[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115187918A - 一种监控视频流中移动物体的识别方法及系统 - Google Patents

一种监控视频流中移动物体的识别方法及系统 Download PDF

Info

Publication number
CN115187918A
CN115187918A CN202211113232.9A CN202211113232A CN115187918A CN 115187918 A CN115187918 A CN 115187918A CN 202211113232 A CN202211113232 A CN 202211113232A CN 115187918 A CN115187918 A CN 115187918A
Authority
CN
China
Prior art keywords
frame
image
moving object
preset
skeleton
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
Application number
CN202211113232.9A
Other languages
English (en)
Other versions
CN115187918B (zh
Inventor
蔡莹杰
张海平
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.)
Cgn Begood Technology Co ltd
Original Assignee
Cgn Begood Technology Co 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 Cgn Begood Technology Co ltd filed Critical Cgn Begood Technology Co ltd
Priority to CN202211113232.9A priority Critical patent/CN115187918B/zh
Publication of CN115187918A publication Critical patent/CN115187918A/zh
Application granted granted Critical
Publication of CN115187918B publication Critical patent/CN115187918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Closed-Circuit Television Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种监控视频流中移动物体的识别方法及系统，方法包括：获取视频流中的至少一个图像帧；基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图；将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。能够实现对于图像中梯度明显的像素区域实现增强，而同时对其周围图像区域梯度不明显的像素起到抑制作用，进而实现对图像完整的骨架特征进行提取。

