[發(fā)明專(zhuān)利]一種基于單高斯背景建模的廚房老鼠檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811504270.0
• 申請(qǐng)日: 2018-12-10
• 公開(kāi)（公告）號(hào): CN109684946A
• 公開(kāi)（公告）日: 2019-04-26
• 發(fā)明（設(shè)計(jì)）人: 呂金剛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 成都睿碼科技有限責(zé)任公司;杭州數(shù)峰科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06T7/20
• 代理公司: 成都君合集專(zhuān)利代理事務(wù)所(普通合伙) 51228
• 代理人: 張鳴潔

本發(fā)明公開(kāi)了一種基于單高斯背景建模的廚房老鼠檢測(cè)方法，首先初始化全局參數(shù)，若為第一幀，則初始化背景模型，否則判斷是否滿(mǎn)足更新背景間隔時(shí)間T0，若滿(mǎn)足，則更新均值u與方差d；然后進(jìn)行背景差分、前景時(shí)間積累、輸出前景；所述可疑目標(biāo)檢測(cè)包括模型參數(shù)簡(jiǎn)化：將均值u設(shè)置為整型，取值范圍為[0 255]；將方差d設(shè)置為整型，取值范圍為[0 255]；增加前景積累時(shí)間t，數(shù)據(jù)類(lèi)型為整型，取值范圍為[0 255]。本發(fā)明對(duì)廚房場(chǎng)景的魯棒性更高，算法復(fù)雜度更低，成本更低；本發(fā)明增加了前景積累時(shí)間設(shè)置模塊，可以設(shè)置目標(biāo)在場(chǎng)景中停留的時(shí)間，減少重復(fù)報(bào)警的概率，同時(shí)也降低了人工確認(rèn)投入的成本，具有較好的實(shí)用性。

技術(shù)領(lǐng)域

本發(fā)明屬于通信技術(shù)領(lǐng)域，具體涉及一種基于單高斯背景建模的廚房老鼠檢測(cè)方法。

背景技術(shù)

餐飲企業(yè)的廚房衛(wèi)生狀況一直飽受消費(fèi)者詬病，許多賓館飯店大廳、包間富麗堂皇，然而，廚房卻往往慘不忍睹。尤其是餐廳中出現(xiàn)老鼠的事故，最近幾年頻繁發(fā)生。近期，有媒體曾經(jīng)爆料過(guò)，著名的海底撈餐廳，甚至是快餐領(lǐng)域的巨頭肯德基和麥當(dāng)勞的廚房都出現(xiàn)了老鼠的蹤跡。

明廚亮灶是國(guó)家食品藥品監(jiān)督管理局推行的一項(xiàng)利民工程，即讓消費(fèi)者坐在飯店大廳或者包間，就可以通過(guò)透明玻璃或大屏幕將后廚的一舉一動(dòng)盡收眼底。此舉既是督促餐飲單位加強(qiáng)自律，也是鼓勵(lì)他律，使餐飲單位全面接受消費(fèi)者監(jiān)督，主動(dòng)保障飲食安全。

隨著視頻分析以及人工智能技術(shù)的發(fā)展與進(jìn)步，越來(lái)越多的事件可以通過(guò)視頻監(jiān)控實(shí)時(shí)進(jìn)行檢測(cè)與識(shí)別，例如人臉識(shí)別、身份認(rèn)證等。同樣，通過(guò)視頻分析可以對(duì)監(jiān)控場(chǎng)景中的老鼠進(jìn)行檢測(cè)。可以實(shí)現(xiàn)對(duì)老鼠的蹤跡進(jìn)行記錄、提前偵測(cè)深圳進(jìn)行報(bào)警。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于單高斯背景建模的廚房老鼠檢測(cè)方法，本發(fā)明基于優(yōu)化改進(jìn)后的單高斯背景建模方法的前景檢測(cè)方法，對(duì)廚房場(chǎng)景的魯棒性更高，算法復(fù)雜度更低，成本更低；本發(fā)明增加了前景積累時(shí)間設(shè)置模塊，可以設(shè)置目標(biāo)在場(chǎng)景中停留的時(shí)間，減少重復(fù)報(bào)警的概率，降低了同一目標(biāo)重復(fù)報(bào)警的概率，同時(shí)也降低了人工確認(rèn)投入的成本，具有較好的實(shí)用性。

本發(fā)明主要通過(guò)以下技術(shù)方案實(shí)現(xiàn)：一種基于單高斯背景建模的廚房老鼠檢測(cè)方法，包括可疑目標(biāo)檢測(cè)的步驟，首先初始化全局參數(shù)，若為第一幀，則初始化背景模型，否則判斷是否滿(mǎn)足更新背景間隔時(shí)間T0，若滿(mǎn)足，則更新均值u與方差d；然后進(jìn)行背景差分、前景時(shí)間積累、輸出前景。

為了更好的實(shí)現(xiàn)本發(fā)明，進(jìn)一步的，所述可疑目標(biāo)檢測(cè)包括模型參數(shù)簡(jiǎn)化：將均值u設(shè)置為整型，取值范圍為[0 255]；將方差d設(shè)置為整型，取值范圍為[0 255]；增加前景積累時(shí)間t，數(shù)據(jù)類(lèi)型為整型，取值范圍為[0 255]；以視頻的第一幀f1初始化均值u，初始化方差d為經(jīng)驗(yàn)值5，將前景積累時(shí)間初始化為0，設(shè)fg為前景目標(biāo)，設(shè)背景更新間隔時(shí)間為T(mén)0，前景檢測(cè)閾值為thr，前景目標(biāo)持續(xù)時(shí)間閾值T1；開(kāi)始順序讀取視頻流的下一幀圖像f，其中f(x,y)代表在坐標(biāo)(x,y)處的圖像亮度值。

為了更好的實(shí)現(xiàn)本發(fā)明，進(jìn)一步的，所述可疑目標(biāo)檢測(cè)中背景更新包括針對(duì)每一幀視頻圖像進(jìn)行處理，若滿(mǎn)足背景更新間隔時(shí)間T0，則執(zhí)行背景模型更新操作：

若f(x,y)>u(x,y),則u(x,y)＝u(x,y)+1；

若f(x，y)<u(x,y),則u(x,y)＝u(x,y)–1；

若|f(x，y)-u(x,y)|>d(x,y),則d(x,y)＝mind(x,y)+1；

若|f(x，y)-u(x,y)|<d(x,y),則d(x,y)＝d(x,y)-1；

針對(duì)每一幀圖像進(jìn)行處理：

若t(x,y)>T1，則：t(x,y)＝0,u(x,y)＝f(x,y),d(x,y)＝5。