CN117809379A - 一种基于监控摄像机的智能人形识别报警***及方法 - Google Patents
一种基于监控摄像机的智能人形识别报警***及方法 Download PDFInfo
- Publication number
- CN117809379A CN117809379A CN202410223660.XA CN202410223660A CN117809379A CN 117809379 A CN117809379 A CN 117809379A CN 202410223660 A CN202410223660 A CN 202410223660A CN 117809379 A CN117809379 A CN 117809379A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- image
- gray level
- information
- gray
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 356
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 102000019034 Chemokines Human genes 0.000 description 1
- 108010012236 Chemokines Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Nonlinear Science (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于监控摄像机的智能人形识别报警***及方法,包括:采集监控灰度图像;将监控灰度图像划分为若干监控图像块,根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到邻域内容相似性;根据邻域内容相似性得到噪声监控图像块;根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到运动信息变化因子;根据运动信息变化因子以及邻域内容相似性得到滤波权重系数;根据滤波权重系数对监控灰度图像进行识别报警。本发明提高了人形区域的识别结果的准确性,提高了人形识别报警的效率。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于监控摄像机的智能人形识别报警***及方法。
背景技术
基于监控摄像机的人形识别报警***是一种高科技安全监控***,在一些特殊场景中,会利用人工智能技术来识别视频监控画面中是否存在人形,并根据识别结果进行智能报警。在利用人工智能技术识别视频监控画面中的人形之前,需要对视频监控图像进行去噪处理。
现有方法通常利用非局部均值滤波算法对视频监控图像进行去噪,但由于视频监控图像中的人形区域内存在与噪声点相似的像素点,传统的非局部均值滤波算法无法有效区分人形区域内实际存在的噪声点,会对所有与噪声点相似的像素点均进行滤波处理,使人形区域丢失部分重要的细节特征,导致对人形区域的识别结果并不准确,从而降低人形识别报警的效率。
发明内容
本发明提供***及方法,以解决现有的问题:视频监控图像中的人形区域内存在与噪声点相似的像素点,传统的非局部均值滤波算法无法有效区分人形区域内实际存在的噪声点,会对所有与噪声点相似的像素点均进行滤波处理,使人形区域丢失部分重要的细节特征,导致对人形区域的识别结果并不准确,从而降低人形识别报警的效率。
本发明的一种基于监控摄像机的智能人形识别报警***及方法采用如下技术方案:
本发明一个实施例提供了一种基于监控摄像机的智能人形识别报警方法,该方法包括以下步骤:
采集监控摄像机的若干监控灰度图像;
将监控灰度图像划分为若干监控图像块,根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到每个监控图像块的邻域内容相似性;根据邻域内容相似性,从多个监控图像块中筛选出若干噪声监控图像块;
根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到每帧监控灰度图像的运动信息变化因子;根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到每帧监控灰度图像的滤波权重系数;
根据滤波权重系数对监控灰度图像进行识别报警。
优选的,所述将监控灰度图像划分为若干监控图像块,包括的具体方法为:
预设一个窗口大小,对于任意一帧监控灰度图像,将监控胡灰度图像均匀划分为大小为/>的窗口区域,并将每个窗口区域记为监控图像块。
优选的,所述根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到每个监控图像块的邻域内容相似性,包括的具体方法为:
获取每个监控图像块的信息丰富度;
