CN113129331A - 目标移动轨迹检测方法、装置、设备及计算机存储介质 - Google Patents
目标移动轨迹检测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113129331A CN113129331A CN201911401885.5A CN201911401885A CN113129331A CN 113129331 A CN113129331 A CN 113129331A CN 201911401885 A CN201911401885 A CN 201911401885A CN 113129331 A CN113129331 A CN 113129331A
- Authority
- CN
- China
- Prior art keywords
- background image
- model
- target
- information
- image model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种目标移动轨迹检测方法、装置、设备及计算机存储介质。该目标移动轨迹检测方法，包括：将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；对比目标模型在实时视频中的关联帧数据，获取对比数据；基于对比数据，确定目标模型的移动轨迹。根据本发明实施例，能够更加准确检测目标移动轨迹。
Description
技术领域
本发明属于目标识别技术领域，尤其涉及一种目标移动轨迹检测方法、装置、电子设备及计算机存储介质。
背景技术
深度学习(DL,Deep Learning)是机器学习(ML,Machine Learning)领域中一个研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI,ArtificialIntelligence)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
随着社会信息化及智能化在各行业的全面推广应用，视频及图像成为最主要的数据源之一。在图像信息提取技术不太成熟之前，视频及图片数据多通过存储介质留存备查，除此之外没有过多的成熟应用场景。伴随着图像信息提取技术的成熟，图像及视频中包含的大量信息被重视。特别是随着图像实时提取技术的成熟，在交通违章抓拍、目标监控、目标跟踪及停车场车辆识别等多种商业领域被商用推广。
就现有的图像识别技术而言，以交通视频信息及停车场管理等场景的视频/图像信息提取为例，此类图像识别技术主要采用了格式化的前景目标识别技术。即以感兴趣(需要识别)的目标为对象，在包含背景的照片中通过一系列处理算法运算，得到目标本身。应用到的算法如边缘提取技术等。通常，对车辆的识别场景中，多数情况采用的是对标准化的车牌进行识别和身份标记，而对车辆本身的识别精度及识别方式要求并不高。如果视频流/图像场景中没有此类特征(车牌)，则***将丧失识别能力。
模式识别则是在目标识别的基础上发展出的另一种技术分支，比如目标运动方向、转向趋势信息的提取识别，此类信息的识别具有重要意义，如果识别精度、实时性等性能参数满足一定的要求，此类信息可在人工智能等热门领域发挥极大的促进作用。如可在智能场景中快速/实时提取感兴趣信息，降低信息获取成本，同时可提供大量、多种类型的控制信号，推进***的智能化技术发展。而通常，此类信息的获取是基于视频流中的多帧目标的坐标对比实现。该技术需要作为基础的图像识别技术具备精确且快速的识别能力。并且，由于图像中目标识别本质是识别目标反应到图像上的像素数据信息，图像的像素信息与目标之间的关系受组多因素影响。比如，当移动的目标覆盖有特殊的光学材料、镜面反光材料时，图像识别非常容易产生判断错误；当背景场景变化、光照环境变化等因素，也会影响到目标的识别结果。因此，现有的目标识别及模式识别技术应用在此类场景中还存在较多的问题。特别是在成像受环境影响较大的场景中，难以适用。
因此，如何更加准确地检测目标移动轨迹是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种目标移动轨迹检测方法、装置、设备及计算机存储介质，能够更加准确检测目标移动轨迹。
第一方面，提供了一种目标移动轨迹检测方法，方法包括：
将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；
当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；
对比目标模型在实时视频中的关联帧数据，获取对比数据；
基于对比数据，确定目标模型的移动轨迹。
可选地，将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，包括：
采集背景图像；
基于背景图像，构建背景图像模型；
将背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
可选地，基于背景图像，构建背景图像模型，包括：
利用深度学习算法提取背景图像的图像纹理信息；
基于图像纹理信息，构建背景图像模型。
可选地，基于背景图像，构建背景图像模型之后，还包括：
确定模型更替监听策略信息；
根据模型更替监听策略信息，更替背景图像模型。
可选地，背景图像模型包括临时背景图像模型，根据模型更替监听策略信息，更替背景图像模型，包括：
根据预设数据采集频率，采集当前背景图像；
基于当前背景图像，构建当前背景图像模型；
确定当前背景图像模型和临时背景图像模型之间的差异度；
当确定差异度大于差异度阈值时，根据模型更替监听策略信息，当前背景图像模型替换临时背景图像模型。
可选地，将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，包括：
确定实时视频对应的时间信息；
根据时间信息，确定时间信息对应的背景图像模型；
将时间信息对应的背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
第二方面，提供了一种目标移动轨迹检测装置，装置包括：
获取模块，用于将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；
提取模块，用于当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；
对比模块，用于对比目标模型在实时视频中的关联帧数据，获取对比数据；
确定模块，用于基于对比数据，确定目标模型的移动轨迹。
可选地，获取模块，用于采集背景图像；基于背景图像，构建背景图像模型；将背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
可选地，获取模块，用于利用深度学习算法提取背景图像的图像纹理信息；基于图像纹理信息，构建背景图像模型。
可选地，目标移动轨迹检测装置，还包括：
信息确定模块，用于确定模型更替监听策略信息；
更替模块，用于根据模型更替监听策略信息，更替背景图像模型。
可选地，更替模块，用于根据预设数据采集频率，采集当前背景图像；基于当前背景图像，构建当前背景图像模型；确定当前背景图像模型和临时背景图像模型之间的差异度；当确定差异度大于差异度阈值时，根据模型更替监听策略信息，当前背景图像模型替换临时背景图像模型。
第三方面，提供了一种电子设备，设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面任意一项的目标移动轨迹检测方法。
第四方面，提供了一种计算机存储介质，存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面任意一项的目标移动轨迹检测方法。
本发明实施例的目标移动轨迹检测方法、装置、设备及计算机存储介质，能够更加准确检测目标移动轨迹。该目标移动轨迹检测方法将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；对比目标模型在实时视频中的关联帧数据，获取对比数据；基于对比数据，确定目标模型的移动轨迹。可见，该方法无需识别出目标，只要以背景图像模型作为对比母版，依据对比目标模型在实时视频中的关联帧数据，进而能够更加准确确定目标模型的移动轨迹。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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是本发明实施例提供的一种目标移动轨迹检测方法的流程示意图；
图2是本发明实施例提供的一种背景更新流程示意图；
图3是本发明实施例提供的一种频率内帧序列处理过程的示意图；
图4是本发明实施例提供的一种提取目标的效果示意图；
图5是本发明实施例提供的一种周期学习的背景更新流程示意图；
图6是本发明实施例提供的一种目标移动轨迹检测装置的结构示意图；
图7是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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……”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。
现有的目标识别及模式识别技术应用在实际场景中还存在较多的问题，主要是目标移动轨迹检测不准确，特别是在成像受环境影响较大的场景中，难以适用。
为了解决现有技术问题，本发明实施例提供了一种目标移动轨迹检测方法、装置、设备及计算机存储介质。下面首先对本发明实施例所提供的目标移动轨迹检测方法进行介绍。
图1是本发明一个实施例提供的一种目标移动轨迹检测方法的流程示意图。如图1所示，该目标移动轨迹检测方法包括以下步骤：
S101、将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息。
为了获取更加准确的视频帧信息，在一个实施例中，将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，通常可以包括：采集背景图像；基于背景图像，构建背景图像模型；将背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
为了构建更加准确的背景图像模型，在一个实施例中，基于背景图像，构建背景图像模型，通常可以包括：利用深度学习算法提取背景图像的图像纹理信息；基于图像纹理信息，构建背景图像模型。
为了根据需求更替背景图像模型，在一个实施例中，基于背景图像，构建背景图像模型之后，通常还可以包括：确定模型更替监听策略信息；根据模型更替监听策略信息，更替背景图像模型。
在一个实施例中，背景图像模型包括临时背景图像模型，根据模型更替监听策略信息，更替背景图像模型，通常可以包括：根据预设数据采集频率，采集当前背景图像；基于当前背景图像，构建当前背景图像模型；确定当前背景图像模型和临时背景图像模型之间的差异度；当确定差异度大于差异度阈值时，根据模型更替监听策略信息，当前背景图像模型替换临时背景图像模型。
在一个实施例中，将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，通常可以包括：确定实时视频对应的时间信息；根据时间信息，确定时间信息对应的背景图像模型；将时间信息对应的背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
S102、当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型。
S103、对比目标模型在实时视频中的关联帧数据，获取对比数据。
S104、基于对比数据，确定目标模型的移动轨迹。
该目标移动轨迹检测方法将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；对比目标模型在实时视频中的关联帧数据，获取对比数据；基于对比数据，确定目标模型的移动轨迹。可见，该方法无需识别出目标，只要以背景图像模型作为对比母版，依据对比目标模型在实时视频中的关联帧数据，进而能够更加准确确定目标模型的移动轨迹。
下面以一个具体实施例对上面内容进行说明，具体如下：
在一个实施例中，考虑到大多数应用场景中的图像获取组件(比如，摄像头组件)通常为固定安装的模式或有限有既定轨迹的运动范围。这样，可能导致在固定安装模式或者有限有既定轨迹的运动范围模式下，图像或视频帧数据中，背景图像数据将占用绝大部分比例。一方面从空间维度的画幅尺寸上看，通常目标(或感兴趣目标)尺寸会远小于摄像机取景尺寸；另一方面从时间维度的目标存在时间上看，通常目标在画面中存在的时间也远小于背景存在的时间。因此，如果每次计算都需要对背景进行排查运算，势必会导致大量没有结果的运算资源投入。
如图2所示，为了解决上述问题，本发明实施例在***和算法方面均提出新的方案，具体是：对背景图像进行采样建模，构筑纯背景图像模型。
其中，纯背景图像模型与前景目标模型提取不同，前景目标***，但背景相对单一或有限。
可选地，背景图像模型，可通过深度学习算法对背景图像纹理进行提取、学习形成。然后以纯背景图模型为比对母版对实时视频进行监听采样，当监听到视频帧信息中有非模型像素闯入(或者产生)时，将闯入的非模型像素进行边界提取，形成目标模型。同时对目标模型在视频流的关联帧数据中进行对比，对比数据记录可绘制成目标运动轨迹。
在一个实施例中，背景图像通常为随时间变化的图像，如光影、天气、半永久障碍物进入或离开视场。可选地，障碍物可以是垃圾、绿化风景、暂放或较长时间停放的汽车、临时或短期堆放的物品等。
在一个实施例中，为能在市场中推广使用，本发明实施例提出了一种背景图像模型的构建单元的自主学习更替技术，称之为模型构建单元。具体的，可以在***层面配置预设容量的背景模型缓存空间和永久性存储空间。
可选地，背景模型缓存空间包括多个模型暂存区；其中，模型暂存区可以用于存储变化中的背景图像模型。同时，***可以按照一定的频率(例如，2～5分钟/次)监听背景模型的变化，并且以目标运动轨迹为判断特征参数。
对于一帧图像G，图片上每一个点(x,y)值为G(x,y)，背景模型为B，每个点(x,y)对应值为B(x,y)，对于一定频率内的一段多帧图像，计算：
Diff_GBi(x,y)＝(Gi(x,y)-B(x,y))2 (1)
其中，i＝1,2....n,n为频率段内的采集图像数量。
保存最近n帧候选目标图像结果建立FIFO(First In First Out)先进先出通道，当新的一帧图像到来时，与背景模型进行公式(1)运算，然后将结果加入到FIFO通道中，同时，通道头部的一帧候选目标图像会被舍去，如图3所示，图3中当Dk+1加入时，Dk-n就被舍去。
计算其标准方差如下：
s(x,y)＝sqrt(∑(Diff_GBi(x,y)-Avg_diff(x,y))2/n) (3)
若：s(x,y)>T(T为阈值常数)，则认为该点是前景点，否则为背景点。以下对前景点的目标跟踪过程进行说明：
在一个实施例中，可以采用八领域种子区域生长算法，连接相邻的s(x,y)>T组成区域块Boxj，其中j＝1,2,...,m,m为一定频率内的总段数。
可选地，可以采用如下公式(4)计算区域块质心：
其中，Mass-center为区域块质心，Boxj表示区域块，i为点数。
若
的模||Vector_len||>Tm(Tm为阈值常数)，则认为该频率内有真目标出现。
在一个实施例中，按照以上方法，可以提取到移动目标的效果图，其中移动目标的效果图如图4所示，图4中分别显示了红外第4、13、22、32帧图像及对应的检测图像，图4中第一行的4个图像为上述各帧的红外图像，第二行的4个图像为上述各帧的检测图像。
当监听单元发现背景模型有变化，则对变化后的图像进行目标轮廓提取形成目标，并对目标进行追踪。此时将可能出现两种结果，一种是目标按既定的运动轨迹运动，其运动过程被提取，完成识别；另一种是***识别到了目标，但并没有获得既定的结果，***则根据“没有获得既定结果”为判断条件启动背景图像模型学习单元，学习单元将该“没有结果”的背景按照以下公式(5)叠加“目标”后的图像存入所述模型暂存区。同时在接下来的特定时长内执行模型更替判断监听策略。
背景叠加后的图为：
其中，m为一定频率内的总段数，Boxj为区域块，B(x,y)为原背景模型，p范围为[0,1]。
在一个实施例中，模型更替监听策略包含多种应用场景和选择。一般而言，首先会在原有监听过程的基础上加大监听过程的数据采样密度(加大2-3倍)。其次，在模型更替监听策略下，***采样获得的图像数据的比对对象是存储模型暂存区的临时模型，当模型暂存区的临时模型与采样模型出现差异时，***将用采样模型替换原有暂存模型而成为新的暂存模型。
对于采样模型B_N(x,y)，原有暂存模型为B(x,y)，计算：
Diff_B(x,y)＝(B_N(x,y)-B(x,y))2 (6)
其中，M，N为图像矩阵的的行列数。
若||Diff_B||>Td(Td为阈值常数)，则认为出现差异，反正没有出现差异。
同时***预设了可根据应用场景不同而提供给业务使用者的参数定制接口，该接口可用于设置模型更替监听策略的执行时长。当时长参数达到预设值时，将暂存区内的临时模型与永久模型库中的背景模型进行比对，如果二者差异达到某设定阈值(该阈值可调)，则使用临时模型替换原永久模型成为新的永久模型。
如图5所示，图5相比于图2增加了一个周期学习控制模块。在不少的应用场景中，背景图像会存在周期性的变化，比如日出日落的光影，定时定点出现的公共交通工具，更长的比如说一年四季的变化，按既定轨道或运动采样模式的摄像组件主动动态变化等。为了能够避免因周期性因素导致的模型频繁周期性更替，以及给***计算来的运算负担，本申请设计了模型周期学习算法。该算法***层面的改变是：增设半永久模型暂存区。半永久模型存储区用于存储变化中的多组模型，也就是说对比后的模型不完全丢弃，而是以一定的密度取样存储于半永久模型存储区内。模型周期学习算法会对应每个半永久存储区的模型记录其产生的时刻，并会用实时采样的图像与半永久存储区内的模型进行逐一比对，以是否重复或是否周期性重复作为是否具备周期性规律的判断条件进行规律学习。当发现某模型周期性出现时，就记录该周期规律。所述周期规律提取出模型及可能出现的时刻点并拟合形成关系图，用关系图预测背景的变化规律，并预先将永久性模型库中的模型替换为可能出现的模型，实现智能预测匹配。这种方式可以进一步降低***的计算负荷，有效降低***的算力需求，提高***产品的场景适应能力。
下面对本发明实施例提供的一种目标移动轨迹检测装置、电子设备及计算机存储介质进行介绍，下文描述的目标移动轨迹检测装置、电子设备及计算机存储介质与上文描述的目标移动轨迹检测方法可相互对应参照。图6是本发明实施例提供的一种目标移动轨迹检测装置的结构示意图，如图6所示，该目标移动轨迹检测装置，包括：
获取模块601，用于将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；
提取模块602，用于当确定视频帧信息中存有非模型像素时，对非模型像素进行边界提取，确定目标模型；
对比模块603，用于对比目标模型在实时视频中的关联帧数据，获取对比数据；
确定模块604，用于基于对比数据，确定目标模型的移动轨迹。
可选地，在一个实施例中，获取模块601，用于采集背景图像；基于背景图像，构建背景图像模型；将背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
可选地，在一个实施例中，获取模块601，用于利用深度学习算法提取背景图像的图像纹理信息；基于图像纹理信息，构建背景图像模型。
可选地，在一个实施例中，该目标移动轨迹检测装置还包括：
信息确定模块，用于确定模型更替监听策略信息；
更替模块，用于根据模型更替监听策略信息，更替背景图像模型。
可选地，在一个实施例中，更替模块，用于根据预设数据采集频率，采集当前背景图像；基于当前背景图像，构建当前背景图像模型；确定当前背景图像模型和临时背景图像模型之间的差异度；当确定差异度大于差异度阈值时，根据模型更替监听策略信息，当前背景图像模型替换临时背景图像模型。
可选地，在一个实施例中，获取模块601，用于确定实时视频对应的时间信息；根据时间信息，确定时间信息对应的背景图像模型；将时间信息对应的背景图像模型作为对比母版，对实时视频进行监听采样，获取视频帧信息。
图6提供的目标移动轨迹检测装置中的各个模块具有实现图1所示实例中各个步骤的功能，并达到与图1所示目标移动轨迹检测方法相同的技术效果，为简洁描述，在此不再赘述。
图7是本发明一个实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。在特定实施例中，存储器702包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现图1所示目标移动轨迹检测方法。
在一个示例中，电子设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现图1所示目标移动轨迹检测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种目标移动轨迹检测方法，其特征在于，包括：
将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；
当确定所述视频帧信息中存有非模型像素时，对所述非模型像素进行边界提取，确定目标模型；
对比所述目标模型在所述实时视频中的关联帧数据，获取对比数据；
基于所述对比数据，确定所述目标模型的移动轨迹。
2.根据权利要求1所述的目标移动轨迹检测方法，其特征在于，所述将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，包括：
采集背景图像；
基于所述背景图像，构建所述背景图像模型；
将所述背景图像模型作为所述对比母版，对所述实时视频进行监听采样，获取所述视频帧信息。
3.根据权利要求2所述的目标移动轨迹检测方法，其特征在于，所述基于所述背景图像，构建所述背景图像模型，包括：
利用深度学习算法提取所述背景图像的图像纹理信息；
基于所述图像纹理信息，构建所述背景图像模型。
4.根据权利要求2所述的目标移动轨迹检测方法，其特征在于，所述基于所述背景图像，构建所述背景图像模型之后，还包括：
确定模型更替监听策略信息；
根据所述模型更替监听策略信息，更替所述背景图像模型。
5.根据权利要求4所述的目标移动轨迹检测方法，其特征在于，所述背景图像模型包括临时背景图像模型，所述根据所述模型更替监听策略信息，更替所述背景图像模型，包括：
根据预设数据采集频率，采集当前背景图像；
基于所述当前背景图像，构建当前背景图像模型；
确定所述当前背景图像模型和所述临时背景图像模型之间的差异度；
当确定所述差异度大于差异度阈值时，根据所述模型更替监听策略信息，所述当前背景图像模型替换所述临时背景图像模型。
6.根据权利要求1所述的目标移动轨迹检测方法，其特征在于，所述将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息，包括：
确定所述实时视频对应的时间信息；
根据所述时间信息，确定所述时间信息对应的背景图像模型；
将所述时间信息对应的背景图像模型作为所述对比母版，对所述实时视频进行监听采样，获取所述视频帧信息。
7.一种目标移动轨迹检测装置，其特征在于，包括：
获取模块，用于将预设的背景图像模型作为对比母版，对获取的实时视频进行监听采样，获取视频帧信息；
提取模块，用于当确定所述视频帧信息中存有非模型像素时，对所述非模型像素进行边界提取，确定目标模型；
对比模块，用于对比所述目标模型在所述实时视频中的关联帧数据，获取对比数据；
确定模块，用于基于所述对比数据，确定所述目标模型的移动轨迹。
8.根据权利要求7所述的目标移动轨迹检测装置，其特征在于，所述获取模块，用于采集背景图像；基于所述背景图像，构建所述背景图像模型；将所述背景图像模型作为所述对比母版，对所述实时视频进行监听采样，获取所述视频帧信息。
9.根据权利要求8所述的目标移动轨迹检测装置，其特征在于，所述获取模块，用于利用深度学习算法提取所述背景图像的图像纹理信息；基于所述图像纹理信息，构建所述背景图像模型。
10.根据权利要求8所述的目标移动轨迹检测装置，其特征在于，还包括：
信息确定模块，用于确定模型更替监听策略信息；
更替模块，用于根据所述模型更替监听策略信息，更替所述背景图像模型。
11.根据权利要求10所述的目标移动轨迹检测装置，其特征在于，所述更替模块，用于根据预设数据采集频率，采集当前背景图像；基于所述当前背景图像，构建当前背景图像模型；确定所述当前背景图像模型和所述临时背景图像模型之间的差异度；当确定所述差异度大于差异度阈值时，根据所述模型更替监听策略信息，所述当前背景图像模型替换所述临时背景图像模型。
12.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的目标移动轨迹检测方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的目标移动轨迹检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911401885.5A CN113129331B (zh) | 2019-12-31 | 2019-12-31 | 目标移动轨迹检测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911401885.5A CN113129331B (zh) | 2019-12-31 | 2019-12-31 | 目标移动轨迹检测方法、装置、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113129331A true CN113129331A (zh) | 2021-07-16 |
| CN113129331B CN113129331B (zh) | 2024-01-30 |
Family
ID=76768529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911401885.5A Active CN113129331B (zh) | 2019-12-31 | 2019-12-31 | 目标移动轨迹检测方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113129331B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015184773A (ja) * | 2014-03-20 | 2015-10-22 | 日本ユニシス株式会社 | 画像処理装置および３次元物体トラッキング方法 |
| CN105139426A (zh) * | 2015-09-10 | 2015-12-09 | 南京林业大学 | 一种基于非下采样小波变换和lbp的视频运动目标检测方法 |
| WO2017132506A1 (en) * | 2016-01-29 | 2017-08-03 | Jia Li | Local augmented reality persistent sticker objects |
| CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
| CN109859236A (zh) * | 2019-01-02 | 2019-06-07 | 广州大学 | 运动物体检测方法、***、计算设备及存储介质 |
| CN109919008A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技（深圳）有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
| CN110060278A (zh) * | 2019-04-22 | 2019-07-26 | 新疆大学 | 基于背景减法的运动目标的检测方法及装置 |
| CN110533687A (zh) * | 2018-05-11 | 2019-12-03 | 深眸科技(深圳)有限公司 | 多目标三维轨迹跟踪方法及装置 |
-
2019
- 2019-12-31 CN CN201911401885.5A patent/CN113129331B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015184773A (ja) * | 2014-03-20 | 2015-10-22 | 日本ユニシス株式会社 | 画像処理装置および３次元物体トラッキング方法 |
| CN105139426A (zh) * | 2015-09-10 | 2015-12-09 | 南京林业大学 | 一种基于非下采样小波变换和lbp的视频运动目标检测方法 |
| WO2017132506A1 (en) * | 2016-01-29 | 2017-08-03 | Jia Li | Local augmented reality persistent sticker objects |
| CN110533687A (zh) * | 2018-05-11 | 2019-12-03 | 深眸科技(深圳)有限公司 | 多目标三维轨迹跟踪方法及装置 |
| CN108805897A (zh) * | 2018-05-22 | 2018-11-13 | 安徽大学 | 一种改进的运动目标检测vibe算法 |
| CN109859236A (zh) * | 2019-01-02 | 2019-06-07 | 广州大学 | 运动物体检测方法、***、计算设备及存储介质 |
