一种视频多目标跟踪检测异常点的方法技术

本发明专利技术公开了一种视频多目标跟踪检测异常点的方法，该方法均匀的抽取视频文件中的多个帧画面，将图像上的像素点通过高斯差函数转为灰度图像的像素点，求这些点的极值，通过求导获得相对极值位移，将相对极值位移代入到高斯差函数中获得候选特征点，再用一个常数来筛选得到特征点，通过计算两图像特征点置信度的最大值获得有效点，计算获得的灰度图像像素点的多尺度下的自相关矩阵，用角点响应函数将计算获得的矩阵代入，通过阈值限制来获取不同尺度下的角点，通过尺度最大的比较依据获得角点，最后将获得的角点连线，依次检测所有连续帧图像的异常点。本发明专利技术方法能够有效判断出视频多目标跟踪时出现的异常行为，防止用户作出错误的判断。

A method for detecting outliers in video multi target tracking

The invention discloses a multi target tracking method of outlier detection of a video frame extraction, multiple video files even in this method, the pixel on the image by Gauss function into the pixel gray image, the extremum points, obtained by derivation of extreme displacement, relative extreme displacement into Gauss candidate feature point function, with a constant to selected feature points, obtained by calculating the maximum effective two image feature point confidence, multi-scale autocorrelation matrix calculation of grayscale image pixel obtained under the function will be obtained by calculation of the matrix into the corner in response, to get the corner under different scales by the threshold limit, obtained by comparing the maximum scale based on the corner, corner finally will be the line, followed by testing all consecutive frames Abnormal point of image. The method of the invention can effectively judge the abnormal behavior occurring in the video multi-target tracking, and prevent the users from making wrong judgments.

【技术实现步骤摘要】
一种视频多目标跟踪检测异常点的方法
本专利技术属于数据挖掘领域，尤其涉及一种视频多目标跟踪检测异常点的方法。
技术介绍
目标跟踪是计算机视觉领域里的基础性问题，在现实生活中应用广泛，如无人机侦查，人机交互，智能汽车等。虽然过去的几十年里视频目标跟踪取得了巨大的进步，但是由于天气的变化，目标可能被遮挡，目标形变等因素的影响，想要精确地跟踪目标仍然很难实现。近年来，随着大数据挖掘技术的发展，基于分类判别的单目标跟踪的算法显著提升了跟踪性能，比较流行的算法有：基于核化的结构化输出算法、多事例学习算法、压缩感知算法…他们都是通过分类解决遇到的一些问题。然而多目标跟踪算法还不够成熟，尤其的这类视频多目标跟踪容易出现异常点，我们通常使用大数据挖掘的相关方法来处理。异常点数据挖掘包括异常点数据检测和异常点数据分析两个部分。异常点数据分析需要结合背景知识、领域知识等相关知识进行研究。本专利技术着重研究的是异常点数据检测问题。异常点数据是与数据的一般行为或模型不一致的数据，它是数据集中与众不同的数据，这些数据并非是随机偏差，而是产生不同的机制。异常点数据检测有着广泛的应用，它不局限于本专利技术所提到的视频多目标跟踪出现的异常点监测，还可以用于不正常的信用卡使用或电信服务、市场客户流失的异常行为、医疗中治疗方式异常反应等等。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供一种视频多目标跟踪检测异常点的方法，其以有效的检测用户进行多目标跟踪时，视频出现的异常点，找出视频文件异常的原因。本专利技术为解决上述技术问题采用以下技术方案：一种视频多目标跟踪检测异常点的方法，具体包含以下步骤：步骤1，用户输入视频文件，按时间均匀的抽取视频文件中的图像；步骤2，提取连续帧图像的特征点，并计算特征点的置信度；步骤3，计算连续帧图像的灰度图像像素点自相关矩阵；步骤4，将获得的自相关矩阵带入通过角点响应函数所获取图像的角点；步骤5，观察有效点是否在两图像角点连线上：若不在角点连线上，则输出为异常点，返回步骤2继续监测，直到检测完所有连续帧图像异常点。作为本专利技术一种视频多目标跟踪检测异常点的方法的进一步优选方案，在步骤2中，计算特征点的置信度具体如下：其中，为特征点的置信度，是图像ti特征点与图像ti+1中特征点最近的距离，是图像ti特征点与图像ti+1中特征点次近的距离，为i变为i+1得到图像ti+1的特征点。作为本专利技术一种视频多目标跟踪检测异常点的方法的进一步优选方案所述步骤3具体如下：计算图像ti的灰度图像像素点在尺度j+1下的自相关矩阵分别表示图像t1灰度图像的像素点在x,y方向上的小波变换，当表示平滑算子，为卷积运算，H和G分别为低通和高通滤波器，D为狄拉克滤波器，Hj和Gj分别表示在H和G的滤波器系数之间插入2j-1个零，尺度最大值为J，所述尺度是指滤波器D和G的迭代次数，所述自相关矩阵是指原矩阵是自己的相关矩阵。作为本专利技术一种视频多目标跟踪检测异常点的方法的进一步优选方案在步骤4中，所述角点响应函数如下：为自相关矩阵，为行列式的值，为行列式的值和它对角线上元素的和，k为常量。作为本专利技术一种视频多目标跟踪检测异常点的方法的进一步优选方案所述的按时间均匀的抽取视频文件中的图像ti，抽取图像ti与图像ti+1所用时间差为0.017s。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：当视频中的环境发生变化，例如光照的变化，空间的旋转等，本专利技术的技术有很好的适应性和准确性，能够有效地提升特征点提取的准确度，并且本专利技术能够准确地获取角点，有很好的抗噪能力，从而提高异常点检测的准确率。附图说明图1是一种视频多目标跟踪检测异常点的方法的流程图。图2是光线突然变化得到的连续帧对比图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：如图1所示，一种视频多目标跟踪检测异常点的方法，包括以下步骤：步骤1)用户输入视频文件，按时间均匀的抽取视频文件中的图像ti，即i＝1...num。步骤2)图像ti有numb个像素点，numb＝n*m,像素点用x,y坐标系上的点表示成矩阵i的初始值为1，将图像ti和图像ti+1分别与高斯函数卷积得到：表示均值为0，方差为σ2的正态分布，所述的x,y在相应图像ti的像素点中获取。用高斯差函数将图像ti与图像ti+1分别转换为灰度图像：k为常量。图像ti和ti+1灰度图像矩阵表示形式分别为：步骤21)，设在的极值点为计算它的极值点步骤如下：对求导，并令的导数为0，可以求出相对极值的偏移：将所得的代入到：中可得：将所有的去掉，最终得到合适特征点的步骤22)将步骤21)中i变为i+1得到图像ti+1的特征点步骤3)计算特征点的置信度conf：是图像ti特征点与图像ti+1中特征点最近的距离，是图像ti特征点与图像ti+1中特征点次近的距离，将满足最大值的点作为有效点步骤3)计算图像ti的灰度图像像素点在尺度j+1下的自相关矩阵分别表示图像t1灰度图像的像素点在x,y方向上的小波变换，当j＝0,表示平滑算子，为卷积运算，H和G分别为低通和高通滤波器，D为狄拉克滤波器，Hj和Gj分别表示在H和G的滤波器系数之间插入2j-1个零，尺度最大值为J，所述的尺度是指滤波器D和G的迭代次数，所述的自相关矩阵是指原矩阵是自己的相关矩阵。步骤3)计算自相关矩阵行列式的值和它对角线上元素的和接着计算角点响应函数：k同步骤2)中的k。步骤31)，尺度j初始值为0，当在尺度j≤J-1下设定图像ti灰度图像的阈值为Tj+1，步骤32)a的初始值为1,b的初始值为2步骤33)将分别和比较；当最大且那么输出为局部极大值；步骤34当b≤m-1，那么b+2，执行步骤33)；当b≥m且a＜n，则a+1，b初始值为2，执行步骤33)，当a＞n,j++，执行步骤31)，当j≥J，结束查找。步骤35)将所有满足局部极大值的点作为候选角点，将获得所有候选角点中值最大的点作为角点，若最大值有多个，那么选取j最大的那个点的为角点步骤4)将步骤3)中i变为i+1得到图像ti+1的灰度图像的角点步骤5)将两图像上的角点和连线，当有效点不在连线上，这个点输出为异常点；i++，当i≤num-1，返回步骤2)，不满足结束检测。所述的按时间均匀的抽取视频文件中的图像ti，抽取图像ti与图像ti+1所用时间差为0.017s。所述的k为给定的取值在0.04～0.06的常量。所述的θ为0.08。具体实施例如下：步骤1)用户输入光线突然变化得到的连续帧对比图，如图2所示。步骤2)这两幅图每个图有256个像素点，将256像素点用x,y坐标系上的点表示成矩阵，将图像和图像分别与高斯函数卷积和使用高斯函数差得到他们的灰度图像。将左图灰度图像中的像素点u代入中对求导，并令它为0，可以求出相对极值的偏移umax-u将所得的umax-u代入到：中可得：将所有的umax去掉，最终得到合适特征点的(x,y)tezheng，按上述方法同样可得右图得的特征点。步骤21)计算特征点的置信度conf((x,y)tezheng)＝1-d1((x,y)tezheng)/d2((x,y)tezheng)，将最大值作为有效点。步骤3)计算左图的灰度图像所有像素点u在尺度j为0、1、2、3下的自本文档来自技高网...

