CN111914670A - 一种遗留物品检测方法、装置、***及存储介质 - Google Patents
一种遗留物品检测方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN111914670A CN111914670A CN202010650659.7A CN202010650659A CN111914670A CN 111914670 A CN111914670 A CN 111914670A CN 202010650659 A CN202010650659 A CN 202010650659A CN 111914670 A CN111914670 A CN 111914670A
- Authority
- CN
- China
- Prior art keywords
- feature points
- area
- region
- suspicious
- preset value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种遗留物品检测方法、装置、***及存储介质,用以避免因为天气、光照变化对遗留物品误检。本申请实施例提供的一种遗留物品检测方法,包括:进行背景模型建立;获取检测图像中的运动区域,在运动区域提取第一特征点;获取检测图像的前一帧图像,并在前一帧图像中与运动区域重合的区域中提取第二特征点;将第一特征点和第二特征点进行匹配,确定第一特征点和第二特征点中匹配特征点的数量;判断匹配特征点的数量与第一特征点或第二特征点的数量比是否小于第一预设值;当匹配特征点的数量与第一特征点或第二特征点的数量比小于第一预设值时,将运动区域作为第一可疑区域,并判断第一可疑区域中是否包括遗留物品。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种遗留物品检测方法、装置、***及存储介质。
背景技术
随着城市化建设,人员分布趋于密集,公共安全逐渐成为国家政府关注的焦点;在不少国家和地区,***将不明危险物品遗留在车站地铁等场所制造恐怖事件;车站地铁等场所虽然具有防爆防恐装置,但是如何有效发现不明遗留物品并及时报警,成为有效解决可能存在的隐患的一大难题。
近几年网络相机大规模部署,安防设施不断完善,智能监控***功能逐渐扩展;遗留物品检测成为公共场合相机监控的基本要求;其中遗留物品检测不单单在车站地铁等人群密集流动性大的场合,其在楼道堵塞,消防通道占用检测等方面也具有重要意义;目前针对遗留物品检测主要基于两类方法:第一类采用基于训练方法,将可能被遗留的各类目标进行训练检测,该方法明显存在漏检缺陷;第二类采用背景建模和背景更新方法,通过目标像素值以及不同颜色空间特征进行判别,该类方法容易受到天气、光线变化等因素影响。
综上,现有技术对遗留物品检测的方法存在漏检或误检的问题。
发明内容
本申请实施例提供了一种遗留物品检测方法、装置、***及存储介质,用以避免因为天气、光照变化对遗留物品误检。
本申请实施例提供的一种遗留物品检测方法,该方法包括:
获取背景帧图像,并根据所述背景帧图像建立背景模型;
根据所述背景模型获取检测图像中的运动区域,在所述运动区域提取第一特征点;
获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值;
当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
可选地,在所述运动区域提取第一特征点,具体包括:
在所述运动区域提取尺度不变特征变换特征点作为所述第一特征点;
在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点,具体包括:
在所述重合的区域中提取尺度不变特征变换特征点作为所述第二特征点。
可选地,将所述第一特征点和所述第二特征点进行匹配,具体包括:
计算所述第一特征点和所述第二特征点之间的欧式距离;
将所述欧式距离小于第二预设值的所述第一特征点和所述第二特征点作为匹配特征点。
可选地,判断所述第一可疑区域中是否包括遗留物品,具体包括:
确定所述检测图像中的行人区域;
获取所述行人区域与所述第一可疑区域的交集区域;
判断所述交集区域与所述第一可疑区域的比值是否大于等于第三预设值;
当所述交集区域与所述第一可疑区域的比值大于等于所述第三预设值时,对所述第一可疑区域进行背景更新;
当所述交集区域与所述第一可疑区域的比值小于第三预设值,将所述交集区域作为第二可疑区域;
判断所述第二可疑区域存在的帧数是否大于第四预设值;
当所述第二可疑区域存在的帧数小于等于第四预设值时,对所述第一可疑区域进行背景更新;
当所述第二可疑区域存在的帧数大于第四预设值时,确定所述第二可疑区域包括遗留物品。
可选地,确定所述检测图像中的行人区域,具体包括:
利用预先训练的行人模型对所述检测图像进行检测,确定所述检测图像中的行人区域。
可选地,根据所述背景帧图像建立背景模型,具体包括:
根据所述背景帧图像采用单高斯背景建模方法建立背景模型。
可选地,所述方法还包括:
当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比大于等于第一预设值时,对所述运动区域进行更新。
本申请实施例提供的一种遗留物品检测装置,所述遗留物品检测装置包括:
背景建模模块,用于获取背景帧图像,并根据所述背景帧图像建立背景模型;
特征点提取模块,用于根据所述背景模型获取检测图像中的运动区域,并在所述运动区域提取第一特征点,以及用于获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
特征点匹配模块,用于将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
判断模块,判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值,当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
