基于深度测距的运动目标检测方法及系统技术方案

本发明专利技术是有关一种基于深度测距的运动目标检测方法及系统，其包括如下步骤：视频摄取，通过位于拍摄区域上方的摄像设备获取包含彩色图像和深度图像的视频信息；运动目标确定，分别对所述视频信息中的彩色图像和深度图像进行前景提取得到包含与运动目标相应运动块的二值图像，对所述二值图像进行融合处理，得到融合后的二值图像；运动目标数量和位置确定，对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息进行梯度下降聚类处理，得到运动目标的数量和位置，所述像素信息包含像素的像素值与像素位置。本发明专利技术实现了运动目标的实时检测、确定，在此基础上分析运动目标的轨迹实现更加精确的运动目标的检测和统计。

【技术实现步骤摘要】

本专利技术涉及运动目标检测方法及系统，特别是涉及一种基于深度测距的运动目标检测方法及系统。
技术介绍
基于单摄像头的运动目标检测系统融合了视频处理、图像处理、模式识别以及人工智能等多个领域的技术。可以利用原有的监控摄像头及图像采集卡获得的视频数据，对视频图像中静止或行走的不同姿态的行人（运动目标）进行检测和跟踪，可以获得指定时段和指定区域内的人群流动量。人流量（运动目标）检测系统一般包括：通过视频监测，实时准确计算通道双向的进出人数；通过综合检测一个逻辑封闭区域所有进入及离开通道的人数，准确计算任何时段该封闭区域内的人数。用户可以方便地设定视频中通道方位和方向，能处理多人同时通过检测口的复杂情况，能适应现场复杂的背景环境，能够对不同角度的视频画面进行准确检测；提供灵活可靠的数据传输功能，实时向后端发送人流量（运动目标）检测数据和记录的视频图像；提供灵活的数据报表选择，包括时报、日报、周报、月报或年报表等。从视频中检测人流量（运动目标）是一个非常复杂和有挑战性的技术问题。一个常用技术方案是采用运动区域检测算法来实现的。其基本原理是在固定摄像头里提取出运动区域，根据这些运动区域进行运动目标检测。当运动区域出现和人的大小相似的运动目标的时候，就认为有一个人通过；当多个人距离较近的时候，采用人体大小的先验知识，把一个运动目标区域分割为多个单人运动目标区域，从而对多个人距离较近的情况进行数量估计。当然，视频流是实时连续的，运动区域的检测和分割需要在每一帧内不停地处理，对每一帧的运动区域进行跟踪，把不同时间的运动区域连接起来，从而给出正确的人（运动目标）流量及运动方向。此外还有一种基于图像特征和神经元网络的算法，其基本原理是在图像中采集一些反应人体（运动目标）特点的比较粗糙的特征，比如图像边缘密度，然后通过神经元网络学习运动目标数量与图像特征之间的非线性关系来检测运动目标，然而该方法存在人相互遮挡的情况下无法准确分析其数量的问题。南京理工大学在其申请的专利“基于Kinect三维深度图像的头部识别与跟踪方法”（专利申请号：201310064641.9）公开了一种基于Kinect三维深度图像的头部识别与跟踪方法。该专利技术首先分析kinect传感器输出的原始深度图，找出距离与灰度级的对应关系；目标分割，标定距离与灰度级的关系后对原始图像取反得到灰度图，通过聚类算法把灰度图中头部和肩部分成两类，并利用直方图计算得到的灰度级分割灰度图，得到二值图序列；头部识别以及跟踪计数，即基于人体头部的类椭圆状、头部的大小以及头部与肩部的空间位置等特征遍历二值图序列和灰度图，识别人体头部位置，并建立航迹，统计进出人数。该专利申请的不足之处是：每一帧输入的深度图像都对整幅图像进行处理，缺少运动目标识别模块，运算资源大量浪费在背景上；头部识别虽然可以解决人体遮挡问题，但是仅只是在人体高度相差不大的情况下，对于高度相差很大（例如大人带小孩）的情况，该方法不能识别深度较大目标，造成检测结果的不精确。
技术实现思路
有鉴于上述现有技术所存在的缺陷，本专利技术的目的在于，提供一种基于深度测距的运动目标检测方法及系统，以使其能对运动目标实现实时检测与跟踪，得出更精确的检测结果。为了实现上述目的，依据本专利技术提出的一种基于深度测距的运动目标检测方法，其包括以下步骤：视频摄取，通过位于拍摄区域上方的摄像设备获取包含彩色图像和深度图像的视频信息；运动目标确定，分别对所述视频信息中的彩色图像和深度图像进行前景提取得到包含与运动目标相应运动块的二值图像，对所述二值图像进行融合处理，得到融合后的二值图像；运动目标数量和位置确定，对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息进行梯度下降聚类处理，得到运动目标的数量和位置，所述像素信息包含像素的像素值与像素位置。本专利技术还可采用以下技术措施进一步实现。上述的基于深度测距的运动目标检测方法，其还包括以下步骤：运动目标运动状态确定，对所述运动目标的位置进行跟踪处理得到运动目标的运动轨迹；对所述运动轨迹进行判断，得到运动目标的运动状态。上述的基于深度测距的运动目标检测方法，其还包括以下步骤：数据记录，记录上述步骤的数据。上述的基于深度测距的运动目标检测方法，其还包括以下步骤：数据统计，统计上述步骤的数据。上述的基于深度测距的运动目标检测方法，其中所述融合处理为像素级的逻辑“与”处理，对所述二值图像进行像素级的逻辑“与”处理，得到融合后的二值图像。上述的基于深度测距的运动目标检测方法，其中对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息进行梯度下降聚类通过以下方式完成：通过融合后的二值图像中判定为运动块范围，确定深度图像运动块区域，在所述深度图像运动块区域内选取一定数量的像素信息，所述像素信息包含像素的像素值与像素位置，对选取的像素信息进行梯度下降的迭代处理，所述梯度下降的迭代处理至该区域内深度最小值位置时停止；对所有梯度下降的迭代处理完成的像素信息进行聚类，聚类的结果即类的数量和类中心位置为运动目标数量和位置。上述的基于深度测距的运动目标检测方法，其中所述运动目标为人、车或物品。为了实现上述目的，依据本专利技术提出的一种基于深度测距的运动目标检测系统，其包括以下模块：视频摄取模块，通过位于拍摄区域上方的摄像设备获取包含彩色图像和深度图像的视频信息，所述摄像设备与后续模块通信连接；运动目标确定模块，接收视频摄取模块产生的的视频信息，分别对所述视频信息中的彩色图像和深度图像进行前景提取得到包含与运动目标相应运动块的二值图像，对所述二值图像进行融合处理，得到融合后的二值图像；运动目标数量和位置确定模块，接收视频摄取模块产生的深度图像和运动目标确定模块产生的融合后的二值图像，对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息进行梯度下降聚类处理，得到运动目标的数量和位置，所述像素信息包含像素的像素值与像素位置；运动目标运动状态确定模块，接收运动目标数量和位置确定模块产生的运动目标的数量和位置，对所述运动目标的位置进行跟踪处理得到运动目标的运动轨迹；对所述运动轨迹进行判断处理，得到运动目标的运动状态；数据记录统计模块，记录并统计上述步骤的数据。上述的基于深度测距的运动目标检测系统，其中所述视频摄取模块还包括设置在拍摄区域水平方向的第二摄像设备，所述第二摄像设备与后续模块通信本文档来自技高网...

【技术保护点】
一种基于深度测距的运动目标检测方法，其特征在于包括以下步骤：视频摄取，通过位于拍摄区域上方的摄像设备获取包含彩色图像和深度图像的视频信息；运动目标确定，分别对所述视频信息中的彩色图像和深度图像进行前景提取得到包含与运动目标相应运动块的二值图像，对所述二值图像进行融合处理，得到融合后的二值图像；运动目标数量和位置确定，对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息进行梯度下降聚类处理，得到运动目标的数量和位置，所述像素信息包含像素的像素值与像素位置。

【技术特征摘要】
1.一种基于深度测距的运动目标检测方法，其特征在于包括以下步骤：
视频摄取，通过位于拍摄区域上方的摄像设备获取包含彩色图像和深
度图像的视频信息；
运动目标确定，分别对所述视频信息中的彩色图像和深度图像进行前
景提取得到包含与运动目标相应运动块的二值图像，对所述二值图像进行
融合处理，得到融合后的二值图像；
运动目标数量和位置确定，对所述深度图像中在融合后的二值图像判
定为运动块区域内的像素信息进行梯度下降聚类处理，得到运动目标的数
量和位置，所述像素信息包含像素的像素值与像素位置。
2.如权利要求1所述的基于深度测距的运动目标检测方法，其特征在
于还包括以下步骤：
运动目标运动状态确定，对所述运动目标的位置进行跟踪处理得到运
动目标的运动轨迹；对所述运动轨迹进行判断，得到运动目标的运动状态。
3.如权利要求1所述的基于深度测距的运动目标检测方法，其特征在
于还包括以下步骤：
数据记录，记录上述步骤的数据。
4.如权利要求2所述的基于深度测距的运动目标检测方法，其特征在
于还包括以下步骤：
数据统计，统计上述步骤的数据。
5.如权利要求1至4任一项所述的基于深度测距的运动目标检测方法，
其特征在于所述融合处理为像素级的逻辑“与”处理，对所述二值图像进
行像素级的逻辑“与”处理得到融合后的二值图像。
6.如权利要求5所述的基于深度测距的运动目标检测方法，其特征在
于对所述深度图像中在融合后的二值图像判定为运动块区域内的像素信息
进行梯度下降聚类通过以下方式完成：
根据融合后的二值图像中判定为运动块的区域，确定深度图像运动块
区域，在所述深度图像运动块区域内选取一定数量的像素信息，所述像素
信息包含像素的像素值与像素位置，对选取的像素信息进行梯度下降的迭
代...

【专利技术属性】
技术研发人员：黄志蓓，吴健康，吕东岳，刘东岩，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：北京;11