本發(fā)明屬于信息處理技術(shù)領(lǐng)域，尤其涉及目標(biāo)檢測方法及系統(tǒng)。

背景技術(shù)：

智能視頻檢測系統(tǒng)利用計算動詞理論體系，可以讓自然語言為計算機(jī)所理解，因而計算機(jī)更準(zhǔn)確模擬人的認(rèn)知過程，實現(xiàn)對目標(biāo)的識別。視頻檢測技術(shù)一般要經(jīng)歷如下5個步驟：系統(tǒng)初始化，圖像采集，圖像預(yù)處理，目標(biāo)檢測與跟蹤，圖像后處理。圖像預(yù)處理功能是圖像平滑、去噪、增強(qiáng)。目標(biāo)檢測與跟蹤算法是視頻檢測技術(shù)的基礎(chǔ)，這一步需要發(fā)現(xiàn)目標(biāo)，并獲取其軌跡。

目標(biāo)檢測技術(shù)首先對視頻序列圖像進(jìn)行處理，將感興趣的目標(biāo)物體區(qū)域從背景區(qū)提取出來，得到目標(biāo)的位置，大小等數(shù)據(jù)。為后續(xù)目標(biāo)跟蹤、目標(biāo)識別與分析提供支持。視頻目標(biāo)檢測主要利用計算機(jī)視覺、數(shù)字圖像處理、模式識別等技術(shù)。目標(biāo)檢測方法可以分為基于非模型的檢測方法和基于模型的檢測方法，主要有幀間差分法、光流差場法、背景差分法。

目標(biāo)跟蹤指在圖像序列中持續(xù)地估計出感興趣的運動目標(biāo)所在區(qū)域(位置)，形成目標(biāo)的運動軌跡。目標(biāo)跟蹤方法有卡爾曼濾波、貝葉斯理論、均值偏移算法等。

全量數(shù)據(jù)處理使用的大多是hadoop，storm或者spark，作為一個批處理系統(tǒng)，hadoop以其吞吐量大、自動容錯等優(yōu)點，在海量數(shù)據(jù)處理上得到了廣泛的使用。但是，hadoop不擅長實時計算，因為它天然就是為批處理而生的，Hadoop的缺點也和它的優(yōu)點同樣鮮明——延遲大，響應(yīng)緩慢，運維復(fù)雜。Storm是一個免費開源、分布式、高容錯的實時計算系統(tǒng)。Storm令持續(xù)不斷的流計算變得容易，彌補(bǔ)了Hadoop批處理所不能滿足的實時要求。Storm經(jīng)常用于在實時分析、在線機(jī)器學(xué)習(xí)、持續(xù)計算、分布式遠(yuǎn)程調(diào)用(DistributedRemote Procedure Call，DRPC)和抽取、轉(zhuǎn)換、加載(Extract、Transform、Load，ETL)等領(lǐng)域。Storm的部署管理非常簡單，而且，在同類的流式計算工具，Storm的性能也是非常出眾的。Spark是內(nèi)存分布式框架，試圖吞并Hadoop的Map-Reduce批處理框架和Storm的流處理框架，但是Spark已經(jīng)做得很不錯了，批處理方面性能優(yōu)于Map-Reduce，但是流處理目前還是弱于Storm。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供一種目標(biāo)檢測方法及系統(tǒng)，旨在解決目前實時檢測目標(biāo)計算復(fù)雜的問題。

本發(fā)明實施例是這樣實現(xiàn)的，一種目標(biāo)檢測方法，包括：

獲取目標(biāo)的視頻源文件；

接收所述視頻源文件并對所述視頻源文件進(jìn)行預(yù)處理，輸出幀塊；

接收輸出的幀塊，并以隊列的形式存儲輸出的幀塊；

從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。

本發(fā)明實施例的另一目的在于提供一種目標(biāo)檢測系統(tǒng)，包括：

第一獲取單元，用于獲取目標(biāo)的視頻源文件；

預(yù)處理單元，用于接收視頻源文件并對所述視頻源文件進(jìn)行預(yù)處理，輸出幀塊；

存儲單元，用于接收輸出的幀塊，并以隊列的形式存儲輸出的幀塊；

第一檢測單元，用于從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。

在本發(fā)明實施例中，通過對視頻源文件進(jìn)行預(yù)處理，并輸出為幀塊；將幀塊以隊列的形式存儲，對隊列的形式的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。本發(fā)明實施例使得實時檢測目標(biāo)的計算流程簡單、高效。

