CN112784738A - 运动目标检测告警方法、装置以及计算机可读存储介质 - Google Patents

运动目标检测告警方法、装置以及计算机可读存储介质 Download PDF

Info

Publication number
CN112784738A
CN112784738A CN202110083706.9A CN202110083706A CN112784738A CN 112784738 A CN112784738 A CN 112784738A CN 202110083706 A CN202110083706 A CN 202110083706A CN 112784738 A CN112784738 A CN 112784738A
Authority
CN
China
Prior art keywords
detection
frame
detection frame
target
image
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
Application number
CN202110083706.9A
Other languages
English (en)
Other versions
CN112784738B (zh
Inventor
朱蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Yunconghuilin Artificial Intelligence Technology Co ltd
Original Assignee
Shanghai Yunconghuilin Artificial Intelligence Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Yunconghuilin Artificial Intelligence Technology Co ltd filed Critical Shanghai Yunconghuilin Artificial Intelligence Technology Co ltd
Priority to CN202110083706.9A priority Critical patent/CN112784738B/zh
Publication of CN112784738A publication Critical patent/CN112784738A/zh
Application granted granted Critical
Publication of CN112784738B publication Critical patent/CN112784738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体提供了一种运动目标检测告警方法、装置及介质，旨在解决如何利用光照条件较差环境下的图像准确识别运动物体的技术问题。为此目的，根据本发明实施例的方法，可以分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框，对第一待处理检测框进行轨迹连接形成运动轨迹，对第二待处理检测框进行检测框位置的统计分析，获取运动目标的运动区域，克服了光照条件较差容易导致运动目标漏检的缺陷，显著提高了对图像进行运动目标检测的准确性。

Description

运动目标检测告警方法、装置以及计算机可读存储介质
技术领域
本发明涉及图像处理技术领域，具体涉及一种运动目标检测告警方法、装置以及计算机可读存储介质。
背景技术
在安全等级要求较高的区域如铁路、军事基地等区域通常会设置周界入侵报警***进行外物如行人的入侵检测与报警，以防止非法的入侵与破坏。目前常规的检测方法主要是对目标区域内图像采集装置采集到的图像进行行人检测，根据行人检测的结果判断是否有行人进入到目标区域。然而，在光照条件较差如夜晚或树木山林遮挡等环境下，会导致图像采集装置采集的图像质量下降(例如：图像亮度降低、图像模糊度增加等)，进而影响对图像进行行人检测的准确性，导致误报警或漏报警。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何利用光照条件较差环境下的图像准确识别运动物体的技术问题的运动目标检测告警方法、装置以及计算机可读存储介质。
第一方面，提供一种运动目标检测告警方法，所述方法包括：分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框；针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框；按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个所述目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹；对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域；根据所述运动轨迹和/或所述运动目标的运动区域，进行告警。
在上述运动目标检测告警方法的技术方案中，“获取每帧检测图像的目标检测框”的步骤具体包括：获取当前检测图像的当前亮度以及所述当前检测图像之前连续多帧检测图像的历史亮度，判断所述当前亮度与所述历史亮度的亮度变化量是否大于等于预设的变化量阈值；若是，则不对所述当前检测图像进行运动目标检测；若否，则采用前景检测算法获取所述当前检测图像中的前景像素；对所述前景像素进行区域连通，以形成一个或多个像素群；获取每个所述像素群的外接矩形框以及每个所述外接矩形框的尺寸；根据所述尺寸获取与预设的目标尺寸一致的外接矩形框并且将所述外接矩形框设定为所述当前检测图像的目标检测框；其中，所述预设的目标尺寸是根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用所述当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。
在上述运动目标检测告警方法的技术方案中，在“将所述外接矩形框设定为所述当前检测图像的目标检测框”的步骤之后，所述方法还包括通过下列方式对所述目标检测框进行合并处理：从所述目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框；根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框；计算所述第一待合并检测框与所述第二待合并检测框的合并收益值；根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理；其中，所述合并收益值是所述第一待合并检测框与所述第二待合并检测框的面积累加和，以及所述第一待合并检测框与所述第二待合并检测框合并后形成的新检测框的面积的比值；
并且/或者，在“将所述外接矩形框设定为所述当前检测图像的目标检测框”的步骤之后，所述方法还包括通过下列方式对所述目标检测框进行过滤处理：根据所述当前检测图像中目标检测框的检测框状态信息，以及所述当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算所述当前检测图像中每个目标检测框的状态变化值；若所述状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；其中，所述检测框状态信息包括目标检测框的亮度、尺寸和位置，所述状态变化值包括亮度变化值、尺寸变化值和移动速度，所述预设的变化阈值包括亮度变化阈值、尺寸变化阈值和移动速度阈值；和/或，获取所述当前检测图像中所有目标检测框的面积和，计算所述面积和与所述当前检测图像的图像面积的比值；若所述比值大于等于预设的比值阈值，则删除所述当前检测图像中的所有目标检测框；和/或，获取所述当前检测图像中每个目标检测框的长宽比，判断所述长宽比与预设的运动目标的长宽比是否一致；若不一致，则删除相应的目标检测框。
在上述运动目标检测告警方法的技术方案中，“根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框”的步骤具体包括：步骤S11：将所述其他目标检测框设定为待筛选检测框；步骤S12：采用最近邻算法从待筛选检测框中获取K个所述第一待合并检测框的最近邻检测框，K≥1；步骤S13：判断每个所述最近邻检测框与所述第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框；若当前最近邻检测框对应的距离大于等于所述预设的距离阈值，则将所述当前最近邻检测框设定为初始的第二待合并检测框并且将所述当前最近邻检测框从所述待筛选检测框中删除，以更新所述待筛选检测框；步骤S14：判断所述初始的第二待合并检测框的数量是否为K；若是，则将所述初始的第二待合并检测框设定为最终的第二待合并检测框；若否，则转至步骤S15；步骤S15：判断所述更新后的待筛选检测框的数量是否为零；若是，则按照所述第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框；若否，则转至所述步骤S12并且根据所述更新后的待筛选检测框执行所述步骤S12；
并且/或者，“根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理”的步骤具体包括：步骤S21：将所述第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集；步骤S22：获取初始检测框集内检测框合并后的合并收益值B1；若B1≥B1th，则对所述初始检测框集内的检测框进行合并处理；若B1＜B1th，则转至步骤S23；其中，所述B1th是收益阈值且B1th＝A·Bn-1，所述A和B均是预设的阈值系数，所述n是所述初始检测框集的检测框数量；步骤S23：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值并且从每个所述子检测框集对应的合并收益值中获取最大的合并收益值B2，其中，每个所述子检测框集之间相差一个不同的被删除检测框；若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若B2＜B2th，则转至步骤S24；其中，所述B2th是收益阈值且B2th＝A·Bn′-1，所述n′是所述B2对应的子检测框集的检测框数量；步骤S24：判断所述B2对应的子检测框集内是否包含所述第一待合并检测框；若是，则转至步骤S25；若否，则不对所述第一待合并检测框与所述第二待合并检测框进行合并处理；步骤S25：将所述B2对应的子检测框集重新设定为初始检测框集后转至步骤S23，并且根据所述重新设定的初始检测框集执行步骤S23。
在上述运动目标检测告警方法的技术方案中，“获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框”的步骤具体包括：将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益；将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框；其中，所述指派增益表示所述历史检测框与所述当前检测图像中的目标检测框属于同一运动轨迹的可信程度，所述指派增益的数值与所述可信程度的大小成正相关关系。
在上述运动目标检测告警方法的技术方案中，“计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益”的步骤具体包括：
按照下式所示的方法计算每个历史检测框对应的指派增益：
gainfinal_(i，j)＝α0·gainorg_(i，j)+α1·Si，j+α2·(1-Δ1_(i，j))
+α3·(1-Δ2_(i，j))+α4·(1-Δ3_(i，j))
其中，所述gainfinal(i，j)表示第i个历史检测框与所述当前检测图像中第j个目标检测框的交并比，所述Si，j表示所述第i个历史检测框的方向向量与所述第j个目标检测框的方向向量的方向余弦；所述Δ1_(i，j)表示检测框面积的变化程度且
Figure BDA0002910200420000031
所述Δarea_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的面积差值，所述areaj表示所述第j个目标检测框的面积；所述Δ2_(i，j)表示检测框亮度的变化程度且
Figure BDA0002910200420000032
所述Δbright_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的亮度差值，所述brightj表示所述第j个目标检测框的亮度；所述Δ3_(i，j)表示检测框色调的变化程度且
Figure BDA0002910200420000033
所述Δhue_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的色调差值，所述huej表示所述第j个目标检测框的色调值。
在上述运动目标检测告警方法的技术方案中，“根据所述运动轨迹和/或所述运动目标的运动区域，进行告警”的具体包括：根据所述运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析所述运动轨迹是否属于所述预设的运动目标的运动轨迹；当所述运动轨迹属于所述预设的运动目标的运动轨迹时，继续根据所述比较结果分析所述预设的运动目标是否发生行动异常，根据分析的结果和/或所述运动目标的运动区域，进行告警；若所述运动轨迹不属于所述预设的运动目标的运动轨迹时，根据所述运动目标的运动区域，进行告警。
在上述运动目标检测告警方法的技术方案中，“对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域”的步骤具体包括：获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框；根据每个所述第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇；获取每个所述聚类簇中第二待处理检测框的密度；获取密度大于等于预设密度阈值的聚类簇，将所述聚类簇对应的区域设定为所述运动目标的运动区域；
并且/或者，“对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域”的步骤具体包括：获取每帧检测图像对应的第二待处理检测框；以每个所述第二待处理检测框的长与宽为二维变量，获取每个所述第二待处理检测框对应的二维高斯分布函数；采用所述二维高斯分布函数分别获取每个所述第二待处理检测框中每个坐标位置的概率值并且根据所述概率值构建全景概率图，其中，所述全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值；获取所述全局概率图中概率值大于等于预设概率阈值的像素点位置，将所述像素点位置对应的区域设定为所述运动目标的运动区域；其中，所述全局概率图与所述检测图像的尺寸相同。
在上述运动目标检测告警方法的技术方案中，“构建全景概率图”的步骤具体包括：步骤S31：在对当前检测图像进行运动目标检测之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图；步骤S32：判断是否获取到与所述当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若是，则转至步骤S33；若否，则将下一帧检测图像重新设定为当前检测图像后转至步骤S31，并且根据所述重新设定的当前检测图像执行步骤S31；步骤S33：采用所述第二待处理检测框对应的二维高斯分布函数，获取所述第二待处理检测框中每个坐标位置的概率值；步骤S34：根据所述第二待处理检测框中每个所述坐标位置与所述待更新全局概率图中每个像素点位置的对应关系，将每个所述坐标位置的概率值分别累加至相应的每个所述像素点位置存储的概率值上，以更新每个所述像素点位置存储的概率值，得到再次更新后的全局概率图；步骤S35：将所述再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤S31，并且根据所述重新设定的待更新全局概率图与所述重新设定的当前检测图像执行步骤S31。
第二方面，提供一种运动目标检测告警装置，所述装置包括：目标检测框获取模块，其被配置成分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框；待处理检测框获取模块，其被配置成针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框；运动轨迹生成模块，其被配置成按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个所述目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹；运动区域获取模块，其被配置成对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域；告警模块，其被配置成根据所述运动轨迹和/或所述运动目标的运动区域，进行告警。
在上述运动目标检测告警装置的技术方案中，所述目标检测框获取模块被进一步配置成执行以下操作：获取当前检测图像的当前亮度以及所述当前检测图像之前连续多帧检测图像的历史亮度，判断所述当前亮度与所述历史亮度的亮度变化量是否大于等于预设的变化量阈值；若是，则不对所述当前检测图像进行运动目标检测；若否，则采用前景检测算法获取所述当前检测图像中的前景像素；对所述前景像素进行区域连通，以形成一个或多个像素群；获取每个所述像素群的外接矩形框以及每个所述外接矩形框的尺寸；根据所述尺寸获取与预设的目标尺寸一致的外接矩形框并且将所述外接矩形框设定为所述当前检测图像的目标检测框；其中，所述预设的目标尺寸是根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用所述当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。
在上述运动目标检测告警装置的技术方案中，所述装置还包括目标检测框合并模块和/或目标检测框过滤模块；所述目标检测框合并模块包括第一待合并检测框获取子模块、第二待合并检测框获取子模块、合并收益值计算子模块和合并处理子模块；所述第一待合并检测框获取子模块被配置成从所述目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框；所述第二待合并检测框获取子模块被配置成根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框；所述合并收益值计算子模块被配置成计算所述第一待合并检测框与所述第二待合并检测框的合并收益值；所述合并处理子模块被配置成根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理；其中，所述合并收益值是所述第一待合并检测框与所述第二待合并检测框的面积累加和，以及所述第一待合并检测框与所述第二待合并检测框合并后形成的新检测框的面积的比值；所述目标检测框过滤模块包括第一过滤子模块和/或第二过滤子模块和/或第三过滤子模块；所述第一过滤子模块被配置成根据所述当前检测图像中目标检测框的检测框状态信息，以及所述当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算所述当前检测图像中每个目标检测框的状态变化值；若所述状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；其中，所述检测框状态信息包括目标检测框的亮度、尺寸和位置，所述状态变化值包括亮度变化值、尺寸变化值和移动速度，所述预设的变化阈值包括亮度变化阈值、尺寸变化阈值和移动速度阈值；所述第二过滤子模块被配置成获取所述当前检测图像中所有目标检测框的面积和，计算所述面积和与所述当前检测图像的图像面积的比值；若所述比值大于等于预设的比值阈值，则删除所述当前检测图像中的所有目标检测框；所述第三过滤子模块被配置成获取所述当前检测图像中每个目标检测框的长宽比，判断所述长宽比与预设的运动目标的长宽比是否一致；若不一致，则删除相应的目标检测框。
在上述运动目标检测告警装置的技术方案中，所述第二待合并检测框获取子模块被进一步配置成执行以下操作：步骤S11：将所述其他目标检测框设定为待筛选检测框；步骤S12：采用最近邻算法从待筛选检测框中获取K个所述第一待合并检测框的最近邻检测框，K≥1；步骤S13：判断每个所述最近邻检测框与所述第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框；若当前最近邻检测框对应的距离大于等于所述预设的距离阈值，则将所述当前最近邻检测框设定为初始的第二待合并检测框并且将所述当前最近邻检测框从所述待筛选检测框中删除，以更新所述待筛选检测框；步骤S14：判断所述初始的第二待合并检测框的数量是否为K；若是，则将所述初始的第二待合并检测框设定为最终的第二待合并检测框；若否，则转至步骤S15；步骤S15：判断所述更新后的待筛选检测框的数量是否为零；若是，则按照所述第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框；若否，则转至所述步骤S12并且根据所述更新后的待筛选检测框执行所述步骤S12；
所述合并处理子模块被进一步配置成执行以下操作：步骤S21：将所述第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集；步骤S22：获取初始检测框集内检测框合并后的合并收益值B1；若B1≥B1th，则对所述初始检测框集内的检测框进行合并处理；若B1＜B1th，则转至步骤S23；其中，所述B1th是收益阈值且B1th＝A·Bn-1，所述A和B均是预设的阈值系数，所述n是所述初始检测框集的检测框数量；步骤S23：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值并且从每个所述子检测框集对应的合并收益值中获取最大的合并收益值B2，其中，每个所述子检测框集之间相差一个不同的被删除检测框；若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若B2＜B2th，则转至步骤S24；其中，所述B2th是收益阈值且B2th＝A·Bn′-1，所述n′是所述B2对应的子检测框集的检测框数量；步骤S24：判断所述B2对应的子检测框集内是否包含所述第一待合并检测框；若是，则转至步骤S25；若否，则不对所述第一待合并检测框与所述第二待合并检测框进行合并处理；步骤S25：将所述B2对应的子检测框集重新设定为初始检测框集后转至步骤S23，并且根据所述重新设定的初始检测框集执行步骤S23。
在上述运动目标检测告警装置的技术方案中，所述待处理检测框获取模块包括指派增益计算子模块和待处理检测框获取子模块；所述指派增益计算子模块被配置成将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益；所述待处理检测框获取子模块被配置成将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框；其中，所述指派增益表示所述历史检测框与所述当前检测图像中的目标检测框属于同一运动轨迹的可信程度，所述指派增益的数值与所述可信程度的大小成正相关关系。
在上述运动目标检测告警装置的技术方案中，所述指派增益计算子模块被进一步配置成按照下式所示的方法计算每个历史检测框对应的指派增益：
gainfinal_(i，j)＝α0·gainorg_(i，j)+α1·Si，j+α2·(1-Δ1_(i，j))
+α3·(1-Δ2_(i，j))+α4·(1-Δ3_(i，j))
其中，所述gainfinal(i，j)表示第i个历史检测框与所述当前检测图像中第j个目标检测框的交并比，所述Si，j表示所述第i个历史检测框的方向向量与所述第j个目标检测框的方向向量的方向余弦；所述Δ1_(i，j)表示检测框面积的变化程度且
Figure BDA0002910200420000061
所述Δarea_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的面积差值，所述areaj表示所述第j个目标检测框的面积；所述Δ2_(i，j)表示检测框亮度的变化程度且
Figure BDA0002910200420000062
所述Δbright_(i，j)表示所述第l个历史检测框与所述第j个目标检测框的亮度差值，所述brightj表示所述第j个目标检测框的亮度；所述Δ3_(i，j)表示检测框色调的变化程度且
Figure BDA0002910200420000063
所述Δhue_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的色调差值，所述huej表示所述第j个目标检测框的色调值。
在上述运动目标检测告警装置的技术方案中，所述告警模块被进一步配置成执行以下操作：根据所述运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析所述运动轨迹是否属于所述预设的运动目标的运动轨迹；当所述运动轨迹属于所述预设的运动目标的运动轨迹时，继续根据所述比较结果分析所述预设的运动目标是否发生行动异常，根据分析的结果和/或所述运动目标的运动区域，进行告警；若所述运动轨迹不属于所述预设的运动目标的运动轨迹时，根据所述运动目标的运动区域，进行告警。
在上述运动目标检测告警装置的技术方案中，所述运动区域获取模块包括第一运动区域获取子模块和/或第二运动区域获取子模块；所述第一运动区域获取子模块被配置成执行以下操作：获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框；根据每个所述第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇；获取每个所述聚类簇中第二待处理检测框的密度；获取密度大于等于预设密度阈值的聚类簇，将所述聚类簇对应的区域设定为所述运动目标的运动区域；所述第二运动区域获取子模块被配置成执行以下操作：获取每帧检测图像对应的第二待处理检测框；以每个所述第二待处理检测框的长与宽为二维变量，获取每个所述第二待处理检测框对应的二维高斯分布函数；采用所述二维高斯分布函数分别获取每个所述第二待处理检测框中每个坐标位置的概率值并且根据所述概率值构建全景概率图，其中，所述全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值；获取所述全局概率图中概率值大于等于预设概率阈值的像素点位置，将所述像素点位置对应的区域设定为所述运动目标的运动区域；其中，所述全局概率图与所述检测图像的尺寸相同。
在上述运动目标检测告警装置的技术方案中，所述第二运动区域获取子模块被进一步配置成通过执行下列操作构建全景概率图：步骤S31：在对当前检测图像进行运动目标检测之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图；步骤S32：判断是否获取到与所述当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若是，则转至步骤S33；若否，则将下一帧检测图像重新设定为当前检测图像后转至步骤S31，并且根据所述重新设定的当前检测图像执行步骤S31；步骤S33：采用所述第二待处理检测框对应的二维高斯分布函数，获取所述第二待处理检测框中每个坐标位置的概率值；步骤S34：根据所述第二待处理检测框中每个所述坐标位置与所述待更新全局概率图中每个像素点位置的对应关系，将每个所述坐标位置的概率值分别累加至相应的每个所述像素点位置存储的概率值上，以更新每个所述像素点位置存储的概率值，得到再次更新后的全局概率图；步骤S35：将所述再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤S31，并且根据所述重新设定的待更新全局概率图与所述重新设定的当前检测图像执行步骤S31。
第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述运动目标检测告警方法的技术方案中任一项技术方案所述的运动目标检测告警方法。
第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述运动目标检测告警方法的技术方案中任一项技术方案所述的运动目标检测告警方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
常规的图像目标检测方法在对光照条件较差如夜晚或树木山林遮挡等环境下的低质量图像(图像亮度降低、图像模糊度增加等)进行检测时，往往无法准确地进行图像目标检测。而在实施本发明的技术方案中，无论图像质量高低，都可以通过下列步骤准确地进行图像目标检测：首先分别对每帧检测图像进行运动目标检测得到每帧检测图像的目标检测框，然后针对每帧检测图像分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框。最后对于存在同一轨迹关联关系的第一待处理检测框进行轨迹连接形成运动目标的运动轨迹，对于没有轨迹关联关系的第二待处理检测框进行检测框位置的统计分析，获取运动目标的运动区域，根据上述得到的运动轨迹和/或运动区域进行告警。在光照条件较差的环境下，图像质量下降可能会导致检测到的运动轨迹是断断续续的，无法形成一条或多条完整的运动轨迹，因而很容易漏检运动目标。而本发明实施例通过对没有轨迹关联关系的第二待处理检测框进行检测框位置的统计分析，能够得出运动目标的运动区域(存在运动目标概率较大的区域)，克服了上述容易发生运动目标漏检的缺陷，因而即使在光照条件较差的环境下本发明实施例也能够准确得出运动目标的运动轨迹和行动区域，显著提高了对图像进行运动目标检测的准确性。
附图说明
下面参照附图来描述本发明的具体实施方式，附图中：
图1是根据本发明的一个实施例的运动目标检测告警方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的目标检测框获取方法的主要步骤流程示意图；
图3是根据本发明的一个实施例的对目标检测框进行合并处理的方法的主要步骤流程示意图；
图4是图3所示方法中获取第二待合并检测框的方法的主要步骤流程示意图；
图5是图3所示方法中根据收益值比较结果进行待合并检测框合并处理的方法的主要步骤流程示意图；
图6是根据本发明的一个实施例的第二待处理检测框在检测图像中的每个位置坐标的示意图；
图7是根据本发明的一个实施例的第二待处理检测框中每个坐标位置的概率值的示意图；
图8是根据本发明的一个实施例的运动目标检测告警装置的主要结构框图。
附图标记列表：
11：目标检测框获取模块；12：待处理检测框获取模块；13：运动轨迹生成模块；14：运动区域获取模块；15：告警模块。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前常规的周界入侵检测方法主要是对目标区域内图像采集装置采集到的图像进行行人检测，根据行人检测的结果判断是否有行人进入到目标区域。然而，在光照条件较差如夜晚或树木山林遮挡等环境下会导致图像采集装置采集的图像质量下降(例如：图像亮度降低、图像模糊度增加等)，进而影响对图像进行行人检测的准确性。在本发明实施例中，可以分别对每帧检测图像进行运动目标检测得到每帧检测图像的目标检测框，然后针对每帧检测图像分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框。最后对于存在同一轨迹关联关系的第一待处理检测框进行轨迹连接形成运动目标的运动轨迹，对于没有轨迹关联关系的第二待处理检测框进行检测框位置的统计分析，获取运动目标的运动区域，根据上述得到的运动轨迹和/或运动区域进行告警。在光照条件较差的环境下，图像质量下降可能会导致检测到的运动轨迹是断断续续的，无法形成一条或多条完整的运动轨迹，因而很容易漏检运动目标。而本发明实施例通过对没有轨迹关联关系的第二待处理检测框进行检测框位置的统计分析，能够得出运动目标的运动区域(存在运动目标概率较大的区域)，克服了上述容易发生运动目标漏检的缺陷，因而即使在光照条件较差的环境下本发明实施例也能够准确得出运动目标的运动轨迹和行动区域，显著提高了对图像进行运动目标检测的准确性。
在本发明的一个应用场景的例子中，某段铁路的后台服务器中设置有铁路监控***(该***不具备铁路周界行人入侵监控功能)，为了满足该***的监控需求，这段铁路的沿线附近部署了大量的红外图像采集装置。当需要对上述铁路监控***进行功能升级，使其能够对这段铁路进行铁路周界行人入侵监控时，可以在上述铁路监控***中设置能够执行根据本发明的一个实施例的运动目标检测告警方法的装置，该装置可以获取上述铁路沿线附近已经部署的图像采集装置采集到的图像并且将这些图像作为检测图像进行运动目标检测，根据检测结果获取行人的运动轨迹和/或存在行人的运动区域。如果检测到行人的运动轨迹和/或存在行人的运动区域，则输出相应的告警信息，以便于铁路监控人员能够及时采取有效的安全防护措施，保证行人安全以及铁路的正常运行。
参阅附图1，图1是根据本发明的一个实施例的运动目标检测告警方法的主要步骤流程示意图。如图1所示，本发明实施例中的运动目标检测告警方法主要包括以下步骤：
步骤S101：分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框。检测图像指的是图像检测区域的图像，图像检测区域指的是图像采集装置能够进行图像采集的目标区域如铁路周界、车站等。目标检测框指的是能够标识检测图像中运动目标的信息，例如目标检测框可以是运动目标的边界信息。若采用图像处理技术领域中常规的检测框获取方法检测图像中的目标检测框，往往会导致一部分目标检测框之间存在交叠情况，因此在获取到目标检测框之后还要对目标检测框进行合并处理。在合并处理时针对每个目标检测框都要将其与其他目标检测框进行逐一比较，以确定与每个目标检测框进行合并的检测框。而经合并形成的新检测框作为上述其他目标检测框继续参与下一个目标检测框的合并处理，以确定与所述下一个目标检测框进行合并的检测框。通过上述分析可知，常规的检测框获取方法复杂度较高，需要耗费较长时间才能准确获取检测图像中的目标检测框。对此，本发明实施例采用前景检测算法分别获取检测图像中的前景像素，然后对前景像素进行区域连通形成一个或多个像素群，将每个像素群的外接矩形框设定为检测图像中运动目标的目标检测框。由于像素群之间几乎不存在交叠情况，因此根据像素群获取到的目标检测框也基本没有交叠情况，也就无需再针对上述问题进行检测框合并，从而极大的节省了检测框的获取时间，在提高目标检测框准确性的基础上还提高了检测框的获取效率。具体而言，一个实施方式中，参阅附图2，针对每帧检测图像均可以通过下列步骤S201-步骤S207获取检测图像中的目标检测框：
步骤S201：获取当前检测图像的当前亮度以及当前检测图像之前连续多帧检测图像的历史亮度。当前检测图像之前连续多帧检测图像的历史亮度包括但不限于：所述连续多帧检测图像的平均亮度，所述连续多帧检测图像中的最大亮度，所述连续多帧检测图像中的最小亮度等等。当前检测图像之前连续多帧检测图像的数量可以是本领域技术人员根据实际需求灵活设置的，例如数量是5，若当前检测图像是第16帧检测图像，那么当前检测图像之前连续多帧检测图像可以是第11-15帧检测图像。
步骤S202：判断所述当前亮度与历史亮度的亮度变化量是否大于等于预设的变化量阈值。若亮度变化量大于等于预设的变化量阈值，则转至步骤S207；若亮度变化量小于预设的变化量阈值，则转至步骤S203。当亮度变化量大于等于预设的变化量阈值时，表明当前检测图像的亮度与当前检测图像之前连续多帧检测图像的亮度存在较大差异，这可能是由于在采集当前检测图像时环境光线发生明显变化导致的，如果继续使用当前检测图像进行运动目标检测，可能无法准确检测出目标检测框，不仅浪费检测时间，还可能会影响后续步骤中使用检测出的目标检测框进行运动轨迹和/或运动目标的运动区域的分析，因此在判断出亮度变化量大于等于预设的变化量阈值时，可以跳过当前检测图像，继续对下一帧检测图像进行运动目标检测。预设的变化量阈值可以是本领域技术人员根据实际需求灵活设置的，只要能够通过与变化量阈值进行比较，判断出当前检测图像的当前亮度与当前检测图像之前连续多帧检测图像的历史亮度是否相差较大即可。
步骤S203：采用前景检测算法获取当前检测图像中的前景像素。需要说明的是，在本实施例中可以采用图像处理技术领域中常规的前景检测算法获取检测图像中的前景像素，前景检测算法包括但不限于：Vibe算法。为了描述简洁，在此不再对上述前景检测算法的运算原理和具体运算过程进行赘述。
步骤S204：对前景像素进行区域连通，以形成一个或多个像素群。在本实施方式中，首先采用前景检测算法分别获取当前检测图像中的前景像素和背景像素，根据每个前景像素与每个背景像素构建0-1二值图像，在构建的0-1二值图像中前景像素的像素值是1，背景像素的像素值是0。然后对0-1二值图像进行图像形态学处理例如先对0-1二值图像进行开处理再进行闭处理，根据图像形态学处理的结果获取像素群。需要说明的是，虽然本发明实施例仅提供了先进行开处理再进行闭处理以获取像素群这一具体的实施方式，但是本领域技术人员能够理解的是，本发明的保护范围并不局限于这一具体的实施方式，只要能够对前景像素进行区域连通形成像素群，对上述图像形态学处理方式进行更改或替换后的方案均落入本发明的保护范围之内。
步骤S205：获取每个像素群的外接矩形框以及每个外接矩形框的尺寸。在本实施方式中可以获取像素群的最小外接矩形框，也可以获取其他尺寸的外接矩形框。
步骤S206：获取与预设的目标尺寸一致的外接矩形框并且将该外接矩形框设定为当前检测图像的目标检测框。若预设的目标尺寸是具体数值，那么与预设的目标尺寸一致指的是，外接矩形框的尺寸与预设的目标尺寸之间的尺寸差值小于等于预设的差值阈值，该差值阈值可以是本领域技术人员根据实际需求灵活设置的，只要能够通过差值阈值能够判断出外接矩形框的尺寸与预设的目标尺寸比较接近即可。若预设的目标尺寸是数值区间，那么与预设的目标尺寸一致指的是，外接矩形框的尺寸落入到上述数值区间内。预设的目标尺寸指的是，根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。运动目标的实际活动检测范围可以是根据监控需求灵活设置的，例如监控需求是监控便利店内的人员，那么可以根据便利店的面积设置运动目标的实际活动检测范围。如果便利店的面积是10平方米，那么运动目标的实际活动检测范围可以设置成10平方米。在本实施方式中，可以根据运动目标的实际尺寸、运动目标的实际活动检测范围和检测图像的尺寸，设置预设的目标尺寸中的最小目标尺寸和/或最大目标尺寸。一个例子：若运动目标的实际活动检测范围是10平方米，运动目标的实际尺寸是1-2米(如运动目标是人)，那么根据检测图像的尺寸，设置预设的目标尺寸中的最小目标尺寸是24像素。当外接矩形框的尺寸小于24像素时，表明这个外接矩形框表示的像素群与运动目标无关，因此可以直接删除这个外接矩形框。进一步地，在根据运动目标的实际尺寸、运动目标的实际活动检测范围和检测图像的尺寸，设置好最小目标尺寸和/或最大目标尺寸之后，还可以根据采用当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸对上述最小目标尺寸和/或最大目标尺寸进行调整。继续参阅上述的例子，如果采用当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸位于50-200像素之间，那么可以将最小目标尺寸是24像素调整为35像素，减少对尺寸小于35像素的目标检测框的分析判断，以节省执行本发明实施例的运动目标检测框告警方法的计算机设备的计算能力。
步骤S207：不对当前检测图像进行运动目标检测。通过上述步骤S201-步骤S207，可以从检测图像的前景像素中快速且准确地获取到运动目标的目标检测框，并且这些目标检测框基本是没有交叠的检测框，从而无需再逐一对每个目标检测框进行合并处理分析，极大地提高了目标检测框的获取效率。
在实际应用中，在对光线条件较差或光线发生突变的情况下采集到的图像进行运动目标检测时，由于光线的影响运动目标中不同区域的亮度差别可能会较大，进而在对运动目标进行检测时可能得到多个距离较近的目标检测框，这些目标检测框实际指代的是同一个运动目标。此外，还可能导致一些目标检测框的尺寸远大于正常的目标检测框的尺寸，这些目标检测框已经失去了进行运动轨迹分析以及运动区域确定的价值，因此需要将这些目标检测框过滤掉。因此，在通过上述步骤S201-步骤S207获取到检测图像中的目标检测框之后，还需要判断是否对这些目标检测框进行合并处理，以降低图像采集环境对运动目标检测的影响，而为了提高合并处理的效率，避免对每个目标检测框都进行合并处理分析，可以对面积较小且附近存在其他检测框的目标检测框进行合并处理。同时，在通过上述步骤S201-步骤S207获取到检测图像中的目标检测框之后，还要对尺寸和/或亮度等波动较大的目标检测框进行过滤，以提高运动轨迹分析以及运动区域确定的准确性。
一、目标检测框的合并处理
一个实施方式中，参阅附图3，针对每帧检测图像均可以通过下列步骤S301-步骤S304对每帧检测图像中的目标检测框进行合并处理：
步骤S301：从目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框。需要说明的是，本领域技术人员可以根据实际需求灵活设置预设面积阈值的具体数值，只要能够通过与预设面积阈值进行数值比较，确定出面积较小的目标检测框即可。步骤S302：根据第一待合并检测框与当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框。其中，第二待合并检测框指的是与第一待合并检测框距离较近的目标检测框。步骤S303：计算第一待合并检测框与第二待合并检测框的合并收益值。合并收益值指的是第一待合并检测框与第二待合并检测框的面积累加和，以及第一待合并检测框与第二待合并检测框合并后形成的新检测框的面积的比值。步骤S304：根据合并收益值与预设的收益阈值的比较结果，选择性地对第一待合并检测框与第二待合并检测框进行合并处理。如果合并收益值大于预设的收益阈值，则表明第一待合并检测框与第二待合并检测框的面积累加和，在第一待合并检测框与第二待合并检测框合并后形成的新检测框的面积中的占比较大，可以将第一待合并检测框与第二待合并检测框合并形成新的检测框；如果合并收益值小于收益阈值，则表明第一待合并检测框与第二待合并检测框的面积累加和，在第一待合并检测框与第二待合并检测框合并后形成的新检测框的面积中的占比较小，不需要对第一待合并检测框与第二待合并检测框进行合并。
下面分别对本实施方式的上述步骤S302和步骤S304进行具体说明。
在本实施方式的上述步骤S302中，参阅附图4，可以通过下列步骤S3021-步骤S3028获取第二待合并检测框：步骤S3021：将当前检测图像中除了当前第一待合并检测框以外的其他目标检测框(步骤S302中所述的其他目标检测框)设定为待筛选检测框。步骤S3022：采用最近邻算法从待筛选检测框中获取K个第一待合并检测框的最近邻检测框，K≥1。需要说明的是，在本实施方式中可以采用数据分类技术领域中常规的最近邻算法获取第一待合并检测框的最近邻检测框。最近邻算法包括但不限于：K最近邻算法(K-NearestNeighbor，KNN)。为了描述简洁，在此不再对上述最近邻算法的工作原理进行赘述。步骤S3023：判断每个最近邻检测框与第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框。若当前最近邻检测框对应的距离大于等于预设的距离阈值，则将当前最近邻检测框设定为初始的第二待合并检测框并且将当前最近邻检测框从待筛选检测框中删除，以更新待筛选检测框。在针对每个最近邻检测框均执行完上述操作后，获取最终更新完成的待筛选检测框，以及所有初始的第二待合并检测框。每个第一待合并检测框使用的预设的距离阈值可以是相同的固定值，也可以是根据每个第一待合并检测框的检测框尺寸设置的不同的数值。在本实施方式中，每个第一待合并检测框各自对应的距离阈值，可以是根据每个第一待合并检测框的对角线距离设置的。例如：可以采用dth_i＝dd_i×y计算每个第一待合并检测框各自对应的距离阈值，dth_i表示第i个第一待合并检测框对应的距离阈值，dd_i表示第i个第一待合并检测框的对角线距离，y表示预设的比例系数且y＞1。需要说明的是，本领域技术人员可以根据实际需求灵活设置比例系数y的具体数值，在一个实施方式中y＝3。步骤S3024：判断初始的第二待合并检测框的数量(步骤S3023获取到的初始的第二待合并检测框的总数)是否为K；若初始的第二待合并检测框等于K，则转至步骤S3028；若初始的第二待合并检测框小于K，则转至步骤S3025。步骤S3025：判断更新后的待筛选检测框(步骤S3023得到的)的数量是否为零；若为零，则转至步骤S3026；若不为零，则转至步骤S3027。步骤S3026：若更新后的待筛选检测框的数量是零，表明在对当前检测图像中的每个目标检测框进行最近邻算法选取以及距离阈值判断后，也没有得到足够的第二待合并检测框，那么可以根据第一待合并检测框与每个所述其他目标检测框(步骤S302中所述的其他目标检测框)的距离，直接选取最近的K个目标检测框设定为最终的第二待合并检测框，即可以按照第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框。步骤S3027：若更新后的待筛选检测框的数量不是零，则转至步骤S3022，同时将步骤S3022中使用的待筛选检测框设定为步骤S3023得到的更新后的待筛选检测框，即在转至步骤S3022之后，根据步骤S3023得到的更新后的待筛选检测框执行步骤S3022。步骤S3028：将初始的第二待合并检测框设定为最终的第二待合并检测框。至此，经过上述步骤S3021-步骤S3028，获取到了与第一待合并检测框距离较近的潜在的要进行合并处理的第二待合并检测框。
在本实施方式的上述步骤S304中，参阅附图5，可以通过下列步骤S3041-步骤S3047对第一待合并检测框与第二待合并检测框进行合并处理：步骤S3041：将第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集。其中，第一待合并检测框对应的所有第二待合并检测框是通过前述步骤S302得到的。步骤S3042：获取初始检测框集内检测框合并后的合并收益值B1。B1的计算公式如下式(1)所示：
Figure BDA0002910200420000131
上述公式(1)中各参数含义如下：
“area”表示检测框面积的计算函数，boxi表示第i个第一待合并检测框，boxj，1表示boxi对应的第1个第二待合并检测框，boxj，2表示boxi对应的第2个第二待合并检测框，boxj，n-1表示boxi对应的第n-1个第二待合并检测框，boxi，boxj，1，boxj，2，...，boxj，n-1构成第i个第一待合并检测框对应的初始检测框集。area(boxi)表示boxi的面积，area(boxj，1)表示boxj，1的面积，area(boxj，2)表示boxj，2的面积，area(boxj，n-1)表示boxj，n-1的面积，area(boxi+boxj，1+boxj，2+…+boxj，n-1)表示将boxi及其对应的所有第二待合并检测框进行合并形成的新检测框的面积。
步骤S3043：判断B1是否大于等于收益阈值B1th；若B1≥B1th，则对初始检测框集内的检测框进行合并处理(将初始检测框集内的所有检测框进行合并)；若B1＜B1th，则转至步骤S3044；其中，B1th＝A·Bn-1，A和B均是预设的阈值系数，n是初始检测框集的检测框数量，即初始检测框集内检测框的总数。需要说明的是，预设的阈值系数A和B可以对图像样本中的目标检测框进行合并试验得到的经验值。一个实施方式中，A＝0.6，B＝0.83。步骤S3044：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值，其中，每个子检测框集之间相差一个不同的被删除检测框。一个例子：若初始检测框集包括检测框1、检测框2和检测框3，则可以得到下表1所示的三个子检测框集：
表1
子检测框集的序号 子检测框集内的检测框
1 检测框1和检测框2
2 检测框1和检测框3
3 检测框2和检测框3
每个子检测框集对应的合并收益值的计算方法，与前述初始检测框集内检测框合并后的合并收益值B1的计算方法相同，为了描述简洁，在此不再赘述。
步骤S3045：从每个子检测框集对应的合并收益值中获取最大的合并收益值B2。步骤S3046：判断B2是否大于等于收益阈值B2th；若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若判断出B2＜B2th，则转至步骤S3047；其中，B1th＝A·Bn′-1，n′是B2对应的子检测框集的检测框数量，即B2对应的子检测框集内检测框的总数。步骤S3047：判断B2对应的子检测框集内是否包含第一待合并检测框；若包含，则不对第一待合并检测框与第二待合并检测框进行合并处理(即停止对第一待合并检测框进行任何的检测框合并处理，第一待合并检测框不用任何的检测框进行合并)；若不包含，则将B2对应的子检测框集重新设定为初始检测框集后转至步骤S3044，即在转至步骤S3044后根据重新设定的初始检测框集执行步骤S3044。至此，经过上述步骤S3041-步骤S3047，完成了对第一待合并检测框及其对应的所有第二待合并检测框的合并处理。
下面以第一待合并检测框A及其对应的第二待合并检测框B、C和D为例，对采用上述步骤S3041-步骤S3047所描述的检测框合并处理方法做进一步说明。具体而言，可以通过下列步骤11-步骤18对第一待合并检测框A以及第二待合并检测框B、C和D进行合并处理：步骤11：将第一待合并检测框A以及第二待合并检测框B、C和D组成初始检测框集。步骤12：获取初始检测框集内检测框合并后的合并收益值B1，并且得到B1＜B1th，B1th＝0.6·0.833。步骤13：获取初始检测框集的子检测框集1、子检测框集2、子检测框集3、子检测框集4，其中，子检测框集1包括检测框B、C、D，子检测框集2包括检测框A、C、D，子检测框集3包括检测框A、B、D，子检测框集4包括检测框A、B、C。步骤14：获取子检测框集1、子检测框集2、子检测框集3、子检测框集4各自对应的合并收益值，根据每个合并收益值得到最大的合并收益值B2是子检测框集2的合并收益值，并且得到B2＜B2th，B2th＝0.6·0.832。步骤15：由于子检测框集2包含第一待合并检测框A，则将第一待合并检测框A重新设定为初始检测框集(包括检测框A、C、D)。步骤16：获取重新设定的初始检测框集(A、C、D)的子检测框集21、子检测框集22和子检测框集23，其中，子检测框集21包括检测框C和D，子检测框集22包括检测框A和D，子检测框集23包括检测框A和C。步骤17：获取子检测框集21、子检测框集22和子检测框集23各自对应的合并收益值，根据每个合并收益值得到最大的合并收益值B3是子检测框集22的合并收益值，并且得到B3≥B3th，B3th＝0.6·0.83。步骤18：由于B3≥B3th，则将子检测框集22内的检测框A和D进行合并处理。至此，经过上述步骤11-步骤18，完成了对第一待合并检测框A及其对应的第二待合并检测框的合并处理。
二、目标检测框的过滤
在本发明实施例中可以从目标检测框的尺寸、位置和亮度等多个维度对目标检测框进行过滤判断，下面分别对每个检测框过滤实施方式进行具体说明。
1、基于检测框状态信息的检测框过滤实施方式
具体而言，在本实施方式中可以通过下列步骤进行检测框过滤判断：首先，根据当前检测图像中目标检测框的检测框状态信息，以及当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算当前检测图像中每个目标检测框的状态变化值。然后，对状态变化值与预设的变化阈值进行比较；若状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；若状态变化值小于预设的变化阈值，则保留相应的目标检测框。其中，检测框状态信息包括但不限于：目标检测框的亮度、尺寸和位置，状态变化值包括但不限于：亮度变化值、尺寸变化值和移动速度，预设的变化阈值包括但不限于：亮度变化阈值、尺寸变化阈值和移动速度阈值。其中，移动速度可以根据检测框的位置计算位移变化量，再根据位移变化量计算得到目标检测框的移动速度。一个例子：如果计算得到当前检测图像中目标检测框的亮度变化值大于等于亮度变化阈值，则表明采集这个检测图像时可能发生了光线突变的情况，导致这个目标检测框的亮度发生较大的变化，因此需要过滤掉这个目标检测框。又一个例子：如果计算得到当前检测图像中目标检测框的移动速度大于等于移动速度阈值，则表明这个目标检测框所表示的运动目标发生了非正常的移动，因此需要过滤掉这个目标检测框(删除目标检测框)。
2、基于检测框面积和的检测框过滤实施方式
具体而言，在本实施方式中可以获取当前检测图像中所有目标检测框的面积和，计算这个面积和与当前检测图像的图像面积的比值；若比值大于等于预设的比值阈值，则表明采集这个检测图像时可能发生了光线突变的情况，导致整个检测图像中的目标检测框的亮度都发生了较大变化，因此需要过滤掉当前检测图像中的所有目标检测框(删除所有目标检测框)。
3、基于检测框长宽比的检测框过滤实施方式
具体而言，在本实施方式中可以获取当前检测图像中每个目标检测框的长宽比，判断长宽比与预设的运动目标的长宽比是否一致；若不一致，则表明这个目标检测框所表示的运动目标并不属于预设的运动目标，因此需要过滤掉相应的目标检测框(删除相应的目标检测框)；若一致，则表明这个目标检测框所表示的运动目标属于预设的运动目标，因此可以保留相应的目标检测框。
通过上述描述，已经对本发明实施例的步骤S101的具体实施过程进行充分说明。下面继续参阅附图1，在通过上述步骤S101所示的实施例获取到每帧待检测图像的目标检测框之后，本发明实施例还包括下列步骤S102-步骤S105。
步骤S102：针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框。
在本实施例中，针对每帧检测图像均可以通过下列步骤S1021-步骤S1022，分别获取与检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框：步骤S1021：将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益。其中，指派增益可以表示历史检测框与当前检测图像中的目标检测框属于同一运动轨迹的可信程度，指派增益的数值与可信程度的大小成正相关关系。在一个实施方式中，可以按照下述公式(2)所示的方法计算每个历史检测框对应的指派增益：
gainfinal_(i，j)＝α0·gainorg_(i，j)+α1·Si，j+α2·(1-Δ1_(i，j))
+α3·(1-Δ2_(i，j))+α4·(1-Δ3_(i，j)) (2)
上述公式(2)中各参数含义如下：
gainfinal_(i，j)表示第i个历史检测框boxi与当前检测图像中第j个目标检测框boxj的交并比，
Figure BDA0002910200420000151
“boxi∩boxj”表示boxi与boxj的重合部分，area(boxi∩ boxj)表示boxi与boxj的重合部分的面积，“boxi∪boxj”表示boxi与boxj合并形成的新检测框，area(boxi∪boxj)表示boxi与boxj合并形成的新检测框的面积，Si，j表示第i个历史检测框的方向向量与第j个目标检测框的方向向量的方向余弦；Δ1_(i，j)表示检测框面积的变化程度且
Figure BDA0002910200420000152
Δarea_(i，j)表示第i个历史检测框与第j个目标检测框的面积差值，areaj表示第j个目标检测框的面积；Δ2_(i，j)表示检测框亮度的变化程度且
Figure BDA0002910200420000153
Δbright_(i，j)表示第i个历史检测框与第j个目标检测框的亮度差值，brightj表示第j个目标检测框的亮度；Δ3_(i，j)表示检测框色调的变化程度且
Figure BDA0002910200420000154
Δhue_(i，j)表示第i个历史检测框与第j个目标检测框的色调差值，huej表示第j个目标检测框的色调值。
步骤S1022：将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框。步骤S103：按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹，即按照每帧检测图像的图像排列顺序，将属于同一轨迹关联关系的待处理检测框进行串联形成运动轨迹。一个例子：检测图像包括第1、2、3、4和5帧检测图像，每帧检测图像中的目标检测框如下表2所示：
表2
检测图像的序号 检测图像中的目标检测框
第1帧 检测框11和检测框12
第2帧 检测框21和检测框22
第3帧 检测框31和检测框32
第4帧 检测框41和检测框42
第5帧 检测框51和检测框52
经过步骤S102可以确定，每帧检测图像中每个目标检测框对应的第一待处理检测框分别如下表3所示：
表3
目标检测框 目标检测框对应的第一待处理检测框
检测框11 无
检测框12 无
检测框21 第1帧检测图像中的检测框11
检测框22 第1帧检测图像中的检测框12
检测框31 第2帧检测图像中的检测框21
检测框32 第2帧检测图像中的检测框22
检测框41 第3帧检测图像中的检测框31
检测框42 第3帧检测图像中的检测框32
检测框51 第4帧检测图像中的检测框41
检测框52 第4帧检测图像中的检测框42
根据表3所示的每个目标检测框及其对应第一待处理检测框，并且按照每帧检测图像的图像排列顺序，可以生成两个运动目标的运动轨迹。一个是由检测框11、检测框21、检测框31、检测框41和检测框51串联形成的运动轨迹，一个是由检测框12、检测框22、检测框32、检测框42和检测框52串联形成的运动轨迹。
步骤S104：对第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域。在本发明实施例中可以对第二待处理检测框的检测框位置进行聚类处理，根据聚类处理的结果获取运动目标的运动区域；也可以获取第二待处理检测框的检测框位置的概率分布，根据概率分布确定运动目标的运动区域。下面分别对上述采用聚类处理与概率分布确定运动目标的运动区域的具体实施方式进行具体说明。
一、采用聚类处理确定运动目标的运动区域的实施方式
具体而言，在本实施方式中，可以通过下列步骤21-步骤24确定运动目标的运动区域：步骤21：获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框。步骤22：根据每个第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇。需要说明的是，在本实施方式中可以采用常规的数据聚类方法对第二待处理检测框的检测框位置进行聚类处理，数据聚类算法包括但不限于：k均值聚类算法(k-means clusteringalgorithm)。为了描述简洁，在此不再对上述数据聚类算法的具体工作原理进行赘述。步骤23：获取每个聚类簇中第二待处理检测框的密度。步骤24：获取密度大于等于预设密度阈值的聚类簇，将这个聚类簇对应的区域(根据聚类簇内每个第二待处理检测框的检测框位置确定的区域)设定为运动目标的运动区域。需要说明的是，预设密度阈值的具体数值可以是本领域技术人员根据实际需求灵活设置的，例如预设密度阈值可以对图像样本中的目标检测框进行聚类试验得到的经验值。
二、采用概率分布确定运动目标的运动区域的实施方式
具体而言，在本实施方式中，可以通过下列步骤31-步骤34确定运动目标的运动区域：步骤31：获取每帧检测图像对应的第二待处理检测框。步骤32：以每个第二待处理检测框的长与宽为二维变量，获取每个第二待处理检测框对应的二维高斯分布函数。需要说明的是，本实施方式是采用数学技术领域中高斯分布(Gaussian distribution)理论，并以每个第二待处理检测框的长与宽为二维变量，获取到每个第二待处理检测框对应的二维高斯分布函数。为了描述简洁，在此不再对高斯分布理论的具体原理进行赘述。步骤33：采用二维高斯分布函数分别获取每个第二待处理检测框中每个坐标位置的概率值并且根据概率值构建全景概率图，其中，全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值。其中，全局概率图与检测图像的尺寸相同。步骤34：获取全局概率图中概率值大于等于预设概率阈值的像素点位置，将这些像素点位置对应的区域设定为运动目标的运动区域。进一步，在本实施方式的上述步骤33中，可以通过下列步骤331-步骤335构建全景概率图：步骤331：在对当前检测图像进行运动目标检测(步骤S101)之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图。需要说明的是，本领域技术人员可以根据实际需求灵活设置预设的衰减值的具体数值，在本实施方式中可以将预设的衰减值设置为1。步骤332：判断是否获取到与当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若获取到，则转至步骤333；若没有获取到，则跳过当前检测图像，将将下一帧检测图像重新设定为当前检测图像后转至步骤331，即在转至步骤331之后根据重新设定的当前检测图像执行步骤331。步骤333：采用第二待处理检测框对应的二维高斯分布函数，获取第二待处理检测框中每个坐标位置的概率值。步骤334：根据第二待处理检测框中每个坐标位置与待更新全局概率图中每个像素点位置的对应关系，将每个坐标位置的概率值分别累加至相应的每个像素点位置存储的概率值上，以更新每个像素点位置存储的概率值，得到再次更新后的全局概率图。由于全局概率图与检测图像的尺寸相同，因此可以根据第二待处理检测框中每个坐标位置与检测图像中每个像素点位置的对应关系，以及检测图像中每个像素点位置与待更新全局概率图中每个像素点位置的对应关系，获取到第二待处理检测框中每个坐标位置与待更新全局概率图中每个像素点位置的对应关系。步骤335：将再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤331，即在转至步骤331之后根据重新设定的待更新全局概率图与重新设定的当前检测图像执行步骤331。通过上述步骤331-步骤335，可以在对每帧检测图像进行运动目标检测之后，就根据检测的结果对待更新全局概率图进行概率值更新，使得全局概率图实时保持最准确的状态，从而有利于根据全局概率图获取较为准确的运动目标的运动区域。
下面以全局概率图和检测图像均是一个长宽为10×10的概率图像、当前待更新全局概率图中每个像素点位置存储的概率值均是零，以及第二待处理检测框的尺寸是5×3的为例，对上述步骤331-步骤335进行具体说明。首先，参阅附图6，图6示例性示出了第二待处理检测框在检测图像中的每个位置坐标。需要说明的是，为了描述简洁，图6中第二待处理检测框中每个位置坐标是在以第二待处理检测框的中心点为原点构建的坐标系下的坐标。然后，采用第二待处理检测框对应的二维高斯分布函数，获取得到图6所示的第二待处理检测框中每个坐标位置的概率值，对每个坐标位置的概率值进行归一化处理，得到图7所示的最终的第二待处理检测框中每个坐标位置的概率值。最后，由于全局概率图和检测图像均是一个长宽为10×10的概率图像，因此可以直接将图7中每个坐标位置的概率值与全局概率图中每个像素点位置存储的概率值进行叠加。其中，第二待处理检测框对应的二维高斯分布函数的解析式可以是
Figure BDA0002910200420000181
Vi，j表示坐标位置(i，j)对应的概率值。
步骤S105：根据运动轨迹和/或运动目标的运动区域，进行告警。若检测到运动轨迹和/或运动目标的运动区域，则输出告警信息，其中，告警信息包括但不限于：语音信息、图像信息和文字信息等。进一步，在输出告警信息之前，还可以根据检测到的运动轨迹的变化趋势以及预设的运动目标的变化趋势进行比对分析，以判断检测到的运动轨迹是否运动目标的运动轨迹。具体而言，在一个实施方式中，可以通过下列步骤41-步骤43进行告警：步骤41：根据运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析运动轨迹是否为预设的运动目标的运动轨迹；若是，则转至步骤42；若否，则转至步骤43。一个例子：若预设的运动目标是汽车，预设的运动目标的变化趋势是目标检测框的尺寸以一定速度持续变大(汽车向着图像采集装置的方向行驶)，而检测到的运动轨迹的变化趋势中目标检测框的尺寸忽大忽小，那么可以判定运动轨迹并不属于预设的运动目标的运动轨迹。步骤42：根据比较结果分析相应的运动目标是否发生行动异常，根据分析的结果进行告警。若没有发生行动异常，则直接输出运动轨迹进行告警，若发生行动异常，则同时输出运动轨迹和分析出的异常行为进行告警。此外，若确定出运动目标的运动区域，同时也根据该运动区域进行告警，例如输出运动区域的位置信息。一个例子：当运动轨迹是行人的运动轨迹时，如果检测到运动轨迹中的目标检测框突然由竖直条状变成了水平条状，那么可以判定行人跌倒，即发生了行动异常。在进行告警时可以同时输出行人的运动轨迹以及行人发生跌倒的提示信息。步骤43：根据当前确定出的运动目标的运动区域进行告警。当判定出运动轨迹不属于运动目标的运动轨迹时，也就无需针对该运动轨迹进行告警，因此，可以仅根据确定出的运动目标的运动区域进行告警。需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
进一步，本发明还提供了一种运动目标检测告警装置。参阅附图8，图8是根据本发明的一个实施例的运动目标检测告警装置的主要结构框图。如图8所示，本发明实施例中的运动目标检测告警装置主要包括目标检测框获取模块11、待处理检测框获取模块12、运动轨迹生成模块13、运动区域获取模块14和告警模块15。在一些实施例中，目标检测框获取模块11、待处理检测框获取模块12、运动轨迹生成模块13、运动区域获取模块14和告警模块15中的一个或多个可以合并在一起成为一个模块。在一些实施例中，目标检测框获取模块11可以被配置成分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框；待处理检测框获取模块12可以被配置成针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框；运动轨迹生成模块13可以被配置成按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹；运动区域获取模块14可以被配置成对第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域；告警模块15可以被配置成根据运动轨迹和/或运动目标的运动区域，进行告警。一个实施方式中，具体实现功能的描述可以参见步骤S101-S104所述。
在一个实施方式中，目标检测框获取模块11可以被进一步配置成执行以下操作：获取当前检测图像的当前亮度以及所述当前检测图像之前连续多帧检测图像的历史亮度，判断所述当前亮度与历史亮度的亮度变化量是否大于等于预设的变化量阈值；若是，则不对所述当前检测图像进行运动目标检测；若否，则采用前景检测算法获取所述当前检测图像中的前景像素；对前景像素进行区域连通，以形成一个或多个像素群；获取每个像素群的外接矩形框以及每个外接矩形框的尺寸；根据尺寸获取与预设的目标尺寸一致的外接矩形框并且将外接矩形框设定为所述当前检测图像的目标检测框；其中，预设的目标尺寸是根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用所述当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。一个实施方式中，具体实现功能的描述可以参见步骤S201-步骤S207所述。
在一个实施方式中，图8所示的运动目标检测告警装置还可以包括目标检测框合并模块和/或目标检测框过滤模块。在本实施方式中，目标检测框合并模块可以包括第一待合并检测框获取子模块、第二待合并检测框获取子模块、合并收益值计算子模块和合并处理子模块。具体而言，第一待合并检测框获取子模块可以被配置成从目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框；第二待合并检测框获取子模块可以被配置成根据第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框；合并收益值计算子模块可以被配置成计算第一待合并检测框与第二待合并检测框的合并收益值；合并处理子模块可以被配置成根据合并收益值与预设的收益阈值的比较结果，选择性地对第一待合并检测框与第二待合并检测框进行合并处理；其中，合并收益值是第一待合并检测框与第二待合并检测框的面积累加和，以及第一待合并检测框与第二待合并检测框合并后形成的新检测框的面积的比值。一个实施方式中，具体实现功能的描述可以参见步骤S301-步骤S304所述。
在本实施方式中，目标检测框过滤模块可以包括第一过滤子模块和/或第二过滤子模块和/或第三过滤子模块。具体而言，第一过滤子模块可以被配置成根据所述当前检测图像中目标检测框的检测框状态信息，以及所述当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算所述当前检测图像中每个目标检测框的状态变化值；若状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；其中，检测框状态信息包括目标检测框的亮度、尺寸和位置，状态变化值包括亮度变化值、尺寸变化值和移动速度，预设的变化阈值包括亮度变化阈值、尺寸变化阈值和移动速度阈值。第二过滤子模块可以被配置成获取所述当前检测图像中所有目标检测框的面积和，计算面积和与所述当前检测图像的图像面积的比值；若比值大于等于预设的比值阈值，则删除所述当前检测图像中的所有目标检测框。第三过滤子模块可以被配置成获取所述当前检测图像中每个目标检测框的长宽比，判断长宽比与预设的运动目标的长宽比是否一致；若不一致，则删除相应的目标检测框。一个实施方式中，具体实现功能的描述可以参见步骤S101所述。
在一个实施方式中，第二待合并检测框获取子模块可以被进一步配置成执行以下操作：步骤S11：将所述其他目标检测框设定为待筛选检测框；步骤S12：采用最近邻算法从待筛选检测框中获取K个第一待合并检测框的最近邻检测框，K≥1；步骤S13：判断每个最近邻检测框与第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框；若当前最近邻检测框对应的距离大于等于预设的距离阈值，则将当前最近邻检测框设定为初始的第二待合并检测框并且将当前最近邻检测框从待筛选检测框中删除，以更新待筛选检测框；步骤S14：判断初始的第二待合并检测框的数量是否为K；若是，则将初始的第二待合并检测框设定为最终的第二待合并检测框；若否，则转至步骤S15；步骤S15：判断更新后的待筛选检测框的数量是否为零；若是，则按照第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框；若否，则转至步骤S12并且根据更新后的待筛选检测框执行所述步骤S12。一个实施方式中，具体实现功能的描述可以参见步骤S302所述。
在一个实施方式中，合并处理子模块可以被进一步配置成执行以下操作：步骤S21：将第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集；步骤S22：获取初始检测框集内检测框合并后的合并收益值B1；若B1≥B1th，则对初始检测框集内的检测框进行合并处理；若B1＜B1th，则转至步骤S23；其中，B1th是收益阈值且B1th＝A·Bn-1，A和B均是预设的阈值系数，n是初始检测框集的检测框数量；步骤S23：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值并且从每个子检测框集对应的合并收益值中获取最大的合并收益值B2，其中，每个子检测框集之间相差一个不同的被删除检测框；若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若B2＜B2th，则转至步骤S24；其中，B2th是收益阈值且B2th＝A·Bn′-1，n′是B2对应的子检测框集的检测框数量；步骤S24：判断B2对应的子检测框集内是否包含第一待合并检测框；若是，则转至步骤S25；若否，则不对第一待合并检测框与第二待合并检测框进行合并处理；步骤S25：将B2对应的子检测框集重新设定为初始检测框集后转至步骤S23，并且根据重新设定的初始检测框集执行步骤S23。一个实施方式中，具体实现功能的描述可以参见步骤S304所述。
在一个实施方式中，待处理检测框获取模块12可以包括指派增益计算子模块和待处理检测框获取子模块。在本实施方式中，指派增益计算子模块可以被配置成将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益；待处理检测框获取子模块可以被配置成将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框；其中，指派增益表示历史检测框与所述当前检测图像中的目标检测框属于同一运动轨迹的可信程度，指派增益的数值与所述可信程度的大小成正相关关系。一个实施方式中，具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中，指派增益计算子模块可以被进一步配置成按照公式(2)所示的方法计算每个历史检测框对应的指派增益。一个实施方式中，具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中，告警模块15可以被进一步配置成执行以下操作：根据运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析运动轨迹是否属于预设的运动目标的运动轨迹；当运动轨迹属于预设的运动目标的运动轨迹时，继续根据比较结果分析预设的运动目标是否发生行动异常，根据分析的结果和/或运动目标的运动区域，进行告警；若运动轨迹不属于预设的运动目标的运动轨迹时，根据运动目标的运动区域，进行告警。一个实施方式中，具体实现功能的描述可以参见步骤S102所述。
在一个实施方式中，运动区域获取模块14可以包括第一运动区域获取子模块和/或第二运动区域获取子模块。在本实施方式中，第一运动区域获取子模块可以被配置成执行以下操作：获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框；根据每个第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇；获取每个聚类簇中第二待处理检测框的密度；获取密度大于等于预设密度阈值的聚类簇，将聚类簇对应的区域设定为运动目标的运动区域。一个实施方式中，具体实现功能的描述可以参见步骤S104所述。在本实施方式中，第二运动区域获取子模块可以被配置成执行以下操作：获取每帧检测图像对应的第二待处理检测框；以每个第二待处理检测框的长与宽为二维变量，获取每个第二待处理检测框对应的二维高斯分布函数；采用二维高斯分布函数分别获取每个第二待处理检测框中每个坐标位置的概率值并且根据概率值构建全景概率图，其中，全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值；获取全局概率图中概率值大于等于预设概率阈值的像素点位置，将像素点位置对应的区域设定为运动目标的运动区域；其中，全局概率图与所述检测图像的尺寸相同。一个实施方式中，具体实现功能的描述可以参见步骤S104所述。
在一个实施方式中，第二运动区域获取子模块可以被进一步配置成通过执行下列操作构建全景概率图：步骤S31：在对当前检测图像进行运动目标检测之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图；步骤S32：判断是否获取到与所述当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若是，则转至步骤S33；若否，则将下一帧检测图像重新设定为当前检测图像后转至步骤S31，并且根据重新设定的当前检测图像执行步骤S31；步骤S33：采用第二待处理检测框对应的二维高斯分布函数，获取第二待处理检测框中每个坐标位置的概率值；步骤S34：根据第二待处理检测框中每个所述坐标位置与待更新全局概率图中每个像素点位置的对应关系，将每个坐标位置的概率值分别累加至相应的每个像素点位置存储的概率值上，以更新每个像素点位置存储的概率值，得到再次更新后的全局概率图；步骤S35：将再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤S31，并且根据重新设定的待更新全局概率图与重新设定的当前检测图像执行步骤S31。一个实施方式中，具体实现功能的描述可以参见步骤S104所述。
上述运动目标检测告警装置以用于执行图8所示的运动目标检测告警方法实施例，两者的技术原理、所解决的技术问题及产生的技术效果相似，本技术领域技术人员可以清楚地了解到，为了描述的方便和简洁，运动目标检测告警装置的具体工作过程及有关说明，可以参考运动目标检测告警方法的实施例所描述的内容，此处不再赘述。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的运动目标检测告警方法的程序，该程序可以由处理器加载并运行以实现上述运动目标检测告警方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的运动目标检测告警方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的运动目标检测告警方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的***的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对***中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (20)

1.一种运动目标检测告警方法，其特征在于，所述方法包括：
分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框；
针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框；
按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个所述目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹；
对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域；
根据所述运动轨迹和/或所述运动目标的运动区域，进行告警。
2.根据权利要求1所述的运动目标检测告警方法，其特征在于，“获取每帧检测图像的目标检测框”的步骤具体包括：
获取当前检测图像的当前亮度以及所述当前检测图像之前连续多帧检测图像的历史亮度，判断所述当前亮度与所述历史亮度的亮度变化量是否大于等于预设的变化量阈值；
若是，则不对所述当前检测图像进行运动目标检测；
若否，则采用前景检测算法获取所述当前检测图像中的前景像素；
对所述前景像素进行区域连通，以形成一个或多个像素群；
获取每个所述像素群的外接矩形框以及每个所述外接矩形框的尺寸；
根据所述尺寸获取与预设的目标尺寸一致的外接矩形框并且将所述外接矩形框设定为所述当前检测图像的目标检测框；
其中，所述预设的目标尺寸是根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用所述当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。
3.根据权利要求2所述的运动目标检测告警方法，其特征在于，在“将所述外接矩形框设定为所述当前检测图像的目标检测框”的步骤之后，所述方法还包括通过下列方式对所述目标检测框进行合并处理：
从所述目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框；
根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框；
计算所述第一待合并检测框与所述第二待合并检测框的合并收益值；
根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理；
其中，所述合并收益值是所述第一待合并检测框与所述第二待合并检测框的面积累加和，以及所述第一待合并检测框与所述第二待合并检测框合并后形成的新检测框的面积的比值；
并且/或者，
在“将所述外接矩形框设定为所述当前检测图像的目标检测框”的步骤之后，所述方法还包括通过下列方式对所述目标检测框进行过滤处理：
根据所述当前检测图像中目标检测框的检测框状态信息，以及所述当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算所述当前检测图像中每个目标检测框的状态变化值；若所述状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；其中，所述检测框状态信息包括目标检测框的亮度、尺寸和位置，所述状态变化值包括亮度变化值、尺寸变化值和移动速度，所述预设的变化阈值包括亮度变化阈值、尺寸变化阈值和移动速度阈值；
和/或，获取所述当前检测图像中所有目标检测框的面积和，计算所述面积和与所述当前检测图像的图像面积的比值；若所述比值大于等于预设的比值阈值，则删除所述当前检测图像中的所有目标检测框；
和/或，获取所述当前检测图像中每个目标检测框的长宽比，判断所述长宽比与预设的运动目标的长宽比是否一致；若不一致，则删除相应的目标检测框。
4.根据权利要求3所述的运动目标检测告警方法，其特征在于，“根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框”的步骤具体包括：
步骤S11：将所述其他目标检测框设定为待筛选检测框；
步骤S12：采用最近邻算法从待筛选检测框中获取K个所述第一待合并检测框的最近邻检测框，K≥1；
步骤S13：判断每个所述最近邻检测框与所述第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框；
若当前最近邻检测框对应的距离大于等于所述预设的距离阈值，则将所述当前最近邻检测框设定为初始的第二待合并检测框并且将所述当前最近邻检测框从所述待筛选检测框中删除，以更新所述待筛选检测框；
步骤S14：判断所述初始的第二待合并检测框的数量是否为K；若是，则将所述初始的第二待合并检测框设定为最终的第二待合并检测框；若否，则转至步骤S15；
步骤S15：判断所述更新后的待筛选检测框的数量是否为零；
若是，则按照所述第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框；若否，则转至所述步骤S12并且根据所述更新后的待筛选检测框执行所述步骤S12；
并且/或者，
“根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理”的步骤具体包括：
步骤S21：将所述第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集；
步骤S22：获取初始检测框集内检测框合并后的合并收益值B1；
若B1≥B1th，则对所述初始检测框集内的检测框进行合并处理；若B1＜B1th，则转至步骤S23；其中，所述B1th是收益阈值且B1th＝A·Bn-1，所述A和B均是预设的阈值系数，所述n是所述初始检测框集的检测框数量；
步骤S23：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值并且从每个所述子检测框集对应的合并收益值中获取最大的合并收益值B2，其中，每个所述子检测框集之间相差一个不同的被删除检测框；
若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若B2＜B2th，则转至步骤S24；其中，所述B2th是收益阈值且B2th＝A·Bn′-1，所述n′是所述B2对应的子检测框集的检测框数量；
步骤S24：判断所述B2对应的子检测框集内是否包含所述第一待合并检测框；若是，则转至步骤S25；若否，则不对所述第一待合并检测框与所述第二待合并检测框进行合并处理；
步骤S25：将所述B2对应的子检测框集重新设定为初始检测框集后转至步骤S23，并且根据所述重新设定的初始检测框集执行步骤S23。
5.根据权利要求1所述的运动目标检测告警方法，其特征在于，“获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框”的步骤具体包括：
将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益；
将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框；
其中，所述指派增益表示所述历史检测框与所述当前检测图像中的目标检测框属于同一运动轨迹的可信程度，所述指派增益的数值与所述可信程度的大小成正相关关系。
6.根据权利要求5所述的运动目标检测告警方法，其特征在于，“计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益”的步骤具体包括：
按照下式所示的方法计算每个历史检测框对应的指派增益：
gainfinal_(i，j)＝α0·gainorg_(i，j)+α1·Si，j+α2·(1-Δ1_(i，j))+α3·(1-Δ2_(i，j))+α4·(1-Δ3_(i，j))
其中，所述gainfinal_(i，j)表示第i个历史检测框与所述当前检测图像中第j个目标检测框的交并比，所述Si，j表示所述第i个历史检测框的方向向量与所述第j个目标检测框的方向向量的方向余弦；所述Δ1_(i，j)表示检测框面积的变化程度且
Figure FDA0002910200410000031
所述Δarea_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的面积差值，所述areaj表示所述第j个目标检测框的面积；所述Δ2_(i，j)表示检测框亮度的变化程度且
Figure FDA0002910200410000032
所述Δbright_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的亮度差值，所述brightj表示所述第j个目标检测框的亮度；所述Δ3_(i，j)表示检测框色调的变化程度且
Figure FDA0002910200410000033
所述Δhue_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的色调差值，所述huej表示所述第j个目标检测框的色调值。
7.根据权利要求1所述的运动目标检测告警方法，其特征在于，“根据所述运动轨迹和/或所述运动目标的运动区域，进行告警”的具体包括：
根据所述运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析所述运动轨迹是否属于所述预设的运动目标的运动轨迹；
当所述运动轨迹属于所述预设的运动目标的运动轨迹时，继续根据所述比较结果分析所述预设的运动目标是否发生行动异常，根据分析的结果和/或所述运动目标的运动区域，进行告警；
若所述运动轨迹不属于所述预设的运动目标的运动轨迹时，根据所述运动目标的运动区域，进行告警。
8.根据权利要求1所述的运动目标检测告警方法，其特征在于，“对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域”的步骤具体包括：
获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框；
根据每个所述第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇；
获取每个所述聚类簇中第二待处理检测框的密度；
获取密度大于等于预设密度阈值的聚类簇，将所述聚类簇对应的区域设定为所述运动目标的运动区域；
并且/或者，
“对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域”的步骤具体包括：
获取每帧检测图像对应的第二待处理检测框；
以每个所述第二待处理检测框的长与宽为二维变量，获取每个所述第二待处理检测框对应的二维高斯分布函数；
采用所述二维高斯分布函数分别获取每个所述第二待处理检测框中每个坐标位置的概率值并且根据所述概率值构建全景概率图，其中，所述全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值；
获取所述全局概率图中概率值大于等于预设概率阈值的像素点位置，将所述像素点位置对应的区域设定为所述运动目标的运动区域；
其中，所述全局概率图与所述检测图像的尺寸相同。
9.根据权利要求8所述的运动目标检测告警方法，其特征在于，“构建全景概率图”的步骤具体包括：
步骤S31：在对当前检测图像进行运动目标检测之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图；
步骤S32：判断是否获取到与所述当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若是，则转至步骤S33；若否，则将下一帧检测图像重新设定为当前检测图像后转至步骤S31，并且根据所述重新设定的当前检测图像执行步骤S31；
步骤S33：采用所述第二待处理检测框对应的二维高斯分布函数，获取所述第二待处理检测框中每个坐标位置的概率值；
步骤S34：根据所述第二待处理检测框中每个所述坐标位置与所述待更新全局概率图中每个像素点位置的对应关系，将每个所述坐标位置的概率值分别累加至相应的每个所述像素点位置存储的概率值上，以更新每个所述像素点位置存储的概率值，得到再次更新后的全局概率图；
步骤S35：将所述再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤S31，并且根据所述重新设定的待更新全局概率图与所述重新设定的当前检测图像执行步骤S31。
10.一种运动目标检测告警装置，其特征在于，所述装置包括：
目标检测框获取模块，其被配置成分别对每帧检测图像进行运动目标检测，以获取每帧检测图像的目标检测框；
待处理检测框获取模块，其被配置成针对每帧检测图像，分别从每帧检测图像的前一帧或多帧检测图像的目标检测框中，获取与每帧检测图像的目标检测框存在同一轨迹关联关系的第一待处理检测框以及没有轨迹关联关系的第二待处理检测框；
运动轨迹生成模块，其被配置成按照每帧检测图像的图像排列顺序，并且根据每帧检测图像的目标检测框以及与每个所述目标检测框存在同一轨迹关联关系的第一待处理检测框，生成一个或多个运动目标的运动轨迹；
运动区域获取模块，其被配置成对所述第二待处理检测框的检测框位置进行统计分析，以获取运动目标的运动区域；
告警模块，其被配置成根据所述运动轨迹和/或所述运动目标的运动区域，进行告警。
11.根据权利要求10所述的运动目标检测告警装置，其特征在于，所述目标检测框获取模块被进一步配置成执行以下操作：
获取当前检测图像的当前亮度以及所述当前检测图像之前连续多帧检测图像的历史亮度，判断所述当前亮度与所述历史亮度的亮度变化量是否大于等于预设的变化量阈值；
若是，则不对所述当前检测图像进行运动目标检测；
若否，则采用前景检测算法获取所述当前检测图像中的前景像素；
对所述前景像素进行区域连通，以形成一个或多个像素群；
获取每个所述像素群的外接矩形框以及每个所述外接矩形框的尺寸；
根据所述尺寸获取与预设的目标尺寸一致的外接矩形框并且将所述外接矩形框设定为所述当前检测图像的目标检测框；
其中，所述预设的目标尺寸是根据运动目标的实际尺寸、运动目标的实际活动检测范围、检测图像的尺寸以及采用所述当前检测图像之前连续多帧检测图像得到的目标检测框的尺寸确定的。
12.根据权利要求11所述的运动目标检测告警装置，其特征在于，所述装置还包括目标检测框合并模块和/或目标检测框过滤模块；
所述目标检测框合并模块包括第一待合并检测框获取子模块、第二待合并检测框获取子模块、合并收益值计算子模块和合并处理子模块；所述第一待合并检测框获取子模块被配置成从所述目标检测框中选取面积小于等于预设面积阈值的目标检测框作为第一待合并检测框；所述第二待合并检测框获取子模块被配置成根据所述第一待合并检测框与所述当前检测图像中其他目标检测框的距离进行筛选，以获取第二待合并检测框；所述合并收益值计算子模块被配置成计算所述第一待合并检测框与所述第二待合并检测框的合并收益值；所述合并处理子模块被配置成根据所述合并收益值与预设的收益阈值的比较结果，选择性地对所述第一待合并检测框与所述第二待合并检测框进行合并处理；其中，所述合并收益值是所述第一待合并检测框与所述第二待合并检测框的面积累加和，以及所述第一待合并检测框与所述第二待合并检测框合并后形成的新检测框的面积的比值；
所述目标检测框过滤模块包括第一过滤子模块和/或第二过滤子模块和/或第三过滤子模块；所述第一过滤子模块被配置成根据所述当前检测图像中目标检测框的检测框状态信息，以及所述当前检测图像的前一帧或多帧检测图像中目标检测框的检测框状态信息，计算所述当前检测图像中每个目标检测框的状态变化值；若所述状态变化值大于等于预设的变化阈值，则删除相应的目标检测框；其中，所述检测框状态信息包括目标检测框的亮度、尺寸和位置，所述状态变化值包括亮度变化值、尺寸变化值和移动速度，所述预设的变化阈值包括亮度变化阈值、尺寸变化阈值和移动速度阈值；所述第二过滤子模块被配置成获取所述当前检测图像中所有目标检测框的面积和，计算所述面积和与所述当前检测图像的图像面积的比值；若所述比值大于等于预设的比值阈值，则删除所述当前检测图像中的所有目标检测框；所述第三过滤子模块被配置成获取所述当前检测图像中每个目标检测框的长宽比，判断所述长宽比与预设的运动目标的长宽比是否一致；若不一致，则删除相应的目标检测框。
13.根据权利要求12所述的运动目标检测告警装置，其特征在于，所述第二待合并检测框获取子模块被进一步配置成执行以下操作：
步骤S11：将所述其他目标检测框设定为待筛选检测框；
步骤S12：采用最近邻算法从待筛选检测框中获取K个所述第一待合并检测框的最近邻检测框，K≥1；
步骤S13：判断每个所述最近邻检测框与所述第一待合并检测框的距离是否大于等于预设的距离阈值，根据判断的结果获取初始的第二待合并检测框以及获取更新后的待筛选检测框；
若当前最近邻检测框对应的距离大于等于所述预设的距离阈值，则将所述当前最近邻检测框设定为初始的第二待合并检测框并且将所述当前最近邻检测框从所述待筛选检测框中删除，以更新所述待筛选检测框；
步骤S14：判断所述初始的第二待合并检测框的数量是否为K；若是，则将所述初始的第二待合并检测框设定为最终的第二待合并检测框；若否，则转至步骤S15；
步骤S15：判断所述更新后的待筛选检测框的数量是否为零；
若是，则按照所述第一待合并检测框与每个所述其他目标检测框的距离由大至小的顺序，从所述其他目标检测框中选取K个目标检测框设定为最终的第二待合并检测框；若否，则转至所述步骤S12并且根据所述更新后的待筛选检测框执行所述步骤S12；
所述合并处理子模块被进一步配置成执行以下操作：
步骤S21：将所述第一待合并检测框及其对应的所有第二待合并检测框组成初始检测框集；
步骤S22：获取初始检测框集内检测框合并后的合并收益值B1；
若B1≥B1th，则对所述初始检测框集内的检测框进行合并处理；若B1＜B1th，则转至步骤S23；其中，所述B1th是收益阈值且B1th＝A·Bn-1，所述A和B均是预设的阈值系数，所述n是所述初始检测框集的检测框数量；
步骤S23：分别获取初始检测框集下每个子检测框集内检测框合并后得到的每个子检测框集对应的合并收益值并且从每个所述子检测框集对应的合并收益值中获取最大的合并收益值B2，其中，每个所述子检测框集之间相差一个不同的被删除检测框；
若B2≥B2th，则将B2对应的子检测框集内的检测框进行合并处理；若B2＜B2th，则转至步骤S24；其中，所述B2th是收益阈值且B2th＝A·Bn′-1，所述n′是所述B2对应的子检测框集的检测框数量；
步骤S24：判断所述B2对应的子检测框集内是否包含所述第一待合并检测框；若是，则转至步骤S25；若否，则不对所述第一待合并检测框与所述第二待合并检测框进行合并处理；
步骤S25：将所述B2对应的子检测框集重新设定为初始检测框集后转至步骤S23，并且根据所述重新设定的初始检测框集执行步骤S23。
14.根据权利要求10所述的运动目标检测告警装置，其特征在于，所述待处理检测框获取模块包括指派增益计算子模块和待处理检测框获取子模块；
所述指派增益计算子模块被配置成将当前检测图像的前一帧或多帧检测图像的目标检测框设定为历史检测框，计算将每个历史检测框与所述当前检测图像中的每个目标检测框指派为属于同一运动轨迹时，每个历史检测框对应的指派增益；
所述待处理检测框获取子模块被配置成将最大指派增益对应的历史检测框设定为第一待处理检测框，将其他历史检测框设定为第二待处理检测框；
其中，所述指派增益表示所述历史检测框与所述当前检测图像中的目标检测框属于同一运动轨迹的可信程度，所述指派增益的数值与所述可信程度的大小成正相关关系。
15.根据权利要求14所述的运动目标检测告警装置，其特征在于，所述指派增益计算子模块被进一步配置成按照下式所示的方法计算每个历史检测框对应的指派增益：
gainfinal_(i，j)＝α0·gainorg_(i，j)+α1·Si，j+α2·(1-Δ1_(i，j))+α3·(1-Δ2_(i，j))+α4·(1-Δ3_(i，j))
其中，所述gainfinal_(i，j)表示第i个历史检测框与所述当前检测图像中第j个目标检测框的交并比，所述Si，j表示所述第i个历史检测框的方向向量与所述第j个目标检测框的方向向量的方向余弦；所述Δ1_(i，j)表示检测框面积的变化程度且
Figure FDA0002910200410000071
所述Δarea_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的面积差值，所述areaj表示所述第j个目标检测框的面积；所述Δ2_(i，j)表示检测框亮度的变化程度且
Figure FDA0002910200410000072
所述Δbright_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的亮度差值，所述brightj表示所述第j个目标检测框的亮度；所述Δ3_(i，j)表示检测框色调的变化程度且
Figure FDA0002910200410000073
所述Δhue_(i，j)表示所述第i个历史检测框与所述第j个目标检测框的色调差值，所述huej表示所述第j个目标检测框的色调值。
16.根据权利要求10所述的运动目标检测告警装置，其特征在于，所述告警模块被进一步配置成执行以下操作：
根据所述运动轨迹的变化趋势以及预设的运动目标的变化趋势的比较结果，分析所述运动轨迹是否属于所述预设的运动目标的运动轨迹；
当所述运动轨迹属于所述预设的运动目标的运动轨迹时，继续根据所述比较结果分析所述预设的运动目标是否发生行动异常，根据分析的结果和/或所述运动目标的运动区域，进行告警；
若所述运动轨迹不属于所述预设的运动目标的运动轨迹时，根据所述运动目标的运动区域，进行告警。
17.根据权利要求10所述的运动目标检测告警装置，其特征在于，所述运动区域获取模块包括第一运动区域获取子模块和/或第二运动区域获取子模块；
所述第一运动区域获取子模块被配置成执行以下操作：
获取在连续多帧检测图像中每帧检测图像对应的第二待处理检测框；
根据每个所述第二待处理检测框的检测框位置进行聚类处理，以得到一个或多个聚类簇；
获取每个所述聚类簇中第二待处理检测框的密度；
获取密度大于等于预设密度阈值的聚类簇，将所述聚类簇对应的区域设定为所述运动目标的运动区域；
所述第二运动区域获取子模块被配置成执行以下操作：
获取每帧检测图像对应的第二待处理检测框；
以每个所述第二待处理检测框的长与宽为二维变量，获取每个所述第二待处理检测框对应的二维高斯分布函数；
采用所述二维高斯分布函数分别获取每个所述第二待处理检测框中每个坐标位置的概率值并且根据所述概率值构建全景概率图，其中，所述全景概率图中每个像素点存储的概率值表示每个像素点属于运动目标的像素点的概率值；
获取所述全局概率图中概率值大于等于预设概率阈值的像素点位置，将所述像素点位置对应的区域设定为所述运动目标的运动区域；
其中，所述全局概率图与所述检测图像的尺寸相同。
18.根据权利要求17所述的运动目标检测告警装置，其特征在于，所述第二运动区域获取子模块被进一步配置成通过执行下列操作构建全景概率图：
步骤S31：在对当前检测图像进行运动目标检测之后，将待更新全局概率图中每个像素点位置存储的概率值分别减去预设的衰减值，以获取初次更新后的全局概率图；
步骤S32：判断是否获取到与所述当前检测图像的目标检测框没有轨迹关联关系的第二待处理检测框；若是，则转至步骤S33；若否，则将下一帧检测图像重新设定为当前检测图像后转至步骤S31，并且根据所述重新设定的当前检测图像执行步骤S31；
步骤S33：采用所述第二待处理检测框对应的二维高斯分布函数，获取所述第二待处理检测框中每个坐标位置的概率值；
步骤S34：根据所述第二待处理检测框中每个所述坐标位置与所述待更新全局概率图中每个像素点位置的对应关系，将每个所述坐标位置的概率值分别累加至相应的每个所述像素点位置存储的概率值上，以更新每个所述像素点位置存储的概率值，得到再次更新后的全局概率图；
步骤S35：将所述再次更新后的全局概率图重新设定为待更新全局概率图，将下一帧检测图像重新设定为当前检测图像之后转至步骤S31，并且根据所述重新设定的待更新全局概率图与所述重新设定的当前检测图像执行步骤S31。
19.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至9中任一项所述的运动目标检测告警方法。
20.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至9中任一项所述的运动目标检测告警方法。
CN202110083706.9A 2021-01-21 2021-01-21 运动目标检测告警方法、装置以及计算机可读存储介质 Active CN112784738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110083706.9A CN112784738B (zh) 2021-01-21 2021-01-21 运动目标检测告警方法、装置以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110083706.9A CN112784738B (zh) 2021-01-21 2021-01-21 运动目标检测告警方法、装置以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112784738A true CN112784738A (zh) 2021-05-11
CN112784738B CN112784738B (zh) 2023-09-19

Family

ID=75758387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110083706.9A Active CN112784738B (zh) 2021-01-21 2021-01-21 运动目标检测告警方法、装置以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112784738B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255606A (zh) * 2021-06-30 2021-08-13 深圳市商汤科技有限公司 行为识别方法、装置、计算机设备及存储介质
CN113343856A (zh) * 2021-06-09 2021-09-03 北京容联易通信息技术有限公司 一种图像识别的方法及***
CN114943936A (zh) * 2022-06-17 2022-08-26 北京百度网讯科技有限公司 目标行为识别方法、装置、电子设备及存储介质
CN117671801A (zh) * 2024-02-02 2024-03-08 中科方寸知微(南京)科技有限公司 基于二分缩减的实时目标检测方法及***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004297697A (ja) * 2003-03-28 2004-10-21 Fuji Photo Film Co Ltd 動画像処理装置および方法
US20160343146A1 (en) * 2015-05-22 2016-11-24 International Business Machines Corporation Real-time object analysis with occlusion handling
WO2018095082A1 (zh) * 2016-11-28 2018-05-31 江苏东大金智信息***有限公司 一种视频监测中运动目标的快速检测方法
CN110008867A (zh) * 2019-03-25 2019-07-12 五邑大学 一种基于人物异常行为的预警方法、装置及存储介质
CN110349181A (zh) * 2019-06-12 2019-10-18 华中科技大学 一种基于改进的图分区模型单摄像头多目标跟踪方法
CN110555868A (zh) * 2019-05-31 2019-12-10 南京航空航天大学 一种复杂地面背景下运动小目标检测方法
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备
WO2020151084A1 (zh) * 2019-01-24 2020-07-30 北京明略软件***有限公司 目标对象的监控方法、装置及***
CN111738240A (zh) * 2020-08-20 2020-10-02 江苏神彩科技股份有限公司 区域监测方法、装置、设备及存储介质
CN111784739A (zh) * 2020-06-24 2020-10-16 普联技术有限公司 一种目标识别方法、装置、设备及存储介质
CN112015170A (zh) * 2019-05-29 2020-12-01 北京市商汤科技开发有限公司 运动物体检测及智能驾驶控制方法、装置、介质及设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004297697A (ja) * 2003-03-28 2004-10-21 Fuji Photo Film Co Ltd 動画像処理装置および方法
US20160343146A1 (en) * 2015-05-22 2016-11-24 International Business Machines Corporation Real-time object analysis with occlusion handling
WO2018095082A1 (zh) * 2016-11-28 2018-05-31 江苏东大金智信息***有限公司 一种视频监测中运动目标的快速检测方法
WO2020151084A1 (zh) * 2019-01-24 2020-07-30 北京明略软件***有限公司 目标对象的监控方法、装置及***
CN110008867A (zh) * 2019-03-25 2019-07-12 五邑大学 一种基于人物异常行为的预警方法、装置及存储介质
CN112015170A (zh) * 2019-05-29 2020-12-01 北京市商汤科技开发有限公司 运动物体检测及智能驾驶控制方法、装置、介质及设备
CN110555868A (zh) * 2019-05-31 2019-12-10 南京航空航天大学 一种复杂地面背景下运动小目标检测方法
CN110349181A (zh) * 2019-06-12 2019-10-18 华中科技大学 一种基于改进的图分区模型单摄像头多目标跟踪方法
CN111179311A (zh) * 2019-12-23 2020-05-19 全球能源互联网研究院有限公司 多目标跟踪方法、装置及电子设备
CN111784739A (zh) * 2020-06-24 2020-10-16 普联技术有限公司 一种目标识别方法、装置、设备及存储介质
CN111738240A (zh) * 2020-08-20 2020-10-02 江苏神彩科技股份有限公司 区域监测方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘燕德 等: "基于区域相似信息的自适应运动目标检测算法", 《计算机工程》 *
娄康 等: "基于目标运动特征的红外目标检测与跟踪方法", 《南京理工大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113343856A (zh) * 2021-06-09 2021-09-03 北京容联易通信息技术有限公司 一种图像识别的方法及***
CN113343856B (zh) * 2021-06-09 2022-03-29 北京容联易通信息技术有限公司 一种图像识别的方法及***
CN113255606A (zh) * 2021-06-30 2021-08-13 深圳市商汤科技有限公司 行为识别方法、装置、计算机设备及存储介质
CN114943936A (zh) * 2022-06-17 2022-08-26 北京百度网讯科技有限公司 目标行为识别方法、装置、电子设备及存储介质
CN117671801A (zh) * 2024-02-02 2024-03-08 中科方寸知微(南京)科技有限公司 基于二分缩减的实时目标检测方法及***
CN117671801B (zh) * 2024-02-02 2024-04-23 中科方寸知微(南京)科技有限公司 基于二分缩减的实时目标检测方法及***

Also Published As

Publication number Publication date
CN112784738B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112784738A (zh) 运动目标检测告警方法、装置以及计算机可读存储介质
CN110084165B (zh) 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法
CN101908142A (zh) 一种基于特征分析的视频火焰检测方法
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN112776856A (zh) 轨道异物侵限监测方法、装置、***及监控主机设备
CN114241370A (zh) 基于数字孪生变电站的入侵识别方法、装置和计算机设备
CN116385948B (zh) 一种预警铁路边坡异常的***和方法
CN112614109A (zh) 图像质量评估方法、装置以及计算机可读存储介质
CN111460917B (zh) 基于多模态信息融合的机场异常行为检测***及方法
JP2020071698A (ja) 火災検知装置、火災検知方法及び火災監視システム
CN116055900B (zh) 一种基于摄像装置的图像质量修正方法
CN111919438B (zh) 对光学传感器进行内置测试的***和方法
CN115393782A (zh) 图像处理方法、装置、电子设备及存储介质
CN113989746A (zh) 一种场景中复杂事件的检测方法、***、设备及存储介质
abd el Azeem Marzouk Modified background subtraction algorithm for motion detection in surveillance systems
KR101617428B1 (ko) 디지털 영상에서 손상 영역을 검출하는 방법 및 장치
CN112149683A (zh) 夜视环境下活物检测方法及装置
JP4922642B2 (ja) 車両検出装置及び車両検出方法
CN114663750B (zh) 一种基于机器视觉与深度学习的海缆填充条断裂识别方法
CN116485799B (zh) 铁路轨道异物覆盖的检测方法及***
CN117372967B (zh) 基于物联网智慧路灯的远程监控方法、装置、设备及介质
JP6457727B2 (ja) 層流煙検出装置および層流煙検出方法
CN117830032B (zh) 一种输电线网监控抓拍及风险评估方法及***
US20220101704A1 (en) Mitigating Effects Caused by Fast Moving Objects in a Scene
TWI448992B (zh) 視訊監控方法

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