CN112818766A - 一种基于计算机视觉的高空抛物检测警报方法及*** - Google Patents

一种基于计算机视觉的高空抛物检测警报方法及*** Download PDF

Info

Publication number
CN112818766A
CN112818766A CN202110061520.3A CN202110061520A CN112818766A CN 112818766 A CN112818766 A CN 112818766A CN 202110061520 A CN202110061520 A CN 202110061520A CN 112818766 A CN112818766 A CN 112818766A
Authority
CN
China
Prior art keywords
parabolic
image
frame
moving object
event
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
Application number
CN202110061520.3A
Other languages
English (en)
Inventor
张芳健
莫平华
刘军
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.)
Shenzhen Infinova Ltd
Original Assignee
Shenzhen Infinova 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 Shenzhen Infinova Ltd filed Critical Shenzhen Infinova Ltd
Priority to CN202110061520.3A priority Critical patent/CN112818766A/zh
Publication of CN112818766A publication Critical patent/CN112818766A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于计算机视觉的高空抛物检测警报方法及***，方法包括：获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，使用帧差法对每帧灰度图处理得到对应的二值图；提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。运用该种基于计算机视觉的高空抛物检测警报方法，及时发现高空抛物状况，对高空抛物风险预警取证起到关键作用，极大保障了人民群众的生命财产安全。

