运动目标识别方法及系统技术方案

本发明专利技术公开了一种运动目标识别方法及系统，所述运动目标识别方法包括：检测目标，从视频图像中提取感兴趣的区域；跟踪目标，建立帧与帧之间所提取区域之间的关联性和一致性，形成目标；分类目标，通过分类法对区域和目标进行分类，分类法包括区域分类法和目标分类法。本发明专利技术实现了运动目标的检测、跟踪和分类，解决了图像抖动、亮度变化、阴影、树叶摆动等问题。

【技术实现步骤摘要】

本专利技术涉及视频监控技术，特别是涉及一种智能视频监控系统中的运动目标识别方法及系统。
技术介绍
运动目标识别是智能视频监控系统的关键模块，其直接影响着后续处理。通常运动目标识别包括检测、跟踪、分类。 检测的目的是将视频场景中的运动目标区域从背景中分割出来。由于光照的变化、背景混乱运动的干扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在，给运动目标的正确检测带来了极大的挑战。为了实现运动目标检测，可以使用光流法和帧间差分法。光流法检测采用了目标随时间变化的光流特性，可以通过计算位移向量光流场来初始化目标的轮廓，从而使基于轮廓的跟踪算法有效地检测和跟踪目标。这种方法的缺点是大多数光流计算方法相当复杂，且抗噪性能差，如果没有特别的硬件装置，很难应用于场景图像的实时性操作。帧间差分法是检测相邻两帧图像之间变化的最简单方法，是直接比较两帧图像对象像素点像素值的不同，然后通过阈值来提取场景图像中的运动目标区域。这种方法的缺点是一般不能完全提取所有相关的特征像素点，在运动实体内部容易产生空洞现象，对基于区域的运动目标跟踪的鲁棒性不强，而且无法检测出静止的车辆，对于运动目标的速度有所限制。 跟踪的目的是在正确检测出运动目标的基础上，确定同一目标在不同场景图像中位置的过程。为了实现跟踪，可以使用图像匹配方法，如区域匹配、模型匹配。区域匹配是把参考图像的某一块整体与实时图像所有可能位置上进行叠加，然后计算某种图像相似性度量的相应值，其最大相似性相对应的位置就是目标的位置。这种方法的缺点是计算量大，难以达到实时性要求。模型匹配是根据模板来匹配场景图像中的目标。这种方法的缺点是计算分析复杂，运算速度慢，模型的更新较为复杂，实时性较差。 分类的目的是区分目标，如人和车。为了实现运动目标分类，可以使用贝叶斯算法和神经网络算法。贝叶斯算法是一类利用概率统计知识进行分类的算法，可以运用到大型数据库中，且方法简单、分类准确率高、速度快。这种方法的缺点是由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。神经网络算法能够模拟人类大脑的机构和功能，采用各种学习算法从训练样本中学习，并将获取的知识存储在网络各单元之间的连接权中，能够准确的分类目标。神经网络算法在1998年提出后，又出现许多变形，包括替换的误差函数、网络拓扑的动态调整、学习率和要素参数的动态调整。近年来，从神经网络中提取规则受到越来越多的关注。这种方法的缺点是由于要使用大量的训练样本，且在实际应用中要不断地更新样本信息，因此运算量极大。 综上所述，目前迫切需要提出更为有效的运动目标识别方案。
技术实现思路
有鉴于此，本专利技术的主要目的在于提供一种运动目标识别方法及系统。 为达到上述目的，本专利技术的技术方案是这样实现的 本专利技术提供了一种运动目标识别方法，该方法包括 检测目标，从视频图像中提取感兴趣的区域； 跟踪目标，建立帧与帧之间所提取区域之间的关联性和一致性，形成目标； 分类目标，通过分类法对区域和目标进行分类，分类法包括区域分类法和目标分类法。 