CN109684946A - 一种基于单高斯背景建模的厨房老鼠检测方法 - Google Patents
一种基于单高斯背景建模的厨房老鼠检测方法 Download PDFInfo
- Publication number
- CN109684946A CN109684946A CN201811504270.0A CN201811504270A CN109684946A CN 109684946 A CN109684946 A CN 109684946A CN 201811504270 A CN201811504270 A CN 201811504270A CN 109684946 A CN109684946 A CN 109684946A
- Authority
- CN
- China
- Prior art keywords
- target
- mouse
- kitchen
- frame
- modeling
- 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 57
- 230000010354 integration Effects 0.000 claims abstract description 14
- 238000009825 accumulation Methods 0.000 claims abstract description 3
- 230000002123 temporal effect Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims 1
- 238000012790 confirmation Methods 0.000 abstract description 14
- 238000000034 method Methods 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 235000013410 fast food Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于单高斯背景建模的厨房老鼠检测方法,首先初始化全局参数,若为第一帧,则初始化背景模型,否则判断是否满足更新背景间隔时间T0,若满足,则更新均值u与方差d;然后进行背景差分、前景时间积累、输出前景;所述可疑目标检测包括模型参数简化:将均值u设置为整型,取值范围为[0 255];将方差d设置为整型,取值范围为[0 255];增加前景积累时间t,数据类型为整型,取值范围为[0 255]。本发明对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
Description
技术领域
本发明属于通信技术领域,具体涉及一种基于单高斯背景建模的厨房老鼠检测方法。
背景技术
餐饮企业的厨房卫生状况一直饱受消费者诟病,许多宾馆饭店大厅、包间富丽堂皇,然而,厨房却往往惨不忍睹。尤其是餐厅中出现老鼠的事故,最近几年频繁发生。近期,有媒体曾经爆料过,著名的海底捞餐厅,甚至是快餐领域的巨头肯德基和麦当劳的厨房都出现了老鼠的踪迹。
明厨亮灶是国家食品药品监督管理局推行的一项利民工程,即让消费者坐在饭店大厅或者包间,就可以通过透明玻璃或大屏幕将后厨的一举一动尽收眼底。此举既是督促餐饮单位加强自律,也是鼓励他律,使餐饮单位全面接受消费者监督,主动保障饮食安全。
随着视频分析以及人工智能技术的发展与进步,越来越多的事件可以通过视频监控实时进行检测与识别,例如人脸识别、身份认证等。同样,通过视频分析可以对监控场景中的老鼠进行检测。可以实现对老鼠的踪迹进行记录、提前侦测深圳进行报警。
发明内容
本发明的目的在于提供一种基于单高斯背景建模的厨房老鼠检测方法,本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
本发明主要通过以下技术方案实现:一种基于单高斯背景建模的厨房老鼠检测方法,包括可疑目标检测的步骤,首先初始化全局参数,若为第一帧,则初始化背景模型,否则判断是否满足更新背景间隔时间T0,若满足,则更新均值u与方差d;然后进行背景差分、前景时间积累、输出前景。
为了更好的实现本发明,进一步的,所述可疑目标检测包括模型参数简化:将均值u设置为整型,取值范围为[0 255];将方差d设置为整型,取值范围为[0 255];增加前景积累时间t,数据类型为整型,取值范围为[0 255];以视频的第一帧f1初始化均值u,初始化方差d为经验值5,将前景积累时间初始化为0,设fg为前景目标,设背景更新间隔时间为T0,前景检测阈值为thr,前景目标持续时间阈值T1;开始顺序读取视频流的下一帧图像f,其中f(x,y)代表在坐标(x,y)处的图像亮度值。
