CN113723318A - 确定目标物体遮挡状态的方法、装置及监控设备 - Google Patents
确定目标物体遮挡状态的方法、装置及监控设备 Download PDFInfo
- Publication number
- CN113723318A CN113723318A CN202111023064.XA CN202111023064A CN113723318A CN 113723318 A CN113723318 A CN 113723318A CN 202111023064 A CN202111023064 A CN 202111023064A CN 113723318 A CN113723318 A CN 113723318A
- Authority
- CN
- China
- Prior art keywords
- preset
- region
- determining
- probability
- background
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种确定目标物体遮挡状态的方法、装置及监控设备,确定目标物体遮挡状态的方法包括:对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;确定物体区域对应的至少一个预设子区域;根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。本发明的确定目标物体遮挡状态的方法解决了相关技术中对图像中的目标物体的遮挡情况进行判断时的速度慢和精度差的问题。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种确定目标物体遮挡状态的方法、装置及监控设备。
背景技术
在智能安防领域,会对监控视频中的各种目标进行分析,例如视频结构化中通常会进行行人、车辆、非机动车属性分析,或者对行人、非机动车进行重识别等。但自然场景中的目标质量差别很大,有的目标被严重遮挡,这时如果将目标直接输入后续分析模块,进行分析便难以保证分析的准确率,甚至会导致出现与实际完全相反的分析结果。因此,为了保证识别分析的准确性,在分析过程中确定目标是否被遮挡是很有必要的。
相关技术中,对图像中目标遮挡情况判断的方案普遍对设备算力有很大的依赖,且分析速度慢、精度差。
针对上述的问题,目前尚未提出有效的解决方案。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解。因此,背景技术中可能包含某些信息,这些信息对于本领域技术人员来说并未形成在已知的现有技术。
发明内容
本发明实施例提供了一种确定目标物体遮挡状态的方法、装置及监控设备,以至少解决相关技术中对图像中的目标物体的遮挡情况进行判断时的速度慢和精度差的问题。
为了实现上述目的,根据本发明实施例的第一个方面,提供了一种确定目标物体遮挡状态的方法,包括:对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;确定物体区域对应的至少一个预设子区域;根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。
进一步地,根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,包括:根据各个预设子区域的历史遮挡概率,确定目标物体中位于各个预设子区域的物体部分是否被遮挡;若位于至少一个预设子区域的物体部分被遮挡,则确定目标物体被遮挡。
进一步地,根据各个预设子区域的历史遮挡概率,确定目标物体中位于各个预设子区域的物体部分是否被遮挡,包括:针对各个预设子区域分别进行如下操作:若各个预设子区域中一个预设子区域对应的历史遮挡概率大于或等于第一预设概率,则确定目标物体中位于一个预设子区域的部分被遮挡。
进一步地,还包括:若各个预设子区域中一个预设子区域对应的历史遮挡概率小于或等于第二预设概率,则确定目标物体中位于一个预设子区域的部分未被遮挡,第二预设概率小于第一预设概率。
进一步地,还包括:若各个预设子区域中一个预设子区域的历史遮挡概率大于第二预设概率且小于第一预设概率,则至少将目标图像的与一个预设子区域对应的部分输入预先训练得到的遮挡情况判断模型,获取目标物体的位于一个预设子区域的部分被遮挡的情况。
进一步地,在对目标场景的目标图像进行物体检测,确定目标图像中的物体区域之前,方法还包括:获取目标场景的背景图像;确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,底层背景为无法对目标物体进行遮挡的背景结构;在相应的预设子区域对应的背景结构为底层背景的情况下,确定该预设子区域的历史遮挡概率为0。
进一步地,在相应的预设子区域对应的背景结构不是底层背景的情况下,方法还包括:获取目标场景的多帧历史图像,历史图像的帧数大于预设帧数;将多帧历史图像输入预先训练得到的遮挡情况判断模型,获取预设子区域的多个历史遮挡结果;根据多个历史遮挡结果,计算预设子区域的历史遮挡概率。
进一步地,确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,包括:确定背景图像的各个像素点所属的背景结构分类;根据背景图像的与各个预设子区域对应的多个像素点的背景结构分类,确定背景图像中的与相应的预设子区域对应的背景结构是否为底层背景。