Description

一种监控视频流中移动物体的识别方法及系统
技术领域
本发明属于视频监控技术领域，尤其涉及一种监控视频流中移动物体的识别方法及系统。
背景技术
智能视频监控技术在消防,交通等领域有广泛的应用前景，其利用计算机视觉技术对监控对象进行智能监控与分析，以满足人们对视频监控需求，在车牌识别系统中，往往是通过网络摄像头抓拍车辆经过监控区域时的视频帧，以获取具有车辆车牌信息的图像进行实时的车牌号识别，因此智能监控技术在车牌识别系统中具有广泛的应用价值。
传统的车牌识别系统有连续抽帧的方式或者基于深度学习的方式，深度学习的方式是通过目标检测提前识别监控区域是否有车辆驶入，然后再进行抽帧处理以获取具有车牌图像的视频帧，这两种方法均存在一些局限性：第一、基于连续抽帧的方式虽然能连续获取视频帧，但是由于没有前置识别的处理，因此无法确定当前抽取的视频是否是有效的视频帧，因此容易导致丢失关键的图像帧；第二、连续抽帧对硬件性能的要求较高，且车牌识别系统的硬件平台一般为嵌入式平台，硬件资源和算力均较为有限，如果连续抽帧的频率过高容易造成车牌识别系统阻塞；第三、基于深度学习的方法虽然识别效果好，但是计算量巨大，耗时长，如果要达到快速实时检测和识别的目的。对硬件平台的算力要求高，且复杂度也较高。
发明内容
本发明提供一种监控视频流中移动物体的识别方法及系统，用于至少解决上述技术问题之一。
第一方面，本发明提供一种监控视频流中移动物体的识别方法，包括：获取视频流 中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框 中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 82768DEST_PATH_IMAGE001
，式中，1代表移动物体在预设目标选择框中，0代表移动 物体不在预设目标选择框中，
Figure 889050DEST_PATH_IMAGE002
为预设目标选择框右下角的横坐标，
Figure 1363DEST_PATH_IMAGE003
为预设目标选择框 右下角的纵坐标，
Figure 789059DEST_PATH_IMAGE004
为预设目标选择框左上角的横坐标，
Figure 986822DEST_PATH_IMAGE005
为预设目标选择框左上角的纵 坐标，
Figure 331216DEST_PATH_IMAGE006
为移动物体的中心点横坐标，
Figure 298035DEST_PATH_IMAGE007
为移动物体的中心点纵坐标；若所述至少一个 图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧 进行骨架特征提取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括： 假设待构建的自定义卷积核
Figure 7365DEST_PATH_IMAGE008
的大小为
Figure 440227DEST_PATH_IMAGE009
的矩阵，
Figure 791574DEST_PATH_IMAGE010
为卷积核在位置
Figure 409637DEST_PATH_IMAGE011
处的值； 当
Figure 555448DEST_PATH_IMAGE012
时，
Figure 462224DEST_PATH_IMAGE013
，式中，
Figure 148420DEST_PATH_IMAGE014
且取整，
Figure 339099DEST_PATH_IMAGE015
为整数，
Figure 390231DEST_PATH_IMAGE016
为卷积核的幅值； 当
Figure 784304DEST_PATH_IMAGE017
时，
Figure 274191DEST_PATH_IMAGE018
，式中，
Figure 70109DEST_PATH_IMAGE019
为幅值系数；当
Figure 308454DEST_PATH_IMAGE020
时，
Figure 986560DEST_PATH_IMAGE021
；当
Figure 217821DEST_PATH_IMAGE022
时，
Figure 602666DEST_PATH_IMAGE023
；当
Figure 526760DEST_PATH_IMAGE024
为其他时，
Figure 692162DEST_PATH_IMAGE025
；将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得 到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；若所述帧 差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
第二方面，本发明提供一种监控视频流中移动物体的识别系统，包括：获取模块， 配置为获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在 预设目标选择框中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框 的表达式为：
Figure 976382DEST_PATH_IMAGE001
，式中，1代表移动物体在预设目标选择框 中，0代表移动物体不在预设目标选择框中，
Figure 215733DEST_PATH_IMAGE002
为预设目标选择框右下角的横坐标，
Figure 310728DEST_PATH_IMAGE003
为预 设目标选择框右下角的纵坐标，
Figure 963426DEST_PATH_IMAGE004
为预设目标选择框左上角的横坐标，
Figure 536490DEST_PATH_IMAGE005
为预设目标选择 框左上角的纵坐标，
Figure 643730DEST_PATH_IMAGE006
为移动物体的中心点的横坐标，
Figure 909626DEST_PATH_IMAGE007
为移动物体的中心点的纵坐 标；提取模块，配置为若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预 设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图，其中， 构建所述自定义卷积核的规则包括：假设待构建的自定义卷积核
Figure 784041DEST_PATH_IMAGE008
的大小为
Figure 160796DEST_PATH_IMAGE009
的矩阵，
Figure 640319DEST_PATH_IMAGE010
为卷积核在位置
Figure 873854DEST_PATH_IMAGE011
处的值；当
Figure 688095DEST_PATH_IMAGE012
时，
Figure 337383DEST_PATH_IMAGE013
，式中，
Figure 936991DEST_PATH_IMAGE014
且取整，
Figure 341428DEST_PATH_IMAGE015
为 整数，
Figure 393697DEST_PATH_IMAGE016
为卷积核的幅值； 当
Figure 597408DEST_PATH_IMAGE017
时，
Figure 51523DEST_PATH_IMAGE018
，式中，
Figure 564544DEST_PATH_IMAGE019
为幅值 系数；当
Figure 87798DEST_PATH_IMAGE020
时，
Figure 610046DEST_PATH_IMAGE021
；当
Figure 715405DEST_PATH_IMAGE022
时，
Figure 664907DEST_PATH_IMAGE023
；当
Figure 160610DEST_PATH_IMAGE024
为其他时，
Figure 283287DEST_PATH_IMAGE025
