CN112906428A - 影像侦测区域取得方法及空间使用情况的判定方法 - Google Patents
影像侦测区域取得方法及空间使用情况的判定方法 Download PDFInfo
- Publication number
- CN112906428A CN112906428A CN201911136669.2A CN201911136669A CN112906428A CN 112906428 A CN112906428 A CN 112906428A CN 201911136669 A CN201911136669 A CN 201911136669A CN 112906428 A CN112906428 A CN 112906428A
- Authority
- CN
- China
- Prior art keywords
- detection area
- image
- detection
- computing device
- detected
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/10—Terrestrial scenes
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06T2207/30236—Traffic on road, railway or crossing
-
- 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
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种影像侦测区域取得方法,包含以摄像装置依次取得关联于取像场景的多个影像,以运算装置计算出该影像中多个对象的多条移动轨迹,以运算装置对该移动轨迹执行聚类程序以取得侦测区域,以及于显示器显示侦测区域及关联于取像场景且异于该影像的另一影像。
Description
技术领域
本发明关于一种影像侦测区域取得方法及空间使用情况的判定方法,特别关于一种基于影像中多个对象的多条移动轨迹以取得侦测区域及判定空间使用情况的方法。
背景技术
为了监控路上车子的行进方向、行进时间及停留时间等,已发展出多种监控方法来监控车子的行进行为,然大多数的监控方法仍是借由设置监视摄影机拍摄多个场景,并再由监控人员依据监视摄影机所拍摄的影像判断该场景是否有异常状况。此外,每当安装监视摄影机于新的场景时,仍需要人工判断不同方向的车道,并据此绘制每个车道中的感兴趣区域(Region of Interest,ROI)或侦测区域。
然而,人为绘制的ROI可能并非最有效的侦测区域,因此若在此侦测区域计算或统计车流可能使得统计出来的数据失准。此外,若需在一个新的场景安装多台摄像装置,则每台摄像装置所拍摄的场景的侦测区域仍是由人工划分,更造成时间的浪费。并且,设置在监控场景中的摄像装置可能因为受到外力的影响(例如振动或风吹等不可抗力因素)而产生偏移,造成原已设定好的侦测区域产生偏移,使得监控人员又需前往监控场景调整偏移的摄像装置。
发明内容
鉴于上述,本发明提供一种以满足上述需求的影像侦测区域取得方法及空间使用情况的判定方法,以在一个新的场景安装多台摄像装置时不需由监控人员划分侦测区域,借此节省人工划分的时间。此外,依据本发明的一个或多个实施例的空间使用情况的判定方法,还可以在取得侦测区域后由运算装置判断在取像场景的对象的流量以及对象是否有异常行为,以及判断摄像装置是否有偏移,并据以通知监控单位,且当摄像装置有偏移时,即使监控人员未实时调整偏移的摄像装置,亦不会大幅影响侦测区域的准确性。
依据本发明一实施例的影像侦测区域取得方法,该方法包含:以摄像装置依次取得关联于取像场景的多个影像;以运算装置计算出该影像中多个对象的多条移动轨迹;以该运算装置对该移动轨迹执行聚类程序以取得侦测区域;以及于显示器显示该侦测区域及关联于该取像场景且异于该影像的另一影像。
依据本发明一实施例的空间使用情况的判定方法,该方法包含:以摄像装置依次取得关联于取像场景的多个影像;以摄像装置依次取得关联于取像场景的多个影像;以运算装置计算出该影像中多个对象的多条移动轨迹;以该运算装置对该移动轨迹执行聚类程序以取得侦测区域;以该运算装置基于该侦测区域执行事件侦测程序,其中该事件侦测程序以该运算装置判断待侦测对象的行为是否符合事件规则;以及以该运算装置输出该事件侦测程序的侦测。
