一种遗留物体检测方法及装置制造方法及图纸

本发明专利技术提供了一种遗留物体检测方法及装置，首先根据遗留物体检测的实时快速性要求，采用帧差法判断像素的运动特性，找到由动变静的目标物体，即疑似遗留物体；然后采用HOG特征结合SVM进行分类，区分人和物品，并将人滤除；再采用证据累加方式，判断目标物体停留时长是否超过预设时长；最后将目标物体附近的人与目标物体的主人进行特征匹配，如果未匹配上，则确定目标物体为遗留物体。一方面本发明专利技术计算复杂度低，具有实时高效的特点，另一方面本发明专利技术解决了遗留物体检测过程中的虚警和遮挡问题，也解决了区分遗留物体的是人还是物品的问题，还解决了区分遗留物体是否真正无主人的问题，故检测准确度也很高，有效解决了遗留物品的检测难题。

【技术实现步骤摘要】
一种遗留物体检测方法及装置
本专利技术实施例涉及视频图像处理技术，尤其涉及一种遗留物体检测方法及装置。
技术介绍
在人流密集的场合，例如地铁等交通枢纽中，有时会出现遗留物体，或者称异常停留的物品，例如没有主人的包裹等。这种遗留物品可能是主人遗落的普通物品，也可能是炸弹等危险品，所以为了能够及时发现这些遗留物品，对交通枢纽等场合进行实时监控就变得非常重要。另外，对遗留物体的检测还有其他广泛的应用，例如铁路上的危险障碍物、掉落的岩石、乱扔的垃圾、交通干线/高速公路/飞机跑道上的物品碎块、地面上积留的滑溜液体(可能导致行人滑倒、车祸等事故)，等等。在现有技术中，传统的视频监控只是对视频进行采集和存储，不能智能的自动判断其中信息，遗留物品的发现全靠视频监控者的肉眼，效率低下。在这种情况下，智能监控应运而生。智能监控是指借助计算机技术，通过对图像视频进行处理来代替人工对实时的录像信息进行分析和理解，协助监控人员以此为基础对视频信息进行进一步的响应和处理，从而达到减少甚至代替监控人员工作的目的。然而，遗留物体的检测是一个特别复杂的问题，因为需要进行检测的环境通常都很复杂，如交通枢纽等公共场合，存在很多遮挡。目前针对遗留物体检测已存在一些方案，例如：可以使用融合多相机信息来解决智能视频监控场景中容易存在的遮挡问题，但是精确的相机模型往往难以获得，这导致该算法在实际应用中效果并不理想；可以利用混合高斯进行背景建模，并在此基础上通过观测各高斯分布的状态迁徙来检测由运动进入场景后变成静止的目标，然而混合高斯背景建模需要较大的训练量和计算量，难以满足监控系统在实时性上的需要。专利技术人在实现本专利技术的过程中发现，现有技术中的这些解决方案或是不够精确，或是计算量大，都存在较多问题，有的无法解决遮挡和虚警问题，有的无法判断异常停留的是人还是物体，有的无法判断在该遗留物体附近人的究竟是不是其主人，均不完善，可见在现有技术中尚未能有效解决遗留物品的检测问题。
技术实现思路
本专利技术实施例提供一种遗留物体检测方法及装置，以有效解决遗留物品的检测问题。根据本专利技术实施例的第一方面，提供一种遗留物体检测方法，所述方法包括：对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。可选的，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，包括：当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；根据所述像素的值的变化及所述属性值，执行以下策略：当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。可选的，还包括原始背景，所述策略还包括：若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令BOt(x,y)＝BCt(x,y)BCt(x,y)＝It(x,y)以更新当前背景并将原当前背景存入原始背景；若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令BCt(x,y)＝BOt(x,y)以将保存在原始背景中的信息恢复至当前背景；若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。可选的，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，包括：预先提取正、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；将提取到的所述HOG特征投入SVM分类器训练，以得到模型；利用所述模型生成筛选器；用所述筛选器检测所述负样本，以得到困难样本；提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；提取所述目标物体的HOG特征；使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。可选的，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值，包括：将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。可选的，在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，所述方法还包括：对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。可选的，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，包括：在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；学本文档来自技高网...

