一种视频图像的多目标检测跟踪方法技术

本发明专利技术涉及视频图像处理技术领域，实施例具体公开一种视频图像的多目标检测跟踪方法。本申请提供的视频图像的多目标检测跟踪方法包括接收视频图像；将视频图像进行预处理，获得初始视频图像；将初始视频图像进行形态学操作，获得灰度偏暗区域图像；根据灰度偏暗区域图像生成二值图像和边缘图像；根据边缘图像和预设目标特征信息在二值图像中筛选连通区域，获得目标区域；根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。通过获取相邻较暗区域的算法，利用形态学操作图像与原图像的阈值确定较暗的区域，可以排除不符合灰度值的高亮区域，加快了目标检测的速度且提高了目标检测的准确性。

A multi-target detection and tracking method for video image

【技术实现步骤摘要】
一种视频图像的多目标检测跟踪方法
本专利技术涉及视频图像处理
，具体涉及一种视频图像的多目标检测跟踪方法。
技术介绍
连通域：连通区域(ConnectedComponent)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(Region，Blob)。就是像素值相近的同一块区域。监控系统的功能从原来简单的对视频信号进行人工监视，系统多画面显示及硬盘录像等简单功能发展到利用计算机实现智能的运动检测和目标跟踪。目标检测是指在序列图像中检测出疑似目标的区域并将目标从背景图像中提取出来。通常情况下，目标距离镜头远近决定了其成像的大小，同一时刻可能出现不同大小，不同运动状态(运动，静止)的目标，所以通过传统的帧差、背景差等方法不能检测出多种运动状态的目标。目前主要的目标检测算法有多种，基于图像的基本方法有帧差法、背景差分法等，基于机器学习的harr+adaboost、hog+svm、SSD、YOLO、RCNN等。这些方法各有优缺点，帧差法和背景差法简单易于实现，并且算法计算量不大，可以保证实时性，但针对移动的目标，对静止目标无效，且需要连续的多张图像进行关联。harry+adaboost和hog+svm特征模型学习类型的算法对于样本需要量多，且光照和外来无关事件的干扰等特别敏感，时间效率较低。基于深度学习的SSD、YOLO、RCNN等算法检测效果好，精度高，但时间效率低，不能达到实时处理。
技术实现思路
有鉴于此，本申请提供一种视频图像的多目标检测跟踪方法，能够解决上述现有技术存在的问题。为解决以上技术问题，本专利技术提供的技术方案是一种视频图像的多目标检测跟踪方法，所述方法包括：接收视频图像；将所述视频图像进行预处理，获得初始视频图像；将所述初始视频图像进行形态学操作，获得灰度偏暗区域图像；根据灰度偏暗区域图像生成二值图像和边缘图像；根据所述边缘图像和预设目标特征信息在所述二值图像中筛选连通区域，获得目标区域；根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。优选的，所述将所述视频图像进行预处理，获得初始视频图像的方法，包括：将所述视频图像转换为灰度图像；根据预设缩小倍数缩小所述灰度图像，获得初始视频图像。优选的，所述将所述初始视频图像进行形态学操作，获得灰度偏暗区域图像的方法，包括：对所述初始视频图像进行腐蚀和膨胀操作，获得形态学视频图像；将所述形态学视频图像减去所述初始视频图像，获得灰度偏暗区域图像。优选的，所述根据灰度偏暗区域图像生成二值图像和边缘图像的方法，包括：将所述灰度偏暗区域图像进行灰度拉伸和二值化处理，获得二值图像；将所述灰度偏暗区域图像进行canny边缘处理，获得边缘图像。优选的，所述根据所述边缘图像和预设目标特征信息在所述二值图像中筛选连通区域，获得目标区域的方法，包括：根据预设目标特征信息，在所述二值图像上删除不符合预设目标特征信息的连通区域；根据所述边缘图，在所述二值图像上删除没有边缘的连通区域。优选的，在所述根据所述边缘图像和预设目标特征信息在所述二值图像中筛选连通区域，获得目标区域的步骤后，根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪步骤前，还包括步骤：根据预设缩小倍数还原所述目标区域到所述视频图像大小。本申请与现有技术相比，其有益效果详细说明如下：本申请提供的视频图像的多目标检测跟踪方法包括接收视频图像；将视频图像进行预处理，获得初始视频图像；将初始视频图像进行形态学操作，获得灰度偏暗区域图像；根据灰度偏暗区域图像生成二值图像和边缘图像；根据边缘图像和预设目标特征信息在二值图像中筛选连通区域，获得目标区域；根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。通过获取相邻较暗区域的算法，利用形态学操作图像与原图像的阈值确定较暗的区域，可以排除不符合灰度值的高亮区域，加快了目标检测的速度且提高了目标检测的准确性。附图说明为了更清楚地说明本专利技术实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例1提供的一种视频图像的多目标检测跟踪方法。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本专利技术保护范围。为了使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施例对本专利技术作进一步的详细说明。如图1所示，本专利技术实施例1提供一种视频图像的多目标检测跟踪方法，该方法包括：S11：接收视频图像；S12：将视频图像进行预处理，获得初始视频图像；S13：将初始视频图像进行形态学操作，获得灰度偏暗区域图像；S14：根据灰度偏暗区域图像生成二值图像和边缘图像；S15：根据边缘图像和预设目标特征信息在二值图像中筛选连通区域，获得目标区域：S16：根据视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。具体的，步骤S12将视频图像进行预处理，获得初始视频图像的方法，包括：S121：将所述视频图像转换为灰度图像；这里，将RGB格式的彩色图像转换成灰度图像，即将三通道彩色图像转换为单通道图像，可减少计算量。S122：根据预设缩小倍数缩小灰度图像，获得初始视频图像。这里，根据预设缩小倍数缩小灰度图像可以加快后续处理速度，由于图像太大，处理速度较慢，可以通过将图像缩小一倍达到加速处理速度效果。具体的，步骤S13将初始视频图像进行形态学操作，获得灰度偏暗区域图像的方法，包括：S131：对初始视频图像进行腐蚀和膨胀操作，获得形态学视频图像；这里，可以选用模板大小为15的菱形模板对图像进行腐蚀操作，达到扩大较亮区域效果。膨胀用于连接(join)相邻的元素，这也是膨胀后图像最直观的展现。基本的形态运算是腐蚀和膨胀。在形态学中，结构元素是最重要最基本的概念。结构元素在形态变换中的作用相当于信号处理中的“滤波窗口”。用B(x)代表结构元素，对工作空间E中的每一点x，腐蚀和膨胀的定义为：腐蚀：膨胀：用B(x)对E进行腐蚀的结果就是把结构元素B平移后使B包含于E的所有点构成的集合。用B(x)对E进行膨胀的结果就是把结构元素B平移后使B与E的交集非空的点构成的集合。S132：将形态学视频图像减去所述初始视频图像，获得灰度偏暗区域图像。这里，通过将形态本文档来自技高网...

