CN111553274A - 一种基于轨迹分析的高空抛物检测方法及装置 - Google Patents
一种基于轨迹分析的高空抛物检测方法及装置 Download PDFInfo
- Publication number
- CN111553274A CN111553274A CN202010348684.XA CN202010348684A CN111553274A CN 111553274 A CN111553274 A CN 111553274A CN 202010348684 A CN202010348684 A CN 202010348684A CN 111553274 A CN111553274 A CN 111553274A
- Authority
- CN
- China
- Prior art keywords
- moving object
- image
- frame
- frame image
- motion
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于轨迹分析的高空抛物检测方法及装置,该方法包括获取当前监控视频的多帧图像,对多帧图像进行运动物体检测,确定出各帧图像上的运动物体,对确定出运动物体的各帧图像进行处理,确定出各帧图像上运动物体的中心坐标,根据各帧图像上运动物体的中心坐标进行直线拟合,得到运动物体的运动轨迹方程,对运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。通过先对各帧图像进行运动检测,得到各帧图像上的运动物体,然后依据各帧图像上运动物体的坐标的的运动轨迹方程,最后进行运动轨迹方程验证,从而确定出高空抛物的物体,可以实现主动检测高空抛物线性,解决了深度学习难以进行识别的问题,提高检测准确率。
Description
技术领域
本发明实施例涉及智慧家居技术领域,尤其涉及一种基于轨迹分析的高空抛物检测方法及装置。
背景技术
高空抛物被称为“城市毒瘤”,近年来,高空抛物伤人事件频频发生,不仅伤害他人的身心健康,而且影响大众的安全感和幸福感,智慧社区对高空抛物场景的要求越来越高。当前高空抛物的检测方式主要是采用高频摄像头和红外摄像头进行录像,然后进行事后人工追溯。主动检测高空抛物的方式是通过深度学习进行训练学习,然后使用训练后的模型来识别高空抛物,但是这种主动检测高空抛物方式限制其检测成功率的原因是受到的干扰太强,如飞鸟、或者窗上出现一个人,都可能被识别到。因此,目前还缺少一种有效的主动检测高空抛物的方案。
发明内容
本发明实施例提供一种基于轨迹分析的高空抛物检测方法及装置,用以实现有效的检测高空抛物,提高检测准确率,受干扰程度低。
第一方面,本发明实施例提供一种基于轨迹分析的高空抛物检测方法,包括:
获取当前监控视频的多帧图像;
对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体;
对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标;
根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程;
对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
上述技术方案中,通过先对各帧图像进行运动检测,得到各帧图像上的运动物体,然后依据各帧图像上运动物体的坐标的运动轨迹方程,最后进行运动轨迹方程验证,从而确定出高空抛物的物体,可以实现主动检测高空抛物线性,解决了深度学习难以进行识别的问题,提高检测准确率。
可选的,所述对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体,包括:
将所述多帧图像中的任一帧图像与所述任一帧图像的前一帧图像进行背景减法处理,确定出所述任一帧图像与所述任一帧图像的前一帧图像中不同的点;
对所述任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到所述各帧图像上的运动物体。
可选的,所述根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程,包括:
使用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
可选的,所述对所述运动物体的运动轨迹方程进行验证,包括:
确定所述运动物体的运动轨迹方程中斜率是否符合预设范围;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动轨迹方程的拟合误差,确定所述拟合误差是否小于预设误差;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动物体的运动加速度,确定所述运动加速度是否符合预设加速度范围。
第二方面,本发明实施例提供一种基于轨迹分析的高空抛物检测装置,包括:
获取单元,用于获取当前监控视频的多帧图像;
处理单元,用于对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体;对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标;根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程;对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
可选的,所述处理单元具体用于:
将所述多帧图像中的任一帧图像与所述任一帧图像的前一帧图像进行背景减法处理,确定出所述任一帧图像与所述任一帧图像的前一帧图像中不同的点;
对所述任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到所述各帧图像上的运动物体。
可选的,所述处理单元具体用于:
使用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
可选的,所述处理单元具体用于:
确定所述运动物体的运动轨迹方程中斜率是否符合预设范围;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动轨迹方程的拟合误差,确定所述拟合误差是否小于预设误差;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动物体的运动加速度,确定所述运动加速度是否符合预设加速度范围。
第三方面,本发明实施例还提供一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行上述基于轨迹分析的高空抛物检测方法。
第四方面,本发明实施例还提供一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行上述基于轨迹分析的高空抛物检测方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例提供的一种***架构的示意图;
图2为本发明实施例提供的一种基于轨迹分析的高空抛物检测方法的流程示意图;
图3为本发明实施例提供的一种背景图像的示意图;
图4为本发明实施例提供的一种运动物体的示意图;
图5为本发明实施例提供的一种运动物体的示意图;
图6为本发明实施例提供的一种运动物体的示意图;
图7为本发明实施例提供的一种运动物体的示意图;
图8为本发明实施例提供的一种运动物体的示意图;
图9为本发明实施例提供的一种运动物体的示意图;
图10为本发明实施例提供的一种运动物体的示意图;
图11为本发明实施例提供的一种中心坐标的示意图;
图12为本发明实施例提供的一种中心坐标的示意图;
图13为本发明实施例提供的一种中心坐标的示意图;
图14为本发明实施例提供的一种中心坐标的示意图;
图15为本发明实施例提供的一种中心坐标的示意图;
图16为本发明实施例提供的一种中心坐标的计算公式的示意图;
图17为本发明实施例提供的一种坐标点集合的示意图;
图18为本发明实施例提供的一种直线拟合的示意图;
图19为本发明实施例提供的一种斜率曲线的示意图;
图20为本发明实施例提供的一种三角函数的示意图;
图21为本发明实施例提供的一种基于轨迹分析的高空抛物检测装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1示例性的示出了本发明实施例所适用的一种***架构,该***架构包括服务器100,该服务器100可以包括处理器110、通信接口120和存储器130。
其中,通信接口120用于与摄像机进行通信,传输摄像机采集的监控视频。
处理器110是服务器100的控制中心,利用各种接口和路线连接整个服务器100的各个部分,通过运行或执行存储在存储器130内的软件程序/或模块,以及调用存储在存储器130内的数据,执行服务器100的各种功能和处理数据。可选地,处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块,处理器110通过运行存储在存储器130的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器130可主要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***、至少一个功能所需的应用程序等;存储数据区可存储根据业务处理所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,上述图1所示的结构仅是一种示例,本发明实施例对此不做限定。
基于上述描述,图2详细的示出了本发明实施例提供的一种基于轨迹分析的高空抛物检测方法的流程,该流程可以由基于轨迹分析的高空抛物检测装置执行。
如图2所示,该流程具体包括:
步骤201,获取当前监控视频的多帧图像。
获取实时采集的监控视频的每一帧图像,该监控视频可以是使用摄像机监控高层楼宇时的视频,该视频是一帧帧传输的,每一帧图像可以如图3所示的图像。
步骤202,对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体。
由于图像上有物体和图像上没有物体是存在差异的,因此可以对比当前帧图像与前一帧图像,得出当前帧图像是否出现物体,具体的可以将多帧图像中的任一帧图像与任一帧图像的前一帧图像进行背景减法处理,确定出任一帧图像与任一帧图像的前一帧图像中不同的点。然后对任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到各帧图像上的运动物体。
目前,确定各帧图像上的运动物体时,一般采用背景减法的方式,如图3所示的摄像机采集到监控视频的背景图像,它是一个长期累积平均计算结果。
图4箭头所指出的是某楼层的一个抛物现象的物体,该图4与图5、图6在时间域分析就是一个完整的高空抛物现象。而图4与图7、图8在时间域分析即为模拟小鸟飞过现象;任何一个单张图片都可以作为偶然现象,如窗户上有个人,或者一个强烈反光现象等(高空抛物场景与其他视频AI场景比,利用率较低,所以图片的捕捉率比较低)。
图9是背景图3的等值线图(图片RGB的数据等值线),可以看到水平方向总坐标点数为imax=1148,竖直方向总坐标点数为jmax=644,图10是图4的等值线图,从图10中箭头可以看到有疑似高空抛物的行为。将图10和图9做差(两图像横纵坐标对应点的RGB值做差:pic8(i,j)-pic9(i,j)=FG1_diff1(i,j)),可以得到两帧图像不同点,然后再经过基于膨胀、腐蚀的开闭运算和中值滤波、连通域滤波等通用图像滤波算法,可得到图11。同理可以此得到图12至图15。至此运动检测完成。
步骤203,对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标。
当确定出运动物体之后,就可以确定各帧图像上的运动物体的中心坐标,主要是将确定出运动物体的各帧图像上的非运动区域的图像值置为0,运动区域图像值置为非0,然后利用图16中的程序可以得到各中心点坐标。然后将图11-图15按照上述处理,得到各自的中心点坐标,最后将各张图进行重叠放置,就可以得到所有中心点坐标位于一张图上的结果,也可以成为中心点坐标集合,如图17所示。
步骤204,根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
由于高空抛物是垂直运动或者类抛物线的竖直运动,得到中心坐标之后,就可以进行直线拟合,主要是采用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到运动物体的运动轨迹方程。
例如,用y=kx+b进行拟合,根据最小二乘法可得到:
其中,N是拟合的中心坐标的数量,x、y分别表示中心坐标的横纵坐标;k为运动轨迹方程的斜率,b为运动轨迹方程的常数。
图18是拟合的结果,其中较粗线(A、B、C三个点)的拟合方程为:y=17.4x-8195;较细线(A、D、E三个点)的拟合方程为:y=-0.226x+620。
步骤205,对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
当运动轨迹方程拟合完成后,还需要对该运动轨迹方程进行验证,主要是验证其是否符合相应的条件,从而判断出该运动轨迹是否为高空抛物的物体的运动轨迹,从而可以确定出是否为高空抛物的物体。
具体的,可以包括下述验证方式:
确定运动物体的运动轨迹方程中斜率是否符合预设范围。根据运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定运动轨迹方程的拟合误差,确定拟合误差是否小于预设误差。根据运动轨迹方程和各帧图像上运动物体的中心坐标,确定运动物体的运动加速度,确定运动加速度是否符合预设加速度范围。
当上述验证全部通过后才能确认是高空抛物的物体。
例如,通过对正常的高空抛物轨迹曲线与小鸟飞过、晾晒衣服等从轨迹上的分析和对比,可以得到如表1所示的分析结果。通过判断,可知ABC横坐标差别不大,纵坐标在逐渐减少,可以推测为一个抛物运动;ADE横纵坐标都有较大的改变,做杂乱的运动,可以推测为小鸟飞过等干扰。当持续在A点附近运动时,可推测为:人探头或者晾晒衣服等行为。
表1
下面将基于方程从三个方面进行判断,全部符合这三个条件的即为高空抛物。
第一、确定斜率(k)的值范围:
k的值范围直接决定了直线在空间走向,高空抛物是一个类垂直运动,斜率曲线如图19所示,垂直运动与地面夹角为90°(π/2),可以设k的值范围为(β,+∞)(-∞,β),β为阈值,此阈值需要根据图像的分辨率、摄像头与楼宇的距离以及摄像头的倾角等数据确定。图18中较粗线(A、B、C三个点)的k的值为17.4;较细线(A、D、E三个点)的k的值为-0.226。
第二、确定拟合误差:
拟合误差反应了拟合点与直线的偏离程度,直线运动与直线偏离程度小,其他运动偏离程度高。其中拟合误差的计算公式为:
其中,error为拟合误差,y'为根据拟合点的横坐标预测的纵坐标,y为拟合点的纵坐标,N为拟合点的数量。
将拟合点的横坐标带入上述拟合得到的运动轨迹方程,可以得到预测的纵坐标y',如18中A点的横坐标为501,代入较粗线的运动轨迹方程可以得到y'为522.4,而A点的实际横坐标y为520,依次计算各点的y'之后,就可以得到图18中较粗线(A、B、C三个点)的error值为2.93;较细线(A、D、E三个点)的error值为15.13。显然error值越小越好。
第三、确定运行加速度:
正常的垂直运动运行加速度接近于g,考虑到受到风阻力、用户出手时所给的力的影响,阈值范围可取为[0.5g,1.5g]。
加速度公式:a=ΔV/Δt;
依据该加速度公式,为了得到加速度a,需要知道ΔV和Δt,如图18所示的A、B、C三个拟合点,ΔV可以通过BC段速度VBC减去AB段速度VAB来实现,即ΔV=VBC-VAB。时间差Δt为所选图像的帧间差,这里应该可以用B、C两个拟合点之间的时间差来表示该Δt。
上述VAB为两个拟合点A和B之间这段距离的速度,想要得到该VAB,需要知道两个拟合点的像素距离,以A(501,520)和B(495,423)为例,可以得到A、B两个拟合点之间的像素距离ΔdAB为 相应的,可以得到B、C这两个拟合点之间的像素距离ΔdBC为然后根据摄像头与楼宇的距离以及摄像头的倾角可以得到像素距离与实际距离的映射关系,从而得到两个拟合点之间的实际距离差Δs,如A、B两个拟合点之间的实际距离差为ΔsAB,B、C两个拟合点之间的实际距离差为ΔsBC。其中A、B两个拟合点对应的图像的时间差为ΔtAB,B、C两个拟合点对应的图像的时间差为ΔtBC。
这样,依据两个拟合点之间的实际距离差和时间差就可以得到两个拟合点之间这段距离的速度,即,VAB=ΔsAB/ΔtAB,VBC=ΔsBC/ΔtBC。
其中,在确定两个拟合点之间的实际距离差时,首先要知道图像中两个像素点之间的距离表示的实际距离。具体的计算方法如下:
如图20,根据三角函数可得摄像头能拍摄到的楼的纵向距离h=d*tan(α),d为摄像头到楼之间的实际距离,α为摄像头拍摄的仰角。上述实施例已经提及,图像分辨率为imax*jmax,jmax为纵向点数,所以可以得到图像中的相邻两个像素点之间的距离为:h/jmax=(d*tan(α))/jmax。
假设当前常用楼层间距为3.3米,每个摄像头所拍摄到楼的层数为n,摄像头能拍摄到的楼的纵向距离h1为3.3n,但是在图像检测时,第一步要先识别楼,即将楼和背景识别出来,若此时得到的图像中楼的纵向点数为jmax1,则图像中楼对应相邻两个像素点之间的距离为:3.3n/jmax1。然后将上述两个拟合点之间的像素距离与图像中相邻两个像素点之间的距离3.3n/jmax1相乘,就可以得到两个拟合点之间的实际距离差,以A、B两个拟合点为例,即ΔsAB=(ΔdAB*3.3n)/jmax1,而B、C两个拟合点的实际距离差为ΔsBC=(ΔdBC*3.3n)/jmax1。
通过得到的实际距离差ΔsAB和ΔsBC之后,就可以得到A、B两个拟合点之间的速度VAB=ΔsAB/ΔtAB,和B、C两个拟合点之间的速度VBC=ΔsBC/ΔtBC,就可以得到速度差ΔV=VBC-VAB,进而可以得到加速度a=ΔV/Δt。
上述实施例表明,获取当前监控视频的多帧图像,对多帧图像进行运动物体检测,确定出各帧图像上的运动物体,对确定出运动物体的各帧图像进行处理,确定出各帧图像上运动物体的中心坐标,根据各帧图像上运动物体的中心坐标进行直线拟合,得到运动物体的运动轨迹方程,对运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。通过先对各帧图像进行运动检测,得到各帧图像上的运动物体,然后依据各帧图像上运动物体的坐标的的运动轨迹方程,最后进行运动轨迹方程验证,从而确定出高空抛物的物体,可以实现主动检测高空抛物线性,解决了深度学习难以进行识别的问题,提高检测准确率。
基于相同的技术构思,图21示例性的示出了本发明实施例提供的一种基于轨迹分析的高空抛物检测装置的结构,该装置可以执行基于轨迹分析的高空抛物检测流程。
如图21所示,该装置具体包括:
获取单元2101,用于获取当前监控视频的多帧图像;
处理单元2102,用于对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体;对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标;根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程;对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
可选的,所述处理单元2102具体用于:
将所述多帧图像中的任一帧图像与所述任一帧图像的前一帧图像进行背景减法处理,确定出所述任一帧图像与所述任一帧图像的前一帧图像中不同的点;
对所述任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到所述各帧图像上的运动物体。
可选的,所述处理单元2102具体用于:
使用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
可选的,所述处理单元2102具体用于:
确定所述运动物体的运动轨迹方程中斜率是否符合预设范围;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动轨迹方程的拟合误差,确定所述拟合误差是否小于预设误差;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动物体的运动加速度,确定所述运动加速度是否符合预设加速度范围。
基于相同的技术构思,本发明实施例还提供了一种计算设备,包括:
存储器,用于存储程序指令;
处理器,用于调用存储器中存储的程序指令,按照获得的程序执行上述基于轨迹分析的高空抛物检测方法。
基于相同的技术构思,本发明实施例还提供了一种计算机可读非易失性存储介质,包括计算机可读指令,当计算机读取并执行计算机可读指令时,使得计算机执行上述基于轨迹分析的高空抛物检测方法。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于轨迹分析的高空抛物检测方法,其特征在于,包括:
获取当前监控视频的多帧图像;
对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体;
对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标;
根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程;
对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
2.如权利要求1所述的方法,其特征在于,所述对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体,包括:
将所述多帧图像中的任一帧图像与所述任一帧图像的前一帧图像进行背景减法处理,确定出所述任一帧图像与所述任一帧图像的前一帧图像中不同的点;
对所述任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到所述各帧图像上的运动物体。
3.如权利要求1所述的方法,其特征在于,所述根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程,包括:
使用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
4.如权利要求1至3任一项所述的方法,其特征在于,所述对所述运动物体的运动轨迹方程进行验证,包括:
确定所述运动物体的运动轨迹方程中斜率是否符合预设范围;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动轨迹方程的拟合误差,确定所述拟合误差是否小于预设误差;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动物体的运动加速度,确定所述运动加速度是否符合预设加速度范围。
5.一种基于轨迹分析的高空抛物检测装置,其特征在于,包括:
获取单元,用于获取当前监控视频的多帧图像;
处理单元,用于对所述多帧图像进行运动物体检测,确定出各帧图像上的运动物体;对确定出运动物体的各帧图像进行处理,确定出所述各帧图像上运动物体的中心坐标;根据所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程;对所述运动物体的运动轨迹方程进行验证,确定出高空抛物的物体。
6.如权利要求5所述的装置,其特征在于,所述处理单元具体用于:
将所述多帧图像中的任一帧图像与所述任一帧图像的前一帧图像进行背景减法处理,确定出所述任一帧图像与所述任一帧图像的前一帧图像中不同的点;
对所述任一帧图像与所述任一帧图像的前一帧图像中不同的点进行图像滤波处理,得到所述各帧图像上的运动物体。
7.如权利要求5所述的装置,其特征在于,所述处理单元具体用于:
使用最小二乘法对所述各帧图像上运动物体的中心坐标进行直线拟合,得到所述运动物体的运动轨迹方程。
8.如权利要求5至7任一项所述的装置,其特征在于,所述处理单元具体用于:
确定所述运动物体的运动轨迹方程中斜率是否符合预设范围;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动轨迹方程的拟合误差,确定所述拟合误差是否小于预设误差;
根据所述运动轨迹方程和所述各帧图像上运动物体的中心坐标,确定所述运动物体的运动加速度,确定所述运动加速度是否符合预设加速度范围。
9.一种计算设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序执行权利要求1至4任一项所述的方法。
10.一种计算机可读非易失性存储介质,其特征在于,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348684.XA CN111553274A (zh) | 2020-04-28 | 2020-04-28 | 一种基于轨迹分析的高空抛物检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010348684.XA CN111553274A (zh) | 2020-04-28 | 2020-04-28 | 一种基于轨迹分析的高空抛物检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111553274A true CN111553274A (zh) | 2020-08-18 |
Family
ID=72001710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010348684.XA Withdrawn CN111553274A (zh) | 2020-04-28 | 2020-04-28 | 一种基于轨迹分析的高空抛物检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553274A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033351A (zh) * | 2020-08-05 | 2020-12-04 | 青岛聚好联科技有限公司 | 基于单目摄像头的距离测定方法及电子设备 |
CN112183355A (zh) * | 2020-09-28 | 2021-01-05 | 北京理工大学 | 基于双目视觉和深度学习的出水高度检测***及其方法 |
CN112184774A (zh) * | 2020-09-30 | 2021-01-05 | 青岛聚好联科技有限公司 | 一种高空抛物危害程度的确定方法及装置 |
CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112325780A (zh) * | 2020-10-29 | 2021-02-05 | 青岛聚好联科技有限公司 | 一种基于社区监控的距离测算方法及装置 |
CN112330743A (zh) * | 2020-11-06 | 2021-02-05 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
CN112800868A (zh) * | 2021-01-13 | 2021-05-14 | 华南理工大学 | 一种基于事件相机采集分析装置的高空抛物监测方法 |
CN112884801A (zh) * | 2021-02-02 | 2021-06-01 | 普联技术有限公司 | 高空抛物检测方法、装置、设备和存储介质 |
CN112926444A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 抛物行为检测方法及装置 |
CN112926538A (zh) * | 2021-04-08 | 2021-06-08 | 广州绿简智能科技有限公司 | 一种基于监控视频的高空抛物识别方法 |
CN113409360A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 高空抛物检测方法和装置、设备及计算机存储介质 |
WO2022078182A1 (zh) * | 2020-10-16 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 抛出位置获取方法、装置、计算机设备及存储介质 |
WO2023273011A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 高空抛物检测方法和装置、设备,及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163067A (zh) * | 2015-08-12 | 2015-12-16 | 武汉大学 | 一种基于数字图像处理技术的高空抛物取证*** |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测***与方法 |
CN110275042A (zh) * | 2019-05-07 | 2019-09-24 | 深圳市零壹移动互联***有限公司 | 一种基于计算机视觉与无线电信号分析的高空抛物检测方法 |
CN111079663A (zh) * | 2019-12-19 | 2020-04-28 | 深圳云天励飞技术有限公司 | 高空抛物的监测方法、装置、电子设备及存储介质 |
-
2020
- 2020-04-28 CN CN202010348684.XA patent/CN111553274A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105163067A (zh) * | 2015-08-12 | 2015-12-16 | 武汉大学 | 一种基于数字图像处理技术的高空抛物取证*** |
CN109309811A (zh) * | 2018-08-31 | 2019-02-05 | 中建三局智能技术有限公司 | 一种基于计算机视觉的高空抛物检测***与方法 |
CN110275042A (zh) * | 2019-05-07 | 2019-09-24 | 深圳市零壹移动互联***有限公司 | 一种基于计算机视觉与无线电信号分析的高空抛物检测方法 |
CN111079663A (zh) * | 2019-12-19 | 2020-04-28 | 深圳云天励飞技术有限公司 | 高空抛物的监测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘义亭;董梦超;黄家才;范子霄;宗文锦;郭婧;: "基于OpenMV的目标跟踪***设计" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033351A (zh) * | 2020-08-05 | 2020-12-04 | 青岛聚好联科技有限公司 | 基于单目摄像头的距离测定方法及电子设备 |
CN112183355A (zh) * | 2020-09-28 | 2021-01-05 | 北京理工大学 | 基于双目视觉和深度学习的出水高度检测***及其方法 |
CN112183355B (zh) * | 2020-09-28 | 2022-12-27 | 北京理工大学 | 基于双目视觉和深度学习的出水高度检测***及其方法 |
CN112184774A (zh) * | 2020-09-30 | 2021-01-05 | 青岛聚好联科技有限公司 | 一种高空抛物危害程度的确定方法及装置 |
WO2022078182A1 (zh) * | 2020-10-16 | 2022-04-21 | 腾讯科技(深圳)有限公司 | 抛出位置获取方法、装置、计算机设备及存储介质 |
CN112325780A (zh) * | 2020-10-29 | 2021-02-05 | 青岛聚好联科技有限公司 | 一种基于社区监控的距离测算方法及装置 |
CN112330743A (zh) * | 2020-11-06 | 2021-02-05 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
CN112308000A (zh) * | 2020-11-06 | 2021-02-02 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112308000B (zh) * | 2020-11-06 | 2023-03-07 | 安徽清新互联信息科技有限公司 | 一种基于时空信息的高空抛物检测方法 |
CN112330743B (zh) * | 2020-11-06 | 2023-03-10 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的高空抛物检测方法 |
CN112800868A (zh) * | 2021-01-13 | 2021-05-14 | 华南理工大学 | 一种基于事件相机采集分析装置的高空抛物监测方法 |
CN112884801A (zh) * | 2021-02-02 | 2021-06-01 | 普联技术有限公司 | 高空抛物检测方法、装置、设备和存储介质 |
CN112926444A (zh) * | 2021-02-24 | 2021-06-08 | 北京爱笔科技有限公司 | 抛物行为检测方法及装置 |
CN112926538A (zh) * | 2021-04-08 | 2021-06-08 | 广州绿简智能科技有限公司 | 一种基于监控视频的高空抛物识别方法 |
CN113409360A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 高空抛物检测方法和装置、设备及计算机存储介质 |
WO2023273011A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 高空抛物检测方法和装置、设备,及计算机存储介质 |
WO2023273010A1 (zh) * | 2021-06-29 | 2023-01-05 | 深圳市商汤科技有限公司 | 高空抛物检测方法和装置、设备,及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553274A (zh) | 一种基于轨迹分析的高空抛物检测方法及装置 | |
US10769480B2 (en) | Object detection method and system | |
CN105654512B (zh) | 一种目标跟踪方法和装置 | |
US9183431B2 (en) | Apparatus and method for providing activity recognition based application service | |
CN110287907B (zh) | 一种对象检测方法和装置 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
WO2021139049A1 (zh) | 检测方法、检测装置、监控设备和计算机可读存储介质 | |
US20060056702A1 (en) | Image processing apparatus and image processing method | |
JP7272024B2 (ja) | 物体追跡装置、監視システムおよび物体追跡方法 | |
CN108665541B (zh) | 一种基于激光传感器的地图生成方法及装置和机器人 | |
CN107133969A (zh) | 一种基于背景反投影的移动平台运动目标检测方法 | |
CN109791615A (zh) | 用于检测并跟踪目标对象的方法、目标对象跟踪设备和计算机程序产品 | |
CN112733690A (zh) | 一种高空抛物检测方法、装置及电子设备 | |
CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
CN108776974A (zh) | 一种适用于公共交通场景的实时目标跟踪方法 | |
JP6789876B2 (ja) | 画素変更処理画像を用いて対象を追跡する装置、プログラム及び方法 | |
CN105469054B (zh) | 正常行为的模型构建方法及异常行为的检测方法 | |
CN111627049A (zh) | 高空抛物的确定方法、装置、存储介质及处理器 | |
CN112184767A (zh) | 对运动物体进行轨迹跟踪的方法、装置、设备及存储介质 | |
CN105043395A (zh) | 一种飞行器月表软着陆的实时动态选址方法 | |
CN115482556A (zh) | 关键点检测模型训练及虚拟角色驱动的方法和对应的装置 | |
Kyrkou | C 3 Net: end-to-end deep learning for efficient real-time visual active camera control | |
CN108961287B (zh) | 智能货架触发方法、智能货架***、存储介质及电子设备 | |
CN111901499B (zh) | 一种计算视频图像中像素实际距离的方法及设备 | |
EP4089649A1 (en) | Neuromorphic cameras for aircraft |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200818 |