[发明专利]基于图像频域的行人入侵识别方法、系统、介质及装置

说明书

本发明提供一种基于图像频域的行人入侵识别方法、系统、介质及装置。包括：获取目标区域内的采集图像；获取所述采集图像的频域图；从所述频域图中选取中心区域频域图；基于分类识别网络判断所述中心区域频域图中是否有行人出现。本发明基于低算力的识别方法，通过降低分类识别输入图像的尺寸，对输入图像进行处理，然后选取中心区域，再通过分类网络对目标区域图像进行有无行人的二分类判断；极大地降低了计算量，有效地区分识别出画面中的目标种类，最终实现了对目标区域内是否有行人入侵的判断。

技术领域

本发明属于图像处理技术领域，涉及一种识别方法，特别是涉及一种基于图像频域的行人入侵识别方法、系统、介质及装置。

背景技术

判断区域内有无行人，是安防和商业领域广泛且重要的一个领域，该功能的核心在于，判断静止摄像头画面中，指定区域内有行人或者无行人；但是，对行人的位置和数量并无要求。

目前，现有的识别方法主要有两种。一种是分别是基于运动差分法，一种是基于深度学习网络的目标检测法，或是两种方案结合使用。具体如下：

(1)基于运动差分法，也被称作背景差分法。该方法主要是利用多帧连续图像间的像素差异，将图像序列中的当前帧和已经确定好或实时获取的背景参考模型(背景图像)做减法，找不同，计算出与背景图像像素差异超过一定阈值的区域作为运动区域，从而来确定运动物体位置、轮廓、大小等特征。此方法非常适用于摄像机静止的场景。但该方法对目标需要有运动要求；且因为光线阴影的问题，阈值较为难设置；另外，也难以区分运动物体的具体属性。

(2)基于深度学习的目标检测方法，其原理主要对图片数据进行标定，即：用矩形框在图片上标注出行人的位置；然后通过深度学习，获得一个行人检测功能的网络模型。在使用过程中，通过行人检测网络模型，获得画面中行人位置的矩形框，然后判断矩形框是否和摄像头划定区域有重叠，以此判断区域内是否有行人。该方法可以有效的排除非行人的目标，但网络本身具备目标位置和目标属性识别，为保证精度，在确定目标位置时，网络的输入图像需要一个较大的分辨率，同时网络也需要一定的深度。目标检测网络通常会有一个较大的运算量，需要具备较强算力的设备才可以支持。

因此，如何提供一种基于图像频域的行人入侵识别方法、系统、介质及装置，以解决现有技术无法针对行人位置、光线等因素发生变化时进行识别的问题，以及行人识别网络无法对目标位置及属性进行高精度地识别，导致的运算量过大、对设备要求较高等缺陷，实已成为本领域技术人中亟待解决的技术问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于图像频域的行人入侵识别方法、系统、介质及装置，用于解决现有技术无法针对行人位置、光线等因素发生变化时进行识别的问题，及行人识别网络无法对目标位置及属性进行高精度地识别，而导致运算量过大的问题。

为实现上述目的及其他相关目的，本发明一方面提供一种基于图像频域的行人入侵识别方法，包括以下步骤：获取目标区域内的采集图像；获取所述采集图像的频域图；从所述频域图中选取中心区域频域图；基于分类识别网络判断所述中心区域频域图中是否有行人出现。

于本发明的一实施例中，获取所述采集图像的频域图包括以下步骤：对所述采集图像进行宽高等比例缩放，获取缩放图像；对所述缩放图像进行离散傅里叶变换，以获取所述缩放图像的频域图；将所述缩放图像的频域图的零频分量移动到中心位置，以获取所述采集图像的频域图。

于本发明的一实施例中，对所述缩放图像进行离散傅里叶变换采用公式：

其中，e^xi＝cos x+i sin x；F(x,y)为所述缩放图像第x行第y列的频域值，f(i,j)为所述缩放图像第i行第j列的时域值，x＝0,1,2,3,…M-1；y＝0,1,2,3,…N-1；N和M分别为所述缩放图像的列数和行数。