CN115272984A - 占道经营检测方法、***、计算机及可读存储介质 - Google Patents

占道经营检测方法、***、计算机及可读存储介质 Download PDF

Info

Publication number
CN115272984A
CN115272984A CN202211194975.3A CN202211194975A CN115272984A CN 115272984 A CN115272984 A CN 115272984A CN 202211194975 A CN202211194975 A CN 202211194975A CN 115272984 A CN115272984 A CN 115272984A
Authority
CN
China
Prior art keywords
preset
background image
target
actual background
lane
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
Application number
CN202211194975.3A
Other languages
English (en)
Other versions
CN115272984B (zh
Inventor
晏丽玲
郭勇
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.)
Jiangxi Telecom Information Industry Co ltd
Original Assignee
Jiangxi Telecom Information Industry 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 Jiangxi Telecom Information Industry Co ltd filed Critical Jiangxi Telecom Information Industry Co ltd
Priority to CN202211194975.3A priority Critical patent/CN115272984B/zh
Publication of CN115272984A publication Critical patent/CN115272984A/zh
Application granted granted Critical
Publication of CN115272984B publication Critical patent/CN115272984B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种占道经营检测方法、***、计算机及可读存储介质，该方法包括在监控视频的显示画面中划分出违规占道经营检测区域，并在监控视频中每隔预设时间截取一实际背景图；当检测到运动目标时，实时追踪运动目标的移动轨迹，并判断运动目标的停留时间是否超过预设第一阈值；若是，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出对应的目标占道经营图片；计算出当前时刻的实际背景图与目标占道经营图片之间的相似度，并判断相似度是否大于预设第二阈值；若是，则判定当前街道存在占道经营现象，并生成对应的告警信息。通过上述方式能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。

