1、解說書摘錄本發(fā)明公開了一種運(yùn)動目標(biāo)識別方法，該方法借助場景模型提供的先驗(yàn)知識，從視頻序列中識別感興趣的目標(biāo)(例如人和車)，并描述靜態(tài)和運(yùn)動信息(區(qū)域、輪廓、紋理、類別、運(yùn)動軌跡、速度等)。)。運(yùn)動目標(biāo)識別方法包括目標(biāo)檢測、目標(biāo)跟蹤和目標(biāo)分類。其中，目標(biāo)檢測用于從視頻圖像中提取感興趣區(qū)域。目標(biāo)跟蹤用于建立幀間提取區(qū)域之間的相關(guān)性和一致性以形成目標(biāo)；目標(biāo)分類對區(qū)域和目標(biāo)(如人和車)進(jìn)行分類，分類器包括區(qū)域分類器和目標(biāo)分類器。本發(fā)明方案實(shí)現(xiàn)了運(yùn)動目標(biāo)的檢測、跟蹤和分類，解決了圖像抖動、亮度變化、陰影、樹葉擺動等問題。摘要附圖錄像目標(biāo)檢測目標(biāo)跟蹤目標(biāo)分類目標(biāo)102030權(quán)益需要書籍1.一種運(yùn)動目標(biāo)分類

2、方法，其特征在于，包括：一、目標(biāo)檢測，用于從視頻圖像中提取感興趣區(qū)域；b .目標(biāo)跟蹤，用于建立幀間提取區(qū)域之間的相關(guān)性和一致性，形成目標(biāo)；目標(biāo)分類，對區(qū)域和目標(biāo)(如人和車輛)進(jìn)行分類，分類器包括區(qū)域分類器和目標(biāo)分類器。2.根據(jù)權(quán)利要求1所述的方法，其中步驟a中的目標(biāo)檢測還包括：視頻采集，即采集視頻內(nèi)容，獲得場景圖像；圖像預(yù)處理用于消除其對背景模型的影響；區(qū)域標(biāo)記用于背景模型的前景分割，并逐個標(biāo)記連通區(qū)域；系統(tǒng)狀態(tài)維護(hù)，用于判斷檢測模塊的當(dāng)前狀態(tài)，做出相應(yīng)的處理，必要時進(jìn)行異常檢測；區(qū)域增強(qiáng)用于消除虛假區(qū)域，如陰影、高光和葉片擺動；區(qū)域分割和合并用于解決目標(biāo)的過分割和目標(biāo)的相互遮擋問題。3.根據(jù)

3、權(quán)利要求2所述的方法，其中所述圖像預(yù)處理包括濾波處理和全局運(yùn)動補(bǔ)償。濾波處理是指對圖像進(jìn)行噪聲濾波、平滑等處理。濾波過程可以通過圖像去噪和圖像平滑的各種方法來實(shí)現(xiàn)。全局運(yùn)動補(bǔ)償是指補(bǔ)償由相機(jī)的輕微擺動引起的圖像的全局運(yùn)動。在全局運(yùn)動補(bǔ)償中，運(yùn)動模型基本上反映了攝像機(jī)的各種運(yùn)動，包括平移、旋轉(zhuǎn)、縮放等。4.根據(jù)權(quán)利要求2所述的方法，其中，所述區(qū)域標(biāo)記還包括前景分割；形態(tài)學(xué)處理；連接區(qū)域標(biāo)記。前景分割是指基于背景模型分割場景圖像以獲得前景的二值圖像。形態(tài)學(xué)處理是指利用數(shù)學(xué)形態(tài)學(xué)對二值圖像進(jìn)行處理，去除面積較小的偽區(qū)域，填充面積較大的區(qū)域。數(shù)學(xué)形態(tài)學(xué)可以通過先腐蝕后擴(kuò)張來實(shí)現(xiàn)。連通區(qū)域標(biāo)記是指通過連