以上关于本公开内容的说明及以下实施方式的说明用以示范与解释本发明的精神与原理,并且提供本发明的权利要求书更进一步的解释。
附图说明
图1是依据本发明一实施例所绘示的影像侦测区域取得方法的示意图。
图2是依据本发明一实施例所绘示的影像侦测区域取得方法的流程图。
图3(a)及3(b)是依据本发明一实施例所绘示的影像侦测区域取得方法的示意图。
图4是依据本发明另一实施例所绘示的影像侦测区域取得方法的流程图。
图5是依据本发明一实施例所绘示的违规判定方法的流程图。
【附图标记列表】
O 物件
MT 移动轨迹
DZ 侦测区域
L1、L2 参考线
N1 第一交点
N2 第二交点
BP1 第一边界点
BP2 第二边界点
CP1、CP1' 第一顶点
CP2、CP2' 第二顶点
CL1 第一中线
CL2 第二中线
BL 边界线
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所公开的内容、权利要求书及图式,任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下实施例进一步详细说明本发明的观点,但非以任何观点限制本发明的范围。
本发明所说明的影像侦测区域取得方法是用以取得摄像装置所拍摄的取像场景的侦测区域。举例而言,所述的侦测区域可以是平面道路、高速公路、百货公司、商场、农场等的取像场景的侦测区域,其中取像场景较佳是有多个移动对象的场景,然而本发明不以此为限。其中为了便于说明,以下多个实施例所说明的侦测区域取得方法将以道路作为取像场景的示例。
请一并参考图1及图2,其中图1是依据本发明一实施例所绘示的影像侦测区域取得方法的示意图;图2是依据本发明一实施例所绘示的影像侦测区域取得方法的流程图。
请参考步骤S01:以摄像装置依次取得关联于取像场景的多个影像,所述得摄像装置例如是设置于道路旁的监视录像机,取像场景即为摄像装置所拍摄的道路的场景,而影像即为如图1所示的道路的影像。具体而言,摄像装置取得的多个影像是摄像装置在不同的时间点依次取得的影像,且该影像中包含如图1所示的多个对象O。
当以摄像装置取得多个影像后,运算装置于步骤S03计算出该影像中的该对象的多条移动轨迹MT。具体来说,摄像装置于第一取像时间取得第一影像,且运算装置以神经网络深度学习法辨识出第一影像中的这些对象,以及该对象在第一影像中分别位处的多个第一位置,且此辨识结果的置信值高于阈值;摄像装置接着于第二取像时间取得第二影像,且运算装置以神经网络深度学习法辨识出第二影像中的这些对象,以及该对象在第二影像中分别位处的多个第二位置,且此辨识结果的置信值高于前述阈值。随后,运算装置便依据每一对象的第一位置及第二位置取得每一对象的移动轨迹MT。换句话说,运算装置乃是依据神经网络深度学习法对多个影像的每一对象的辨识置信值以及每一对象的多个位置计算出每一对象的移动轨迹MT。其中运算装置例如是监控单位的中央处理器或具有运算功能的云端服务器等;而神经网络深度学习法例如是人工智能(Artificial Intelligence,AI)技术的卷积神经网络(Convolutional Neural Network,CNN),然而本发明不以此为限。
请继续参考步骤S03,具体而言,在运算装置以神经网络深度学习法辨识出影像中的对象时,可同时附加前述的置信值,其中置信值代表运算装置以神经网络深度学习法判断对象后,对此判断结果的把握程度。当置信值达到前述的阈值(例如是70%)时,则表示运算装置以神经网络深度学习法对对象的判断结果是可信赖的。举例而言,运算装置以神经网络深度学习法辨识图1所示的影像中的对象O为车子并产生对应于此辨识的置信值,当置信值达到70%时,则表示运算装置以神经网络深度学习法辨识对象O是车子的结果是可信赖的。
请继续参考步骤S03,在运算装置辨识出对象O后,运算装置接着依时间顺序取得对象O在影像中的坐标位置。以一个对象O的例子而言,运算装置取得对象O在多个影像中的每一个影像的坐标位置,并且依时间顺序连接该坐标位置,以取得对象O的移动轨迹MT。
在运算装置取得该移动轨迹MT后,运算装置接着在步骤S05对该移动轨迹MT执行聚类程序以取得侦测区域DZ,其中聚类程序包含以运算装置基于该移动轨迹MT取得多个边界点,并且依据该边界点取得侦测区域DZ。运算装置依据该移动轨迹MT取得侦测区域DZ可以是基于机率分布函数,且为便于后续说明,以下皆举常态分布函数为例,其中常态分布函数较佳是二元的常态分布函数,且二元的常态分布函数的一个维度为移动轨迹MT的密度,另一个维度为移动轨迹MT与参考线的交点分布。
