一种基于机器视觉的高空抛物监测定位方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明属于视觉监测技术领域，具体涉及一种基于机器视觉的高空抛物监测定位方法。背景技术：2.随着计算机视觉技术的快速进步，通过视觉技术分析和判定高空抛物具有实时性、速度快、资料全，成为安防产业中预防高空抛物预防、追责、教育的主要手段。3.当下高空抛物检测有多种方法，主要分为传统算法和基于深度模型算法。本发明是基于传统算法，采用多轨迹动态规划分析方法，通过分析视频画面中的运动物体，不断的建立可能的抛物轨迹，当某一条运动轨迹满足是抛物条件时，判定该轨迹为高空抛物轨迹。4.现有高空抛物算法，基于传统算法的，基本都是静态轨迹方法，这种算法容易漏掉一些抛物轨迹的可能。基于深度模型算法的，由于抛物的种类(垃圾袋，瓶子，烟盒等)非常多，导致模型很难训练，泛化能力差。还有受到天气环境的影响，抛物的形态，颜色，运动等复杂因素，导致捕捉非常困难。技术实现要素：5.针对现有技术的不足，本发明的目的在于提供一种基于机器视觉的高空抛物监测定位方法，解决了现有技术中存在的上述技术问题。6.本发明的目的可以通过以下技术方案实现：7.一种基于机器视觉的高空抛物监测定位方法，包括以下步骤：8.s1、首先获得当前摄像拍摄场景中的视频信息，并将该视频信息分解成多个视频帧图片信息；9.s2、获取视频前一帧的视频帧图片信息，并对该图片信息进行灰度处理；10.s3、再获取视频后一帧的视频帧图片信息，并对该图片信息进行灰度处理；11.s4、将前一帧的视频帧图片信息和后一帧的视频帧图片信息分别进行差分处理，得到差分图；12.s5、对差分图进行二值化处理，并拟定白色作为帧点里运动的像素点；13.s6、对s5中处理的白色像素点进行轮廓搜索，找出所有的轮廓，并将这些轮廓指定为运动物体；14.s7、对运动物体进行分析，并将前一帧作为运动物体的运动起点，然后在下一帧寻找运动后继点，满足条件加入对应的轨迹；15.s8、满足上述判断条件的后继点加入指定轨迹，不满足判断条件的后继点，则重新生成新轨迹，并重新筛选；16.s9、检查所有轨迹，当轨迹里的点的数量和轨迹长度都大于预设阈值b1，并且轨迹的最后一个点的y坐标大于预设阈值b2，则认定该运动物体的轨迹为抛物轨迹。17.进一步的，所述s4中差分图为前一帧与后一帧的灰度图像对应像素点差值。18.进一步的，所述s5中差分图将白色设置为255，黑色为0。19.进一步的，所述s7中具体操作方式为：20.a1、建立动态轨迹表，并把起点构造一个点轨迹加入轨迹表；21.a2、在下一帧，循环所有轨迹，通过每个轨迹的最后一个点，筛选所有向下趋势的后继点，即next_y》last_y；22.a3、根据公式从后继点中最短距离的点开始判断是否符合以下条件：23.其中x、y分别表示坐标系，同时i表示第i个坐标轨迹。24.进一步的，所述s8中，满足的条件为：25.轨迹最后一个点和后继点的距离小于预设阈值a1；26.轨迹倒数2个点、轨迹最后一个点和后继点分别构成的斜率差值小于预设阈值a2；27.轨迹最后一个点和后继点的时间差值小于预设阈值a3。28.进一步的，所述预设阈值a1设置为100个像素点。29.进一步的，所述设阈值a3设置为1s。30.本发明的有益效果：31.1、本发明通过多轨迹动态规划分析方法可以对单位面积像素点的抛物实现捕获率达到95％以上的效果。32.2、本发明所提供的过滤算法能够对运动物体进行密集点过滤，可以过滤掉运动的树叶，运动的雨滴，提高识别的灵敏度。