一种准确度高的监控方法技术

本发明专利技术提供了一种准确度高的监控方法，包括：获取拍摄的视频帧序列；基于预先训练好的神经网络模型根据所述视频帧序列提取当前视频的前景图像；按照预设阴影去除方法去除所述前景图像中的阴影；判断所述前景图像中是否存在异常空洞，若是，则按照预设异常空洞填充方法填充所述异常空洞；获取所述前景图像的外接矩形，并高亮显示所述外接矩形。本发明专利技术能够快速准确的得到视频画面中的非背景图像的准确形状，从而能够实现嫌疑比对，重点画面显示，画面中心显示等功能。本发明专利技术智能性高，获取的图形准确度高，具备广阔的应用前景。

【技术实现步骤摘要】
一种准确度高的监控方法
本专利技术涉及监控领域，尤其涉及一种准确度高的监控方法。
技术介绍
智能监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统。现有技术中智能监控已经取得了广泛的应用，但是从流动的视频帧中提取图像，以及对提取的图像进行自动化的处理的相关技术还不甚成熟，因此难以实现完全的自动化，还需依赖人工肉眼的识别。鉴于自动进行图像处理的相关技术不甚成熟，基于图像处理技术进行自动报警的误报率较高，并且难以获取嫌疑目标的准确轮廓和精准位置。
技术实现思路
为了解决上述技术问题，本专利技术提出了一种准确度高的监控方法。本专利技术具体是以如下技术方案实现的：一种准确度高的监控方法，包括：获取拍摄的视频帧序列；基于预先训练好的神经网络模型根据所述视频帧序列提取当前视频的前景图像；按照预设阴影去除方法去除所述前景图像中的阴影；判断所述前景图像中是否存在异常空洞，若是，则按照预设异常空洞填充方法填充所述异常空洞；获取所述前景图像的外接矩形，并高亮显示所述外接矩形。进一步地，还可以将所述前景图像与预设的嫌疑图片库中的图片进行比对获取图片相似度，若所述图片相似度超过预设阈值，则进行报警提示。进一步地，所述外接矩形的简单获取方法为：提取所述前景图像在横轴的第一端点和第二端点；提取所述前景图像在纵轴的第三端点和第四端点；做所述第一端点在所述前景图像中的第一切线；所述第二端点在所述前景图像中的第二切线；所述第三端点在所述前景图像中的第三切线；所述第四端点在所述前景图像中的第四切线；所述第一切线、第二切线、第三切线、第四切线相交围成外接矩形。进一步地，所述外接矩形为最小外接矩形；所述最小外接矩形的中心突出显示。进一步地，所述按照预设阴影去除方法去除所述前景图像中的阴影包括：获取预设的多向映射表和多向映射图集，所述多向映射表记录了光照时间段、光照强度段、分辨率和特征阈值之间的对应关系；所述多向映射图集中记录有多个背景图，每个背景图的特征集不同，所述特征集包括所述背景图的光照时间段、光照强度段和分辨率；根据当前的光照时间段、光照强度段和拍摄的设备从所述多向映射图集中选择目标背景图；根据当前的光照时间段、光照强度段和拍摄的设备从所述多向映射表中选择目标特征阈值；根据所述目标背景图和所述目标特征阈值去除所述前景图像中的阴影。进一步地，所述根据所述目标背景图和所述目标特征阈值去除所述前景图像中的阴影包括：根据所述目标背景图和所述前景图像得到每个像素的亮度角差；将亮度角差小于目标特征阈值的像素点判定为阴影区予以去除。本专利技术实施例详细给出了一种准确度高的监控方法，能够快速准确的得到视频画面中的非背景图像的准确形状，从而能够实现嫌疑比对，重点画面显示，画面中心显示等功能。本专利技术智能性高，获取的图形准确度高，具备广阔的应用前景。附图说明为了更清楚地说明本专利技术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，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。图1是本专利技术实施例提供的一种准确度高的监控方法流程图；图2是本专利技术实施例提供的神经网络构建方法流程图；图3是本专利技术实施例提供的神经网络生成参数生成神经网络方法流程图；图4是本专利技术实施例提供的根据预设生成规则以所述基础神经元为聚类中心生成神经网络方法流程图；图5是本专利技术实施例提供的计算所述神经网络的状态变换矩阵流程图；图6是本专利技术实施例提供的一种去除阴影的方法流程图；图7是本专利技术实施例提供的一种异常空洞判断方法方法流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术提供一种准确度高的监控方法，如图1所示，所述方法包括：S101.获取摄设备拍摄的视频帧序列；所述拍摄设备固定在某个具体位置，其拍摄角度不随时间变化。具体地，本专利技术实施例中视频帧序列可以从球机、枪机等现有拍摄设备获取，所述拍摄设备固定在某个具体位置，其拍摄角度也不随时间变化。具体地，所述视频帧序列为由颜色向量构成的序列，所述颜色向量为RGB向量空间的向量。S102.基于预先训练好的神经网络模型根据所述视频帧序列提取当前视频的前景图像。S103.按照预设阴影去除方法去除所述前景图像中的阴影。S104.判断所述前景图像中由前景图像提取步骤所造成的异常空洞，若是，则按照预设异常空洞填充方法填充所述异常空洞。具体地，所述前景图像提取步骤即为步骤S102。由于前景图像提取，在某些场景下可能产生空洞，即使改进前景提取方法也难以彻底消除这种空洞。这种空洞不同于前景图像中物体自带的空洞，是一种异常空洞，这种异常空洞是应该被填充的；相应的，物体自带的空洞不需要被填充，而如何区分异常空洞是一个需要被解决的问题，本专利技术实施例具体给出了一种异常空洞的判断方法，将在后续详述。具体地，所述异常空洞填充方法可以使用现有技术。S105.获取所述前景图像的外接矩形，并高亮显示所述外接矩形。在一个可行的实施例中，所述外接矩形的简单获取方法为：提取所述前景图像在横轴的第一端点和第二端点；提取所述前景图像在纵轴的第三端点和第四端点；做所述第一端点在所述前景图像中的第一切线；所述第二端点在所述前景图像中的第二切线；所述第三端点在所述前景图像中的第三切线；所述第四端点在所述前景图像中的第四切线；所述第一切本文档来自技高网...

【技术保护点】
1.一种准确度高的监控方法，其特征在于，包括：/n获取拍摄的视频帧序列；/n基于预先训练好的神经网络模型根据所述视频帧序列提取当前视频的前景图像；/n按照预设阴影去除方法去除所述前景图像中的阴影；/n判断所述前景图像中是否存在异常空洞，若是，则按照预设异常空洞填充方法填充所述异常空洞；/n获取所述前景图像的外接矩形，并高亮显示所述外接矩形；/n所述神经网络构建方法为：/n获取神经网络生成参数，所述生成参数包括神经元聚类数、神经元密集程度参数、分布空间大小参数和神经元总数；/n根据所述神经网络生成参数生成神经网络；/n计算所述神经网络的状态变换矩阵，所述状态变换矩阵用于根据所述神经网络的当前内部状态获取所述神经网络的下一刻内部状态；/n所述根据所述神经网络生成参数生成神经网络，包括：/n根据所述神经元聚类数得到基础神经元；/n根据预设生成规则以所述基础神经元为聚类中心生成神经网络，所述神经网络中神经元的个数与所述神经元总数相同，所述神经网络中每个神经元与其相邻的神经元均双向互联，所述神经网络中每个神经元以预设概率与自身连接；/n其中，所述神经网络中每个神经元以预设概率与自身连接的含义为：所述神经网络中存在自反馈连接的神经元个数与占总神经元个数的比值为预设概率；/n设置与所述神经网络连接的输入节点和输出节点；/n所述根据预设生成规则以所述基础神经元为聚类中心生成神经网络，包括：在矩形布局图内随机生成新增神经元，并将所述新增神经元p...

【技术特征摘要】
1.一种准确度高的监控方法，其特征在于，包括：
获取拍摄的视频帧序列；
基于预先训练好的神经网络模型根据所述视频帧序列提取当前视频的前景图像；
按照预设阴影去除方法去除所述前景图像中的阴影；
判断所述前景图像中是否存在异常空洞，若是，则按照预设异常空洞填充方法填充所述异常空洞；
获取所述前景图像的外接矩形，并高亮显示所述外接矩形；
所述神经网络构建方法为：
获取神经网络生成参数，所述生成参数包括神经元聚类数、神经元密集程度参数、分布空间大小参数和神经元总数；
根据所述神经网络生成参数生成神经网络；
计算所述神经网络的状态变换矩阵，所述状态变换矩阵用于根据所述神经网络的当前内部状态获取所述神经网络的下一刻内部状态；
所述根据所述神经网络生成参数生成神经网络，包括：
根据所述神经元聚类数得到基础神经元；
根据预设生成规则以所述基础神经元为聚类中心生成神经网络，所述神经网络中神经元的个数与所述神经元总数相同，所述神经网络中每个神经元与其相邻的神经元均双向互联，所述神经网络中每个神经元以预设概率与自身连接；
其中，所述神经网络中每个神经元以预设概率与自身连接的含义为：所述神经网络中存在自反馈连接的神经元个数与占总神经元个数的比值为预设概率；
设置与所述神经网络连接的输入节点和输出节点；
所述根据预设生成规则以所述基础神经元为聚类中心生成神经网络，包括：在矩形布局图内随机生成新增神经元，并将所述新增神经元pnew主动与其周围的已存在神经元pi按照概率P(new，i)＝κe-μd(new，i)进行连接，其中κ，μ分别为神经元密集程度参数和分布空间大小参数，d(new，i)为新增神经元与已存在神经元之间的欧氏距离；
同时其周围的已存在神经元pi按照概率P(new，i)＝κe-μd(new，i)主动与新增神经元pne...

【专利技术属性】
技术研发人员：金涛，江浩，
申请(专利权)人：杭州铭智云教育科技有限公司，
类型：发明
国别省市：浙江;33