请参考图3(a),图3(a)是依据本发明一实施例所绘示的影像侦测区域取得方法的示意图。具体而言,对该移动轨迹MT执行聚类程序以取得边界点的实现方式可以是运算装置基于该移动轨迹MT归纳出常态分布函数,并且分别以常态分布函数的信赖区间的两边界值定义侦测区域DZ的边界线,其中信赖区间例如是常态分布函数的68%到95%,然而本发明不以此为限。尤其是,依据所述的常态分布函数的实施方式,取得多个第一交点N1的常态分布函数及其信赖区间的两个第一边界点BP1,以及取得多个第二交点N2的常态分布函数及其信赖区间的两个第二边界点BP2,再以此两个第一边界点BP1及第二边界点BP2所圈围的区域作为侦测区域DZ。其中,前述的多个第一交点N1为该移动轨迹MT与参考线L1的交点,而前述的多个第二交点N2为该移动轨迹MT与参考线L2的交点。尤其是该移动轨迹MT的每一个均由其起点延伸至其终点,且这些第一交点N1中较佳包含该移动轨迹MT之一的起点,而这些第二交点N2中较佳包含该移动轨迹MT之一的终点。
请参考图3(b),图3(b)是另一种取得侦测区域DZ的边界线BL的方法的示意图,其中此述取得边界线BL的方法基于至少两个群的移动轨迹MT,即这些移动轨迹MT与单一参考线的交点所构成的常态分布函数具有至少两个信赖区间。为便于理解,以下仅以可形成两个信赖区间的移动轨迹MT进行说明。在取得对应于参考线L1的两个信赖区间及参考线L2的两个信赖区间之后,运算装置即基于该移动轨迹MT之中同一群的移动轨迹MT关联于参考线L1及参考线L2的两个信赖区间的两个中点取得中线CL1,并基于该移动轨迹MT之中另一群的移动轨迹MT关联于参考线L1及参考线L2的两个信赖区间的两个中点取得中线CL2,运算装置再基于两个中线CL1及CL2取得侦测区域的边界线BL。其中运算装置分别基于两个群的该移动轨迹MT归纳出常态分布函数的实现方式可以是借由如上述的参考线L1及L2的方式取得,故归纳出常态分布函数的运行细节不再于此赘述。
具体而言,请先参考图3(b)中位在左侧的那群移动轨迹MT,在运算装置基于该移动轨迹MT归纳出两个常态分布函数后,运算装置以两个常态分布函数的信赖区间的第一顶点CP1及第二顶点CP2的联机作为第一中线CL1,其中第一顶点CP1及第二顶点CP2例如分别是两个常态分布函数的50%,然而本发明不以此为限。请参考图3(b)中位于右侧的另一群移动轨迹MT,相似地,运算装置以另二常态分布函数的信赖区间的第一顶点CP1'及第二顶点CP2'的联机作为第二中线CL2。接着,运算装置均等地划分第一中线CL1及第二中线CL2之间的距离以取得边界线BL,使得边界线BL上的任意点与第一中线CL1的距离相等于边界线BL上的该任意点与第二中线CL2之间的距离。此外,在取得第一顶点CP1/CP1'及第二顶点CP2/CP2'后,运算装置亦可以取得第一顶点CP1与第二顶点CP2之间的第一中间点BP1,以及第一顶点CP1'与第二顶点CP2'之间的第二中间点BP2,并以连接第一中间点BP1与第二中间点BP2的线段作为边界线BL。
请接续参考上述图3(b)的实施例,当取得边界线BL后,运算装置可以借由以第一中线CL1作为中心线的方式将边界线BL对称到第一中线CL1的另一侧以取得另一边界线,并且以两个边界线BL以及两个参考线L1及L2圈围出侦测区域DZ。相似地,运算装置亦可以是以第二中线CL2作为中心线以对称的方式取得侦测区域DZ。需注意的是,当分别以第一中线CL1及第二中线CL2作为中心线以取得三条边界线BL时,则运算装置可以将位于第一中线CL1两侧的两个边界线BL朝向第一中线CL1移动预设距离以作为更新的两个边界线BL;以及将位于第二中线CL2两侧的两个边界线BL朝向第二中线CL2移动该预设距离以作为更新的两个边界线BL,其中所述的预设距离可以是两个第一顶点CP1及CP1'之间的距离的20%,或是两个第二顶点CP2及CP2'之间的距离的20%,本发明不以此为限。据此,可以将原本相接的两个侦测区域DZ调整为彼此分隔。
此外,若影像中具有至少四个群的移动轨迹MT,则运算装置可以执行如图3(b)所说明的以常态分布函数取得边界线BL的方法,基于该四个群的移动轨迹MT取得两个边界线BL,再以两个边界线BL以及两个参考线L1及L2圈围出侦测区域DZ。