将任意一个监控图像块记为目标监控图像块,将目标监控图像块视为一个像素点,获取目标监控图像块八邻域内所有监控图像块,并将目标监控图像块八邻域内的每个监控图像块记为邻域监控图像块;根据目标监控图像块与其对应的每个邻域监控图像块之间信息丰富度之间的差异,得到目标监控图像块的邻域内容相似性;
预设一个超参数,所述/>;将/>与目标监控图像块的信息丰富度的乘积记为第一乘积;将1与目标监控图像块的每个邻域监控图像块的信息丰富度的差值记为第一差值;将所有第一差值的均值记为第一均值;将/>与第一均值的乘积记为第二乘积;将第一乘积与第二乘积的差值的反比例归一化值记为目标监控图像块的邻域内容相似性。
优选的,所述获取每个监控图像块的信息丰富度,包括的具体方法为:
式中,表示任意一个监控图像块的信息丰富因子;/>表示监控图像块中所有像素点的数量;/>表示监控图像块中所有像素点的灰度值的均值与第/>个像素点的灰度值的差值的绝对值;/>表示与第/>个像素点的灰度值;/>表示第/>个像素点的灰度值;获取所有监控图像块的信息丰富因子,对所有信息丰富因子进行线性归一化,将归一化后的每个信息丰富因子记为信息丰富度。
优选的,所述根据邻域内容相似性,从多个监控图像块中筛选出若干噪声监控图像块,包括的具体方法为:
预设一个邻域内容相似性阈值,将邻域内容相似性小于/>的每个监控图像块记为噪声监控图像块。
优选的,所述根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到每帧监控灰度图像的运动信息变化因子,包括的具体方法为:
对于任意一帧监控灰度图像,将监控灰度图像中所有噪声监控图像块整体构成的区域记为待滤波监控区域;获取滤波监控区域中所有连通域,根据连通域得到核心信息轮廓区域,获取核心信息轮廓区域的轮廓中心检测点以及若干检测点;
将第帧监控灰度图像与第/>帧监控灰度图像之间核心信息轮廓区域中所有检测点数量的差值的绝对值记为第一绝对值;将第/>帧监控灰度图像与第/>帧监控灰度图像之间轮廓中心检测点的欧式距离记为第一距离;将第一绝对值与第一距离的乘积记为第/>帧监控灰度图像的运动信息变化因子。
优选的,所述根据连通域得到核心信息轮廓区域,获取核心信息轮廓区域的轮廓中心检测点以及若干检测点,包括的具体方法为:
对于任意一个连通域,在连通域中,将与连通域的形心之间距离最小的像素点记为连通域的检测点,获取所有连通域的检测点;将所有检测点构成的点集合输入凸包算法获取凸包,并将凸包在监控灰度图像中所占的区域记为核心信息轮廓区域;在核心信息轮廓区域中,将与核心信息轮廓区域的形心之间距离最小的检测点记为核心信息轮廓区域的轮廓中心检测点。
优选的,所述根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到每帧监控灰度图像的滤波权重系数,包括的具体方法为:
对于任意一帧监控灰度图像,将监控灰度图像上的待滤波监控区域中所有噪声监控图像块的邻域内容相似性的累加和记为待滤波监控区域的区域信息相似性;
将第帧监控灰度图像与第/>帧监控灰度图像之间待滤波监控区域的区域信息相似性的差值的绝对值,记为第二绝对值;将第二绝对值与第/>帧监控灰度图像的运动信息变化因子的乘积记为第/>帧监控灰度图像的滤波强度因子;
获取所有帧监控灰度图像的滤波强度因子,将所有滤波强度因子进行线性归一化,将归一化后的每个滤波强度因子记为滤波权重系数。
优选的,所述根据滤波权重系数对监控灰度图像进行识别报警,包括的具体方法为:
对于任意一帧监控灰度图像,将滤波权重系数作为权重,根据权重利用非局部均值滤波算法对监控灰度图像中的核心信息轮廓区域进行去噪,得到去噪后的监控灰度图像,并记为监控去噪灰度图像;
将监控去噪灰度图像输入训练好的神经网络中,获取监控去噪灰度图像中的人形区域,对人形区域进行报警。
本发明还提出了一种基于监控摄像机的智能人形识别报警***,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述的一种基于监控摄像机的智能人形识别报警方法的步骤。
本发明的技术方案的有益效果是:通过对比前后帧监控灰度图像之间邻域内容相似性的运动变化差异情况,确定合适的滤波权重系数,并根据滤波权重系数对监控灰度图像进行识别报警;通过分析监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到监控图像块的邻域内容相似性,用于反映监控图像块与周围区域内监控图像块整体之间所含信息分布情况的相似程度;然后根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到监控灰度图像的运动信息变化因子,用于反映前后帧监控灰度图像之间人员的运动幅度;根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到监控灰度图像的滤波权重系数,用于反映监控灰度图像中的核心信息轮廓区域所含人员细节特征的含量;本发明结合监控灰度图像在前后对应图像中内容的运动情况,自适应获取滤波权重系数,降低了人形区域丢失细节特征的概率,提高了人形区域的识别结果的准确性,提高了人形识别报警的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的一种基于监控摄像机的智能人形识别报警方法的步骤流程图;