为了更好的实现本发明,进一步的,所述可疑目标检测中背景更新包括针对每一帧视频图像进行处理,若满足背景更新间隔时间T0,则执行背景模型更新操作:
若f(x,y)>u(x,y),则u(x,y)=u(x,y)+1;
若f(x,y)<u(x,y),则u(x,y)=u(x,y)–1;
若|f(x,y)-u(x,y)|>d(x,y),则d(x,y)=mind(x,y)+1;
若|f(x,y)-u(x,y)|<d(x,y),则d(x,y)=d(x,y)-1;
针对每一帧图像进行处理:
若t(x,y)>T1,则:t(x,y)=0,u(x,y)=f(x,y),d(x,y)=5。
为了更好的实现本发明,进一步的,所述可疑目标检测中背景差分实现前景检测,针对每一帧视频图像进行判断,执行以下操作:
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则fg(x,y)=255;
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则fg(x,y)=0;
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则t(x,y)=min(t(x,y)+1),255);
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则t(x,y)=max(t(x,y)–1,0)。
为了更好的实现本发明,进一步的,所述可疑目标检测包括对视频进行背景建模、更新、实时提取运动前景区域;然后对运动前景二值图进行连通域标记,获取图像中发生移动变化的区域的外接矩形框。
为了更好的实现本发明,进一步的,还包括目标跟踪的步骤:首先建立目标管道,用于存储目标在时间序列上的状态数组;每一个新出现的目标占用一条管道,管道的长度即缓存同一个目标在场景中持续存在的时间,以图像帧数计;然后,当下一帧检测到可疑目标时,则将每个目标与缓存的管道数组进行特征匹配,若匹配成功,则将目标状态写入该管道;若该目标没有对应匹配成功的管道,则该目标是新出现的目标,新建管道并加入;对于每一条目标管道,连续N帧未有目标关联上,即该管道代表的目标已不在监控视场内,则删除管道。
为了更好的实现本发明,进一步的,还包括目标分类的步骤,首先截取可疑目标的当前图像,并进行分辨率归一化,归一化尺寸与机器学习训练的分类器的尺寸保持一致;然后通过机器学习算法预先离线训练好的老鼠分类器,对归一化之后的目标进行分类;最后,进行二次过滤,对每个目标最近连续N帧分类结果进行统计,若N帧中有设定阈值M帧全部被判定为老鼠,则该目标为真实老鼠;否则不是真实老鼠。
为了更好的实现本发明,进一步的,训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。
为了更好的实现本发明,进一步的,所述归一化尺寸为32*32。
高斯背景模型是一种运动目标检测过程中提取并更新背景和前景的一种方法。但分布高斯背景模型认为,对一个背景图像,特定像素亮度的分布满足高斯分布,即对背景图像B,每一个带点(x,y)的亮度满足B(x,y)~N(u,d):
即每一个点(x,y)都包含了两个属性,均值u和方差d;
计算一段时间内的视频图像中每一个点的均值u和方差d,作为背景模型。对于一幅包含前景的任意图像G,对于图像上的每一个点(x,y)计算,若:
T是一个常数阈值,则认为该点是背景点,否则为前景点。接下来就背景的更新,每一帧图像都参与背景的更新:
Bt(x,y)=p*Bt-1(x,y)+(1-p)*Gt(x,y)
其中,p为一个常数,用来反映背景更新率,p越大,背景更新的越慢。一般情况下,背景更新后的d的变化很小,所以在更新背景以后一般不再更新d。
本发明主要包括可疑目标检测、目标关联跟踪、老鼠目标分类三个方面,整体流程如图2所示:
1)可疑目标检测
a.如图3所示,通过使用改进的单高斯方法对视频进行背景建模、更新、与实时提取运动前景区域;
b.如图4所示,对运动前景二值图进行连通域标记,获取图像中发生移动变化的区域的外接矩形框;
2)目标跟踪
a.首先,建立用于存储可疑目标在时间序列上的状态(位置、大小、颜色、运动速度)数组,即目标管道。每一个新出现的目标占用一条管道,管道的长度即缓存同一个目标在场景中持续存在的时间,以图像帧数计,可通过外部输入设置。
b.然后,当下一帧检测到可疑目标时,则将每个目标与缓存的管道数组进行特征匹配,若匹配成功则将该目标状态写入该管道;若该目标没有对应匹配成功的管道,则该目标是新出现的目标,新建管道并加入;对于每一条目标管道,连续N帧未有目标关联上,即该管道代表的目标已不在监控视场内,则删除管道。具体匹配方式如图5所示。
3)老鼠目标分类
a.首先,对2)中已稳定跟踪的可疑老鼠目标,截取老鼠当前帧图像并进行分辨率归一化,归一化尺寸与机器学习训练的分类器尺寸保持一致,本发明的归一化尺寸为32*32.
