老鼠及其它小型动物实时智能监测算法.pdf

《老鼠及其它小型动物实时智能监测算法.pdf》由会员分享，可在线阅读，更多相关《老鼠及其它小型动物实时智能监测算法.pdf（7页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010263382.2 (22)申请日 2020.04.07 (71)申请人 上海龙晶科技有限公司 地址 201108 上海市闵行区颛兴东路988号 6楼 (72)发明人 陈雷 (51)Int.Cl. G06K 9/00(2006.01) G06K 9/62(2006.01) G06T 7/194(2017.01) G06T 7/246(2017.01) G06T 7/73(2017.01) (54)发明名称 一种老鼠及其它小型动物实时智能监测算 法 (57)摘要 本发明公。

2、开了一种老鼠及其它小型动物实 时智能监测算法， 属于监测算法技术领域， 包括 以下步骤： S1： 创建一个背景移动检测模型； S2： 从摄像头获取的每张新图像进行过滤处理； S3： 获取最新的图像； S4： 再使用阀值将转变成二维 图像； S5： 使用dilate函数填补空缺及非连接的 部分； S6： 再通过findContours函数找到最大外 部连接块； S7： 排除其它不被监控的移动目标； S8： 对检测到的具体目标做相似度的比对。 通过 摄像头拍到老鼠及其它小型动物， 通过结合运动 检测及各种图形处理算法， 采用静态摄像头拍摄 到的实时视频， 实时检测画面中的异常活动， 并 通过相似度。

3、比对算法， 准确定位运动发生位置及 各种动物类型。 权利要求书1页 说明书4页 附图1页 CN 111476156 A 2020.07.31 CN 111476156 A 1.一种老鼠及其它小型动物实时智能监测算法， 其特征在于， 包括以下步骤： S1： 采用 createBackgroundSubtractorMOG2创建一个背景移动检测模型， 其用途是在连续输入的视 频图片里不断的学习和记忆静态画面的部分， 并可以找出前景移动目标和静态背景相差所 生成的阴影； S2： 采用GaussianBlur对从摄像头获取的每张新图像进行过滤处理， 减少低频 噪声； S3： 通过MOG2模型的appl。

4、y函数将最新采集的图像导入进去， 并同时获取最新的 foregroundmask图像； S4： 再使用阀值将foregroundmask转变成二维图像； S5： 使用dilate 函数填补foregroundmask中空缺及非连接的部分； S6： 再通过findContours函数找到最大 外部连接块； S7： 再通过使用可控制的最小块面积值和最大块的面积来排除其它不被监控 的移动目标； S8： 之后再采用基于Hu sMoment算法matchShapes函数对检测到的具体目标做 相似度的比对。 2.如权利要求1所述的一种老鼠及其它小型动物实时智能监测算法， 其特征在于， 针对 步骤S1中， 。

5、高斯背景模型是一种运动目标检测过程中提取并更新背景和前景的一种方法， 对一个背景图像， 特定像素亮度的分布满足高斯分布， 即对背景图像B， 每一个点(x， y)的亮 度满足B(x， y)N(u， d)； 即每一个点 （x,y)都包含了两个属性， 均值u和方差d:计算一段时间 内的视频序列图像中每一个点的均值u和方差d， 作为背景模型， 对于一幅包含前景的任意 图像G， 对于图像上的每一个点 （x,y） 计算， 若：（T为一个常数阈值） ， 则认为该点是背景点， 否则为前景点， 接下来就背景的更新， 每一帧图像都参与背景的更新： 其中， p为一个常数， 用来反映背景更新率， p越大， 背景更新的。

6、越慢， 背景更新后d的变化很小， 所以在更新背景 以后一般不再更新d， 图像中每个像素点的值短时间内都是围绕与某一中心值一定距离内 分布， 通常， 中心值可以用均值来代替， 距离可以用方差来代替。 3.如权利要求1所述的一种老鼠及其它小型动物实时智能监测算法， 其特征在于， 针对 步骤S2中， 数值图像处理中， 高斯滤波主要可以使用两种方法实现， 一种是离散化窗口滑窗 卷积， 另一种方法是通过傅里叶变化， 最常见的就是滑窗实现， 只有当离散化的窗口非常 大， 用滑窗计算量非常搭的情况下， 可能会考虑基于傅里叶变化的实现方法， 高斯模板是通 过高斯函数计算出来的， 公式如下： 标准差 代表着数据。

7、的离散程度， 较小， 模板中心系数 越大， 外侧系数越小， 平滑效果不明显； 相反， 较大时， 对图像的平滑效果就比较明显。 4.如权利要求1所述的一种老鼠及其它小型动物实时智能监测算法， 其特征在于， 针对 步骤S4中， 通过将所有高于全局阈值的值替换为 1 并将所有其他值设置为 0， 从二维或三 维灰度图像 I 创建二值图像， imbinarize 使用Otsu方法， 该方法选择特定阈值来最小化 阈值化的黑白像素的类内方差， imbinarize使用包含256个bin的图像直方图来计算Otsu阈 值， 使用 method 指定的阈值化方法从图像创建二值图像。 5.如权利要求1所述的一种老鼠。

8、及其它小型动物实时智能监测算法， 其特征在于， 针对 步骤S5中， 利用图像中纹理信息和边界信息， 只要少量的用户交互操作就可得到较好的分 割效果， 其dilate函数在分水岭算法比较相似， 从静态图像中提取前景物体的中空缺及非 连接的部分。 6.如权利要求1所述的一种老鼠及其它小型动物实时智能监测算法， 其特征在于， 针对 步骤S6中， 检测所有连接块的轮廓， 每个轮廓都被划分等级， 最外围、 第一内围、 第二内围， 通过偏移量的设置确定其最大外部连接块。 权利要求书 1/1 页 2 CN 111476156 A 2 一种老鼠及其它小型动物实时智能监测算法 技术领域 0001 本发明涉及监测。

9、算法技术领域， 特别涉及一种老鼠及其它小型动物实时智能监测 算法。 背景技术 0002 传统视频监控系统在监测有害动物出现在受监管的食品加工场所都是采用视频 录像方式。 如果要发现是否有动物活动则需通过视频回看方式来查询， 此方法耗费时间长， 效率非常低。 从监督管理的角度来看， 传统视频监控系统只能作为事后举证而用， 但达不到 及时发现问题的需求。 发明内容 0003 本发明的目的在于提供一种老鼠及其它小型动物实时智能监测算法， 通过结合运 动检测及各种图形处理算法， 采用静态摄像头拍摄到的实时视频， 实时检测画面中的异常 活动， 并通过相似度比对算法， 准确定位运动发生位置及各种动物类型，。

10、 以解决上述背景技 术中提出的问题。 0004 为实现上述目的， 本发明提供如下技术方案： 一种老鼠及其它小型动物实时智能 监测算法， 包括以下步骤： 0005 S1： 采用createBackgroundSubtractorMOG2创建一个背景移动检测模型， 其用途 是在连续输入的视频图片里不断的学习和记忆静态画面的部分， 并可以找出前景移动目标 和静态背景相差所生成的阴影； 0006 S2： 采用GaussianBlur对从摄像头获取的每张新图像进行过滤处理， 减少低频噪 声； 0007 S3： 通过MOG2模型的apply函数将最新采集的图像导入进去， 并同时获取最新的 foregrou。

11、ndmask图像； 0008 S4： 再使用阀值将foregroundmask转变成二维图像； 0009 S5： 使用dilate函数填补foregroundmask中空缺及非连接的部分； 0010 S6： 再通过findContours函数找到最大外部连接块； 0011 S7： 再通过使用可控制的最小块面积值和最大块的面积来排除其它不被监控的移 动目标； 0012 S8： 之后再采用基于Hu sMoment算法的matchShapes函数对检测到的具体目标做 相似度的比对。 0013 进一步地， 针对步骤S1中， 高斯背景模型是一种运动目标检测过程中提取并更新 背景和前景的一种方法， 对一个。

12、背景图像， 特定像素亮度的分布满足高斯分布， 即对背景图 像B， 每一个点(x， y)的亮度满足B(x， y)N(u， d)； 0014 即每一个点(x,y)都包含了两个属性， 均值u和方差d:计算一段时间内的视频序列 图像中每一个点的均值u和方差d， 作为背景模型， 对于一幅包含前景的任意图像G， 对于图 说明书 1/4 页 3 CN 111476156 A 3 像上的每一个点(x,y)计算， 若： 0015 0016 (T为一个常数阈值)， 则认为该点是背景点， 否则为前景点， 接下来就背景的更新， 每一帧图像都参与背景的更新： 0017 Bt(x， y)p*Bt-1(x， y)+(1-p。

13、)*Gt(x， y) 0018 其中， p为一个常数， 用来反映背景更新率， p越大， 背景更新的越慢,背景更新后d 的变化很小， 所以在更新背景以后一般不再更新d， 图像中每个像素点的值(或特征)短时间 内都是围绕与某一中心值一定距离内分布， 通常， 中心值可以用均值来代替， 距离可以用方 差来代替。 0019 进一步地， 针对步骤S2中， 数值图像处理中， 高斯滤波主要可以使用两种方法实 现， 一种是离散化窗口滑窗卷积， 另一种方法是通过傅里叶变化， 最常见的就是滑窗实现， 只有当离散化的窗口非常大， 用滑窗计算量非常搭的情况下， 可能会考虑基于傅里叶变化 的实现方法， 高斯模板是通过高斯。

14、函数计算出来的， 公式如下： 0020 0021 标准差 代表着数据的离散程度， 较小， 模板中心系数越大， 外侧系数越小， 平滑 效果不明显； 相反， 较大时， 对图像的平滑效果就比较明显。 0022 进一步地， 针对步骤S4中， 通过将所有高于全局阈值的值替换为1并将所有其他值 设置为0， 从二维或三维灰度图像I创建二值图像， imbinarize使用Otsu方法， 该方法选择特 定阈值来最小化阈值化的黑白像素的类内方差， imbinarize使用包含256个bin的图像直方 图来计算Otsu阈值， 使用method指定的阈值化方法从图像创建二值图像。 0023 进一步地， 针对步骤S5中。

15、， 利用图像中纹理信息和边界信息， 只要少量的用户交互 操作就可得到较好的分割效果， 其dilate函数在分水岭算法比较相似， 从静态图像中提取 前景物体的中空缺及非连接的部分。 0024 进一步地， 针对步骤S6中， 检测所有连接块的轮廓， 每个轮廓都被划分等级， 最外 围、 第一内围、 第二内围， 通过偏移量的设置确定其最大外部连接块。 0025 与现有技术相比， 本发明的有益效果是： 本发明提出的一种老鼠及其它小型动物 实时智能监测算法， 通过摄像头拍到老鼠， 然后用之后再采用基于Hu sMoment算法的 matchShapes函数对检测到的具体目标做相似度的比对， 通过结合运动检测及。

16、各种图形处 理算法， 采用静态摄像头拍摄到的实时视频， 实时检测画面中的异常活动， 并通过相似度比 对算法， 准确定位运动发生位置及各种动物类型。 附图说明 0026 图1为本发明的流程图。 具体实施方式 0027 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 说明书 2/4 页 4 CN 111476156 A 4 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。 0028 请参阅图1， 一种老鼠及其它小型。

17、动物实时智能监测算法， 实现是基于OpenCV 4.1.0版本， 包括以下步骤： 0029 步骤一： 采用createBackgroundSubtractorMOG2创建一个背景移动检测模型， 其 用途是在连续输入的视频图片里不断的学习和记忆静态画面的部分， 并可以找出前景移动 目标和静态背景相差所生成的阴影， 高斯背景模型是一种运动目标检测过程中提取并更新 背景和前景的一种方法， 对一个背景图像， 特定像素亮度的分布满足高斯分布， 即对背景图 像B， 每一个点(x， y)的亮度满足B(x， y)N(u， d)； 即每一个点(x,y)都包含了两个属性， 均 值u和方差d:计算一段时间内的视频序。

18、列图像中每一个点的均值u和方差d， 作为背景模型， 对于一幅包含前景的任意图像G， 对于图像上的每一个点(x,y)计算， 若： 0030 0031 (T为一个常数阈值)， 则认为该点是背景点， 否则为前景点， 接下来就背景的更新， 每一帧图像都参与背景的更新： 0032 Bt(y， y)p*Bt-1(x， y)+(1-p)*Gt(x， y) 0033 其中， p为一个常数， 用来反映背景更新率， p越大， 背景更新的越慢。 一般情况下， 背景更新后d的变化很小， 所以在更新背景以后一般不再更新d， 图像中每个像素点的值(或 特征)短时间内都是围绕与某一中心值一定距离内分布， 通常， 中心值可以。

19、用均值来代替， 距离可以用方差来代替， 而且是多个高斯模型的加权和混合在一起来模拟背景的特性， 入 侵物体就能通过标出场景图像中不符合这一背景模型的部分来检测到， 这一过程被称为背 景减除Backgroundsubtraction， 一旦背景以高斯混合模型来模拟了， 现在确定这个模型变 成了解出高斯混合模型公式中的一系列参数， 背景减除法的关键是背景模型， 背景减除法 分割运动前景的基础， 背景模型主要有单模态和多模态两种， 可以用单分布概率模型来描 述， 后者的分布则比较分散， 需要多分布概率模型来共同描述。 最常用的描述场景背景像素 颜色分布的概率密度函数是高斯分布； 0034 步骤二： 。

20、采用GaussianBlur对从摄像头获取的每张新图像进行过滤处理， 减少低 频噪声， 数值图像处理中， 高斯滤波主要可以使用两种方法实现， 一种是离散化窗口滑窗卷 积， 另一种方法是通过傅里叶变化， 函数原型:voidGaussianBlur(InputArraysrc, OutputArraydst,Sizeksize,doublesigmaX,doublesigmaY0,intborderTypeBORDER_ DEFAULT)最常见的就是滑窗实现， 只有当离散化的窗口非常大， 用滑窗计算量非常搭的情 况下， 可能会考虑基于傅里叶变化的实现方法， 高斯模板是通过高斯函数计算出来的， 公式。

21、 如下： 0035 0036 标准差 代表着数据的离散程度， 较小， 模板中心系数越大， 外侧系数越小， 平滑 效果不明显； 相反， 较大时， 对图像的平滑效果就比较明显， ； 说明书 3/4 页 5 CN 111476156 A 5 0037 步骤三： 通过MOG2模型的apply函数将最新采集的图像导入进去， 并同时获取最新 的foregroundmask图像； 0038 步骤四： 再使用阀值将foregroundmask转变成二维图像， 通过将所有高于全局阈 值的值替换为1并将所有其他值设置为0， 从二维或三维灰度图像I创建二值图像， imbinarize使用Otsu方法， 该方法选择特。

22、定阈值来最小化阈值化的黑白像素的类内方差， imbinarize使用包含256个bin的图像直方图来计算Otsu阈值， 使用method指定的阈值化方 法从图像创建二值图像； 0039 步骤五： 使用dilate函数填补foregroundmask中空缺及非连接的部分， 利用图像 中纹理信息和边界信息， 只要少量的用户交互操作就可得到较好的分割效果， 其dilate函 数在分水岭算法比较相似， 从静态图像中提取前景物体的中空缺及非连接的部分； 0040 步骤六： 再通过findContours函数找到最大外部连接块， 检测所有连接块的轮廓， 每个轮廓都被划分等级， 最外围、 第一内围、 第二内。

23、围， 通过偏移量的设置确定其最大外部 连接块； 0041 步骤七： 再通过使用可控制的最小块面积值和最大块的面积来排除其它不被监控 的移动目标， 然而， 由于缓慢运动或暂时处于静止状态目标可能会导致幽灵效应， 因此这些 改进后的初始化方法城市交通场景的检测效果并不理想， 为了获得理想的初始背景模型， 使用间隔帧初始化背景， 这降低了缓慢运动或暂时处于静止状态目标进入到背景样本中的 可能性， 由于场景中缓慢运动或暂时处于静止状态的目标在一段时间内位置会发生改变， 初始化背景模型初始化后， 为了防止理想的背景样本受复杂的影响， 我们采用状态评估周 期， 在像素级上建立了一个基于复杂城市交通场景的具。

24、有自适应反馈检测和更新机制的模 型， 设每一评估周期p(x,y)的像素坐标为(x,y)， 使用帧数和当前周期pc(x,y)量化p(x,y)， 并且采用前一周期pf(x,y)来分析背景像素的稳定性； 0042 步骤八： 之后再采用基于Hu sMoment算法的matchShapes函数对检测到的具体目 标做相似度的比对， 通过结合运动检测及各种图形处理算法， 采用静态摄像头拍摄到的实 时视频， 实时检测画面中的异常活动， 并通过相似度比对算法， 准确定位运动发生位置及各 种动物类型。 0043 综上所述： 本老鼠及其它小型动物实时智能监测算法， 通过摄像头拍到老鼠， 然后 用之后再采用基于Hu 。

25、sMoment算法的matchShapes函数对检测到的具体目标做相似度的比 对， 通过结合运动检测及各种图形处理算法， 采用静态摄像头拍摄到的实时视频， 实时检测 画面中的异常活动， 并通过相似度比对算法， 准确定位运动发生位置及各种动物类型。 0044 以上所述， 仅为本发明较佳的具体实施方式， 但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明披露的技术范围内， 根据本发明的技术方案及其 发明构思加以等同替换或改变， 都应涵盖在本发明的保护范围之内。 说明书 4/4 页 6 CN 111476156 A 6 图1 说明书附图 1/1 页 7 CN 111476156 A 7 。