置及设备 | |
CN115331151A (zh) | 一种视频测速方法、装置、电子设备和存储介质 | |
KR20240028290A (ko) | 산불 검출 장치 및 방법 | |
CN114155557B (zh) | 定位方法、装置、机器人及计算机可读存储介质 | |
CN116311084A (zh) | 一种人群聚集的检测方法及视频监控设备 | |
CN112884801B (zh) | 高空抛物检测方法、装置、设备和存储介质 | |
CN113965733A (zh) | 双目视频监控方法、系统、计算机设备及存储介质 | |
CN111985331B (zh) | 预防商业秘密被窃照的检测方法及装置 | |
CN117474983B (zh) | 一种基于光视联动的预警方法以及相关装置 | |
CN115984780B (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 | |
JP7243372B2 (ja) | 物体追跡装置および物体追跡方法 | |
CN112819889A (zh) | 位置信息的确定方法及装置、存储介质、电子装置 | |
CN112073652A (zh) | 位置定位设备 | |
JP6852791B2 (ja) | 情報処理装置、制御方法、及びプログラム |
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 |