；判断模块，配置为将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差 处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值； 输出模块，配置为若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的 监控区域中存在移动物体。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的一种监控视频流中移动物体的识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的一种监控视频流中移动物体的识别方法的步骤。
本申请的监控视频流中移动物体的识别方法及系统，采用自定义的卷积核对视频流中的图像帧进行特征提取，实现了对图像帧进行四个方向的提取特征，而不是只基于X方向或者Y方向，从而能够实现对于图像中梯度明显的像素区域实现增强，而同时对其周围图像区域梯度不明显的像素起到抑制作用，进而实现对图像完整的骨架特征进行提取。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明一实施例提供的一种监控视频流中移动物体的识别方法的流程图；
图2为本发明一实施例提供的一种监控视频流中移动物体的识别系统的结构框图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
请参阅图1，其示出了本申请的一种监控视频流中移动物体的识别方法的流程图。
如图1所示，监控视频流中移动物体的识别方法具体包括以下步骤：
步骤S101，获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中。
在本实施例中，通过获取网络摄像头的视频流，得到当前视频流中的各个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中。
其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 194218DEST_PATH_IMAGE001
，
式中，1代表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框 中，
Figure 49041DEST_PATH_IMAGE026
为预设目标选择框右下角的横坐标，
Figure 563199DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 223988DEST_PATH_IMAGE004
为预 设目标选择框左上角的横坐标，
Figure 241622DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 782194DEST_PATH_IMAGE006
为移动物体的 中心点横坐标，
Figure 518069DEST_PATH_IMAGE007
为移动物体的中心点纵坐标；
计算移动物体的中心点坐标的表达式为：
Figure 716969DEST_PATH_IMAGE027
，
式中，
Figure 854689DEST_PATH_IMAGE028
为坐标
Figure 316895DEST_PATH_IMAGE029
处的像素灰度值，
Figure 25219DEST_PATH_IMAGE030
取1或0，
Figure 293389DEST_PATH_IMAGE031
取1或0，v为移动物体的宽 度，u为移动物体的高度；
其中，令p = 1, q = 0，则
Figure 20037DEST_PATH_IMAGE032
；
令p = 0, q = 1，则
Figure 653143DEST_PATH_IMAGE033
；
令p = 0, q = 0，则
Figure 160348DEST_PATH_IMAGE034
；
则移动物体的中心点坐标为
Figure 169892DEST_PATH_IMAGE035
。
步骤S102，若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图。
在本实施例中，基于预设的自定义卷积核对至少一个图像帧进行卷积能够实现对于图像中梯度明显的像素区域实现增强，而同时对其周围图像区域梯度不明显的像素起到抑制作用，进而实现对图像完整的骨架特征进行提取。
需要说明的是，通过获取网络摄像头的视频流，得到当前视频流中的图像帧，图像帧包括当前帧和上一帧，将获取的三通道的图像帧转换为单通道的灰度图，对灰度图叠加两次高斯滤波操作以滤除图像中的噪声，再将滤波后的灰度图由自定义的卷积核进行卷积操作提取骨架特征图。
具体地，构建所述自定义卷积核的规则包括：假设待构建的自定义卷积核
Figure 314DEST_PATH_IMAGE008
的大小 为
Figure 69901DEST_PATH_IMAGE009
的矩阵，
Figure 798823DEST_PATH_IMAGE010
为卷积核在位置
Figure 346479DEST_PATH_IMAGE011
处的值；当
Figure 313298DEST_PATH_IMAGE012
时，
Figure 84945DEST_PATH_IMAGE013
，式中，
Figure 541244DEST_PATH_IMAGE014
且取整，
Figure 627012DEST_PATH_IMAGE015
为整数，
Figure 448337DEST_PATH_IMAGE016
为卷积核的幅值； 当
Figure 390885DEST_PATH_IMAGE017
时，
Figure 297662DEST_PATH_IMAGE018
，式中，
Figure 436388DEST_PATH_IMAGE019
为幅值系数；当
Figure 112220DEST_PATH_IMAGE020
时，
Figure 491248DEST_PATH_IMAGE021
； 当
Figure 885321DEST_PATH_IMAGE022
时，
Figure 312891DEST_PATH_IMAGE023
；当
Figure 859541DEST_PATH_IMAGE024
为其他时，
Figure 409471DEST_PATH_IMAGE025
。
在本发明的一个实施例中，给定一个输入图像，将自定义的卷积核作为一个滑动窗口，步长为1进行滑动，在输入图像的每一个滑动窗口中对输入图像中对应区域的像素值和自定义卷积核对应坐标位置的权值进行加权求和，求和的像素值作为输出图像中对应输入图像坐标位置的像素值(边界填充的方式采用边界反射填充)，其中加权的权值为自定义卷积核不同坐标位置的数值，其数学表达式为：
Figure 25260DEST_PATH_IMAGE036
，
式中，
Figure 256521DEST_PATH_IMAGE037
为图像坐标
Figure 906946DEST_PATH_IMAGE038
处的像素值，
Figure 627777DEST_PATH_IMAGE010
为卷积核在位置
Figure 245709DEST_PATH_IMAGE011
处的值，
Figure 15082DEST_PATH_IMAGE039
为图像坐标
Figure 316750DEST_PATH_IMAGE040
处的像素值。
本实施例的方法，在卷积的过程对图像中的每一个像素点都结合了其四周的梯度信息，当某处像素点的中心区域梯度较大，四周梯度较小时，则说明该处像素点在图像中属于骨架特征，则通过自定义卷积核加权求和后，该处对应的输出图像的像素值会变大，从而实现对骨架特征的像素点起到增强作用。如果某个像素点其像素值与四周的像素值梯度均较小或者均较大时，则说明此处的像素值在图像中属于冗余信息，则通过自定义卷积核加权求和后，该处对应的输出图像的像素值会变小，从而实现对图像中冗余像素点信息起到抑制作用。
步骤S103，将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值。
在本实施例中，对骨架特征图进行自适应阈值二值化算法进行二值化得到二值化图像，最后对计算得到的当前帧和上一帧的二值图像做帧差操作，获得帧差后的二值图像，最后对帧差的二值图像统计其灰度大小用于判断监控区域中是否存在移动物体。
需要说明的是，二值化后的第一图像
Figure 411745DEST_PATH_IMAGE041