本申请实施例提供的一种遗留物品检测***,所述遗留物品检测***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所述程序指令,按照获得的所述程序指令执行本申请实施例提供的遗留物品检测方法包括的步骤。
本申请实施例提供的一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本申请实施例提供的遗留物品检测方法包括的步骤。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请实施例提供的一种遗留物品检测方法的示意图;
图2为本申请实施例提供的另一种遗留物品检测方法的示意图;
图3为本申请实施例提供的一种遗留物品检测装置的示意图;
图4为本申请实施例提供的一种遗留物品检测***的示意图。
具体实施方式
本申请实施例提供了一种遗留物品检测方法,如图1所示,该方法包括:
S101、获取背景帧图像,并对所述背景帧图像进行背景模型建立;
S102、根据所述背景模型获取检测图像中的运动区域,在所述运动区域提取第一特征点;
S103、获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
S104、将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
S105、判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值;
S106、当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
本申请实施例提供的遗留物品检测方法,对检测图像中的运动区域以及前一帧图像中与运动区域重合的区域分别提取第一特征点和第二特征点,并对第一特征点和第二特征点进行匹配,确定第一特征点和第二特征点中匹配的特征点的数量,只有当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将该运动区域作为第一可疑区域,并判断该运动区域中是否包括遗留物品,这样可以有效避免因为天气、光照变化对遗留物品误检,提高遗留物品检测的准确率。
可选地,所述方法还包括:
当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比大于等于第一预设值时,对所述运动区域进行更新。
即当匹配特征点的数量与第一特征点或第二特征点的数量比大于等于第一预设值时,认为该运动区域为不存在遗留物品的正常区域,可对该运动区域进行背景更新。
在具体实施时,第一预设值可以根据实际需要进行选择,第一预设值例如可以为0.6。
在具体实施时,可选地,步骤S101根据所述背景帧图像建立背景模型,具体包括:
根据所述背景帧图像采用单高斯背景建模方法建立背景模型。
可选地,步骤S102中,在所述运动区域提取第一特征点,具体包括:
在所述运动区域提取尺度不变特征变换(Scale-invariant feature transform,SIFT)特征点作为所述第一特征点;
步骤S103中,在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点,具体包括:
在所述重合的区域中提取SIFT特征点作为所述第二特征点。
即本申请实施例提供的遗留物品检测方法采用SIFT算法,在检测图像的运动区域以及前一帧图像中与运动区域重合的区域中提取特征点。
在具体实施时,采用SIFT算法,在尺度空间寻找极值点,并提取出其位置、尺度、方向信息。采用SIFT算法提取的特征点,具有较好的稳定性和不变性,能够适应旋转、尺度缩放、亮度的变化,能在一定程度上不受视角变化、仿射变换、噪声的干扰。这样可以有效避免因为天气、光照变化而误将运动区域判定为可疑区域,避免对遗留物品误检,提高遗留物品检测的准确率。
在具体实施时,采用SIFT算法获得的第一特征点和第二特征点为具有128维特征向量的特征点。
可选地,步骤S104中,将所述第一特征点和所述第二特征点进行匹配,具体包括:
计算所述第一特征点和所述第二特征点之间的欧式距离;
将所述欧式距离小于第二预设值的所述第一特征点和所述第二特征点作为匹配特征点。
第一特征点和第二特征点的欧式距离越小,匹配度越高。在具体实施时,第二预设值例如可以为。
可选地,步骤S106中,判断所述第一可疑区域中是否包括遗留物品,具体包括:
确定所述检测图像中的行人区域;
获取所述行人区域与所述第一可疑区域的交集区域;
判断所述交集区域与所述第一可疑区域的比值是否大于等于第三预设值;
当所述交集区域与所述第一可疑区域的比值大于等于所述第三预设值时,对所述第一可疑区域进行背景更新;
当所述交集区域与所述第一可疑区域的比值小于第三预设值,将所述交集区域作为第二可疑区域;
判断所述第二可疑区域存在的帧数是否大于第四预设值;
当所述第二可疑区域存在的帧数小于等于第四预设值时,对所述第一可疑区域进行背景更新;
当所述第二可疑区域存在的帧数大于第四预设值时,确定所述第二可疑区域包括遗留物品。
本申请实施例提供的遗留物品检测方法,对行人区域进行检测,并将行人区域与第一可疑区域进行比较,可以避免将行人区域误判为遗留物品区域,可以进一步避免遗留物品误检,提高检测准确率。
在具体实施时,第三预设值以及第四预设值可以根据实际需要进行选择。第三预设值例如可以是0.2。第四预设值例如可以是25。
可选地,确定所述检测图像中的行人区域,具体包括:
利用预先训练的行人模型对所述检测图像进行检测,确定所述检测图像中的行人区域。
在具体实施时,可以利用预先获得的车站地铁等监控场景行人图像,采用深度学习网络进行训练,获得预先训练的行人模型。采用深度学习网络进行训练,例如可以对行人图形中的行人进行矩形标注,将标注好的数据采用40个卷积层,5个下采样层进行训练。
