基于嵌入式系统的遗留物和遗失物实时检测方法技术方案

本发明专利技术公开了一种基于嵌入式系统的遗留物和遗失物检测方法，该方法包括以下步骤：获取视频数据；基于长短周期混合高斯模型学习视频数据待检测图像中的背景，提取可疑静止目标物区域，并得到目标前景二值图；根据目标前景二值图对于可疑静止目标物区域的存留时间进行累积计时，在预设报警时间内，若存留时间超过一预定阈值，则触发报警，并把可疑静止目标物的大小尺寸和具体位置信息在原图像中标示出来；通过分析可疑静止目标物区域的边缘抖动情况确定该区域是否包含检测目标，最终得到目标矩形区域；对包含有检测目标的目标矩形区域进行遗留物和遗失物的区分，并进行报警。本发明专利技术运算开销较小，可在嵌入式SOC前端实现，能够满足实时性检测的要求。

【技术实现步骤摘要】
基于嵌入式系统的遗留物和遗失物实时检测方法
本专利技术涉及图像处理和视频智能分析在安防领域以及智能交通方面的应用，具体涉及一种基于嵌入式系统的遗留物和遗失物实时检测方法。
技术介绍
随着社会经济的发展，人们对安全防范的需求也越来越大。例如，机场、银行、地铁、候车厅等人多密集的重要场所，容易被恐怖分子等利用，通常具有很大的安全隐患，因此需要进行实时监测。而传统的监控系统基本只能用于事后证据呈现，却不能够实时检测异常事件的发生。遗留物和遗失物的实时检测用于辅助监控人员监察场景中是否有可疑物体遗留，以及场景中的重要物体是否被挪动或移走，具有主动监测、预警的功能。目前相关的遗留物检测技术方案中，主要是通过前端摄像机设备获取实时画面，通过网络传输到服务器平台后端实现分析，分析结束后再输出实时画面。基于后台智能分析服务器和监控平台的视频智能监视系统复杂，成本高昂，而且随着720P、1080P高清网络摄像机的普及，网络传输延时的滞后问题需要正视。随着嵌入式系统软硬件功能和性能的不断提高，基于嵌入式系统的前端智能分析逐渐显露出优势，集成的智能分析算法可以满足实时性检测的要求，并且大大缓解后端的处理压力，使得应用场合更加广泛。目前已有的检测技术只是将场景变化的区域判断为可疑遗留目标，没有严格区分遗留物和遗失物的智能分析环节，遗留物是指被人遗留下的、无人照看的静态物体；遗失物是指场景中被挪动或移走的静态物体。目前的检测方法中，主要存在两方面的问题：一是算法主要面向服务器端，占用的内存和CPU运行量较大，无法移植到嵌入式平台上进行实时检测，嵌入式平台对智能分析的方法要求更高；二是目前的检测方法性能依然不足，大多只适应于室内不变场景的检测，无法实现全天候检测，对于室外复杂的场景变化稳定性较差，特别是光照变化和暂留行人车辆的出现容易造成误测和虚报警情况的发生，这些问题还需要进一步的解决。
技术实现思路
为解决上述的技术问题，针对目前基于前端嵌入式系统的遗留物和遗失物实时检测
上的空白，本专利技术提出一种实时有效的检测方法。本专利技术可以集成在智能高清网络摄像机前端，有较高的实时性、准确性，以及鲁棒性，本专利技术适用于各种遗留物和遗失物自动检测的场所，并能达到理想的检测效果。本专利技术提出的一种遗留物和遗失物检测方法包括以下步骤：步骤1、获取视频数据；步骤2、基于长短周期混合高斯模型学习视频数据每一待检测图像中的背景，提取其目标前景，即可疑静止目标物区域，并得到目标前景二值图；步骤3、根据所述目标前景二值图对于所述可疑静止目标物区域的存留时间进行累积计时，在预设报警时间内，若存留时间T(x,y)超过一预定阈值Thmax，则触发报警，并把可疑静止目标物的大小尺寸和具体位置信息在原图像中标示出来，并输出显示；步骤4、通过分析所述可疑静止目标物区域的边缘抖动情况确定该区域是否包含检测目标，最终得到目标矩形区域；步骤5、对包含有检测目标的目标矩形区域进行遗留物和遗失物的区分，并进行报警。本专利技术基于前端嵌入式系统的遗留物和遗失物检测方法具有以下几点有益效果：（1）视频捕获、实时检测和触发报警等所有功能都是在嵌入式设备前端实现，大幅降低后台PC服务器的负荷，方便大型监控系统的集成和扩展。