一种基于深度学习的监控视频遮挡检测方法技术

本发明专利技术提出了一种基于深度学习的监控视频遮挡检测方法，包括以下步骤：步骤一：获取监控视频中的当前帧和对比帧；步骤二：使用训练好的目标检测模型检测当前帧中车辆或行人的目标位置；步骤三：对当前帧和对比帧分别进行高斯滤波处理；步骤四：对当前帧和对比帧的目标位置中的像素置零；步骤五：将经步骤四处理后的当前帧和对比帧从BGR颜色空间转换到L颜色空间；步骤六：对比帧与当前帧在L颜色空间的像素值做差，与阈值比较得出遮挡区域。本发明专利技术能够排除监控视频中车辆、行人等对遮挡检测的影响，减小误报率，提高了监控视频遮挡检测算法的精确度。

【技术实现步骤摘要】
一种基于深度学习的监控视频遮挡检测方法
本专利技术涉及视频遮挡检测
，具体涉及一种基于深度学习的监控视频遮挡检测方法。
技术介绍
随着现代科学技术的迅猛发展，今年来视频监控已渗透到国名生活的各个领域：小区安保、银行自动柜台机监控、交通方面的规章和流量监控等。视频监控可以有效防止各种犯罪事件的发生，及时提供车流量和路况信息，实现准确快速的交通指挥调度。面对视频源数据的日益剧增以及对监控视频分析越来越高的要求，传统的人工监控很难保证对视频画面分析的实时性，存在报警准确度差、误报、漏报、报警相应时间长、视频数据分析困难等问题。因此，引入计算机视觉领域中的相关技术发展智能视频监控系统已经迫在眉睫。在安防监控系统中，视频遮挡检测是最重要也是最常见的检测之一。目前，大多数关于监控视频遮挡的研究是针对人为遮挡,常用方法有：利用当前帧与前一帧之间颜色直方图差异来检测人为遮挡；对比帧间灰度直方图，加入角质点特征检测，是算法对光线变化不敏感，鲁棒性更强；通过自适应的背景差分方法来检测监控视频遮挡；这些算法没有考虑移动的车辆、行人等对算法的影响，在许多本文档来自技高网...

【技术保护点】
1.一种基于深度学习的监控视频遮挡检测方法，其特征在于：包括以下步骤：/n步骤一：获取监控视频中的当前帧和对比帧；/n步骤二：使用训练好的目标检测模型检测当前帧中车辆或行人的目标位置；/n步骤三：对当前帧和对比帧分别进行高斯滤波处理；/n步骤四：对当前帧和对比帧的目标位置中的像素置零；/n步骤五：将经步骤四处理后的当前帧和对比帧从BGR颜色空间转换到L颜色空间；/n步骤六：对比帧与当前帧在L颜色空间的像素值做差，与阈值比较得出遮挡区域。/n

【技术特征摘要】
1.一种基于深度学习的监控视频遮挡检测方法，其特征在于：包括以下步骤：
步骤一：获取监控视频中的当前帧和对比帧；
步骤二：使用训练好的目标检测模型检测当前帧中车辆或行人的目标位置；
步骤三：对当前帧和对比帧分别进行高斯滤波处理；
步骤四：对当前帧和对比帧的目标位置中的像素置零；
步骤五：将经步骤四处理后的当前帧和对比帧从BGR颜色空间转换到L颜色空间；
步骤六：对比帧与当前帧在L颜色空间的像素值做差，与阈值比较得出遮挡区域。


2.根据权利要求1所述的一种基于深度学习的监控视频遮挡检测方法，其特征在于：所述步骤一中的对比帧为人为预设或在指定的时间点采集监控视频图像。


3.根据权利要求1所述的一种基于深度学习的监控视频遮挡检测方法，其特征在于：所述步骤二中的目标检测模型为YOLOv3目标检测模型。


4.根据权利要求3所述的一种基于深度学习的监控视频遮挡检测方法，其特征在于：所述YOLOv3目标检测模型的训练流程为：
a、收集大量监控视频图像，包括不同场景、不同时间段、不同光线情况下的监控视频图像，图像数量为2万张，目标包括汽车、公交车、自行车、行人、红绿灯五个种类；
b、标注步骤a收集的图像，包括目标的种类、位置坐标与长宽，形成数据集；
c、使用数据增强技术，将数据集中的每张图片依次做水平翻转、随机裁剪、平移变换、仿射变换、颜色变换、光照变换、旋转变换后得到的视频图像分别存入数据集中，并生成对应的标签文件；
d、从数据集中所有图片中随机选取80％的图像，组成训练集，将剩余的20％图像组成测试集；

【专利技术属性】
技术研发人员：杨公所，袭喜悦，陆腾，
申请(专利权)人：山东华软金盾软件股份有限公司，
类型：发明
国别省市：山东;37