和二值化后的第二图像
Figure 736547DEST_PATH_IMAGE042
的表达式分 别为：
Figure 322993DEST_PATH_IMAGE043
，
Figure 744747DEST_PATH_IMAGE044
，
式中，
Figure 10643DEST_PATH_IMAGE045
为当前时刻的骨架特征图的坐标
Figure 822742DEST_PATH_IMAGE038
处的像素值，
Figure 199496DEST_PATH_IMAGE046
为 上一时刻的骨架特征图的坐标
Figure 475757DEST_PATH_IMAGE038
处的像素值，
Figure 896243DEST_PATH_IMAGE047
、
Figure 461216DEST_PATH_IMAGE048
均为二值化阈值。
步骤S104，若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
在本实施例中，帧差后二值化图像只有两种灰度值(0和255)，0值在图像中显示黑色，255在图像中显示白色，若帧差图像中白色像素点的数量大于预设阈值，则说明当前时刻的监控区域中存在移动物体。
综上，本申请的方法，采用自定义的卷积核对视频流中的图像帧进行特征提取，实现了对图像帧进行四个方向的提取特征，而不是只基于X方向或者Y方向，从而能够实现对于图像中梯度明显的像素区域实现增强，而同时对其周围图像区域梯度不明显的像素起到抑制作用，进而实现对图像完整的骨架特征进行提取。
在一个具体实施例中，在摄像头捕获的无移动物体时的监控图经过自定义卷积核提取骨架特征后，得到基于监控区域无移动物体时的骨架特征图，并对骨架特征图进行差帧得到无移动物体的二值图像。摄像头捕获的有移动物体时的监控图经过自定义卷积核提取骨架特征后，得到基于监控区域有移动物体时的骨架特征图，并对得对骨架特征图进行差帧得到有移动物体的二值图像。
通过对比有无移动车辆的差帧图像可知，当视频区域中存在移动车辆时，有移动车辆的视频帧经特征提取差帧后，车辆的主要特征被保留，而背景区域的大部分特征被完整的过滤，在实际测试中通过对比差帧图像的灰度差异，有车辆和无车辆时灰度值非0的像素点个数差异至少大于8000，所以仅通过阈值的方式即可对识别视频区域中是否有车辆进入就已达到很好的辨识度，对于处理实时的视频流，经实际调用网络摄像头测试完整算法识别的平均耗时小于15ms，而一般网络视频流为50ms一帧图像，所以识别算法足够满足实时检测与智能识别的要求。
综上，本申请的监控视频流中移动物体的识别方法具有以下有益效果：
1、算法只涉及简单卷积和加减操作，仅使用一次卷积操作就可完成对获取的视频帧的骨架特征提取。因此计算量小，速度快；
2、由算法处理后的差帧图像特征差异明显，辨识度高，因此算法的超参调整稳健性较好；
3、对移动物体的识别鲁棒性和准确性高。
请参阅图2，其示出了本申请的一种监控视频流中移动物体的识别系统的结构框图。
如图2所示，识别系统200，包括获取模块210、提取模块220、判断模块230以及输出模块240。
其中，获取模块210，配置为获取视频流中的至少一个图像帧，并判断所述至少一 个图像帧中的移动物体是否在预设目标选择框中，其中，判断所述至少一个图像帧中的移 动物体是否在预设目标选择框的表达式为：
Figure 641662DEST_PATH_IMAGE001
，式中，1代 表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框中，
Figure 38008DEST_PATH_IMAGE026
为预设目标 选择框右下角的横坐标，
Figure 380128DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 917551DEST_PATH_IMAGE004
为预设目标选择框左上 角的横坐标，
Figure 698425DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 152540DEST_PATH_IMAGE006
为移动物体的中心点的横坐标，
Figure 665561DEST_PATH_IMAGE007
为移动物体的中心点的纵坐标；提取模块220，配置为若所述至少一个图像帧中的移动 物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提 取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括：假设待构建的自 定义卷积核
Figure 939547DEST_PATH_IMAGE049
的大小为
Figure 258533DEST_PATH_IMAGE009
的矩阵，
Figure 816422DEST_PATH_IMAGE050
为卷积核在位置
Figure 500345DEST_PATH_IMAGE011
处的值；当
Figure 527206DEST_PATH_IMAGE012
时，
Figure 384304DEST_PATH_IMAGE051
，式中，
Figure 547432DEST_PATH_IMAGE014
且取整，
Figure 415638DEST_PATH_IMAGE015
为整数，
Figure 664216DEST_PATH_IMAGE016
为卷积核的幅值； 当
Figure 325005DEST_PATH_IMAGE017
时，
Figure 342639DEST_PATH_IMAGE018
，式中，
Figure 633943DEST_PATH_IMAGE019
为幅值系数；当
Figure 166556DEST_PATH_IMAGE020
时，
Figure 83565DEST_PATH_IMAGE021
；当
Figure 955706DEST_PATH_IMAGE022
时，
Figure 417912DEST_PATH_IMAGE023
；当
Figure 437820DEST_PATH_IMAGE024
为其他时，
Figure 909253DEST_PATH_IMAGE052
；判断模块230，配置为将当前时刻的骨架特征图与上一时刻的骨 架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是 否大于预设阈值；输出模块240，配置为若所述帧差图像中灰度值非0的像素点数量大于预 设阈值，则当前时刻的监控区域中存在移动物体。
应当理解，图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块，在此不再赘述。
在另一些实施例中，本发明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，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的监控视频流中移动物体的识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 386633DEST_PATH_IMAGE001
，
式中，1代表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框 中，
Figure 19740DEST_PATH_IMAGE026
为预设目标选择框右下角的横坐标，
Figure 526944DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 270909DEST_PATH_IMAGE004
为预 设目标选择框左上角的横坐标，
Figure 117643DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 436497DEST_PATH_IMAGE006
为移动物体的 中心点横坐标，
Figure 165419DEST_PATH_IMAGE007
为移动物体的中心点纵坐标；
若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括：
假设待构建的自定义卷积核
Figure 713075DEST_PATH_IMAGE049