Description

占道经营检测方法、***、计算机及可读存储介质
技术领域
本发明涉及视觉分析技术领域，特别涉及一种占道经营检测方法、***、计算机及可读存储介质。
背景技术
临街商铺占道经营是指经营者占用临街的城市道路进行盈利性买卖商品或者服务的行为。该行为在影响城市交通安全的同时，还会造成城市环境的污染，从而给周边市民的出行和日常生活带来了不便。
目前对于占道经营行为的监管识别主要采用两种方式，一种是通过人工巡查的方式进行，由辖区内各街道办每日至少投入3-5名工作人员进行占道经营情况开展巡查工作，然而，依靠人力盯守、巡查的管理方式，效率低、质量不高、整治效果极易反复。另一种是通过AI智能识别技术识别出道路上的物体，以根据识别出的物体判断是否存在占道经营现象，然而，此种识别方式的误判率较高，而且存在不通用的问题，只能适用于特定的场景，具有一定的使用局限性。
因此，针对现有技术的不足，提供一种通用性高、误判率低的占道经营检测方法很有必要。
发明内容
基于此，本发明的目的是提供一种占道经营检测方法、***、计算机及可读存储介质，以提供一种通用性高、误判率低的占道经营检测方法。
本发明实施例第一方面提出了一种占道经营检测方法，所述方法包括：
当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
本发明的有益效果是：通过在获取到的监控视频中的显示画面中划分出违规占道经营检测区域，并在监控视频中每隔预设时间截取一实际背景图，以将实际背景图与预设标准背景图进行比对；进一步的，当检测到实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪运动目标的移动轨迹，并判断运动目标在违规占道经营检测区域中的停留时间是否超过预设第一阈值；具体的，若是，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与当前时刻的实际背景图对应的目标占道经营图片；在此基础之上，计算出当前时刻的实际背景图与上述目标占道经营图片之间的相似度，并判断相似度是否大于预设第二阈值；若判断到当前相似度大于上述预设第二阈值，则判定当前街道存在占道经营现象，并生成对应的告警信息。通过上述方式能够根据实时获取到的监控视频自动判断当前街道中是否存在占道经营现象，从而省去了人工的巡检操作，并且随着动态反馈库中的图片不断完善，能够不断提升判断的准确率，同时能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。
优选的，所述在所述监控视频中每隔预设时间截取一实际背景图的步骤包括：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
优选的，所述计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度的步骤包括：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
优选的，所述当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹的步骤包括：
当检测到所述违规占道经营检测区域中出现运动目标时，调用出与所述运动目标匹配的卡尔曼滤波算法，并通过所述卡尔曼滤波算法对所述运动目标进行实时追踪，以获取到所述运动目标的移动轨迹。
优选的，所述当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域的步骤之后，所述方法还包括：
当获取到所述监控视频时，对所述监控视频依次进行图像去噪、图像对比度增强以及滤波优化处理。
本发明实施例第二方面提出了一种占道经营检测***，所述***包括：
获取模块，用于当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
第一判断模块，用于当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
匹配模块，用于若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
第二判断模块，用于计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
处理模块，用于若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
其中，上述占道经营检测***中，所述获取模块具体用于：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
其中，上述占道经营检测***中，所述第二判断模块具体用于：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
其中，上述占道经营检测***中，所述第一判断模块具体用于：
当检测到所述违规占道经营检测区域中出现运动目标时，调用出与所述运动目标匹配的卡尔曼滤波算法，并通过所述卡尔曼滤波算法对所述运动目标进行实时追踪，以获取到所述运动目标的移动轨迹。
其中，上述占道经营检测***中，所述占道经营检测***还包括优化模块，所述优化模块具体用于：
当获取到所述监控视频时，对所述监控视频依次进行图像去噪、图像对比度增强以及滤波优化处理。
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上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如上面所述的占道经营检测方法。
本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的占道经营检测方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的占道经营检测方法的流程图；
图2为本发明第二实施例提供的占道经营检测***的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