Description

一种基于计算机视觉的高空抛物检测警报方法及***
技术领域
本发明涉及视频安防监控领域，尤其涉及一种基于计算机视觉的高空抛物检测警报方法及***。
背景技术
目前，高空抛物这种不文明的行为有着巨大的安全隐患，若抛物击中行人，则会引起重大的人身伤害事故，同时由于高空抛物速度快、突发性等情况，导致行人基本不可回避，而且也因此事后对抛物的回溯较为困难。随着社会的发展和民众安防意识的提升，各种应对高空抛物事件的措施也得到落实，将会对监控抛物事件抛物检测产品提出准确识别，及时预警，方便取证的要求，因此需要一种基于计算机视觉的高空抛物检测警报方法及***来实现实时高效智能识别抛物和自动预警。
发明内容
本发明实施例提供了一种基于计算机视觉的高空抛物检测警报方法及***，可以解决现有技术中抛物检测监控主要依赖人工，效率低，预警不及时及信息取证不足、准确识别度不高的技术问题。
为实现上述目的，本发明第一方面提供一种基于计算机视觉的高空抛物检测警报方法，所述方法包括：获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；
使用帧差法对每帧灰度图处理得到对应的二值图；
提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；
对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。
进一步地，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域还包括保存统计每个像素点在相邻M帧图像像素值，M为偶数，进行二值图像素值判断，得到疑似的运动物体目标区域结果。
进一步地，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域还包括：当输入帧为第i帧时，以第i-M/2帧的差分图作为用来获取运动物体的图像帧,M为偶数，通过M+1张图的噪声频率特征来判断并去除第i-M/2帧的差分图去除前后帧出现运动情况的点。
进一步地，所述去除第i-M/2帧的差分图前后帧出现运动情况的点之后还包括：基于第i-M/2之后K帧的差分图的连通域位置值提取，得到连续K帧疑似的抛物轨迹。
进一步地，所述得到连续K帧疑似的抛物轨迹之后将全部坐标点整合在同一个坐标点集进行RANSAC算法抛物轨迹拟合判断。
进一步地，所述对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断过程中，如果符合则进行决策预警包括通知提醒管理人员发生抛物事件，并保存抛物点证据。
为实现上述目的，本发明实施例还提供一种基于计算机视觉的高空抛物检测警报的***，包括获取检测模块，二值图处理模块，运动物体目标帧差判断模块，抛物轨迹拟合预警模块，
所述获取检测模块用于获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；
所述二值图处理模块用于使用帧差法对每帧灰度图处理得到对应的二值图；
所述运动物体目标帧差判断模块用于提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；
所述抛物轨迹拟合预警模块用于对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。
本发明实施例提供一种基于计算机视觉的高空抛物检测警报方法，所述方法包括：获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；使用帧差法对每帧灰度图处理得到对应的二值图,提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。运用该种基于计算机视觉的高空抛物检测警报方法，通过使用帧差法对每帧灰度图处理得到对应的二值图,提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。对存在抛物的风险准确识别，及时预警，方便取证，及时发现高空抛物状况，并自动报警后端平台保存证据，对高空抛物风险预警取证起到关键作用，极大保障了人民群众的生命财产安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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为本发明第一实施例中一种基于计算机视觉的高空抛物检测警报方法步骤流程示意图；
图2为本发明第二实施例中一种基于计算机视觉的高空抛物检测警报***示意图；
图3为本发明第一实施例中用做对比的连续多张二值图组合示意图；
图4a至4d为本发明第一实施例中连续多张二值图中在像素点处的像素值统计示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域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。
请参阅图1，图1为本发明第一实施例中一种基于计算机视觉的高空抛物检测警报方法步骤流程示意图，本发明实施例中，一种基于计算机视觉的高空抛物检测警报方法，所述方法包括：
步骤101、获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；具体地，通过摄像头获取监控抛物区的视频帧，进行灰度图的转换；
步骤102、使用帧差法对每帧灰度图处理得到对应的二值图；
步骤103、提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；具体地，设定当前帧为第i帧，使用容器保存第i-M帧到第i帧的全部差分二值图，共M+1帧，其中M取偶数，则该二值图容器会采用先进先出的方式按顺序保存7帧图像，当M取6时帧图像如图3所示；
对每个像素点位置，统计其在7帧图像中的像素值，如此就可以得出每个像素点位置的统计数据，假设i＝7，像素位置为(x1,y1)，该点对7帧图像的统计结果如图4a-4d所示；
图4a-4d中表示，(x1,y1)位置上，第4帧的值为255，其余帧的值为0，由于在图片已经处理成了二值图，因此只会存在255或者0的两个可能值。
对已经得到了帧内疑似运动的物体，本步骤根据一些干扰因素和抛物事件的特性来去除非抛物的运动情况。干扰因素有以下特性：类似于树叶、衣服晃动情况时，该像素位置的运动出现频率会比较高，在统计图中的情况体现为存在一些干扰因素和抛物事件特性图如图4d所示：
存在一些干扰因素和抛物事件的特性图会断续出现255的像素值。而抛物事件时，在抛物物体经过的时候，会检测为运动物体，而在同样的像素点位置抛物出现前和出现后的帧里面，均为非运动，可以形如为“一闪而过”，体现在统计图中如图4a-4c所示，
存在一些干扰因素和抛物事件的特性图中间有连续的x帧为255，前后的帧均为0(先假设x取3)，通过干扰因素噪声频率特征来判断，即特性图中总是“闪闪”高频率出现255，以此特征来区分是否为噪点。
当前输入帧为第i帧时，以第i-M/2帧(取值为第4帧)的差分图作为用来获取运动物体的图像帧(这样可以监测到疑似运动物体出现后，后续时间里该位置的运动情况)。对于第i-M/2帧的差分图去除形如存在一些干扰因素和抛物事件的特性图中前后帧出现运动情况的点，通过干扰因素噪声频率特征判断，可以去除大部分的干扰情况，同时保存抛物事件轨迹点。
步骤103、对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警，具体地，对上述第i-M/2帧的差分图经过了噪声消除，提取该图的连通域，以连通域重心为运动物体的位置值。以此类推，将每帧差分图的每个运动物***置都保存在列表中：[[(x11,y11),(x12,y12)..][(x21,y21)...]..[]..]，能够提取出位置点，说明该帧差分图存在疑似运动点，若连续K帧都有运动点，则该组运动点为疑似的抛物轨迹。如果存在疑似的抛物轨迹，则将其全部坐标点整合在同一个坐标点集，使用RANSAC算法的方式判断是否符合抛物轨迹的情况，同时可以去除部分噪声。RANSAC(RANdom SAmple Consensus)是随机抽样一致算法，由于一般的抛物轨迹最符合的曲线是二次曲线中的抛物线，因此在本申请中对抛物轨迹拟合算法采用二次方程拟合。
还包括上述步骤的细分步骤：
进一步地，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域还包括保存统计每个像素点在相邻M帧图像像素值，M为偶数，进行二值图像素值判断，得到疑似的运动物体目标区域结果，即设定当前帧为第i帧，使用容器保存第i-M帧到第i帧的全部二值图，共M+1帧，其中M取偶数，由于在图片已经处理成了二值图，因此只会存在255或者0的两个可能值，得到疑似的运动物体目标区域就会存在255值。进一步地，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域还包括当输入帧为第i帧时，以第i-M/2帧的差分图作为用来获取运动物体的图像帧,M为偶数，对于第i-M/2帧的差分图去除前后帧出现运动情况的点，通过M+1张图的噪声频率特征来判断，以此噪声消除大部分的干扰情况，上面步骤102已经解释根据一些干扰因素和抛物事件的特性来去除非抛物的运动情况。干扰因素有以下特性：类似于树叶、衣服晃动情况时，该像素位置的运动出现频率会比较高。
进一步地，所述去除第i-M/2帧的差分图前后帧出现运动情况的点之后还包括：基于第i-M/2之后K帧的差分图的连通域位置值提取，得到连续K帧疑似的抛物轨迹，即提取抛物轨迹连通域重心位置值。
进一步地，所述得到连续K帧疑似的抛物轨迹之后将全部坐标点整合在同一个坐标点集进行RANSAC算法抛物轨迹拟合判断，过程如下：
1.随机选取若干坐标点，计算出二次拟合曲线方程模型M；
2.计算点集的所有坐标点，在模型M中的投影误差，如果误差小于阈值，则加入内点集F；
3.如果2中的内点集坐标点个数大于当前最优的内点集F_best，则更新F_best，同时累加迭代次数i；
4.如果迭代次数i大于阈值，则停止迭代，F_best对应的拟合曲线，就是拟合的抛物曲线。否则继续迭代。
5.如果内点集F_best包含的个数，大于阈值K1(原则上0<K1<K)，则定义为最终的抛物轨迹，相应内点定义为轨迹点，外点舍弃掉(定义为噪声)；否则舍弃该抛物曲线和全部坐标点。
通过上述步骤，可以判断连续存在K帧疑似运动点的事件，是否为抛物事件。进一步地，所述对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警包括通知提醒管理人员存在抛物事件，并保存抛物点证据，可选的通过监控屏幕进行轨迹点的画面输出，以供工作人员确认抛物抛出的位置；或可选的通过短信等方式通知管理人员有抛物事件的发生。
如图2所示，本发明实施例还提供一种基于计算机视觉的高空抛物检测警报的***，包括获取检测模块，二值图处理模块，运动物体目标帧差判断模块，抛物轨迹拟合预警模块，
所述获取检测模块用于获取监控抛物区的视频帧，进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；
所述二值图处理模块用于使用帧差法对每帧灰度图处理得到对应的二值图；所述运动物体目标帧差判断模块用于提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；
所述抛物轨迹拟合预警模块用于对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。
还包括一种基于计算机视觉的高空抛物检测警报的设备，包括存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的方法中的各个步骤。
以上皆为上述方法中的***模块，这里不再重复说明实施方式。
本发明的有益技术效果在于：本发明实施例提供一种基于计算机视觉的高空抛物检测警报方法，所述方法包括：获取监控抛物区的视频帧，进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；使用帧差法对每帧灰度图处理得到对应的二值图,提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。运用该种基于计算机视觉的高空抛物检测警报方法，通过使用帧差法对每帧灰度图处理得到对应的二值图,提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域，得到去除噪点的视频图像中疑似的运动物体目标区域；对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。对存在抛物的风险准确识别，及时预警，方便取证，及时发现高空抛物状况，并自动报警后端平台保存证据，对高空抛物风险预警取证起到关键作用，极大保障了人民群众的生命财产安全。同时对于监控区域内，本***利用帧差法的方式可检测出视频帧中的全部疑似运动目标，对于较为细小的运动目标同样可以检测出来，确保了抛物检测***的检测规格。同时帧差分需要的运算量较小，可保证整体检测速度。每次迭代使用第i-M/2帧的差分图像作为提取运动区域连通域的二值图，而不是使用当前帧(第i帧)差分图。第i-M/2帧的差分图像可以同时运用该帧图像前面的和后面的差分图进行运动目标的过滤，可以更好的过滤掉噪声。
通过统计同一个坐标点在若干帧里面像素值分布，可以辨别出高频分布的统计图为噪声的情况，并据此去除树叶、衣服等多种噪声。本方法对经过运动目标噪声过滤的差分图像，连续若干帧均出现运动目标时再进行抛物轨迹的拟合，可以较好的提前过滤掉时间域上偶然出现的孤立噪声，提高整体效率。对连续存在若干运动目标的差分图集合，使用RANSAC算法对坐标点集进行拟合判断，提取出内点数最多的坐标点集的二次方程曲线作为抛物轨迹线，可以更好的拟合实际的抛物线。RANSAC算法可以有效的得出坐标点集中相对最为合理的内点与外点区分的结果，因此可以进一步的去掉差分图像中的噪声(即外点)。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于计算机视觉的高空抛物检测警报方法，其特征在于，所述方法包括：
获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；
使用帧差法对每帧灰度图处理得到对应的二值图；
提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；
对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。
2.根据权利要求1所述的检测警报方法，其特征在于，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域包括：统计并保存每个像素点在相邻M帧图像像素值，M为偶数，进行二值图像素值判断，得到疑似的运动物体目标区域结果。
3.根据权利要求2所述的检测警报方法，其特征在于，所述提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域还包括：
当输入帧为第i帧时，以第i-M/2帧的差分图作为用来获取运动物体的图像帧，通过M+1张图的噪声频率特征来判断并去除第i-M/2帧的差分图前后帧出现运动情况的点。
4.根据权利要求3所述的检测警报方法，其特征在于，所述去除第i-M/2帧的差分图前后帧出现运动情况的点之后还包括：基于第i-M/2之后K帧的差分图的连通域位置值提取，得到连续K帧疑似的抛物轨迹。
5.根据权利要求4所述的检测警报方法，其特征在于，所述得到连续K帧疑似的抛物轨迹之后将全部坐标点整合在同一个坐标点集进行RANSAC算法抛物轨迹拟合判断。
6.根据权利要求1所述的检测警报方法，其特征在于，所述对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断过程中，如果符合则进行决策预警，通知提醒管理人员发生抛物事件，并保存抛物点证据。
7.一种基于计算机视觉的高空抛物检测警报的***，其特征在于，包括获取检测模块，二值图处理模块，运动物体目标帧差判断模块，抛物轨迹拟合预警模块，
所述获取检测模块用于获取监控抛物区的视频帧，对所述视频帧进行灰度图的转换，得到用于检测抛物事件的灰度图视频帧；
所述二值图处理模块用于使用帧差法对每帧灰度图处理得到对应的二值图；
所述运动物体目标帧差判断模块用于提取连续多帧灰度图的二值图进行每个像素点抛物事件与干扰事件二值图分布规律特性比较，去除干扰事件对应的像素点，得到去除干扰事件的视频图像中疑似的运动物体目标区域；
所述抛物轨迹拟合预警模块用于对疑似的运动物体进行RANSAC算法抛物轨迹拟合判断，如果符合则进行决策预警。
8.一种基于计算机视觉的高空抛物检测警报的设备，包括存储器、处理器、以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述的方法中的各个步骤。
CN202110061520.3A 2021-01-18 2021-01-18 一种基于计算机视觉的高空抛物检测警报方法及*** Pending CN112818766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110061520.3A CN112818766A (zh) 2021-01-18 2021-01-18 一种基于计算机视觉的高空抛物检测警报方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110061520.3A CN112818766A (zh) 2021-01-18 2021-01-18 一种基于计算机视觉的高空抛物检测警报方法及***

Publications (1)

Publication Number Publication Date
CN112818766A true CN112818766A (zh) 2021-05-18

Family

ID=75869861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110061520.3A Pending CN112818766A (zh) 2021-01-18 2021-01-18 一种基于计算机视觉的高空抛物检测警报方法及***

Country Status (1)

Country Link
CN (1) CN112818766A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255697A (zh) * 2021-06-01 2021-08-13 南京图菱视频科技有限公司 复杂场景下的高精度高空抛物检测***及方法
CN114639172A (zh) * 2022-05-18 2022-06-17 合肥的卢深视科技有限公司 高空抛物预警方法、***、电子设备及存储介质
CN114693556A (zh) * 2022-03-25 2022-07-01 英特灵达信息技术(深圳)有限公司 一种高空抛物帧差法运动目标检测去拖影方法
CN117237676A (zh) * 2023-11-09 2023-12-15 中核国电漳州能源有限公司 一种核电厂基于事件相机对小目标掉落轨迹的处理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255697A (zh) * 2021-06-01 2021-08-13 南京图菱视频科技有限公司 复杂场景下的高精度高空抛物检测***及方法
CN114693556A (zh) * 2022-03-25 2022-07-01 英特灵达信息技术(深圳)有限公司 一种高空抛物帧差法运动目标检测去拖影方法
CN114639172A (zh) * 2022-05-18 2022-06-17 合肥的卢深视科技有限公司 高空抛物预警方法、***、电子设备及存储介质
CN117237676A (zh) * 2023-11-09 2023-12-15 中核国电漳州能源有限公司 一种核电厂基于事件相机对小目标掉落轨迹的处理方法
CN117237676B (zh) * 2023-11-09 2024-03-01 中核国电漳州能源有限公司 一种核电厂基于事件相机对小目标掉落轨迹的处理方法

Similar Documents

Publication Publication Date Title
CN112818766A (zh) 一种基于计算机视觉的高空抛物检测警报方法及***
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN101266689B (zh) 一种运动目标检测方法及装置
CN102831442A (zh) 异常行为检测设备和方法及生成该检测设备的设备和方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
WO2023273010A1 (zh) 高空抛物检测方法和装置、设备，及计算机存储介质
CN113409362B (zh) 高空抛物检测方法和装置、设备及计算机存储介质
Han et al. Development of early tunnel fire detection algorithm using the image processing
CN110544271B (zh) 抛物动作检测方法及相关装置
CN105469054A (zh) 正常行为的模型构建方法及异常行为的检测方法
CN110782409A (zh) 一种去除多运动物体阴影的方法
CN101324959B (zh) 一种检测运动目标的方法及装置
CN110543827B (zh) 一种基于高斯混合模型与深度学习的多类别车辆检测方法
WO2012081969A1 (en) A system and method to detect intrusion event
CN108960181B (zh) 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法
CN112581489A (zh) 一种视频压缩方法、装置及存储介质
CN107403192B (zh) 一种基于多分类器的快速目标检测方法及***
Chen et al. Intrusion detection of specific area based on video
JP2024516642A (ja) 行動検出方法、電子機器およびコンピュータ読み取り可能な記憶媒体
Chen et al. A hierarchical accident recognition method for highway traffic systems
CN111025288B (zh) 安防雷达监测装置及***
Frías-Velázquez et al. A mathematical morphology-based approach for vehicle detection in road tunnels
CN112861572B (zh) 行人检测方法、计算机可读存储介质及电子设备
CN117237676B (zh) 一种核电厂基于事件相机对小目标掉落轨迹的处理方法

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