CN105701843A - 一种无人值守停车场监控*** - Google Patents
一种无人值守停车场监控*** Download PDFInfo
- Publication number
- CN105701843A CN105701843A CN201610235865.5A CN201610235865A CN105701843A CN 105701843 A CN105701843 A CN 105701843A CN 201610235865 A CN201610235865 A CN 201610235865A CN 105701843 A CN105701843 A CN 105701843A
- Authority
- CN
- China
- Prior art keywords
- module
- video image
- background
- sequence information
- image
- 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
Classifications
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram 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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种无人值守停车场监控***,包括:(1)图像采集模块,用于采集视频监控图像;(2)图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息;(3)滤波模块,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理;(4)背景建模模块,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成;(5)背景消减模块,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点;(6)特征匹配模块;(7)警报模块。本发明能最大程度的减少由于背景噪声和摄像机抖动造成的对运动目标的误检,且实时性好。
Description
技术领域
本发明涉及监控领域,具体涉及一种无人值守停车场监控***。
背景技术
相关技术中的无人值守停车场监控***,存在以下问题:(1)在视频监控系列图像中由于背景噪声的存在而将背景误检为运动目标;(2)在视频监控过程中存在轻微抖动,会将背景误检为运动目标;(3)在对运动目标的检测过程中,存在计算量大,实时性差的问题而不能及时检测到运动目标。
发明内容
针对上述问题,本发明提供一种无人值守停车场监控***,该监控***能最大程度的减少由于背景噪声和摄像机抖动造成的对运动目标的误检,且实时性好。
本发明的目的采用以下技术方案来实现:
提供了一种无人值守停车场监控***,包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
优选地,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像。
本发明的有益效果为:
1、设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;
2、设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;
3、设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;
4、在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;
5、设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明各模块的连接示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1,本实施例的无人值守停车场监控***包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
本实施例设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测;其中,N值越大对背景的动态性适应能力越强,但会占用更多地存储资源,增加计算量,实时性也会变差,本实施例取值N=5,与相对技术中的监控***相比,误检率降低了1%,运算速度提高了5%。
实施例2
参见图1,本实施例的无人值守停车场监控***包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
本实施例设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测;其中,N值越大对背景的动态性适应能力越强,但会占用更多地存储资源,增加计算量,实时性也会变差,本实施例取值N=6,与相对技术中的监控***相比,误检率降低了2%,运算速度提高了4.5%。
实施例3
参见图1,本实施例的无人值守停车场监控***包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
本实施例设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测;其中,N值越大对背景的动态性适应能力越强,但会占用更多地存储资源,增加计算量,实时性也会变差,本实施例取值N=7,与相对技术中的监控***相比,误检率降低了3.5%,运算速度提高了4%。
实施例4
参见图1,本实施例的无人值守停车场监控***包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
本实施例设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测;其中,N值越大对背景的动态性适应能力越强,但会占用更多地存储资源,增加计算量,实时性也会变差,本实施例取值N=8,与相对技术中的监控***相比,误检率降低了4%,运算速度提高了3.7%。
