CN107220602A - 一种快速捕获视频流中新增运动区域的方法 - Google Patents
一种快速捕获视频流中新增运动区域的方法 Download PDFInfo
- Publication number
- CN107220602A CN107220602A CN201710352216.8A CN201710352216A CN107220602A CN 107220602 A CN107220602 A CN 107220602A CN 201710352216 A CN201710352216 A CN 201710352216A CN 107220602 A CN107220602 A CN 107220602A
- Authority
- CN
- China
- Prior art keywords
- newly
- moving region
- region
- video flowing
- pixel
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
-
- 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)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明揭示了一种快速捕获视频流中新增运动区域的方法,其概括性特征包括对视频流数据基于若干个时间节点创建多维化数据空间,并赋予空间坐标系映射多维化数据空间,通过多维化数据空间在图像层面上的各个像素随时间节点变化的色彩值信息差异构成几何结构,识别并划分视频流数据中的不同区域,淘汰其中的无效识别区域,当新增动态目标出现后迅速捕获所需的新增运动区域。应用本发明的快速捕获方法,在用视频监控领域中能快速剔除无效图像信息,在新增动态目标出现的情况下能够准确而迅速地抓取识别对象进行比对,大幅提高了辨识效率和精准度。
Description
技术领域
本发明涉及一种数字化图像处理方法,特别涉及一种在视频流中快速捕获新增运动区域的方法。
背景技术
随着智能化终端服务平台的普及和应用,大量过去需要人工识别的信息现在都需要依靠计算机技术进行捕捉、分析和认证。而在此过程中,由于设备分辨率的提升(更加丰富的画面细节,有助于提高识别准确率)、服务对象的特征复杂性(不同人种、穿戴,以及环境因素所造成的多种变化),以及实际应用中对识别效率的要求等,都直接影响到了识别结果的准确性。
举例来说,在传统的摄像设备所捕获的视频流中需要实时识别目标特征的需求,其主要制约因素就是识别技术的执行效率。因为高清摄像才能更精确的捕捉到识别目标的更多有效特征,而高清视频流又造成了单位时间内识别数据的急剧增加,从而导致精确度较高的识别技术识别速度较慢,容易遗漏移动目标,对终端设备的性能要求也大幅增加,间接造成了产品成本的提高。
而且,视频流检测识别与图片识别技术之间,其主要的差异性就在于及时性,因为移动目标在视频流中的存在时间可能只会停留几秒钟,这时就要求有效识别目标的时间至少要控制在1秒之内。但是要在1秒数十帧的图像数据中精确捕获到有效识别区域,再将识别区域转化为高精确度的识别结果,这一过程是非常困难的。
传统解决方案很难在识别速度与识别准确率之间取得完美的平衡,要么因为识别速度较慢而错失更为清晰的识别目标,要么就会因为专注于提升识别效率而使得识别准确度降低。
发明内容
鉴于上述现有技术的缺陷,本发明的目的旨在提出一种快速捕获视频流中新增运动区域的方法,解决提升图像处理效率和准确性的问题。
本发明实现上述目的的技术解决方案是,一种快速捕获视频流中新增运动区域的方法,其特征在于:对视频流数据基于若干个时间节点创建多维化数据空间,并赋予空间坐标系映射多维化数据空间,通过多维化数据空间在图像层面上的各个像素随时间节点变化的色彩值信息差异构成几何结构,识别并划分视频流数据中的不同区域,淘汰其中的无效识别区域,得到所需的新增运动区域。
进一步地,所述时间节点为两个以上,并且各个像素基于每个时间节点的色彩值信息相对稳定或陡变。
更进一步地,各个时间节点等间隔或随机间隔。
更进一步地,所述色彩值信息为任一个像素的参数集合且至少包括分辨率、色深、缓存帧号和颜色代码。
进一步地,所述几何结构的构成方法是设定色彩值信息的变化幅度或区间,随时间节点推衍根据色彩值信息的变化分类各个像素,并基于空间坐标系描出各类像素所形成的几何结构的轮廓。
