CN109948455A - 一种遗留物体检测方法及装置 - Google Patents
一种遗留物体检测方法及装置 Download PDFInfo
- Publication number
- CN109948455A CN109948455A CN201910140397.7A CN201910140397A CN109948455A CN 109948455 A CN109948455 A CN 109948455A CN 201910140397 A CN201910140397 A CN 201910140397A CN 109948455 A CN109948455 A CN 109948455A
- Authority
- CN
- China
- Prior art keywords
- target object
- pixel
- target
- value
- profile
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种遗留物体检测方法及装置，首先根据遗留物体检测的实时快速性要求，采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM进行分类，区分人和物品，并将人滤除；再采用证据累加方式，判断目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定目标物体为遗留物体。一方面本发明计算复杂度低，具有实时高效的特点，另一方面本发明解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，有效解决了遗留物品的检测难题。
Description
技术领域
本发明实施例涉及视频图像处理技术，尤其涉及一种遗留物体检测方法及装置。
背景技术
在人流密集的场合，例如地铁等交通枢纽中，有时会出现遗留物体，或者称异常停留的物品，例如没有主人的包裹等。这种遗留物品可能是主人遗落的普通物品，也可能是炸弹等危险品，所以为了能够及时发现这些遗留物品，对交通枢纽等场合进行实时监控就变得非常重要。另外，对遗留物体的检测还有其他广泛的应用，例如铁路上的危险障碍物、掉落的岩石、乱扔的垃圾、交通干线/高速公路/飞机跑道上的物品碎块、地面上积留的滑溜液体(可能导致行人滑倒、车祸等事故)，等等。
在现有技术中，传统的视频监控只是对视频进行采集和存储，不能智能的自动判断其中信息，遗留物品的发现全靠视频监控者的肉眼，效率低下。在这种情况下，智能监控应运而生。智能监控是指借助计算机技术，通过对图像视频进行处理来代替人工对实时的录像信息进行分析和理解，协助监控人员以此为基础对视频信息进行进一步的响应和处理，从而达到减少甚至代替监控人员工作的目的。
然而，遗留物体的检测是一个特别复杂的问题，因为需要进行检测的环境通常都很复杂，如交通枢纽等公共场合，存在很多遮挡。目前针对遗留物体检测已存在一些方案，例如：可以使用融合多相机信息来解决智能视频监控场景中容易存在的遮挡问题，但是精确的相机模型往往难以获得，这导致该算法在实际应用中效果并不理想；可以利用混合高斯进行背景建模，并在此基础上通过观测各高斯分布的状态迁徙来检测由运动进入场景后变成静止的目标，然而混合高斯背景建模需要较大的训练量和计算量，难以满足监控***在实时性上的需要。
发明人在实现本发明的过程中发现，现有技术中的这些解决方案或是不够精确，或是计算量大，都存在较多问题，有的无法解决遮挡和虚警问题，有的无法判断异常停留的是人还是物体，有的无法判断在该遗留物体附近人的究竟是不是其主人，均不完善，可见在现有技术中尚未能有效解决遗留物品的检测问题。
发明内容
本发明实施例提供一种遗留物体检测方法及装置，以有效解决遗留物品的检测问题。
根据本发明实施例的第一方面，提供一种遗留物体检测方法，所述方法包括：
对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；
采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；
对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；
如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
可选的，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，包括：
当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；
根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
可选的，还包括原始背景，所述策略还包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
可选的，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，包括：
预先提取正、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；
将提取到的所述HOG特征投入SVM分类器训练，以得到模型；
利用所述模型生成筛选器；
用所述筛选器检测所述负样本，以得到困难样本；
提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；
提取所述目标物体的HOG特征；
使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。
可选的，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值，包括：
将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；
如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；
如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；
如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
可选的，在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，所述方法还包括：
对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；
判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；
滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
可选的，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，包括：
在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；
计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；
学习并存储所述目标人物的特征；
当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配。
根据本发明实施例的第二方面，提供一种遗留物体检测装置，所述装置包括：
目标发现模块，用于对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；
目标排除模块，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；
目标停留时长判断模块，用于对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；
目标从属判断模块，用于当所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
可选的，当所述目标发现模块在根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体时，具体用于：
当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
可选的，还包括原始背景，所述策略还包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
可选的，所述目标排除模块具体用于：
预先提取正、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；将提取到的所述HOG特征投入SVM分类器训练，以得到模型；利用所述模型生成筛选器；用所述筛选器检测所述负样本，以得到困难样本；提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；提取所述目标物体的HOG特征；使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。
可选的，所述目标停留时长判断模块具体用于：
将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；
如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
可选的，所述目标停留时长判断模块还用于：
在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
可选的，所述目标从属判断模块具体用于：
在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；学习并存储所述目标人物的特征；当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配，如果未匹配上，则确定所述目标物体为遗留物体。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明对遗留物体检测过程中可能出现的多种问题均做了判断分析，形成了一个完整的解决方案，首先根据遗留物体检测的实时快速性要求，确定采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM对目标物体进行分类，以区分人和物品，并将人滤除；再采用证据累加的方式，判断目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定所述目标物体为遗留物体。一方面，本发明方案计算复杂度低，具有实时高效的特点，另一方面，本发明解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，因此最终有效解决了遗留物品的检测难题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。此外，这些介绍并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图2是根据本发明一示例性实施例示出的***框架示意图；；
图3是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图4是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图5是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图6是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图7是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图8是根据本发明一示例性实施例示出的一种遗留物体检测方法流程图；
图9是根据本发明一示例性实施例示出的一种遗留物体检测装置示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据本发明一示例性实施例示出的一种遗留物体检测方法的流程图。作为示例，该方法可用于DSP(数字信号处理)等硬件设备。
下面先对本发明方法所在的***进行举例说明。图2是根据本发明一示例性实施例示出的***框架示意图。本***主要可由高清相机、远端控制平台、嵌入式设备，交换机、外部存储设备等组成。***的嵌入式设备可选择集成了ARM、DSP和视频协处理器的多核***，如TI的DM8168等，以在保持低功耗性的同时提升***的实时运算能力。
该***使用时的主要过程如下：
1)相机采集的视频数据发送给嵌入式设备
2)嵌入式设备中由ARM将接收到的视频数据压缩，分成两路，一路给DSP进行算法处理，一路经过缩放后存储起来。
3)DSP处理完后，将数据发还给ARM，ARM通过TCP将包含有处理结果的数据发给PC端进行显示。
参见图1所示，该方法可以包括如下步骤：
步骤S101，对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体。
本步骤主要是解决如何初步判断物体为遗留物体的问题。在本步骤中，根据遗留物体检测的实时快速性要求，决定采用以上帧差法(即帧间差分法)确定像素的运动特性，找到由动变静的目标物体。
步骤S102，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况。
本步骤主要是解决如何判断遗留物体是物体而不是人的问题，具体分类办法采用了方向梯度直方图HOG特征结合支持向量机SVM的方式。
步骤S103，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值。
本步骤通过物品停留的时间累积进一步判断是否可能为遗留物品。
步骤S104，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
本步骤通过判断目标物体是否有从属，即是否从属于某个人，来最终确定是否为遗留物体。
本实施例对遗留物体检测过程中可能出现的多种问题均做了判断分析，形成了一个完整的解决方案，首先根据遗留物体检测的实时快速性要求，确定采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM对目标物体进行分类，以区分人和物品，并将人滤除；再采用证据累加的方式，确定目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定所述目标物体为遗留物体。一方面，本发明方案计算复杂度低，具有实时高效的特点，另一方面，本发明解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，因此最终有效解决了遗留物品的检测难题。
下面再对本发明方案作进一步描述。当然下面的一些应用场景仅为示例性的，在实际应用中，也可以适用于其它应用场景。
作为示例，在本实施例或本发明其他某些实施例中，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体的步骤，具体可以包括：
当所述像素的值的变化幅度超过像素阈值T时，则将所述像素对应的属性值设定为预设属性值λ，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；
根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
动态矩阵：每个像素对应一个属性值，则所有像素的属性值可组成一个矩阵，称为动态矩阵。本发明实施例中采用帧差法确定像素的运动特性，并在此基础上引入动态矩阵以确定某像素应在何时被更新入背景。采用帧间差分法判断某像素处的值是否发生变化，即是否有运动目标出现。倘若像素变化值大于阈值即认为有变化，则在动态矩阵中该像素处的值设定为λ，λ的含义表示为允许某像素连续无变化而不被更新入背景的最长时间。λ自减到0，则可以表示该像素处出现运动前景，但该运动前景已保持静止，即当前处于由运动到静止的状态，初步符合遗留物体的特征。
进一步的，当图像有变化时，如何区分是有物体进入还是有物体离开，这是个难题，如果判断错误则可能会出现虚警等问题。因此针对虚警等问题，为了提高判断准确性，本发明实施例在简单背景差分法检测前景的基础上，可进一步采用双背景检测策略，在背景差分的基础上，同时维持双背景BCt(x,y)和BOt(x,y)来判断是否有新静止目标出现。
因此作为示例，在本实施例或本发明其他某些实施例中，除了当前背景外，本方法还可以包括原始背景，并用It(x,y)-BCt(x,y)>T表示有物体出现，It(x,y)-BCt(x,y)<T表示没有物体出现，It(x,y)-BOt(x,y)>T表示有物体出现，It(x,y)-BOt(x,y)<T表示没有物体出现，Dt(x,y)＝0表示该物体已处于稳定，则所述策略还可以包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开(例如原来有遮挡物，后来遮挡物消失)，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则直接更新双背景，即令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
关于学习速率：即使没有物体移动，场景的图像也可能会逐渐变化，例如在室外的一天中，光线是在变化的，所以需要通过学习速率a对背景不断进行适应性的调整，其中学习速率a可以根据经验\实验得到，不再赘述。
根据以上双背景更新策略，当有新的静止目标被更新到当前背景BC时，把同像素处的先前的当前背景BC信息保存到原始背景BO当中，同时要把当前帧I像素信息保存到当前背景BC中，这样可以保证新的静止目标只在当前背景中存在；当旧的静止目标离开时，需要把原本保存在原始背景BO中的信息恢复到当前背景BC中，这样可以解决由于目标被错误地更新入背景而带来的虚警问题，且因为原始背景BO中保存了新静止的目标静止之前的背景信息，这样更有利于遗留物体的检测。当判断出没有新旧目标出现或离开(即为纯净的背景)时，直接以一定的a速率对双背景进行学习更新。
参见图3所示，在本实施例或本发明其他某些实施例中，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类的步骤，具体可以包括：
步骤S301，预先提取正、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本。
步骤S302，将提取到的所述HOG特征投入SVM分类器训练，以得到模型(model)。
步骤S303，利用所述模型生成筛选器(即检测子)。
步骤S304，用所述筛选器检测所述负样本，以得到困难样本。
步骤S305，提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器(即最终检测子)。
步骤S306，提取所述目标物体的HOG特征；
步骤S307，使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。排除目标物体是人的情况，最后只保留目标物体是物品的情况。
为了确定当前帧中的目标物体是否与之前的目标物体为同一物体，可采用证据累加的方法。参见图4所示，在本实施例或本发明其他某些实施例中，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值的步骤，可以包括：
步骤S401，将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体。
作为示例，匹配方法可以包括比较二者轮廓的面积(S)、周长(P)和离散度(p2/s)等的差是否小于相应的阈值，如果小于则可以认为二者是同一轮廓。
步骤S402，如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值。也即此时该第二目标物体为疑似遗留物体。
步骤S403，如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合。
步骤S404，如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
作为示例，预设条件可以是丢失计数值是否大于规定值，或者丢失率是否大于定值，等等。也就是说，如果在各帧中一个目标物体多次丢失，很难追踪到甚至完全追踪不到，则可以采取丢弃等处理。
在具体程序实现时，可参见图5所示，一个目标物体可以对应一个object(物体)结构体。遍历已有目标物体集合中的各个object结构体，在遍历时，如果当前object结构体的发现位为真，则将该object结构体的丢失计数值清0，再判断其发现计数值是否大于次数阈值(即警告值)，如果是，则认为该object结构体所代表的目标物体由动变静后的停留时长超过所述时长阈值，也即判断该目标物体为疑似遗留物体；如果当前object结构体的发现位不为真，则将丢失计数值加1，并判断丢失计数值是否大于规定值或者丢失率是否大于定值，如果是则将该object结构体清空，相当于将其丢弃。
进一步的，为了提高检测效率及准确性，还可以将那些特别小的物体滤除掉。因此参见图6所示，在本实施例或本发明其他某些实施例中，在将目标轮廓与轮廓集合中的轮廓进行逐一匹配之前，所述方法还可以包括：
步骤S601，对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓。
差分图像是由当前帧减去当前背景后得到的图像。形态学处理例如可以包括膨胀、腐蚀等处理，不再赘述。
步骤S602，判断每个目标物体的轮廓的像素个数是否超过像素个数阈值。
步骤S603，滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
遗留物体进入场景由运动变为静止后，即刻被检测出来，此时其主人还未曾离开，通常情况下，人都会离自己的包裹行人最近，故可以认定离包裹最近的人即为其主人。参见图7所示，在本实施例或本发明其他某些实施例中，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配的步骤，具体可以包括：
步骤S701，在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人。
其中感兴趣区域可以是预先设置的一个大小范围。
步骤S702，计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人。
步骤S703，学习并存储所述目标人物的特征。
其中特征可以是颜色、纹理、形状等特征。
步骤S704，当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配。
如果可以匹配上，则表明该物体的主人没有离开，该物体不是遗留物体；如果匹配不上，则表明该物体的主人已经离开场景或者已经离该物体较远，最终可认定其为遗留物体。
还可参见图8所示，对于一个物体，一方面可以在该物体停留后用SVM检测出物体附近的人，然后学习离物体最近的人的颜色、纹理等特征，另一方面，可以通过证据累计判断其是否满足疑似异常物体特征，如果是疑似异常物体，则可使用学习到的主人的特征与当前附近的人进行匹配，如果未匹配上则判断为异常物体，即遗留物体。
本实施例对遗留物体检测过程中可能出现的多种问题均做了判断分析，形成了一个完整的解决方案，首先根据遗留物体检测的实时快速性要求，确定采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM对目标物体进行分类，以区分人和物品，并将人滤除；再采用证据累加的方式，确定目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定所述目标物体为遗留物体。一方面，本发明方案计算复杂度低，具有实时高效的特点，另一方面，本发明解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，因此最终有效解决了遗留物品的检测难题。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
图9是根据本发明一示例性实施例示出的一种遗留物体检测装置的示意图。作为示例，该装置可用于DSP(数字信号处理)等硬件设备。
参见图9所示，该装置可以包括：
目标发现模块901，用于对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体。
目标排除模块902，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况。
目标停留时长判断模块903，用于对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值。
目标从属判断模块904，用于当所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
作为示例，在本实施例或本发明其他某些实施例中，当所述目标发现模块在根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体时，具体用于：
当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
作为示例，在本实施例或本发明其他某些实施例中，还包括原始背景，所述策略还包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
作为示例，在本实施例或本发明其他某些实施例中，所述目标排除模块具体用于：
预先提取正、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；将提取到的所述HOG特征投入SVM分类器训练，以得到模型；利用所述模型生成筛选器；用所述筛选器检测所述负样本，以得到困难样本；提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；提取所述目标物体的HOG特征；使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。
作为示例，在本实施例或本发明其他某些实施例中，所述目标停留时长判断模块具体用于：
将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；
如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
作为示例，在本实施例或本发明其他某些实施例中，所述目标停留时长判断模块还用于：
在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
作为示例，在本实施例或本发明其他某些实施例中，所述目标从属判断模块具体用于：
在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；学习并存储所述目标人物的特征；当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配，如果未匹配上，则确定所述目标物体为遗留物体。
本实施例对遗留物体检测过程中可能出现的多种问题均做了判断分析，形成了一个完整的解决方案，首先根据遗留物体检测的实时快速性要求，确定采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM对目标物体进行分类，以区分人和物品，并将人滤除；再采用证据累加的方式，确定目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定所述目标物体为遗留物体。一方面，本发明方案计算复杂度低，具有实时高效的特点，另一方面，本发明解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，因此最终有效解决了遗留物品的检测难题。
关于上述实施例中的装置，其中各个单元\模块执行操作的具体方式已经在相关方法的实施例中进行了详细描述，此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (14)
1.一种遗留物体检测方法，其特征在于，所述方法包括：
对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；
采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；
对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；
如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
2.根据权利要求1所述的方法，其特征在于，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，包括：
当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；
根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
3.根据权利要求2所述的方法，其特征在于，还包括原始背景，所述策略还包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
4.根据权利要求1所述的方法，其特征在于，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，包括：
预先提取正样本、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；
将提取到的所述HOG特征投入SVM分类器训练，以得到模型；
利用所述模型生成筛选器；
用所述筛选器检测所述负样本，以得到困难样本；
提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；
提取所述目标物体的HOG特征；
使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。
5.根据权利要求1所述的方法，其特征在于，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值，包括：
将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；
如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；
如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；
如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
6.根据权利要求5所述的方法，其特征在于，在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，所述方法还包括：
对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；
判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；
滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
7.根据权利要求1所述的方法，其特征在于，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，包括：
在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；
计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；
学习并存储所述目标人物的特征；
当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配。
8.一种遗留物体检测装置，其特征在于，所述装置包括：
目标发现模块，用于对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；
目标排除模块，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；
目标停留时长判断模块，用于对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；
目标从属判断模块，用于当所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。
9.根据权利要求8所述的装置，其特征在于，当所述目标发现模块在根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体时，具体用于：
当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；根据所述像素的值的变化及所述属性值，执行以下策略：
当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。
10.根据权利要求9所述的装置，其特征在于，还包括原始背景，所述策略还包括：
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令
BOt(x,y)＝BCt(x,y)
BCt(x,y)＝It(x,y)
以更新当前背景并将原当前背景存入原始背景；
若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令
BCt(x,y)＝BOt(x,y)
以将保存在原始背景中的信息恢复至当前背景；
若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令
BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)
BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)
其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。
11.根据权利要求8所述的装置，其特征在于，所述目标排除模块具体用于：
预先提取正样本、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；将提取到的所述HOG特征投入SVM分类器训练，以得到模型；利用所述模型生成筛选器；用所述筛选器检测所述负样本，以得到困难样本；提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；提取所述目标物体的HOG特征；使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。
12.根据权利要求8所述的装置，其特征在于，所述目标停留时长判断模块具体用于：
将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；
如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。
13.根据权利要求12所述的装置，其特征在于，所述目标停留时长判断模块还用于：
在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。
14.根据权利要求8所述的装置，其特征在于，所述目标从属判断模块具体用于：
在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；学习并存储所述目标人物的特征；当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人物的特征进行匹配，如果未匹配上，则确定所述目标物体为遗留物体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140397.7A CN109948455B (zh) | 2019-02-22 | 2019-02-22 | 一种遗留物体检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910140397.7A CN109948455B (zh) | 2019-02-22 | 2019-02-22 | 一种遗留物体检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948455A true CN109948455A (zh) | 2019-06-28 |
| CN109948455B CN109948455B (zh) | 2020-12-18 |
Family
ID=67006796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910140397.7A Active CN109948455B (zh) | 2019-02-22 | 2019-02-22 | 一种遗留物体检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948455B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674787A (zh) * | 2019-10-09 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于Hog特征和lgb分类器的视频解压缩方法及*** |
| CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
| CN110796017A (zh) * | 2019-09-30 | 2020-02-14 | 北京三快在线科技有限公司 | 物品遗落的确定方法和装置、模型训练方法和装置 |
| CN111079621A (zh) * | 2019-12-10 | 2020-04-28 | 北京百度网讯科技有限公司 | 检测对象的方法、装置、电子设备和存储介质 |
| CN111160187A (zh) * | 2019-12-20 | 2020-05-15 | 浙江大华技术股份有限公司 | 一种遗留物体检测的方法、装置及*** |
| CN111797727A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
| WO2023039781A1 (zh) * | 2021-09-16 | 2023-03-23 | 华北电力大学扬中智能电气研究中心 | 一种遗留物检测方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101715111A (zh) * | 2009-11-16 | 2010-05-26 | 南京邮电大学 | 视频监控中滞留物主自动搜寻方法 |
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
| CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| JP6295122B2 (ja) * | 2014-03-27 | 2018-03-14 | 株式会社メガチップス | 状態推定装置、プログラムおよび集積回路 |
-
2019
- 2019-02-22 CN CN201910140397.7A patent/CN109948455B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101727672A (zh) * | 2008-10-24 | 2010-06-09 | 云南正卓信息技术有限公司 | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 |
| CN101715111A (zh) * | 2009-11-16 | 2010-05-26 | 南京邮电大学 | 视频监控中滞留物主自动搜寻方法 |
| JP6295122B2 (ja) * | 2014-03-27 | 2018-03-14 | 株式会社メガチップス | 状態推定装置、プログラムおよび集積回路 |
| CN104156942A (zh) * | 2014-07-02 | 2014-11-19 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
| CN105404847A (zh) * | 2014-09-16 | 2016-03-16 | 北京计算机技术及应用研究所 | 一种遗留物实时检测方法 |
| CN104933710A (zh) * | 2015-06-10 | 2015-09-23 | 华南理工大学 | 基于监控视频下的商店人流轨迹智能分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| LUNA ELENA 等: "Abandoned Object Detection in Video-Surveillance: Survey and Comparison", 《SENSORS (BASEL, SWITZERLAND)》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705461A (zh) * | 2019-09-29 | 2020-01-17 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
| CN110705461B (zh) * | 2019-09-29 | 2022-11-01 | 北京百度网讯科技有限公司 | 一种图像处理方法及装置 |
| CN110796017A (zh) * | 2019-09-30 | 2020-02-14 | 北京三快在线科技有限公司 | 物品遗落的确定方法和装置、模型训练方法和装置 |
| CN110674787A (zh) * | 2019-10-09 | 2020-01-10 | 山东浪潮人工智能研究院有限公司 | 一种基于Hog特征和lgb分类器的视频解压缩方法及*** |
| CN111079621A (zh) * | 2019-12-10 | 2020-04-28 | 北京百度网讯科技有限公司 | 检测对象的方法、装置、电子设备和存储介质 |
| CN111079621B (zh) * | 2019-12-10 | 2023-10-03 | 北京百度网讯科技有限公司 | 检测对象的方法、装置、电子设备和存储介质 |
| CN111160187A (zh) * | 2019-12-20 | 2020-05-15 | 浙江大华技术股份有限公司 | 一种遗留物体检测的方法、装置及*** |
| CN111160187B (zh) * | 2019-12-20 | 2023-05-02 | 浙江大华技术股份有限公司 | 一种遗留物体检测的方法、装置及*** |
| CN111797727A (zh) * | 2020-06-18 | 2020-10-20 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
| CN111797727B (zh) * | 2020-06-18 | 2023-04-07 | 浙江大华技术股份有限公司 | 一种检测路面抛洒物的方法、装置及存储介质 |
| WO2023039781A1 (zh) * | 2021-09-16 | 2023-03-23 | 华北电力大学扬中智能电气研究中心 | 一种遗留物检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948455B (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948455A (zh) | 一种遗留物体检测方法及装置 | |
| CN102663743B (zh) | 一种复杂场景中多摄影机协同的人物追踪方法 | |
| US6985172B1 (en) | Model-based incident detection system with motion classification | |
| CN111209810A (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
| CN107705574A (zh) | 一种精准快速的道路违章停车全自动抓拍*** | |
| CN107145851A (zh) | 建筑作业区危险源智能识别*** | |
| CN104123544A (zh) | 基于视频分析的异常行为检测方法及*** | |
| CN103810717B (zh) | 一种人体行为检测方法及装置 | |
| CN103729858B (zh) | 一种视频监控***中遗留物品的检测方法 | |
| CN106296677B (zh) | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 | |
| CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
| CN109145736B (zh) | 一种基于视频分析的地铁站点行人逆向行走的检测方法 | |
| CN110415268A (zh) | 一种基于背景差值法和帧间差值法相结合的运动区域前景图像算法 | |
| Karpagavalli et al. | Estimating the density of the people and counting the number of people in a crowd environment for human safety | |
| CN107610393A (zh) | 一种办公室智能监控*** | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| CN112071084A (zh) | 一种利用深度学习判断违章停车的方法和*** | |
| CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
| CN107480653A (zh) | 基于计算机视觉的客流量检测方法 | |
| CN103093192A (zh) | 高压输电线舞动的识别方法 | |
| CN111127507A (zh) | 一种抛洒物的确定方法和*** | |
| CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
| CN103049748B (zh) | 行为监测方法及装置 | |
| CN110659546A (zh) | 一种违法摊位检测方法及装置 | |
| CN110852179A (zh) | 基于视频监控平台的可疑人员入侵的检测方法 |
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 |