根据本专利技术，所述检测目标包括如下步骤 获取视频，获取视频内容以得到场景图像，并建立背景模型；预处理图像，消除场景图像对背景模型的影响；标记区域，根据背景模型对场景图像进行前景分割，并标记出连通区域；维护状态，判定检测目标模块当前所处的状态，做出相应处理，并且在必要时做异常检测；增强区域，使用阴影检测、高亮检测和树滤波，剔除阴影、高亮和树叶摆动的虚假区域；以及，分裂与合并区域，使用背景模型提供的约束以及人和车模型的先验知识对区域进行合并和分裂处理，以解决目标过分割和目标相互遮挡问题。 其中，所述预处理图像包括滤波处理和全局运动补偿。 所述滤波处理包括对图像进行噪声过滤处理、图像平滑处理；所述全局运动补偿，是补偿由于相机轻微摆动而引起的图像全局运动，在全局运动补偿中，运动模型包括平移、旋转、变焦。 通过下列公式计算前景所在的矩形区域周围正负5个像素的区域亮度差IDS，得到全局运动补偿中图像平移的距离Δx、Δy，公式如下 其中，sx表示区域起点x坐标，sy表示区域起点y坐标，I(x，y)(t)表示当前帧图像灰度，I(x，y)(t-1)表示上一帧图像灰度；同理计算其它四个区域的Δx、Δy，最后求出Δx、Δy的平均值；将图像按照Δx、Δy的平均值进行平移得到补偿后的图像。 其中，所述标记区域包括如下步骤 前景分割，基于背景模型对场景图像进行分割，以得到前景的二值图像；形态学处理，使用数学形态学的方法处理所述的二值图像，以去除面积较小的虚假区域，并填充面积较大的区域；以及连通区域标记，用连通域的方法标记同一场景中的不同区域，以区别不同的目标区域。其中，所述维护状态包括状态判定和异常检测。 所述状态判定，是判定检测目标模块当前所处的状态，做出相应处理；当场景稳定时间超过阈值1，系统由初始化状态进入工作状态；当场景改变时间超过阈值2，系统由工作状态进入初始化状态。其中，所述阈值1优选为0.5～2秒之间，所述阈值2优选为5～20秒之间。 所述异常检测，是在视频信号干扰严重，以及有人为的遮挡相机的情况时执行；根据两次背景的边缘匹配值及背景初始化成功的最短时间判断，若当前帧的背景与背景模型的边缘相匹配的数值小于阈值3或背景初始化成功的最短时间超过阈值4，则认为是异常现象。其中所述阈值3优选为30～50之间。所述阈值4优选为6～20秒之间。 其中，所述增强区域包括阴影检测、高亮检测、树滤波。 阴影检测，针对每个连通区域，分别计算该连通区域内的像素值的均值，并将该均值作为阈值，判定该区域的阴影区域，然后将阴影区域滤除，若像素值小于所述阈值，则判定为阴影；高亮检测，检测图像是否处于高亮状态，若是，则进行亮度补偿，亮度补偿使得图像的像素值的均值为128；树滤波，检测图像中的摆动树叶和摆动树叶阴影，并将其从前景图像中滤除。 检测摆动树叶是根据以下两个特征之一判定实现的(1)运动轨迹跟踪，当运动轨迹点中目标对应区域属于运动区域面积的部分小于运动区域面积的阈值5时，则认为该目标是摆动树叶；(2)质心运动的振幅，当相邻轨迹点中目标质心的位移变化超过目标宽度的阈值6时，则认为该目标是摆动树叶。其中，所述阈值5优选为5％～15％之间，所述阈值6优选为1.5～2.5之间。 检测摆动树叶阴影的方法是分别统计膨胀操作前后该区域内膨胀操作前后像素值为“1”的点的个数，并计算它们的比值，若该比值小于阈值7，则认为该区域是摆动树叶阴影的区域。其中，所述阈值7优选为40％～60％之间。 其中，所述分裂与合并区域是基于所述增强区域的处理过程，判定相邻两区域是否是同一目标区域；若属于同一目标区域，则将这两个区域合并；否则，将其分裂；其中，相邻两区域是指区域边缘距离小于阈值8的区域。其中，所述阈值8优选为3～7个像素之间。 根据本专利技术，所述跟踪目标包括预测目标，用于估计目标的下一帧运动；匹配目标，用于跟踪匹配的稳定目标，并滤除虚假目标；更新目标，更新当前帧中稳定目标的模板。 其中，所述预测目标是根据目标运动的累加位移及其相应的累加时间，计算该本文档来自技高网...