的大小为
Figure 414315DEST_PATH_IMAGE009
的矩阵，
Figure 451541DEST_PATH_IMAGE053
为卷积核在位置
Figure 605442DEST_PATH_IMAGE011
处的值；
当
Figure 704591DEST_PATH_IMAGE012
时，
Figure 322654DEST_PATH_IMAGE051
，
式中，
Figure 734044DEST_PATH_IMAGE014
且取整，
Figure 375241DEST_PATH_IMAGE015
为整数，
Figure 530279DEST_PATH_IMAGE016
为卷积核的幅值；
当
Figure 2849DEST_PATH_IMAGE017
时，
Figure 834407DEST_PATH_IMAGE018
，
式中，
Figure 962900DEST_PATH_IMAGE019
为幅值系数；
当
Figure 656050DEST_PATH_IMAGE020
时，
Figure 248705DEST_PATH_IMAGE021
；
当
Figure 470739DEST_PATH_IMAGE022
时，
Figure 102840DEST_PATH_IMAGE023
；
当
Figure 396418DEST_PATH_IMAGE024
为其他时，
Figure 46842DEST_PATH_IMAGE052
；
将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；
若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据监控视频流中移动物体的识别系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至监控视频流中移动物体的识别系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图，如图3所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例监控视频流中移动物体的识别方法。输入装置330可接收输入的数字或字符信息，以及产生与监控视频流中移动物体的识别系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于监控视频流中移动物体的识别系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 705356DEST_PATH_IMAGE001
，
式中，1代表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框 中，
Figure 808442DEST_PATH_IMAGE026
为预设目标选择框右下角的横坐标，
Figure 640131DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 394330DEST_PATH_IMAGE004
为预 设目标选择框左上角的横坐标，
Figure 489325DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 876444DEST_PATH_IMAGE006
为移动物体的 中心点横坐标，
Figure 715087DEST_PATH_IMAGE007
为移动物体的中心点纵坐标；
若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括：
假设待构建的自定义卷积核
Figure 74524DEST_PATH_IMAGE049
的大小为
Figure 88223DEST_PATH_IMAGE009
的矩阵，
Figure 165900DEST_PATH_IMAGE053
为卷积核在位置
Figure 339393DEST_PATH_IMAGE011
处的值；
当
Figure 553336DEST_PATH_IMAGE012
时，
Figure 990134DEST_PATH_IMAGE051
，
式中，
Figure 351845DEST_PATH_IMAGE014
且取整，
Figure 781558DEST_PATH_IMAGE015
为整数，
Figure 850008DEST_PATH_IMAGE016
为卷积核的幅值；
当
Figure 457707DEST_PATH_IMAGE017
时，
Figure 306715DEST_PATH_IMAGE018
，
式中，
Figure 290851DEST_PATH_IMAGE019
为幅值系数；
当
Figure 964540DEST_PATH_IMAGE020
时，
Figure 743140DEST_PATH_IMAGE021
；
当
Figure 79444DEST_PATH_IMAGE022
时，
Figure 601692DEST_PATH_IMAGE023
；
当
Figure 644734DEST_PATH_IMAGE024
为其他时，
Figure 843503DEST_PATH_IMAGE052
；
将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；
若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种监控视频流中移动物体的识别方法，其特征在于，包括：
获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 411572DEST_PATH_IMAGE001
，
式中，1代表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框中，
Figure 797554DEST_PATH_IMAGE002
为预设目标选择框右下角的横坐标，
Figure 842870DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 706921DEST_PATH_IMAGE004
为预设目标 选择框左上角的横坐标，
Figure 990135DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 265127DEST_PATH_IMAGE006
为移动物体的中心点 横坐标，
Figure 1002DEST_PATH_IMAGE007
为移动物体的中心点纵坐标；
若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括：
假设待构建的自定义卷积核
Figure 668744DEST_PATH_IMAGE008
的大小为
Figure 603202DEST_PATH_IMAGE009
的矩阵，
Figure 65407DEST_PATH_IMAGE010
为卷积核在位置
Figure 773731DEST_PATH_IMAGE011
处的 值；
当
Figure 979584DEST_PATH_IMAGE012
时，
Figure 768549DEST_PATH_IMAGE013
，
式中，
Figure 667235DEST_PATH_IMAGE014
且取整，
Figure 377702DEST_PATH_IMAGE015
为整数，
Figure 105355DEST_PATH_IMAGE016
为卷积核的幅值；
当
Figure 217668DEST_PATH_IMAGE017
时，
Figure 818413DEST_PATH_IMAGE018
，
式中，
Figure 16177DEST_PATH_IMAGE019
为幅值系数；
当
Figure 563833DEST_PATH_IMAGE020
时，
Figure 12875DEST_PATH_IMAGE021
；
当
Figure 253363DEST_PATH_IMAGE022
时，
Figure 672844DEST_PATH_IMAGE023
；
当
