CN113487660A - 融合深度信息的运动目标检测方法、装置、介质及设备 - Google Patents

融合深度信息的运动目标检测方法、装置、介质及设备 Download PDF

Info

Publication number
CN113487660A
CN113487660A CN202110670125.5A CN202110670125A CN113487660A CN 113487660 A CN113487660 A CN 113487660A CN 202110670125 A CN202110670125 A CN 202110670125A CN 113487660 A CN113487660 A CN 113487660A
Authority
CN
China
Prior art keywords
image
depth information
pixel
moving target
detected
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
CN202110670125.5A
Other languages
English (en)
Inventor
胡艳萍
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.)
Pulian International Co ltd
Original Assignee
Pulian International 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 Pulian International Co ltd filed Critical Pulian International Co ltd
Priority to CN202110670125.5A priority Critical patent/CN113487660A/zh
Publication of CN113487660A publication Critical patent/CN113487660A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种融合深度信息的运动目标检测方法、装置、计算机可读存储介质及终端设备，该方法包括：获取待检测图像；对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；根据N个高频特征值和M个运动目标检测模型，获得运动目标区域；本发明实施例能够根据深度信息适应性的调整混合高斯模型的灵敏度，提高运动目标区域的检测精度，从而降低误检率和误报警率。

Description

融合深度信息的运动目标检测方法、装置、介质及设备
技术领域
本发明涉及运动目标检测技术领域，尤其涉及一种融合深度信息的运动目标检测方法、装置、计算机可读存储介质及终端设备。
背景技术
智能视频监控***中的运动目标检测功能是其基础功能，该功能对后续的检测目标分类、跟踪与识别等功能起到支撑作用，因此能够准确检测出运动目标有利于视频监控***的后续处理。但运动目标的检测极易受到光照、树叶晃动等动态背景的干扰，从而导致运动目标的误检率和误报警率增加。
现有技术中，主要根据运动目标区域的面积大小设置灵敏度，通过灵敏度来降低运动目标检测的误检率和误报警率，然而该方法设定的运动目标区域的面积是恒定不变的，当运动目标区域的面积设置过小，运动目标的误检率增加；当运动目标区域的面积设置过大，运动目标的漏检率增大。
发明内容
本发明实施例所要解决的技术问题在于，提供一种融合深度信息的运动目标检测方法、装置、计算机可读存储介质及终端设备，能够根据深度信息适应性的调整混合高斯模型的灵敏度，提高运动目标区域的检测精度，从而降低运动目标的误检率和误报警率。
为了解决上述技术问题，本发明实施例提供了一种融合深度信息的运动目标检测方法，包括：
获取待检测图像；
对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
进一步地，所述深度信息包括N个像素深度值，每一个像素点对应一个像素深度值；则，所述对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息，具体包括：
通过体感器、深度学习算法或双目视觉技术提取所述待检测图像中N个像素点对应的像素深度值，获得N个像素点的深度信息。
进一步地，所述利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型，具体包括：
根据每一个像素点对应的像素深度值对该像素点对应的混合高斯模型中的方差阈值、噪声方差阈值进行校正，获得M个运动目标检测模型；
其中，第n个像素点对应的运动目标检测模型中的方差阈值为第n个像素点对应的混合高斯模型中的方差阈值/第n个像素点对应的像素深度值；第n个像素点对应的运动目标检测模型中的噪声方差阈值为第n个像素点对应的混合高斯模型中的噪声方差阈值/第n个像素点对应的像素深度值；N≥n＞0。
进一步地，所述对所述待检测图像进行高反差保留处理，获得N个高频特征值，具体包括：
利用预设的滤波器对所述待检测图像进行滤波处理，获得模糊图像；其中，待检测图像中的像素点与模糊图像中的像素点之间一一对应；
根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值。
进一步地，所述根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值，具体包括：