接下来,以需要对行人区域进行检测为例,对本申请实施例提供的遗留物品检测方法进行举例说明,如图2所示,遗留物品检测方法包括如下步骤:
S201、获取背景帧图像,并根据背景帧图像建立背景模型;
S202、获取检测图像中的运动区域,在运动区域提取SIFT特征点作为第一特征点;
S203、获取检测图像的前一帧图像,并在前一帧图像中与运动区域重合的区域中提取SIFT特征点作为第二特征点;
S204、将第一特征点和第二特征点进行匹配;
S205、判断匹配特征点的数量与第一特征点或第二特征点的数量比是否小于第一预设值;是,则执行步骤207,否则执行步骤206;
S206、对运动区域进行背景模型更新;
S207、将运动区域作为第一可疑区域;
S208、确定检测图像中的行人区域;
S209、获取行人区域与第一可疑区域的交集区域;
S210、判断交集区域与第一可疑区域的比值是否大于等于第三预设值;是则执行步骤S211,否则执行步骤206;
S211、将交集区域作为第二可疑区域;
S212、判断第二可疑区域存在的帧数是否大于第四预设值;是则执行步骤S213,否则执行步骤206;
S213、确定第二可疑区域包括遗留物品。
基于同一发明构思,本申请实施例还提供了一种遗留物品检测装置,如图3所示,所述遗留物品检测装置包括:
背景建模模块301,用于获取背景帧图像,并根据所述背景帧图像建立背景模型;
特征点提取模块302,用于根据所述背景模型获取检测图像中的运动区域,并在所述运动区域提取第一特征点,以及用于获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
特征点匹配模块303,用于将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
判断模块304,判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值,当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
可选地,判断模块还用于:当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比大于等于第一预设值时,对所述运动区域进行更新。
可选地,背景建模模块具体用于:
根据所述背景帧图像采用单高斯背景建模方法建立背景模型。
可选地,特征点提取模块用于在所述运动区域提取第一特征点,具体包括:
在所述运动区域提取SIFT特征点作为所述第一特征点;
特征点提取模块用于在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点,具体包括:
在所述重合的区域中提取SIFT特征点作为所述第二特征点。
可选地,特征点匹配模块,用于将所述第一特征点和所述第二特征点进行匹配,具体包括:计算所述第一特征点和所述第二特征点之间的欧式距离;
将所述欧式距离小于第二预设值的所述第一特征点和所述第二特征点作为匹配特征点。
可选地,遗留物品检测装置还包括:
行人检测模块,用于确定所述检测图像中的行人区域,获取所述行人区域与所述第一可疑区域的交集区域;
判断模块还用于:
判断所述交集区域与所述第一可疑区域的比值是否大于等于第三预设值;
当所述交集区域与所述第一可疑区域的比值大于等于所述第三预设值时,对所述第一可疑区域进行背景更新;
当所述交集区域与所述第一可疑区域的比值小于第三预设值,将所述交集区域作为第二可疑区域;
判断所述第二可疑区域存在的帧数是否大于第四预设值;
当所述第二可疑区域存在的帧数小于等于第四预设值时,对所述第一可疑区域进行背景更新;
当所述第二可疑区域存在的帧数大于第四预设值时,确定所述第二可疑区域包括遗留物品。
可选地,行人检测模块具体用于:
利用预先训练的行人模型对所述检测图像进行检测,确定所述检测图像中的行人区域。
基于同一发明构思,本申请实施例还提供了一种遗留物品检测***,如图4所示,所述遗留物品检测***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所述程序指令,按照获得的所述程序指令执行本申请实施例提供的遗留物品检测方法包括的步骤。
在具体实施时,如图4所示,本申请实施例提供的遗留物品检测***例如可以包括至少一个处理器402,存储器401与至少一个处理器402连接。本申请实施例中不限定处理器402与存储器401之间的具体连接介质,图4是以处理器402和存储器401之间通过总线400连接为例,总线400在图4中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不以此为限。总线400可以分为地址总线、数据总线、控制总线等,为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例提供的遗留物品检测***中,存储器401存储有可被至少一个处理器402执行的指令,至少一个处理器402通过调用存储器401存储的指令,可以执行本申请实施例提供的遗留物品检测方法包括的步骤。
其中,处理器402是遗留物品检测***的控制中心,可以利用各种接口和线路连接整个遗留物品检测***的各个部分,通过执行存储在存储器401内的指令,从而实现遗留物品检测***的各种功能。可选的,处理器402可包括一个或多个处理单元,处理器402可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器402中。在一些实施例中,处理器402和存储器401可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
存储器401作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器401可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器401是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器401还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
