[go: up one dir, main page]

CN111476816A - 一种智能多种物体高效同时识别方法 - Google Patents

一种智能多种物体高效同时识别方法 Download PDF

Info

Publication number
CN111476816A
CN111476816A CN201910930816.7A CN201910930816A CN111476816A CN 111476816 A CN111476816 A CN 111476816A CN 201910930816 A CN201910930816 A CN 201910930816A CN 111476816 A CN111476816 A CN 111476816A
Authority
CN
China
Prior art keywords
image
point set
feature point
coordinate
feature
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
Application number
CN201910930816.7A
Other languages
English (en)
Inventor
罗顺发
赵肖彬
崔伟勋
罗嗣达
张辉
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.)
Jabsco Electronic Technology Co ltd
Original Assignee
Jabsco Electronic Technology 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 Jabsco Electronic Technology Co ltd filed Critical Jabsco Electronic Technology Co ltd
Priority to CN201910930816.7A priority Critical patent/CN111476816A/zh
Publication of CN111476816A publication Critical patent/CN111476816A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种智能多种物体高效同时识别方法，按该方法步骤操作后，相比原有的识别技术，将目标图像与环境图形独立标示，不必再将整体画面进行整体对比计算，仅需计算目标图像与相离目标点之间的位置变化，比之前更节省内存，节省CPU资源，识别效率更高。

