判斷異常活動物體的低計算量運動檢測方法技術(shù)

本發(fā)明專利技術(shù)公開了一種判斷異常活動物體的低計算量運動檢測方法，包括以下步驟。步驟S4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域。步驟S5：根據(jù)步驟S4判斷上述差分圖像中是否存在異常活動物體區(qū)域。本發(fā)明專利技術(shù)公開的判斷異常活動物體的低計算量運動檢測方法，其有益效果在于，通過極低的計算量對視頻圖像進行較為簡單的預處理，判斷視頻圖像中是否出現(xiàn)物體運動。如果沒有出現(xiàn)物體運動則停止接續(xù)的檢測流程，否則繼續(xù)檢測流程，以便較好地節(jié)約檢測成本，避免浪費計算資源。

Low computational complexity motion detection method for judging abnormal moving objects

The invention discloses a low computational amount motion detection method for judging abnormal moving objects, including the following steps. According to the preset threshold of pixel difference, each pixel of the difference image is marked as background pixel or foreground pixel, and each foreground pixel is composed of abnormal moving object area. Fifth, judging whether there are abnormal moving object areas in the above differential images according to Fifth Fourth. The low computational load motion detection method for judging abnormal moving objects disclosed in the present invention has the beneficial effect of simple preprocessing of video images through extremely low computational load to determine whether there is object motion in video images. If there is no object motion, stop the continuous detection process, otherwise continue the detection process, so as to save the detection cost and avoid wasting computing resources.