4、通區(qū)域方法在同一場景中標(biāo)記不同的區(qū)域，以區(qū)分不同的目標(biāo)區(qū)域。連通區(qū)域標(biāo)記法可以通過四連通區(qū)域法和八連通區(qū)域法來實(shí)現(xiàn)。5.根據(jù)權(quán)利要求2所述的方法，其中所述系統(tǒng)狀態(tài)維護(hù)包括狀態(tài)確定和異常檢測狀態(tài)判斷用于判斷當(dāng)前狀態(tài)并做出相應(yīng)處理。該方法主要由場景穩(wěn)定時間和場景變化時間決定。當(dāng)場景穩(wěn)定時間超過該時間閾值時，系統(tǒng)從初始化狀態(tài)進(jìn)入工作狀態(tài)；當(dāng)場景變化時間超過該時間閾值時，系統(tǒng)從工作狀態(tài)進(jìn)入初始化狀態(tài)。當(dāng)處于工作狀態(tài)時，繼續(xù)執(zhí)行下一個操作，而不改變背景模型。當(dāng)處于初始化狀態(tài)時，重新建立背景模型，必要時進(jìn)行異常檢測。背景模型的重建可以通過幀間差分方法實(shí)現(xiàn)。必要時進(jìn)行異常檢測，包括視頻信號的嚴(yán)重干擾、攝像機(jī)

5、的人為遮擋等。6.根據(jù)權(quán)利要求2所述的方法，其中所述區(qū)域增強(qiáng)使用諸如差異圖像、邊緣圖像、區(qū)域形狀紋理和跟蹤器反饋數(shù)據(jù)之類的特征來消除諸如陰影、高光和樹葉擺動之類的虛假區(qū)域，這包括圖像差異、邊緣檢測、陰影檢測、高光檢測和樹過濾。7.根據(jù)權(quán)利要求6所述的方法，其中，所述圖像差異用于前景圖像，并且可以通過幀間差異方法或背景差異方法來實(shí)現(xiàn)。幀間差分方法使用兩個相鄰幀之間的差異來獲得差分圖像。8.根據(jù)權(quán)利要求6所述的方法，其特征在于，邊緣檢測的基本思想是首先檢測前景圖像中的邊緣點(diǎn)，然后按照一定的策略將它們連接成輪廓，從而形成邊緣圖像。邊緣檢測可以通過灰度閾值法、跟蹤法和小波變換法來實(shí)現(xiàn)。9.根據(jù)權(quán)利要求

6、6所述的方法，其特征在于，所述陰影檢測用于檢測前景圖像中的陰影區(qū)域，包括人和車的陰影，并濾除檢測到的陰影區(qū)域。陰影檢測的思想是計(jì)算每個連通區(qū)域的亮度平均值，并以此平均值作為閾值來確定該區(qū)域的陰影區(qū)域，然后濾除陰影區(qū)域。陰影判定規(guī)則如下：如果亮度值小于閾值，則判定為陰影。10.根據(jù)權(quán)利要求6所述的方法，其中，所述高亮檢測用于檢測所述圖像是否處于高亮狀態(tài)，如果是，則執(zhí)行亮度補(bǔ)償。11.根據(jù)權(quán)利要求6所述的方法，其中，所述樹檢測用于檢測圖像中擺動的樹葉及其陰影，并將它們從前景圖像中濾除。擺動葉片的檢測是根據(jù)以下兩個特征實(shí)現(xiàn)的：(1)運(yùn)動軌跡跟蹤，如果某個目標(biāo)的運(yùn)動軌跡符合某個規(guī)律，則認(rèn)為該目標(biāo)是擺動

7、葉片；(2)質(zhì)心運(yùn)動的幅度。如果目標(biāo)質(zhì)心運(yùn)動的幅度是突然的，則認(rèn)為目標(biāo)正在擺動樹葉。擺動葉片的陰影檢測是通過檢測區(qū)域內(nèi)的點(diǎn)密度來實(shí)現(xiàn)的。其思想是分別計(jì)算擴(kuò)展操作前后區(qū)域中的點(diǎn)，并計(jì)算它們的比值。如果該比值小于某一閾值，則該區(qū)域被認(rèn)為是擺動葉片的陰影區(qū)域。12.根據(jù)權(quán)利要求2所述的方法，其中，所述區(qū)域分割和合并使用由場景模型和先驗(yàn)知識(例如，人和車輛模型)提供的約束來合并和分割區(qū)域，以解決目標(biāo)的過分割和目標(biāo)的相互遮擋的問題。13.根據(jù)權(quán)利要求1所述的方法，其中步驟b中的目標(biāo)跟蹤還包括：目標(biāo)預(yù)測，用于估計(jì)目標(biāo)的下一幀運(yùn)動；目標(biāo)匹配用于跟蹤匹配的穩(wěn)定目標(biāo)，濾除一些虛假目標(biāo)；目標(biāo)更新，用于更新當(dāng)前幀中