附圖說明

圖1是本發(fā)明實施例提供的目標(biāo)檢測方法的流程圖；

圖2是本發(fā)明實施例提供的目標(biāo)檢測方法預(yù)處理的流程圖；

圖3是本發(fā)明實施例提供的目標(biāo)檢測方法的后處理的流程圖；

圖4是本發(fā)明實施例提供的目標(biāo)檢測方法的代碼結(jié)構(gòu)圖；

圖5是本發(fā)明實施例提供的目標(biāo)檢測系統(tǒng)的系統(tǒng)架構(gòu)框圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用于解釋本發(fā)明，并不用于限定本發(fā)明。

如圖1所示，是本發(fā)明實施例提供的目標(biāo)檢測方法的流程圖。

在S101中，獲取目標(biāo)的視頻源文件。

所述視頻源文件為視頻流文件，可以是來自攝像裝置的視頻流或者是一個視頻文件，即輸入源為攝像裝置或者視頻文件。

在S102中，接收所述視頻源文件并對所述視頻源文件進(jìn)行預(yù)處理，輸出幀塊。

如圖2所示，是本發(fā)明實施例提供的目標(biāo)檢測方法預(yù)處理的流程圖。優(yōu)選地，所述預(yù)處理功能在客戶端組件實現(xiàn)。

在S201中，抓取視頻源文件中的幀并逐步掃描抓取到的幀。

對于從攝像裝置獲取的視頻流文件，視頻流應(yīng)該在確定的機(jī)器上運行，所述確定的機(jī)器指的是連接所述攝像裝置并安裝有圖像處理庫的電腦，所述圖像處理庫用來打開攝像裝置和抓取幀，優(yōu)選地所述圖像處理庫采用javaCV。

對于視頻文件，圖像處理庫用來打開視頻文件和抓取幀。

在本發(fā)明實施例中，賦予每一幀一個時間戳，視頻文件是視頻自身的時間，而視頻流是實際的時間。所述時間戳，通常是一個字符序列，唯一地標(biāo)識某一刻的時間。

此外，賦予每一幀一個遞增的幀編號。

所述每一幀的時間戳和幀編號是一一對應(yīng)的，按照所述幀編號或所述時間戳逐步掃描所述抓取到的幀。

在掃描完一個視頻文件的幀后，隨視頻文件的編號逐步掃描下一個視頻文件。

在S202中，順序接收掃描到的幀，檢測接收到的幀與幀之間的邊界并順序輸出幀。

所述順序接收掃描到的幀，并檢測接收到的幀與幀之間的邊界并順序輸出幀：即采用先進(jìn)先出策略的，根據(jù)視頻編號、幀編號和時間戳，依次檢測每一幀的邊界并順序輸出幀。

在S203中，在順序輸出的幀中檢測相鄰的幀，減少接收到的幀的幀數(shù)。

在順序輸出的幀中檢測相鄰的幀，減少接收到的幀的幀數(shù)包括：

在順序輸出的幀中檢測相鄰的幀，并根據(jù)幀的相似度減少接收到的幀的幀數(shù)。減少幀的幀數(shù)，即降低需要處理的幀的數(shù)量，從而降低計算量，提高系統(tǒng)性能。然后，將減少后的幀采用先進(jìn)先出的策略發(fā)送到S204。

在S204中，將減少后的連續(xù)的幀分組為幀塊并輸出幀塊。

所述將減少后的連續(xù)的幀分組為幀塊并輸出幀塊包括：

將減少后的連續(xù)的幀中預(yù)設(shè)數(shù)量的幀分組為幀塊，并輸出幀塊到S103。

在S102的S201-S204預(yù)處理過程中強(qiáng)順序的幀的正確性是至關(guān)重要的。因為S201-S204是在客戶端實現(xiàn)的，而不是在storm中。在storm中保持強(qiáng)順序需要事物和緩沖邏輯，會大大降低計算性能或?qū)е聫?fù)雜的計算，預(yù)處理過程轉(zhuǎn)移到客戶端可以確保消息的獨立性。

所述強(qiáng)順序為每次只處理一個tuple，除非這個tuple處理成功，否則不去處理下一個tuple；也就是說一定要把當(dāng)前的數(shù)據(jù)處理完，否則不接著處理下一個數(shù)據(jù)。在本發(fā)明實施例中所述tuple代表幀。

在S103中，接收輸出的幀塊，并以隊列的形式存儲輸出的幀塊。

接收輸出的幀塊，并以隊列的形式存儲輸出的幀塊即幀塊放在隊列中的，一旦有足夠的幀塊或達(dá)到預(yù)設(shè)數(shù)量的幀就立即發(fā)送幀。

由于Apache Kafka的高性能和信息保留功能，優(yōu)選地，所述隊列采用Apache Kafka隊列，可以保證事物處理的正確性。

此外，Apache Kafka隊列設(shè)置一個空閑時間，若所述空閑時間超過預(yù)設(shè)時間，則發(fā)送幀塊。

在S104中，從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。

優(yōu)選地，從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置包括:

使用Storm組件從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。

所述Storm組件的topology包含從所述Apache Kafka隊列中檢索信息的spout，實現(xiàn)目標(biāo)檢測的bolt和實現(xiàn)檢測剪枝的bolt。

具體地，如圖3所示，是本發(fā)明實施例提供的目標(biāo)檢測方法的后處理的流程圖。

在S301中，從存儲的幀塊中獲取幀塊。

優(yōu)選地，所述從存儲的幀塊中獲取幀塊包括：

幀塊spout從Apache Kafka隊列中獲取幀塊，將幀塊的元組流(即幀)發(fā)送到目標(biāo)檢測bolt。

在S302中，通過檢測算法對獲取到的幀塊進(jìn)行計算，得到目標(biāo)在幀中的位置檢測結(jié)果，并存儲檢測結(jié)果。

優(yōu)選地，所述從所述獲取到的幀塊中檢測出目標(biāo)在幀中的位置包括：

目標(biāo)檢測bolt采用shuffle grouping從幀塊spout訂閱幀塊，采用目標(biāo)檢測算法檢測出目標(biāo)在幀中的位置。所述目標(biāo)檢測bolt是實際執(zhí)行檢測的任務(wù)模塊。

所述采用目標(biāo)檢測算法檢測出目標(biāo)在幀中的位置包括：采用卷積神經(jīng)網(wǎng)絡(luò)等算法檢測出目標(biāo)在幀中的位置。

因為每個幀塊在目標(biāo)檢測中是獨立的，所以目標(biāo)檢測bolt需要從幀塊spout訂閱幀塊。

此外，目標(biāo)檢測bolt在檢測出目標(biāo)在幀中的位置之后保存目標(biāo)檢測結(jié)果，便于相同的幀塊可以通過查找已經(jīng)保存的檢測結(jié)果避免重復(fù)處理幀，具體地，包括：

查詢已經(jīng)保存的檢測結(jié)果；

若相同的幀塊已進(jìn)行檢測，則直接輸出檢測結(jié)果；

若相同的幀塊未進(jìn)行檢測，則進(jìn)行檢測處理。

進(jìn)一步地，目標(biāo)檢測bolt將檢測到的檢測結(jié)果發(fā)送給檢測剪枝bolt以進(jìn)行進(jìn)一步的處理。

在S303中，刪除重復(fù)的檢測結(jié)果并保存刪除后的結(jié)果。這是因為系統(tǒng)總會有處理錯誤的。

可選地，檢測剪枝bolt采用field grouping刪除重復(fù)的檢測結(jié)果。

優(yōu)選地，對于內(nèi)存緩沖，使用field grouping；對于數(shù)據(jù)庫存儲，使用shuffle grouping。

所述刪除重復(fù)的檢測結(jié)果，可以提高檢測質(zhì)量。

所述方法還包括：

獲取所述目標(biāo)在幀中的位置檢測結(jié)果信息，并跟蹤至少一次所述檢測結(jié)果信息，以保證信息處理的可靠性。至此，本發(fā)明實施例完成了對視頻的實時檢測。

本發(fā)明實施例檢測方法的代碼結(jié)果采用maven管理的多模塊項目，如圖4所示是本發(fā)明實施例提供的代碼結(jié)構(gòu)圖，其中實線箭頭表示子項目關(guān)系，虛線箭頭表示項目之間的依賴關(guān)系。

系統(tǒng)代碼結(jié)構(gòu)由一個頂級項目object detection和五個子項目組成，每個項目具體描述如下：

1)object-detection

object-detection是一個頂級的項目，可以使用mvn package命令去構(gòu)建整個項目。

2)detection-core

detection-core子項目包含所有的核心算法，此項目功能可以供其他子項目使用，算法在此項目中實現(xiàn)。

3)detection-admin-client

detection-admin-client子項目包含客戶端代碼，管理著整個項目。任何外部的項目需要修改系統(tǒng)的狀態(tài)必須只能依賴于這個項目。

4)detection-webapps

detection-webapps包含所有的服務(wù)端代碼，包括從客戶端查詢檢測結(jié)果，上傳視頻文件到集群等等。它在內(nèi)部通過detection-server調(diào)用接口提交檢測任務(wù)，因此，該項目需要依賴detection-server項目。該項目需要部署在web容器中，如tomcat。

5)detection-server

detection-server子項目包含所有需要檢測任務(wù)的服務(wù)端代碼，目前包含Storm和Matlab代碼，Matlab代碼是內(nèi)部調(diào)用的算法。該項目需要部署在Storm集群中或者web容器中。

6)detection-camera-client

detection-camera-client子項目所有需要從攝像裝置抓取幀以及提交給detection servers處理的代碼。它需要在發(fā)送給detection servers前處理，因此它需要依賴核心子項目，調(diào)用它所需要的算法。該項目需要部署到安裝有攝像裝置的客戶端機(jī)器。

對應(yīng)于該發(fā)明實施例提供的一種目標(biāo)檢測的方法，圖5示出了本發(fā)明實施例提供的一種目標(biāo)檢測系統(tǒng)的結(jié)構(gòu)框圖，為了便于說明，僅示出了與本實施例相關(guān)的部分。

參照圖5，該系統(tǒng)包括：

第一獲取單元51，用于獲取目標(biāo)的視頻源文件；

預(yù)處理單元52，用于接收視頻源文件并對所述視頻源文件進(jìn)行預(yù)處理，輸出幀塊；

存儲單元53，用于接收輸出的幀塊，并以隊列的形式存儲輸出的幀塊；

第一檢測單元54，用于從存儲的幀塊中獲取幀塊，對獲取到的幀塊進(jìn)行處理后得到目標(biāo)在幀中的位置。

所述預(yù)處理單元52包括：

幀抓取單元521，用于抓取視頻源文件中的幀并逐步掃描抓取到的幀；

第二檢測單元522，用于順序接收掃描到的幀，并檢測接收到的幀與幀之間的邊界并順序輸出幀；

視頻抽取單元523，用于在順序輸出的幀中檢測相鄰的幀，減少接收到的幀的幀數(shù)；

幀分組單元524，用于將減少后的連續(xù)的幀分組為幀塊并輸出幀塊。

所述第一檢測單元54包括：

第二獲取單元541，用于從所述存儲的幀塊中獲取幀塊；

目標(biāo)檢測單元542，用于通過檢測算法對獲取到的幀塊進(jìn)行計算，得到目標(biāo)在幀中的位置檢測結(jié)果，并存儲檢測結(jié)果。

所述第一檢測單元54還包括：

檢測剪枝單元543，用于刪除重復(fù)的檢測結(jié)果信息。

所述系統(tǒng)還包括：

目標(biāo)跟蹤單元，用于獲取所述目標(biāo)在幀中的位置檢測結(jié)果信息，并跟蹤至少一次所述檢測結(jié)果信息。

在本發(fā)明實施例中，通過在客戶端對視頻源文件進(jìn)行預(yù)處理，并輸出為幀塊；將幀塊以隊列的形式存儲，對隊列的形式的幀塊在storm中進(jìn)行處理后得到目標(biāo)在幀中的位置。本發(fā)明實施例采用storm使得實時檢測目標(biāo)的計算流程簡單、高效。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。