一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法技术

一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，包括以下步骤：S1：通过网上爬取行人图片及截取监控视频中包含行人的图片，对图片中的行人头肩进行标注和清洗，建立头肩数据集；S2：对监控视频进行检测，返回视频画面中检测出的行人头肩；S4：对行人头肩采用Iou‑net跟踪算法进行多目标跟踪；S5：跟踪目标的运动轨迹路径，并与设定的阈值进行对比；S6：输出徘徊逗留目标。本发明专利技术中，通过建立头肩数据集，并利用深度学习检测算法进行训练。通过训练得到的模型，对监控视频中的行人头肩进行检测，结合Iou‑net跟踪算法对检测出的头肩进行多目标跟踪，通过判定其运动轨迹来分析目标是否存在徘徊逗留的行为。

A method of linger behavior analysis based on head shoulder model and IOU tracking

【技术实现步骤摘要】
一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法
本专利技术涉及智慧城市建设中的城市监控视频分析领域，尤其涉及一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法。
技术介绍
现有的行人徘徊逗留行为分析的主要方法如下：传统的背景差分法对运动目标检测并进行轨迹分析是否存在徘徊逗留行为。根据目标位置和直方图进行二次匹配，通过判定目标在监控视频中出现的次数及时间判定目标是否存在徘徊逗留行为。使用行人检测结合跟踪的方法，通过分析轨迹来判断是否存在徘徊逗留行为。现有的行人徘徊逗留行为分析的主要的缺点如下：1、传统的背景差分法在建模过程中需要存储大量的目标数据，且容易造成背景更新、扰动及阴影抑制等方面的不足。2、使用目标位置和直方图进行二次匹配的方法，容易因为背景扰动的影响造成匹配不准确，从而引起判断精度低。3、使用行人检测的方法，在行人发生遮挡的情况下容易造成检测率偏低并造成目标跟踪丢失，从而造成检测效果不佳。
技术实现思路
(一)专利技术目的为解决
技术介绍
中存在的技术问题，本专利技术提出一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，通过建立头肩数据集，并利用深度学习检测算法进行训练。通过训练得到的模型，对监控视频中的行人头肩进行检测，结合Iou-net跟踪算法对检测出的头肩进行多目标跟踪，通过判定其运动轨迹来分析目标是否存在徘徊逗留的行为。(二)技术方案为解决上述问题，本专利技术提出了一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，包括以下步骤：S1：通过网上爬取行人图片及截取监控视频中包含行人的图片，对图片中的行人头肩进行标注和清洗，建立头肩数据集；S2：采用深度学习算法YoIo-v3，对建立的头肩数据集进行训练和调参，得到头肩模型；S3：采用YoIo-v3算法结合头肩模型，对监控视频进行检测，返回视频画面中检测出的行人头肩；S4：对行人头肩采用Iou-net跟踪算法进行多目标跟踪，并对跟踪到的目标进行轨迹处理及计算；S5：在视频监控中画出跟踪目标的运动轨迹路径，并将运动轨迹计算结果与设定的阈值进行对比；若跟踪目标的运动轨迹大于设定的阈值，则认为该目标在当前画面中存在徘徊逗留行为，则系统计算目标位置信息，并在视频画面中标记出该目标；若跟踪目标的运动轨迹小于设定的阈值，则认为该目标在当前画面中不存在徘徊逗留行为，不进行处理；S6：输出徘徊逗留目标优选的，在S1中，图片共14000多张。本专利技术中，采用自建的头肩数据集训练出头肩模型，利用深度学习算法YoIo-v3进行检测，具有速度快、精度高的特点。与传统的行人检测算法相比，本专利技术采用头肩检测可以避免在行人遮挡情况较为严重情况下，检测精度下降的问题。本专利技术,采用Iou-net进行多目标跟踪，克服了传统运动背景分析等方法造成的检测率偏低、运动目标容易丢失等问题，其大大的提高了跟踪精度及跟踪速度。本专利技术中，通过结合头肩检测、Iou-net跟踪及运动轨迹路径分析，提高了行人检测精度、跟踪速度及徘徊逗留行为判断的准确率。使得可以实时高效的对监控视频中的行人徘徊逗留行为进行分析。附图说明图1为本专利技术提出的基于头肩模型和IOU跟踪的徘徊逗留行为分析方法的流程示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本专利技术进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。如图1所示，本专利技术提出的一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，包括以下步骤：S1：通过网上爬取行人图片及截取监控视频中包含行人的图片，对图片中的行人头肩进行标注和清洗，建立头肩数据集；S2：采用深度学习算法YoIo-v3，对建立的头肩数据集进行训练和调参，得到头肩模型；S3：采用YoIo-v3算法结合头肩模型，对监控视频进行检测，返回视频画面中检测出的行人头肩；S4：对行人头肩采用Iou-net跟踪算法进行多目标跟踪，并对跟踪到的目标进行轨迹处理及计算；S5：在视频监控中画出跟踪目标的运动轨迹路径，并将运动轨迹计算结果与设定的阈值进行对比；若跟踪目标的运动轨迹大于设定的阈值，则认为该目标在当前画面中存在徘徊逗留行为，则系统计算目标位置信息，并在视频画面中标记出该目标；若跟踪目标的运动轨迹小于设定的阈值，则认为该目标在当前画面中不存在徘徊逗留行为，不进行处理；S6：输出徘徊逗留目标。在一个可选的实施例中，在S1中，图片共14000多张。本专利技术中，采用自建的头肩数据集训练出头肩模型，利用深度学习算法YoIo-v3进行检测，具有速度快、精度高的特点。与传统的行人检测算法相比，本专利技术采用头肩检测可以避免在行人遮挡情况较为严重情况下，检测精度下降的问题。本专利技术,采用Iou-net进行多目标跟踪，克服了传统运动背景分析等方法造成的检测率偏低、运动目标容易丢失等问题，其大大的提高了跟踪精度及跟踪速度。本专利技术中，通过结合头肩检测、Iou-net跟踪及运动轨迹路径分析，提高了行人检测精度、跟踪速度及徘徊逗留行为判断的准确率。使得可以实时高效的对监控视频中的行人徘徊逗留行为进行分析。在一个可选的实施例中，对提取图像特征点进行动态规划轨迹跟踪，即，对S1-S3进行优化处理，具体为：不对当前监控画面下的头肩目标进行检测，直接对图像内的候选目标像素进行轨迹跟踪，并对每条轨迹进行评价分析，以判定其是否存在徘徊逗留行为。需要说明的是，基于头肩模型和IOU跟踪的徘徊逗留行为分析中，基于徘徊逗留行为的分析需要依托头肩检测、目标跟踪及运动轨迹路径分析等综合分析，才能判定其是否存在徘徊逗留为，采用此法可以简化检测徘徊逗留行为的流程，但可能会由于监控视频的画面质量问题、光照问题等造成提取的特征点不准确，造成最终检测结果的不准确。应当理解的是，本专利技术的上述具体实施方式仅仅用于示例性说明或解释本专利技术的原理，而不构成对本专利技术的限制。因此，在不偏离本专利技术的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。此外，本专利技术所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。本文档来自技高网...