8、穩(wěn)定目標(biāo)的模板。14.根據(jù)權(quán)利要求13所述的方法，其中目標(biāo)預(yù)測的思想是根據(jù)目標(biāo)運(yùn)動的累積位移及其對應(yīng)的累積時間計(jì)算目標(biāo)運(yùn)動的平均速度，并根據(jù)該速度預(yù)測目標(biāo)的下一個位移。15.根據(jù)權(quán)利要求13所述的方法，其中所述累積位移、累積時間和平均移動速度之間的關(guān)系為：其中，目標(biāo)質(zhì)心穩(wěn)定移動多幀后的位移，目標(biāo)穩(wěn)定移動多幀所需的時間，目標(biāo)穩(wěn)定移動的平均速度。根據(jù)平均速度預(yù)測的下一個位移是：其中，它是預(yù)測的目標(biāo)時間和目標(biāo)質(zhì)心穩(wěn)定運(yùn)動時間之后的位移。16.根據(jù)權(quán)利要求12所述的方法，其中目標(biāo)匹配包括：跟蹤匹配的穩(wěn)定目標(biāo)；過濾掉虛假目標(biāo)。17.根據(jù)權(quán)利要求16所述的方法，其中跟蹤匹配的穩(wěn)定目標(biāo)的核心是確定檢測區(qū)域是

9、否與跟蹤的目標(biāo)匹配。匹配判斷標(biāo)準(zhǔn)包括：1)最小面積比，要求檢測區(qū)域與目標(biāo)成功匹配的面積比大于設(shè)定的最小面積比；2)最小距離比，要求檢測區(qū)域與目標(biāo)之間的距離大于設(shè)定的最小距離比；3)移動區(qū)域的最大匹配距離閾值，小于設(shè)定的最大匹配距離閾值；4)靜態(tài)區(qū)域的最大匹配距離閾值，小于設(shè)定的最大匹配距離閾值；5)跟蹤目標(biāo)和檢測區(qū)域之間的最小匹配系數(shù)閾值，要求跟蹤目標(biāo)和檢測區(qū)域之間的匹配系數(shù)大于該閾值。18.根據(jù)權(quán)利要求17所述的方法，其特征在于，在判定標(biāo)準(zhǔn)5)中，距離、面積和直方圖用于匹配目標(biāo)和區(qū)域，并且當(dāng)計(jì)算最終匹配系數(shù)時，這三個參數(shù)是三者的權(quán)重比。一般來說，距離匹配的權(quán)重重要性大于或等于0.5，但權(quán)重之

10、和必須為1。19.根據(jù)權(quán)利要求17和18所述的方法，其特征在于，當(dāng)同時滿足判斷規(guī)則1)至5)中的條件時，判斷跟蹤目標(biāo)與檢測區(qū)域成功匹配。20.根據(jù)權(quán)利要求16所述的方法，其特征在于，過濾虛假目標(biāo)的思想是通過目標(biāo)運(yùn)動的軌跡分析來過濾掉一些虛假區(qū)域。21.根據(jù)權(quán)利要求20所述的方法，其中所述軌跡分析包括軌跡穩(wěn)定性分析和軌跡平滑度分析。其中，平穩(wěn)性分析主要用于分析目標(biāo)運(yùn)動軌跡的波形；平滑分析主要用于分析目標(biāo)軌跡的方向性。軌跡分析需要結(jié)合實(shí)際目標(biāo)的特征來判斷。22.根據(jù)權(quán)利要求13所述的方法，其中，所述目標(biāo)更新根據(jù)目標(biāo)匹配后的穩(wěn)定目標(biāo)實(shí)時更新跟蹤目標(biāo)的模型。23.如權(quán)利要求1所述的方法，其特征在于，目