【技術(shù)實現(xiàn)步驟摘要】
判斷異常活動物體的低計算量運動檢測方法
本專利技術(shù)屬于基于深度學習的人工智能
，具體涉及一種判斷異常活動物體的低計算量運動檢測方法。
技術(shù)介紹
異常活動物體識別具有較為廣泛的應用，包括人體摔倒識別、人體姿態(tài)動作識別、動物姿態(tài)動作識別、交通車輛識別等應用場景。需要說明的是，常見的基于深度學習的解決方案，通常將視頻轉(zhuǎn)化為幀序列之后再對圖像進行逐一計算，處理反饋。然而，上述解決方案存在缺陷，主要體現(xiàn)在以下幾個方面。其一，耗費大量的服務器計算資源。當視頻圖像中的連續(xù)畫面實質(zhì)上靜止時，服務器仍然需要計算，導致最終的計算總量并沒有下降。其二，而服務器的成本很高且計算資源總體上呈現(xiàn)“緊平衡”狀態(tài)。當視頻圖像中的連續(xù)畫面實質(zhì)上靜止時，服務器仍然需要計算，導致極大地浪費計算資源，變相提高了檢測成本。
技術(shù)實現(xiàn)思路
本專利技術(shù)針對現(xiàn)有技術(shù)的狀況，克服上述缺陷，提供一種判斷異常活動物體的低計算量運動檢測方法。本專利技術(shù)采用以下技術(shù)方案，所述判斷異常活動物體的低計算量運動檢測方法包括以下步驟：步驟S1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像；步驟S2：將上述時序上相鄰的多幀圖像中的第一幀圖像輸入為背景圖像，將上述時序上相鄰的多幀圖像的第二幀圖像輸入為待檢圖像；步驟S3：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值處理形成差分圖像；步驟S4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域；步驟S5：根據(jù)步驟S4判斷上述差分圖像中是否存在異常活動物體區(qū)域，如果是則輸出第一檢測信號同時在T1時刻執(zhí)行步驟S1，否則輸出第二檢測信號同時在T1時刻執(zhí)行步驟S1。根據(jù)上述技術(shù)方案，在步驟S3中，包括以下步驟：步驟S3.1：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值差分形成第一中間圖像；步驟S3.2：將上述第一中間圖像的各個像素點二值化形成差分圖像。根據(jù)上述技術(shù)方案，在步驟S4中，包括以下步驟：步驟S4.1：調(diào)用預置的像素點差分閾值，依次判斷差分圖像的各個像素點的差值幅值，如果任一像素點的差值幅度高于上述像素點差分閾值，則標記為前景像素點，否則標記為背景像素點。根據(jù)上述技術(shù)方案，所述判斷異常活動物體的低計算量運動檢測方法還包括步驟S6：步驟S6：利用馬爾科夫模型將T0時刻至TN時刻的時序上相鄰的若干幀圖像相互串聯(lián)，以判斷連續(xù)的視頻圖像是否出現(xiàn)異常活動物體。根據(jù)上述技術(shù)方案，上述第一檢測信號為已檢測到異常活動物體的檢測信號，上述第二檢測信號為未檢測到異常活動物體的檢測信號。本專利技術(shù)專利申請還公開了一種判斷異常活動物體的低計算量運動檢測方法，包括以下步驟：步驟T1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像；步驟T2：將上述時序上相鄰的多幀圖像中的第一幀圖像和第二幀圖像輸入為背景圖像，將上述時序上相鄰的多幀圖像的第三幀圖像輸入為待檢圖像；步驟T3：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值處理形成差分圖像；步驟T4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域；步驟T5：根據(jù)步驟T4判斷上述差分圖像中是否存在異常活動物體區(qū)域，如果是則輸出第一檢測信號同時在T1時刻執(zhí)行步驟T1，否則輸出第二檢測信號同時在T1時刻執(zhí)行步驟T1。根據(jù)上述技術(shù)方案，在步驟T3中，包括以下步驟：步驟T3.1：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值差分形成第一中間圖像；步驟T3.2：將上述第一中間圖像的各個像素點二值化形成差分圖像。根據(jù)上述技術(shù)方案，在步驟T4中，包括以下步驟：步驟T4.1：調(diào)用預置的像素點差分閾值，依次判斷差分圖像的各個像素點的差值幅值，如果任一像素點的差值幅度高于上述像素點差分閾值，則標記為前景像素點，否則標記為背景像素點。根據(jù)上述技術(shù)方案，所述判斷異常活動物體的低計算量運動檢測方法還包括步驟T6：步驟T6：利用馬爾科夫模型將T0時刻至TN時刻的時序上相鄰的若干幀圖像相互串聯(lián)，以判斷連續(xù)的視頻圖像是否出現(xiàn)異常活動物體。根據(jù)上述技術(shù)方案，上述第一檢測信號為已檢測到異常活動物體的檢測信號，上述第二檢測信號為未檢測到異常活動物體的檢測信號。本專利技術(shù)公開的判斷異常活動物體的低計算量運動檢測方法，其有益效果在于，通過極低的計算量對視頻圖像進行較為簡單的預處理，判斷視頻圖像中是否出現(xiàn)物體運動。如果沒有出現(xiàn)物體運動則停止接續(xù)的檢測流程，否則繼續(xù)檢測流程，以便較好地節(jié)約檢測成本，避免浪費計算資源。附圖說明圖1是本專利技術(shù)優(yōu)選實施例的馬爾科夫模型的示意圖。具體實施方式本專利技術(shù)公開了一種判斷異常活動物體的低計算量運動檢測方法，下面結(jié)合優(yōu)選實施例，對本專利技術(shù)的具體實施方式作進一步描述。參見附圖的圖1，圖1示出了馬爾科夫模型。優(yōu)選地，所述判斷異常活動物體的低計算量運動檢測方法包括以下步驟：步驟S1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像；步驟S2：將上述時序上相鄰的多幀圖像中的第一幀圖像輸入為背景圖像，將上述時序上相鄰的多幀圖像的第二幀圖像輸入為待檢圖像；步驟S3：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值處理形成差分圖像；步驟S4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域(運動區(qū)域)；步驟S5：根據(jù)步驟S4判斷上述差分圖像中是否存在異常活動物體區(qū)域，如果是則輸出第一檢測信號(已檢測到異常活動物體的檢測信號)以便啟動接續(xù)的檢測流程同時在T1時刻執(zhí)行步驟S1(在T1時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像，以此類推)，否則輸出第二檢測信號(未檢測到異常活動物體的檢測信號)同時在T1時刻執(zhí)行步驟S1(在T1時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像，以此類推)。進一步地，在步驟S3中，包括以下步驟：步驟S3.1：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值差分形成第一中間圖像；步驟S3.2：將上述第一中間圖像的各個像素點二值化形成差分圖像。進一步地，在步驟S4中，包括以下步驟：步驟S4.1：調(diào)用預置的像素點差分閾值，依次判斷差分圖像的各個像素點的差值幅值，如果任一像素點的差值幅度高于上述像素點差分閾值，則標記為前景像素點，否則標記為背景像素點。進一步地，所述判斷異常活動物體的低計算量運動檢測方法還包括步驟S6：步驟S6：利用馬爾科夫模型將T0時刻至TN時刻的時序上相鄰的若干幀圖像相互串聯(lián)，以便進一步判斷連續(xù)的視頻圖像是否出現(xiàn)異常活動物體。值得一提的是，本專利技術(shù)專利申請還公開了上述優(yōu)選實施例的第一變形實施例。上述第一變形實施例簡述如下。其中，所述判斷異常活動物體的低計算量運動檢測方法包括以下步驟：步驟T1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖本文檔來自技高網(wǎng)...