【技术保护点】
一种运动目标识别方法，其特征在于，所述运动目标识别方法包括如下步骤：（１）检测目标，从视频图像中提取感兴趣的区域；（２）跟踪目标，建立帧与帧之间所提取区域之间的关联性和一致性，形成目标；和（３）分类目标，通过分类法对所述区域和所述目标进行分类，分类法包括区域分类法和目标分类法。

【技术特征摘要】
1.一种运动目标识别方法，其特征在于，所述运动目标识别方法包括如下步骤(1)检测目标，从视频图像中提取感兴趣的区域；(2)跟踪目标，建立帧与帧之间所提取区域之间的关联性和一致性，形成目标；和(3)分类目标，通过分类法对所述区域和所述目标进行分类，分类法包括区域分类法和目标分类法。2.根据权利要求1所述的方法，其特征在于，所述检测目标包括如下步骤获取视频，获取视频内容以得到场景图像，并建立背景模型；预处理图像，消除场景图像对背景模型的影响；标记区域，根据背景模型对场景图像进行前景分割，并标记出连通区域；维护状态，判定检测目标模块当前所处的状态，做出相应处理，并且在必要时做异常检测；增强区域，使用阴影检测、高亮检测和树滤波，剔除阴影、高亮和树叶摆动的虚假区域；分裂与合并区域，使用背景模型提供的约束以及人和车模型的先验知识对区域进行合并和分裂处理，以解决目标过分割和目标相互遮挡问题。3.根据权利要求2所述的方法，其特征在于，所述预处理图像包括滤波处理和全局运动补偿；其中，所述滤波处理包括对图像进行噪声过滤处理、图像平滑处理；所述全局运动补偿，是补偿由于相机轻微摆动而引起的图像全局运动，在全局运动补偿中，运动模型包括平移、旋转、变焦；通过下列公式计算前景所在的矩形区域周围正负5个像素的区域亮度差IDS，得到全局运动补偿中图像平移的距离Δx、Δy，公式如下其中，sx表示区域起点x坐标，sy表示区域起点y坐标，I(x，y)(t)表示当前帧图像灰度，I(x，y)(t-1)表示上一帧图像灰度；同理计算其它四个区域的Δx、Δy，最后求出Δx、Δy的平均值；将图像按照Δx、Δy的平均值进行平移得到补偿后的图像。4.根据权利要求2所述的方法，其特征在于，所述标记区域包括如下步骤前景分割，基于背景模型对场景图像进行分割，以得到前景的二值图像；形态学处理，使用数学形态学的方法处理所述的二值图像，以去除面积较小的虚假区域，并填充面积较大的区域；以及连通区域标记，用连通域的方法标记同一场景中的不同区域，以区别不同的目标区域。5.根据权利要求2所述的方法，其特征在于，所述维护状态包括状态判定和异常检测；其中，所述状态判定，是判定检测目标模块当前所处的状态，做出相应处理；当场景稳定时间超过阈值1，系统由初始化状态进入工作状态；当场景改变时间超过阈值2，系统由工作状态进入初始化状态；所述异常检测，是在视频信号干扰严重，以及有人为的遮挡相机的情况时执行；根据两次背景的边缘匹配值及背景初始化成功的最短时间判断，若当前帧的背景与背景模型的边缘相匹配的数值小于阈值3或背景初始化成功的最短时间超过阈值4，则认为是异常现象。6.