根据高反差保留算法的计算公式，计算所述待检测图像中N个像素点的高频特征值，获得N个高频特征值；其中，所述高反差保留算法的计算公式如下：
G(n)＝T1(n)-T(n)+A；
G(n)为第n个高频特征值；T1(n)为模糊图像中的第n个像素点对应的像素值；T(n)为待检测图像中的第n个像素点对应的像素值；A为大于0的常数。
进一步地，在所述根据N个高频特征值和M个运动目标检测模型，获得运动目标区域之后，所述方法还包括：
对所述运动目标区域中的每一个像素点进行区域统计校正，获得校正后的运动目标区域。
进一步地，所述方法通过以下步骤对所述运动目标区域中的任意一个像素点进行区域统计校正：
获取该像素点的m*m邻域；其中，所述m*m邻域以该像素点为中心像素点；m为大于0的整数；
统计所述m*m邻域中包含背景像素点的个数num0；
当m*m*a≤num0时，将所述中心像素点校正为背景像素点，否则将所述中心像素点校正为运动像素点；其中，0＜a＜1。
为了解决上述技术问题，本发明实施例还提供一种融合深度信息的运动目标检测装置，包括：
图像获取模块，用于获取待检测图像；
深度信息提取模块，用于对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
模型校正模块，用于利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
图像处理模块，用于对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
图像检测模块，用于根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
本发明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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的融合深度信息的运动目标检测方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的融合深度信息的运动目标检测方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供了一种融合深度信息的运动目标检测方法、装置、计算机可读存储介质及终端设备，该方法包括：获取待检测图像；对待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；对待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；根据N个高频特征值和M个运动目标检测模型，获得运动目标区域；相比于现有技术中混合高斯模型的灵敏度固定不变，本发明能够根据深度信息适应性的调整混合高斯模型的灵敏度，提高运动目标区域的检测精度，从而降低运动目标的误检率。
附图说明
图1是本发明提供的一种融合深度信息的运动目标检测方法的一个优选实施例的流程图；
图2是本发明提供的待检测图像；
图3是本发明提供的运动目标区域对应的标识图像；
图4是本发明提供的一种融合深度信息的运动目标检测装置的一个优选实施例的结构框图；
图5是本发明提供的一种终端设备的一个优选实施例的结构框图。
具体实施方式
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，而不是全部的实施例。基于本发明中的实施例，本技术领域普通技术人员在没有作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。
本发明实施例提供了一种融合深度信息的运动目标检测方法，参见图1所示，是本发明提供的一种融合深度信息的运动目标检测方法的一个优选实施例的流程图，所述方法包括步骤S11至步骤S15：
步骤S11、获取待检测图像；
步骤S12、对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
步骤S13、利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
步骤S14、对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
步骤S15、根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
具体地，获取并对待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N为待检测图像中的所有像素点；利用N个像素点的深度信息对预先设置的M个混合高斯模型中的参数进行校正，相应获得M个运动目标检测模型；例如，以第一像素点为例，利用第一个像素点的深度信息对第一个像素点对应的混合高斯模型中的参数进行校正，获得第一个像素点对应的运动目标检测模型；对待检测图像进行高反差保留处理，获得N个高频特征值；根据N个高频特征值和M个运动目标检测模型，获得运动目标区域；相比于现有技术中混合高斯模型的灵敏度固定不变，本发明能够根据深度信息适应性的调整混合高斯模型的灵敏度，提高运动目标区域的检测精度，从而降低运动目标的误检率。
在又一个优选实施例中，通过具备录制视频功能的电子设备实时获取待检测图像序列；其中，待检测图像序列包括若干张待检测图像；所述具备录制视频功能的电子设备可以是网络摄像头、智能手机、平板电脑，具体的获取方式本发明不作具体限定。
在又一个优选实施例中，所述深度信息包括N个像素深度值，每一个像素点对应一个像素深度值；则，步骤S12具体包括：
通过体感器、深度学习算法或双目视觉技术提取所述待检测图像中N个像素点对应的像素深度值，获得N个像素点的深度信息。
