CN112597952A - 一种摄像机监控状态的识别方法、装置、***及存储介质 - Google Patents
一种摄像机监控状态的识别方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN112597952A CN112597952A CN202011606522.8A CN202011606522A CN112597952A CN 112597952 A CN112597952 A CN 112597952A CN 202011606522 A CN202011606522 A CN 202011606522A CN 112597952 A CN112597952 A CN 112597952A
- Authority
- CN
- China
- Prior art keywords
- camera
- monitoring
- sub
- actual
- initial
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 224
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06V20/50—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种摄像机监控状态的识别方法、装置、***及计算机可读存储介质,该方法包括:预先建立摄像机监控画面的背景模型;在摄像机的监控过程中获取实际监控视频;依据实际监控视频和背景模型判断摄像机在监控过程中是否被遮挡;本发明通过摄像机在监控过程中获取的实际监控视频以及预先建立的摄像机监控画面的背景模型,就能够确定出摄像机在监控过程中是否被遮挡,有利于工作人员及时了解摄像机的监控状态,便于对摄像机进行维护。
Description
技术领域
本发明实施例涉及安防监控技术领域,特别是涉及一种摄像机监控状态的识别方法、装置、***及计算机可读存储介质。
背景技术
随着图像处理与模式识别技术的快速进步及计算机视觉的便捷性,基于视频图像处理的方式在实际生活中在很多领域得到实际应用。但是,在实际应用过程中经常会遇到摄像机被无意或者有意用物体遮挡的问题,使得摄像机不能正常工作,给监控的大面积应用带来一定的问题。因此,在摄像机运行过程中,如何及时发现摄像机是否被遮挡是目前本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种摄像机监控状态的识别方法、装置、***及计算机可读存储介质,在使用过程中能够确定出摄像机在监控过程中是否被遮挡,有利于工作人员及时了解摄像机的监控状态,便于对摄像机进行维护。
为解决上述技术问题,本发明实施例提供了一种摄像机监控状态的识别方法,包括:
预先建立摄像机监控画面的背景模型;
在所述摄像机的监控过程中获取实际监控视频;
依据所述实际监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡。
可选的,还包括:
预先将所述摄像机监控范围内的预设区域划分为多个子区域;
则,所述预先建立摄像机监控画面的背景模型的过程为:
获取所述摄像机的初始监控视频,并依据所述初始监控视频得到每个所述子区域各自的标准特征值;
将各个所述子区域各自对应的标准特征值作为所述摄像机的背景模型;
则,所述监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡的过程为:
获取所述摄像机的实际监控视频,并依据所述实际监控视频得到每个所述子区域各自的实际特征值;
依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡。
可选的,所述依据所述初始监控视频得到每个所述子区域各自的标准特征值的过程为:
从所述初始监控视频中获取多个初始监控图像;
将每个所述初始监控图像按照预设尺寸及预设划分方法进行划分处理,得到与每个所述子区域各自对应的多个初始子图像;
对每个所述初始子图像进行处理,得到与每个所述初始子图像各自对应的初始特征值;
将与同一个子区域对应的各个初始特征值求平均,得到与所述子区域对应的标准特征值,以得到与每个所述子区域各自对应的标准特征值。
可选的,所述依据所述实际监控视频得到每个所述子区域各自的实际特征值的过程为:
从所述实际监控视频中获取1帧实际监控图像;
将所述实际监控图像按照所述预设尺寸及所述预设划分方法进行划分处理,得到与每个所述子区域各自对应的实际子图像;
对每个所述实际子图像进行处理,得到与每个所述子区域各自对应的实际特征值。
可选的,所述依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡的过程为:
将与1帧实际监控图像对应的、各个所述子区域的实际特征值分别与对应的标准特征值进行匹配,得到与各个所述子区域各自对应的相似度;