图2为本发明的一种基于监控摄像机的智能人形识别报警方法的特征关系流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于监控摄像机的智能人形识别报警***及方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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。
下面结合附图具体的说明本发明所提供的一种基于监控摄像机的智能人形识别报警***及方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于监控摄像机的智能人形识别报警方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集监控摄像机的若干监控灰度图像。
需要说明的是,现有方法通常利用非局部均值滤波算法对视频监控图像进行去噪,但由于视频监控图像中的人形区域内存在与噪声点相似的像素点,传统的非局部均值滤波算法无法有效区分人形区域内实际存在的噪声点,会对所有与噪声点相似的像素点均进行滤波处理,使人形区域丢失部分重要的细节特征,导致对人形区域的识别结果并不准确,从而降低人形识别报警的效率。请参阅图2,其示出了基于监控摄像机的智能人形识别报警方法的特征关系流程图。
具体的,首先需要采集监控灰度图像,具体过程为:获取监控摄像机的监控视频历史记录库中近一周的监控视频,每隔1秒为一个采集时刻截取一帧监控图像,获取若干监控图像,对每帧监控图像进行灰度化处理得到若干监控灰度图像。其中灰度化处理是公知技术,本实施例不再赘述。需要说明的是,本实施例默认监控灰度图像按照采集时刻从小到大的顺序进行排序,且不对截取间隔与监控视频的时长进行具体限定,其中截取间隔与监控视频的时长可根据具体实施情况而定。
至此,通过上述方法得到所有监控灰度图像。
步骤S002:将监控灰度图像划分为若干监控图像块,根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到每个监控图像块的邻域内容相似性;根据邻域内容相似性,从多个监控图像块中筛选出若干噪声监控图像块。
需要说明的是,在利用监控摄像机拍摄获取的监控灰度图像中,会因机器与环境因素不可避免地产生噪声,噪声会在监控灰度图像中形成噪声点,并在整幅监控灰度图像中呈分散不均匀分布;而监控灰度图像主要包含人员所在的人形区域与其余的场景背景区域,场景背景区域内存在通常存在大量色彩、亮度、纹理、形状等各不相同的背景物体信息,人形区域内部所表征的图像信息主要为人员的外貌信息,人形区域相对于场景背景区域而言,人形区域包含的图像信息存在较高的相似性。
进一步需要说明的是,而传统的非局部均值滤波算法在对监控灰度图像进行滤波处理的时候,会对灰度值越相似的像素点进行强度更大的滤波处理,但人形区域内正常的像素点与实际存在的噪声点之间会存在较高的相似性,所以会对所有与噪声点相似的像素点均进行滤波处理,使人形区域丢失部分重要的细节特征,导致对人形区域的识别结果并不准确。为了提高人形区域识别结果的准确性,本实施例通过分析监控灰度图像中不同区域之间的内容信息分布的相似情况,得到需要进行滤波处理的噪声监控图像块,以便后续分析处理。
具体的,预设一个窗口大小,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;以任意一帧监控灰度图像为例,将该监控胡灰度图像均匀划分为大小为/>的窗口区域,并将每个窗口区域记为监控图像块;以任意一个监控图像块为例,根据该监控图像块中整体灰度分布的差异情况,得到该监控图像块的信息丰富因子。其中每帧监控灰度图像包含多个监控图像块。另外需要说明的是,在获取监控图像块的过程中,若剩余的图像区域大小不满于预设的/>,那么将剩余的图像区域记为一个监控图像块。
进一步的,作为一种示例,可通过如下公式计算该监控图像块的信息丰富因子:
式中,表示该监控图像块的信息丰富因子;/>表示该监控图像块中所有像素点的数量;/>表示该监控图像块中所有像素点的灰度值的均值与第/>个像素点的灰度值的差值的绝对值;/>表示与第/>个像素点的灰度值;/>表示第/>个像素点的灰度值;其中若该监控图像块的信息丰富因子越大,说明该监控图像块中的灰度分布差异越大,该监控图像块中所含纹理信息越多,该监控图像块中所含信息的种类越多,反映该监控图像块中包含的图像信息越丰富。获取所有监控图像块的信息丰富因子,对所有信息丰富因子进行线性归一化,将归一化后的每个信息丰富因子记为信息丰富度。
进一步的,以任意一个监控图像块为例,将该监控图像块视为一个像素点,获取该监控图像块八邻域内所有监控图像块,并将该监控图像块八邻域内的每个监控图像块记为邻域监控图像块;根据该监控图像块与其对应的每个邻域监控图像块之间信息丰富度之间的差异,得到该监控图像块的邻域内容相似性。其中每个监控图像块对应多个邻域监控图像块。