Figure 820928DEST_PATH_IMAGE024
为其他时，
Figure 642254DEST_PATH_IMAGE025
；
将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；
若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
2.根据权利要求1所述的一种监控视频流中移动物体的识别方法，其特征在于，计算移动物体的中心点坐标的表达式为：
Figure 37332DEST_PATH_IMAGE026
，
式中，
Figure 944108DEST_PATH_IMAGE027
为坐标
Figure 833566DEST_PATH_IMAGE028
处的像素灰度值，
Figure 571715DEST_PATH_IMAGE029
取1或0，
Figure 154006DEST_PATH_IMAGE030
取1或0，v为移动物体的宽度，u 为移动物体的高度；
其中，令p = 1, q = 0，则
Figure 33232DEST_PATH_IMAGE031
；
令p = 0, q = 1，则
Figure 726381DEST_PATH_IMAGE032
；
令p = 0, q = 0，则
Figure 53457DEST_PATH_IMAGE033
；
则移动物体的中心点坐标为
Figure 806650DEST_PATH_IMAGE034
。
3.根据权利要求1所述的一种监控视频流中移动物体的识别方法，其特征在于，其中，基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取的表达式为：
Figure 688018DEST_PATH_IMAGE035
，
式中，
Figure 168547DEST_PATH_IMAGE036
为图像坐标
Figure 818971DEST_PATH_IMAGE037
处的像素值，
Figure 274223DEST_PATH_IMAGE010
为卷积核在位置
Figure 642888DEST_PATH_IMAGE011
处的值，
Figure 412261DEST_PATH_IMAGE038
为图像坐标
Figure 930573DEST_PATH_IMAGE039
处的像素值。
4.根据权利要求1所述的一种监控视频流中移动物体的识别方法，其特征在于，在基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图之前，所述方法还包括：
将所述至少一个图像帧转换为至少一个灰度图，并对所述至少一个灰度图进行滤波处理。
5.根据权利要求1所述的一种监控视频流中移动物体的识别方法，其特征在于，在将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像之前，所述方法还包括：
对当前时刻的骨架特征图以及上一时刻的骨架特征图进行二值化，得到二值化后的第 一图像
Figure 759989DEST_PATH_IMAGE040
和第二图像
Figure 412687DEST_PATH_IMAGE041
，其中，第一图像
Figure 251330DEST_PATH_IMAGE040
和第二图像
Figure 345188DEST_PATH_IMAGE041
的表达式分别为：
Figure 860352DEST_PATH_IMAGE042
，
Figure 734767DEST_PATH_IMAGE043
，
式中，
Figure 377101DEST_PATH_IMAGE044
为当前时刻的骨架特征图的坐标
Figure 856624DEST_PATH_IMAGE037
处的像素值，
Figure 27842DEST_PATH_IMAGE045
为上一 时刻的骨架特征图的坐标
Figure 343548DEST_PATH_IMAGE037
处的像素值，
Figure 320731DEST_PATH_IMAGE046
、
Figure 654761DEST_PATH_IMAGE047
均为二值化阈值。
6.一种监控视频流中移动物体的识别系统，其特征在于，包括：
获取模块，配置为获取视频流中的至少一个图像帧，并判断所述至少一个图像帧中的移动物体是否在预设目标选择框中，其中，判断所述至少一个图像帧中的移动物体是否在预设目标选择框的表达式为：
Figure 996880DEST_PATH_IMAGE001
，
式中，1代表移动物体在预设目标选择框中，0代表移动物体不在预设目标选择框中，
Figure 49150DEST_PATH_IMAGE002
为预设目标选择框右下角的横坐标，
Figure 564445DEST_PATH_IMAGE003
为预设目标选择框右下角的纵坐标，
Figure 267828DEST_PATH_IMAGE004
为预设目标 选择框左上角的横坐标，
Figure 780849DEST_PATH_IMAGE005
为预设目标选择框左上角的纵坐标，
Figure 320414DEST_PATH_IMAGE006
为移动物体的中心点 的横坐标，
Figure 639400DEST_PATH_IMAGE007
为移动物体的中心点的纵坐标；
提取模块，配置为若所述至少一个图像帧中的移动物体在预设目标选择框中，则基于预设的自定义卷积核对至少一个图像帧进行骨架特征提取，得到至少一个骨架特征图，其中，构建所述自定义卷积核的规则包括：
假设待构建的自定义卷积核
Figure 948022DEST_PATH_IMAGE008
的大小为
Figure 645326DEST_PATH_IMAGE009
的矩阵，
Figure 141029DEST_PATH_IMAGE010
为卷积核在位置
Figure 466969DEST_PATH_IMAGE011
处的 值；
当
Figure 426834DEST_PATH_IMAGE012
时，
Figure 547237DEST_PATH_IMAGE013
，
式中，
Figure 45083DEST_PATH_IMAGE014
且取整，
Figure 909134DEST_PATH_IMAGE015
为整数，
Figure 723506DEST_PATH_IMAGE016
为卷积核的幅值；
当
Figure 280390DEST_PATH_IMAGE017
时，
Figure 750685DEST_PATH_IMAGE018
，
式中，
Figure 169159DEST_PATH_IMAGE019
为幅值系数；
当
Figure 41300DEST_PATH_IMAGE020
时，
Figure 565823DEST_PATH_IMAGE021
；
当
Figure 523414DEST_PATH_IMAGE022
时，
Figure 729268DEST_PATH_IMAGE023
；
当
Figure 970762DEST_PATH_IMAGE024
为其他时，
Figure 666186DEST_PATH_IMAGE025
；
判断模块，配置为将当前时刻的骨架特征图与上一时刻的骨架特征图进行帧差处理，得到帧差图像，并判断所述帧差图像中灰度值非0的像素点数量是否大于预设阈值；
输出模块，配置为若所述帧差图像中灰度值非0的像素点数量大于预设阈值，则当前时刻的监控区域中存在移动物体。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
CN202211113232.9A 2022-09-14 2022-09-14 一种监控视频流中移动物体的识别方法及系统 Active CN115187918B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211113232.9A CN115187918B (zh) 2022-09-14 2022-09-14 一种监控视频流中移动物体的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211113232.9A CN115187918B (zh) 2022-09-14 2022-09-14 一种监控视频流中移动物体的识别方法及系统