处理器402可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的遗留物体检测的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
通过对处理器402进行设计编程,可以将前述实施例中介绍的遗留物品检测方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行前述的遗留物品检测方法的步骤,如何对处理器402进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本申请实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本申请实施例提供的遗留物品检测方法包括的步骤。
综上所述,本申请实施例提供的遗留物品检测方法、遗留物品检测装置、遗留物品检测***及存储介质,对检测图像中的运动区域以及前一帧图像中与运动区域重合的区域分别提取第一特征点和第二特征点,并对第一特征点和第二特征点进行匹配,确定第一特征点和第二特征点中匹配的特征点的数量,只有当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将该运动区域作为第一可疑区域,并判断该运动区域中是否包括遗留物品,这样可以有效避免因为天气、光照变化对遗留物品误检,提高遗留物品检测的准确率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种遗留物品检测方法,其特征在于,该方法包括:
获取背景帧图像,并根据所述背景帧图像建立背景模型;
根据所述背景模型获取检测图像中的运动区域,在所述运动区域提取第一特征点;
获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值;
当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
2.根据权利要求1所述的方法,其特征在于,在所述运动区域提取第一特征点,具体包括:
在所述运动区域提取尺度不变特征变换特征点作为所述第一特征点;
在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点,具体包括:
在所述重合的区域中提取尺度不变特征变换特征点作为所述第二特征点。
3.根据权利要求2所述的方法,其特征在于,将所述第一特征点和所述第二特征点进行匹配,具体包括:
计算所述第一特征点和所述第二特征点之间的欧式距离;
将所述欧式距离小于第二预设值的所述第一特征点和所述第二特征点作为匹配特征点。
4.根据权利要求1所述的方法,其特征在于,判断所述第一可疑区域中是否包括遗留物品,具体包括:
确定所述检测图像中的行人区域;
获取所述行人区域与所述第一可疑区域的交集区域;
判断所述交集区域与所述第一可疑区域的比值是否大于等于第三预设值;
当所述交集区域与所述第一可疑区域的比值大于等于所述第三预设值时,对所述第一可疑区域进行背景更新;
当所述交集区域与所述第一可疑区域的比值小于第三预设值,将所述交集区域作为第二可疑区域;
判断所述第二可疑区域存在的帧数是否大于第四预设值;
当所述第二可疑区域存在的帧数小于等于第四预设值时,对所述第一可疑区域进行背景更新;
当所述第二可疑区域存在的帧数大于第四预设值时,确定所述第二可疑区域包括遗留物品。
5.根据权利要求4所述的方法,其特征在于,确定所述检测图像中的行人区域,具体包括:
利用预先训练的行人模型对所述检测图像进行检测,确定所述检测图像中的行人区域。
6.根据权利要求1所述的方法,其特征在于,根据所述背景帧图像建立背景模型,具体包括:
根据所述背景帧图像采用单高斯背景建模方法建立背景模型。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比大于等于第一预设值时,对所述运动区域进行更新。
8.一种遗留物品检测装置,其特征在于,所述遗留物品检测装置包括:
背景建模模块,用于获取背景帧图像,并根据所述背景帧图像建立背景模型;
特征点提取模块,用于根据所述背景模型获取检测图像中的运动区域,并在所述运动区域提取第一特征点,以及用于获取所述检测图像的前一帧图像,并在所述前一帧图像中与所述运动区域重合的区域中提取第二特征点;
特征点匹配模块,用于将所述第一特征点和所述第二特征点进行匹配,确定所述第一特征点和所述第二特征点中匹配特征点的数量;
判断模块,判断所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比是否小于第一预设值,当所述匹配特征点的数量与所述第一特征点或所述第二特征点的数量比小于第一预设值时,将所述运动区域作为第一可疑区域,并判断所述第一可疑区域中是否包括遗留物品。
9.一种遗留物品检测***,其特征在于,所述遗留物品检测***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所述程序指令,按照获得的所述程序指令执行根据权利要求1~7任一项所述的方法包括的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行根据权利要求1~7任一项所述的方法包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650659.7A CN111914670A (zh) | 2020-07-08 | 2020-07-08 | 一种遗留物品检测方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010650659.7A CN111914670A (zh) | 2020-07-08 | 2020-07-08 | 一种遗留物品检测方法、装置、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914670A true CN111914670A (zh) | 2020-11-10 |