进一步地,根据背景图像的与各个预设子区域对应的多个像素点的背景结构分类,确定背景图像中的与相应的预设子区域对应的背景结构是否为底层背景,包括:计算预设子区域对应的多个像素点中属于底层背景结构的像素点的占比;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比大于或等于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构是底层背景;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比小于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构不是底层背景。
进一步地,获取目标场景的背景图像,包括:获取目标场景的多帧场景图像;根据多帧场景图像,采用图像融合算法,得到背景图像。
根据本发明实施例的第二个方面,提供了一种确定目标物体遮挡状态的装置,包括:检测单元,用于对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;第一确定单元,用于确定物体区域对应的至少一个预设子区域;第二确定单元,用于根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。
根据本发明实施例的第三个方面,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行上述的确定目标物体遮挡状态的方法。
根据本发明实施例的第四个方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的确定目标物体遮挡状态的方法。
根据本发明实施例的第五个方面,提供了一种监控设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的确定目标物体遮挡状态的方法。
应用本发明的技术方案的确定目标物体遮挡状态的方法包括:对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;确定物体区域对应的至少一个预设子区域;根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。这样,通过结合概率分析,至少根据目标物体所处的至少一个预设子区域的历史遮挡概率,确定目标物体是否被遮挡,这种方案用于对目标图像中的遮挡概率很大或很小的预设子区域进行遮挡情况判断时,不需要对目标图像进行识别或处理,能够有效地减小对设备算力的需求,提升判断速度。而且将这种判断方式用于对目标图像中的遮挡概率很大或很小的预设子区域进行遮挡情况判断时,与相关技术中的图像识别技术相比,可具备更高的判断精度,从而解决了相关技术中对图像中的目标的遮挡情况进行判断时的速度慢和精度差的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的确定目标物体遮挡状态的方法的一种可选的实施例的流程示意图;
图2是根据本发明的确定目标物体遮挡状态的装置的一种可选的实施例的示意图;
图3是根据本发明的确定目标物体遮挡状态的方法的一种可选的实施例的流程示意图;
图4是根据本发明的确定目标物体遮挡状态的方法确定目标场景各网格历史遮挡概率表的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本发明方案,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的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
图1是根据本发明实施例的确定目标物体遮挡状态的方法,如图1所示,该方法包括如下步骤:
步骤S102,获取目标场景的目标图像;
步骤S104,确定目标图像中的目标物体所处的一个或多个预设子区域;
步骤S106,至少根据一个或多个预设子区域的历史遮挡概率,确定目标物体是否被遮挡,历史遮挡概率为处于相应的预设子区域内的历史目标被其它物体遮挡的概率。
采用上述方案的确定目标物体遮挡状态的方法包括:对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;确定物体区域对应的至少一个预设子区域;根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。这样,通过结合概率分析,至少根据目标物体所处的至少一个预设子区域的历史遮挡概率,确定目标物体是否被遮挡,这种方案用于对目标图像中的遮挡概率很大或很小的预设子区域进行遮挡情况判断时,不需要对目标图像进行识别或处理,能够有效地减小对设备算力的需求,提升判断速度。而且将这种判断方式用于对目标图像中的遮挡概率很大或很小的预设子区域进行遮挡情况判断时,与相关技术中的图像识别技术相比,可具备更高的判断精度,从而解决了相关技术中对图像中的目标的遮挡情况进行判断时的速度慢和精度差的问题。
需要说明的是,预设子区域是根据目标场景预先划分形成的,其各个预设子区域的形状可以是任意形状。
具体地,根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,包括:根据各个预设子区域的历史遮挡概率,确定目标物体中位于各个预设子区域的物体部分是否被遮挡;若位于至少一个预设子区域的物体部分被遮挡,则确定目标物体被遮挡。