b.然后,如图6所示,通过机器学习算法预先离线训练好的老鼠分类器,对归一化之后的目标进行分类。训练分类器所用的老鼠样本数据,时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色,丰富的训练样本保证了分类器的准确性和鲁棒性,既能够适应中厨房场景中的光线变化,同时又能保证对各种老鼠的检出率。
c.最后,进行二次过滤,对每个目标最近连续N帧分类结果进行统计,若N帧中有M(M≦N)帧全部被判定为老鼠,则该目标为真实老鼠,若不满足此条件,则该目标不是老鼠。
本发明使用视频监控的方法,通过前景检测发现监控场景中任何可疑的运动目标,然后使用机器学习训练的分类器对目标进行分类,若目标属性为老鼠,则立即报警通知监控中心采取捕鼠措施,该方法漏报率低、准确率高,可以有效的避免老鼠对厨房食品卫生安全的破坏。
本发明的有益效果:
(1)本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
(2)本发明的改进的单高斯背景建模方法的计算量减少,资源消耗小,同样的硬件设备上可以运行更多路数的老鼠检测功能。
(3)本发明的改进的单高斯背景建模方法的实时性好,背景更新速度快,提升老鼠检测的灵敏度。
(4)本发明的改进的单高斯背景建模方法可以设置目标在场景中停留的时间,减少重复报警的概率。
(5)本发明的改进的单高斯背景建模方法经实验测试,在同样场景条件下,该方法对场景适应的鲁棒性更高,目标误检更少。
(6)本发明采用基于视频监控的方法,报警更及时。
(7)训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。本发明抗光照变化干扰性能好。
(8)本发明在传统目标检测基础上,增加机器学习目标分类器,对目标的属性进行二次确认和过滤,从而降低误报率,极大的减少人工确认投入的成本。
附图说明
图1为单高斯背景建模流程图;
图2为本发明的检测流程图;
图3为运动目标检测流程图;
图4为运动目标前景检测标记流程图;
图5为目标匹配关联跟踪原理示意图;
图6为老鼠目标分类的原理示意图。
具体实施方式
实施例1:
一种基于单高斯背景建模的厨房老鼠检测方法,包括可疑目标检测的步骤,如图1所示,首先初始化全局参数,若为第一帧,则初始化背景模型,否则判断是否满足更新背景间隔时间T0,若满足,则更新均值u与方差d;然后进行背景差分、前景时间积累、输出前景;所述可疑目标检测包括模型参数简化:将均值u设置为整型,取值范围为[0 255];将方差d设置为整型,取值范围为[0 255];增加前景积累时间t,数据类型为整型,取值范围为[0255]。
本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
实施例2:
本实施例是在实施例1的基础上进行优化,以视频的第一帧f1初始化均值u,初始化方差d为经验值5,将前景积累时间初始化为0,设fg为前景目标,设背景更新间隔时间为T0,前景检测阈值为thr,前景目标持续时间阈值T1;开始顺序读取视频流的下一帧图像f,其中f(x,y)代表在坐标(x,y)处的图像亮度值。
所述可疑目标检测中背景更新包括针对每一帧视频图像进行处理,若满足背景更新间隔时间T0,则执行背景模型更新操作:
若f(x,y)>u(x,y),则u(x,y)=u(x,y)+1;
若f(x,y)<u(x,y),则u(x,y)=u(x,y)–1;
若|f(x,y)-u(x,y)|>d(x,y),则d(x,y)=mind(x,y)+1;
若|f(x,y)-u(x,y)|<d(x,y),则d(x,y)=d(x,y)-1;
针对每一帧图像进行处理:
若t(x,y)>T1,则:t(x,y)=0,u(x,y)=f(x,y),d(x,y)=5。
所述可疑目标检测中背景差分实现前景检测,针对每一帧视频图像进行判断,执行以下操作:
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则fg(x,y)=255;
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则fg(x,y)=0;
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则t(x,y)=min(t(x,y)+1),255);
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则t(x,y)=max(t(x,y)–1,0)。
所述可疑目标检测包括对视频进行背景建模、更新、实时提取运动前景区域;然后对运动前景二值图进行连通域标记,获取图像中发生移动变化的区域的外接矩形框。
本发明的改进的单高斯背景建模方法的计算量减少,资源消耗小,同样的硬件设备上可以运行更多路数的老鼠检测功能。本发明实时性好,背景更新速度快,提升老鼠检测的灵敏度。本发明可以设置目标在场景中停留的时间,减少重复报警的概率。
本发明经实验测试,在同样场景条件下,该方法对场景适应的鲁棒性更高,目标误检更少。本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例是在实施例1或2的基础上进行优化,如图5所示,还包括目标跟踪的步骤:首先建立目标管道,用于存储目标在时间序列上的状态数组;每一个新出现的目标占用一条管道,管道的长度即缓存同一个目标在场景中持续存在的时间,以图像帧数计;然后,当下一帧检测到可疑目标时,则将每个目标与缓存的管道数组进行特征匹配,若匹配成功,则将目标状态写入该管道;若该目标没有对应匹配成功的管道,则该目标是新出现的目标,新建管道并加入;对于每一条目标管道,连续N帧未有目标关联上,即该管道代表的目标已不在监控视场内,则删除管道。
