物体区域入侵检测方法、系统、装置及可读存储介质与流程

本发明涉及智能监控领域，特别涉及一种物体区域入侵检测方法、系统、装置及计算机可读存储介质。

背景技术：

建筑工地，人员安全管理是日常作业的重中之重。通常，建筑工地许多重点区域需要进行实时监控管理。在固定区域摆放警示标语或者人工干预督导，存在各种客观问题，监督不及时，极有可能造成严重的安全事故。随着智能监控技术的发展，监控视频下行人区域入侵检测技术有助于解决上述问题。

此外，在运动物体检测过程中，传统采用帧间差分法进行处理，该方法通过差值图像能够快速检测出相邻图像中的运动目标所引起的运动范围，但提取的运动目标往往比实际目标要大，即“鬼影”现象，另外，由于检测出来的物体是前后两帧相对变化的部分，无法检测到重叠的部分，导致检测到的目标发生“鬼影”现象，从而造成入侵检测失误率比较高。

为此，需要一种检测精准度更高的物体区域入侵检测方法。

技术实现要素：

有鉴于此，本发明的目的在于提供一种物体区域入侵检测方法、系统、装置及计算机可读存储介质，提高检测精准度。其具体方案如下：

一种物体区域入侵检测方法，包括：

获取监视区域的监视图像；

对所述监视图像中预先设定识别区域中相邻三帧的图像进行灰度处理，得到相邻三帧的灰度图像；

利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像；

利用所述运动物体二值图像判断所述识别区域中是否有运动物体；

若有所述运动物体，则利用卷积神经网络模型判断所述运动物体二值图像中的所述运动物体是否属于预设的物体类别；

若属于所述物体类别，则利用所述运动物体二值图判断所述运动物体是否进入所述识别区域中预先设定的警告区域；

若进入所述警告区域，则利用所述监视图像保存所述运动物体的视频和/或截图；

其中，所述卷积神经网络模型为预先利用历史运动物体二值图像进行训练得到的。

可选的，所述利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像的过程，包括：

利用背景减除法分别对相邻三帧的灰度图像处理，得到相邻三帧的原始前景图像；

利用高斯滤波法分别对相邻三帧的原始前景图像进行去噪，得到去噪后的相邻三帧的原始前景图像；

利用相邻三帧的前景图像进行差分，得到所述运动物体二值图像。

可选的，所述利用相邻三帧的前景图像进行差分，得到所述运动物体二值图像的过程，包括：

利用第一帧前景图像和第二帧前景图像进行图像差分，得到第一差分图像；

利用所述第二帧前景图像和第三帧前景图像进行图像差分，得到第二差分图像；

对所述第一差分图像和所述第二差分图像分别进行域值分割、去噪声、开运算、闭运算和填充计算，分别得到与所述第一差分图像对应的第一二值图像和与所述第二差分图像对应的第二二值图像；

对所述第一二值图像和所述第二二值图像进行和运算，得到所述运动物体二值图像。

可选的，所述利用所述运动物体二值图判断所述运动物体是否进入所述识别区域中预先设定的警告区域的过程，包括：

利用所述运动物体二值图判断所述运动物体二值图中表征所述运动物体的运动物体矩形的端点是否在所述警告区域内；

若否，则判断所述运动物体矩形的一条线段的两个端点是否在所述警告区域任一线段的两侧。

可选的，所述若进入所述警告区域之后，还包括：

发送入侵提示信息至用户终端。

本发明还公开了一种物体区域入侵检测系统，包括：

图像获取模块，用于获取监视区域的监视图像；

灰度处理模块，用于对所述监视图像中预先设定识别区域中相邻三帧的图像进行灰度处理，得到相邻三帧的灰度图像；

背景差分模块，用于利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像；

运动物体判断模块，用于利用所述运动物体二值图像判断所述识别区域中是否有运动物体；

物体类别判断模块，用于若有所述运动物体，则利用卷积神经网络模型判断所述运动物体二值图像中的所述运动物体是否属于预设的物体类别；

入侵判断模块，用于若属于所述物体类别，则利用所述运动物体二值图判断所述运动物体是否进入所述识别区域中预先设定的警告区域；

记录存储模块，用于若进入所述警告区域，则利用所述监视图像保存所述运动物体的视频和/或截图；

其中，所述卷积神经网络模型为预先利用历史运动物体二值图像进行训练得到的。

可选的，所述背景差分模块，包括：

背景减除单元，用于利用背景减除法分别对相邻三帧的灰度图像处理，得到相邻三帧的原始前景图像；

图像去噪单元，用于利用高斯滤波法分别对相邻三帧的原始前景图像进行去噪，得到去噪后的相邻三帧的原始前景图像；

图像差分单元，用于利用相邻三帧的前景图像进行差分，得到所述运动物体二值图像。

可选的，所述图像差分单元，包括：

第一差分子单元，用于利用第一帧前景图像和第二帧前景图像进行图像差分，得到第一差分图像；

第二差分子单元，用于利用所述第二帧前景图像和第三帧前景图像进行图像差分，得到第二差分图像；

二值图像处理子单元，用于对所述第一差分图像和所述第二差分图像分别进行域值分割、去噪声、开运算、闭运算和填充计算，分别得到与所述第一差分图像对应的第一二值图像和与所述第二差分图像对应的第二二值图像；

和运算子单元，用于对所述第一二值图像和所述第二二值图像进行和运算，得到所述运动物体二值图像。

本发明还公开了一种物体区域入侵检测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现如前述的物体区域入侵检测方法。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的物体区域入侵检测方法。

本发明中，物体区域入侵检测方法，包括：获取监视区域的监视图像；对监视图像中预先设定识别区域中相邻三帧的图像进行灰度处理，得到相邻三帧的灰度图像；利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像；利用运动物体二值图像判断识别区域中是否有运动物体；若有运动物体，则利用卷积神经网络模型判断运动物体二值图像中的运动物体是否属于预设的物体类别；若属于物体类别，则利用运动物体二值图判断运动物体是否进入识别区域中预先设定的警告区域；若进入警告区域，则利用监视图像保存运动物体的视频和/或截图；其中，卷积神经网络模型为预先利用历史运动物体二值图像进行训练得到的。

本发明利用相邻三帧的图像进行背景差分处理，得到运动物体二值图像，利用相邻三帧的图像得到的运动物体二值图像能够更为贴近运动物体实际大小，避免出现识别到的运动物体的体积超出实际体积，造成区域入侵误判，提高了区域入侵判断的精准度。

附图说明

为了更清楚地说明本发明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发明的实施例，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，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种物体区域入侵检测方法流程示意图；

图2为本发明实施例公开的一种识别区域示意图；

图3为本发明实施例公开的一种运动物体二值图像示意图；

图4为本发明实施例公开的一种物体区域入侵检测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明实施例公开了一种物体区域入侵检测方法，参见图1所示，该方法包括：

s11：获取监视区域的监视图像。

具体的，利用摄像头采集所要监视的监视区域的监视图像，持续接收摄像头采集的监视图像，以便后续进行识别。

s12：对监视图像中预先设定识别区域中相邻三帧的图像进行灰度处理，得到相邻三帧的灰度图像。

可以理解的是，摄像头的拍摄范围可能大于实际所需监测的范围，为此，预先根据摄像头采集的监视图像，绘制出图像中实际所需要利用算法识别的识别区域，如图2所示，1所指区域表示监视图像，2所指区域表示监视图像中的识别区域，此后，在进行图像识别时，仅需截取识别区域的画面，对识别区域中的画面进行识别，缩减了计算量，加快了图像识别处理速度。

具体的，为了提升识别效果避免出现现有技术中的“鬼影”现象，连续采集识别区域中相邻三帧的图像，利用相邻3帧的图像进行识别，为了突出运动物体，去除背景，减少后续计算量，对相邻3帧的图像全部进行灰度化处理，得到相邻三帧的灰度图像。

s13：利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像。

具体的，将相邻三帧的灰度图像分为第一灰度图像、第二灰度图像和第三灰度图像，利用背景差分算法两两进行运算，如将第一灰度图像和第二灰度图像进行背景差分计算，将第二灰度图像和第三灰度图像进行背景差分计算，得到新的第一二值图像和第二二值图像，在对第一二值图像和第二二值图像进行差分，最终完成相邻三帧图像的背景差分处理，得到运动物体二值图像，若运动物体二值图像中存在运动物体，则运动物体二值图像中能够体现出运动物体在相邻三帧的灰度图像期间的变化图像，参见图3所示，在二值图像中，运动物体可以为白色区域，背景即静止区域可以为黑色区域。

s14：利用运动物体二值图像判断识别区域中是否有运动物体。

具体的，利用运动物体二值图像中代表运动物体变化轨迹的区域面积判断识别区域中是否有运动物体，例如，通过判断是否有代表有运动物体的白色区域，来判断运动物体二值图像是否有变化，若有，则可以继续判断白色区域是否满足预设的面积阈值，来区分噪点和真正的运动物体，若白色区域大于预设的面积阈值，则可以认为运动物体二值图像中存在运动物体；通过判断识别区域中是否有运动物体，以便后续决定是继续分析，还是没有运动物体时重新返回s11继续采集相邻三帧的监视图像来重新分析新的运动物体二值图像来判断是否有运动物体。

s15：若有运动物体，则利用卷积神经网络模型判断运动物体二值图像中的运动物体是否属于预设的物体类别。

具体的，若判定运动物体二值图像中存在运动物体，还需进一步的判断运动物体是否为需要进行识别的物体，例如，识别区域中可能会出现被风吹动的物体，此类物体可能无需关注，且飞鸟等动物也无需留意，识别区域中仅需留意人和/或车辆，因此，需要判断运动物体是否属于预设的物体类别，若是，则进行后续的判断，若否，则无需进行进一步的判断，可以返回s11重新识别。

具体的，利用预先利用历史运动物体二值图像进行训练得到的卷积神经网络模型判断运动物体二值图像中的运动物体是否属于预设的物体类别，例如，卷积神经网络模型可以通过运动物体二值图像中运动物体的图像面积、图像形状和变化速度来判断运动物体二值图像中的运动物体是否属于预设的物体类别。

其中，卷积神经网络模型可以通过大量的运动物体属于预设物体类别的运动物体二值图像和运动物体不属于预设物体类别的运动物体二值图像进行训练。

s16：若属于物体类别，则利用运动物体二值图判断运动物体是否进入识别区域中预先设定的警告区域。

具体的，识别区域大于最终进行判断是否入侵的警告区域，便于提前分析运动物体，避免滞后分析。

具体的，在确认运动物体后，可以将运动物体在二值图像中的表示区域按照预设的规则以矩形的形式框出，警告区域同样可以为矩形，通过判断表示运动物体的矩形是否与警告区域的矩形相交来判断运动物体是否进入警告区域，若相交则进入，若未相交则未进入。

s17：若进入警告区域，则利用监视图像保存运动物体的视频和/或截图。

可以理解的是，在判定运动物体进入警告区域后，可以利用监视图像保存运动物体在警告区域中的视频和/或截图，以便后续用户查阅。

可见，本发明实施例中利用相邻三帧的图像进行背景差分处理，得到运动物体二值图像，利用相邻三帧的图像得到的运动物体二值图像能够更为贴近运动物体实际大小，避免出现识别到的运动物体的体积超出实际体积，造成区域入侵误判，提高了区域入侵判断的精准度。

本发明实施例公开了一种具体的物体区域入侵检测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

具体的，上述s13利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像的过程，可以包括s131至s133；其中，

s131：利用背景减除法分别对相邻三帧的灰度图像处理，得到相邻三帧的原始前景图像。

具体的，为了避免背景图像的干扰，利用背景减除法，去除灰度图像中长时间不便的背景区域，得到相邻三帧的原始前景图像。

s132：利用高斯滤波法分别对相邻三帧的原始前景图像进行去噪，得到去噪后的相邻三帧的前景图像。

可以理解的是，进行灰度处理和背景减除处理，将会得到大量的噪声点，为确保后续识别精度，利用高斯滤波法对原始前景图像进行去噪，得到去噪后的相邻三帧的前景图像。

s133：利用相邻三帧的前景图像进行差分，得到运动物体二值图像。

进一步的，上述s133利用相邻三帧的前景图像进行差分，得到运动物体二值图像的过程，可以包括s1331至s1334；其中，

s1331：利用第一帧前景图像和第二帧前景图像进行图像差分，得到第一差分图像。

具体的，第一差分图像中将体现第一帧前景图像和第二帧前景图像之间的变化区别。

s1332：利用第二帧前景图像和第三帧前景图像进行图像差分，得到第二差分图像。

具体的，第二差分图像中将体现第一帧前景图像和第三帧前景图像之间的变化区别。

s1333：对第一差分图像和第二差分图像分别进行域值分割、去噪声、开运算、闭运算和填充计算，分别得到与第一差分图像对应的第一二值图像和与第二差分图像对应的第二二值图像。

具体的，对差分图像进行进一步的处理，以便去除噪声，突出运动物体，消除多余的干扰，缩减数据处理量等，最终得到与第一差分图像对应的第一二值图像和与第二差分图像对应的第二二值图像。

s1334：对第一二值图像和第二二值图像进行和运算，得到运动物体二值图像。

具体的，通过进一步的对第一二值图像和第二二值图像进行和运算，突出两图像之间的共同特征点，削减两图像之间不同的特征点，能够有效的减少对运动物体体积的误判，能够弥补两个二值图像之间的错误特征面积，得到运动物体面积更为精准的运动物体二值图像。

具体的，上述s16利用运动物体二值图判断运动物体是否进入识别区域中预先设定的警告区域的过程，可以包括s161和s162；其中，

s161：利用运动物体二值图判断运动物体二值图中表征运动物体的运动物体矩形的端点是否在警告区域内。

具体的，首先可以将运动物体二值图中的运动物体按照预设的规则以矩形框的形式表征运动物体的轮廓，首先可以设定运动物体的矩形的端点，再降各端点依次连接，得到运动物体的矩形，所以通过判断运动物体矩形的端点是否在警告区域内，便可以判断运动物体是否侵入警告区域，若在警告区域，则可以执行后续操作，若否，则需继续判断。

s162：若否，则判断运动物体矩形的一条线段的两个端点是否在警告区域任一线段的两侧。

具体的，当运动物体矩形大于警告区域或运动物体矩形以倾斜的方式进入警告区域，其端点不会落入警告区域中，但实际上运动物体仍侵入了警告区域，所以进一步的判断运动物体矩形的一条线段的两个端点是否在警告区域任一线段的两侧，在运动物体矩形没有端点在警告区域内，而实际侵入后，警告区域注定有至少一条线段的两侧存在运动物体矩形的两个甚至多个端点，因此，在警告区域内没有运动物体矩形的端点后，继续判断运动物体矩形的一条线段的两个端点是否在警告区域任一线段的两侧，从而确定运动物体是否侵入警告区域。

此外，若运动物体进入警告区域之后，还可以发送入侵提示信息至用户终端，以提示用户警告区域被入侵。

相应的，本发明实施例还公开了一种物体区域入侵检测系统，参见图4所示，该系统包括：

图像获取模块11，用于获取监视区域的监视图像；

灰度处理模块12，用于对监视图像中预先设定识别区域中相邻三帧的图像进行灰度处理，得到相邻三帧的灰度图像；

背景差分模块13，用于利用相邻三帧的灰度图像进行背景差分，得到运动物体二值图像；

运动物体判断模块14，用于利用运动物体二值图像判断识别区域中是否有运动物体；

物体类别判断模块15，用于若有运动物体，则利用卷积神经网络模型判断运动物体二值图像中的运动物体是否属于预设的物体类别；

入侵判断模块16，用于若属于物体类别，则利用运动物体二值图判断运动物体是否进入识别区域中预先设定的警告区域；

记录存储模块17，用于若进入警告区域，则利用监视图像保存运动物体的视频和/或截图；

其中，卷积神经网络模型为预先利用历史运动物体二值图像进行训练得到的。

具体的，上述背景差分模块13，可以包括背景减除单元、图像去噪单元和图像差分单元；其中，

背景减除单元，用于利用背景减除法分别对相邻三帧的灰度图像处理，得到相邻三帧的原始前景图像；

图像去噪单元，用于利用高斯滤波法分别对相邻三帧的原始前景图像进行去噪，得到去噪后的相邻三帧的原始前景图像；

图像差分单元，用于利用相邻三帧的前景图像进行差分，得到运动物体二值图像。

进一步的，上述图像差分单元，可以包括第一差分子单元、第二差分子单元、二值图像处理子单元和和运算子单元；其中，

第一差分子单元，用于利用第一帧前景图像和第二帧前景图像进行图像差分，得到第一差分图像；

第二差分子单元，用于利用第二帧前景图像和第三帧前景图像进行图像差分，得到第二差分图像；

二值图像处理子单元，用于对第一差分图像和第二差分图像分别进行域值分割、去噪声、开运算、闭运算和填充计算，分别得到与第一差分图像对应的第一二值图像和与第二差分图像对应的第二二值图像；

和运算子单元，用于对第一二值图像和第二二值图像进行和运算，得到运动物体二值图像。

具体的，上述入侵判断模块16，包括第一端点判断单元和第二端点判断单元；其中，

第一端点判断单元，利用运动物体二值图判断运动物体二值图中表征运动物体的运动物体矩形的端点是否在警告区域内；

第二端点判断单元，用于若第一端点判断单元判定运动物体矩形的端点不在警告区域内，则判断运动物体矩形的一条线段的两个端点是否在警告区域任一线段的两侧。

具体的，还可以包括入侵提示模块，用于发送入侵提示信息至用户终端。

此外，本发明实施例还公开了一种物体区域入侵检测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行计算机程序以实现如前述的物体区域入侵检测方法。

另外，本发明实施例还公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如前述的物体区域入侵检测方法。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上对本发明所提供的技术内容进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。