若目标物体中位于所有的预设子区域的部分均未被遮挡,则确定目标物体未被遮挡。
而各个预设子区域的历史遮挡概率,即各个预设子区域内的历史目标被其它物体遮挡的概率,其可将历史统计结果进行存储,从而方便后续确定各预设子区域的历史遮挡概率。
在具体情况下,目标物体可能占据一个预设子区域或多个预设子区域:
当目标物体占据一个预设子区域时,如果根据该预设子区域的历史遮挡概率确定目标物体的位于该预设子区域的部分被遮挡,则可确定目标物体一定被遮挡;而如果根据该预设子区域的历史遮挡概率确定目标物体的位于该预设子区域的部分没有被遮挡,则可确定目标物体一定没有被遮挡。
当目标物体占据多个预设子区域时,可根据各个预设子区域的历史遮挡概率,确定目标物体的位于各个预设子区域的部分是否被遮挡,如果目标物体的位于各个预设子区域的部分存在被遮挡的情况,则目标物体一定被遮挡;否则,如果目标物体的位于所有的预设子区域的部分均没有被遮挡,则可确定目标物体没有被遮挡。
根据各个预设子区域的历史遮挡概率,确定目标物体中位于各个预设子区域的物体部分是否被遮挡,包括:针对各个预设子区域分别进行如下操作:若各个预设子区域中一个预设子区域对应的历史遮挡概率大于或等于第一预设概率,则确定目标物体中位于一个预设子区域的部分被遮挡。若各个预设子区域中一个预设子区域对应的历史遮挡概率小于或等于第二预设概率,则确定目标物体中位于一个预设子区域的部分未被遮挡,第二预设概率小于第一预设概率。
在具体实施时,可根据实际情况或需求灵活地选择第一预设概率和第二预设概率,例如在本实施例中,第一预设概率可以是80%或90%,此时,如果相应的预设子区域的历史遮挡概率达到第一预设概率,那么目标物***于该预设子区域的部分存在很大可能被遮挡,此时做出目标物体被遮挡的判断,可比采用其它的图像识别算法速度更快且精度更可靠。同样的,在本实施例中,第二预设概率可以是10%或20%,当相应的预设子区域的历史遮挡概率小于或等于该第二预设概率时,目标物体的位于该预设子区域内的部分被遮挡的概率也会很小,此时做出目标物***于该预设子区域的部分未被遮挡的判断,可比采用其它的图像识别算法速度更快且精度更为可靠。
若各个预设子区域中一个预设子区域的历史遮挡概率大于第二预设概率且小于第一预设概率,则至少将目标图像的与一个预设子区域对应的部分输入预先训练得到的遮挡情况判断模型,获取目标物体的位于一个预设子区域的部分被遮挡的情况。
当相应的预设子区域的历史遮挡概率介于第一预设概率和第二预设概率之间时,通过难以通过概率来得到准确的遮挡情况结果,此时,至少将目标图像的与该预设子区域对应的部分输入遮挡情况判断模型,有利于得到更为可靠的判断结果。这样,采用概率判断和模型判断的结合,能够有效地提高判断速度并保证针对各种情况的判断精度。
具体地,在对目标场景的目标图像进行物体检测,确定目标图像中的物体区域之前,方法还包括:获取目标场景的背景图像;确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,底层背景为无法对目标物体进行遮挡的背景结构;在相应的预设子区域对应的背景结构为底层背景的情况下,确定该预设子区域的历史遮挡概率为0。
也就是说,通过确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,如果是,则该预设子区域对应的背景结构不可能对目标物体造成遮挡,此时直接确定该预设子区域的历史遮挡概率为0,不仅结果可靠,而且不需要后续再对该区域进行大量数据分析来计算历史遮挡概率。其中,底层背景为无法对目标物体进行遮挡的背景结构,例如天空、道路等类型的背景结构,当目标物体的一部分出现在这些预设子区域内时,可以明确不会产生背景遮挡,从而能够快速且准确地做出判断。而如果采用例如CNN(卷积神经网络判断模型)等方式进行判断,不仅速度慢,而且CNN效果不好时,得到的结果的准确性也较差。
具体地,在相应的预设子区域对应的背景结构不是底层背景的情况下,方法还包括:获取目标场景的多帧历史图像,历史图像的帧数大于预设帧数;将多帧历史图像输入预先训练得到的遮挡情况判断模型,获取预设子区域的多个历史遮挡结果;根据多个历史遮挡结果,计算预设子区域的历史遮挡概率。
在相应的预设子区域对应的背景结构不是底层背景的情况下,会采用遮挡情况判断模型(CNN)对多帧历史图像进行分析,得到多个历史遮挡结果,再通过计算存在遮挡的结果的总数与所有的历史遮挡结果的总数的比值,便可计算出该预设子区域的历史遮挡概率。可以理解的是,当历史遮挡结果的总数较少时,计算出的历史遮挡概率的误差可能较大,可信度差,通过控制历史图像的帧数大于预设帧数,有利于使历史遮挡概率区域稳定和可靠,在具体实施时,预设帧数的具体取值可灵活地进行选择。
以将图像划分为若干网格结构为例,此时各个网格对应各个预设子区域,统计各个网格内目标物体被背景遮挡的概率信息,例如,一个目标物体占据A、B、C三个网格,则这A、B、C三个网格目标计数分别加1,同时若根据CNN判断,若此目标物***于相应的网格内的部分被背景遮挡,则该网格内目标物体被背景遮挡计数+1;若CNN判断这个目标物***于相应的网格内的部分无遮挡,则该网格内目标物体被背景遮挡计数不变。各个网格经过若干时间的累积可能会出现多个目标物体,当目标物体出现数目超过一定的置信度阈值N后,统计此网格目标物体存在背景遮挡的比例,作为此网格内目标物体被背景遮挡的概率。
