一种排除飞虫干扰的遗留物检测方法技术

本发明专利技术属于视频图像处理领域，涉及一种排除飞虫干扰的遗留物检测方法，包括以下步骤：S1从视频图像中获取物体的边缘；S2从视频图像中检测出移动物体，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除移动物体的边缘后，进入下一步；S3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；S4计算疑似遗留物的目标框中物体的得分，若得分大于阈值，则确认目标框中物体为遗留物，若得分小于阈值，则目标框中物体不是遗留物。其在有效提高了检测精度的同时也能够保证其实时性以及对于复杂场景的适应性，能够有效节省人力、物力以及时间成本。

【技术实现步骤摘要】
一种排除飞虫干扰的遗留物检测方法
本专利技术涉及一种排除飞虫干扰的遗留物检测方法，属于视频图像处理

技术介绍
遗留物检测能够有效检测出威胁公共安全的诸如爆炸物、有毒物质等的不明遗留物，在火车站、机场、地铁站等人群密集的公共区域具有广阔的应用空间。虽然通过视频监控可以找到大多数的遗留物，但是放在轨道上的遗留物通常不易被发现，随着轨道交通速度的不断提升，放在轨道上的遗留物很容易对乘客和车辆的安全带来隐患，故需要对遗留物进行实时监测。目前，遗留物检测的方法主要可以分为两类，一类是基于目标跟踪的方法，其通过分析视频序列图像，在每帧图像中检测出各自独立的运动目标，从而确定目标在每帧中的具体位置，既能提供目标的运动轨迹，又能根据目标的跟踪信息进行运动检测和识别。目标跟踪的关键问题是连续的图像帧之间目标的对应匹配问题。基于目标跟踪的方法需要很好地解决如何高效选取匹配特征，克服场景干扰，对目标自身变化进行自适应的问题，流程相对复杂，算法复杂度较大。另一类是基于目标检测的方法，其是指在视频序列中检测并提取出与参考图像之间存在相对运动的前景区域，分析其灰度、纹理和边缘等特征，再以此为依据分割成若干独立目标。目前目标检测的方法主要分为光流法、帧间差分法、背景差分法等。基于目标检测的方法原理与计算相对简单，检测速度快，开发和应用成本较低，但在频繁遮挡、光线变化的复杂环境应用中的适应性有待提高。虽然目前对于遗留物检测已经有很多研究，但是对于复杂场景内遗留物检测，依然存在很多问题。例如在复杂场景下非常容易受到其他物体，如静止的行人，夜晚快速飞舞的飞虫等因素的干扰，同时也会受到光照变化的影响，从而导致检测精度较低，误检率较高。而使用深度学习算法过滤行人以及动物等非目标物体，在不同的场景下需要大量标记的样本对模型进行训练，一旦场景出现其他干扰物体就需要对模型进行重新训练，否则检测精度就会大大下降。同时，深度学习算法计算复杂度和计算量都很大，很难满足智能视频监控系统实时处理的要求。
技术实现思路
针对上述问题，本专利技术的目的是提供了一种排除飞虫干扰的遗留物检测方法，其不仅能够适用于普通的火车站、商场等场景，还能用于排查火车铁轨上是否被人恶意放置障碍物等场景。在有效提高了检测精度的同时也能够保证其实时性以及对于复杂场景的适应性，能够有效节省人力、物力以及时间成本。为实现上述目的，本专利技术采取以下技术方案：一种排除飞虫干扰的遗留物检测方法，包括以下步骤：S1从视频图像中获取物体的边缘；S2从视频图像中追踪移动目标，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除移动物体的边缘后，进入下一步；S3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；S4计算疑似遗留物的目标框中物体的得分，若得分大于阈值，则确认目标框中物体为遗留物，若得分小于阈值，则目标框中物体不是遗留物。进一步，步骤S1中从视频图像中获取物体的边缘的方法为：S1.1计算视频图像在水平方向和垂直方向的梯度值，计算背景图像在水平方向和垂直方向的梯度值；S1.2计算水平方向上视频图像和背景图像的梯度差，计算垂直方向上视频图像和背景图像的梯度差；S1.3根据水平方向和垂直方向的梯度差获得二值化的前景边缘掩膜；S1.4根据前景边缘掩膜和每个边缘像素的时间累计得到稳定的边缘掩膜。进一步，背景图像在水平方向的梯度值为：Bx,t(x,y)＝Bx,t-1(x,y)+αDx,t(x,y)背景图像在垂直方向的梯度值为：By,t(x,y)＝By,t-1(x,y)+αDy,t(x,y)其中，Bx,t(x,y)是t时刻水平方向上的背景模型的梯度，Bx,t(x,y)是t-1时刻水平方向上的背景模型的梯度；By,t(x,y)是t时刻垂直方向上的背景模型的梯度，By,t(x,y)是t-1时刻垂直方向上的背景模型的梯度；α是学习速率；Dx,t(x,y)是t时刻水平方向上视频图像和背景图像的梯度差；Dy,t(x,y)是t时刻垂直方向上视频图像和背景图像的梯度差。进一步，稳定的边缘掩膜的计算公式为：SEMaskt(x,y)＝hyst(ACCt(x,y),AOtime/2,AOtime)其中，SEMaskt(x,y)表示边缘掩膜，hyst()是滞后阈值函数；AOtime遗留物被遗留时间的阈值；ACCt(x,y)是初始值为0的稳定边缘像素在t时刻时，时间累计下的掩膜，其公式为：ACCt-1(x,y)是初始值为0的稳定边缘像素在t-1时刻时，时间累计下的掩膜，i表示检测视频的帧数，i％10＝0表示每10帧更新一次；Ft(x,y)是二值化的前景边缘掩膜，其公式为：Fx，t(x,y)＝hyst(|Dx，t|,Tlow,Thigh)Fy,t(x,y)＝hyst(|Dy,t|,Tlow,Thig)其中，Dx,t是t时刻水平方向上视频图像和背景图像的梯度差；Dy,t是t时刻垂直方向上视频图像和背景图像的梯度差，高于Thigh的像素值设置为1，而低于Tlow的像素值设置为0。同时，如果8个相邻的像素中有一个像素的值大于Thig，那么在Tlow和Thig之间的像素值被设置为1，否则它们被设置为0。Tlow是梯度差的最低阈值，Thigh是梯度差的最高阈值。进一步，步骤S2中从视频图像中追踪移动目标的方法为：S2.1计算视频图像中移动目标的特征信息；S2.2采用特征信息对卡尔曼滤波器进行初始化；S2.3采用卡尔曼滤波器对下一帧中对应的目标区域进行预测，当下一帧到来时，将目标区域内的图像与预测结果进行匹配；S2.4如果匹配成功，则更新卡尔曼滤波器。进一步，匹配的方法为匈牙利匹配算法，其通过最小化卡尔曼滤波得到的预测结果的质心与下一帧中实际检测到的图像的质心之间的欧氏距离之和将预测结果和检测到的图像进行匹配。进一步，步骤S2中判断其是否为飞虫的方法为：判断物体在相邻帧的质心移动距离是否大于其目标框的较短边缘的1/2，且移动方向为向上；或者，在相邻十帧内运动方向是否有大于等于三次的变换，若是则为飞虫，若否则判断不是飞虫。进一步，在步骤S3中对经过步骤S2处理的物体的边缘进行分类的方法为：将物体的每一个边缘放在一个边缘目标框中，计算每一边缘目标框与其他边缘目标框的距离，根据距离将边缘分为位于疑似遗留物的上方、下方、左方和右方四类，从而形成疑似遗留物的目标框。进一步，步骤S4中的疑似遗留物的目标框中物体的得分包括对象得分和静态得分，只有当对象得分和静态得分均大于步骤S4中阈值时，才确认目标框中物体为遗留物。进一步，对象得分的计算公式Sb为：其中，Treg、Breg、Rreg以及Lreg分别是满足位于疑似遗留物的上方、下方、左方和右方四类中满足凸性条件的边缘在长度之和，BBW和BBL分别为疑似遗留物的目标框的长度和宽度，λ是一个常数；静态得分Cb为：其中，指的是物体第i个边缘组边缘连接的集本文档来自技高网...