Description

一种智能多种物体高效同时识别方法
技术领域
本发明涉及物体识别领域，具体是一种智能多种物体高效同时识别方法。
背景技术
目前，随着世界安全形势越来越严峻，城市中的通缉犯、逃跑的犯人、被盗车辆等严重威胁城市公民的生活安全。人们需要对这些特殊类型的目标进行监控，并跟踪预测该类目标的移动轨迹。这需要对该类目标进行识别，并且需要把该类目标所在的位置标识在城市地图上，以方便警方对其进行控制。
现有的识别技术，通过学习模型，然后几帧数据与模型做对比，判断是否移动来做到物体识别，缺点：单模型数据量大，多物体模型数据量是单一模型的几倍，且消耗CPU资源很严重。因此，本领域技术人员提供了一种智能多种物体高效同时识别方法，以解决上述背景技术中提出的问题。
发明内容
本发明的目的在于提供一种智能多种物体高效同时识别方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种智能多种物体高效同时识别方法，该方法包括以下步骤：
1)通过监控设备，获得固定视角的画面，获得环境图像，形成全部坐标信息的索引列表；
2)输入多组对比图像，将目标物体大概轮廓标示出来，并从整体画面中分离出来；
3)将目标轮廓信息提取，获得的图像进行特征点的提取，用于获取所述图像的特征点在所述索引列表内进行提取集中，获得目标轮廓所包含的特征点集合C；
4)形成移动路径的背景参照坐标集合B；
5)将移动后的画面截图，对待识别图像的像素坐标进行归一化处理，得到图像的像素坐标矩阵，将所述特征点集合C与图像内的坐标信息对比，得到画面中特征点集合C所处的位置；
6)得到特征点集合C的移动路径。
作为本发明进一步的方案：所述步骤1)中，由彩色图像生成的灰度图像、由深度图像生成的表面法向量，将彩色图像、灰度图像、深度图像和表面法向量共同作为多数据模式信息，通过卷积-递归神经网络分别提取彩色图像、灰度图像和表面法向量中的坐标信息特征，得到图像内全部坐标信息的总特征作为参照特征。
作为本发明再进一步的方案：所述步骤2)中，利用改进的混合高斯模型的背景差法和基于OHTA的颜色分割提取技术进行图像提取。
作为本发明再进一步的方案：所述步骤6)中，针对所述特征点集合C，在坐标集合B找出与其距离最近的N个其他定位特征点，并比特征点集合C与定位特征点之间的位置变化。
作为本发明再进一步的方案：所述步骤5)中，所述截图保留1-2帧数据。
作为本发明再进一步的方案：所述步骤4)中，将分离出目标物体后的整体画面进行坐标标定，形成移动路径的背景参照坐标集合B。
与现有技术相比，本发明的有益效果是：
相比原有的识别技术，将目标图像与环境图形独立标示，不必再将整体画面进行整体对比计算，仅需计算目标图像与相离目标点之间的位置变化，比之前更节省内存，节省CPU资源，识别效率更高。
具体实施方式
下面结合具体实施方式对本发明的技术方案作进一步详细地说明。
一种智能多种物体高效同时识别方法，该方法包括以下步骤：
1)通过监控设备，获得固定视角的画面，获得环境图像，由彩色图像生成的灰度图像、由深度图像生成的表面法向量，将彩色图像、灰度图像、深度图像和表面法向量共同作为多数据模式信息，通过卷积-递归神经网络分别提取彩色图像、灰度图像和表面法向量中的坐标信息特征，得到图像内全部坐标信息的总特征作为参照特征，形成全部坐标信息的索引列表；
2)输入多组对比图像，利用改进的混合高斯模型的背景差法和基于OHTA的颜色分割提取技术，将目标物体大概轮廓标示出来，并从整体画面中分离出来；
3)将目标轮廓信息提取，获得的图像进行特征点的提取，用于获取所述图像的特征点在所述索引列表内进行提取集中，获得目标轮廓所包含的特征点集合C；
4)将分离出目标物体的整体画面进行坐标标定，形成移动路径的背景参照坐标集合B；
5)将移动后的画面截图，截图保留1-2帧数据，对待识别图像的像素坐标进行归一化处理，得到图像的像素坐标矩阵，将所述特征点集合C与图像内的坐标信息对比，得到画面中特征点集合C所处的位置；
6)针对特征点集合C，在坐标集合B找出与其距离最近的N个其他定位特征点，并比特征点集合C与定位特征点之间的位置变化，得到特征点集合C的移动路径。
本发明的工作原理是：
画面是固定视角，学习环境，保留1-2帧数据，再次到来的数据与之前的数据做对比，将画面中连续的移动物体标记，可以是单一的，也可以是多个的，好处：比之前更节省内存，节省CPU资源，识别效率更高。
上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种智能多种物体高效同时识别方法，其特征在于，包括以下步骤：
1)通过监控设备，获得固定视角的画面，获得环境图像，形成全部坐标信息的索引列表；
2)输入多组对比图像，将目标物体大概轮廓标示出来，并从整体画面中分离出来；
3)将目标轮廓信息提取，获得的图像进行特征点的提取，用于获取所述图像的特征点在所述索引列表内进行提取集中，获得目标轮廓所包含的特征点集合C；
4)形成移动路径的背景参照坐标集合B；
5)将移动后的画面截图，对待识别图像的像素坐标进行归一化处理，得到图像的像素坐标矩阵，将所述特征点集合C与图像内的坐标信息对比，得到画面中特征点集合C所处的位置；
6)得到特征点集合C的移动路径。
2.根据权利要求1所述的一种智能多种物体高效同时识别方法，其特征在于，所述步骤1)中，由彩色图像生成的灰度图像、由深度图像生成的表面法向量，将彩色图像、灰度图像、深度图像和表面法向量共同作为多数据模式信息，通过卷积-递归神经网络分别提取彩色图像、灰度图像和表面法向量中的坐标信息特征，得到图像内全部坐标信息的总特征作为参照特征。
3.根据权利要求1所述的一种智能多种物体高效同时识别方法，其特征在于，所述步骤2)中，利用改进的混合高斯模型的背景差法和基于OHTA的颜色分割提取技术进行图像提取。
4.根据权利要求1所述的一种智能多种物体高效同时识别方法，其特征在于，所述步骤6)中，针对所述特征点集合C，在坐标集合B找出与其距离最近的N个其他定位特征点，并比特征点集合C与定位特征点之间的位置变化。
5.根据权利要求1所述的一种智能多种物体高效同时识别方法，其特征在于，所述步骤5)中，所述截图保留1-2帧数据。
6.根据权利要求1所述的一种智能多种物体高效同时识别方法，其特征在于，所述步骤4)中，将分离出目标物体后的整体画面进行坐标标定，形成移动路径的背景参照坐标集合B。
CN201910930816.7A 2019-09-29 2019-09-29 一种智能多种物体高效同时识别方法 Pending CN111476816A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910930816.7A CN111476816A (zh) 2019-09-29 2019-09-29 一种智能多种物体高效同时识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910930816.7A CN111476816A (zh) 2019-09-29 2019-09-29 一种智能多种物体高效同时识别方法