依据上述图3(a)及3(b)所示的取得边界线的方式,运算装置便能基于边界线取得侦测区域DZ。而在图1的例子中,侦测区域DZ在车辆行驶的车道内,而边界线BL重迭或邻近划分车道的车道线。
在以运算装置取得侦测区域DZ后,本实施例的侦测区域DZ取得方法接着在步骤S07于显示器显示侦测区域DZ以及关联于取像场景且异于该影像的另一影像,其中另一影像较佳是套用侦测区域的实时影像。其中显示器例如是设置于监控单位的显示屏幕,然而本发明不以此为限。
具体而言,在取得侦测区域DZ后,摄像装置持续取得取像场景的实时影像以供显示器显示,意即摄像装置取得该影像的时间点早于摄像装置取得实时影像的时间点,且于显示器显示的实时影像上标示有侦测区域DZ,其中实时影像上标示的侦测区域DZ可以是一个或多个,本发明不以此为限。
在于显示器显示侦测区域DZ及实时影像(步骤S07)后,本实施例的实现方式还可以包含每经过一间隔时段后,再次以摄像装置依次取得多个影像(步骤S01),以对不同时段的交通状况取得相对应的侦测区域DZ。
请参考图4,图4是依据本发明另一实施例所绘示的侦测区域取得方法的流程图。其中图4所说明的步骤S01到S05以及步骤S01'到步骤S05'与图2所说明的步骤S01到S05相同,故相同的运行细节不再于此赘述。但是,在图4所说明的侦测区域取得方法中,步骤S01所取得的多个影像异于步骤S01'所取得的多个影像,步骤S03所算出的移动轨迹也异于步骤S03'所算出的移动轨迹,因此在对步骤S03所算出的该移动轨迹执行聚类程序后(步骤S05)所取得的第一侦测区域,异于对步骤S03'所算出的该移动轨迹执行聚类程序后(步骤S05')所取得的第二侦测区域。此外,在本实施例中,较佳步骤S01到S05执行在先,而步骤S01'到步骤S05'执行在后。
具体而言,在于步骤S05取得第一侦测区域并于步骤S07显示具有第一侦测区域的第一影像后,运算装置接着执行步骤S01'到步骤S05'以取得第二侦测区域,其中第一侦测区域及第二侦测区域可以是一个或多个,本发明不以此为限。换言之,步骤S01及S01'所述的第一影像及第二影像较佳分别是同个取像场景但不同时间点的实时影像。
在取得第一侦测区域及接着取得第二侦测区域后,运算装置还在步骤S09比对第一侦测区域及第二侦测区域以取得比较值,其中运算装置在步骤S09取得的比较值用以表示第一侦测区域及第二侦测区域之间的重迭量。具体而言,彼此关联的第一侦测区域及第二侦测区域较佳是在不同日期但同一时段所取得的侦测区域,而运算装置借由比较不同日期但相同时段的第一侦测区域及第二侦测区域以判知摄像装置是否有偏移,而取得第一侦测区域及第二侦测区域之间的重迭量的实现方式可以是判断第二侦测区域重迭于第一侦测区域的比例值,并以此比例值作为所述的比较值。
请接续参考步骤S11,运算装置并接着在步骤S11判断比较值是否低于重迭阈值。换句话说,运算装置基于比较值及重迭阈值判断摄像装置本身是否有偏移,其中重迭阈值例如是80%,然本发明不以此为限。
当运算装置在步骤S11判断运算装置判断比较值低于重迭阈值时,则表示摄像装置本身可能因受到风吹、振动等外力而产生偏移,则运算装置接着在步骤S13以第二侦测区域更新侦测区域,并且在步骤S15输出通知以供显示器显示。反之,若比较值未低于重迭阈值,表示摄像装置未产生偏移,或是摄像装置的偏移量是在容许范围内,则运算装置回到步骤S09持续对第一侦测区域及第二侦测区域进行比对。
需注意的是,图4所绘示的步骤S13是执行在步骤S15之前,然步骤S13以及步骤S15亦可以是同时执行,或是步骤S13执行在步骤S15之后,本发明不以此为限。
换句话说,运算装置在步骤S13以第二侦测区域更新侦测区域是以最新取得的第二侦测区域作为侦测区域,并且在步骤S15输出通知以通知监控单位摄像装置可能有异常状况。据此,当摄像装置产生偏移时,即使工作人员未实时调整摄像装置,仍不影响此取像场景的侦测区域。
请参考图5,图5是依据本发明一实施例所绘示的空间使用情况的判定方法的流程图。其中图5所说明的空间使用情况的判定方法较佳用以判定待侦测对象的行为是否符合事件规则。图5所说明的步骤S01到S07相同于图2所说明的步骤S01到S07,故图5所说明的步骤S01到S07不再于此赘述。但是,图5所说明的基于侦测区域的违规判定方法在于运算装置执行聚类程序取得侦测区域后(步骤S05),运算装置除了可以在步骤S07于显示器显示侦测区域及关联于取像场景且异于该影像的另一影像之外,还可以在步骤S08以运算装置基于侦测区域执行事件侦测程序,以判断待侦测对象的行为是否符合事件规则。然而,上述步骤S07及步骤S08也可以一并执行。其中,所述的事件规则例如是侦测区域内对象的流量、侦测区域内不得存在任一对象(禁入区域侦测)、侦测区域中的任一对象是否停留达一段预设时间(停车侦测)、侦测区域中的任一对象是否沿默认方向移动(逆向侦测),以及侦测区域中的任一对象的移动速度是否落入默认速度区段内(超速/慢速侦测)的其中至少一者,然而本发明不以此为限。