目前对于占道经营行为的监管识别主要采用两种方式，一种是通过人工巡查的方式进行，由辖区内各街道办每日至少投入3-5名工作人员进行占道经营情况开展巡查工作，然而，依靠人力盯守、巡查的管理方式，效率低、质量不高、整治效果极易反复。另一种是通过AI智能识别技术识别出道路上的物体，以根据识别出的物体判断是否存在占道经营现象，然而，此种识别方式的误判率较高，而且存在不通用的问题，只能适用于特定的场景，具有一定的使用局限性。
请参阅图1，所示为本发明第一实施例提供的占道经营检测方法，本实施例提供的占道经营检测方法能够根据实时获取到的监控视频自动判断当前街道中是否存在占道经营现象，从而省去了人工的巡检操作，并且随着动态反馈库中的图片不断完善，能够不断提升判断的准确率，同时能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。
具体的，本实施例提供的占道经营检测方法具体包括以下步骤：
步骤S10，当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
具体的，在本实施例中，首先需要说明的是，本实施例提供的占道经营检测方法具体应用在商业街道中，用于实时检测当前商业街道中的商铺是否存在占道经营的现象，用于节省人力成本。
另外，在本实施例中，还需要指出的是，本实施例提供的占道经营检测方法是基于设置在后台的检测服务器实施的，与此同时，在该检测服务器的内部预先设置有若干算法，从而能够有效的提升检测效率。
因此，在本步骤中，需要说明的是，为了能够准确的判断出街道中是否存在占道经营的现象，首先需要通过上述检测服务器实时获取到当前街道中的摄像头所拍摄到的监控视频，与此同时，在获取到的监控视频的显示画面中划分出违规占道经营检测区域，优选的，在本实施例中，该违规占道经营检测区域可以设置在商铺的门口，以实时检测各个商铺的门口是否摆放有物品。
进一步的，在本步骤中，需要说明的是，当街道中的商铺未处于经营状态时，则每个商铺的门口均为空白区域，此时截取当前监控视频的某一时刻画面作为上述预设标准背景图，对应的，当街道中的商铺处于经营状态时，则通过上述检测服务器每隔预设时间在上述监控视频中截取一张实际背景图，并实时将截取出的实际背景图与上述预设标准背景图进行比对，以实时判断截取出的实际背景图的违规占道经营检测区域中是否存在物体。优选的，在本实施例中，每隔10分钟截取一张实际背景图。
其中，在本步骤中，需要指出的是，上述在所述监控视频中每隔预设时间截取一实际背景图的步骤包括：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
其中，需要说明的是，Contourlet变换是一种图形处理算法，其能够很好的描述二维图像，并且该算法不光具有小波变换的时频分析特征，还具有很好的向异性，可以比小波算法更完美的表达图像。
其中，Contourlet变换中的拉普拉斯金字塔( LP )分解是实现图像多分辨率分析的方法，通过该拉普拉斯金字塔分解对图像进行分解处理，即可有效的得到上述高频分量以及低频分量。
进一步的，对获取到的高频分量利用小波变换进行分解，以得到对应的估计分量。
在此基础之上，利用小波算法中的贝叶斯风险最小化的 BayesShrink算法根据各分量自适应地估计阈值的大小。
光照不变量提取：由上述估计量和估计分量重构得出光照分量的预估值，并得到光照不变量，将上述光照不变量进行向量化处理，并采用主成分分析PCA变化对原始图像进行降维处理，以得到对应的光照不变特征。
主成分分析（Principle Component Analysis，PCA）是近年来在图像分析与模式识别领域被广泛运用的一种统计学特征提取方法。具体的，在本实施例中，采用上述PCA对上述光照不变量降维，一方面可以得到维数约减的特征向量，另一方面可以进一步消除光照的影响。最后只需根据长宽比去除检测目标中的干扰对象，即可生成上述实际背景图。
其中，在本步骤中，还需要指出的是，上述当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域的步骤之后，该方法还包括：
当获取到所述监控视频时，对所述监控视频依次进行图像去噪、图像对比度增强以及滤波优化处理。
步骤S20，当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
具体的，在本步骤中，需要说明的是，当上述检测服务器检测到上述实际背景图中的违规占道经营检测区域中出现运动目标时，当前检测服务器实时追踪上述运动目标的移动轨迹，并同时判断当前运动目标在上述违规占道经营检测区域中的停留时间是否超过预设第一阈值，优选的，在本实施例中，判断当前运动目标在上述违规占道经营检测区域中的停留时间是否超过30分钟。
其中，在本步骤中，需要指出的是，上述当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹的步骤包括：
当检测到所述违规占道经营检测区域中出现运动目标时，调用出与所述运动目标匹配的卡尔曼滤波算法，并通过所述卡尔曼滤波算法对所述运动目标进行实时追踪，以获取到所述运动目标的移动轨迹。
具体的，本实施例假设 t 时刻卡尔曼滤波状态空间中的真实状态可以从(t-1)时刻状态转化，可以用如下公式来表示***状态和测量值：
Figure 810521DEST_PATH_IMAGE001
Figure 471310DEST_PATH_IMAGE002
其中，公式
Figure 551261DEST_PATH_IMAGE003
表示***状态从(t-1)时刻到 t 时刻的变换 过程，Xt表示t时刻的***状态，A表示状态转移矩阵，B表示作用在控制向量Ut上的输入控制 矩阵，Wt是转化过程中引入的噪声，该随机变量符合高斯分布。
公式
Figure 514669DEST_PATH_IMAGE004
表示***状态到真实状态的转换过程，Zt表示t 时刻对真实 状态的测量值，H是***测量矩阵，将真实状态空间映射成观测空间，Vt是符合高斯分布的 观测噪声，该噪声的每一时刻均相对独立。
步骤S30，若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
进一步的，在本步骤中，需要说明的是，若上述检测服务器判断到上述运动目标在上述违规占道经营检测区域中的停留时间超过上述预设第一阈值，则保存当前时刻的实际背景图，并在其内部已经预设好的动态反馈库中匹配出与当前时刻的实际背景图对应的目标占道经营图片，其中，需要指出的是，该目标占道经营图片表示已经发生占道经营现象的图片。
步骤S40，计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
具体的，在本步骤中，需要说明的是，上述检测服务器在通过上述步骤匹配出对应的目标占道经营图片之后，当前检测服务器会立即通过其内部预先设置好的ORB算法计算出当前时刻的实际背景图与当前目标占道经营图片之间的相似度，并同时判断计算出的相似度的大小是否大于预设第二阈值。
其中，在本步骤中，需要指出的是，上述计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度的步骤包括：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
其中，需要说明的是，图像的特征点可以简单的理解为图像中比较显著的点，例如轮廓点、较暗区域中的亮点以及较亮区域中的暗点等。
具体的，上述检测服务器通过上述ORB算法中的FAST（features fromaccelerated segment test）算法来检测特征点。首先获取候选特征点，再检测候选特征点周围一圈的像素值，如果该候选特征点周围领域内有足够多的像素点与该候选特征点的灰度值差别足够大，则选定该候选特征点为一个特征点。
在确定出特征点之后，需要计算出该特征点对应的描述子，并进一步通过上述ORB算法中的BRIEF算法来计算一个特征点的描述子。其中，上述BRIEF算法的核心思想是在关键点P的周围以一定模式选取N个点对，并把这N个点对的比较结果组合起来作为上述描述子。
具体步骤如下：
①以关键点P为圆心，以d为半径做圆O。
②在圆O内某一模式选取N个点对。这里为方便说明，N=4，实际应用中N可以取512。假设当前选取的4个点分别标记为：
P1（C，D）、P2（C，D）、P3（C，D）、P4（C，D），其中，C和D分别表示每个点的坐标值；
③定义操作T：
Figure 47282DEST_PATH_IMAGE005
；
其中，T（P（C，D））表示每个点对的比较结果，IC和ID均表示点值；
④分别对已选取的点对进行T操作，将得到的结果进行组合。
计算两张图片的特征点的描述子之间的汉明距离，返回两个最佳的匹配点，其中，汉明距离越短，表面检测点的相似度越高；
具体的，当两个最佳匹配点中的最近邻匹配点的汉明距离小于次邻匹配点汉明距离的0.75倍时，则认为该检测点为相同点，并计算相同点占检测点的比例，所得的结果即为两张图片的相似度。
步骤S50，若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
最后，在本步骤中，需要说明的是，若上述检测服务器判断到实时计算出的相似度的大小大于上述预设第二阈值，则立即判定当前街道存在占道经营现象，并立即生成对应的告警信息，优选的，在本实施例中，该告警信息可以包括声音提示以及文字提示等，另外，预设第二阈值设置为80％。进一步的，当前检测服务器将实时生成的告警信息传输至街道维护工作人员的移动终端，以使街道维护工作人员对当前街道进行维护。
使用时，通过在获取到的监控视频中的显示画面中划分出违规占道经营检测区域，并在监控视频中每隔预设时间截取一实际背景图，以将实际背景图与预设标准背景图进行比对；进一步的，当检测到实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪运动目标的移动轨迹，并判断运动目标在违规占道经营检测区域中的停留时间是否超过预设第一阈值；具体的，若是，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与当前时刻的实际背景图对应的目标占道经营图片；在此基础之上，计算出当前时刻的实际背景图与上述目标占道经营图片之间的相似度，并判断相似度是否大于预设第二阈值；若判断到当前相似度大于上述预设第二阈值，则判定当前街道存在占道经营现象，并生成对应的告警信息。通过上述方式能够根据实时获取到的监控视频自动判断当前街道中是否存在占道经营现象，从而省去了人工的巡检操作，并且随着动态反馈库中的图片不断完善，能够不断提升判断的准确率，同时能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。
需要说明的是，上述的实施过程只是为了说明本申请的可实施性，但这并不代表本申请的占道经营检测方法只有上述唯一一种实施流程，相反的，只要能够将本申请的占道经营检测方法实施起来，都可以被纳入本申请的可行实施方案。
综上，本发明上述实施例提供的占道经营检测方法能够根据实时获取到的监控视频自动判断当前街道中是否存在占道经营现象，从而省去了人工的巡检操作，并且随着动态反馈库中的图片不断完善，能够不断提升判断的准确率，同时能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。
请参阅图2，所示为本发明第二实施例提供的占道经营检测***，所述***包括：
获取模块12，用于当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
第一判断模块22，用于当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
匹配模块32，用于若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
第二判断模块42，用于计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
处理模块52，用于若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
其中，上述占道经营检测***中，所述获取模块12具体用于：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
其中，上述占道经营检测***中，所述第二判断模块42具体用于：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
其中，上述占道经营检测***中，所述第一判断模块22具体用于：
当检测到所述违规占道经营检测区域中出现运动目标时，调用出与所述运动目标匹配的卡尔曼滤波算法，并通过所述卡尔曼滤波算法对所述运动目标进行实时追踪，以获取到所述运动目标的移动轨迹。
其中，上述占道经营检测***中，所述占道经营检测***还包括优化模块62，所述优化模块62具体用于：
当获取到所述监控视频时，对所述监控视频依次进行图像去噪、图像对比度增强以及滤波优化处理。
本发明第三实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上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如上述第一实施例提供的占道经营检测方法。
本发明第四实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一实施例提供的占道经营检测方法。
综上所述，本发明上述实施例提供的占道经营检测方法、***、计算机及可读存储介质能够根据实时获取到的监控视频自动判断当前街道中是否存在占道经营现象，从而省去了人工的巡检操作，并且随着动态反馈库中的图片不断完善，能够不断提升判断的准确率，同时能够适用于不同物品的检测，通用性较高，适用于大范围的推广与使用。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备（如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***）使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种占道经营检测方法，其特征在于，所述方法包括：
当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
2.根据权利要求1所述的占道经营检测方法，其特征在于：所述在所述监控视频中每隔预设时间截取一实际背景图的步骤包括：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
3.根据权利要求1所述的占道经营检测方法，其特征在于：所述计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度的步骤包括：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
4.根据权利要求1所述的占道经营检测方法，其特征在于：所述当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹的步骤包括：
当检测到所述违规占道经营检测区域中出现运动目标时，调用出与所述运动目标匹配的卡尔曼滤波算法，并通过所述卡尔曼滤波算法对所述运动目标进行实时追踪，以获取到所述运动目标的移动轨迹。
5.根据权利要求1所述的占道经营检测方法，其特征在于：所述当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域的步骤之后，所述方法还包括：
当获取到所述监控视频时，对所述监控视频依次进行图像去噪、图像对比度增强以及滤波优化处理。
6.一种占道经营检测***，其特征在于，所述***包括：
获取模块，用于当获取到当前街道中的摄像头拍摄的监控视频时，在所述监控视频的显示画面中划分出违规占道经营检测区域，并在所述监控视频中每隔预设时间截取一实际背景图，以将所述实际背景图与预设标准背景图进行比对；
第一判断模块，用于当检测到所述实际背景图中的违规占道经营检测区域中出现运动目标时，实时追踪所述运动目标的移动轨迹，并判断所述运动目标在所述违规占道经营检测区域中的停留时间是否超过预设第一阈值；
匹配模块，用于若判断到所述运动目标在所述违规占道经营检测区域中的停留时间超过所述预设第一阈值，则保存当前时刻的实际背景图，并在预设动态反馈库中匹配出与所述当前时刻的实际背景图对应的目标占道经营图片；
第二判断模块，用于计算出所述当前时刻的实际背景图与所述目标占道经营图片之间的相似度，并判断所述相似度是否大于预设第二阈值；
处理模块，用于若判断到所述相似度大于所述预设第二阈值，则判定当前所述街道存在占道经营现象，并生成对应的告警信息。
7.根据权利要求6所述的占道经营检测***，其特征在于：所述获取模块具体用于：
通过Contoutlet变换对所述显示画面进行分解处理，以得到高频分量以及低频分量；
对所述低频分量进行Shearlet变换分解，以获取到对应的估计量，并通过小波变换对所述高频分量进行分解处理，以获取到对应的估计分量；
基于光照不变量提取算法，根据所述估计量以及所述估计分量构建出光照分量的预估值，并根据所述预估值以及背景差分法在所述显示画面中分割出检测目标；
根据预设长宽比去除所述检测目标中的干扰对象，以生成所述实际背景图。
8.根据权利要求6所述的占道经营检测***，其特征在于：所述第二判断模块具体用于：
分别获取与所述当前时刻的实际背景图对应的第一特征点、与所述目标占道经营图片对应的第二特征点，并分别计算出所述第一特征点对应的第一描述子、所述第二特征点对应的第二描述子；
计算出所述第一描述子与所述第二描述子之间的汉明距离，并判断所述汉明距离是否满足预设要求；
若判断到所述汉明距离满足所述预设要求，则根据所述汉明距离计算出所述第一特征点与所述第二特征点之间的相似度。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上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5中任意一项所述的占道经营检测方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任意一项所述的占道经营检测方法。
CN202211194975.3A 2022-09-29 2022-09-29 占道经营检测方法、***、计算机及可读存储介质 Active CN115272984B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211194975.3A CN115272984B (zh) 2022-09-29 2022-09-29 占道经营检测方法、***、计算机及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211194975.3A CN115272984B (zh) 2022-09-29 2022-09-29 占道经营检测方法、***、计算机及可读存储介质