【技术保护点】
1.一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，其特征在于，包括以下步骤：/nS1：通过网上爬取行人图片及截取监控视频中包含行人的图片，对图片中的行人头肩进行标注和清洗，建立头肩数据集；/nS2：采用深度学习算法YoIo-v3，对建立的头肩数据集进行训练和调参，得到头肩模型；/nS3：采用YoIo-v3算法结合头肩模型，对监控视频进行检测，返回视频画面中检测出的行人头肩；/nS4：对行人头肩采用Iou-net跟踪算法进行多目标跟踪，并对跟踪到的目标进行轨迹处理及计算；/nS5：在视频监控中画出跟踪目标的运动轨迹路径，并将运动轨迹计算结果与设定的阈值进行对比；/n若跟踪目标的运动轨迹大于设定的阈值，则认为该目标在当前画面中存在徘徊逗留行为，则系统计算目标位置信息，并在视频画面中标记出该目标；/n若跟踪目标的运动轨迹小于设定的阈值，则认为该目标在当前画面中不存在徘徊逗留行为，不进行处理；/nS6：输出徘徊逗留目标。/n

【技术特征摘要】
1.一种基于头肩模型和IOU跟踪的徘徊逗留行为分析方法，其特征在于，包括以下步骤：
S1：通过网上爬取行人图片及截取监控视频中包含行人的图片，对图片中的行人头肩进行标注和清洗，建立头肩数据集；
S2：采用深度学习算法YoIo-v3，对建立的头肩数据集进行训练和调参，得到头肩模型；
S3：采用YoIo-v3算法结合头肩模型，对监控视频进行检测，返回视频画面中检测出的行人头肩；
S4：对行人头肩采用Iou-net跟踪算法进行多目标跟踪，并对跟踪到的目标进行轨迹处理及计算；

【专利技术属性】
技术研发人员：张兴，胡金晖，张力元，袁明冬，黄诗盛，
申请(专利权)人：中电科新型智慧城市研究院有限公司，
类型：发明
国别省市：广东;44