【技术保护点】
1.一种排除飞虫干扰的遗留物检测方法，其特征在于，包括以下步骤：/nS1从视频图像中获取物体的边缘；/nS2从所述视频图像中追踪移动目标，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除所述移动物体的边缘后，进入下一步；/nS3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；/nS4计算所述疑似遗留物的目标框中物体的得分，若所述得分大于阈值，则确认所述目标框中物体为遗留物，若所述得分小于阈值，则所述目标框中物体不是遗留物。/n

【技术特征摘要】
1.一种排除飞虫干扰的遗留物检测方法，其特征在于，包括以下步骤：
S1从视频图像中获取物体的边缘；
S2从所述视频图像中追踪移动目标，并判断其是否为飞虫，若否则直接进入下一步，若是则在步骤S1获取的物体的边缘中剔除所述移动物体的边缘后，进入下一步；
S3对经过步骤S2处理的物体的边缘进行分类，并根据分类结果确定疑似遗留物的目标框；
S4计算所述疑似遗留物的目标框中物体的得分，若所述得分大于阈值，则确认所述目标框中物体为遗留物，若所述得分小于阈值，则所述目标框中物体不是遗留物。


2.如权利要求1所述的排除飞虫干扰的遗留物检测方法，其特征在于，所述步骤S1中从视频图像中获取物体的边缘的方法为：
S1.1计算视频图像在水平方向和垂直方向的梯度值，计算背景图像在水平方向和垂直方向的梯度值；
S1.2计算水平方向上视频图像和背景图像的梯度差，计算垂直方向上视频图像和背景图像的梯度差；
S1.3根据水平方向和垂直方向的梯度差获得二值化的前景边缘掩膜；
S1.4根据所述前景边缘掩膜和每个边缘像素的时间累计得到稳定的边缘掩膜。


3.如权利要求2所述的排除飞虫干扰的遗留物检测方法，其特征在于，所述背景图像在水平方向的梯度值为：
Bx，t(x，y)＝Bx，t-1(x，y)+αDx，t(x，y)
所述背景图像在垂直方向的梯度值为：
By，t(x，y)＝By，t-1(x，y)+αDy，t(x，y)
其中，Bx，t(x，y)是t时刻水平方向上的背景模型的梯度，Bx，t(x，y)是t-1时刻水平方向上的背景模型的梯度；By，t(x，y)是t时刻垂直方向上的背景模型的梯度，By，t(x，y)是t-1时刻垂直方向上的背景模型的梯度；α是学习速率；Dx，t(x，y)是t时刻水平方向上视频图像和背景图像的梯度差；Dy，t(x，y)是t时刻垂直方向上视频图像和背景图像的梯度差。


4.如权利要求3所述的排除飞虫干扰的遗留物检测方法，其特征在于，所述稳定的边缘掩膜的计算公式为：SEMaskt(x，y)＝hyst(ACCt(x，y)，AOtime/2，AOtime)
其中，SEMaskt(x，y)表示边缘掩膜，hyst()是滞后阈值函数；AOtime遗留物被遗留时间的阈值；ACCt(x，y)是初始值为0的稳定边缘像素在t时刻时，时间累计下的掩膜，其公式为：



ACCt-1(x，y)是初始值为0的稳定边缘像素在t-1时刻时，时间累计下的掩膜，i表示检测视频的帧数，i％10＝0表示每10帧更新一次；Ft(x，y)是二值化的前景边缘掩膜，其公式为：
Fx，t(x，y)＝hyst(|Dx，t|，Tlow，Thigh)
Fy，t(...

【专利技术属性】
技术研发人员：马黎文，杨天骄，李洁，王雪嵩，
申请(专利权)人：通号通信信息集团有限公司，
类型：发明
国别省市：北京;11