进一步地,所述新增运动区域得自于视频流中出现新增动态目标后,出现色彩值信息剧烈变化的对应像素所处的空间坐标系坐标范围。
进一步地,定义所述无效识别区域为预缓存并不断更新的背景环境特征,无效识别区域包括持续规律性变化的区域和持续静止的区域。
更进一步地,更新背景环境特征指的是当环境因素发生范围性持久性改变时,在若干个时间节点中设定更新间隔,比较更新间隔前后两个时间节点下各个像素的色彩值信息变化稳定性,在稳定状态下清空并重填背景环境特征。
应用本发明的快速捕获方法,较之于现有技术具备突出的实质性特点和显著的进步性:该快速捕获方法在用视频监控领域中能快速剔除无效图像信息,在新增动态目标出现的情况下能够准确而迅速地抓取识别对象进行比对,大幅提高了辨识效率和精准度。
附图说明
图1为本发明快速捕获方法中多维化数据空间的形象化示意图。
具体实施方式
以下便结合实施例附图,对本发明的具体实施方式作进一步的详述,以使本发明技术方案更易于理解、掌握,从而对本发明的保护范围做出更为清晰的界定。
自然界中,很多动物(如青蛙、蜥蜴、蛇等)的视觉***在长久进化的过程中产生了一种快速识别移动目标的机制,从而可以以最小的代价,最快的反应速度,最精准的定位有效捕获目标,赖以生计。以此作为借鉴,为解决在识别速度与识别准确率之间取得完美的平衡这一问题,数字图像处理的作业人员意识到能够通过剔除无效背景图层的方式来提高识别算法的准确率,通过创造性劳动创意性地提出了一种快速捕获视频流中新增运动区域的方法,由此可在动态视频流中快速定位有效识别区域,从而可以通过最小的数据识别量来提升***的整体的识别性能,提高识别结果的准确度。
从概括描述本发明来看,该快速捕获方法对视频流数据基于若干个时间节点创建多维化数据空间,并赋予空间坐标系映射多维化数据空间,通过多维化数据空间在图像层面上的各个像素随时间节点变化的色彩值信息差异构成几何结构,识别并划分视频流数据中的不同区域,淘汰其中的无效识别区域,得到所需的新增运动区域。通过数据空间的方式实时将视频流数据中的像素色彩值与数据空间坐标相关联,组成了一个可以实时动态分析的虚拟空间结构模型,如图1所示。由此便可实现减少识别处理的数据量级,达到识别效率和识别精确度的平衡。
从较为具体的实例来看,在视频监控中通过多维化的方法,可以在数据空间中同时储存多个时间节点的视频流数据,在图像层面上的每个像素都可以找到其以时间节点推衍进程为脉络之前的色彩值信息。利用这点,设定色彩值信息的变化幅度或区间,因此可以经由这些像素之色彩值信息的变化过程分类各个像素,在空间坐标系中框定一定清晰轮廓的集合结构,识别出视频流数据中的不同区域。从而得到持续变化和持续静止的各种无效识别区,进而裁汰这些无效区域信息,便可以大幅缩减图像识别的实际数据量。
需要进一步细化说明的是,上述时间节点可以是两个以上,实际应用中多达数十个,并且各个像素基于每个时间节点的色彩值信息相对稳定或陡变。这是随着视频流中背景环境和新增动态目标的区别而定的。通常情况下背景环境所关联的像素的色彩值信息相对稳定或呈规律性变化,而新增动态目标所关联的像素的色彩值信息则通常为陡变状,也就是本方法所关注捕获的对象。上述各个时间节点可以是等间隔选取,也可以是随机间隔选取,以更利于区分背景环境和新增动态目标为基准。而所谓的色彩值信息为任一个像素的参数集合,其至少包括分辨率、色深、缓存帧号和颜色代码,当然也可以是其它本领域用于区分像素状态的各种可用参数,在此不作限定。
之所以上述几何结构可以被构成,原因在于在此过程中,在同一个视频捕获设备中像素色彩值的变化可能会随着时间的变化而大范围变更,但是这种变更只要不超出预设的变化范围是并不会影响到由色彩值差异所形成的不同几何区域之间的间隔的。因此所构成的几何结构(特别是背景环境特征的绝大部分)是十分稳定的。举例来说,随着光暗度的变化,视频内的物体亮度都会跟着变化,但是只要保持在可见范围内,这些物体之间的间隔就不会变。在数据空间中,通过这种像素之间的差异性就能够很精确的分割不同物体、不同区域,进而在有效目标出现后(新增动态目标)可以快速精准的判断其有效性。
比如在人脸检测的过程中只需要判断该出现物体是否具有人脸的基本特征,而不需要精准的区分人脸的具体对象,这时候就只需要从背景图层中抓取这个移动对象(使用像素对比和几何体分离的方式),进而在这个小区域中检索目标几何结构的特征属性,而无需对全画面进行特征检索。