【技术保护点】
1.一种视频图像的多目标检测跟踪方法，其特征在于，所述方法包括：/n接收视频图像；/n将所述视频图像进行预处理，获得初始视频图像；/n将所述初始视频图像进行形态学操作，获得灰度偏暗区域图像；/n根据灰度偏暗区域图像生成二值图像和边缘图像；/n根据所述边缘图像和预设目标特征信息在所述二值图像中筛选连通区域，获得目标区域；/n根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。/n

【技术特征摘要】
1.一种视频图像的多目标检测跟踪方法，其特征在于，所述方法包括：
接收视频图像；
将所述视频图像进行预处理，获得初始视频图像；
将所述初始视频图像进行形态学操作，获得灰度偏暗区域图像；
根据灰度偏暗区域图像生成二值图像和边缘图像；
根据所述边缘图像和预设目标特征信息在所述二值图像中筛选连通区域，获得目标区域；
根据所述视频图像的目标区域和上一帧视频图像的目标区域的关联关系形成航迹进行跟踪。


2.根据权利要求1所述的视频图像的多目标检测跟踪方法，其特征在于，所述将所述视频图像进行预处理，获得初始视频图像的方法，包括：
将所述视频图像转换为灰度图像；
根据预设缩小倍数缩小所述灰度图像，获得初始视频图像。


3.根据权利要求1所述的视频图像的多目标检测跟踪方法，其特征在于，所述将所述初始视频图像进行形态学操作，获得灰度偏暗区域图像的方法，包括：
对所述初始视频图像进行腐蚀和膨胀操作，获得形态学视频图像；
将所述形态学视频图像减去所述初始视频图像，获得灰度偏暗区...

【专利技术属性】
技术研发人员：吴浩，
申请(专利权)人：成都空御科技有限公司，
类型：发明
国别省市：四川;51