具体而言,若事件规则是侦测区域内不得存在任一对象时,则执行事件侦测程序包含判断待侦测对象的坐标位置是否落在侦测区域内。相似地,若事件侦测程序的事件规则是关于侦测区域中的任一对象的停留时间或移动等,且待侦测对象的多个坐标位置落在侦测区域内时,则执行事件侦测程序除了基于待侦测对象的多个坐标位置之外,还包含该坐标位置所对应的多个时间信息,以基于多个坐标位置及多个时间信息判得待侦测对象的停留时间或移动。
请继续参考步骤S08,在运算装置在步骤S08执行事件侦测程序后,运算装置在步骤S10输出事件侦测程序的侦测结果。具体而言,若事件侦测程序取得侦测区域的对象流量(例如,车流量),则侦测结果较佳包含侦测区域的对象流量,或是对象流量的异常状况。此外,运算装置可以是输出侦测结果予监控单位的存储装置以做记录,或是输出到监控单位的显示器显示等,本发明不以此为限。
侦测结果亦可以包含当判断待侦测对象的行为不符合事件规则时,运算装置输出通知以供显示器显示。反之,当运算装置在步骤S08判断待侦测对象的行为符合事件规则时,回到步骤S01以摄像装置依次取得关联于取像场景的多个影像,以更新侦测区域。
以上述车辆的例子而言,待侦测对象是在取得侦测区域之后存在于取像场景的车辆,因此,若车辆(待侦测对象)的坐标位置落在侦测区域内、车辆在侦测区域内的停留时间超过事件规则的默认时间、车辆在侦测区域内的移动方向不符合事件规则的默认方向(例如逆向行驶),或是车辆在侦测区域内的移动速度落在默认速度区段外等,运算装置便输出通知予显示器显示,以提醒监控单位取像场景可能有异常状况。
请继续参考步骤S08,然而,在运算装置于步骤S08执行事件侦测程序判断待侦测对象的行为不符合事件规则时,亦可以是回到步骤S01以摄像装置依次取得关联于取像场景的多个影像;以及当待侦测对象的行为符合事件规则时,以运算装置输出通知以供显示器显示,本发明不以此为限。
综上所述,依据本发明的一个或多个实施例的侦测区域取得方法,可以基于对象的移动轨迹划分出有效的侦测区域,且在一个新的场景安装多台摄像装置时不需由监控人员划分侦测区域,借此节省人工划分的时间。此外,依据本发明的一个或多个实施例的空间使用情况的判定方法,还可以在取得侦测区域后由运算装置判断在取像场景的对象的流量以及对象是否有异常行为,以及判断摄像装置是否有偏移,并据以通知监控单位,且当摄像装置有偏移时,即使监控人员未实时调整偏移的摄像装置,亦不会大幅影响侦测区域的准确性。
虽然本发明所公开的实施方式如上,惟所述的内容并非用以直接限定本发明的专利保护范围。任何本发明所属技术领域中的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作些许的更动。本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种侦测区域取得方法,该方法包含:
以摄像装置依次取得关联于取像场景的多个影像;
以运算装置计算出该影像中多个对象的多条移动轨迹;
以该运算装置对该移动轨迹执行聚类程序以取得侦测区域;以及
于显示器显示该侦测区域及关联于该取像场景且异于该影像的另一影像。
2.如权利要求1所述的侦测区域取得方法,其中该聚类程序包含:以该运算装置基于该移动轨迹与一参考线的交点取得一机率分布函数的信赖区间的两个边界点,基于该移动轨迹与另一参考线的交点取得另一机率分布函数的信赖区间的两个边界点,以及以该四个边界点所圈围的区域作为该侦测区域。
3.如权利要求1所述的侦测区域取得方法,其中该方法包含:
以该运算装置比对以两次的该聚类程序取得彼此关联的第一侦测区域及第二侦测区域以取得比较值,其中用以取得该第一侦测区域的多个影像的取得时间早于用以取得该第二侦测区域的另外多个影像的取得时间;
当以该运算装置判断该比较值低于重迭阈值时,以该第二侦测区域更新该侦测区域;以及
输出通知以供该显示器显示。
4.如权利要求1所述的侦测区域取得方法,其中以该运算装置计算出该影像中该对象的该移动轨迹包含:以该运算装置依据该对象在第一取像时间的多个第一位置,以及该对象在第二取像时间的多个第二位置计算出该移动轨迹。
5.如权利要求1所述的侦测区域取得方法,其中该方法还包含:
以神经网络深度学习法辨识该影像中的该对象并取得关联于该对象的置信值;
以该运算装置判断该置信值是否达阈值;以及
当该置信值达该阈值时,以该运算装置计算出该影像中该对象的该移动轨迹。
6.一种空间使用情况的判定方法,该方法包含:
以摄像装置依次取得关联于取像场景的多个影像;
以运算装置计算出该影像中多个对象的多条移动轨迹;
以该运算装置对该移动轨迹执行聚类程序以取得侦测区域;
以该运算装置基于该侦测区域执行事件侦测程序,其中该事件侦测程序以该运算装置判断待侦测对象的行为是否符合事件规则;以及
以该运算装置输出该事件侦测程序的侦测结果。
7.如权利要求6所述的空间使用情况的判定方法,其中该聚类程序包含:以该运算装置基于该移动轨迹与一参考线的交点取得一机率分布函数的信赖区间的两个边界点,基于该移动轨迹与另一参考线的交点取得另一机率分布函数的信赖区间的两个边界点,以及以该四个边界点所圈围的区域作为该侦测区域。
8.如权利要求6所述的空间使用情况的判定方法,其中该事件规则为该侦测区域中的任一对象是否停留达一段预设时间,以该运算装置基于该侦测区域判断该待侦测对象的行为是否符合该事件规则包含:
以该运算装置基于该侦测区域判断该待侦测对象的坐标位置是否落在该侦测区域内;以及
当判断该待侦测对象的该坐标位置落在该侦测区域内时,以该运算装置判断该待侦测对象的该坐标位置落在该侦测区域内的时间是否达该预设时间。
9.如权利要求6所述的空间使用情况的判定方法,其中该事件规则为该侦测区域中的任一对象是否沿默认方向移动,以该运算装置基于该侦测区域判断该待侦测对象的行为是否符合该事件规则包含:
以该运算装置基于该侦测区域判断该待侦测对象的坐标位置是否落在该侦测区域内;以及
当判断该待侦测对象的该坐标位置落在该侦测区域内时,以该运算装置基于该待侦测对象的多个坐标位置及对应的多个时间信息判断该待侦测对象是否沿该默认方向移动。
10.如权利要求6所述的空间使用情况的判定方法,其中该事件规则为该侦测区域中的任一对象的移动速度是否落入默认速度区段内,以该运算装置基于该侦测区域判断该待侦测对象的行为是否符合该事件规则包含:
以该运算装置基于该侦测区域判断该待侦测对象的坐标位置是否落在该侦测区域内;以及
当判断该待侦测对象的该坐标位置落在该侦测区域内时,以该运算装置基于该待侦测对象的多个坐标位置及对应的多个时间信息判断该待侦测对象的移动速度是否落入该默认速度区段内。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136669.2A CN112906428B (zh) | 2019-11-19 | 2019-11-19 | 影像侦测区域取得方法及空间使用情况的判定方法 |
US16/721,370 US11176379B2 (en) | 2019-11-19 | 2019-12-19 | Method of acquiring detection zone in image and method of determining zone usage |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136669.2A CN112906428B (zh) | 2019-11-19 | 2019-11-19 | 影像侦测区域取得方法及空间使用情况的判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906428A true CN112906428A (zh) | 2021-06-04 |
CN112906428B CN112906428B (zh) | 2023-04-25 |
Family
ID=75909515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911136669.2A Active CN112906428B (zh) | 2019-11-19 | 2019-11-19 | 影像侦测区域取得方法及空间使用情况的判定方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11176379B2 (zh) |