而在人脸识别的过程中,因为要详细区分目标对象的特征属性,因此可以通过该方法快速分割、获取人脸上的不同面部结构,进而可以做更加详细的局部特征分析,不但支持基本的几何比例算法分析、传统的生物特征分析,也可以支持皮肤纹理分析、虹膜分析、毛发分析等,只要图片的分辨率、清晰度足够,就可以进行各种局部特征的自定义分析方法,从而在不影响效率的同时大幅提升人脸识别的准确性。
从一个完整而具体的实施步骤可以更清楚地了解到本发明快速捕获方法的妙处:首先根据摄像设备所捕获的视频流基本属性创建相应的多维化数据空间;而后根据前步中的参数设定,缓存一定帧数的视频流数据(静置摄像头,拍摄监控环境,让缓存数据完成填充);接着分析视频流数据中与背景环境特征相关的几何结构基本属性,划分几何结构的空间区域;在此条件下当视频流中出现新增动态目标后,将出现变化的像素通过数据空间坐标的方式快速检出(删繁就简);最后作为捕获的完善性解决方案,还需要判断所检出的新增运动区域的有效性,如有效则返回结果,如无效则丢弃。判断的标准取决于以下几个方面:1. 变化区域面积大于等于某一像素数量或画面百分比(需要根据具体设备和不同的使用要求而定),2. 变化区域为连续区域,而非点状或多个小范围区域,3. 变化区域不包括整体画面的亮度变化,比如灯光亮度的改变,4. 其他根据具体环境的特别限制,比如在某些监控范围内,部分区域包含持续动态变化的广告内容,则可以限制该区域不做检测等。
此外,值得一提的是上述无效识别区域为预缓存并不断更新的背景环境特征,无效识别区域包括持续规律性变化的区域和持续静止的区域。而该背景环境特征并非从一而终的,作为捕获新增运动区域的基础该特征也是需要不断更新的,正如不可避免的日照变化,为克服其对快速捕获新增动态目标运动区域的影响,需要设置各个像素色彩值信息的合理变化范围,当环境因素发生范围性持久性改变时,在若干个时间节点中设定更新间隔,比较更新间隔前后两个时间节点下各个像素的色彩值信息变化稳定性,在稳定状态下清空并重填背景环境特征。以此保持背景环境特征随时间节点变化的准确性,从另一侧面提高了识别的精度。
综上所述可见,本发明快速捕获方法在用视频监控领域中能快速剔除无效图像信息,在新增动态目标出现的情况下能够准确而迅速地抓取识别对象进行比对,大幅提高了辨识效率和精准度。以上附图及其说明仅作为实施例提供,其实施方式具有多样性。故凡对以上实施例进行的简单修改或等效变换,能够实现本创作目的的设计方案,均应纳入本专利申请的保护范围之内。
Claims (8)
1.一种快速捕获视频流中新增运动区域的方法,其特征在于:对视频流数据基于若干个时间节点创建多维化数据空间,并赋予空间坐标系映射多维化数据空间,通过多维化数据空间在图像层面上的各个像素随时间节点变化的色彩值信息差异构成几何结构,识别并划分视频流数据中的不同区域,淘汰其中的无效识别区域,得到所需的新增运动区域。
2.根据权利要求1所述快速捕获视频流中新增运动区域的方法,其特征在于:所述时间节点为两个以上,并且各个像素基于每个时间节点的色彩值信息相对稳定或陡变。
3.根据权利要求2所述快速捕获视频流中新增运动区域的方法,其特征在于:各个时间节点等间隔或随机间隔。
4.根据权利要求1或2所述快速捕获视频流中新增运动区域的方法,其特征在于:所述色彩值信息为任一个像素的参数集合且至少包括分辨率、色深、缓存帧号和颜色代码。
5.根据权利要求1所述快速捕获视频流中新增运动区域的方法,其特征在于:所述几何结构的构成方法是设定色彩值信息的变化幅度或区间,随时间节点推衍根据色彩值信息的变化分类各个像素,并基于空间坐标系描出各类像素所形成的几何结构的轮廓。
6.根据权利要求1所述快速捕获视频流中新增运动区域的方法,其特征在于:所述新增运动区域得自于视频流中出现新增动态目标后,出现色彩值信息剧烈变化的对应像素所处的空间坐标系坐标范围。
7.根据权利要求1所述快速捕获视频流中新增运动区域的方法,其特征在于:定义所述无效识别区域为预缓存并不断更新的背景环境特征,无效识别区域包括持续规律性变化的区域和持续静止的区域。
8.根据权利要求7所述快速捕获视频流中新增运动区域的方法,其特征在于:更新背景环境特征指的是当环境因素发生范围性持久性改变时,在若干个时间节点中设定更新间隔,比较更新间隔前后两个时间节点下各个像素的色彩值信息变化稳定性,在稳定状态下清空并重填背景环境特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352216.8A CN107220602A (zh) | 2017-05-18 | 2017-05-18 | 一种快速捕获视频流中新增运动区域的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710352216.8A CN107220602A (zh) | 2017-05-18 | 2017-05-18 | 一种快速捕获视频流中新增运动区域的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220602A true CN107220602A (zh) | 2017-09-29 |