Publications (2)

Publication Number Publication Date
CN115187918A true CN115187918A (zh) 2022-10-14
CN115187918B CN115187918B (zh) 2022-12-13

Family

ID=83524666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211113232.9A Active CN115187918B (zh) 2022-09-14 2022-09-14 一种监控视频流中移动物体的识别方法及系统

Country Status (1)

Country Link
CN (1) CN115187918B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574363A (zh) * 2014-12-12 2015-04-29 南京邮电大学 一种考虑梯度方向差异的全参考图像质量评价方法
CN106920214A (zh) * 2016-07-01 2017-07-04 北京航空航天大学 空间目标图像超分辨率重建方法
CN109087278A (zh) * 2018-10-23 2018-12-25 沈阳工业大学 基于改进Canny算子的安全套正反面识别法
CN109583315A (zh) * 2018-11-02 2019-04-05 北京工商大学 一种面向智能视频监控的多通道快速人体姿态识别方法
US20190116322A1 (en) * 2017-10-13 2019-04-18 Fyusion, Inc. Skeleton-based effects and background replacement
CN110059760A (zh) * 2019-04-25 2019-07-26 北京工业大学 基于拓扑结构和cnn的几何图形识别方法
CN110580324A (zh) * 2019-07-23 2019-12-17 珠海格力电器股份有限公司 矩阵运算方法、装置、计算机设备和存储介质
US20190385073A1 (en) * 2018-06-19 2019-12-19 Microsoft Technology Licensing, Llc Visual recognition via light weight neural network
CN111401269A (zh) * 2020-03-19 2020-07-10 成都云盯科技有限公司 基于监控视频的商品热点检测方法、装置和设备
CN111767243A (zh) * 2020-06-09 2020-10-13 上海寒武纪信息科技有限公司 数据处理方法、相关设备及计算机可读介质
CN112115911A (zh) * 2020-09-28 2020-12-22 安徽大学 一种基于深度学习的轻量型sar图像目标检测方法
WO2021054968A1 (en) * 2019-09-20 2021-03-25 Hewlett-Packard Development Company, L.P. Convolution kernels
US20210142106A1 (en) * 2019-11-13 2021-05-13 Niamul QUADER Methods and systems for training convolutional neural network using built-in attention
CN113128614A (zh) * 2021-04-29 2021-07-16 西安微电子技术研究所 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法
CN113300792A (zh) * 2021-05-14 2021-08-24 广州大学 一种用于极弱射频干扰的标记方法、系统和存储介质
CN113686810A (zh) * 2021-08-24 2021-11-23 重庆城市管理职业学院 一种基于卷积神经网络的近红外光谱波长选择方法
WO2022041188A1 (zh) * 2020-08-31 2022-03-03 深圳市大疆创新科技有限公司 用于神经网络的加速器、方法、装置及计算机存储介质
US20220207109A1 (en) * 2019-11-05 2022-06-30 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Convolution method, electronic device, and computer-readable storage medium
CN114699702A (zh) * 2022-04-15 2022-07-05 长沙海信智能系统研究院有限公司 消防设备检测方法及相关装置
CN114723959A (zh) * 2022-03-31 2022-07-08 中山大学·深圳 一种基于颜色边缘深度感知的火灾检测方法及系统