CN (1) | CN112906428B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295430B2 (en) * | 2020-05-20 | 2022-04-05 | Bank Of America Corporation | Image analysis architecture employing logical operations |
CN114943936B (zh) * | 2022-06-17 | 2023-06-20 | 北京百度网讯科技有限公司 | 目标行为识别方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142193A (zh) * | 2010-01-28 | 2011-08-03 | 大猩猩科技股份有限公司 | 交通违规行为自动侦测系统与方法 |
CN102348102A (zh) * | 2010-07-30 | 2012-02-08 | 鸿富锦精密工业(深圳)有限公司 | 天台安全监控系统及方法 |
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
KR101558756B1 (ko) * | 2014-04-10 | 2015-10-07 | 현대자동차주식회사 | 카메라 영상정보와 센서정보를 융합하여 차선을 인지하는 차선 감지 방법 및 장치 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101741433B1 (ko) * | 2015-06-09 | 2017-05-30 | 엘지전자 주식회사 | 운전자 보조 장치 및 그 제어방법 |
WO2019191002A1 (en) * | 2018-03-26 | 2019-10-03 | Nvidia Corporation | Object movement behavior learning |
-
2019
- 2019-11-19 CN CN201911136669.2A patent/CN112906428B/zh active Active
- 2019-12-19 US US16/721,370 patent/US11176379B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102142193A (zh) * | 2010-01-28 | 2011-08-03 | 大猩猩科技股份有限公司 | 交通违规行为自动侦测系统与方法 |
CN102348102A (zh) * | 2010-07-30 | 2012-02-08 | 鸿富锦精密工业(深圳)有限公司 | 天台安全监控系统及方法 |
US20130286198A1 (en) * | 2012-04-25 | 2013-10-31 | Xerox Corporation | Method and system for automatically detecting anomalies at a traffic intersection |
CN103235933A (zh) * | 2013-04-15 | 2013-08-07 | 东南大学 | 一种基于隐马尔科夫模型的车辆异常行为检测方法 |
KR101558756B1 (ko) * | 2014-04-10 | 2015-10-07 | 현대자동차주식회사 | 카메라 영상정보와 센서정보를 융합하여 차선을 인지하는 차선 감지 방법 및 장치 |
CN103971521A (zh) * | 2014-05-19 | 2014-08-06 | 清华大学 | 道路交通异常事件实时检测方法及装置 |
CN110309735A (zh) * | 2019-06-14 | 2019-10-08 | 平安科技(深圳)有限公司 | 异常侦测方法、装置、服务器及存储介质 |
Non-Patent Citations (4)
Title |
---|
SIVARAMAN, S等: ""Looking at Vehicles on the Road: A Survey of Vision-Based Vehicle Detection, Tracking, and Behavior Analysis"", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
