用于检测物体滞留的方法技术

本公开涉及一种用于检测物体滞留的方法，包含：确定在人员进框之前摄像头画面中滞留物体的数量；确定在人员出框之后摄像头画面中滞留物体的数量；如果在人员进框之前摄像头画面中滞留物体的数量小于在人员出框之后摄像头画面中滞留物体的数量，则推定该人员进行了物体滞留；其中，在确定摄像头画面中滞留物体的数量时，如果滞留物体之间存在遮挡现象，则：利用部分补全网络PCNet

【技术实现步骤摘要】
用于检测物体滞留的方法


[0001]本公开总体上涉及视频处理领域，更特别地涉及用于检测物体滞留的方法。

技术介绍

[0002]随着现代科技的快速发展以及图像和视频获取技术的逐步发展与完善，智慧安防视频监控已经广泛地应用于人们的日常生产生活。生活中经常出现垃圾乱扔，车辆违规占道等行为，影响了城市公共卫生、增加了公共安全管理难度，威胁到了市民的生命财产安全，在某些关键地方甚至会造成不可挽回的损失。
[0003]现阶段，主要有两种方法用于判断是否发生物体滞留，例如垃圾乱扔、车辆违规占道等。
[0004]第一种是靠人工定期巡检解决物体遗落、占道等类似问题。但是此种方法不仅费时费力，需要支付高额的人工成本，并且人工只能定期巡检，容易出现遗漏或疏忽。
[0005]第二种方法则是通过基于深度学习的目标检测算法配合目标跟踪。此方法的问题是：当物体遮挡、重叠导致目标跟踪算法跟丢从而重新生成唯一身份ID，会造成抓取人员的物体滞留行为失败的问题，造成误报率高或漏检率高。在本
中，误报率指检测结果中错误上报的占比，漏检率指所有物体滞留事件中算法模型漏检的占比。

技术实现思路

[0006]在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。
[0007]本公开的目的之一是解决现有技术中上述问题之中的一个，例如漏检率高。
[0008]根据本公开的一个方面，提供一种用于检测物体滞留的方法，包含步骤：
[0009]确定在人员进入摄像头画面之前摄像头画面中滞留物体的数量；
[0010]确定在人员离开摄像头画面之后摄像头画面中滞留物体的数量；
[0011]如果在人员进入摄像头画面之前摄像头画面中滞留物体的数量小于在人员离开摄像头画面之后摄像头画面中滞留物体的数量，则推定该人员进行了物体滞留；
[0012]其中，在确定摄像头画面中滞留物体的数量时，如果滞留物体之间存在遮挡现象，则：利用部分补全网络PCNet
‑
M针对摄像头画面图像得到实例分割图像掩码，利用部分补全网络PCNet
‑
M针对摄像头画面图像得到所有的滞留物体的遮挡关系顺序图，利用内容补全网络PCNet
‑
C对滞留物体进行RGB图像补全以得到分解后的独立且完整的对象，对分解后的独立且完整的对象进行目标分类，以及，对经目标分类的对象进行计数。
[0013]根据本公开的另一方面，提供一种用于检测物体滞留的装置，包括：
[0014]存储器，其上存储有指令；以及
[0015]处理器，被配置为执行存储在所述存储器上的指令，以执行上述用于检测物体滞
留的方法。
[0016]根据本公开的另一方面，提供一种计算机可读存储介质，包括计算机可执行指令，所述计算机可执行指令在由一个或多个处理器执行时，使得所述一个或多个处理器执行上述用于检测物体滞留的方法。
[0017]根据本公开的另一方面，提供一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令在由一个或多个处理器执行时，使得所述一个或多个处理器执行上述用于检测物体滞留的方法。
[0018]根据本公开的上述方案，能够降低物体滞留检测的的漏检率。
[0019]以下通过本专利技术的优选的实施方式的详细描述，本专利技术的其它特征及其优点将会变得清楚。
附图说明
[0020]构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
[0021]参照附图，根据下面的详细描述，可以更清楚地理解本公开，其中：
[0022]图1示出了用于检测物体滞留的方法的处理流程；
[0023]图2示出了滞留物体之间存在遮挡现象时的处理流程；
[0024]图3示出了能够实现根据本公开的实施例的计算设备的示例性配置。
具体实施方式
[0025]参考附图进行以下详细描述，并且提供以下详细描述以帮助全面理解本公开的各种示例实施例。以下描述包括各种细节以帮助理解，但是这些细节仅被认为是示例，而不是为了限制本公开，本公开是由随附权利要求及其等同内容限定的。在以下描述中使用的词语和短语仅用于能够清楚一致地理解本公开。另外，为了清楚和简洁起见，可能省略了对公知的结构、功能和配置的描述。本领域普通技术人员将认识到，在不脱离本公开的精神和范围的情况下，可以对本文描述的示例进行各种改变和修改。
[0026]图1示出了用于检测物体滞留的方法的处理流程。
[0027]当人员经过摄像头的视野时，会依次出现人员进入摄像头画面的人员进框状态，人员处于摄像头画面中的人员在框状态，以及人员离开摄像头画面的人员出框状态。
[0028]来自摄像头的视频数据可以记录包含人员进入摄像头画面、人员处于摄像头画面中和人员离开摄像头画面的整个过程。
[0029]本公开通过处理来自摄像头的视频数据，以检测进入摄像头视野的人员是否进行了滞留物体的行为。例如，滞留物体可以是垃圾、车辆等物体。
[0030]如图1中步骤S101所示，本公开确定在人员进入摄像头画面之前摄像头画面中滞留物体的数量。
[0031]具体而言，例如，可以通过应用图像语义分割模型BiseNet及平滑值处理对摄像头画面中路过人员进行推理，并且定义人员进入摄像头画面的人员进框状态、人员处于摄像头画面中的人员在框状态以及人员离开摄像头画面的人员出框状态。在本领域中，图像语义分割指把图像中各种不同物体用不同颜色分割出来。对于本领域技术人员来说，图像语
义分割模型BiseNet是本领域已知的一种图像语义分割模型。
[0032]基于图像语义分割的结果，目标跟踪模型可以对检测物体目标分配标识ID，并且可以例如通过标识ID关联物体目标从而达到针对单例物体计数的效果。
[0033]在滞留物体之间存在遮挡现象的情况下，本公开利用部分补全网络PCNet
‑
M针对摄像头画面图像得到实例分割图像掩码，并且可以推理出摄像头画面中滞留物体的数量。
[0034]此外，进一步优选的是，本公开还可以基于部分补全网络PCNet
‑
M针对摄像头画面图像进一步得到所有的滞留物体的遮挡关系顺序图，并且利用内容补全网络PCNet
‑
C对滞留物体进行RGB图像补全，以得到分解后的独立且完整的对象。对于本领域技术人员来说，部分补全网络PCNet
‑
M和内容补全网络PCNet
‑
C都是已知的神经网络。
[0035]此外，进一步优选的是，本公开还可以对经目标分类的对象进行计数。目标分类是基于深度学习的目标识别算法。
[0036]由此可见，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测物体滞留的方法，包含步骤：确定在人员进入摄像头画面之前摄像头画面中滞留物体的数量；确定在人员离开摄像头画面之后摄像头画面中滞留物体的数量；如果在人员进入摄像头画面之前摄像头画面中滞留物体的数量小于在人员离开摄像头画面之后摄像头画面中滞留物体的数量，则推定该人员进行了物体滞留；其中，在确定摄像头画面中滞留物体的数量时，如果滞留物体之间存在遮挡现象，则：利用部分补全网络PCNet
‑
M针对摄像头画面图像得到实例分割图像掩码，利用部分补全网络PCNet
‑
M针对摄像头画面图像得到所有的滞留物体的遮挡关系顺序图，利用内容补全网络PCNet
‑
C对滞留物体进行RGB图像补全以得到分解后的独立且完整的对象，对分解后的独立且完整的对象进行目标分类，以及，对经目标分类的对象进行计数。2.根据权利要求1所述的方法，进一步包含：如果推定该人员进行了物体滞留，则找出该人员进入摄像头画面之后首次检测到滞留物体的数量的增加的帧作为关键帧，并且输出包括关键帧以及关键帧前后预定范围的视频数据。3.根据权利要求2所述的方...

【专利技术属性】
技术研发人员：陈文强，孙晓凯，倪卿元，张弛，李梦媛，陆晔，罗渝平，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：