33.3、本发明提供的多轨迹动态规划方法，可以克服天气的影响，首先对抛物进行像素点的拟定白色处理方式(可处理复杂颜色的物体)，以便提高像素点的处理速度。附图说明34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。35.图1是本发明实施例的整体结构流程示意图；36.图2是本发明实施例的运动物体运动状态分析展示示意图；37.图3是本发明实施例像素点的第一个运动状态结构示意图；38.图4是本发明实施例像素点的第二个运动状态结构示意图。具体实施方式39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。40.如图1所示，本发明实施例提供一种基于机器视觉的高空抛物监测定位方法，包括以下步骤：41.s1、首先获得当前摄像拍摄场景中的视频信息，并将该视频信息分解成多个视频帧图片信息，42.s2、获取视频前一帧的视频帧图片信息，并对该图片信息进行灰度处理，43.s3、再获取视频后一帧的视频帧图片信息，并对该图片信息进行灰度处理。44.s4、将前一帧的视频帧图片信息和后一帧的视频帧图片信息分别进行差分处理，得到差分图；差分图就是前后2帧灰度图像对应像素点差值(差分图为前一帧与后一帧的灰度图像对应像素点差值)，对运动物体进行密集点过滤，可以过滤掉运动的树叶，运动的雨滴，提高识别的灵敏度。45.s5、对差分图进行二值化处理(差值大于某个阈值，置白色255，否则置黑色0)，并拟定白色作为帧点里运动的像素点；这种预先对视频帧图片转换成白色像素点可以更好的识别，并且能够减少计算是因为色差的显示效果容易影响计算效率，直接置于白色作为像素点，可以提高设备运行时的计算效率，以便提高计算的运行结果。46.s6、对s5中处理的白色像素点进行轮廓搜索，找出所有的轮廓，并将这些轮廓指定为运动物体；47.s7、如图2所示，对运动物体进行分析，并将前一帧作为运动物体的抛物运动起点，然后在下一帧寻找运动后继点，满足条件加入对应的轨迹，如图3、图4所示，上图的框代表过滤框(200*200像素点)，在原始运动物体图片上过滤(即图3所示的状态1)，从下到上，从左到右进行扫描，当发现过滤框里的运动点数据超过一定阈值(5个)时，只保留最中间的一个(即图4所示的状态2)，这样既能过滤掉密集运动点，又能保留关键运动点。48.具体操作方式为：49.a1、建立动态轨迹表，并把起点构造一个点轨迹加入轨迹表；50.a2、在下一帧，循环所有轨迹，通过每个轨迹的最后一个点，筛选所有向下趋势的后继点，即next_y》last_y；51.a3、根据公式从后继点中最短距离的点开始判断是否符合以下条件：52.其中x、y分别表示坐标系，同时i表示第i个坐标轨迹。53.s8、满足上述判断条件的后继点加入指定轨迹，满足的条件为：1.轨迹最后一个点和后继点的距离小于预设阈值a1(100个像素点)；54.2.轨迹倒数2个点、轨迹最后一个点和后继点分别构成的斜率差值小于预设阈值a2；55.3.轨迹最后一个点和后继点的时间差值小于预设阈值a3(1s)；不满足判断条件的运动后继点，就认为是一个新的起点并生成一条新的轨迹，所以同时可能对多条轨迹进行筛选，如此实现。56.s9、检查所有轨迹，当轨迹里的点的数量和轨迹长度都大于预设阈值b1，并且轨迹的最后一个点的y坐标大于预设阈值b2，则认定该运动物体的轨迹为抛物轨迹。如果规定时间内，不满足条件的轨迹都删除，认为是非抛物轨迹。57.本发明通过多轨迹动态规划分析方法可以对面积为9像素点的抛物实现捕获率达到95％以上的效果。58.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!