WANG T等: ""Detection of Abnormal Visual Events via Global Optical Flow Orientation Histogram"", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
刘素杰: ""时间标识的移动对象频繁模式发现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨振青: ""监控视频中的异常目标检测技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
US20210150218A1 (en) | 2021-05-20 |
US11176379B2 (en) | 2021-11-16 |
CN112906428B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN102073851B (zh) | 一种城市交通事故自动识别方法和系统 | |
CN110738150B (zh) | 相机联动抓拍方法、装置以及计算机存储介质 | |
CN113139482B (zh) | 交通异常检测的方法和装置 | |
US11170272B2 (en) | Object detection device, object detection method, and computer program for object detection | |
CN104200466B (zh) | 一种预警方法及摄像机 | |
Mithun et al. | Video-based tracking of vehicles using multiple time-spatial images | |
WO2021227586A1 (zh) | 交通事故分析方法、装置及设备 | |
CN111626275B (zh) | 一种基于智能视频分析的异常停车检测方法 | |
CN111524350B (zh) | 车路协同异常行驶状况检测方法、系统、终端设备及介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN112633150A (zh) | 一种基于目标轨迹分析的滞留徘徊行为识别方法和系统 | |
CN112906428B (zh) | 影像侦测区域取得方法及空间使用情况的判定方法 | |
TWI730509B (zh) | 影像偵測區域取得方法及空間使用情況的判定方法 | |
JP7360520B1 (ja) | オブジェクト追跡統合方法及び統合装置 | |
Chen et al. | Lane detection by trajectory clustering in urban environments | |
JP7203277B2 (ja) | 車両ナンバープレートの認識率をモニタリングする方法及び装置、並びにコンピュータ読み取り可能な格納媒体 | |
JP2023536692A (ja) | レーストラックのaiベースのモニタリング | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN114724093A (zh) | 车辆违停识别方法以及相关设备 | |
CN116433717A (zh) | 一种人体跟踪方法、装置、电子设备及存储介质 | |
CN115775371A (zh) | 监视未礼让行人的车辆的系统和方法 | |
US20220262122A1 (en) | Image collection apparatus and image collection method | |
US12148219B2 (en) | Method, apparatus, and computing device for lane recognition | |
CN114387788B (zh) | 车辆交替通行的识别方法、识别设备及计算机存储介质 |
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 |