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574363A (zh) * 2014-12-12 2015-04-29 南京邮电大学 一种考虑梯度方向差异的全参考图像质量评价方法
CN106920214A (zh) * 2016-07-01 2017-07-04 北京航空航天大学 空间目标图像超分辨率重建方法
US20190116322A1 (en) * 2017-10-13 2019-04-18 Fyusion, Inc. Skeleton-based effects and background replacement
US20190385073A1 (en) * 2018-06-19 2019-12-19 Microsoft Technology Licensing, Llc Visual recognition via light weight neural network
CN109087278A (zh) * 2018-10-23 2018-12-25 沈阳工业大学 基于改进Canny算子的安全套正反面识别法
CN109583315A (zh) * 2018-11-02 2019-04-05 北京工商大学 一种面向智能视频监控的多通道快速人体姿态识别方法
CN110059760A (zh) * 2019-04-25 2019-07-26 北京工业大学 基于拓扑结构和cnn的几何图形识别方法
CN110580324A (zh) * 2019-07-23 2019-12-17 珠海格力电器股份有限公司 矩阵运算方法、装置、计算机设备和存储介质
WO2021054968A1 (en) * 2019-09-20 2021-03-25 Hewlett-Packard Development Company, L.P. Convolution kernels
US20220207109A1 (en) * 2019-11-05 2022-06-30 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Convolution method, electronic device, and computer-readable storage medium
US20210142106A1 (en) * 2019-11-13 2021-05-13 Niamul QUADER Methods and systems for training convolutional neural network using built-in attention
CN111401269A (zh) * 2020-03-19 2020-07-10 成都云盯科技有限公司 基于监控视频的商品热点检测方法、装置和设备
CN111767243A (zh) * 2020-06-09 2020-10-13 上海寒武纪信息科技有限公司 数据处理方法、相关设备及计算机可读介质
WO2022041188A1 (zh) * 2020-08-31 2022-03-03 深圳市大疆创新科技有限公司 用于神经网络的加速器、方法、装置及计算机存储介质
CN112115911A (zh) * 2020-09-28 2020-12-22 安徽大学 一种基于深度学习的轻量型sar图像目标检测方法
CN113128614A (zh) * 2021-04-29 2021-07-16 西安微电子技术研究所 基于图像梯度的卷积方法、基于方向卷积的神经网络及分类方法
CN113300792A (zh) * 2021-05-14 2021-08-24 广州大学 一种用于极弱射频干扰的标记方法、系统和存储介质
CN113686810A (zh) * 2021-08-24 2021-11-23 重庆城市管理职业学院 一种基于卷积神经网络的近红外光谱波长选择方法
CN114723959A (zh) * 2022-03-31 2022-07-08 中山大学·深圳 一种基于颜色边缘深度感知的火灾检测方法及系统
CN114699702A (zh) * 2022-04-15 2022-07-05 长沙海信智能系统研究院有限公司 消防设备检测方法及相关装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
EFTHIMIA KAFALI 等: "RobusterNet: Improving Copy-Move Forgery Detection with Volterra-based Convolutions", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION(ICPR)》 *
李红艳: "交通监控系统中的运动目标检测与分类", 《信息科技》 *

Also Published As

Publication number Publication date
CN115187918B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN110598558B (zh) 人群密度估计方法、装置、电子设备及介质
CN108615226B (zh) 一种基于生成式对抗网络的图像去雾方法
WO2023193401A1 (zh) 点云检测模型训练方法、装置、电子设备及存储介质
CN111723644A (zh) 一种监控视频遮挡检测方法及系统
Ray Unsupervised edge detection and noise detection from a single image
WO2014070273A1 (en) Recursive conditional means image denoising
CN113569708A (zh) 活体识别方法、装置、电子设备以及存储介质
WO2021013049A1 (zh) 前景图像获取方法、前景图像获取装置和电子设备
CN111368785A (zh) 一种摄像头遮挡判断方法、装置、设备及存储介质
CN112417955A (zh) 巡检视频流处理方法及装置
Cui et al. An image edge detection method based on haar wavelet transform
CN114973057B (zh) 基于人工智能的视频图像检测方法及相关设备
CN113065379B (zh) 融合图像质量的图像检测方法、装置、电子设备
CN115457466A (zh) 一种基于巡检视频的隐患检测方法、系统及电子设备
Chen et al. Improve transmission by designing filters for image dehazing
CN113705380B (zh) 雾天的目标检测方法、装置、电子设备以及存储介质
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
CN114445663A (zh) 检测对抗样本的方法、装置及计算机程序产品
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN115187918B (zh) 一种监控视频流中移动物体的识别方法及系统
CN116703925B (zh) 一种轴承缺陷检测方法、装置、电子设备及存储介质
CN109977965B (zh) 一种在遥感机场图像中确定检测目标的方法及装置
CN114926348B (zh) 一种去除低照度视频噪声的装置和方法
CN111062272A (zh) 基于色彩恢复的图像处理、行人识别方法、装置与可读存储介质
CN113240611B (zh) 一种基于图片序列的异物检测方法

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