实施例5
参见图1,本实施例的无人值守停车场监控***包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
本实施例设置图像初处理模块,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息,能够大大节约存储空间,提高检测的速度;设置滤波模块,对局部形状进行滤波处理,能够有效地滤出环境噪声,避免将噪声误检为运动目标;设置背景建模模块,采用加权形状上下文直方图对由滤波模块滤波后的背景进行建模,最大程度的减少了由于背景噪声和摄像机抖动造成的对运动目标的误检;在建模过程中,仅对边缘点的形状上下文直方图进行计算,大大节约了存储空间,提高了运算速度,***的实时性得到增强;设置背景消减模块,引入匹配度和匹配约束条件对背景进行消减,能够快速准确的对运动目标进行配准,完成检测;其中,N值越大对背景的动态性适应能力越强,但会占用更多地存储资源,增加计算量,实时性也会变差,本实施例取值N=10,与相对技术中的监控***相比,误检率降低了4.2%,运算速度提高了3.5%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (2)
1.一种无人值守停车场监控***,其特征是,包括:
(1)图像采集模块,用于采集视频监控图像,其连接至视频监控设备并采集其中的原视频图像序列信息;
(2)图像初处理模块,与图像采集模块连接,用于对所述原视频图像序列信息进行运动目标的初步检测处理并输出包含有运动目标的有效视频图像序列信息;
(3)滤波模块,与图像初处理模块连接,用于接收所述有效视频图像序列信息并对有效视频图像序列信息的背景形状进行滤波处理,包括采用维纳波对所述背景形状进行初次滤波的一级滤除子模块和采用高斯滤波对初次滤波后的背景形状再次进行滤波的二级滤除子模块;
(4)背景建模模块,与滤波模块连接,用于建立滤波后的背景模型,所述背景模型设定由N个带权重的表示边缘点的形状上下文直方图组成,背景模型上边缘点的形状上下文直方图表示为:
其中,x为背景边缘点坐标,N表示所包含的形状上下文直方图的个数,N的取值范围为[5,10],wn,x表示第n个形状上下文直方图对应的权重,Bl表示对以背景边缘点x为极坐标圆心、半径为R的圆按照对数距离建立的同心圆个数,Bθ表示对圆周角划分的等份数;
(5)背景消减模块,与背景建模模块连接,用于对当前帧图像上的边缘点进行属性分类并消减属于背景的边缘点,包括匹配度计算子模块、约束条件计算子模块、属性判定子模块和消减子模块,所述匹配度计算子模块、约束条件计算子模块皆连接至所述属性判定子模块,所述属性判定子模块连接至所述消减子模块,其中:
a、匹配度计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应边缘点的形状上下文直方图之间的匹配度,所述匹配度的计算公式为:
式中,表示当前帧图像上的边缘点x的形状上下文直方图,表示背景模型上相对应边缘点x的形状上下文直方图,n=1,...N;表示边缘点x的邻域,用来衡量两边缘点的形状上下文直方图的差异,越小,表明两边缘点的形状上下文直方图差异越小;
b、约束条件计算子模块,用于计算当前帧图像上边缘点的形状上下文直方图与所述背景模型上相对应的形状上下文直方图的差异之间的约束条件,约束条件公式为:
c、属性判定子模块,所述属性判定子模块用于判定当前帧图像上的边缘点的属性,所述当前帧图像上的边缘点为属于背景的边缘点的判定条件为:
且
其中,TP为根据背景模型设定的匹配度阈值,TY为根据背景模型设定的约束条件阈值;
d、消减子模块,用于剔除由属性判定子模块判定为属于背景的边缘点并输出属于运动目标的区域图像;
(6)特征匹配模块,与消减子模块连接,用于将所述属于运动目标的区域图像与数据库中预定模板进行特征匹配;
(7)警报模块,当发现可疑目标时,发出警报。
2.根据权利要求1所述的一种无人值守停车场监控***,其特征是,所述图像初处理模块包括:
a、参考有效度设定子模块,用于存储含运动目标的视频图像样本的有效度参考阈值,所述有效度表示用于判定原视频图像序列信息中第m帧视频图像是否为所述有效视频图像的判定因子,所述有效度参考阈值包括亮度变化率参考阈值和目标尺寸参考阈值;
b、实际有效度计算子模块,用于计算原视频图像序列信息中第m帧视频图像的有效度,有效度的计算公式为:
其中,V表示有效度,Lm为第m帧视频图像的亮度变化率,M表示原视频图像序列信息中所包含的视频图像总帧数,m=1,...M,mv为原视频图像序列信息中亮度变化率大于亮度变化率参考阈值的视频图像的总帧数,d为第m帧视频图像的目标尺寸,dp为目标尺寸参考阈值;
c、输出子模块,用于输出属于有效视频图像序列的图像信息,当所述当前帧图像的有效度大于所述有效度参考阈值时,所述输出子模块输出所述当前帧图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235865.5A CN105701843A (zh) | 2016-04-15 | 2016-04-15 | 一种无人值守停车场监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610235865.5A CN105701843A (zh) | 2016-04-15 | 2016-04-15 | 一种无人值守停车场监控*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105701843A true CN105701843A (zh) | 2016-06-22 |
Family
ID=56216872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610235865.5A Pending CN105701843A (zh) | 2016-04-15 | 2016-04-15 | 一种无人值守停车场监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105701843A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902819A (zh) * | 2012-10-30 | 2013-01-30 | 浙江宇视科技有限公司 | 一种视频智能分析方法及装置 |
CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及*** |
CN103473791A (zh) * | 2013-09-10 | 2013-12-25 | 惠州学院 | 监控视频中异常速度事件自动识别方法 |
CN103581614A (zh) * | 2012-08-01 | 2014-02-12 | 通号通信信息集团有限公司 | 基于ptz的视频中目标跟踪方法及*** |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控***视频的关键帧提取方法及其*** |
-
2016
- 2016-04-15 CN CN201610235865.5A patent/CN105701843A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103581614A (zh) * | 2012-08-01 | 2014-02-12 | 通号通信信息集团有限公司 | 基于ptz的视频中目标跟踪方法及*** |
CN102902819A (zh) * | 2012-10-30 | 2013-01-30 | 浙江宇视科技有限公司 | 一种视频智能分析方法及装置 |
CN102968802A (zh) * | 2012-11-28 | 2013-03-13 | 无锡港湾网络科技有限公司 | 一种基于视频监控的运动目标分析跟踪方法及*** |
CN103473791A (zh) * | 2013-09-10 | 2013-12-25 | 惠州学院 | 监控视频中异常速度事件自动识别方法 |
CN103810711A (zh) * | 2014-03-03 | 2014-05-21 | 郑州日兴电子科技有限公司 | 一种用于监控***视频的关键帧提取方法及其*** |
Non-Patent Citations (3)
Title |
---|
CHAUR-HEH HSIEH ET AL: "Human Action Recognition Using Silhouette Histogram", 《PROCEEDINGS OF THE THIRTY-FOURTH AUSTRALASIAN COMPUTER SCIENCE CONFERENCE (ACSC 2011)》 * |
刘乐元: "面向有限资源平台人机交互的人手检测与跟踪", 《中国博士学位论文全文数据库信息科技辑》 * |
张天序: "《成像自动目标识别》", 30 April 2005, 湖北科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845574B (zh) | 目标识别与追踪方法、装置、设备及介质 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN102998316B (zh) | 一种透明液体杂质检测***及其检测方法 | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、***及介质 | |
Cui et al. | Abnormal event detection in traffic video surveillance based on local features | |
CN103246896A (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN110135514A (zh) | 一种工件分类方法、装置、设备及介质 | |
CN114029943A (zh) | 一种基于图像数据处理的目标抓取定位方法及*** | |
Su et al. | A new local-main-gradient-orientation HOG and contour differences based algorithm for object classification | |
Raktrakulthum et al. | Vehicle classification in congested traffic based on 3D point cloud using SVM and KNN | |
CN105869185A (zh) | 一种自动门 | |
CN105957098A (zh) | 一种无人值守水库监控*** | |
CN106780599A (zh) | 一种基于Hough变化的圆形识别方法及*** | |
CN116524269A (zh) | 一种视觉识别检测*** | |
CN105701843A (zh) | 一种无人值守停车场监控*** | |
CN110378935A (zh) | 基于图像语义信息的抛物识别方法 | |
CN107403192B (zh) | 一种基于多分类器的快速目标检测方法及*** | |
CN105933645A (zh) | 一种无人值守仓库监控*** | |
CN105957101A (zh) | 一种远程获取有用监控信息装置 | |
CN105812743A (zh) | 一种运动目标拍摄方法 | |
CN106778675B (zh) | 一种视频图像中目标对象的识别方法和装置 | |
Chaturvedi et al. | An effective framework for detecting the object from the video sequences by utilizing deep learning with hybrid technology | |
CN108537105A (zh) | 一种家庭环境下的危险行为识别方法 | |
CN105847692A (zh) | 一种智能斑马线护栏 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160622 |
|
RJ01 | Rejection of invention patent application after publication |