[发明专利]一种排除飞虫干扰的遗留物检测方法

说明书

本发明属于视频图像处理领域，涉及一种排除飞虫干扰的遗留物检测方法，包括以下步骤：S1从视频图像中获取物体的边缘；S2从视频图像中检测出移动物体，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除移动物体的边缘后，进入下一步；S3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；S4计算疑似遗留物的目标框中物体的得分，若得分大于阈值，则确认目标框中物体为遗留物，若得分小于阈值，则目标框中物体不是遗留物。其在有效提高了检测精度的同时也能够保证其实时性以及对于复杂场景的适应性，能够有效节省人力、物力以及时间成本。

技术领域

本发明涉及一种排除飞虫干扰的遗留物检测方法，属于视频图像处理技术领域。

背景技术

遗留物检测能够有效检测出威胁公共安全的诸如爆炸物、有毒物质等的不明遗留物，在火车站、机场、地铁站等人群密集的公共区域具有广阔的应用空间。虽然通过视频监控可以找到大多数的遗留物，但是放在轨道上的遗留物通常不易被发现，随着轨道交通速度的不断提升，放在轨道上的遗留物很容易对乘客和车辆的安全带来隐患，故需要对遗留物进行实时监测。

目前，遗留物检测的方法主要可以分为两类，一类是基于目标跟踪的方法，其通过分析视频序列图像，在每帧图像中检测出各自独立的运动目标，从而确定目标在每帧中的具体位置，既能提供目标的运动轨迹，又能根据目标的跟踪信息进行运动检测和识别。目标跟踪的关键问题是连续的图像帧之间目标的对应匹配问题。基于目标跟踪的方法需要很好地解决如何高效选取匹配特征，克服场景干扰，对目标自身变化进行自适应的问题，流程相对复杂，算法复杂度较大。另一类是基于目标检测的方法，其是指在视频序列中检测并提取出与参考图像之间存在相对运动的前景区域，分析其灰度、纹理和边缘等特征，再以此为依据分割成若干独立目标。目前目标检测的方法主要分为光流法、帧间差分法、背景差分法等。基于目标检测的方法原理与计算相对简单，检测速度快，开发和应用成本较低，但在频繁遮挡、光线变化的复杂环境应用中的适应性有待提高。

虽然目前对于遗留物检测已经有很多研究，但是对于复杂场景内遗留物检测，依然存在很多问题。例如在复杂场景下非常容易受到其他物体，如静止的行人，夜晚快速飞舞的飞虫等因素的干扰，同时也会受到光照变化的影响，从而导致检测精度较低，误检率较高。而使用深度学习算法过滤行人以及动物等非目标物体，在不同的场景下需要大量标记的样本对模型进行训练，一旦场景出现其他干扰物体就需要对模型进行重新训练，否则检测精度就会大大下降。同时，深度学习算法计算复杂度和计算量都很大，很难满足智能视频监控系统实时处理的要求。

发明内容

针对上述问题，本发明的目的是提供了一种排除飞虫干扰的遗留物检测方法，其不仅能够适用于普通的火车站、商场等场景，还能用于排查火车铁轨上是否被人恶意放置障碍物等场景。在有效提高了检测精度的同时也能够保证其实时性以及对于复杂场景的适应性，能够有效节省人力、物力以及时间成本。

为实现上述目的，本发明采取以下技术方案：一种排除飞虫干扰的遗留物检测方法，包括以下步骤：S1从视频图像中获取物体的边缘；S2从视频图像中追踪移动目标，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除移动物体的边缘后，进入下一步；S3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；S4计算疑似遗留物的目标框中物体的得分，若得分大于阈值，则确认目标框中物体为遗留物，若得分小于阈值，则目标框中物体不是遗留物。

进一步，步骤S1中从视频图像中获取物体的边缘的方法为：S1.1计算视频图像在水平方向和垂直方向的梯度值，计算背景图像在水平方向和垂直方向的梯度值；S1.2计算水平方向上视频图像和背景图像的梯度差，计算垂直方向上视频图像和背景图像的梯度差；S1.3根据水平方向和垂直方向的梯度差获得二值化的前景边缘掩膜；S1.4根据前景边缘掩膜和每个边缘像素的时间累计得到稳定的边缘掩膜。

进一步，背景图像在水平方向的梯度值为：