（2）对前景区域进行分析和归类，过滤掉不符合静止目标特征的前景区域（主要是暂留行人），减低误检率，并实现遗留物和遗失物的区分。（3）本专利技术考虑到了场景光线突变的情况并作了相应处理，从而提高了检测的稳定性。附图说明图1是本专利技术基于嵌入式系统的遗留物和遗失物检测方法的流程图；图2为遗失物的检测效果图；图3为遗留物的检测效果图。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白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。图1是本专利技术基于嵌入式系统的遗留物和遗失物检测方法的流程图，如图1所示，所述方法包括以下步骤：步骤1、获取视频数据；该步骤利用高性能嵌入式系统Soc硬件架构支持的DMA技术直接读写内存，从视频数据内存池里直接访问数据，取出经ISP优化后的每一帧图像数据来进行实时处理，从而减轻了处理器运算负载，大大提高了CPU的效率。步骤2、基于长短周期混合高斯模型学习视频数据每一待检测图像中的背景，提取其目标前景，即可疑静止目标物区域，并得到目标前景二值图；在本专利技术一实施例中，该步骤采用基于YUV颜色空间的混合高斯前景检测方法来提取目标前景。YUV颜色空间是视频中最常采用的图像色彩描述方法，比RGB颜色空间更能有效去除阴影的影响和提高背景与前景的区分度，而且前端设备无需进行颜色空间的转换，从而大大减少计算量和转换时间，更加节约系统资源。YUV颜色空间由亮度分量Y和两个色度分量U和V组成。亮度分量Y代表颜色的亮暗程度，用于短周期混合高斯建模，检测得到运动的目标物体和背景存在微小扰动变化的前景的二值图。U和V是独立的色差信号，用于描述图像的色彩及饱和度属性，一幅图像的U分量和V分量用来进行长周期的混合高斯建模，检测可疑的静止物体，因为Y亮度分量不计算在内，因此可以减少光照和阴影等因素对检测结果的影响。在长周期混合高斯建模和前景检测中，为了减少前端算法的运行时间，本专利技术采用UV色度分量交替检测和结合前后两帧的检测结果来判定前景像素点的方法。所述步骤2进一步包括以下步骤：步骤21、利用混合高斯(GMM)模型进行背景建模，建立两个不同更新学习率的混合高斯背景模型，分别是长周期背景模型ML和短周期背景模型MS；步骤22、利用混合高斯背景模型分别提取当前帧的前景图，得到长短周期两个背景模型的前景二值图FL和FS，具体如下；用图像帧的UV两个色度分量来更新长周期高斯背景模型ML，同时获取前景图像，然后通过设定合适阈值进行二值化，将二值化结果存放在与当前帧相同大小的矩阵FL中，即：其中，Un-1表示前一帧的图像U色度分量，Ub表示U色度分量高斯背景，Vn表示当前帧的图像V色度分量，Vb表示V色度分量高斯背景，TUV表示设定阈值。针对短周期混合高斯背景的运动物体检测，输入图像帧的亮度信息Y来更新短周期高斯背景模型MS，利用亮度信息检测的前景结果FS描述为：其中，Yn表示图像的亮度信息，Yb表示Y分量的高斯背景，TY表示预定阈值。综合上述两个混合高斯模型的前景信息，可得出可疑静止目标物的检测结果：其中，1表示检测结果为可疑静止目标物，0表示检测结果非可疑静止目标物。步骤23、然后对于得到的目标前景二值图进行中值滤波及形态学等后继处理，以降低噪声、过小的目标物等干扰因素所带来的不良影响，最终得到准确完整的可疑静止目标物的前景二值图；由于检测场景中可能会发生光照突变情况，得到的初始前景二值图会因为光线的变化而产生大面积误检区域。这里对前景二值图中属于前景的像素点，也即是F(x,y)=1的像素点个数SumF进行统计和进行双阈值判断，当0<SumF≤T1，表示场景中无异常变化或出现运动物体，前景二值图是运动噪声；当SumF≥T2时，场景信息发生了变化，认为是光照突变，快速重新建立混合高斯的背景模型；当T1<SumF<T2时，则认为是初步出现可疑物体，其中，T1和T2为预定阈值，且T2>T1。步骤24、当初步确定出现可疑目标物时，对当前的目标物前景二值图寻本文档来自技高网...