本发明采用基于视频监控的方法,报警更及时。本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例是在实施例3的基础上进行优化,还包括目标分类的步骤,如图6所示,首先截取可疑目标的当前图像,并进行分辨率归一化,归一化尺寸与机器学习训练的分类器的尺寸保持一致;然后通过机器学习算法预先离线训练好的老鼠分类器,对归一化之后的目标进行分类;最后,进行二次过滤,对每个目标最近连续N帧分类结果进行统计,若N帧中有设定阈值M帧全部被判定为老鼠,则该目标为真实老鼠;否则不是真实老鼠。训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。
本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。本发明抗光照变化干扰性能好。本发明在传统目标检测基础上,增加机器学习目标分类器,对目标的属性进行二次确认和过滤,从而降低误报率,极大的减少人工确认投入的成本。
本实施例的其他部分与上述实施例3相同,故不再赘述。
实施例5:
一种基于单高斯背景建模的厨房老鼠检测方法,如图2-6所示,主要包括以下步骤:
(1)可疑目标检测
使用前50帧视频图像进行背景初始化,然后间隔25帧对背景进行更新,最后通过当前帧与背景图像做差,超过指定阈值的像素即为前景,否则为背景。
(2)目标跟踪
将可疑目标进行跟踪后,若该目标管道为出现连续3帧未匹配到目标的情况,则该目标是真实的移动目标,可能是工作人员,场景中的灯光闪烁,或者是窗口摇曳的树枝等。经过目标跟踪之后,持续在场景中出现的目标就被保留下来。
(3)老鼠目标分类
在目标稳定跟踪之后,确定场景中确实存在真实运动的目标,对每个目标最近连续10帧分类结果进行统计,若10帧中有7帧全部被判定为老鼠,则该目标为真实老鼠,同时可实时报警。
本发明的优点为:
本发明基于优化改进后的单高斯背景建模方法的前景检测方法,对厨房场景的鲁棒性更高,算法复杂度更低,成本更低;本发明增加了前景积累时间设置模块,可以设置目标在场景中停留的时间,减少重复报警的概率,降低了同一目标重复报警的概率,同时也降低了人工确认投入的成本,具有较好的实用性。
本发明的改进的单高斯背景建模方法的计算量减少,资源消耗小,同样的硬件设备上可以运行更多路数的老鼠检测功能。
本发明的改进的单高斯背景建模方法的实时性好,背景更新速度快,提升老鼠检测的灵敏度。
本发明的改进的单高斯背景建模方法可以设置目标在场景中停留的时间,减少重复报警的概率。
本发明的改进的单高斯背景建模方法经实验测试,在同样场景条件下,该方法对场景适应的鲁棒性更高,目标误检更少。
本发明采用基于视频监控的方法,报警更及时。
训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。本发明抗光照变化干扰性能好。
本发明在传统目标检测基础上,增加机器学习目标分类器,对目标的属性进行二次确认和过滤,从而降低误报率,极大的减少人工确认投入的成本。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是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,均落入本发明的保护范围之内。
Claims (8)
1.一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,包括可疑目标检测的步骤,首先初始化全局参数,若为第一帧,则初始化背景模型,否则判断是否满足更新背景间隔时间T0,若满足,则更新均值u与方差d;然后进行背景差分、前景时间积累、输出前景;所述可疑目标检测包括模型参数简化:将均值u设置为整型,取值范围为[0 255];将方差d设置为整型,取值范围为[0 255];增加前景积累时间t,数据类型为整型,取值范围为[0255]。
2.根据权利要求1所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,以视频的第一帧f1初始化均值u,初始化方差d为经验值5,将前景积累时间初始化为0,设fg为前景目标,设背景更新间隔时间为T0,前景检测阈值为thr,前景目标持续时间阈值T1;开始顺序读取视频流的下一帧图像f,其中f(x,y)代表在坐标(x,y)处的图像亮度值。
3.根据权利要求2所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,所述可疑目标检测中背景更新包括针对每一帧视频图像进行处理,若满足背景更新间隔时间T0,则执行背景模型更新操作:
若f(x,y)>u(x,y),则u(x,y)=u(x,y)+1;
若f(x,y)<u(x,y),则u(x,y)=u(x,y)–1;
若|f(x,y)-u(x,y)|>d(x,y),则d(x,y)=mind(x,y)+1;
若|f(x,y)-u(x,y)|<d(x,y),则d(x,y)=d(x,y)-1;
针对每一帧图像进行处理:
若t(x,y)>T1,则:t(x,y)=0,u(x,y)=f(x,y),d(x,y)=5。