进一步的,作为一种示例,可通过如下公式计算该监控图像块的邻域内容相似性:
式中,表示该监控图像块的邻域内容相似性;/>表示预设的超参数,本实施例预设/>,需恒大于0.5,用于表示该监控图像块的信息丰富度的参考权重比例;/>表示该监控图像块的信息丰富度;/>表示该监控图像块的所有邻域监控图像块的数量;/>表示第/>个邻域监控图像块的信息丰富度;/>表示取绝对值;/>表示该监控图像块的信息含量差异程度;/>表示以自然常数为底的指数函数,实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况选择反比例函数及归一化函数;/>表示该监控图像块周围的所有邻域监控图像块的信息含量的综合相似性。其中若该监控图像块的邻域内容相似性越大,说明该监控图像块与周围区域之间的灰度分布差异越相似,反映该监控图像块与周围区域内若干监控图像块整体之间所含信息的分布情况越相似。获取所有监控图像块的邻域内容相似性。
进一步的,预设一个邻域内容相似性阈值,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>可根据具体实施情况而定;将邻域内容相似性小于/>的每个监控图像块记为记为噪声监控图像块,获取每帧监控灰度图像的所有噪声监控图像块。其中每帧监控灰度图像包含多个噪声监控图像块。
至此,通过上述方法得到所有噪声监控图像块。
步骤S003:根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到每帧监控灰度图像的运动信息变化因子;根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到每帧监控灰度图像的滤波权重系数。
需要说明的是,使用监控摄像机对一片固定区域进行持续监控时,区域内大部分的物体都基本静止不动,其中主要运动的对象为区域内的人员,而人员在运动时的动作随着时间推移会发生不同程度地连续变化,若变化较小,那么同一人员在不同时间下的监控灰度图像中所占的图像区域所在的位置以及包含的信息均变化较小,丢失细节的程度较低;若变化较大,那么同一人员在不同时间下的监控灰度图像中所占的图像区域所在的位置以及包含的信息均变化较大,丢失细节的程度较高。而经步骤S002获取的噪声监控图像块是主要包含人形区域的图像块,为了降低人形区域细节特征丢失的程度,本实施例通过分析同一个噪声监控图像块在相邻帧监控图像之间所含内容信息的变化情况以及轮廓特征,得到滤波权重系数,以便后续人形识别报警处理。
具体的,以任意一帧监控灰度图像为例,将该监控灰度图像中所有噪声监控图像块整体构成的区域记为待滤波监控区域,将该待滤波监控区域中所有噪声监控图像块的邻域内容相似性的累加和记为该待滤波监控区域的区域信息相似性,获取该滤波监控区域中所有连通域;以任意一个连通域为例,在该连通域中,将与该连通域的形心之间距离最小的像素点记为该连通域的检测点,获取所有连通域的检测点;将所有检测点构成的点集合输入凸包算法获取凸包,并将凸包在该监控灰度图像中所占的区域记为核心信息轮廓区域;在该核心信息轮廓区域中,将与核心信息轮廓区域的形心之间距离最小的检测点记为该核心信息轮廓区域的轮廓中心检测点;获取所有核心信息轮廓区域的轮廓中心检测点。其中每个连通域中像素点的灰度值一致,每帧监控灰度图像中包含一个待滤波监控区域,每个待滤波监控区域包含一个核心信息轮廓区域,每个核心信息轮廓区域包含多个检测点;根据点集合获取凸包的过程是凸包算法的公知内容,本实施例不再赘述。
进一步的,根据第帧监控灰度图像与第/>帧监控灰度图像之间核心信息轮廓区域中所含检测点数量的差异、轮廓中心检测点的变化差异,得到第/>帧监控灰度图像的运动信息变化因子。作为一种示例,可通过如下公式计算第/>帧监控灰度图像的运动信息变化因子:
式中,表示第/>帧监控灰度图像的运动信息变化因子;/>表示第/>帧监控灰度图像与第/>帧监控灰度图像之间核心信息轮廓区域中所有检测点数量的差值的绝对值;/>表示第/>帧监控灰度图像与第/>帧监控灰度图像之间轮廓中心检测点的欧式距离。其中若第/>帧监控灰度图像的运动信息变化因子越大,说明第/>帧监控灰度图像与第/>帧监控灰度图像之间人员运动的幅度越大,反映第/>帧监控灰度图像中的核心信息轮廓区域越需要减弱滤波的强度。其中欧式距离的获取是公知技术,本实施例不再赘述。
进一步的,根据第帧监控灰度图像与第/>帧监控灰度图像之间所属待滤波监控区域的区域信息相似性的差异以及第/>帧监控灰度图像的运动信息变化因子,得到第/>帧监控灰度图像的滤波强度因子。作为一种示例,可通过如下公式计算第/>帧监控灰度图像的滤波强度因子:
式中,表示第/>帧监控灰度图像的滤波强度因子;/>表示第/>帧监控灰度图像中待滤波监控区域的区域信息相似性;/>表示第/>帧监控灰度图像中待滤波监控区域的区域信息相似性;/>表示第/>帧监控灰度图像的运动信息变化因子;表示取绝对值。其中第/>帧监控灰度图像的滤波强度因子越大,说明第/>帧监控灰度图像中的核心信息轮廓区域越能体现人员的细节特征,反映第/>帧监控灰度图像需要降低滤波强度的程度越低。获取所有帧监控灰度图像的滤波强度因子,将所有滤波强度因子进行线性归一化,将归一化后的每个滤波强度因子记为滤波权重系数。需要说明的是,本实施例不考虑第一帧监控灰度图像的滤波强度因子。
至此,通过上述方法得到所有监控灰度图像的滤波权重系数。
步骤S004:根据滤波权重系数对监控灰度图像进行识别报警。
具体的,以任意一帧监控灰度图像为例,将滤波权重系数作为权重,根据权重对该监控灰度图像中的核心信息轮廓区域进行去噪,得到去噪后的监控灰度图像,并记为监控去噪灰度图像,获取所有监控去噪灰度图像。其中根据权重对图像进行去噪的过程是非局部均值滤波算法的公知内容,本实施例不再赘述。
进一步的,以任意一帧监控去噪灰度图像为例,将该监控去噪灰度图像输入训练好的神经网络中,获取该监控去噪灰度图像中的人形区域,对人形区域进行报警。其中本实施例使用的神经网络为YOLOv3,训练该神经网络的数据集的获取方法为:
采集大量的监控去噪灰度图像,人为地在每帧监控去噪灰度图像中标记出包围框,将包围框记为每帧监控去噪灰度图像的标签;采集大量的监控去噪灰度图像以及其对应的标签构成数据集;利用该数据集训练该神经网络,训练过程中使用的损失函数为均方差损失函数;其中具体的训练过程是神经网络的公知内容,本实施例不再赘述具体的训练过程。
通过以上步骤,完成基于监控摄像机的智能人形识别的报警方法。
本发明的另一个实施例提供了一种基于监控摄像机的智能人形识别报警***,所述***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序时,执行上述方法步骤S001到步骤S004。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于监控摄像机的智能人形识别报警方法,其特征在于,该方法包括以下步骤:
采集监控摄像机的若干监控灰度图像;
将监控灰度图像划分为若干监控图像块,根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到每个监控图像块的邻域内容相似性;根据邻域内容相似性,从多个监控图像块中筛选出若干噪声监控图像块;
根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到每帧监控灰度图像的运动信息变化因子;根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到每帧监控灰度图像的滤波权重系数;
根据滤波权重系数对监控灰度图像进行识别报警。
2.根据权利要求1所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述将监控灰度图像划分为若干监控图像块,包括的具体方法为:
预设一个窗口大小,对于任意一帧监控灰度图像,将监控胡灰度图像均匀划分为大小为/>的窗口区域,并将每个窗口区域记为监控图像块。
3.根据权利要求1所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据监控图像块与周围区域内监控图像块之间灰度信息分布的差异情况,得到每个监控图像块的邻域内容相似性,包括的具体方法为:
获取每个监控图像块的信息丰富度;
将任意一个监控图像块记为目标监控图像块,将目标监控图像块视为一个像素点,获取目标监控图像块八邻域内所有监控图像块,并将目标监控图像块八邻域内的每个监控图像块记为邻域监控图像块;根据目标监控图像块与其对应的每个邻域监控图像块之间信息丰富度之间的差异,得到目标监控图像块的邻域内容相似性;
预设一个超参数,所述/>;将/>与目标监控图像块的信息丰富度的乘积记为第一乘积;将1与目标监控图像块的每个邻域监控图像块的信息丰富度的差值记为第一差值;将所有第一差值的均值记为第一均值;将/>与第一均值的乘积记为第二乘积;将第一乘积与第二乘积的差值的反比例归一化值记为目标监控图像块的邻域内容相似性。
4.根据权利要求3所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述获取每个监控图像块的信息丰富度,包括的具体方法为:
式中,表示任意一个监控图像块的信息丰富因子;/>表示监控图像块中所有像素点的数量;/>表示监控图像块中所有像素点的灰度值的均值与第/>个像素点的灰度值的差值的绝对值;/>表示与第/>个像素点的灰度值;/>表示第/>个像素点的灰度值;获取所有监控图像块的信息丰富因子,对所有信息丰富因子进行线性归一化,将归一化后的每个信息丰富因子记为信息丰富度。
5.根据权利要求1所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据邻域内容相似性,从多个监控图像块中筛选出若干噪声监控图像块,包括的具体方法为:
预设一个邻域内容相似性阈值,将邻域内容相似性小于/>的每个监控图像块记为噪声监控图像块。
6.根据权利要求1所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据相邻帧监控灰度图像之间噪声监控图像块所含灰度信息运动变化的差异情况,得到每帧监控灰度图像的运动信息变化因子,包括的具体方法为:
对于任意一帧监控灰度图像,将监控灰度图像中所有噪声监控图像块整体构成的区域记为待滤波监控区域;获取滤波监控区域中所有连通域,根据连通域得到核心信息轮廓区域,获取核心信息轮廓区域的轮廓中心检测点以及若干检测点;
将第帧监控灰度图像与第/>帧监控灰度图像之间核心信息轮廓区域中所有检测点数量的差值的绝对值记为第一绝对值;将第/>帧监控灰度图像与第/>帧监控灰度图像之间轮廓中心检测点的欧式距离记为第一距离;将第一绝对值与第一距离的乘积记为第帧监控灰度图像的运动信息变化因子。
7.根据权利要求6所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据连通域得到核心信息轮廓区域,获取核心信息轮廓区域的轮廓中心检测点以及若干检测点,包括的具体方法为:
对于任意一个连通域,在连通域中,将与连通域的形心之间距离最小的像素点记为连通域的检测点,获取所有连通域的检测点;将所有检测点构成的点集合输入凸包算法获取凸包,并将凸包在监控灰度图像中所占的区域记为核心信息轮廓区域;在核心信息轮廓区域中,将与核心信息轮廓区域的形心之间距离最小的检测点记为核心信息轮廓区域的轮廓中心检测点。
8.根据权利要求6所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据运动信息变化因子以及相邻帧监控灰度图像之间噪声监控图像块的邻域内容相似性的差异,得到每帧监控灰度图像的滤波权重系数,包括的具体方法为:
对于任意一帧监控灰度图像,将监控灰度图像上的待滤波监控区域中所有噪声监控图像块的邻域内容相似性的累加和记为待滤波监控区域的区域信息相似性;
将第帧监控灰度图像与第/>帧监控灰度图像之间待滤波监控区域的区域信息相似性的差值的绝对值,记为第二绝对值;将第二绝对值与第/>帧监控灰度图像的运动信息变化因子的乘积记为第/>帧监控灰度图像的滤波强度因子;
获取所有帧监控灰度图像的滤波强度因子,将所有滤波强度因子进行线性归一化,将归一化后的每个滤波强度因子记为滤波权重系数。
9.根据权利要求6所述一种基于监控摄像机的智能人形识别报警方法,其特征在于,所述根据滤波权重系数对监控灰度图像进行识别报警,包括的具体方法为:
对于任意一帧监控灰度图像,将滤波权重系数作为权重,根据权重利用非局部均值滤波算法对监控灰度图像中的核心信息轮廓区域进行去噪,得到去噪后的监控灰度图像,并记为监控去噪灰度图像;
将监控去噪灰度图像输入训练好的神经网络中,获取监控去噪灰度图像中的人形区域,对人形区域进行报警。
10.一种基于监控摄像机的智能人形识别报警***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的一种基于监控摄像机的智能人形识别报警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223660.XA CN117809379B (zh) | 2024-02-29 | 2024-02-29 | 一种基于监控摄像机的智能人形识别报警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410223660.XA CN117809379B (zh) | 2024-02-29 | 2024-02-29 | 一种基于监控摄像机的智能人形识别报警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809379A true CN117809379A (zh) | 2024-04-02 |
CN117809379B CN117809379B (zh) | 2024-05-03 |
Family
ID=90434872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410223660.XA Active CN117809379B (zh) | 2024-02-29 | 2024-02-29 | 一种基于监控摄像机的智能人形识别报警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809379B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154458A (zh) * | 2024-05-10 | 2024-06-07 | 宝鸡拓普达钛业有限公司 | 基于复杂工业环境的机床刀具图像的滤波处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN106611157A (zh) * | 2016-11-17 | 2017-05-03 | 中国石油大学(华东) | 一种基于光流定位和滑动窗口检测的多人姿态识别方法 |