具体地,确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,包括:确定背景图像的各个像素点所属的背景结构分类;根据背景图像的与各个预设子区域对应的多个像素点的背景结构分类,确定背景图像中的与相应的预设子区域对应的背景结构是否为底层背景。
也就是说,对背景图像的各个像素点均进行分类,确定其所属的背景结构,再根据各个预设子区域内的多个像素点的分类情况,确定该预设子区域对应的背景结构是否为底层背景。
具体地,根据背景图像的与各个预设子区域对应的多个像素点的背景结构分类,确定背景图像中的与相应的预设子区域对应的背景结构是否为底层背景,包括:计算预设子区域对应的多个像素点中属于底层背景结构的像素点的占比;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比大于或等于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构是底层背景;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比小于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构不是底层背景。
获取目标场景的背景图像,包括:获取目标场景的多帧场景图像;根据多帧场景图像,采用图像融合算法,得到背景图像。这样,通过采用图像融合算法,能够有效地去除图像中的前景目标,得到完整的背景图像,保证最终判断结果的准确。
如图3和图4所示,图3是根据本发明的一个较为具体的实施例的确定目标物体遮挡状态的方法的示意图,在具体实施时,其各个预设子区域的类型为网格,即目标图像被划分为若干网格,当获取到目标图像后,会先确定目标图像所覆盖的网格,再根据目标场景各网格历史遮挡概率表,确定各网格的历史遮挡概率,根据各网格的历史遮挡概率与第一预设概率和第二预设概率的大小关系,如果大于或等于第一预设概率,则确定目标物体的位于该网格内的部分被遮挡,如果小于第二预设概率,则确定目标物体的位于该网格内的部分未被遮挡,如果介于第一预设概率和第二预设概率之间,则运行预先训练得到的遮挡情况判断模型(CNN),确定目标物体的位于该网格内的部分是否被遮挡。图4是一个获取目标场景各网格历史遮挡概率表的具体实施例,如图4所示,在具体实施时,先采用图像融合算法融合多帧图像,从而去除前景目标,获取背景图像,将背景图像划分为若干网格,再采用场景分割算法,确定背景图像的各个像素点所属的背景结构分类,根据各像素点的背景结构分类,便能够确定各网格是否为底层背景,在相应的网格为底层背景的情况下,确定该网格的历史遮挡概率为0,否则,针对多帧历史图像运行遮挡情况判断模型(CNN),进而统计出该网格的历史遮挡概率,汇总各网格的历史遮挡概率,即可得到目标场景的各网格的历史遮挡概率表。
其次,如图2所示,本发明的实施例还提供了一种确定目标物体遮挡状态的装置,包括:检测单元,用于对目标场景的目标图像进行物体检测,确定目标图像中的物体区域;第一确定单元,用于确定物体区域对应的至少一个预设子区域;第二确定单元,用于根据至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定物体区域中的目标物体是否被遮挡,历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。
第二确定单元包括第一确定模块和第二确定模块:第一确定模块用于根据各个预设子区域的历史遮挡概率,确定目标物体中位于各个预设子区域的物体部分是否被遮挡;第二确定模块用于若位于至少一个预设子区域的物体部分被遮挡,则确定目标物体被遮挡。
具体地,第一确定模块用于:针对各个预设子区域分别进行如下操作:若各个预设子区域中一个预设子区域对应的历史遮挡概率大于或等于第一预设概率,则确定目标物体中位于一个预设子区域的部分被遮挡。
第一确定模块还用于:若各个预设子区域中一个预设子区域对应的历史遮挡概率小于或等于第二预设概率,则确定目标物体中位于一个预设子区域的部分未被遮挡,第二预设概率小于第一预设概率。
具体地,第一确定模块还用于:若各个预设子区域中一个预设子区域的历史遮挡概率大于第二预设概率且小于第一预设概率,则至少将目标图像的与一个预设子区域对应的部分输入预先训练得到的遮挡情况判断模型,获取目标物体的位于一个预设子区域的部分被遮挡的情况。
装置还包括第一获取单元、第三确定单元和第四确定单元:第一获取单元用于在对目标场景的目标图像进行物体检测,确定目标图像中的物体区域之前,获取目标场景的背景图像;第三确定单元用于确定背景图像中的与各个预设子区域对应的背景结构是否为底层背景,底层背景为无法对目标物体进行遮挡的背景结构;第四确定单元用于在相应的预设子区域对应的背景结构为底层背景的情况下,确定该预设子区域的历史遮挡概率为0。
具体地,在相应的预设子区域对应的背景结构不是底层背景的情况下,装置还包括第二获取单元和输入单元:第二获取单元用于获取目标场景的多帧历史图像,历史图像的帧数大于预设帧数;输入单元用于将多帧历史图像输入预先训练得到的遮挡情况判断模型,获取预设子区域的多个历史遮挡结果;根据多个历史遮挡结果,计算预设子区域的历史遮挡概率。
第三确定单元用于包括:确定背景图像的各个像素点所属的背景结构分类;根据背景图像的与各个预设子区域对应的多个像素点的背景结构分类,确定背景图像中的与相应的预设子区域对应的背景结构是否为底层背景。
具体地,第三确定单元用于:计算预设子区域对应的多个像素点中属于底层背景结构的像素点的占比;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比大于或等于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构是底层背景;在预设子区域对应的多个像素点中属于底层背景结构的像素点的占比小于预设占比的情况下,确定背景图像中的与预设子区域对应的背景结构不是底层背景。
第一获取单元用于:获取目标场景的多帧场景图像;根据多帧场景图像,采用图像融合算法,得到背景图像。
另外,本发明的实施例还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行上述的确定目标物体遮挡状态的方法。
再次,本发明的实施例还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的确定目标物体遮挡状态的方法。
最后,本发明的实施例还提供了一种监控设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的确定目标物体遮挡状态的方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。而且,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本发明的上述实施例中,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,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种确定目标物体遮挡状态的方法,其特征在于,包括:
对目标场景的目标图像进行物体检测,确定所述目标图像中的物体区域;
确定所述物体区域对应的至少一个预设子区域;
根据所述至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定所述物体区域中的目标物体是否被遮挡,所述历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。
2.根据权利要求1所述的确定目标物体遮挡状态的方法,其特征在于,根据所述至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定所述物体区域中的目标物体是否被遮挡,包括:
根据各个所述预设子区域的所述历史遮挡概率,确定所述目标物体中位于各个所述预设子区域的物体部分是否被遮挡;
若位于至少一个所述预设子区域的物体部分被遮挡,则确定所述目标物体被遮挡。
3.根据权利要求2所述的确定目标物体遮挡状态的方法,其特征在于,根据各个所述预设子区域的所述历史遮挡概率,确定所述目标物体中位于各个所述预设子区域的物体部分是否被遮挡,包括:针对各个所述预设子区域分别进行如下操作:
若各个所述预设子区域中一个预设子区域对应的所述历史遮挡概率大于或等于第一预设概率,则确定所述目标物体中位于所述一个预设子区域的部分被遮挡。
4.根据权利要求3所述的确定目标物体遮挡状态的方法,其特征在于,还包括:
若各个所述预设子区域中一个预设子区域对应的所述历史遮挡概率小于或等于第二预设概率,则确定所述目标物体中位于所述一个预设子区域的部分未被遮挡,所述第二预设概率小于所述第一预设概率。
5.根据权利要求4所述的确定目标物体遮挡状态的方法,其特征在于,还包括:
若各个所述预设子区域中一个预设子区域的所述历史遮挡概率大于所述第二预设概率且小于所述第一预设概率,则至少将所述目标图像的与所述一个预设子区域对应的部分输入预先训练得到的遮挡情况判断模型,获取所述目标物体的位于所述一个预设子区域的部分被遮挡的情况。
6.根据权利要求1至5中任一项所述的确定目标物体遮挡状态的方法,其特征在于,在对目标场景的目标图像进行物体检测,确定所述目标图像中的物体区域之前,所述方法还包括:
获取所述目标场景的背景图像;
确定所述背景图像中的与各个所述预设子区域对应的背景结构是否为底层背景,所述底层背景为无法对所述目标物体进行遮挡的背景结构;
在相应的所述预设子区域对应的背景结构为所述底层背景的情况下,确定该预设子区域的所述历史遮挡概率为0。
7.根据权利要求6所述的确定目标物体遮挡状态的方法,其特征在于,在相应的所述预设子区域对应的背景结构不是底层背景的情况下,所述方法还包括:
获取所述目标场景的多帧历史图像,所述历史图像的帧数大于预设帧数;
将多帧所述历史图像输入预先训练得到的遮挡情况判断模型,获取所述预设子区域的多个历史遮挡结果;
根据多个所述历史遮挡结果,计算所述预设子区域的历史遮挡概率。
8.根据权利要求6所述的确定目标物体遮挡状态的方法,其特征在于,确定所述背景图像中的与各个所述预设子区域对应的背景结构是否为底层背景,包括:
确定所述背景图像的各个像素点所属的背景结构分类;
根据所述背景图像的与各个所述预设子区域对应的多个所述像素点的背景结构分类,确定所述背景图像中的与相应的所述预设子区域对应的背景结构是否为底层背景。
9.根据权利要求8所述的确定目标物体遮挡状态的方法,其特征在于,根据所述背景图像的与各个所述预设子区域对应的多个所述像素点的背景结构分类,确定所述背景图像中的与相应的所述预设子区域对应的背景结构是否为底层背景,包括:
计算所述预设子区域对应的多个所述像素点中属于底层背景结构的所述像素点的占比;
在所述预设子区域对应的多个所述像素点中属于所述底层背景结构的所述像素点的占比大于或等于预设占比的情况下,确定所述背景图像中的与所述预设子区域对应的背景结构是底层背景;
在所述预设子区域对应的多个所述像素点中属于所述底层背景结构的所述像素点的占比小于所述预设占比的情况下,确定所述背景图像中的与所述预设子区域对应的背景结构不是底层背景。
10.根据权利要求6所述的确定目标物体遮挡状态的方法,其特征在于,获取所述目标场景的背景图像,包括:
获取所述目标场景的多帧场景图像;
根据多帧所述场景图像,采用图像融合算法,得到所述背景图像。
11.一种确定目标物体遮挡状态的装置,其特征在于,包括:
检测单元,用于对目标场景的目标图像进行物体检测,确定所述目标图像中的物体区域;
第一确定单元,用于确定所述物体区域对应的至少一个预设子区域;
第二确定单元,用于根据所述至少一个预设子区域中各个预设子区域对应的历史遮挡概率,确定所述物体区域中的目标物体是否被遮挡,所述历史遮挡概率是基于对应的预设子区域内的历史目标被遮挡的概率。
12.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至10中任意一项所述的确定目标物体遮挡状态的方法。
13.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至10中任意一项所述的确定目标物体遮挡状态的方法。
14.一种监控设备,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权利要求1至10中任意一项所述的确定目标物体遮挡状态的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023064.XA CN113723318A (zh) | 2021-09-01 | 2021-09-01 | 确定目标物体遮挡状态的方法、装置及监控设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023064.XA CN113723318A (zh) | 2021-09-01 | 2021-09-01 | 确定目标物体遮挡状态的方法、装置及监控设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723318A true CN113723318A (zh) | 2021-11-30 |
Family
ID=78680714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023064.XA Pending CN113723318A (zh) | 2021-09-01 | 2021-09-01 | 确定目标物体遮挡状态的方法、装置及监控设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723318A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222764A (zh) * | 2019-06-10 | 2019-09-10 | 中南民族大学 | 遮挡目标检测方法、***、设备及存储介质 |
US20200034959A1 (en) * | 2018-07-24 | 2020-01-30 | The Regents Of The University Of Michigan | Detection Of Near-Field Occlusions In Images |
US20200034657A1 (en) * | 2017-07-27 | 2020-01-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for occlusion detection on target object, electronic device, and storage medium |
CN111523480A (zh) * | 2020-04-24 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 一种面部遮挡物的检测方法、装置、电子设备及存储介质 |
CN112733802A (zh) * | 2021-01-25 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像的遮挡检测方法、装置、电子设备及存储介质 |
CN112927178A (zh) * | 2019-11-21 | 2021-06-08 | 中移物联网有限公司 | 遮挡检测方法、装置、电子设备以及存储介质 |
CN112967351A (zh) * | 2021-03-05 | 2021-06-15 | 北京字跳网络技术有限公司 | 图像生成方法、装置、电子设备和存储介质 |
CN113313189A (zh) * | 2021-06-11 | 2021-08-27 | 上海高德威智能交通***有限公司 | 一种遮挡检测方法、装置及电子设备 |
-
2021
- 2021-09-01 CN CN202111023064.XA patent/CN113723318A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200034657A1 (en) * | 2017-07-27 | 2020-01-30 | Tencent Technology (Shenzhen) Company Limited | Method and apparatus for occlusion detection on target object, electronic device, and storage medium |
