快速物体识别算法制造技术

本发明专利技术涉及一种快速物体识别算法，首先，将1秒中左右的序列帧在时域上进行中值滤波，作为静态背景；然后，利用背景减除和帧间差的融合算法确定运动的物体；继而，利用最大方差阈值分割将所得结果进行二值化，同时分析分割的有效性；最后，对于有效的分割，将结果合并，并利用卡尔曼滤波进行跟踪。本发明专利技术智能视频物体跟踪方法，跟踪的效果好，鲁棒性高，无需手动干预，并有效地防止了误跟踪及误报警现象。

【技术实现步骤摘要】

本专利技术涉及一种视频物体跟踪方法，尤其涉及一种快速物体识别算法，属于计算机图形图像学

技术介绍
智能视频分析是将计算机视觉方法引入到视频监控中。这一技术包括由视频图像序列自动地进行运动目标的检测、目标跟踪、目标分类和行为理解等方面的内容，目的是在图像及像描述之间建立映射关系，从而使计算机能够分析来理解视频画面中的内容。视频监控中所提到的智能视频技术主要指的是自动的分析和抽取视频源中的关键信息。如果把摄像机看作人的眼睛，而智能视频系统或设备则可以看作人的大脑。智能视频技术借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉监控者不关心的信息，仅仅为监控者提供有用的关键信息。在林林总总的目标检测中，物体的检测与识别是智能视频中最重要的一个部分。智能视频物体跟踪，需要具有较强的抗干扰能力，算法可以有效的解决由于外界环境引起的摄像机抖动，由于光线和天气引起的噪声干扰等等。视频分析的计算量非常大， 而在嵌入式平台上，如DSP或者ARM，完成核心算法的运行和相关计算对于视频分析的算法要求非常高。要尽量避免频域分析，光流计算及中值滤波等时间复杂度或者空间复杂度较高的算法。目前，几种常用的运动目标检测方法有帧间差法、背景减除和光流法。帧间差法又叫时间差分法(Temporal Difference)，充分利用了视频图像的特征，从连续得到的视频流中提取所需要的动态目标信息。背景减除法(Background Subtraction)是利用当前图像与背景图像的差分来检测出运动目标的一种技术。光流法(Optical Flow)的运动检测采用了运动目标随时间变化的光流特性，计算方法相当复杂，在视频实时处理的环境中被业界弃用。帧间差法又叫时间差分法(Temporal Difference)，充分利用了视频图像的特征， 从连续得到的视频流中提取所需要的动态目标信息。在一般情况下采集的视频图像，若仔细对比相邻两帧，可以发现其中大部分的背景像素均保持不变。只有在有前景移动目标的部分相邻帧的像素差异比较大。时间差分方法就是利用相邻帧图像的相减来提取出前景移动目标的信息的。时间差分运动检测方法对于动态环境具有较强的自适应性，但一般不能完全提取出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，只能够检测到目标的边缘。而且，当运动目标停止运动时，一般时间差分方法便失效。背景减除法(Background Subtraction)是目前运动检测中最常用的一种方法，是利用当前图像与背景图像的差分来检测出运动目标的一种技术。一般能够提供相对来说比较全面的运动目标的特征数据，大部分的研究人员目前都致力于开发更加实用的背景模型，以期减少动态场景变化对于运动目标检测效果的影响。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。但对于动态场景的变化，如光线照射情况和外来无关事件的干扰等特别敏感。实际上，背景的建模是背景减除方法的技术关键。由于该方法背景模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向、影子、树叶随风摇动等。
技术实现思路
本专利技术提供一种鲁棒性高、分割与跟踪效果好的智能视频物体跟踪算法，用户无需太多的手动干预，在选择好使用环境后即可使用。本专利技术的目的通过以下技术方案来实现快速物体识别算法，其特征在于首先，将1秒中左右的序列帧在时域上进行中值滤波，作为静态背景；然后，利用背景减除和帧间差的融合算法确定运动的物体；继而，利用最大方差阈值分割将所得结果进行二值化，同时分析分割的有效性；最后，对于有效的分害ι]，将结果合并，并利用卡尔曼滤波进行跟踪。上述的快速物体识别算法，包括以下步骤①静态背景模型建立与更新通过对1秒左右的序列帧进行时域中值滤波获得静态背景模型，利用跟踪后结果更新静态模型，减少由于噪声引起的场景变化对于运动目标检测效果的影响；②将帧间差法和背景检测的融合利用三帧差值得到物体移动轮廓，三帧差值操作是为判定合法运动区域，然后用背景减除法提取整个运动区域；对于摄像机采集的视频，令In(X)为像素位置X，时间t = n时的亮度值；三帧差分法认为像素是合法的移动，如果亮度值在当前帧和上一帧间以及当前帧和上上帧间变化很大，也就判定一个像素是移动的，仅当I In (x) -In^1 (χ) I > Tn (χ)且 I In (χ) _In_2 (χ) | > Tn (χ)Tn(X)是一个描述像素χ处的有效亮度变化阈值，阈值通过时域统计法得到；背景减除得到运动物体的大概轮廓，对于目标点块bn，{χ :| In O) - B(x)丨> Threshold,其中，B(x)是表示随着时间实时更新的背景模型，将此结果聚类到帧间差法得到的运动区域中，即可以得到一个较为完整的运动区域；B (χ)和T (χ)根据时间更新+ α)/ (χ),χ没有移动 = U1OcXx 移动\αΤη (χ) + (1 - a){m*丨1 ⑴-Bn⑴丨)，χ没有移动 "+办^^⑴，请多动α是时间常数，指定信息更新的速度，m为滤波系数；每个值只有当像素被判定为不移动的时候才改变，也是时静态背景的一部分；如果每个不移动的像素位置从时间序列来看，Bn(x)是与本地时间均值类似的；Tn(x)是与本地时间标准亮度差异的m倍类似；③最大方差阈值分割及有效性判定最大方差阈值分割，对一副灰度图像图像，记t为前景与背景的分割阈值，前景点数占图像比例为《0，平均灰度为U。；背景点数占图像比例为W1，平均灰度为U1;图像的总平均灰度为u = Wo^Uo+W^U!；从最小灰度值到最大灰度值遍历t，当t使得值g = Wtl*(Utl-U)2+Wl*(U1-U)2最大时t即为分割的最佳阈值；对大津法该式是类间方差值，阈值 t分割出的前景和背景两部分构成整幅图像，而前景取值Utl,概率为W0,背景取值U1，概率为W1，总均值为U，根据方差的定义即得该式；方差是灰度分布均勻性的一种度量，方差值越大，构成图像的两部分差别越大，当部分目标错分为背景或部分背景，错分为目标导致两部分差别变小，因此类间方差最大的分割，错分概率最小；而类间方差也是表征当前阈值分割是否有效的重要标准，如果前景和背景模糊，无法很明显的区分，就意味着最佳阈值没有意义，那么判定场景中是干扰信号，直接将前景图像全部置为O ；④结果合并及物体跟踪经过以上步骤得到有效分割结果，但是由于分割不是理想中每一个物体只会得到一个有效区域，事实上往往是一个物体被分割为多个有效区域，但是这些有效区域相邻特别近，而且根据前一帧的跟踪结果，进行目标区域的合并与聚类；合并步骤如下1)按照一定阈值将临近的分割区域的包围盒进行聚类合并；2)如果当前帧中的某包围盒在上一帧合并过的包围盒内部，直接合并；3)如果不在合并过的内部，那么根据阈值进行聚类，如果当前块离当前新合并包围盒较近，那么合并；如果与上一帧未合并块临近也合并；否则独立为一个包围盒标记为合并；4)更新包围盒合并的结果，并标出哪一个包围盒合并过；5)对于所有的包围，重复步骤3)、4)、5)；卡尔曼滤波是以最小均方误差为估计的最佳准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值本文档来自技高网...

【技术保护点】
１．快速物体识别算法，其特征在于：首先，将１秒中左右的序列帧在时域上进行中值滤波，作为静态背景；然后，利用背景减除和帧间差的融合算法确定运动的物体；继而，利用最大方差阈值分割将所得结果进行二值化，同时分析分割的有效性；最后，对于有效的分割，将结果合并，并利用卡尔曼滤波进行跟踪。

【技术特征摘要】

【专利技术属性】
技术研发人员：江振荣，黄波士，袁淑娟，
申请(专利权)人：苏州易斯康信息科技有限公司，
类型：发明
国别省市：32