在又一个优选实施例中，步骤S13具体包括：
根据每一个像素点对应的像素深度值对该像素点对应的混合高斯模型中的方差阈值、噪声方差阈值进行校正，获得M个运动目标检测模型；
其中，第n个像素点对应的运动目标检测模型中的方差阈值为第n个像素点对应的混合高斯模型中的方差阈值/第n个像素点对应的像素深度值；第n个像素点对应的运动目标检测模型中的噪声方差阈值为第n个像素点对应的混合高斯模型中的噪声方差阈值/第n个像素点对应的像素深度值；N≥n＞0。
具体地，每一个混合高斯模型包括一个方差阈值和一个噪声方差阈值，以待检测图像中的第一个像素点为例，第一个像素点对应的运动目标检测模型的方差阈值W为第一个像素点对应的混合高斯模型的方差阈值w除以第一个像素点对应的像素深度值d1(相当于W＝w/d1)；第一个像素点对应的运动目标检测模型的噪声方差阈值P为第一个像素点对应的混合高斯模型中的噪声方差阈值p除以第一个像素点对应的像素深度值d1(相当于P＝p/d1)。通过深度信息适应性的调整混合高斯模型的灵敏度，能够有效检测出较远处运动目标，提高运动目标区域的检测精度，从而降低运动目标的误检率和误报警率。
在又一个优选实施例中，步骤S14的具体步骤包括：
利用预设的滤波器对所述待检测图像进行滤波处理，获得模糊图像；其中，待检测图像中的像素点与模糊图像中的像素点之间一一对应；根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值。其中，滤波器可以是均值滤波器、高斯滤波器、低通滤波器，本发明不作具体限定。
在又一个优选实施例中，所述根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值，具体包括：
根据高反差保留算法的计算公式，计算所述待检测图像中N个像素点的高频特征值，获得N个高频特征值；其中，所述高反差保留算法的计算公式如下：
G(n)＝T1(n)-T(n)+A；
G(n)为第n个高频特征值；T1(n)为模糊图像中的第n个像素点对应的像素值；T(n)为待检测图像中的第n个像素点对应的像素值；A为大于0的常数；其中，A优选为128。
在又一个优选实施例中，在步骤S15之后，所述方法还包括：
对所述运动目标区域中的每一个像素点进行区域统计校正，获得校正后的运动目标区域。
在又一个优选实施例中，所述方法通过以下步骤对所述运动目标区域中的任意一个像素点进行区域统计校正：
获取该像素点的m*m邻域；其中，所述m*m邻域以该像素点为中心像素点；0<m<w/2；w为待检测图像的宽度；
统计所述m*m邻域中包含背景像素点的个数num0；
当m*m*a≤num0时，将所述中心像素点校正为背景像素点，否则将所述中心像素点校正为运动像素点；其中，0＜a＜1，a为预设的百分比阈值。
具体地，结合图2、图3及上述实施例，图2为待检测图像，图3为运动目标区域对应的标识图像，待检测图像与运动目标区域对应的标识图像中的像素点个数相同，区别在于运动目标区域对应的标识图像中的像素点有标识信息，根据标识信息将像素点分为运动像素点和背景像素点，其中，运动像素点标记为1，即为图3中的白色区域；背景像素点标记为0，即为图3中的黑色区域；以运动目标区域中的第一像素点R为例，取第一像素点R的3*3邻域，并以第一像素点R为3*3邻域的中心像素点；统计3*3邻域中包含0的个数num0，当3*3*a≤num0时，将第一像素点R校正为背景像素点(即为0)，否则将所述中心像素点校正为运动像素点(即为1)；通过对运动目标区域中的像素点进行校正，进一步提高运动目标区域的检测精度，降低运动目标的误检率和误报警率。
本发明实施例还提供一种融合深度信息的运动目标检测装置，能够实现上述任一实施例所述的融合深度信息的运动目标检测方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的融合深度信息的运动目标检测方法的作用以及实现的技术相关对应相同，这里不再赘述。
参见图4所示，是本发明提供的一种融合深度信息的运动目标检测装置的一个优选实施例的结构框图，装置包括：
图像获取模块11，用于获取待检测图像；
深度信息提取模块12，用于对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
模型校正模块13，用于利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
图像处理模块14，用于对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
图像检测模块15，用于根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
优选地，所述深度信息包括N个像素深度值，每一个像素点对应一个像素深度值；则，所述深度信息提取模块12具体用于：
通过体感器、深度学习算法或双目视觉技术提取所述待检测图像中N个像素点对应的像素深度值，获得N个像素点的深度信息。
优选地，所述模型校正模块13具体用于：
根据每一个像素点对应的像素深度值对该像素点对应的混合高斯模型中的方差阈值、噪声方差阈值进行校正，获得M个运动目标检测模型；
其中，第n个像素点对应的运动目标检测模型中的方差阈值为第n个像素点对应的混合高斯模型中的方差阈值/第n个像素点对应的像素深度值；第n个像素点对应的运动目标检测模型中的噪声方差阈值为第n个像素点对应的混合高斯模型中的噪声方差阈值/第n个像素点对应的像素深度值；N≥n＞0。
优选地，图像处理模块14具体包括：
第一图像处理单元，用于利用预设的滤波器对所述待检测图像进行滤波处理，获得模糊图像；其中，待检测图像中的像素点与模糊图像中的像素点之间一一对应；
第二图像处理单元，用于根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值。
优选地，所述第二图像处理单元具体用于：
根据高反差保留算法的计算公式，计算所述待检测图像中N个像素点的高频特征值，获得N个高频特征值；其中，所述高反差保留算法的计算公式如下：
G(n)＝T1(n)-T(n)+A；
G(n)为第n个高频特征值；T1(n)为模糊图像中的第n个像素点对应的像素值；T(n)为待检测图像中的第n个像素点对应的像素值；A为大于0的常数。
优选地，所述装置还包括运动目标区域校正模块；所述运动目标区域校正模块用于对所述运动目标区域中的每一个像素点进行区域统计校正，获得校正后的运动目标区域。
优选地，所述运动目标区域校正模块具体用于通过以下步骤对所述运动目标区域中的任意一个像素点进行区域统计校正：
获取该像素点的m*m邻域；其中，所述m*m邻域以该像素点为中心像素点；m为大于0的整数；
统计所述m*m邻域中包含背景像素点的个数num0；
当m*m*a≤num0时，将所述中心像素点校正为背景像素点，否则将所述中心像素点校正为运动像素点；其中，0＜a＜1。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的融合深度信息的运动目标检测方法。
本发明实施例还提供了一种终端设备，参见图5所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所示终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的融合深度信息的运动目标检测方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述空调器中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述空调器的控制中心，利用各种接口和线路连接所述空调器的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作***、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图5结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例所提供的一种融合深度信息的运动目标检测方法、装置、计算机可读存储介质及终端设备，具有以下有益效果：
(1)根据深度信息适应性的调整混合高斯模型的灵敏度，提高运动目标区域的检测精度，从而降低运动目标的误检率和误报警率。
(2)通过对运动目标区域的校正，进一步提高运动目标区域的检测精度，降低运动目标的误检率和误报警率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种融合深度信息的运动目标检测方法，其特征在于，包括：
获取待检测图像；
对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
2.如权利要求1所述的融合深度信息的运动目标检测方法，其特征在于，所述深度信息包括N个像素深度值，每一个像素点对应一个像素深度值；则，所述对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息，具体包括：
通过体感器、深度学习算法或双目视觉技术提取所述待检测图像中N个像素点对应的像素深度值，获得N个像素点的深度信息。
3.如权利要求2所述的融合深度信息的运动目标检测方法，其特征在于，所述利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型，具体包括：
根据每一个像素点对应的像素深度值对该像素点对应的混合高斯模型中的方差阈值、噪声方差阈值进行校正，获得M个运动目标检测模型；
其中，第n个像素点对应的运动目标检测模型中的方差阈值为第n个像素点对应的混合高斯模型中的方差阈值/第n个像素点对应的像素深度值；第n个像素点对应的运动目标检测模型中的噪声方差阈值为第n个像素点对应的混合高斯模型中的噪声方差阈值/第n个像素点对应的像素深度值；N≥n＞0。
4.如权利要求3所述的融合深度信息的运动目标检测方法，其特征在于，所述对所述待检测图像进行高反差保留处理，获得N个高频特征值，具体包括：
利用预设的滤波器对所述待检测图像进行滤波处理，获得模糊图像；其中，待检测图像中的像素点与模糊图像中的像素点之间一一对应；
根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值。
5.如权利要求4所述的融合深度信息的运动目标检测方法，其特征在于，所述根据所述待检测图像、所述模糊图像和预设的高反差保留算法，获得N个高频特征值，具体包括：
根据高反差保留算法的计算公式，计算所述待检测图像中N个像素点的高频特征值，获得N个高频特征值；其中，所述高反差保留算法的计算公式如下：
G(n)＝T1(n)-T(n)+A；
G(n)为第n个高频特征值；T1(n)为模糊图像中的第n个像素点对应的像素值；T(n)为待检测图像中的第n个像素点对应的像素值；A为大于0的常数。
6.如权利要求1所述的融合深度信息的运动目标检测方法，其特征在于，在所述根据N个高频特征值和M个运动目标检测模型，获得运动目标区域之后，所述方法还包括：
对所述运动目标区域中的每一个像素点进行区域统计校正，获得校正后的运动目标区域。
7.如权利要求6所述的融合深度信息的运动目标检测方法，其特征在于，所述方法通过以下步骤对所述运动目标区域中的任意一个像素点进行区域统计校正：
获取该像素点的m*m邻域；其中，所述m*m邻域以该像素点为中心像素点；m为大于0的整数；
统计所述m*m邻域中包含背景像素点的个数num0；
当m*m*a≤num0时，将所述中心像素点校正为背景像素点，否则将所述中心像素点校正为运动像素点；其中，0＜a＜1。
8.一种融合深度信息的运动目标检测装置，其特征在于，包括：
图像获取模块，用于获取待检测图像；
深度信息提取模块，用于对所述待检测图像进行深度信息提取处理，获得N个像素点的深度信息；其中，N>0；
模型校正模块，用于利用N个像素点的深度信息对预设的M个混合高斯模型中的参数进行校正，获得M个运动目标检测模型；其中，M>0；
图像处理模块，用于对所述待检测图像进行高反差保留处理，获得N个高频特征值；其中，高频特征值与像素点之间一一对应；
图像检测模块，用于根据N个高频特征值和M个运动目标检测模型，获得运动目标区域。
9.一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包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～7任一项所述的融合深度信息的运动目标检测方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～7任一项所述的融合深度信息的运动目标检测方法。
CN202110670125.5A 2021-06-16 2021-06-16 融合深度信息的运动目标检测方法、装置、介质及设备 Pending CN113487660A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110670125.5A CN113487660A (zh) 2021-06-16 2021-06-16 融合深度信息的运动目标检测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110670125.5A CN113487660A (zh) 2021-06-16 2021-06-16 融合深度信息的运动目标检测方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN113487660A true CN113487660A (zh) 2021-10-08

Family

ID=77935515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110670125.5A Pending CN113487660A (zh) 2021-06-16 2021-06-16 融合深度信息的运动目标检测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113487660A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316307A (zh) * 2011-08-22 2012-01-11 安防科技（中国）有限公司 一种道路交通视频检测方法及装置
CN103700114A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种基于可变高斯混合数的复杂背景建模方法
CN104952054A (zh) * 2014-03-24 2015-09-30 联想(北京)有限公司 背景建模的方法及装置
KR101581586B1 (ko) * 2014-10-13 2016-01-11 이화여자대학교 산학협력단 깊이 영상의 노이즈를 보정하는 방법
US20180322646A1 (en) * 2016-01-05 2018-11-08 California Institute Of Technology Gaussian mixture models for temporal depth fusion
CN110602476A (zh) * 2019-08-08 2019-12-20 南京航空航天大学 一种基于深度信息辅助的高斯混合模型的空洞填补方法
CN110852997A (zh) * 2019-10-24 2020-02-28 普联技术有限公司 动态图像清晰度检测方法、装置、电子设备及存储介质
CN111160340A (zh) * 2019-12-24 2020-05-15 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN111179302A (zh) * 2019-12-27 2020-05-19 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102316307A (zh) * 2011-08-22 2012-01-11 安防科技（中国）有限公司 一种道路交通视频检测方法及装置
CN103700114A (zh) * 2012-09-27 2014-04-02 中国航天科工集团第二研究院二O七所 一种基于可变高斯混合数的复杂背景建模方法
CN104952054A (zh) * 2014-03-24 2015-09-30 联想(北京)有限公司 背景建模的方法及装置
KR101581586B1 (ko) * 2014-10-13 2016-01-11 이화여자대학교 산학협력단 깊이 영상의 노이즈를 보정하는 방법
US20180322646A1 (en) * 2016-01-05 2018-11-08 California Institute Of Technology Gaussian mixture models for temporal depth fusion
CN110602476A (zh) * 2019-08-08 2019-12-20 南京航空航天大学 一种基于深度信息辅助的高斯混合模型的空洞填补方法
CN110852997A (zh) * 2019-10-24 2020-02-28 普联技术有限公司 动态图像清晰度检测方法、装置、电子设备及存储介质
CN111160340A (zh) * 2019-12-24 2020-05-15 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备
CN111179302A (zh) * 2019-12-27 2020-05-19 普联国际有限公司 一种运动目标检测方法、装置、存储介质及终端设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHO, JAECHAN等: "Moving Object Detection Based on Optical Flow Estimation and a Gaussian Mixture Model for Advanced Driver Assistance Systems.Sensors", 《SENSORS》, vol. 19, no. 14, 19 July 2019 (2019-07-19), pages 3217 - 1 *
R. AZZAM等: "Efficient visual object detection with spatially global Gaussian mixture models and uncertainties", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》, vol. 36, 30 April 2016 (2016-04-30), pages 90 - 106, XP029440374, DOI: 10.1016/j.jvcir.2015.11.009 *
周增刚: "基于视频监控的车辆识别技术的研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2013, 15 June 2013 (2013-06-15), pages 138 - 1155 *
孙挺等: "基于帧间差分和背景差分的运动目标检测算法", 《吉林大学学报(工学版)》, vol. 46, no. 04, 15 July 2016 (2016-07-15), pages 1325 - 1329 *
郑加敏: "基于自适应混合高斯模型的运动目标检测与跟踪算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 2018, 15 April 2018 (2018-04-15), pages 138 - 3119 *

Similar Documents

Publication Publication Date Title
CN109299703B (zh) 对鼠情进行统计的方法、装置以及图像采集设备
CN111179302B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN111210399B (zh) 一种成像质量评价方法、装置及设备
CN110660090B (zh) 主体检测方法和装置、电子设备、计算机可读存储介质
CN111723644A (zh) 一种监控视频遮挡检测方法及***
CN109064504B (zh) 图像处理方法、装置和计算机存储介质
CN110796041B (zh) 主体识别方法和装置、电子设备、计算机可读存储介质
CN108280386B (zh) 监控场景检测方法及装置
CN111783524A (zh) 一种场景变换检测方法、装置、存储介质及终端设备
CN113822223A (zh) 一种用于检测摄像头被遮挡移动的方法及装置
CN111079613A (zh) 姿势识别方法和装置、电子设备及存储介质
CN110399823B (zh) 主体跟踪方法和装置、电子设备、计算机可读存储介质
CN113808135B (zh) 图像亮度异常检测方法、电子设备及存储介质
CN110910429B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN111160340B (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN113822927A (zh) 一种适用弱质量图像的人脸检测方法、装置、介质及设备
CN111126191B (zh) 一种虹膜图像的采集方法、装置及存储介质
CN112883783A (zh) 一种视频浓缩方法、装置、终端设备及存储介质
CN115082326A (zh) 视频去模糊的处理方法、边缘计算设备及中心处理器
CN112581481A (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
CN109598195B (zh) 一种基于监控视频的清晰人脸图像处理方法与装置
CN112101148A (zh) 一种运动目标检测方法、装置、存储介质及终端设备
CN108737733B (zh) 信息提示方法和装置、电子设备、计算机可读存储介质
CN113487660A (zh) 融合深度信息的运动目标检测方法、装置、介质及设备
CN114037741B (zh) 一种基于事件相机的自适应目标检测方法及装置

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