[發(fā)明專(zhuān)利]基于安防視頻中行人和車(chē)輛的實(shí)時(shí)檢測(cè)方法和系統(tǒng)及設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201710671429.7
• 申請(qǐng)日: 2017-08-08
• 公開(kāi)（公告）號(hào): CN107704797B
• 公開(kāi)（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 閆瀟寧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市安軟慧視科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06K9/48
• 代理公司: 深圳市深軟翰琪知識(shí)產(chǎn)權(quán)代理有限公司 44380
• 代理人: 徐翀

本發(fā)明公開(kāi)了一種基于安防視頻中行人和車(chē)輛的實(shí)時(shí)檢測(cè)方法、系統(tǒng)和計(jì)算機(jī)設(shè)備。方法包括：采用運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行粗略目標(biāo)選取，采用輪廓提取算法對(duì)粗略目標(biāo)進(jìn)行HOG特征提取，將提取的HOG特征向量輸入SVM模型進(jìn)行分類(lèi)，從而識(shí)別粗略目標(biāo)的類(lèi)型是行人或車(chē)輛；其中，進(jìn)行HOG特征提取的過(guò)程中，在進(jìn)行梯度計(jì)算時(shí)，設(shè)定一個(gè)與粗略目標(biāo)的圖像同心且小于粗略目標(biāo)的矩形框作為外圈，僅對(duì)圈外圖像進(jìn)行梯度計(jì)算。本發(fā)明技術(shù)方案將運(yùn)動(dòng)目標(biāo)檢測(cè)算法和輪廓提取算法進(jìn)行了有機(jī)結(jié)合，發(fā)揮各自的優(yōu)點(diǎn)，規(guī)避各自的缺點(diǎn)，采用較少特征提取的方式，得以大幅降低計(jì)算開(kāi)銷(xiāo)和硬件開(kāi)銷(xiāo)，減少運(yùn)算時(shí)間，提升檢測(cè)速率，基本保持檢測(cè)精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及安防技術(shù)領(lǐng)域，具體涉及一種基于安防視頻中行人和車(chē)輛的實(shí)時(shí)檢測(cè)方法和系統(tǒng)及設(shè)備。

背景技術(shù)

目前全國(guó)各大城市的安防視頻網(wǎng)絡(luò)已基本完善，然而在破案過(guò)程中仍需要警務(wù)人員大量親自研究視頻內(nèi)容造成大量的人力浪費(fèi)，所以相關(guān)的目標(biāo)自動(dòng)提取技術(shù)應(yīng)運(yùn)而生。

一種是運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)。運(yùn)動(dòng)檢測(cè)多使用背景減除法配合高斯模糊等圖像處理方式，當(dāng)兩個(gè)幀的背景出現(xiàn)不一致時(shí)，發(fā)生變化的區(qū)域即移動(dòng)物體會(huì)被檢出，特點(diǎn)是速度快、對(duì)硬件計(jì)算性能要求低。

另一種是基于簡(jiǎn)單統(tǒng)計(jì)模型或深度學(xué)習(xí)的輪廓檢測(cè)技術(shù)。此種方法通常采用對(duì)圖像的HOG(Histogram of Oriented Gradient，方向梯度直方圖)特征搭配SVM(SupportVector Machine，支持向量機(jī))使用大量人、車(chē)圖片進(jìn)行訓(xùn)練并提取特征后，使用生成的模型對(duì)視頻中人和車(chē)輛輪廓直接進(jìn)行檢測(cè)。此種方法的特點(diǎn)是目標(biāo)提取較為精確。

實(shí)踐發(fā)現(xiàn)，現(xiàn)有技術(shù)存在如下技術(shù)缺陷：

(1)在運(yùn)動(dòng)目標(biāo)檢測(cè)算法中，閾值和限定條件極難設(shè)置，所以捕捉目標(biāo)不精確，比如樹(shù)木隨風(fēng)搖擺會(huì)被捕捉、紅綠燈變化會(huì)被捕捉，從而在后續(xù)處理中會(huì)造成大量浪費(fèi)。同時(shí)捕獲的目標(biāo)有時(shí)會(huì)殘缺不全，造成數(shù)據(jù)的不完整。

(2)在輪廓提取算法中，最大甚至可以說(shuō)唯一的缺點(diǎn)在于運(yùn)算所需要的時(shí)間。如支持向量機(jī)或卷積神經(jīng)網(wǎng)絡(luò)這樣的模型內(nèi)部通常包含達(dá)上百萬(wàn)的參數(shù)和計(jì)算點(diǎn)，如果對(duì)一張圖片進(jìn)行上萬(wàn)次迭代達(dá)到精準(zhǔn)捕捉的效果，運(yùn)行時(shí)間會(huì)相當(dāng)長(zhǎng)。一旦為了縮短時(shí)間而采用高性能計(jì)算硬件，成本將會(huì)大幅提升。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種基于安防視頻中行人和車(chē)輛的實(shí)時(shí)檢測(cè)方法，用于解決現(xiàn)有的兩種技術(shù)各自的缺陷。本發(fā)明實(shí)施例還提供相應(yīng)的系統(tǒng)及用于安防的計(jì)算機(jī)設(shè)備。

本發(fā)明第一方面，提供一種基于安防視頻中行人和車(chē)輛的實(shí)時(shí)檢測(cè)方法，該方法可包括：采用運(yùn)動(dòng)目標(biāo)檢測(cè)算法進(jìn)行粗略目標(biāo)選取，采用輪廓提取算法對(duì)粗略目標(biāo)進(jìn)行方向梯度直方圖HOG特征提取，將提取的HOG特征向量輸入支持向量機(jī)SVM模型進(jìn)行分類(lèi)，從而識(shí)別粗略目標(biāo)的類(lèi)型是行人或車(chē)輛；其中，采用輪廓提取算法對(duì)粗略目標(biāo)進(jìn)行HOG特征提取的過(guò)程中，在進(jìn)行梯度計(jì)算時(shí)，設(shè)定一個(gè)與粗略目標(biāo)的圖像同心且小于粗略目標(biāo)的矩形框作為外圈，僅對(duì)粗略目標(biāo)的位于外圈以外的圈外圖像進(jìn)行梯度計(jì)算。

一種實(shí)現(xiàn)方式中，該方法還包括：采用輪廓提取算法對(duì)粗略目標(biāo)的圖像進(jìn)行HOG特征提取的過(guò)程中，省略顏色空間歸一化的步驟。

一種實(shí)現(xiàn)方式中，該方法還包括：采用輪廓提取算法對(duì)粗略目標(biāo)的圖像進(jìn)行HOG特征提取的過(guò)程中，在將粗略目標(biāo)的圖像劃分為多個(gè)細(xì)胞格時(shí)，將細(xì)胞格的大小設(shè)定為2×2像素。