US20200034959A1 (en) * | 2018-07-24 | 2020-01-30 | The Regents Of The University Of Michigan | Detection Of Near-Field Occlusions In Images |
CN110222764A (zh) * | 2019-06-10 | 2019-09-10 | 中南民族大学 | 遮挡目标检测方法、***、设备及存储介质 |
CN112927178A (zh) * | 2019-11-21 | 2021-06-08 | 中移物联网有限公司 | 遮挡检测方法、装置、电子设备以及存储介质 |
CN111523480A (zh) * | 2020-04-24 | 2020-08-11 | 北京嘀嘀无限科技发展有限公司 | 一种面部遮挡物的检测方法、装置、电子设备及存储介质 |
CN112733802A (zh) * | 2021-01-25 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像的遮挡检测方法、装置、电子设备及存储介质 |
CN112967351A (zh) * | 2021-03-05 | 2021-06-15 | 北京字跳网络技术有限公司 | 图像生成方法、装置、电子设备和存储介质 |
CN113313189A (zh) * | 2021-06-11 | 2021-08-27 | 上海高德威智能交通***有限公司 | 一种遮挡检测方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
储;朱陶;缪君;江烂达;: "基于遮挡检测和时空上下文信息的目标跟踪算法", 模式识别与人工智能, no. 08, 15 August 2017 (2017-08-15) * |
韩梅;纪明;史志富;肖君;刘亚琴;: "一种实时检测遮挡阴影的算法", 应用光学, no. 05, 15 September 2009 (2009-09-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
US10212397B2 (en) | Abandoned object detection apparatus and method and system | |
CN110879951B (zh) | 一种运动前景检测方法及装置 | |
CN111914665B (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN111010590A (zh) | 一种视频裁剪方法及装置 | |
CN107563299B (zh) | 一种利用ReCNN融合上下文信息的行人检测方法 | |
CN112417955B (zh) | 巡检视频流处理方法及装置 | |
CN110458790B (zh) | 一种图像检测方法、装置及计算机存储介质 | |
CN111080654B (zh) | 图像的病变区域分割方法、装置及服务器 | |
CN108961316B (zh) | 图像处理方法、装置及服务器 | |
CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
CN109934072B (zh) | 人员统计方法及装置 | |
CN111159150A (zh) | 一种数据扩充方法及装置 | |
CN111192241A (zh) | 一种人脸图像的质量评估方法、装置及计算机存储介质 | |
CN111160107B (zh) | 一种基于特征匹配的动态区域检测方法 | |
CN113674317A (zh) | 一种高位视频的车辆跟踪方法及装置 | |
CN111429487B (zh) | 一种深度图像的黏连前景分割方法及装置 | |
CN105516668A (zh) | 一种应用于动态场景的聚焦方法和装置 | |
CN110765875B (zh) | 交通目标的边界检测方法、设备及装置 | |
CN113723318A (zh) | 确定目标物体遮挡状态的方法、装置及监控设备 | |
CN115546256A (zh) | 图像处理方法、装置及电子设备、存储介质 | |
Dimiccoli et al. | Hierarchical region-based representation for segmentation and filtering with depth in single images | |
CN110782425A (zh) | 图像处理方法、图像处理装置和电子设备 | |
CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
Oiwa et al. | Tracking with probabilistic background model by density forests |
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 |