4.根据权利要求3所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,所述可疑目标检测中背景差分实现前景检测,针对每一帧视频图像进行判断,执行以下操作:
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则fg(x,y)=255;
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则fg(x,y)=0;
若|f(x,y)-u(x,y)|>max(thr,3*d(x,y)),则t(x,y)=min(t(x,y)+1),255);
若|f(x,y)-u(x,y)|<=max(thr,3*d(x,y)),则t(x,y)=max(t(x,y)–1,0)。
5.根据权利要求1-4任一项所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,所述可疑目标检测包括对视频进行背景建模、更新、实时提取运动前景区域;然后对运动前景二值图进行连通域标记,获取图像中发生移动变化的区域的外接矩形框。
6.根据权利要求1所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,还包括目标跟踪的步骤:首先建立目标管道,用于存储目标在时间序列上的状态数组;每一个新出现的目标占用一条管道,管道的长度即缓存同一个目标在场景中持续存在的时间,以图像帧数计;然后,当下一帧检测到可疑目标时,则将每个目标与缓存的管道数组进行特征匹配,若匹配成功,则将目标状态写入该管道;若该目标没有对应匹配成功的管道,则该目标是新出现的目标,新建管道并加入;对于每一条目标管道,连续N帧未有目标关联上,即该管道代表的目标已不在监控视场内,则删除管道。
7.根据权利要求6所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,还包括目标分类的步骤,首先截取可疑目标的当前图像,并进行分辨率归一化,归一化尺寸与机器学习训练的分类器的尺寸保持一致;然后通过机器学习算法预先离线训练好的老鼠分类器,对归一化之后的目标进行分类;最后,进行二次过滤,对每个目标最近连续N帧分类结果进行统计,若N帧中有设定阈值M帧全部被判定为老鼠,则该目标为真实老鼠;否则不是真实老鼠。
8.根据权利要求7所述的一种基于单高斯背景建模的厨房老鼠检测方法,其特征在于,训练分类器所用的老鼠样本数据中时间包含白天、晚上,颜色包括白色、黑色、灰色、黄色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504270.0A CN109684946A (zh) | 2018-12-10 | 2018-12-10 | 一种基于单高斯背景建模的厨房老鼠检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811504270.0A CN109684946A (zh) | 2018-12-10 | 2018-12-10 | 一种基于单高斯背景建模的厨房老鼠检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109684946A true CN109684946A (zh) | 2019-04-26 |
Family
ID=66187297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811504270.0A Pending CN109684946A (zh) | 2018-12-10 | 2018-12-10 | 一种基于单高斯背景建模的厨房老鼠检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684946A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472492A (zh) * | 2019-07-05 | 2019-11-19 | 平安国际智慧城市科技股份有限公司 | 目标生物检测方法、装置、计算机设备和存储介质 |
CN110633697A (zh) * | 2019-09-30 | 2019-12-31 | 华中科技大学 | 一种厨房卫生智能监控方法 |
CN111047625A (zh) * | 2020-02-18 | 2020-04-21 | 神思电子技术股份有限公司 | 一种菜品视频样本半自动标记的方法 |
CN113176748A (zh) * | 2021-04-21 | 2021-07-27 | 国网新疆电力有限公司信息通信公司 | 一种机房消防信息综合联动调度系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
CN103369231A (zh) * | 2012-03-09 | 2013-10-23 | 欧姆龙株式会社 | 图像处理装置、图像处理方法 |
CN105654139A (zh) * | 2015-12-31 | 2016-06-08 | 北京理工大学 | 一种采用时间动态表观模型的实时在线多目标跟踪方法 |
CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN108038866A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和视差图背景差法的运动目标检测方法 |
-
2018
- 2018-12-10 CN CN201811504270.0A patent/CN109684946A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103369231A (zh) * | 2012-03-09 | 2013-10-23 | 欧姆龙株式会社 | 图像处理装置、图像处理方法 |
CN103324955A (zh) * | 2013-06-14 | 2013-09-25 | 浙江智尔信息技术有限公司 | 一种基于视频处理的行人检测方法 |
CN105654139A (zh) * | 2015-12-31 | 2016-06-08 | 北京理工大学 | 一种采用时间动态表观模型的实时在线多目标跟踪方法 |
CN106878674A (zh) * | 2017-01-10 | 2017-06-20 | 哈尔滨工业大学深圳研究生院 | 一种基于监控视频的停车检测方法及装置 |
CN108038866A (zh) * | 2017-12-22 | 2018-05-15 | 湖南源信光电科技股份有限公司 | 一种基于Vibe和视差图背景差法的运动目标检测方法 |
Non-Patent Citations (3)
Title |
---|
冯莹莹等: "《智能监控视频中运动目标跟踪方法研究》", 30 June 2018, 吉林大学出版社 * |
刘赏等: "《计算机图像和视频处理实验教程》", 30 September 2014, 中国铁道出版社 * |
李超: "基于机器视觉的焊缝缺陷检测及分类系统的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472492A (zh) * | 2019-07-05 | 2019-11-19 | 平安国际智慧城市科技股份有限公司 | 目标生物检测方法、装置、计算机设备和存储介质 |
CN110633697A (zh) * | 2019-09-30 | 2019-12-31 | 华中科技大学 | 一种厨房卫生智能监控方法 |
CN111047625A (zh) * | 2020-02-18 | 2020-04-21 | 神思电子技术股份有限公司 | 一种菜品视频样本半自动标记的方法 |
CN111047625B (zh) * | 2020-02-18 | 2023-04-07 | 神思电子技术股份有限公司 | 一种菜品视频样本半自动标记的方法 |
CN113176748A (zh) * | 2021-04-21 | 2021-07-27 | 国网新疆电力有限公司信息通信公司 | 一种机房消防信息综合联动调度系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684946A (zh) | 一种基于单高斯背景建模的厨房老鼠检测方法 | |
CN103279737B (zh) | 一种基于时空兴趣点的打架行为检测方法 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN104134079B (zh) | 一种基于极值区域和极限学习机的车牌识别方法 | |
CN106204586B (zh) | 一种基于跟踪的复杂场景下的运动目标检测方法 | |
CN106897720A (zh) | 一种基于视频分析的烟火检测方法及装置 | |
CN201773466U (zh) | 物体滞留/偷窃事件检测、跟踪和识别的视频监控预警装置 | |
CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
CN109145689A (zh) | 一种机器人火灾检测方法 | |
CN106228709B (zh) | 一种智慧金睛识别单人加钞报警方法和装置 | |
CN101221663A (zh) | 一种基于运动目标检测的智能监控报警方法 | |
CN109636795A (zh) | 实时无跟踪的监控视频遗留物检测方法 | |
CN105809954B (zh) | 交通事件检测方法以及系统 | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
CN106570490A (zh) | 一种基于快速聚类的行人实时跟踪方法 | |
CN105894530A (zh) | 一种针对视频中运动目标检测与跟踪的解决方案 | |
CN103473533B (zh) | 视频运动对象异常行为自动检测方法 | |
CN114202646A (zh) | 一种基于深度学习的红外图像吸烟检测方法与系统 | |
CN109948474A (zh) | Ai热成像全天候智能监控方法 | |
CN106326840A (zh) | 一种基于光流直方图熵的人群异常行为检测方法 | |
Wang et al. | Traffic camera anomaly detection | |
Yang et al. | A SVM approach for vessel fire detection based on image processing | |
Yu et al. | Video flame detection method based on TwoStream convolutional neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |