CN111862142A - 一种运动轨迹生成方法、装置、设备和介质 - Google Patents
一种运动轨迹生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111862142A CN111862142A CN202010719066.1A CN202010719066A CN111862142A CN 111862142 A CN111862142 A CN 111862142A CN 202010719066 A CN202010719066 A CN 202010719066A CN 111862142 A CN111862142 A CN 111862142A
- Authority
- CN
- China
- Prior art keywords
- grids
- moving object
- determining
- grid
- difference matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 230000001186 cumulative effect Effects 0.000 claims abstract description 28
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种运动轨迹生成方法、装置、设备和介质。所述方法包括：根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。本发明实施例通过根据视频序列中相邻视频帧在至少两个网格的图像，分别确定至少两个网格的累积差分矩阵，并结合至少两个网格的图像的像素数量，从至少两个网格中确定运动物体，最终生成运动物体的运动轨迹，实现了将需要检测的运动物体与无需检测的非运动物体分开，达到去除干扰的目的，且计算成本较低。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种运动轨迹生成方法、装置、设备和介质。
背景技术
随着视频监控技术的发展，视频监控应用的领域也越来越广泛，例如高空抛物下落物体检测和安防视频监控入侵检测等。然而由于监控摄像头支撑结构不稳定，或来自风力和人为等因素造成视频画面产生抖动，从而使得监控***误识别为有非法物体，而造成误报警。
现有的视频防抖技术主要包括光学图像防抖技术和数字图像防抖技术，然而前者实现结构复杂且设备成本高昂，后者需要消耗大量的计算能力，算力成本较高。
发明内容
本发明实施例提供一种运动轨迹生成方法、装置、设备和介质，以解决现有通过视频防抖技术来消除非运动物体带来的对运动物体检测的干扰，所需的成本较高的问题。
第一方面，本发明实施例提供了一种运动轨迹生成方法，所述方法包括：
根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
第二方面，本发明实施例提供了一种运动轨迹生成装置，所述装置包括：
累积差分矩阵确定模块，用于根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
运动轨迹生成模块，用于根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
第三方面，本发明实施例提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的运动轨迹生成方法。
第四方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的运动轨迹生成方法。
本发明实施例通过根据视频序列中相邻视频帧在至少两个网格的图像，分别确定至少两个网格的累积差分矩阵，并结合至少两个网格的图像的像素数量，从至少两个网格中确定运动物体，最终生成运动物体的运动轨迹，实现了将需要检测的运动物体与无需检测的非运动物体分开，达到去除干扰的目的，且计算成本较低。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1A为本发明实施例一提供的一种运动轨迹生成方法的流程图；
图1B为本发明实施例一提供的一种网格划分的示意图；
图2为本发明实施例二提供的一种运动轨迹生成方法的流程图；
图3为本发明实施例三提供的一种运动轨迹生成装置的结构示意图；
图4为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的结构而非全部结构。
申请人在研发过程中发现，现有技术通常是利用图像防抖技术，解决因为视频画面抖动造成的运动物体误识别问题，包括以下两种主流方法：1)光学图像防抖技术，是通过在摄像机镜头组或感光元件上添加位移组件，并通过采集加速度和角速度传感器的外部振动数据，转化为数字信号，再由该数字信号驱动镜头或感光元件上的位移组件，向对图像稳定有补偿作用的方向移动，从而实现图像的抖动抑制，该方法是从光学和物理位移的方向出发，进行图像的抖动抑制，其防抖效果较好，但需要从图像镜头和感光元件的物理组成出发，且实现结构复杂、成本高昂。2)数字图像防抖技术，是通过对抖动的视频信号进行数字化处理，即，通过对画面像素进行角点识别和抖动位移的计算，再通过卡尔曼滤波等算法对位移进行补偿，最后通过图像变换生成稳定的视频图像信号。该技术防抖效果逊于光学防抖，但得益于计算机图像和算法技术的发展，差距日益缩小。但同样，由于支撑数字图像防抖技术的图像处理算法需要消耗大量的计算能力，算力成本较高，且对图像信号进行算法修正的过程本身，脱离了安防等视频监控场景对数据不变性的要求。
实施例一
图1A为本发明实施例一提供的一种运动轨迹生成方法的流程图。本实施例适用于利用监控摄像头捕捉监控场景中运动物体轨迹的情况，该方法可以由本发明实施例提供的运动轨迹生成装置来执行，所述设备调焦装置可以由软件和/或硬件的方式来实现。如图1A所示，该方法可以包括：
步骤101、根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵。
其中，视频序列是由视频采集设备包括摄像头或照相机，采集得到的，以高空抛物监控场景为例，视频采集设备安装于地面，并呈仰视角姿态采集目标建筑物相关的视频序列。视频序列包括至少两帧的视频帧，且视频序列中的所有视频帧都预先经过了灰度转换，且将灰度转换后的各视频帧上划分有相同数量和相同尺寸的网格，如图1B所示，图1B为一种网格划分的示意图，10为某一帧视频帧，11为在视频帧10上划分的网格中的一个，视频帧10中的其他网格与网格11尺寸相同，可以想到的是，图1B仅以视频帧10为例，对网格划分进行举例说明，并不对网格划分的数量做具体限定，且视频序列中的其它视频帧的网格划分方法与视频帧10的网格划分方法相同。
具体的，针对视频序列中的任一相邻两视频帧，分别提取相同位置网格中的网格图像作为图像对，例如将t帧视频帧中第一行第一列的网格图像，与t+1帧视频帧中第一行第一列的网格图像，作为图像对，又例如将t帧视频帧中第一行第二列的网格图像，与t+1帧视频帧中第一行第二列的网格图像，作为图像对。进而针对各图像对计算差分矩阵，得到一个该网格的差分矩阵，直到计算完成视频序列中所有相邻帧的各图像对的差分矩阵，即可得到每一个网格内的累积差分矩阵。
通过根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵，实现了确定不同视频帧网格的图像的差异，为后续根据获得的累积差分矩阵确定运动物体网格，奠定了基础。
步骤102、根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
具体的，根据对每帧视频帧进行网格划分的结果，获取各视频帧在每个网格的图像，进而确定各视频帧在每个网格的图像的像素数量，最终求得针对每个网格在各视频帧中的网格图像的平均像素数量。根据在步骤101中获取的各网格的累积差分矩阵，以及各网格的图像的平均像素数量，确定各网格的分类特征值，并将该分类特征值与特征门限值进行比对，将分类特征值满足与特征门限值对应关系的网格，作为运动网体网格，最终将所有的运动物体网格进行叠加合并，生成运动物体的运动轨迹。
通过根据至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从至少两个网格中确定运动物体网格，生成运动物体的运动轨迹，实现了获取视频序列中运动物体的运动轨迹的技术效果。
本发明实施例提供的技术方案，通过根据视频序列中相邻视频帧在至少两个网格的图像，分别确定至少两个网格的累积差分矩阵，并结合至少两个网格的图像的像素数量，从至少两个网格中确定运动物体，最终生成运动物体的运动轨迹，实现了将需要检测的运动物体与无需检测的非运动物体分开，达到去除干扰的目的，且计算成本较低的技术效果。
实施例二
图2为本发明实施例二提供的一种运动轨迹生成方法的流程图。本实施例为上述实施例一提供了一种具体实现方式，如图2所示，该方法可以包括：
步骤201、根据视频序列中相邻视频帧在至少两个网格的图像，确定相邻视频帧在至少两个网格的差分矩阵。
具体的，将视频序列中所有视频帧中各网格的图像进行提取，并将相邻的视频帧中相同位置的网格的图像作为图像对，计算图像对之间像素的灰度变化，即对图像对的图像矩阵之间做差，得到差分矩阵。
示例性的，以视频序列中的t帧和t-1帧为例，假设对各视频帧划分为n×m个网格，对t帧和t-1帧进行矩阵减计算：
其中
表示t帧对应的网格编号为gridij的网格的图像矩阵，
表示t-1帧对应的网格编号为gridij的网格的图像矩阵，
表示t帧和t-1帧对应的网格编号为gridij的差分矩阵，i＝1,...，n，j＝1,...，m。
步骤202、将相邻视频帧在至少两个网格的差分矩阵的和值，分别作为所述至少两个网格的累积差分矩阵。
具体的，将属于各网格的差分矩阵进行求和，以得到各网格的累积差分矩阵。
示例性的，假设视频序列共有k(k≥2)帧，视频序列中网格编号为gridij的网格的累积差分矩阵为：
其中Aij表示网格编号为gridij的网格的累积差分矩阵，
表示网格编号为gridij的网格在第t帧与t-1帧之间的差分矩阵。
步骤203、根据所述至少两个网格的累积差分矩阵，和相应的至少两个网格的图像的像素数量之间的比值，分别确定所述至少两个网格的分类特征值。
具体的，获取各网格在各帧视频帧中的图像，并计算每个图像的像素数量，进而求得各网格的图像的平均像素数量。根据各网格的累积差分矩阵，与其对应的的平均像素数量的比值，从而确定各网格的分类特征值。
示例性的，假设网格编号为gridij的网格的平均像素数量为r×c个，则该网格的分类特征值为：
其中eij为网格编号为gridij的网格的分类特征值，Aij为网格编号为gridij的网格的累积差分矩阵。
步骤204、根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
其中，特征门限值可以由技术人员根据实际经验进行设置，也可以是根据不同的视频序列的特征计算得到。
具体的，将各网格的分类特征值与特征门限值进行比对，将满足预设大小关系的分类特征值对应的网格作为运动物体网格。
可选的，所述特征门限值通过如下方式确定：
确定所述至少两个网格的分类特征值的和值；将所述和值与网格总数之间的比值，与预设阈值系数的乘积，作为所述特征门限值。
示例性的，假设将各视频帧划分为n×m个网格，eij为网格编号为gridij的网格的分类特征值，i＝1,...，n，j＝1,...，m，预设阈值系数为T，T优选为2.5，则特征门限值为：
可选的，根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格，包括：
将所述至少两个网格中分类特征值小于或等于所述特征门限值的网格，作为运动物体网格。
示例性的，假设特征门限值为5，网格A的分类特征值为3，则网格A为运动物体网格。
本发明实施例提供的技术方案，通过根据视频序列中相邻视频帧在至少两个网格的图像，确定相邻视频帧在至少两个网格的差分矩阵，将相邻视频帧在至少两个网格的差分矩阵的和值，分别作为所述至少两个网格的累积差分矩阵，为后续确定网格的分类特征值奠定了基础；通过根据至少两个网格的累积差分矩阵和像素数量之间的比值，分别确定至少两个网格的分类特征值，并根据至少两个网格的分类特征值，以及特征门限值，从至少两个网格中确定运动物体网格，实现了运动物体的检测，将需要检测的运动物体与无需检测的非运动物体分开，达到去除干扰的目的，且计算成本较低。
在上述实施例的基础上，步骤204中“从所述至少两个网格中确定运动物体网格”之后，还包括A、B和C三个步骤：
A、将至少两个网格中分类特征值大于所述特征门限值的网格，作为非运动物体网格；其中，所述非运动物体网格包括周期运动网格和静态背景网格中的至少一种。
具体的，周期性运动网格表示那些由于视频采集设备抖动而产生的像素位移，而静态背景网格表示那些静止物体所在的网格，例如大楼或大门等。将分类特征值大于特征门限值的网格，作为非运动物体网格，从而与运动物体网格进行区分。
B、确定各所述非运动物体网格的相邻网格中属于运动物体网格的数量。
其中，相邻网格包括上网格、下网格、左网格和右网格的四个网格。
具体的，确定各非运动物体网格的上网格、下网格、左网格和右网格中属于运动物体网格的数量。
C、将所述相邻网格中属于运动物体网格的数量大于数量阈值的非运动物体网格，扩展为所述运动物体网格。
其中，数量阈值可以由技术人员根据实际需求进行设定，可选的数量阈值为2。
示例性的，假设数量阈值为2，若非运动物体网格A的相邻网格中属于运动物体网格的数量为3，则将非运动物体网格A扩展为运动物体网格；若非运动物体网格B的相邻网格中属于运动物体网格的数量为2，则不将非运动物体网格B扩展为运动物体网格。
通过若非运动物体网格的相邻网格中属于运动物体网格的数量，大于数量阈值，则将该非运动物体网格扩展为运动物体网格，使得最终生成的运动物体轨迹更加连续和平顺，更符合运动物体实际的运动轨迹。
实施例三
图3为本发明实施例三提供的一种运动轨迹生成装置的结构示意图，可执行本发明任一实施例所提供的一种运动轨迹生成方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置可以包括：
累积差分矩阵确定模块31，用于根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
运动轨迹生成模块32，用于根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
在上述实施例的基础上，所述累积差分矩阵确定模块31，具体用于：
根据视频序列中相邻视频帧在至少两个网格的图像，确定相邻视频帧在至少两个网格的差分矩阵；
将相邻视频帧在至少两个网格的差分矩阵的和值，分别作为所述至少两个网格的累积差分矩阵。
在上述实施例的基础上，所述运动轨迹生成模块32，具体用于：
根据所述至少两个网格的累积差分矩阵，和相应的至少两个网格的图像的像素数量之间的比值，分别确定所述至少两个网格的分类特征值；
根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格。
在上述实施例的基础上，所述特征门限值通过如下方式确定：
确定所述至少两个网格的分类特征值的和值；
将所述和值与网格总数之间的比值，与预设阈值系数的乘积，作为所述特征门限值。
在上述实施例的基础上，所述运动轨迹生成模块32，具体还用于：
将所述至少两个网格中分类特征值小于或等于所述特征门限值的网格，作为运动物体网格。
在上述实施例的基础上，所述装置还包括运动物体网格扩展模块，具体用于：
将至少两个网格中分类特征值大于所述特征门限值的网格，作为非运动物体网格；其中，所述非运动物体网格包括周期运动网格和静态背景网格中的至少一种；
确定各所述非运动物体网格的相邻网格中属于运动物体网格的数量；
将所述相邻网格中属于运动物体网格的数量大于数量阈值的非运动物体网格，扩展为所述运动物体网格。
本发明实施例所提供的一种运动轨迹生成装置，可执行本发明任一实施例所提供的一种运动轨迹生成方法，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，可参见本发明任一实施例提供的一种运动轨迹生成方法。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备400的框图。图4显示的设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，设备400以通用计算设备的形式表现。设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元401，***存储器402，连接不同***组件(包括***存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
设备400典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器402可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，存储***406可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
设备400也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该设备400交互的设备通信，和/或与使得该设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且，设备400还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与设备400的其它模块通信。应当明白，尽管图中未示出，可以结合设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元401通过运行存储在***存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的运动轨迹生成方法，包括：
根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种运动轨迹生成方法，该方法包括：
根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种运动轨迹生成方法中的相关操作。本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (14)
1.一种运动轨迹生成方法，其特征在于，所述方法包括：
根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
2.根据权利要求1所述的方法，其特征在于，根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵，包括：
根据视频序列中相邻视频帧在至少两个网格的图像，确定相邻视频帧在至少两个网格的差分矩阵；
将相邻视频帧在至少两个网格的差分矩阵的和值，分别作为所述至少两个网格的累积差分矩阵。
3.根据权利要求1所述的方法，其特征在于，根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，包括：
根据所述至少两个网格的累积差分矩阵，和相应的至少两个网格的图像的像素数量之间的比值，分别确定所述至少两个网格的分类特征值；
根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格。
4.根据权利要求3所述的方法，其特征在于，所述特征门限值通过如下方式确定：
确定所述至少两个网格的分类特征值的和值；
将所述和值与网格总数之间的比值，与预设阈值系数的乘积，作为所述特征门限值。
5.根据权利要求3所述的方法，其特征在于，根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格，包括：
将所述至少两个网格中分类特征值小于或等于所述特征门限值的网格，作为运动物体网格。
6.根据权利要求1所述的方法，其特征在于，从所述至少两个网格中确定运动物体网格之后，还包括：
将至少两个网格中分类特征值大于所述特征门限值的网格，作为非运动物体网格；其中，所述非运动物体网格包括周期运动网格和静态背景网格中的至少一种；
确定各所述非运动物体网格的相邻网格中属于运动物体网格的数量；
将所述相邻网格中属于运动物体网格的数量大于数量阈值的非运动物体网格，扩展为所述运动物体网格。
7.一种运动轨迹生成装置，其特征在于，所述装置包括：
累积差分矩阵确定模块，用于根据视频序列中相邻视频帧在至少两个网格的图像，分别确定所述至少两个网格的累积差分矩阵；
运动轨迹生成模块，用于根据所述至少两个网格的累积差分矩阵和至少两个网格的图像的像素数量，从所述至少两个网格中确定运动物体网格，生成运动物体的运动轨迹。
8.根据权利要求7所述的装置，其特征在于，所述累积差分矩阵确定模块，具体用于：
根据视频序列中相邻视频帧在至少两个网格的图像，确定相邻视频帧在至少两个网格的差分矩阵；
将相邻视频帧在至少两个网格的差分矩阵的和值，分别作为所述至少两个网格的累积差分矩阵。
9.根据权利要求7所述的装置，其特征在于，所述运动轨迹生成模块，具体用于：
根据所述至少两个网格的累积差分矩阵，和相应的至少两个网格的图像的像素数量之间的比值，分别确定所述至少两个网格的分类特征值；
根据所述至少两个网格的分类特征值，以及特征门限值，从所述至少两个网格中确定运动物体网格。
10.根据权利要求9所述的装置，其特征在于，所述特征门限值通过如下方式确定：
确定所述至少两个网格的分类特征值的和值；
将所述和值与网格总数之间的比值，与预设阈值系数的乘积，作为所述特征门限值。
11.根据权利要求9所述的装置，其特征在于，所述运动轨迹生成模块，具体还用于：
将所述至少两个网格中分类特征值小于或等于所述特征门限值的网格，作为运动物体网格。
12.根据权利要求7所述的装置，其特征在于，所述装置还包括运动物体网格扩展模块，具体用于：
将至少两个网格中分类特征值大于所述特征门限值的网格，作为非运动物体网格；其中，所述非运动物体网格包括周期运动网格和静态背景网格中的至少一种；
确定各所述非运动物体网格的相邻网格中属于运动物体网格的数量；
将所述相邻网格中属于运动物体网格的数量大于数量阈值的非运动物体网格，扩展为所述运动物体网格。
13.一种设备，其特征在于，所述设备还包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的运动轨迹生成方法。
14.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的运动轨迹生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010719066.1A CN111862142B (zh) | 2020-07-23 | 一种运动轨迹生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010719066.1A CN111862142B (zh) | 2020-07-23 | 一种运动轨迹生成方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862142A true CN111862142A (zh) | 2020-10-30 |
| CN111862142B CN111862142B (zh) | 2024-08-02 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115567678A (zh) * | 2021-07-01 | 2023-01-03 | 江苏三棱智慧物联发展股份有限公司 | 一种高空抛物监测方法及其*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106101535A (zh) * | 2016-06-21 | 2016-11-09 | 北京理工大学 | 一种基于局部及整体运动差异补偿的视频稳定方法 |
| US20170109465A1 (en) * | 2015-08-26 | 2017-04-20 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and device for modeling of deformation motion of elastic object |
| CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
| US20190012547A1 (en) * | 2016-01-12 | 2019-01-10 | Hitachi Kokusai Electric Inc. | Congestion-state-monitoring system |
| US20190188869A1 (en) * | 2017-12-19 | 2019-06-20 | Canon Europa N.V. | Method and apparatus for detecting motion deviation in a video |
| CN110753181A (zh) * | 2019-09-29 | 2020-02-04 | 湖北工业大学 | 一种基于特征跟踪和网格路径运动的视频稳像方法 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109465A1 (en) * | 2015-08-26 | 2017-04-20 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and device for modeling of deformation motion of elastic object |
| US20190012547A1 (en) * | 2016-01-12 | 2019-01-10 | Hitachi Kokusai Electric Inc. | Congestion-state-monitoring system |
| CN106101535A (zh) * | 2016-06-21 | 2016-11-09 | 北京理工大学 | 一种基于局部及整体运动差异补偿的视频稳定方法 |
| CN106875424A (zh) * | 2017-01-16 | 2017-06-20 | 西北工业大学 | 一种基于机器视觉的城市环境行驶车辆行为识别方法 |
| US20190188869A1 (en) * | 2017-12-19 | 2019-06-20 | Canon Europa N.V. | Method and apparatus for detecting motion deviation in a video |
| CN110753181A (zh) * | 2019-09-29 | 2020-02-04 | 湖北工业大学 | 一种基于特征跟踪和网格路径运动的视频稳像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙志海;朱善安;: "基于网格的视频运动目标检测算法研究", 浙江大学学报(工学版), no. 03, 15 March 2009 (2009-03-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115567678A (zh) * | 2021-07-01 | 2023-01-03 | 江苏三棱智慧物联发展股份有限公司 | 一种高空抛物监测方法及其*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886048A (zh) | 目标跟踪方法及***、存储介质及电子终端 | |
| CN111031348B (zh) | 一种视频加扰方法、装置、服务器和存储介质 | |
| CN112669344A (zh) | 一种运动物体的定位方法、装置、电子设备及存储介质 | |
| US20220036565A1 (en) | Methods and systems for restoration of lost image features for visual odometry applications | |
| WO2016187412A1 (en) | Automatic detection of panoramic gestures | |
| CN108229281B (zh) | 神经网络的生成方法和人脸检测方法、装置及电子设备 | |
| CN112652021A (zh) | 相机偏移检测方法、装置、电子设备及存储介质 | |
| CN112183431A (zh) | 实时行人数量统计方法、装置、相机和服务器 | |
| CN112291478B (zh) | 一种高空抛坠物的监测方法、装置、设备及存储介质 | |
| CN111862142B (zh) | 一种运动轨迹生成方法、装置、设备和介质 | |
| CN111862142A (zh) | 一种运动轨迹生成方法、装置、设备和介质 | |
| CN112085842B (zh) | 深度值确定方法及装置、电子设备和存储介质 | |
| CN115861891B (zh) | 视频目标检测方法、装置、设备及介质 | |
| CN113762017B (zh) | 一种动作识别方法、装置、设备及存储介质 | |
| CN111063011A (zh) | 一种人脸图像处理方法、装置、设备和介质 | |
| CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN101888536A (zh) | 抗雨干扰图像采集*** | |
| CN115396597A (zh) | 视频防抖拼接方法及相关设备 | |
| CN113989334A (zh) | 一种视频移动对象的跟踪方法、装置、设备及存储介质 | |
| CN114387544A (zh) | 一种高空抛物检测方法、***、电子设备及存储介质 | |
| CN113763468A (zh) | 一种定位方法、装置、***及存储介质 | |
| CN114374801B (zh) | 一种曝光时间的确定方法、装置、设备以及存储介质 | |
| CN111292350B (zh) | 目标朝向的优化算法、***、电子设备及存储介质 | |
| CN115410232B (zh) | 板书抓拍方法、装置、电子设备及可读存储介质 | |
| CN111062337B (zh) | 人流方向检测方法及装置、存储介质和电子设备 |
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 |