判断异常活动物体的低计算量运动检测方法技术

本发明专利技术公开了一种判断异常活动物体的低计算量运动检测方法，包括以下步骤。步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域。步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域。本发明专利技术公开的判断异常活动物体的低计算量运动检测方法，其有益效果在于，通过极低的计算量对视频图像进行较为简单的预处理，判断视频图像中是否出现物体运动。如果没有出现物体运动则停止接续的检测流程，否则继续检测流程，以便较好地节约检测成本，避免浪费计算资源。

Low computational complexity motion detection method for judging abnormal moving objects

The invention discloses a low computational amount motion detection method for judging abnormal moving objects, including the following steps. According to the preset threshold of pixel difference, each pixel of the difference image is marked as background pixel or foreground pixel, and each foreground pixel is composed of abnormal moving object area. Fifth, judging whether there are abnormal moving object areas in the above differential images according to Fifth Fourth. The low computational load motion detection method for judging abnormal moving objects disclosed in the present invention has the beneficial effect of simple preprocessing of video images through extremely low computational load to determine whether there is object motion in video images. If there is no object motion, stop the continuous detection process, otherwise continue the detection process, so as to save the detection cost and avoid wasting computing resources.

【技术实现步骤摘要】
判断异常活动物体的低计算量运动检测方法
本专利技术属于基于深度学习的人工智能
，具体涉及一种判断异常活动物体的低计算量运动检测方法。
技术介绍
异常活动物体识别具有较为广泛的应用，包括人体摔倒识别、人体姿态动作识别、动物姿态动作识别、交通车辆识别等应用场景。需要说明的是，常见的基于深度学习的解决方案，通常将视频转化为帧序列之后再对图像进行逐一计算，处理反馈。然而，上述解决方案存在缺陷，主要体现在以下几个方面。其一，耗费大量的服务器计算资源。当视频图像中的连续画面实质上静止时，服务器仍然需要计算，导致最终的计算总量并没有下降。其二，而服务器的成本很高且计算资源总体上呈现“紧平衡”状态。当视频图像中的连续画面实质上静止时，服务器仍然需要计算，导致极大地浪费计算资源，变相提高了检测成本。
技术实现思路
本专利技术针对现有技术的状况，克服上述缺陷，提供一种判断异常活动物体的低计算量运动检测方法。本专利技术采用以下技术方案，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤S1，否则输出第二检测信号同时在T1时刻执行步骤S1。根据上述技术方案，在步骤S3中，包括以下步骤：步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。根据上述技术方案，在步骤S4中，包括以下步骤：步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。根据上述技术方案，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。根据上述技术方案，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。本专利技术专利申请还公开了一种判断异常活动物体的低计算量运动检测方法，包括以下步骤：步骤T1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；步骤T2：将上述时序上相邻的多帧图像中的第一帧图像和第二帧图像输入为背景图像，将上述时序上相邻的多帧图像的第三帧图像输入为待检图像；步骤T3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；步骤T4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；步骤T5：根据步骤T4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤T1，否则输出第二检测信号同时在T1时刻执行步骤T1。根据上述技术方案，在步骤T3中，包括以下步骤：步骤T3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；步骤T3.2：将上述第一中间图像的各个像素点二值化形成差分图像。根据上述技术方案，在步骤T4中，包括以下步骤：步骤T4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。根据上述技术方案，所述判断异常活动物体的低计算量运动检测方法还包括步骤T6：步骤T6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。根据上述技术方案，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。本专利技术公开的判断异常活动物体的低计算量运动检测方法，其有益效果在于，通过极低的计算量对视频图像进行较为简单的预处理，判断视频图像中是否出现物体运动。如果没有出现物体运动则停止接续的检测流程，否则继续检测流程，以便较好地节约检测成本，避免浪费计算资源。附图说明图1是本专利技术优选实施例的马尔科夫模型的示意图。具体实施方式本专利技术公开了一种判断异常活动物体的低计算量运动检测方法，下面结合优选实施例，对本专利技术的具体实施方式作进一步描述。参见附图的图1，图1示出了马尔科夫模型。优选地，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域(运动区域)；步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号(已检测到异常活动物体的检测信号)以便启动接续的检测流程同时在T1时刻执行步骤S1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)，否则输出第二检测信号(未检测到异常活动物体的检测信号)同时在T1时刻执行步骤S1(在T1时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像，以此类推)。进一步地，在步骤S3中，包括以下步骤：步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。进一步地，在步骤S4中，包括以下步骤：步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。进一步地，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以便进一步判断连续的视频图像是否出现异常活动物体。值得一提的是，本专利技术专利申请还公开了上述优选实施例的第一变形实施例。上述第一变形实施例简述如下。其中，所述判断异常活动物体的低计算量运动检测方法包括以下步骤：步骤T1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图本文档来自技高网...

【技术保护点】
1.一种判断异常活动物体的低计算量运动检测方法，其特征在于，包括以下步骤：步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤S1，否则输出第二检测信号同时在T1时刻执行步骤S1。

【技术特征摘要】
1.一种判断异常活动物体的低计算量运动检测方法，其特征在于，包括以下步骤：步骤S1：在T0时刻，获取待检测异常活动物体的连续的视频图像，并且将上述视频图像切分为时序上相邻的多帧图像；步骤S2：将上述时序上相邻的多帧图像中的第一帧图像输入为背景图像，将上述时序上相邻的多帧图像的第二帧图像输入为待检图像；步骤S3：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值处理形成差分图像；步骤S4：根据预置的像素点差分阈值，将差分图像的各个像素点标记为背景像素点或者前景像素点，同时由各个前景像素点组成异常活动物体区域；步骤S5：根据步骤S4判断上述差分图像中是否存在异常活动物体区域，如果是则输出第一检测信号同时在T1时刻执行步骤S1，否则输出第二检测信号同时在T1时刻执行步骤S1。2.根据权利要求1所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤S3中，包括以下步骤：步骤S3.1：将上述待检图像的各个像素点的像素值与背景图像的各个像素点的像素值差分形成第一中间图像；步骤S3.2：将上述第一中间图像的各个像素点二值化形成差分图像。3.根据权利要求2所述的判断异常活动物体的低计算量运动检测方法，其特征在于，在步骤S4中，包括以下步骤：步骤S4.1：调用预置的像素点差分阈值，依次判断差分图像的各个像素点的差值幅值，如果任一像素点的差值幅度高于上述像素点差分阈值，则标记为前景像素点，否则标记为背景像素点。4.根据权利要求1-3中任一权利要求所述的判断异常活动物体的低计算量运动检测方法，其特征在于，所述判断异常活动物体的低计算量运动检测方法还包括步骤S6：步骤S6：利用马尔科夫模型将T0时刻至TN时刻的时序上相邻的若干帧图像相互串联，以判断连续的视频图像是否出现异常活动物体。5.根据权利要求1所述的判断异常活动物体的低计算量运动检测方法，其特征在于，上述第一检测信号为已检测到异常活动物体的检测信号，上述第二检测信号为未检测到异常活动物体的检测信号。6.一...

【专利技术属性】
技术研发人员：钟博煊，许淞斐，周礼，
申请(专利权)人：浙江深眸科技有限公司，
类型：发明
国别省市：浙江,33