| CN109919008A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技（深圳）有限公司 | 运动目标检测方法、装置、计算机设备及存储介质 |
| CN110060278A (zh) * | 2019-04-22 | 2019-07-26 | 新疆大学 | 基于背景减法的运动目标的检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| MASAYUKI YOKOYAMA等: "A contour-based moving object detection and tracking", 《2005 IEEE INTERNATIONAL WORKSHOP ON VISUAL SURVEILLANCE AND PERFORMANCE EVALUATION OF TRACKING AND SURVEILLANCE》, pages 271 - 276 * |
| RUPALI S.RAKIBE等: "Background subtraction algorithm based human motion detection", 《INTERNATIONAL JOURNAL OF SCIENTIFIC AND RESEARCH PUBLICATIONS》, vol. 3, no. 5, pages 2250 - 3153 * |
| 付娜: "基于视频的运动人体行为捕捉算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, pages 138 - 7173 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113129331B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961106B (zh) | 轨迹分类模型的训练方法和装置、电子设备 | |
| TWI425454B (zh) | 行車路徑重建方法、系統及電腦程式產品 | |
| US20060067562A1 (en) | Detection of moving objects in a video | |
| CN110706247B (zh) | 一种目标跟踪方法、装置及*** | |
| CN112669349A (zh) | 一种客流统计方法、电子设备及存储介质 | |
| CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪***及方法 | |
| CN102902955A (zh) | 一种车辆行为的智能分析方法及*** | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN112836683B (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
| CN111723773A (zh) | 遗留物检测方法、装置、电子设备及可读存储介质 | |
| Yaghoobi Ershadi et al. | Vehicle tracking and counting system in dusty weather with vibrating camera conditions | |
| CN114724131A (zh) | 一种车辆追踪方法、装置、电子设备及存储介质 | |
| CN114359669A (zh) | 图片分析模型调整方法、装置以及计算机可读存储介质 | |
| CN115063454A (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
| Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
| CN110969645A (zh) | 面向拥挤场景的无监督异常轨迹检测方法和装置 | |
| CN103400395A (zh) | 一种基于haar特征检测的光流跟踪方法 | |
| CN115187884A (zh) | 一种高空抛物识别方法、装置、电子设备及存储介质 | |
| Cheng | Highway traffic flow estimation for surveillance scenes damaged by rain | |
| CN110765940B (zh) | 目标对象统计方法和装置 | |
| CN117152949A (zh) | 一种基于无人机的交通事件识别方法及*** | |
| CN113129331B (zh) | 目标移动轨迹检测方法、装置、设备及计算机存储介质 | |
| KR20150137698A (ko) | 농장에서의 움직임 개체의 이동 궤적 트래킹 방법 및 장치 | |
| CN110781797B (zh) | 一种标注方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |