CN113591564B - 一种场景异常状态检测方法 - Google Patents
一种场景异常状态检测方法 Download PDFInfo
- Publication number
- CN113591564B CN113591564B CN202110706869.8A CN202110706869A CN113591564B CN 113591564 B CN113591564 B CN 113591564B CN 202110706869 A CN202110706869 A CN 202110706869A CN 113591564 B CN113591564 B CN 113591564B
- Authority
- CN
- China
- Prior art keywords
- scene
- image
- real
- preset
- detection method
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 4
- 238000009928 pasteurization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种场景异常状态检测方法,涉及场景异常状态检测领域,目的是实现智能化且高准确度的场景异常状态检测方法以减轻巡逻人员的负担,包括以下步骤:获取和映射获取场景实时图{Ii,j}和预置场景图{I′i,j};进行图像裁剪;通过两张图对比的像素比较分数、色调相似分数和轮廓相似度分数的加权平均数共同确定一个最终的相似度分数;通过设立的相似度分数的临界阈值γ进行对比判断是否异常,实现了一种通过图片智能化判断场景是否异常的场景异常状态检测方法。
Description
技术领域
本发明涉及场景异常检测技术领域,具体涉及一种场景异常状态检测方法。
背景技术
在如今的生产和生活等场景中,经常需要对场景是否异常做判断,例如指定区域是否场景异常出现,大门是否关好,指定物品例如灭火器是否在指定区域装备完好等。现在通常派遣工作人员对环境和场景进行定期巡逻检查,甚至包括夜间巡视,通常会造成工作疲劳,漏检等情况。
通过图像的处理技术进行比对分析,实现智能化的场景异常状态检测方法,来取代人工巡逻,节约人力资源,提供检测准确率。
发明内容
本发明公开了一种场景异常状态检测方法,目的是实现智能化且高准确度的场景异常状态检测方法以减轻巡逻人员的负担。
为了实现以上目的,本发明采取以下技术方案:
一种场景异常状态检测方法,包括以下步骤:
步骤1:获取场景场景RGB图,获取场景实时图{Ii,j}和预置场景图{I′i,j},匹配预置图像特征点进行投影变换,求取透视矩阵A,将{Ii,j}的坐标用透视矩阵A映射到{I″i,j};
步骤2:根据预先转入的场景区域信息{x,y,w,h},对{I″i,j}进行裁剪,用裁剪区域作为新的场景实时图{Ii,j},同时对预置场景图{I′i,j}进行裁剪,用裁剪区域作为新{I′i,j},其中,仪表区域信息中的x和y分别为裁剪框的左上角断点的x坐标和y坐标,w和h分别为裁剪框的宽度和高度;
步骤3:计算{Ii,j}和{I′i,j}的像素比较分数score1:
步骤4:计算{Ii,j}和{I′i,j}的色调相似分数score2;
步骤5:计算{Ii,j}和{I′i,j}的轮廓相似度分数score3;
步骤6:取score1、score2和score3的加权平均数作为{Ii,j}和{I′i,j}的相似度分数score:
score=a*score1+b*score2+c*score3,其中a=0.5,b=0.3,c=0.2;
步骤7:根据score和临界阈值γ进行判断,若score<γ,则判断场景异常,否则为场景正常。
优选地,所述步骤1包括以下步骤:
步骤101:获取场景实时图{Ii,j};
步骤102:获取预置场景图{I′i,j};
步骤103:分别提取场景实时图和预置场景图的ORB特征点,分别提取场景实时图和预置场景图的主方向,然后分别对场景实时图和预置场景图的进行旋转不变性处理,分别提取场景实时图和预置场景图的BRIEF特征描述子;
步骤104:比较场景实时图的特征描述子和预置场景图的相对应的特征描述子之间的汉明距离,获得其中的最小汉明距离distHmin;
步骤105:分别从场景实时图和预置场景图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中:
步骤106:PA≈Q,其中A为求透视矩阵且
用最小二乘法求A的最优解;
步骤107:将{Ii,j}的坐标用A映射到{I″i,j}。
优选地,所述步骤4包括以下步骤:
步骤401:将{Ii,j},{I′i,j}分别由RGB空间转换到HSV空间,得到{Ei,j},{E′i,j};
步骤402:将[0,255]区间十等分,计算{Ei,j}和{E′i,j}的直方统计图,分别取取H分量{histi}和{histi′}备用,即取统计图中像素值在对应区间的像素点数值;
步骤403:计算{histi}和{histi′}的巴氏距离d
其中,
步骤404:score2=d。
优选地,所述步骤5包括以下步骤:
步骤501:分别计算{Ii,j}的一阶梯度图{Gi,j}和{I′i,j}的一阶梯度图{G′i,j}:
a′i,j同理;
步骤502:对{ai,j}、{a′i,j}分别进行归一化处理,
即
步骤503:对[0,1]的区间进行十等分,获取{ai,j}的直方统计图{histi},获取{a′i,j}的直方统计图{histi′},histi和histi′分别表示{ai,j}和{a′i,j}中像素值属于第i个区间的像素数量;
步骤504:计算{histi}和{histi′}的巴氏距离d;
步骤505:score3=d。
优选地,所述步骤7中的临界阈值γ=0.85。
本发明通过对比预置场景图和实时场景图的差别实现了智能化场景异常检测,替代了人工繁琐的巡逻工作,避免了因为疲劳造成的漏检;通过两张图对比的像素比较分数、色调相似分数和轮廓相似度分数共同确定一个最终的相似度分数,提高了判断的精确度;相似度分数是通过像素比较分数、色调相似分数和轮廓相似度分数的加权平均数确定,每一项加权值都是试验得出的最佳方案,提升了相似度分析的准确率;通过设立的相似度分数的临界阈值γ进行对比判断是否异常,临界阈值γ的选取也提升了判断准确率。
附图说明
图1为实施例1中的场景异常状态检测方法的流程示意图。
具体实施方式
实施例1
本发明公开了一种场景异常状态检测方法,其流程如图1所示,包括以下步骤:
步骤1:获取场景场景RGB图,获取场景实时图{Ii,j}和预置场景图{I′i,j},匹配预置图像特征点进行投影变换,求取透视矩阵A,将{Ii,j}的坐标用透视矩阵A映射到{I″i,j};
为了更好地实现映射,在本实施例中步骤1采取以下步骤:
优选地,步骤1包括以下步骤:
步骤101:获取场景实时图{Ii,j};
步骤102:获取预置场景图{I′i,j};
步骤103:分别提取场景实时图和预置场景图的ORB特征点,分别提取场景实时图和预置场景图的主方向,然后分别对场景实时图和预置场景图的进行旋转不变性处理,分别提取场景实时图和预置场景图的BRIEF特征描述子;
步骤104:比较场景实时图的特征描述子和预置场景图的相对应的特征描述子之间的汉明距离,获得其中的最小汉明距离distHmin;
步骤105:分别从场景实时图和预置场景图中提取特征点{pi}和{qi}组成汉明距离小于2倍distHmin的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中:
步骤106:PA≈Q,其中A为求透视矩阵且
用最小二乘法求A的最优解;
步骤107:将{Ii,j}的坐标用A映射到{I″i,j}。
然后进入步骤2。
步骤2:根据预先转入的场景区域信息{x,y,w,h},对{I″i,j}进行裁剪,用裁剪区域作为新的场景实时图{Ii,j},同时对预置场景图{Ii′,j}进行裁剪,用裁剪区域作为新{I′i,j};
步骤3:计算{Ii,j}和{I′i,j}的像素比较分数score1:
步骤4:计算{Ii,j}和{I′i,j}的色调相似分数score2,在本实施例中,score2的计算方法如下:
步骤401:将{Ii,j},{I′i,j}分别由RGB空间转换到HSV空间,得到{Ei,j},{E′i,j};
步骤402:将[0,255]区间十等分,计算{Ei,j}和{E′i,j}的直方统计图,分别取取H分量{histi}和{hist′i}备用,即取统计图中像素值在对应区间的像素点数值;
步骤403:计算{histi}和{histi′}的巴氏距离d
其中,
步骤404:score2=d。
除此之外,还需要按照步骤五计算轮廓相似度分数score3。
步骤5:计算{Ii,j}和{I′i,j}的轮廓相似度分数score3,其计算方法优选为:
步骤501:分别计算{Ii,j}的一阶梯度图{Gi,j}和{I′i,j}的一阶梯度图{G′i,j}:
a′i,j同理;
步骤502:对{ai,j}、{a′i,j}分别进行归一化处理,
即
步骤503:对[0,1]的区间进行十等分,获取{ai,j}的直方统计图{histi},获取{a′i,j}的直方统计图{histi′},histi和histi′分别表示{ai,j}和{a′i,j}中像素值属于第i个区间的像素数量;
步骤504:计算{histi}和{histi′}的巴氏距离d;
步骤505:score3=d。
步骤6:在计算得到score1、score2和score3便可以获取{Ii,j}和{I′i,j}的相似度分数score,取score1、score2和score3的加权平均数作为{Ii,j}和{I′i,j}的相似度分数score:
score=a*score1+b*score2+c*score3,其中a=0.5,b=0.3,c=0.2;
步骤7:根据score和临界阈值γ进行判断,若score<γ,则判断场景异常,否则为场景正常,在本实施例中,通过实验验证,临界阈值γ取0.85可以实现高精度的场景异常判断。
Claims (5)
1.一种场景异常状态检测方法,其特征在于,包括以下步骤:
步骤1:获取场景场景RGB图,获取场景实时图和预置场景图/>,匹配预置图像特征点进行投影变换,求取透视矩阵A,将/>的坐标用透视矩阵A映射到/>;
步骤2:根据预先转入的场景区域信息{ },对/>进行裁剪,用裁剪区域作为新的场景实时图/>,同时对预置场景图/>进行裁剪,用裁剪区域作为新/>;
其中,分别为裁剪框的左上角断点的x坐标和y坐标,/>;
步骤3:计算的像素比较分数score1:
,
;
步骤4:计算的色调相似分数score2;
步骤5:计算的轮廓相似度分数score3;
步骤6:取score1、score2和score3的加权平均数作为的相似度分数score:
score=a*score1+b*score2+c*score3,其中a=0.5,b=0.3,c=0.2;
步骤7:根据score和临界阈值γ进行判断,若score<γ,则判断场景异常,否则为场景正常。
2.根据权利要求1所述的一种场景异常状态检测方法,其特征在于,所述步骤1包括以下步骤:
步骤101:获取场景实时图;
步骤102:获取预置场景图;
步骤103:分别提取场景实时图和预置场景图的ORB特征点,分别提取场景实时图和预置场景图的主方向,然后分别对场景实时图和预置场景图的进行旋转不变性处理,分别提取场景实时图和预置场景图的BRIEF特征描述子;
步骤104:比较场景实时图的特征描述子和预置场景图的相对应的特征描述子之间的汉明距离,获得其中的最小汉明距离;
步骤105:分别从场景实时图和预置场景图中提取特征点和/>组成汉明距离小于2倍/>的特征点对,i为特征点的序号,p和q中序号一致的组成一个特征点对,其中:
=/>,/>=/>
步骤106:,其中A为求透视矩阵且/>,
=/> ,/>=/>
用最小二乘法求A的最优解;
步骤107:将的坐标用A映射到/>。
3.根据权利要求1所述的一种场景异常状态检测方法,其特征在于,所述步骤4包括以下步骤:
步骤401:将分别由RGB空间转换到HSV空间,得到/>
步骤402:将区间十等分,计算/>的直方统计图,分别取取H分量备用,即取统计图中像素值在对应区间的像素点数值;
步骤403:计算的巴氏距离d
,
其中,,/>;
步骤404:score2=。
4.根据权利要求1所述的一种场景异常状态检测方法,其特征在于:所述步骤5包括以下步骤:
步骤501:分别计算的一阶梯度图/>
,
同理;
步骤502:对分别进行归一化处理,
即,
;
步骤503:对[0,1]的区间进行十等分,获取 ,/>和/>表示/>像素值属于第i个区间的像素数量;
步骤504:计算的巴氏距离d;
步骤505:score3=d。
5.根据权利要求1所述的一种场景异常状态检测方法,其特征在于:所述步骤7中的临界阈值γ=0.85。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706869.8A CN113591564B (zh) | 2021-06-24 | 2021-06-24 | 一种场景异常状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706869.8A CN113591564B (zh) | 2021-06-24 | 2021-06-24 | 一种场景异常状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591564A CN113591564A (zh) | 2021-11-02 |
CN113591564B true CN113591564B (zh) | 2024-05-03 |
Family
ID=78244540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706869.8A Active CN113591564B (zh) | 2021-06-24 | 2021-06-24 | 一种场景异常状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591564B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982537A (zh) * | 2012-11-05 | 2013-03-20 | 安维思电子科技(广州)有限公司 | 一种检测场景变换的方法和*** |
CN104346796A (zh) * | 2013-07-30 | 2015-02-11 | 比亚迪股份有限公司 | 图像相似度的计算方法 |
US9269162B1 (en) * | 2014-08-25 | 2016-02-23 | Raytheon Company | Rapid anomaly detection (RAND) |
WO2016037422A1 (zh) * | 2014-09-11 | 2016-03-17 | 刘鹏 | 一种视频场景变化的检测方法 |
CN105913002A (zh) * | 2016-04-07 | 2016-08-31 | 杭州电子科技大学 | 视频场景下在线自适应的异常事件检测方法 |
CN112784900A (zh) * | 2021-01-22 | 2021-05-11 | 深圳壹账通智能科技有限公司 | 图像目标对比方法、装置、计算机设备及可读存储介质 |
-
2021
- 2021-06-24 CN CN202110706869.8A patent/CN113591564B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982537A (zh) * | 2012-11-05 | 2013-03-20 | 安维思电子科技(广州)有限公司 | 一种检测场景变换的方法和*** |
CN104346796A (zh) * | 2013-07-30 | 2015-02-11 | 比亚迪股份有限公司 | 图像相似度的计算方法 |
US9269162B1 (en) * | 2014-08-25 | 2016-02-23 | Raytheon Company | Rapid anomaly detection (RAND) |
WO2016037422A1 (zh) * | 2014-09-11 | 2016-03-17 | 刘鹏 | 一种视频场景变化的检测方法 |
CN105913002A (zh) * | 2016-04-07 | 2016-08-31 | 杭州电子科技大学 | 视频场景下在线自适应的异常事件检测方法 |
CN112784900A (zh) * | 2021-01-22 | 2021-05-11 | 深圳壹账通智能科技有限公司 | 图像目标对比方法、装置、计算机设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
"视频监控***常见异常检测技术研究及应用";汤俊儿;"中国优秀硕士学位论文全文数据库信息科技辑"(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113591564A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021008252A1 (zh) | 识别图像中人物位置方法、装置、计算机设备和存储介质 | |
CN106909888B (zh) | 应用于移动设备端的人脸关键点跟踪***及方法 | |
CN108335331B (zh) | 一种钢卷双目视觉定位方法及设备 | |
US7756293B2 (en) | Movement capture and analysis apparatus and method | |
CN111062239A (zh) | 人体目标检测方法、装置、计算机设备及存储介质 | |
CN110458041B (zh) | 一种基于rgb-d相机的人脸识别方法及*** | |
CN110599507B (zh) | 一种番茄识别定位方法及*** | |
WO2020173024A1 (zh) | 面向智能家居场景的多手势精准分割方法 | |
CN113592839B (zh) | 基于改进Faster RCNN的配网线路典型缺陷诊断方法及*** | |
TW202201275A (zh) | 手部作業動作評分裝置、方法及電腦可讀取存儲介質 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN107330431B (zh) | 一种基于K-means聚类拟合的显著性检测优化方法 | |
CN111062936B (zh) | 用于面部变形诊疗效果的量化指标评估方法 | |
CN116128814A (zh) | 舌诊图像的标准化采集方法及相关装置 | |
CN110647813A (zh) | 一种基于无人机航拍的人脸实时检测识别方法 | |
CN114170686A (zh) | 一种基于人体关键点的屈肘行为检测方法 | |
CN113591564B (zh) | 一种场景异常状态检测方法 | |
CN115830719B (zh) | 基于图像处理的建筑工地危险行为识别方法 | |
CN110135274B (zh) | 一种基于人脸识别的人流量统计方法 | |
CN112541471B (zh) | 一种基于多特征融合的遮挡目标识别方法 | |
CN115909400A (zh) | 一种用于低分辨率监控场景中使用手机行为的识别方法 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
CN112085683A (zh) | 一种显著性检测中的深度图可信度检测方法 | |
CN112613421B (zh) | 人脸图片降维特征分析比对方法 |
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 |