【技术保护点】
1.一种遗留物体检测方法，其特征在于，所述方法包括：对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。

【技术特征摘要】
1.一种遗留物体检测方法，其特征在于，所述方法包括：对于采集到的视频，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，其中所述目标物体为先运动后静止的物体；采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，以排除目标物体是人的情况；对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值；如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，如果未匹配上，则确定所述目标物体为遗留物体，其中所述目标物体的主人是在所述目标物体由动变静时检测到的与所述目标物体最近的人。2.根据权利要求1所述的方法，其特征在于，根据相邻帧同一位置处像素的值是否发生变化确定是否出现了目标物体，包括：当所述像素的值的变化幅度超过像素阈值时，则将所述像素对应的属性值设定为预设属性值，其中所述属性值代表允许所述像素连续无变化而不被视为背景的最长时间；根据所述像素的值的变化及所述属性值，执行以下策略：当所述像素的值的变化幅度小于所述像素阈值，且所述属性值为0时，表明所述像素为当前背景，不做任何操作；当所述像素的值的变化幅度小于所述像素阈值，但所述属性值大于0时，表明所述像素位置处出现过运动前景，但此刻所述运动处于静止或者运动缓慢状态，则每次对所述属性值做自减操作；当所述属性值自减到0时，表明所述像素位置处由动变静后已保持静止，确定出现了目标物体。3.根据权利要求2所述的方法，其特征在于，还包括原始背景，所述策略还包括：若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)>T&&Dt(x,y)＝0，表明有新的静止目标出现，则令BOt(x,y)＝BCt(x,y)BCt(x,y)＝It(x,y)以更新当前背景并将原当前背景存入原始背景；若It(x,y)-BCt(x,y)>T&&It(x,y)-BOt(x,y)<T，表明有旧的目标离开，则令BCt(x,y)＝BOt(x,y)以将保存在原始背景中的信息恢复至当前背景；若It(x,y)-BCt(x,y)<T&&It(x,y)-BOt(x,y)<T&&Dt(x,y)＝0，表明为纯净的背景，则令BCt(x,y)＝a×It(x,y)+(1-a)×BCt(x,y)BOt(x,y)＝a×It(x,y)+(1-a)×BOt(x,y)其中，&&代表并且，It(x,y)代表当前帧中所述像素的值，BCt(x,y)代表当前背景，BOt(x,y)代表原始背景，Dt(x,y)代表所述像素对应的属性值，T为所述像素阈值，a为预设的学习速率。4.根据权利要求1所述的方法，其特征在于，采用方向梯度直方图HOG特征结合支持向量机SVM对发现的目标物体进行人和物的分类，包括：预先提取正样本、负样本的HOG特征，其中所述正样本为人的图像样本，所述负样本为物的图像样本；将提取到的所述HOG特征投入SVM分类器训练，以得到模型；利用所述模型生成筛选器；用所述筛选器检测所述负样本，以得到困难样本；提取所述困难样本的HOG特征并与所述正、负样本的HOG特征一起投入训练，以得到最终筛选器；提取所述目标物体的HOG特征；使用预先得到的所述最终筛选器，对所述目标物体进行人和物的分类。5.根据权利要求1所述的方法，其特征在于，对于发现的每个目标物体，通过累计所述目标物体在各帧中出现的次数，判断所述目标物体由动变静后的停留时长是否超过时长阈值，包括：将第一目标物体的轮廓与第二目标物体的轮廓进行匹配，其中第一目标物体是从当前帧目标物体集合中选取的目标物体，第二目标物体是从已有目标物体集合中选取的目标物体；如果第一目标物体的轮廓与第二目标物体的轮廓匹配，则将所述第二目标物体的发现位置真、发现计数值加1；当所述第二目标物体的发现位为真时，将所述第二目标物体的丢失计数值清0，若发现计数值达到次数阈值，则确认所述第二目标物体由动变静后的停留时长超过所述时长阈值；如果第一目标物体的轮廓与已有目标物体集合中的各个第二目标物体的轮廓都不匹配，则将所述第一目标物体作为一个新的第二目标物体加入到已有目标物体集合；如果第二目标物体的轮廓与当前帧目标物体集合中的各个第一目标物体的轮廓都不匹配，则将所述第二目标物体的发现位置假；当所述第二目标物体的发现位为假时，将丢失计数值加1，若丢失计数值满足预设条件，则将所述第二目标物体从已有目标物体集合中移除。6.根据权利要求5所述的方法，其特征在于，在将第一目标物体的轮廓与第二目标物体的轮廓进行匹配之前，所述方法还包括：对差分图像进行形态学处理，以得到当前帧目标物体集合中每个目标物体的轮廓；判断每个目标物体的轮廓的像素个数是否超过像素个数阈值；滤除轮廓的像素个数未超过所述像素个数阈值的目标物体。7.根据权利要求1所述的方法，其特征在于，如果所述停留时长超过时长阈值，则将所述目标物体附近的人与所述目标物体的主人进行匹配，包括：在所述目标物体由动变静时，通过SVM检测出以所述目标物体的质心为中心的感兴趣区域内存在的所有人；计算每个人的质心与所述目标物体质心的距离，以距离最近者作为目标人物，其中所述目标人物是所述目标物体的主人；学习并存储所述目标人物的特征；当所述目标物体由动变静的停留时长超过所述时长阈值后，再次使用SVM检测相同感兴趣区域内所有存在的人，并与原来存储的所述目标人...

【专利技术属性】
技术研发人员：李新文，
申请(专利权)人：中科创达软件股份有限公司，
类型：发明
国别省市：北京,11