【技术保护点】
一种遗留物和遗失物检测方法，其特征在于，该方法包括以下步骤：步骤1、获取视频数据；步骤2、基于长短周期混合高斯模型学习视频数据每一待检测图像中的背景，提取其目标前景，即可疑静止目标物区域，并得到目标前景二值图；步骤3、根据所述目标前景二值图对于所述可疑静止目标物区域的存留时间进行累积计时，在预设报警时间内，若存留时间T(x,y)超过一预定阈值Thmax，则触发报警，并把可疑静止目标物的大小尺寸和具体位置信息在原图像中标示出来，并输出显示；步骤4、通过分析所述可疑静止目标物区域的边缘抖动情况确定该区域是否包含检测目标，最终得到目标矩形区域；步骤5、对包含有检测目标的目标矩形区域进行遗留物和遗失物的区分，并进行报警。

【技术特征摘要】
1.一种遗留物和遗失物检测方法，其特征在于，该方法包括以下步骤：步骤1、获取视频数据；步骤2、基于长短周期混合高斯模型学习视频数据每一待检测图像中的背景，提取其目标前景，即可疑静止目标物区域，并得到目标前景二值图；步骤3、根据所述目标前景二值图对于所述可疑静止目标物区域的存留时间进行累积计时，在预设报警时间内，若存留时间T(x，y)超过一预定阈值Thmax，则触发报警，并把可疑静止目标物的大小尺寸和具体位置信息在原图像中标示出来，并输出显示；步骤4、通过分析所述可疑静止目标物区域的边缘抖动情况确定该区域是否包含检测目标，最终得到目标矩形区域；步骤5、对包含有检测目标的目标矩形区域进行遗留物和遗失物的区分，并进行报警；其中，利用下式对于存留时间进行累计计时：其中，F(x，y)表示目标前景二值图，k≥0，为预设参数，Thmax为预定阈值。2.根据权利要求1所述的方法，其特征在于，所述步骤2进一步包括以下步骤：步骤21、利用混合高斯模型进行背景建模，建立两个不同更新学习率的混合高斯背景模型：长周期背景模型ML和短周期背景模型MS；步骤22、利用混合高斯背景模型分别提取当前帧的前景图，得到长短周期两个背景模型的前景二值图FL和FS，根据前景二值图FL和FS，检测得到可疑静止目标物；步骤23、对于得到的目标前景二值图进行中值滤波及形态学处理；步骤24、对当前的目标物前景二值图寻找连通域并进行标识。3.根据权利要求2所述的方法，其特征在于，前景二值图FL的获取具体为：用图像帧的U、V两个色度分量来更新长周期高斯背景模型ML，同时获取前景图像，然后通过设定合适阈值进行二值化，将二值化结果存放在与当前帧相同大小的矩阵FL中，即得到前景二值图FL：其中，Un-1表示前一帧的图像U色度分量，Ub表示U色度分量高斯背景，Vn表示当前帧的图像V色度分量，Vb表示V色度分量高斯背景，TUV表示设定阈值。4.根据权利要求2所述的方法，其...

【专利技术属性】
技术研发人员：胡斌，王飞跃，熊刚，李逸岳，陈鹏，蒋剑，田秋常，
申请(专利权)人：中国科学院自动化研究所，东莞中国科学院云计算产业技术创新与育成中心，
类型：发明
国别省市：