基于帧间差分的校园流浪动物检测方法及系统技术方案

本发明专利技术公开了一种基于帧间差分的校园流浪动物检测方法及系统，涉及图像检测识别技术领域

【技术实现步骤摘要】
基于帧间差分的校园流浪动物检测方法及系统


[0001]本专利技术涉及图像检测识别
，尤其涉及一种基于帧间差分的校园流浪动物检测方法及系统
。

技术介绍

[0002]近些年来由于生活水平的提高加上校园内环境适宜没有天敌，校园内的流浪动物数量增长迅速，虽然流浪动物会给师生带来一定的欢乐，但是同时不能忽视若对其不加管理也会带来一些潜在的隐患，例如安全与卫生问题
。
因此校园内对流浪动物实施一定的管理是有必要的
。
通过对流浪动物的管理和定位，可以为设置固定投喂点
、
设置警告牌和及时救助受伤动物等工作提供便利，能够为建设更好的校园环境提供新的思路
。
[0003]由于校园占地广阔，仅靠人力很难对敏捷机警的流浪动物进行有效定位，但是校园内存在大规模的监控摄像头，可以利用监控摄像头的资源，来对其进行精确的检测与定位，从而极大地降低人力成本
。
目前比较流行的流浪动物检测方法是将视频在服务器上进行解码，然后将视频流直接推送给
YOLO
模型来对视频流中的流浪动物进行检测
。
这些检测模型在公开的数据集中有良好的表现，但是由于校园内大多数监控摄像头位置设置较高，拍摄覆盖区域较大，因此拍摄的流浪动物图像与公开数据集中的图像有很大差异且流浪动物体型较小，因此在校园监控画面中所占比例较小，通常比较模糊，并且将监控画面直接送入
YOLO
模型中进行检测时模型会对图像进行缩放处理，这样会进一步损失待检测的目标特征，检测成功率往往较低
。
因此，考虑通过先将监控画面中的运动目标进行定位，将定位到的运动目标进行框选裁剪后再送入检测模型中进行检测来提高检测的准确率
。
现有的运动目标定位通常采用深度学习方法，这样两个深度学习模型进行叠加处理校园内海量的监控对算力提出了极高的要求
。
所以如何在提高目标检测的准确率同时尽量降低算法的复杂度来实现校园内流浪动物的运动检测，成为现有技术亟待解决的技术问题
。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的是提供一种基于帧间差分的校园流浪动物检测方法及系统，解决目前校园中利用监控视频检测流浪动物准确率低的问题，有效的解放了人力以及降低了成本
。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]本专利技术第一方面提供了一种基于帧间差分的校园流浪动物检测方法，包括以下步骤：
[0007]获取每个摄像头的实时监控视频流；
[0008]对实时监控视频流中动态背景进行遮挡处理；
[0009]利用帧间差分算法来对动态背景遮挡后的实时监控视频流进行运动目标检测，得到存在运动目标的前景区域图像；
[0010]对存在运动目标的前景区域图像进行裁剪，具体的，在前景区域中计算目标区域
最小外接矩形并映射到监控原始图像中，用边界框框选运动目标，以边界框为大小将框选的运动目标在监控的原始图像中裁剪出；
[0011]对裁剪出的图像利用流浪动物监测模型进行流浪动物检测
。
[0012]进一步的，对校园区域进行划分，并对不同区域和区域内的摄像头进行对应编号
。
[0013]进一步的，利用帧间差分算法来对实时监控视频流进行运动目标检测的具体步骤为：
[0014]从监控视频流中获取连续的帧序列，将每一帧彩色图像转换为灰度图像；
[0015]通过对连续帧的帧间差分图像求和计算得到动态背景的分布；
[0016]通过构建掩膜将解码后的视频图像中的动态背景部分去除，使动态背景部分不参与后续的检测，从而使用差分图像来直接对画面中的运动目标进行检测，根据动态背景去除后图像中是否还存在活动点判断视频中是否存在运动目标
。
[0017]更进一步的，将每一帧彩色图像转换为灰度图像的具体步骤为：
[0018]将每一帧监控原始图像从三通道图像转换为灰度图像；
[0019]处理后的灰度图像数据以二维数组的形式保存，数组中每个数据代表灰度图中每个像素点的灰度值
。
[0020]更进一步的，计算连续帧的帧间差分图像的具体步骤为：的具体步骤为：
[0021]对于每一帧灰度图像将其与前一帧灰度图像进行逐像素的差分计算，根据差分结果与预设阈值比较的结果设置每个像素在图像中的显示颜色，得到差分图像
。
[0022]更进一步的，通过构建掩膜将解码后的视频图像中的动态背景部分去除，使动态背景部分不参与后续的检测，从而使用差分图像来直接对画面中的运动目标进行检测，根据动态背景去除后图像中是否还存在活动点判断视频中是否存在运动目标的具体步骤为：
[0023]对连续帧的差分图像进行求和处理后进行一次二值化操作，得到初始掩膜图像；
[0024]对初始掩膜图像进行形态学开运算处理，以消除掩膜图像中在目标区域外独立的的像素点，同时平滑边界，得到掩膜图像；
[0025]使用掩膜图像对视频图像中的动态背景区域进行遮挡，去除动态背景对图像中运动目标检测时的影响；
[0026]对背景遮挡后的视频流进行帧间差分，得到的二值化的图像进行形态学腐蚀和膨胀，去除离散的
、
小的噪声区域，若背景遮挡后的差分图像中存在活动点则认为图像中存在运动目标
。
[0027]进一步的，对存在运动目标的前景区域图像进行裁剪的步骤为：
[0028]对背景遮挡后帧间差分检测出的运动目标进行形态学处理；
[0029]框选定位到的运动目标并以边界框为大小将框选的运动目标在监控的原始图像中裁剪出
。
[0030]更进一步的，对背景遮挡后帧间差分检测出的运动目标进行形态学处理的具体步骤为：
[0031]对背景遮挡后帧间差分得到的二值化图像通过闭运算，先膨胀后腐蚀，填补目标内部空洞区域，增强目标的连通性
。
[0032]更进一步的，框选定位到的运动目标并以边界框为大小将框选的运动目标在监控的原始图像中裁剪出的具体步骤为：
[0033]对经过形态学处理的运动目标，标记所有运动区域像素的坐标，计算这些运动区域坐标的最小
x
坐标
、
最小
y
坐标
、
最大
x
坐标和最大
y
坐标，外接矩形的宽度为最大
x
坐标减去最小
x
坐标，高度为最大
y
坐标减去最小
y
坐标，使用最小和最大坐标，以及计算得到的宽度和高度，构建最小外接矩形，在原始帧中截取边界框所对应的区域对运动目标进行裁剪操作
。
[0034]本专利技术第二方面提供了一种基于帧间差分的校园流浪动物检测系统，包括：
[0035]视频解析模块，被配置为获取每个摄像头的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于帧间差分的校园流浪动物检测方法，其特征在于，包括以下步骤：获取每个摄像头的实时监控视频流；对实时监控视频流中动态背景进行遮挡处理；利用帧间差分算法来对动态背景遮挡后的实时监控视频流进行运动目标检测，得到存在运动目标的前景区域图像；对存在运动目标的前景区域图像进行裁剪，具体的，在前景区域中计算目标区域最小外接矩形并映射到监控原始图像中，用边界框框选运动目标，以边界框为大小将框选的运动目标在监控的原始图像中裁剪出；对裁剪出的图像利用流浪动物监测模型进行流浪动物检测
。2.
如权利要求1所述的基于帧间差分的校园流浪动物检测方法，其特征在于，对校园区域进行划分，并对不同区域和区域内的摄像头进行对应编号
。3.
如权利要求1所述的基于帧间差分的校园流浪动物检测方法，其特征在于，利用帧间差分算法来对实时监控视频流进行运动目标检测的具体步骤为：从监控视频流中获取连续的帧序列，将每一帧彩色图像转换为灰度图像；通过对连续帧的帧间差分图像求和计算得到动态背景的分布；通过构建掩膜将解码后的视频图像中的动态背景部分去除，使动态背景部分不参与后续的检测，从而使用差分图像来直接对画面中的运动目标进行检测，根据动态背景去除后图像中是否还存在活动点判断视频中是否存在运动目标
。4.
如权利要求3所述的基于帧间差分的校园流浪动物检测方法，其特征在于，将每一帧彩色图像转换为灰度图像的具体步骤为：将每一帧监控原始图像从三通道图像转换为灰度图像；处理后的灰度图像数据以二维数组的形式保存，数组中每个数据代表灰度图中每个像素点的灰度值
。5.
如权利要求4所述的基于帧间差分的校园流浪动物检测方法，其特征在于，计算连续帧的帧间差分图像的具体步骤为：对于每一帧灰度图像将其与前一帧灰度图像进行逐像素的差分计算，根据差分结果与预设阈值比较的结果设置每个像素在图像中的显示颜色，得到差分图像
。6.
如权利要求4所述的基于帧间差分的校园流浪动物检测方法，其特征在于，通过构建掩膜将解码后的视频图像中的动态背景部分去除，使动态背景部分不参与后续的检测，从而使用差分图像来直接对画面中的运动目标进行检测，根据动态背景去除后图像中是否还存在活动点判断视频中是否存在运动目标的具体步骤为：对连续帧的差分图像进行求和处理后进行一次二值化操作，得到初始掩膜图像；对初始掩膜图像进行形态学开运算处理，以消除掩膜图像中在目标区域外独立的的像素点，同时平滑边界，得到掩膜图像；使用掩膜图像对视频图像...

【专利技术属性】
技术研发人员：郑来波，王正璠，柳星，于畅，陈淼淼，李林嫣，
申请(专利权)人：山东大学，
类型：发明
国别省市：