根据权利要求2所述的方法，其特征在于，所述增强区域包括阴影检测、高亮检测、树滤波；其中，阴影检测，针对每个连通区域，分别计算该连通区域内的像素值的均值，并将该均值作为阈值，判定该区域的阴影区域，然后将阴影区域滤除，若像素值小于所述阈值，则判定为阴影；高亮检测，检测图像是否处于高亮状态，若是，则进行亮度补偿，亮度补偿使得图像的像素值的均值为128；树滤波，检测图像中的摆动树叶和摆动树叶阴影，并将其从前景图像中滤除；其中检测摆动树叶是根据以下两个特征之一判定实现的(1)运动轨迹跟踪，当运动轨迹点中目标对应区域属于运动区域面积的部分小于运动区域面积的阈值5时，则认为该目标是摆动树叶；(2)质心运动的振幅，当相邻轨迹点中目标质心的位移变化超过目标宽度的阈值6时，则认为该目标是摆动树叶；检测摆动树叶阴影的方法是分别统计膨胀操作前后该区域内膨胀操作前后像素值为“1”的点的个数，并计算它们的比值，若该比值小于阈值7，则认为该区域是摆动树叶阴影的区域。7.根据权利要求2所述的方法，其特征在于，所述分裂与合并区域是基于所述增强区域的处理过程，判定相邻两区域是否是同一目标区域；若属于同一目标区域，则将这两个区域合并；否则，将其分裂；其中，相邻两区域是指区域边缘距离小于阈值8的区域。8.根据权利要求1所述的方法，其特征在于，所述跟踪目标包括如下步骤预测目标，估计目标的下一帧运动；匹配目标，跟踪匹配的稳定目标，并滤除虚假目标；更新目标，更新当前帧中稳定目标的模板。9.根据权利要求8所述的方法，其特征在于，所述预测目标是根据目标运动的累加位移及其相应的累加时间，计算该目标运动的平均速度，并根据该速度预测目标的下一次位移；其中，所述累加位移、累加时间及平均运动速度的关系为v＝s/t其中，s为目标质心稳定运动多帧后的位移，t为目标运动多帧所需的时间，v为该目标稳定运动的平均速度；根据所述平均速度v预测的下一次位移为s′＝v·Δt其中，Δt为预测的目标时间，s′为目标质心稳定运动Δt时间后的位移。10.根据权利要求8所述的方法，其特征在于，所述匹配目标包括跟踪匹配的稳定目标和滤除虚假目标；其中，所述跟踪匹配的稳定目标是判定检测区域与跟踪目标是否匹配，所述匹配根据下述公式中检测区域与目标的匹配系数D来判定D＝Da*ADa+Db*ADb+Dc*ADc其中，Da为面积匹配系数，Db为直方图匹配系数，Dc为距离匹配系数。ADa、ADb、ADc分别为Da、Db、Dc对应的权值系数；当检测区域与目标的匹配系数D大于阈值9时，则判定该检测区域与目标匹配；滤除虚假目标是通过目标运动的轨迹分析，以滤除虚假的目标区域；其中，轨迹分析是利用目标轨迹信息，统计面积变化的平滑性和质心点变化的平稳性。11.根据权利要求10所述的方法，其特征在于，面积匹配系数Da，是当检测区域与目标相交的区域的面积大于目标的面积的阈值10时，则认为该检测区域满足面积的匹配，Da取1；否则Da取0；直方图匹配系数Db，是当检测区域与目标相交的区域的直方图大于目标的直方图的阈值11时，则认为该检测区域满足直方图的匹配，Db取1；否则Db取0；距离匹配系数Dc，根据检测区域是运动的还是静止的两种情况来考虑距离匹配系数Dc；若当前帧图像与前一帧图像中检测区域的差分图像中，前景点的个数大于背景点个数的阈值12时，则认为检测区域是运动的，否则认为该检测区域是静止的；当检测区域是运动时，计算当前一帧图像中检测区域的中心与当前帧图像中检测区域的中心的距离，若该距离小于目标所在矩形框的对角线长度的阈值13，则认为满足距离的匹配，Dc取1；否则Dc取0；当检测区域是静止时，计算前一帧图像中检测区域的中心与当前帧图像中检测区域的中心的距离，若该距离小于...

【专利技术属性】
技术研发人员：曾建平，王正，杨学超，袁雪庚，菅云峰，
申请(专利权)人：北京智安邦科技有限公司，
类型：发明
国别省市：11[中国|北京]