CN115439424A (zh) * | 2022-08-23 | 2022-12-06 | 成都飞机工业(集团)有限责任公司 | 一种无人机航拍视频图像智能检测方法 |
CN117455802A (zh) * | 2023-12-25 | 2024-01-26 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
-
2024
- 2024-02-29 CN CN202410223660.XA patent/CN117809379B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
CN106611157A (zh) * | 2016-11-17 | 2017-05-03 | 中国石油大学(华东) | 一种基于光流定位和滑动窗口检测的多人姿态识别方法 |
CN115439424A (zh) * | 2022-08-23 | 2022-12-06 | 成都飞机工业(集团)有限责任公司 | 一种无人机航拍视频图像智能检测方法 |
CN117455802A (zh) * | 2023-12-25 | 2024-01-26 | 榆林金马巴巴网络科技有限公司 | 一种本安型矿灯采集图像降噪增强方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118154458A (zh) * | 2024-05-10 | 2024-06-07 | 宝鸡拓普达钛业有限公司 | 基于复杂工业环境的机床刀具图像的滤波处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117809379B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116310360B (zh) | 一种电抗器表面缺陷检测方法 | |
CN117809379B (zh) | 一种基于监控摄像机的智能人形识别报警***及方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
CN105913002B (zh) | 视频场景下在线自适应的异常事件检测方法 | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN109255326B (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN111738342A (zh) | 一种受电弓异物检测方法、存储介质及计算机设备 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN113409362B (zh) | 高空抛物检测方法和装置、设备及计算机存储介质 | |
CN107273815A (zh) | 一种个体行为识别方法及*** | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN115439804A (zh) | 一种用于高铁检修的监测方法以及装置 | |
CN115937237A (zh) | 一种基于边缘变换域的局部特征提取方法 | |
Hafiz et al. | Foreground segmentation-based human detection with shadow removal | |
CN116342591A (zh) | 一种建筑物参数的视觉解析方法 | |
CN111667509B (zh) | 目标与背景颜色相似下的运动目标自动跟踪方法及*** | |
CN112084957B (zh) | 一种移动目标滞留检测方法及*** | |
CN116843581B (zh) | 一种多场景图的图像增强方法、***、设备和存储介质 | |
CN115994870B (zh) | 一种用于增强去噪的图像处理方法 | |
CN111626107A (zh) | 一种面向智能家居场景下的人形轮廓分析提取方法 | |
CN116363114A (zh) | 一种瓷砖表面质量检测方法、装置、电子设备及存储介质 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控*** | |
CN114913099A (zh) | 视频文件处理的方法和*** | |
Yang et al. | Using stochastic gradient descent and deep learning to defect detection for medicinal hollow capsule |
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 |