Family
ID=73226425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010650659.7A Pending CN111914670A (zh) | 2020-07-08 | 2020-07-08 | 一种遗留物品检测方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914670A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668423A (zh) * | 2020-12-18 | 2021-04-16 | 平安科技(深圳)有限公司 | 楼道杂物检测方法、装置、终端设备及存储介质 |
CN113065425A (zh) * | 2021-03-19 | 2021-07-02 | 东风汽车集团股份有限公司 | 基于环境信息的车内遗落物提醒方法、***及存储介质 |
CN113470013A (zh) * | 2021-07-28 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种搬移物品的检测方法及装置 |
CN117152751A (zh) * | 2023-10-30 | 2023-12-01 | 西南石油大学 | 一种图像分割方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090044957A (ko) * | 2007-10-30 | 2009-05-07 | 삼성전자주식회사 | 도난 및 방치 감시 시스템 및 도난 및 방치 검출 방법 |
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
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 |
CN104809742A (zh) * | 2015-04-15 | 2015-07-29 | 广西大学 | 一种复杂场景下的物品安全检测方法 |
CN105590086A (zh) * | 2014-11-17 | 2016-05-18 | 西安三茗科技有限责任公司 | 一种基于视觉标签识别的物品防盗检测方法 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
US20190095745A1 (en) * | 2017-09-28 | 2019-03-28 | Baidu Usa Llc | Systems and methods to improve visual feature detection using motion-related data |
CN110348327A (zh) * | 2019-06-24 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 实现监控场景中遗留物品检测的方法及装置 |
-
2020
- 2020-07-08 CN CN202010650659.7A patent/CN111914670A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090044957A (ko) * | 2007-10-30 | 2009-05-07 | 삼성전자주식회사 | 도난 및 방치 감시 시스템 및 도난 및 방치 검출 방법 |
CN102063614A (zh) * | 2010-12-28 | 2011-05-18 | 天津市亚安科技电子有限公司 | 一种安防监控中遗留物品的检测方法及装置 |
CN102509075A (zh) * | 2011-10-19 | 2012-06-20 | 北京国铁华晨通信信息技术有限公司 | 一种遗留物检测方法及装置 |
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 |
CN105590086A (zh) * | 2014-11-17 | 2016-05-18 | 西安三茗科技有限责任公司 | 一种基于视觉标签识别的物品防盗检测方法 |
CN104809742A (zh) * | 2015-04-15 | 2015-07-29 | 广西大学 | 一种复杂场景下的物品安全检测方法 |
CN107527009A (zh) * | 2017-07-11 | 2017-12-29 | 浙江汉凡软件科技有限公司 | 一种基于yolo目标检测的遗留物检测方法 |
US20190095745A1 (en) * | 2017-09-28 | 2019-03-28 | Baidu Usa Llc | Systems and methods to improve visual feature detection using motion-related data |
CN110348327A (zh) * | 2019-06-24 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 实现监控场景中遗留物品检测的方法及装置 |
Non-Patent Citations (2)
Title |
---|
周宏 等: "一种基于目标检测的快速视频取证方法", 计算机应用研究, no. 03, 31 March 2009 (2009-03-31), pages 1089 - 1091 * |
屈凡非 等: "基于背景配准的矿井危险区域视频目标检测算法", 工矿自动化, no. 03, 28 February 2011 (2011-02-28), pages 48 - 50 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668423A (zh) * | 2020-12-18 | 2021-04-16 | 平安科技(深圳)有限公司 | 楼道杂物检测方法、装置、终端设备及存储介质 |
CN112668423B (zh) * | 2020-12-18 | 2024-05-28 | 平安科技(深圳)有限公司 | 楼道杂物检测方法、装置、终端设备及存储介质 |
CN113065425A (zh) * | 2021-03-19 | 2021-07-02 | 东风汽车集团股份有限公司 | 基于环境信息的车内遗落物提醒方法、***及存储介质 |
CN113470013A (zh) * | 2021-07-28 | 2021-10-01 | 浙江大华技术股份有限公司 | 一种搬移物品的检测方法及装置 |
CN117152751A (zh) * | 2023-10-30 | 2023-12-01 | 西南石油大学 | 一种图像分割方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914670A (zh) | 一种遗留物品检测方法、装置、***及存储介质 | |
Lin et al. | Abandoned object detection via temporal consistency modeling and back-tracing verification for visual surveillance | |
CN109003390B (zh) | 一种商品识别方法、无人售货机及计算机可读存储介质 | |
Lim et al. | Background subtraction using encoder-decoder structured convolutional neural network | |
CN107844794B (zh) | 图像识别方法和装置 | |
US8744125B2 (en) | Clustering-based object classification | |
US20170213080A1 (en) | Methods and systems for automatically and accurately detecting human bodies in videos and/or images | |
US20100322475A1 (en) | Object area detecting device, object area detecting system, object area detecting method and program | |
JP2001175876A (ja) | 移動物体検出方法及び移動物体検出装置 | |
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和*** | |
Lee et al. | Context and profile based cascade classifier for efficient people detection and safety care system | |
Jo | Cumulative dual foreground differences for illegally parked vehicles detection | |
WO2012022744A2 (en) | Multi-mode video event indexing | |
Han et al. | Moving object detection revisited: Speed and robustness | |
Choi et al. | Multiple vehicles detection and tracking based on scale-invariant feature transform | |
CN110502977B (zh) | 一种建筑物变化分类检测方法、***、装置及存储介质 | |
Lin et al. | Particle filter with occlusion handling for visual tracking | |
Shyam et al. | Abandoned object detection using pixel-based finite state machine and single shot multibox detector | |
CN113012383A (zh) | 火灾检测报警方法、相关***、相关设备及存储介质 | |
CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
CN111797726A (zh) | 一种火焰检测方法、装置、电子设备及存储介质 | |
Filonenko et al. | Illegally parked vehicle detection using adaptive dual background model | |
Zhang et al. | Image-based approach for parking-spot detection with occlusion handling | |
CN112070033A (zh) | 一种基于有限状态机分析的视频遗留物检测方法 | |
Rahman et al. | A real-time end-to-end Bangladeshi license plate detection and recognition system for all situations including challenging environmental scenarios |
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 |