Family
ID=59945014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710352216.8A Pending CN107220602A (zh) | 2017-05-18 | 2017-05-18 | 一种快速捕获视频流中新增运动区域的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220602A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704609A (zh) * | 2017-10-18 | 2018-02-16 | 浪潮金融信息技术有限公司 | 视频内容检索方法及装置、计算机可读存储介质、终端 |
CN107809613A (zh) * | 2017-10-18 | 2018-03-16 | 浪潮金融信息技术有限公司 | 视频索引创建方法及装置、计算机可读存储介质、终端 |
CN109785562A (zh) * | 2018-12-29 | 2019-05-21 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 一种立式光电地面威胁警戒***及可疑目标识别方法 |
CN116320346A (zh) * | 2023-05-17 | 2023-06-23 | 山东矩阵软件工程股份有限公司 | 一种将图像rgb色彩数据转换为多维数据进行综合分析的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095906A (zh) * | 2014-05-04 | 2015-11-25 | 深圳市贝尔信科技有限公司 | 目标特征模型数据库建立的方法、装置及*** |
CN105095891A (zh) * | 2014-05-05 | 2015-11-25 | 深圳市贝尔信智能***有限公司 | 一种人脸捕捉的方法,装置及*** |
CN105574890A (zh) * | 2014-11-03 | 2016-05-11 | 安讯士有限公司 | 预处理视频流用于后续运动检测处理的方法、装置和*** |
-
2017
- 2017-05-18 CN CN201710352216.8A patent/CN107220602A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095906A (zh) * | 2014-05-04 | 2015-11-25 | 深圳市贝尔信科技有限公司 | 目标特征模型数据库建立的方法、装置及*** |
CN105095891A (zh) * | 2014-05-05 | 2015-11-25 | 深圳市贝尔信智能***有限公司 | 一种人脸捕捉的方法,装置及*** |
CN105574890A (zh) * | 2014-11-03 | 2016-05-11 | 安讯士有限公司 | 预处理视频流用于后续运动检测处理的方法、装置和*** |
Non-Patent Citations (1)
Title |
---|
徐以美: "基于像素分类的运动目标检测算法", 《计算机工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704609A (zh) * | 2017-10-18 | 2018-02-16 | 浪潮金融信息技术有限公司 | 视频内容检索方法及装置、计算机可读存储介质、终端 |
CN107809613A (zh) * | 2017-10-18 | 2018-03-16 | 浪潮金融信息技术有限公司 | 视频索引创建方法及装置、计算机可读存储介质、终端 |