【技術(shù)保護點】
1.一種判斷異常活動物體的低計算量運動檢測方法，其特征在于，包括以下步驟：步驟S1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像；步驟S2：將上述時序上相鄰的多幀圖像中的第一幀圖像輸入為背景圖像，將上述時序上相鄰的多幀圖像的第二幀圖像輸入為待檢圖像；步驟S3：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值處理形成差分圖像；步驟S4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域；步驟S5：根據(jù)步驟S4判斷上述差分圖像中是否存在異常活動物體區(qū)域，如果是則輸出第一檢測信號同時在T1時刻執(zhí)行步驟S1，否則輸出第二檢測信號同時在T1時刻執(zhí)行步驟S1。

【技術(shù)特征摘要】
1.一種判斷異常活動物體的低計算量運動檢測方法，其特征在于，包括以下步驟：步驟S1：在T0時刻，獲取待檢測異常活動物體的連續(xù)的視頻圖像，并且將上述視頻圖像切分為時序上相鄰的多幀圖像；步驟S2：將上述時序上相鄰的多幀圖像中的第一幀圖像輸入為背景圖像，將上述時序上相鄰的多幀圖像的第二幀圖像輸入為待檢圖像；步驟S3：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值處理形成差分圖像；步驟S4：根據(jù)預置的像素點差分閾值，將差分圖像的各個像素點標記為背景像素點或者前景像素點，同時由各個前景像素點組成異常活動物體區(qū)域；步驟S5：根據(jù)步驟S4判斷上述差分圖像中是否存在異常活動物體區(qū)域，如果是則輸出第一檢測信號同時在T1時刻執(zhí)行步驟S1，否則輸出第二檢測信號同時在T1時刻執(zhí)行步驟S1。2.根據(jù)權(quán)利要求1所述的判斷異常活動物體的低計算量運動檢測方法，其特征在于，在步驟S3中，包括以下步驟：步驟S3.1：將上述待檢圖像的各個像素點的像素值與背景圖像的各個像素點的像素值差分形成第一中間圖像；步驟S3.2：將上述第一中間圖像的各個像素點二值化形成差分圖像。3.根據(jù)權(quán)利要求2所述的判斷異常活動物體的低計算量運動檢測方法，其特征在于，在步驟S4中，包括以下步驟：步驟S4.1：調(diào)用預置的像素點差分閾值，依次判斷差分圖像的各個像素點的差值幅值，如果任一像素點的差值幅度高于上述像素點差分閾值，則標記為前景像素點，否則標記為背景像素點。4.根據(jù)權(quán)利要求1-3中任一權(quán)利要求所述的判斷異常活動物體的低計算量運動檢測方法，其特征在于，所述判斷異常活動物體的低計算量運動檢測方法還包括步驟S6：步驟S6：利用馬爾科夫模型將T0時刻至TN時刻的時序上相鄰的若干幀圖像相互串聯(lián)，以判斷連續(xù)的視頻圖像是否出現(xiàn)異常活動物體。5.根據(jù)權(quán)利要求1所述的判斷異常活動物體的低計算量運動檢測方法，其特征在于，上述第一檢測信號為已檢測到異常活動物體的檢測信號，上述第二檢測信號為未檢測到異常活動物體的檢測信號。6.一...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鐘博煊，許淞斐，周禮，
申請(專利權(quán))人：浙江深眸科技有限公司，
類型：發(fā)明
國別省市：浙江,33