视频流中的对象的掩蔽制造技术

本发明专利技术涉及视频流中的对象的掩蔽。本发明专利技术一般涉及用于掩蔽视频流中的对象的方法，该方法包括：获取(S102)视频流(202)；检测(S104)视频流中的对象；确定(S106)检测到的对象是属于视频流的指示运动对象的前景(204)，还是属于视频流的指示静止对象的背景(206)；如果检测到的对象被确定为属于前景，则使用第一分类器将检测到的对象分类(S108a)为特定类型，并且如果检测到的对象被确定为属于背景，则使用第二分类器将检测到的对象分类(S108b)为特定类型，第一分类器与第二分类器不同，并且如果检测到的对象被分类为属于特定类型的对象，则掩蔽(S110)视频流中的对象。蔽(S110)视频流中的对象。蔽(S110)视频流中的对象。

【技术实现步骤摘要】
视频流中的对象的掩蔽


[0001]本专利技术大体涉及摄像机监控领域，具体涉及用于掩蔽视频流中的对象的方法和控制单元。

技术介绍

[0002]在各种摄像机监控应用中，有时需要对摄像机所捕获的视频流中的对象进行掩蔽。对象掩蔽的重要原因是保证出现视频流中的人员的隐私，以及保护可能捕获在视频流中的其他类型的个人信息。
[0003]例如，对象检测可以被用于检测车辆。可以通过提取对象的相关部分的图像坐标来执行对车辆或车辆中的牌照或人员(可能是更重要的)的掩蔽。一旦图像坐标是已知的，视频流中的相关部分就可以被掩蔽或像素化。
[0004]然而，诸如车辆的运动对象可能难以以高可靠性进行检测，尤其是在诸如高速公路的高速度下。在这种情况下，对象检测和分类存在失败的风险，并且因此，相关对象存在不被掩蔽的风险。
[0005]相应地，对于视频流中的对象的掩蔽，还存在改进的空间。

技术实现思路

[0006]鉴于现有技术的上述和其他缺点，本专利技术的目的是提供用于掩蔽视频流中的对象的改进方法，该方法至少缓解了现有技术的一些缺点。
[0007]因此，根据本专利技术的第一方面，提供了用于掩蔽视频流中的对象的方法。
[0008]方法包括以下步骤。获取视频流；检测视频流中的对象；确定检测到的对象是属于视频流的指示运动对象的前景还是视频流的指示静止对象的背景；如果检测到的对象被确定为属于前景，则使用第一分类器将检测到的对象分类为属于特定类型，并且如果检测到的对象被确定为属于背景，则使用第二分类器将检测到的对象分类为属于特定类型，第一分类器与第二分类器不同，并且如果检测到的对象被分类为属于特定类型的对象，则掩蔽视频流中的对象。
[0009]本专利技术基于根据对象是属于视频流的前景还是背景来使用不同分类器的实现。前景是视频流的包括运动对象的部分或段，并且背景是视频流的包括静止对象的部分或段。通过提供两个不同的分类器，有可能使分类器适合于不同段(即背景或前景)中的对象的不同类型的特征。更准确地说，第一分类器可以被特别配置为在前景中执行对象分类，并且第二分类器可以被特别配置为在背景中执行对象分类。因此，分类器不需要在背景和前景的另一个中是有效或准确的。
[0010]方法可以包括将视频流分割为背景和前景(即背景段和前景段)的步骤。这种分割可以通过从视频流的每一帧中的像素提取指示运动对象的像素数据并使用该数据构建前景来执行。来自视频流的每一帧中的像素的、指示静止对象的像素数据被用于构建背景。
[0011]在分割之后，可以确定该对象是属于背景段还是属于前景段，即该对象是在背景
段中还是在前景段中被发现或检测到的。
[0012]因此，确定对象是属于背景还是属于前景可以包括将视频流分割为背景和前景，其中，在分割之后，确定对象是属于背景还是前景。
[0013]掩蔽视频流中的对象是对希望掩蔽的像素进行像素化或以其他方式覆盖或涂黑覆盖。
[0014]在一个实施例中，第一分类器的计算复杂度低于第二分类器的计算复杂度。
[0015]这有利地提供了比第二分类器较快的第一分类器。快速分类器可能不如慢速分类器准确，然而，为了检测在前景中的快速运动的对象，尽管准确性较低，但快速分类器仍是优选的。特别是因为出于隐私的目的，一定量的假阳性是可接受的。如果分类器是神经网络，则第一分类器的神经网络的大小可以小于第二分类器的神经网络的大小。
[0016]在一个实施例中，第二分类器可以被配置为对视频流的与第一分类器相比每时间单位较少的帧执行分类。由于第二分类器被用于对视频流的其中检测到静止对象的背景段中的对象进行分类，因此不需要高帧率。换句话说，静止对象不运动，并且因此用较低的帧率来检测背景中的对象是足够的。相反，在其中预期有运动对象的前景段中，需要较高的帧率。因此，第二分类器可以执行较慢但较准确的分类，并且第一分类器执行快速但较不准确的分类。这是一种为同一视频流但不同段中的对象分类的特定任务定制分类器的有利方式。
[0017]在一个实施例中，第二分类器可以被配置为仅对视频流的非连续的时间帧执行分类。有利地，由于仅预期第二分类器对静止对象进行分类，因此不需要对每一帧执行分类。为了能够使用需要处理时间的较准确的分类器，第二分类器可以仅对非连续的时间帧(优选为视频流的以规则的时间间隔出现的非连续的时间帧)进行分类。这种非连续的时间帧可以是例如每第5个、第10个、第15个、第20个或第25个时间帧。
[0018]在一个实施例中，第一分类器可以被配置为对运动对象进行分类，并且第二分类器被配置为对静止对象进行分类。因此，第一分类器可能仅使用具有运动对象的视频流来训练，并且第二分类器可能使用仅具有静止对象的视频流来训练。
[0019]神经网络为分类提供了有效的工具。适用于执行分类的各种类型的神经网络是可以想到的并且本身是已知的。合适的神经网络的示例是递归神经网络和卷积神经网络。递归神经网络对于捕获时间演进特别有效。
[0020]进一步，其他合适的分类器可以是决策树分类器(诸如对分类有效的随机森林分类器)。此外，诸如支持向量机分类器和逻辑回归分类器的分类器也是可能的。
[0021]此外，分类器可以是统计分类器、启发式分类器、模糊逻辑分类器。进一步，使用表格(即具有数据组合的查找表)也是可行的。
[0022]根据本专利技术的第二方面，提供了用于掩蔽视频流中的对象的方法，该方法包括以下步骤。获取视频流；检测视频流中的对象；确定检测到的对象是属于视频流的指示运动对象的前景还是视频流的指示静止对象的背景；如果检测到的对象被确定为属于前景，则使用比在检测到的对象被确定为属于背景时较低的分类阈值将检测到的对象分类为属于特定类型，如果检测到的对象被分类为属于特定类型的对象，则掩蔽视频流中的对象。
[0023]本专利技术的该第二方面基于根据对象是属于视频流的前景还是背景而在分类器中使用不同的阈值的实现。前景是视频流的包括运动对象的部分或段，并且背景是视频流的
包括静止对象的部分或段。通过为特定类型的对象提供可接受的较低的阈值，减少了未被掩蔽的特定类型的对象的数量，尽管假阳性的数量可能增加。对于隐私至关重要的场景，这不是问题。特定类型的所有对象都被掩蔽是更重要的。对于背景段，阈值保持较高，因为静止对象的背景区域更容易在其中进行分类。降低在前景段中的分类阈值增加了将特定类型的所有对象进行正确分类的概率，即使它正在快速运动。
[0024]方法可以包括将视频流分割为背景和前景(即背景段和前景段)的步骤。这种分割可以通过从视频流的每一帧中的像素提取指示运动对象的像素数据并使用该数据来构建前景来执行。来自视频流的每一帧中的像素的、指示静止对象的像素数据被用于构建背景。
[0025]在分割之后，可以确定该对象是属于背景段还是属于前景段，即该对象是在背景段中还是在前景段中被发现或检测到的。
[0026]在实施例中，方法可以包括：如果检测到的对象被确定为属于前景，则确定检测到的对象的速度；以及根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于掩蔽视频流中的对象的方法，所述方法包括：获取视频流；检测所述视频流中的对象；确定检测到的对象是属于所述视频流的指示运动对象的前景还是属于所述视频流的指示静止对象的背景；如果所述检测到的对象被确定为属于所述前景，则使用第一分类器将所述检测到的对象分类为属于特定类型，并且如果所述检测到的对象被确定为属于所述背景，则使用第二分类器将所述检测到的对象分类为属于所述特定类型，所述第一分类器被配置为对运动对象进行分类，并且所述第二分类器被配置为对静止对象进行分类，以及如果所述检测到的对象被分类为属于所述特定类型的对象，则掩蔽所述视频流中的所述对象。2.根据权利要求1所述的方法，其中，所述第一分类器的计算复杂度低于所述第二分类器的计算复杂度，使得所述第一分类器比所述第二分类器较快地并且精度较低地处理来自所述视频流的数据。3.根据权利要求1所述的方法，所述第二分类器被配置为对所述视频流的与所述第一分类器相比每时间单位较少的帧执行分类。4.根据权利要求1所述的方法，所述第二分类器被配置为仅对所述视频流的非连续的时间帧执行分类。5.一种用于掩蔽视频流中的对象的方法，所述方法包括：获取视频流；检测所述视频流中的对象；确定检测到的对象是属于所述视频流的指示运动对象的前景还是所述视频流的指示静止对象的背景；如果所述检测到的对象被确定为属于所述前景，则使用比在所述对象被确定为属于所述背景时较低的分类阈值将所述检测到的对象分类为属于特定类型，如果所述检测到的对象被分类为属...

【专利技术属性】
技术研发人员：托尔，
申请(专利权)人：安讯士有限公司，
类型：发明
国别省市：