Publications (2)

Publication Number Publication Date
CN115272984A true CN115272984A (zh) 2022-11-01
CN115272984B CN115272984B (zh) 2022-12-20

Family

ID=83757187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211194975.3A Active CN115272984B (zh) 2022-09-29 2022-09-29 占道经营检测方法、***、计算机及可读存储介质

Country Status (1)

Country Link
CN (1) CN115272984B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373426A (zh) * 2016-09-29 2017-02-01 成都通甲优博科技有限责任公司 基于计算机视觉的停车位及违规占道停车监控方法
CN109359563A (zh) * 2018-09-29 2019-02-19 江南大学 一种基于数字图像处理的占道现象实时检测方法
CN110189355A (zh) * 2019-05-05 2019-08-30 暨南大学 安全疏散通道占用检测方法、装置、电子设备及存储介质
CN112102623A (zh) * 2020-08-24 2020-12-18 深圳云天励飞技术股份有限公司 交通违章识别方法和装置、智能可穿戴设备
CN112633179A (zh) * 2020-12-25 2021-04-09 杭州祐全科技发展有限公司 基于视频分析的农贸市场过道物体占道检测方法
CN113095301A (zh) * 2021-05-21 2021-07-09 南京甄视智能科技有限公司 占道经营监测方法、***与服务器
CN113378659A (zh) * 2021-05-24 2021-09-10 上海可深信息科技有限公司 一种占道经营识别方法
CN113887304A (zh) * 2021-09-01 2022-01-04 的卢技术有限公司 一种基于目标检测与行人追踪的占道经营监测方法
CN114463389A (zh) * 2022-04-14 2022-05-10 广州联客信息科技有限公司 一种运动目标检测方法以及检测***
WO2022105243A1 (zh) * 2020-11-23 2022-05-27 北京旷视科技有限公司 事件检测方法、装置、电子设备及存储介质
CN114648718A (zh) * 2022-03-28 2022-06-21 重庆紫光华山智安科技有限公司 道路占道检测方法、***、电子设备及可读存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373426A (zh) * 2016-09-29 2017-02-01 成都通甲优博科技有限责任公司 基于计算机视觉的停车位及违规占道停车监控方法
CN109359563A (zh) * 2018-09-29 2019-02-19 江南大学 一种基于数字图像处理的占道现象实时检测方法
CN110189355A (zh) * 2019-05-05 2019-08-30 暨南大学 安全疏散通道占用检测方法、装置、电子设备及存储介质
CN112102623A (zh) * 2020-08-24 2020-12-18 深圳云天励飞技术股份有限公司 交通违章识别方法和装置、智能可穿戴设备
WO2022105243A1 (zh) * 2020-11-23 2022-05-27 北京旷视科技有限公司 事件检测方法、装置、电子设备及存储介质
CN112633179A (zh) * 2020-12-25 2021-04-09 杭州祐全科技发展有限公司 基于视频分析的农贸市场过道物体占道检测方法
CN113095301A (zh) * 2021-05-21 2021-07-09 南京甄视智能科技有限公司 占道经营监测方法、***与服务器
CN113378659A (zh) * 2021-05-24 2021-09-10 上海可深信息科技有限公司 一种占道经营识别方法
CN113887304A (zh) * 2021-09-01 2022-01-04 的卢技术有限公司 一种基于目标检测与行人追踪的占道经营监测方法
CN114648718A (zh) * 2022-03-28 2022-06-21 重庆紫光华山智安科技有限公司 道路占道检测方法、***、电子设备及可读存储介质
CN114463389A (zh) * 2022-04-14 2022-05-10 广州联客信息科技有限公司 一种运动目标检测方法以及检测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴玉枝等: "基于卷积神经网络的违章停车事件检测", 《现代计算机(专业版)》 *

Also Published As

Publication number Publication date
CN115272984B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN108564814B (zh) 一种基于图像的停车场车位检测方法及装置
Jia et al. Region-based license plate detection
TWI409718B (zh) 移動中車輛之車牌定位方法
CN111563469A (zh) 一种不规范停车行为识别方法及装置
CN114372983B (zh) 一种基于图像处理的屏蔽盒涂装质量检测方法及***
CN109635656A (zh) 基于神经网络的车辆属性识别方法、装置、设备及介质
Bedruz et al. Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach
Kortli et al. A novel illumination-invariant lane detection system
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其***、设备、介质
Li et al. Lane detection based on connection of various feature extraction methods
Bharadwaj Sundra Murthy et al. Detection of potholes in autonomous vehicle
CN104966304A (zh) 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法
CN111079621B (zh) 检测对象的方法、装置、电子设备和存储介质
CN109063669B (zh) 一种基于图像识别的桥区船舶航行态势分析方法及装置
Naufal et al. Preprocessed mask RCNN for parking space detection in smart parking systems
Zhang et al. Counting vehicles in urban traffic scenes using foreground time‐spatial images
CN109255792B (zh) 一种视频图像的分割方法、装置、终端设备及存储介质
CN104732510A (zh) 一种相机镜头黑斑检测方法及装置
FAN et al. Robust lane detection and tracking based on machine vision
Shi et al. License plate localization in complex environments based on improved GrabCut algorithm
CN112784675B (zh) 目标检测方法及装置、存储介质、终端
Vargas et al. A shadow removal algorithm for vehicle detection based on reflectance ratio and edge density
CN115272984B (zh) 占道经营检测方法、***、计算机及可读存储介质
Wang et al. A robust vehicle detection approach
CN114022468B (zh) 一种安防监控中物品遗留丢失检测方法

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