【技术保护点】
一种视频多目标跟踪检测异常点的方法，其特征在于：具体包含以下步骤：步骤1，用户输入视频文件，按时间均匀的抽取视频文件中的图像；步骤2，提取连续帧图像的特征点，并计算特征点的置信度；步骤3，计算连续帧图像的灰度图像像素点自相关矩阵；步骤4，将获得的自相关矩阵带入通过角点响应函数所获取图像的角点；步骤5，观察有效点是否在两图像角点连线上：若不在角点连线上，则输出为异常点，返回步骤2继续监测，直到检测完所有连续帧图像异常点。

【技术特征摘要】
1.一种视频多目标跟踪检测异常点的方法，其特征在于：具体包含以下步骤：步骤1，用户输入视频文件，按时间均匀的抽取视频文件中的图像；步骤2，提取连续帧图像的特征点，并计算特征点的置信度；步骤3，计算连续帧图像的灰度图像像素点自相关矩阵；步骤4，将获得的自相关矩阵带入通过角点响应函数所获取图像的角点；步骤5，观察有效点是否在两图像角点连线上：若不在角点连线上，则输出为异常点，返回步骤2继续监测，直到检测完所有连续帧图像异常点。2.根据权利要求1所述的一种视频多目标跟踪检测异常点的方法，其特征在于：在步骤2中，计算特征点的置信度具体如下：其中，为特征点的置信度，是图像ti特征点与图像ti+1中特征点最近的距离，是图像ti特征点与图像ti+1中特征点次近的距离，为i变为i+1得到图像ti+1的特征点。3.根据权利要求1所述的一种视频多目标跟踪检测异常点的方法，其特征在于：所述步骤3具体如下：计算图像ti的灰度图像像素点在尺度j+1下的自相关矩阵

【专利技术属性】
技术研发人员：陈志，金广华，岳文静，刘星，龚凯，掌静，王福星，
申请(专利权)人：南京邮电大学，南京运享通信息科技有限公司，
类型：发明
国别省市：江苏,32