CN107704609B (zh) * | 2017-10-18 | 2021-01-08 | 浪潮金融信息技术有限公司 | 视频内容检索方法及装置、计算机可读存储介质、终端 |
CN109785562A (zh) * | 2018-12-29 | 2019-05-21 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 一种立式光电地面威胁警戒***及可疑目标识别方法 |
CN109785562B (zh) * | 2018-12-29 | 2023-08-15 | 华中光电技术研究所(中国船舶重工集团有限公司第七一七研究所) | 一种立式光电地面威胁警戒***及可疑目标识别方法 |
CN116320346A (zh) * | 2023-05-17 | 2023-06-23 | 山东矩阵软件工程股份有限公司 | 一种将图像rgb色彩数据转换为多维数据进行综合分析的方法 |
CN116320346B (zh) * | 2023-05-17 | 2023-08-29 | 山东矩阵软件工程股份有限公司 | 一种将图像rgb色彩数据转换为多维数据进行综合分析的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977706B (zh) | 模块化分布式人工神经网络 | |
CN108596974B (zh) | 动态场景机器人定位建图***及方法 | |
CN108399362B (zh) | 一种快速行人检测方法及装置 | |
CN107220602A (zh) | 一种快速捕获视频流中新增运动区域的方法 | |
CN102609934B (zh) | 一种基于深度图像的多目标分割和跟踪方法 | |
Vallotton et al. | Recovery, visualization, and analysis of actin and tubulin polymer flow in live cells: a fluorescent speckle microscopy study | |
CN110232379A (zh) | 一种车辆姿态检测方法及*** | |
US9024972B1 (en) | Augmented reality computing with inertial sensors | |
CN103295016B (zh) | 基于深度与rgb信息和多尺度多方向等级层次特征的行为识别方法 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN105975929A (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
CN109509255A (zh) | 一种标签化地图构建及空间地图更新方法和装置 | |
CN108537269A (zh) | 一种弱交互式的物体检测深度学习方法及其*** | |
KR101183105B1 (ko) | 자동 구름 정보 산출방법 | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN111291587A (zh) | 一种基于密集人群的行人检测方法、存储介质及处理器 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN111967313A (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN102789578A (zh) | 基于多源目标特征支持的红外遥感图像变化检测方法 | |
CN109948725A (zh) | 基于地址-事件表达的神经网络目标检测装置 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN111967490A (zh) | 用于地图检测的模型训练方法和地图检测方法 | |
CN107578424A (zh) | 一种基于时空分类的动态背景差分检测方法、***及装置 | |
CN110969604A (zh) | 一种基于深度学习的智能安防实时开窗检测报警***及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170929 |
|
RJ01 | Rejection of invention patent application after publication |