判断各个所述相似度中小于预设相似度的个数是否达到预设数量,若是,则确定所述实际监控图像为异常图像;
判断是否存在连续M帧的实际监控图像均为异常图像,若是,则确定所述摄像机在监控过程中被遮挡,M大于1。
可选的,还包括:
当确定出所述摄像机在监控过程中被遮挡后,发出告警提示。
本发明是实施例还提供了一种摄像机监控状态的识别装置,包括:
建立模块,用于预先建立摄像机监控画面的背景模型;
获取模块,用于在所述摄像机的监控过程中获取实际监控视频;
判断模块,用于依据所述实际监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡。
可选的,还包括:
划分模块,用于预先将所述摄像机监控范围内的预设区域划分为多个子区域;
则,所述建立模块包括:
第一提取单元,用于获取所述摄像机的初始监控视频,并依据所述初始监控视频得到每个所述子区域各自的标准特征值;
确定单元,用于将各个所述子区域各自对应的标准特征值作为所述摄像机的背景模型;
则,所述判断模块包括:
第二提取单元,用于获取所述摄像机的实际监控视频,并依据所述实际监控视频得到每个所述子区域各自的实际特征值;
判断单元,用于依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡。
本发明是实施例还提供了一种摄像机监控状态的识别***,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述摄像机监控状态的识别方法的步骤。
本发明是实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述摄像机监控状态的识别方法的步骤。
本发明实施例提供了一种摄像机监控状态的识别方法、装置、***及计算机可读存储介质,该方法包括:预先建立摄像机监控画面的背景模型;在摄像机的监控过程中获取实际监控视频;依据实际监控视频和背景模型判断摄像机在监控过程中是否被遮挡。可见,本发明通过摄像机在监控过程中获取的实际监控视频以及预先建立的摄像机监控画面的背景模型,就能够确定出摄像机在监控过程中是否被遮挡,有利于工作人员及时了解摄像机的监控状态,便于对摄像机进行维护。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,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摄像机监控状态的识别方法的流程示意图;
图2为本发明实施例提供的一种子区域划分方式示意图;
图3为本发明实施例提供的一种摄像机监控状态的识别装置的结构示意图。
具体实施方式
本发明实施例提供了一种摄像机监控状态的识别方法、装置、***及计算机可读存储介质,在使用过程中能够确定出摄像机在监控过程中是否被遮挡,有利于工作人员及时了解摄像机的监控状态,便于对摄像机进行维护。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
请参照图1,图1为本发明实施例提供的一种摄像机监控状态的识别方法的流程示意图。该方法包括:
S110:预先建立摄像机监控画面的背景模型;
具体的,摄像机安装完成后,其监控画面的背景基本是固定不变的,因此可以预先根据监控画面中没有物体的监控视频建立摄像机监控画面的背景模型,具体可以在摄像机安装成功后,根据最初的监控画面建立背景模型。
需要说明的是,在实际的视频监控所采集的正常图像中,图像是很清楚的,且图像边缘信息一般较为丰富,而摄像机被遮挡后一般用于遮挡的物体由于距离摄像机镜头很近,导致成像偏向于模糊从而边缘和纹理特征不容易呈现出来。另外若用于遮挡的物体边缘可能存在很清楚的情况,也可以先通过监控画面中没有物体的监控视频简历背景模型,如果摄像机被长时间遮挡,那么被遮挡后摄像机的监控视频与背景模型中的特征值(边缘和纹理特征)差异也会非常大,从而可以确定出摄像机在运行过程中是否被遮挡。
具体的,该方法还可以包括:
预先将摄像机监控范围内的预设区域划分为多个子区域;
具体的,由于摄像机监控画面中的四周区域可能存在边缘区分度不强的情况,而摄像机监控范围的大小也即,摄像机监控画面的大小,因此可以预先将摄像机监控范围的预设区域划分为多个子区域,其中,预设区域可以为摄像机监控范围的中间区域,例如将监控范围的中间区域划分为N*N个子区域,具体可以参照图2。
则相应的,上述预先建立摄像机监控画面的背景模型的过程为:
获取摄像机的初始监控视频,并依据初始监控视频得到每个子区域各自的标准特征值;
将各个子区域各自对应的标准特征值作为摄像机的背景模型;
具体的,初始监控视频为监控画面中不存在物体,只有背景画面的情况,通过对该初始监控视频的处理,能够得到预设区域中每个子区域各自的标准特征值,将各个标准特征值与每个子区域一一对应的存储,构成背景模型,以用于后续对摄像机的监控状态进行判断时的判断标准。
更进一步的,上述依据初始监控视频得到每个子区域各自的标准特征值的过程,具体可以为:
从初始监控视频中获取多个初始监控图像;
将每个初始监控图像按照预设尺寸及预设划分方法进行划分处理,得到与每个子区域各自对应的多个初始子图像;
对每个初始子图像进行处理,得到与每个初始子图像各自对应的初始特征值;
将与同一个子区域对应的各个初始特征值求平均,得到与子区域对应的标准特征值,以得到与每个子区域各自对应的标准特征值。
需要说明的是,本实施例中具体可以从初始监控视频中能够获取多张初始监控图像,由于各个初始视频图像大小的分辨率可能会不一致,因此可以按照预设尺寸对每张初始监控图像的大小进行处理,使处理后的初始监控图像的大小一致,然后将大小统一后的每个初始监控图像中的预设区域部分按照预设划分方式进行划分,得到各个初始子图像,初始监控图像中每个初始子图像对应一个子区域。也即,对于m张初始监控图像来说,一个子区域即对应m个初始子图像,对每个初始子图像进行处理,得到对应的初始特征值,则一个子区域对应的标准特征值就是将与该子区域对应的m个初始特征值求平均后得到的。其中,对于每个初始子图像可以对其进行灰度化处理后,采用拉普拉斯变化和二值化处理,得到初始子图像的初始特征值,其中,初始特征值包括边缘至和纹理值,进一步得到的标准特征值也包括边缘值和纹理值。
具体的,本实施例中的预设尺寸具体可以为300*300,并且,可以对统一尺寸后的初始监控图像中与预先划分的预设区域对应的部分进行划分为多个初始子图像,其中,具体可以将中间区域进行划分,例如将300*300大小的初始监控图像的中间区域200*200的部分划分为N*N个初始子图像,每个初始子图像对应一个子区域。当然,在实际应用中预设尺寸具体可以根据实际情况进行确定,本实施例不做特殊限定。
S120:在摄像机的监控过程中获取实际监控视频;
S130:依据实际监控视频和背景模型判断摄像机在监控过程中是否被遮挡。
具体的,本实施例中具体可以根据摄像机在运行过程中所采集到的实际监控视频与预先建立的背景模型来判断摄像机在监控过程中是否被遮挡,具体如下:获取摄像机的实际监控视频,并依据实际监控视频得到每个子区域各自的实际特征值;
依据各个子区域的实际特征值与对应的标准特征值判断摄像机在监控过程中是否被遮挡。
具体的,根据实际监控视频能够得到每个子区域各自的实际特征值,也即得到各个子区域的实际边缘值和纹理值,然后通过将各个子区域的实际特征值与标准特征值进行比较即可确定出摄像机在监控过程中是否被遮挡。
其中,上述依据实际监控视频得到每个子区域各自的实际特征值的过程为:
从实际监控视频中获取1帧实际监控图像;
将实际监控图像按照预设尺寸及预设划分方法进行划分处理,得到与每个子区域各自对应的实际子图像;
对每个实际子图像进行处理,得到与每个子区域各自对应的实际特征值。
可以理解的是,获取实际监控视频中1帧对应的实际监控图像,并且按照预设尺寸对该实际监控图像进行大小处理,使处理后的实际监控图像的大小与建立背景模型时所采用的初始监控图像大小统一,并且对经过大小处理后的实际监控图像进行划分得到与各个子区域各自对应的实际子图像,其中,预设划分方法与划分预设区域得到各个子区域的方法相同,也即,得到N*N个实际子图像,并且对每个实际子图像进行灰度化处理,并对灰度化后的实际子图像采用拉普拉斯变化和二值化处理,从而提取出每个实际子图像的实际特征值(包括实际边缘值和纹理值),从而得到与每个子区域对应的实际特征值。
则,上述依据各个子区域的实际特征值与对应的标准特征值判断摄像机在监控过程中是否被遮挡的过程为:
将与1帧实际监控图像对应的、各个子区域的实际特征值分别与对应的标准特征值进行匹配,得到与各个子区域各自对应的相似度;
判断各个相似度中小于预设相似度的个数是否达到预设数量,若是,则确定实际监控图像为异常图像;
判断是否存在连续M帧的实际监控图像均为异常图像,若是,则确定摄像机在监控过程中被遮挡,M大于1。
可以理解的是,具体可以按照上述方法获取多帧各自对应的实际监控图像,并得到与每个实际监控图像各自对应的各个实际特征值,也即一个实际监控图像的各个实际特征值分别与每个子区域一一对应。针对一个实际监控图像的各个实际特征值,将每个实际特征值与对应的标准特征值进行匹配,得到各自的相似度,将各个相似度与预设相似度相比较,并记录相似度小于预设相似度的数量,当数量达到预设数量时,则说明该视觉监控图像中存在遮挡摄像机的物体,此时将该视觉监控图像作为异常图像;由于在实际生活中可能存在经过摄像机的物体暂时遮挡了摄像机,或者对于户外安装的摄像机可能由于环境变化例如风吹树叶等情况使物体暂时遮挡住摄像机,对于这种非长时间遮挡摄像机的情况,摄像机能够正常工作,因此,本申请中提出当实际监控视频中连续M帧的实际监控图像均为异常图像时,则判定为摄像机在监控过程中被遮挡。
例如,N=10,也即将预设区域划分为10*10个子区域,预设数量可以为80,预设相似度可以为0.3,则当一个实际视频图像对应的各个实际特征值与对应的标准特征值相似度低于0.3的数量达到80个时,则认为该实际视频图像为异常图像,具体可以当存在连续50帧实际视频图像为异常图像时,认为摄像机在监控过程中被遮挡。
另外,当确定出摄像机在监控过程中被遮挡后,发出告警提示,以便及时提醒工作人员对摄像机进行维护。
可见,本发明通过摄像机在监控过程中获取的实际监控视频以及预先建立的摄像机监控画面的背景模型,就能够确定出摄像机在监控过程中是否被遮挡,有利于工作人员及时了解摄像机的监控状态,便于对摄像机进行维护。
在上述实施例的基础上,本发明是实施例还提供了一种摄像机监控状态的识别装置,具体请参照图3。该装置包括:
建立模块21,用于预先建立摄像机监控画面的背景模型;
获取模块22,用于在摄像机的监控过程中获取实际监控视频;
判断模块23,用于依据实际监控视频和背景模型判断摄像机在监控过程中是否被遮挡。
可选的,该装置还可以包括:
划分模块,用于预先将摄像机监控范围内的预设区域划分为多个子区域;
则,建立模块21包括:
第一提取单元,用于获取摄像机的初始监控视频,并依据初始监控视频得到每个子区域各自的标准特征值;
确定单元,用于将各个子区域各自对应的标准特征值作为摄像机的背景模型;
则,判断模块23包括:
第二提取单元,用于获取摄像机的实际监控视频,并依据实际监控视频得到每个子区域各自的实际特征值;
判断单元,用于依据各个子区域的实际特征值与对应的标准特征值判断摄像机在监控过程中是否被遮挡。
需要说明的是,本实施例中所提供的摄像机监控状态的识别装置具有与上述实施例中所提供的摄像机监控状态的识别方法相同的有益效果,并且对于本实施例中所涉及到的摄像机监控状态的识别方法的具体介绍请参照上述是实施例,本申请在此不再赘述。
在上述实施例的基础上,本发明是实施例还提供了一种摄像机监控状态的识别***,该***包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上述摄像机监控状态的识别方法的步骤。
需要说明的是,本实施例中的处理器具体可以用于实现预先建立摄像机监控画面的背景模型;在摄像机的监控过程中获取实际监控视频;依据实际监控视频和背景模型判断摄像机在监控过程中是否被遮挡。
在上述实施例的基础上,本发明是实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述摄像机监控状态的识别方法的步骤。
该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种摄像机监控状态的识别方法,其特征在于,包括:
预先建立摄像机监控画面的背景模型;
在所述摄像机的监控过程中获取实际监控视频;
依据所述实际监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡。
2.根据权利要求1所述的摄像机监控状态的识别方法,其特征在于,还包括:
预先将所述摄像机监控范围内的预设区域划分为多个子区域;
则,所述预先建立摄像机监控画面的背景模型的过程为:
获取所述摄像机的初始监控视频,并依据所述初始监控视频得到每个所述子区域各自的标准特征值;
将各个所述子区域各自对应的标准特征值作为所述摄像机的背景模型;
则,所述监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡的过程为:
获取所述摄像机的实际监控视频,并依据所述实际监控视频得到每个所述子区域各自的实际特征值;
依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡。
3.根据权利要求2所述的摄像机监控状态的识别方法,其特征在于,所述依据所述初始监控视频得到每个所述子区域各自的标准特征值的过程为:
从所述初始监控视频中获取多个初始监控图像;
将每个所述初始监控图像按照预设尺寸及预设划分方法进行划分处理,得到与每个所述子区域各自对应的多个初始子图像;
对每个所述初始子图像进行处理,得到与每个所述初始子图像各自对应的初始特征值;
将与同一个子区域对应的各个初始特征值求平均,得到与所述子区域对应的标准特征值,以得到与每个所述子区域各自对应的标准特征值。
4.根据权利要求3所述的摄像机监控状态的识别方法,其特征在于,所述依据所述实际监控视频得到每个所述子区域各自的实际特征值的过程为:
从所述实际监控视频中获取1帧实际监控图像;
将所述实际监控图像按照所述预设尺寸及所述预设划分方法进行划分处理,得到与每个所述子区域各自对应的实际子图像;
对每个所述实际子图像进行处理,得到与每个所述子区域各自对应的实际特征值。
5.根据权利要求4所述的摄像机监控状态的识别方法,其特征在于,所述依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡的过程为:
将与1帧实际监控图像对应的、各个所述子区域的实际特征值分别与对应的标准特征值进行匹配,得到与各个所述子区域各自对应的相似度;
判断各个所述相似度中小于预设相似度的个数是否达到预设数量,若是,则确定所述实际监控图像为异常图像;
判断是否存在连续M帧的实际监控图像均为异常图像,若是,则确定所述摄像机在监控过程中被遮挡,M大于1。
6.根据权利要求4所述的摄像机监控状态的识别方法,其特征在于,还包括:
当确定出所述摄像机在监控过程中被遮挡后,发出告警提示。
7.一种摄像机监控状态的识别装置,其特征在于,包括:
建立模块,用于预先建立摄像机监控画面的背景模型;
获取模块,用于在所述摄像机的监控过程中获取实际监控视频;
判断模块,用于依据所述实际监控视频和所述背景模型判断所述摄像机在监控过程中是否被遮挡。
8.根据权利要求7所述的摄像机监控状态的识别装置,其特征在于,还包括:
划分模块,用于预先将所述摄像机监控范围内的预设区域划分为多个子区域;
则,所述建立模块包括:
第一提取单元,用于获取所述摄像机的初始监控视频,并依据所述初始监控视频得到每个所述子区域各自的标准特征值;
确定单元,用于将各个所述子区域各自对应的标准特征值作为所述摄像机的背景模型;
则,所述判断模块包括:
第二提取单元,用于获取所述摄像机的实际监控视频,并依据所述实际监控视频得到每个所述子区域各自的实际特征值;
判断单元,用于依据各个所述子区域的实际特征值与对应的标准特征值判断所述摄像机在监控过程中是否被遮挡。
9.一种摄像机监控状态的识别***,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述摄像机监控状态的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述摄像机监控状态的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606522.8A CN112597952A (zh) | 2020-12-28 | 2020-12-28 | 一种摄像机监控状态的识别方法、装置、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606522.8A CN112597952A (zh) | 2020-12-28 | 2020-12-28 | 一种摄像机监控状态的识别方法、装置、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112597952A true CN112597952A (zh) | 2021-04-02 |
Family
ID=75204166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011606522.8A Pending CN112597952A (zh) | 2020-12-28 | 2020-12-28 | 一种摄像机监控状态的识别方法、装置、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597952A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093117A (zh) * | 2021-10-11 | 2022-02-25 | 北京精英***科技有限公司 | 消防管控方法及其装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
CN105491289A (zh) * | 2015-12-08 | 2016-04-13 | 小米科技有限责任公司 | 防止拍照遮挡的方法及装置 |
JP2017117244A (ja) * | 2015-12-24 | 2017-06-29 | Kddi株式会社 | カメラの撮影画像に映る人物を検出する画像解析装置、プログラム及び方法 |
CN107316312A (zh) * | 2017-06-30 | 2017-11-03 | 深圳信路通智能技术有限公司 | 一种视频图像遮挡检测方法及*** |
CN110636281A (zh) * | 2019-09-23 | 2019-12-31 | 江西憶源多媒体科技有限公司 | 一种基于背景模型的监控摄像头遮挡实时检测方法 |
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
CN111723644A (zh) * | 2020-04-20 | 2020-09-29 | 北京邮电大学 | 一种监控视频遮挡检测方法及*** |
CN111898486A (zh) * | 2020-07-14 | 2020-11-06 | 浙江大华技术股份有限公司 | 监控画面异常的检测方法、装置及存储介质 |
-
2020
- 2020-12-28 CN CN202011606522.8A patent/CN112597952A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637068A (zh) * | 2013-11-14 | 2015-05-20 | 华为技术有限公司 | 视频帧及视频画面遮挡检测方法及装置 |
CN105491289A (zh) * | 2015-12-08 | 2016-04-13 | 小米科技有限责任公司 | 防止拍照遮挡的方法及装置 |
JP2017117244A (ja) * | 2015-12-24 | 2017-06-29 | Kddi株式会社 | カメラの撮影画像に映る人物を検出する画像解析装置、プログラム及び方法 |
CN107316312A (zh) * | 2017-06-30 | 2017-11-03 | 深圳信路通智能技术有限公司 | 一种视频图像遮挡检测方法及*** |
CN110636281A (zh) * | 2019-09-23 | 2019-12-31 | 江西憶源多媒体科技有限公司 | 一种基于背景模型的监控摄像头遮挡实时检测方法 |
CN111027398A (zh) * | 2019-11-14 | 2020-04-17 | 深圳市有为信息技术发展有限公司 | 行车记录仪视频遮挡检测方法 |
CN111723644A (zh) * | 2020-04-20 | 2020-09-29 | 北京邮电大学 | 一种监控视频遮挡检测方法及*** |
CN111898486A (zh) * | 2020-07-14 | 2020-11-06 | 浙江大华技术股份有限公司 | 监控画面异常的检测方法、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093117A (zh) * | 2021-10-11 | 2022-02-25 | 北京精英***科技有限公司 | 消防管控方法及其装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288027B (zh) | 一种图像质量的检测方法、装置及设备 | |
US9064316B2 (en) | Methods of content-based image identification | |
EP2093697B1 (en) | Method and arrangement for retrieving information comprised in a barcode | |
JP5701005B2 (ja) | 物体検知装置、物体検知方法、監視カメラシステム、およびプログラム | |
CN111339979B (zh) | 基于特征提取的图像识别方法及图像识别装置 | |
WO2022170702A1 (zh) | 模具的状态监测方法、装置、工控机、存储介质及*** | |
CN108280386B (zh) | 监控场景检测方法及装置 | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
CN111222506B (zh) | 颜色识别方法、设备及计算机可读存储介质 | |
CN110458790B (zh) | 一种图像检测方法、装置及计算机存储介质 | |
KR102006763B1 (ko) | Cctv 영상을 이용한 도로 혼잡도 분석 방법 및 시스템 | |
EP2874100A2 (en) | Slow change detection system | |
KR20130000828A (ko) | 얼굴 피쳐 검출 방법 | |
CN114049499A (zh) | 用于连续轮廓的目标对象检测方法、设备及存储介质 | |
CN112597952A (zh) | 一种摄像机监控状态的识别方法、装置、***及存储介质 | |
CN113808087A (zh) | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 | |
CN113963153A (zh) | 车辆识别方法、装置、设备及存储介质 | |
CN110855876A (zh) | 一种图像处理方法、终端及计算机存储介质 | |
CN111462188A (zh) | 摄像头移动检测方法和*** | |
CN115690892B (zh) | 一种眯眼识别方法、装置、电子设备及存储介质 | |
JP6444331B2 (ja) | 対象識別装置 | |
CN115661131B (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
CN116452676A (zh) | 一种摄像头标定方法、装置、设备及可读存储介质 | |
KR101384784B1 (ko) | 모바일 기기 카메라 화면의 사물 위치 판단 방법 | |
CN115512381A (zh) | 文本识别方法、装置、设备、存储介质及作业机械 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210402 |