11、標(biāo)檢測從每幀視頻圖像中提取感興趣區(qū)域并將其提供給目標(biāo)跟蹤，目標(biāo)跟蹤反饋的目標(biāo)數(shù)據(jù)輔助目標(biāo)檢測的算法操作。24.根據(jù)權(quán)利要求1所述的方法，其中步驟c中的目標(biāo)分類還包括：特征提取用于提取目標(biāo)的空間和時間特征；類型確定用于確定目標(biāo)的類型。25.根據(jù)權(quán)利要求24所述的方法，其中所述特征包括空間特征和時間特征。空間特征包括：區(qū)域輪廓擬合橢圓的長軸、區(qū)域輪廓擬合橢圓的短軸、擬合短軸與水平方向的夾角、區(qū)域輪廓的圓形度、區(qū)域的緊密度、區(qū)域的面積以及區(qū)域上下部分的面積比。時間特征包括速度特征、周期運(yùn)動特征和目標(biāo)的歷史分類信息。26.根據(jù)權(quán)利要求25所述的方法，其中在擬合短軸和水平方向之間的角度中的擬合短軸是區(qū)域

12、輪廓擬合橢圓的短軸。區(qū)域輪廓擬合橢圓的長軸、區(qū)域輪廓擬合橢圓的短軸以及短軸擬合橢圓與水平方向之間的角度用于區(qū)分單人和車。用區(qū)域輪廓擬合橢圓的思想是根據(jù)區(qū)域輪廓上的數(shù)據(jù)點(diǎn)找到一個橢圓，使數(shù)據(jù)點(diǎn)與橢圓之間的距離和最小。其核心是優(yōu)化距離和。27.根據(jù)權(quán)利要求25所述的方法，其特征在于，所述區(qū)域輪廓的圓形度也用于區(qū)分單人和車。區(qū)域的圓形度是指擬合目標(biāo)區(qū)域的周長和面積之間的關(guān)系。擬合目標(biāo)區(qū)域的周長和面積之間的關(guān)系如下：其中，擬合目標(biāo)區(qū)域的周長，擬合目標(biāo)區(qū)域的面積和擬合目標(biāo)區(qū)域的圓度。28.根據(jù)權(quán)利要求25所述的方法，其中，所述區(qū)域的緊密度是指所述目標(biāo)和所述目標(biāo)區(qū)域之間的面積比。29.根據(jù)權(quán)利要求25所述

13、的方法，其中，所述區(qū)域的上部與下部的面積比是所述區(qū)域的上部與較小部分的面積比。30.根據(jù)權(quán)利要求25所述的方法，其中，所述歷史分類信息是指目標(biāo)出現(xiàn)的每個場景中的分類信息。歷史分類信息應(yīng)根據(jù)區(qū)域輪廓擬合的橢圓長軸、區(qū)域輪廓擬合的橢圓短軸、擬合短軸與水平方向的夾角、區(qū)域輪廓的圓度、區(qū)域的緊密度、區(qū)域的面積、區(qū)域的上下面積比、目標(biāo)的速度特性和目標(biāo)的周期運(yùn)動特性來獲取。31.根據(jù)權(quán)利要求24所述的方法，其中，所述類型確定還包括：對每個幀進(jìn)行分類；總體分類。每一幀的分類如下：根據(jù)區(qū)域輪廓擬合的橢圓長軸、區(qū)域輪廓擬合的橢圓短軸、短軸與水平方向的夾角、區(qū)域輪廓的圓度、區(qū)域的緊密度、區(qū)域的面積、區(qū)域上下面積比

14、、目標(biāo)的速度特征和目標(biāo)的周期運(yùn)動特征，用概率分類器對每一幀進(jìn)行分類，得到目標(biāo)的歷史分類信息。根據(jù)目標(biāo)的歷史分類信息對類型進(jìn)行分類，以判斷目標(biāo)的類型。其思想是根據(jù)目標(biāo)的歷史分類信息中分類的疊加數(shù)來判斷目標(biāo)類別。例如，如果目標(biāo)的歷史分類信息中的汽車的疊加數(shù)大于人的疊加數(shù)，則判斷該目標(biāo)為汽車的類型；相反，它被判斷為人類類型。32.根據(jù)權(quán)利要求31所述的方法，其中概率分類器的思想是給出區(qū)域輪廓擬合橢圓的長軸、區(qū)域輪廓擬合橢圓的短軸、短軸與水平方向之間的角度、區(qū)域輪廓的圓形度、區(qū)域的緊密度、區(qū)域的面積、區(qū)域的上下部分的面積比，然后計(jì)算人、人群、汽車、汽車組、小動物等的特征概率值。并選擇具有最大概率值的類

15、型作為目標(biāo)當(dāng)前幀分類信息。解釋這本書運(yùn)動目標(biāo)識別方法技術(shù)領(lǐng)域本發(fā)明涉及視頻監(jiān)控技術(shù)，尤其涉及智能視頻監(jiān)控系統(tǒng)中的運(yùn)動目標(biāo)識別方法。背景技術(shù)運(yùn)動目標(biāo)識別是智能視頻監(jiān)控系統(tǒng)的關(guān)鍵模塊，直接影響后續(xù)處理。通常，運(yùn)動目標(biāo)識別包括檢測、跟蹤和分類。檢測的目的是從背景中分割出運(yùn)動目標(biāo)區(qū)域。由于光照變化、混沌背景運(yùn)動的干擾、運(yùn)動物體的陰影、攝像機(jī)抖動以及運(yùn)動物體的自遮擋和互遮擋的存在，給運(yùn)動物體的正確檢測帶來了很大的挑戰(zhàn)。為了實(shí)現(xiàn)運(yùn)動目標(biāo)檢測，可以采用光流法和幀間差分法。光流檢測利用目標(biāo)隨時間變化的光流特性，通過計(jì)算位移矢量光流場來初始化目標(biāo)輪廓，使得基于輪廓的跟蹤算法能夠有效地檢測和跟蹤目標(biāo)。這種方法的缺

16、點(diǎn)是大部分光流計(jì)算方法相當(dāng)復(fù)雜，抗噪聲性能差，沒有專門的硬件設(shè)備很難應(yīng)用于場景圖像的實(shí)時操作。幀間差分法是檢測相鄰兩幀圖像之間變化的最簡單方法，即直接比較兩幀圖像像素的灰度值，然后通過閾值提取場景圖像中的運(yùn)動目標(biāo)區(qū)域。這種方法的缺點(diǎn)是不能完全提取所有相關(guān)的特征像素，容易在運(yùn)動實(shí)體中產(chǎn)生孔洞。它對基于區(qū)域的運(yùn)動目標(biāo)跟蹤不具有魯棒性，并且不能檢測靜止的車輛，這限制了運(yùn)動目標(biāo)的速度。跟蹤的目的是在正確檢測運(yùn)動目標(biāo)的基礎(chǔ)上，確定同一目標(biāo)在不同場景圖像中的位置。為了實(shí)現(xiàn)跟蹤，可以使用圖像匹配方法，例如區(qū)域匹配和模型匹配。區(qū)域匹配是將一整塊參考圖像疊加在實(shí)時圖像的所有可能位置上，然后計(jì)算某一圖像相似度的對應(yīng)值，最大相似度對應(yīng)的位置即為目標(biāo)位置。這種方法的缺點(diǎn)是計(jì)算量大，難以滿足實(shí)時性要求。模型匹配是根據(jù)模板匹配場景圖像中的對象。該方法的缺點(diǎn)是計(jì)算和分析復(fù)雜，運(yùn)算速度慢，模型更新復(fù)雜，實(shí)時性差。分類的目的是區(qū)分物體，如人和車。為了對運(yùn)動目標(biāo)進(jìn)行分類，可以使用貝葉斯算法和神經(jīng)網(wǎng)絡(luò)算法。貝葉斯算法是一種基于概率統(tǒng)計(jì)知識的分類算法，可應(yīng)用于大型數(shù)據(jù)庫，具有方法簡單、分類精度高、速度快的優(yōu)點(diǎn)。這種方法的缺點(diǎn)是貝葉斯定理假設(shè)一個屬性值對給定類的影響是獨(dú)立于其他屬性值的，這種假設(shè)在實(shí)踐中往往是錯誤的，因此其分類精度可能會下降。神經(jīng)網(wǎng)絡(luò)算法能夠模