Publications (1)

Publication Number Publication Date
CN111476816A true CN111476816A (zh) 2020-07-31

Family

ID=71744970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910930816.7A Pending CN111476816A (zh) 2019-09-29 2019-09-29 一种智能多种物体高效同时识别方法

Country Status (1)

Country Link
CN (1) CN111476816A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060083421A1 (en) * 2004-10-14 2006-04-20 Wu Weiguo Image processing apparatus and method
CN102831401A (zh) * 2012-08-03 2012-12-19 樊晓东 对无特定标记目标物体跟踪、三维叠加及交互的方法及系统
CN104463108A (zh) * 2014-11-21 2015-03-25 山东大学 一种单目实时目标识别及位姿测量方法
CN106826815A (zh) * 2016-12-21 2017-06-13 江苏物联网研究发展中心 基于彩色图像与深度图像的目标物体识别与定位的方法
CN107944459A (zh) * 2017-12-09 2018-04-20 天津大学 一种rgb‑d物体识别方法
CN108074234A (zh) * 2017-12-22 2018-05-25 湖南源信光电科技股份有限公司 一种基于目标跟踪和多特征融合的大空间火焰检测方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060083421A1 (en) * 2004-10-14 2006-04-20 Wu Weiguo Image processing apparatus and method
CN102831401A (zh) * 2012-08-03 2012-12-19 樊晓东 对无特定标记目标物体跟踪、三维叠加及交互的方法及系统
CN104463108A (zh) * 2014-11-21 2015-03-25 山东大学 一种单目实时目标识别及位姿测量方法
CN106826815A (zh) * 2016-12-21 2017-06-13 江苏物联网研究发展中心 基于彩色图像与深度图像的目标物体识别与定位的方法
CN107944459A (zh) * 2017-12-09 2018-04-20 天津大学 一种rgb‑d物体识别方法
CN108074234A (zh) * 2017-12-22 2018-05-25 湖南源信光电科技股份有限公司 一种基于目标跟踪和多特征融合的大空间火焰检测方法
CN108229458A (zh) * 2017-12-22 2018-06-29 湖南源信光电科技股份有限公司 一种基于运动检测和多特征提取的火焰智能识别方法

Similar Documents

Publication Publication Date Title
Zhang et al. Ripple-GAN: Lane line detection with ripple lane line detection network and Wasserstein GAN
CN110929560B (zh) 融合目标检测与跟踪的视频半自动目标标注方法
CN112766291B (zh) 一种场景图像中特定目标对象的匹配方法
CN106709436B (zh) 面向轨道交通全景监控的跨摄像头可疑行人目标跟踪系统
CN107729818B (zh) 一种基于深度学习的多特征融合车辆重识别方法
CN105160319B (zh) 一种在监控视频下实现行人再识别的方法
CN103020632B (zh) 一种室内环境中移动机器人定位标志点的快速识别方法
Gomez et al. Traffic lights detection and state estimation using hidden markov models
CN106845480A (zh) 一种从图片中识别车牌的方法
WO2018072233A1 (zh) 一种基于选择性搜索算法的车标检测识别方法及系统
CN104298964B (zh) 一种人体行为动作快速识别方法及装置
CN103020986A (zh) 一种运动目标跟踪方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN104408745A (zh) 一种基于视频图像的实时烟雾场景检测方法
CN107273866A (zh) 一种基于监控系统的人体异常行为识别方法
CN101901354B (zh) 基于特征点分类的监控录像中实时多目标检测与跟踪方法
CN105160340A (zh) 一种车辆品牌识别系统及方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN103903282A (zh) 一种基于LabVIEW的目标跟踪方法
CN111008574A (zh) 一种基于形体识别技术的重点人员轨迹分析方法
CN115578418B (zh) 一种基于双重注意力网络的单目标跟踪方法
Liu et al. Real-time traffic light recognition based on smartphone platforms
CN110197121A (zh) 基于DirectShow的运动目标检测方法、运动目标检测模块及监控系统
CN103927517B (zh) 一种基于人体全局特征直方图熵的动作检测方法
CN113469169A (zh) 一种钢瓶穿孔编码定位与识别系统及识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200731