專(zhuān)利名稱(chēng)：靜態(tài)目標(biāo)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，涉及一類(lèi)靜態(tài)目標(biāo)檢測(cè)方法，用于行為識(shí)別領(lǐng)域里 的人員在崗的檢測(cè)。
背景技術(shù)：
在有執(zhí)勤、值班任務(wù)要求的場(chǎng)合，往往要求執(zhí)勤人員、值班人員堅(jiān)守崗位。這些執(zhí) 勤人員往往擔(dān)負(fù)著重要場(chǎng)所、崗位的執(zhí)勤任務(wù)，如看守彈藥庫(kù)、監(jiān)獄、首長(zhǎng)住所、重要辦公場(chǎng) 所的衛(wèi)兵執(zhí)勤等。一旦執(zhí)勤人員擅自脫離崗位或受到非法襲擊等特殊事件，可能會(huì)造成重 大安全事故，甚至威脅到場(chǎng)所內(nèi)值班人員的生命和財(cái)產(chǎn)安全。因此，需要對(duì)這類(lèi)目標(biāo)的狀態(tài) 進(jìn)行實(shí)時(shí)監(jiān)控，確保目標(biāo)處于在崗狀態(tài)。靜態(tài)目標(biāo)檢測(cè)的任務(wù)從根本上就是從視頻序列中檢測(cè)是否有感興趣的目標(biāo)存在， 如果存在則屬于正常狀態(tài)，否則進(jìn)行報(bào)警提示。從這個(gè)意義上講，靜態(tài)目標(biāo)檢測(cè)技術(shù)需要通 過(guò)對(duì)執(zhí)勤人員的檢測(cè)來(lái)完成，即需要通過(guò)行人檢測(cè)(Humandetection)技術(shù)來(lái)實(shí)現(xiàn)。研究人員提出了不同的方法來(lái)解決行人檢測(cè)中的各種問(wèn)題，根據(jù)所利用的信息的 不同，行人檢測(cè)方法可以分為基于運(yùn)動(dòng)的識(shí)別方法和基于形狀的識(shí)別方法兩類(lèi)?；谶\(yùn)動(dòng)的識(shí)別方法又可以分成兩種情況基于背景減除算法和步態(tài)識(shí)別的方 法。基于背景減除的方法，首先檢測(cè)出場(chǎng)景中的運(yùn)動(dòng)目標(biāo)，然后根據(jù)行人在形狀、大小、速度 等特征來(lái)判斷是否為行人?；诓綉B(tài)識(shí)別的方法，則是通過(guò)對(duì)行人的步態(tài)的分析與行人步 態(tài)的周期性模式相比較，識(shí)別出行人?；谶\(yùn)動(dòng)的識(shí)別方法對(duì)背景十分依賴(lài)，只能識(shí)別出運(yùn) 動(dòng)的行人。基于形狀識(shí)別的方法，主要用于靜態(tài)圖像或動(dòng)態(tài)場(chǎng)景中的行人檢測(cè)。研究人員采 用局部曲線(xiàn)段來(lái)表示人的形狀，或以分級(jí)策略直接對(duì)全局形狀進(jìn)行建模，或用全局或局部 描述子間接來(lái)表示人的形狀?；谛螤钭R(shí)別的方法大都需要收集樣本，對(duì)訓(xùn)練樣本提取特 征。通過(guò)SVM、Adaboost或其他分類(lèi)器來(lái)訓(xùn)練分類(lèi)器，在檢測(cè)時(shí)提取同樣的特征，用學(xué)習(xí)之 后得到的分類(lèi)器進(jìn)行分類(lèi)。該類(lèi)方法需要足夠多的樣本進(jìn)行學(xué)習(xí)，用于檢測(cè)時(shí)也需要對(duì)整 幅圖像進(jìn)行處理，因此計(jì)算復(fù)雜，實(shí)時(shí)性差，當(dāng)場(chǎng)景復(fù)雜時(shí)，會(huì)導(dǎo)致較大的誤差。

發(fā)明內(nèi)容
本發(fā)明提出了一種融合運(yùn)動(dòng)特征和目標(biāo)模型統(tǒng)計(jì)特征的靜態(tài)目標(biāo)檢測(cè)方法。采用 行列錯(cuò)位相減圖像的幀差來(lái)提取目標(biāo)運(yùn)動(dòng)特征，采用基于目標(biāo)模型和候選區(qū)域的統(tǒng)計(jì)特征 匹配來(lái)檢測(cè)目標(biāo)，并根據(jù)目標(biāo)運(yùn)動(dòng)特征和模板與候選區(qū)域的相似性度量動(dòng)態(tài)更新模板。為 了提高檢測(cè)的實(shí)時(shí)性，本發(fā)明還采用積分圖進(jìn)行優(yōu)化特征提取。一種靜態(tài)目標(biāo)檢測(cè)方法，該方法包括步驟(1)由初始化單元對(duì)輸入視頻初始化；步驟(2)由特征提取單元提取目標(biāo)的運(yùn)動(dòng)特征；步驟(3)由特征提取單元提取目標(biāo)的統(tǒng)計(jì)特征；
步驟(4)由檢測(cè)單元使用變步長(zhǎng)的模板匹配方法對(duì)目標(biāo)檢測(cè)；步驟(5)由檢測(cè)單元使用融合運(yùn)動(dòng)特征和目標(biāo)模型統(tǒng)計(jì)特征的靜態(tài)目標(biāo)檢測(cè)方 法對(duì)目標(biāo)進(jìn)行檢測(cè)。進(jìn)一步，該方法還包括，步驟(2)中，采用基于錯(cuò)位相減圖像的幀差圖像來(lái)提取運(yùn) 動(dòng)特征。進(jìn)一步，該方法還包括，步驟(3)中，采用積分圖優(yōu)化目標(biāo)的統(tǒng)計(jì)特征進(jìn)行提取。進(jìn)一步，該方法還包括，步驟(4)中，所述變步長(zhǎng)的模板匹配方法為根據(jù)當(dāng)前的模 板和候選區(qū)域的模板之間的距離來(lái)調(diào)整搜索步長(zhǎng)，如果距離較大，則增大搜索的步長(zhǎng)；否 則，減小搜索的步長(zhǎng)。進(jìn)一步，該方法還包括，步驟(5)中檢測(cè)單元使用靜態(tài)目標(biāo)檢測(cè)方法進(jìn)行檢測(cè)中， 采用模板更新策略判斷目標(biāo)是否進(jìn)行顯著運(yùn)動(dòng)。進(jìn)一步，該方法還包括，步驟(5)中檢測(cè)單元使用靜態(tài)目標(biāo)檢測(cè)方法進(jìn)行檢測(cè)中， 當(dāng)目標(biāo)相對(duì)靜止或存在微小運(yùn)動(dòng)時(shí)，如果模板與當(dāng)前幀的候選區(qū)域之間距離的最小值小于 給定的閾值，則目標(biāo)還處于場(chǎng)景中；否則，更新模板，進(jìn)行下兩幀的比對(duì)。判斷目標(biāo)是否離開(kāi)的檢測(cè)方法，該方法包括步驟(1)由初始化單元對(duì)輸入視頻初始化；步驟(2)由特征提取單元將前后兩幀圖像錯(cuò)位相減后進(jìn)行求幀差運(yùn)算，根據(jù)得 到的幀差圖像來(lái)提取運(yùn)動(dòng)特征；步驟(3)根據(jù)提取到的運(yùn)動(dòng)特征判斷是否發(fā)生了顯著運(yùn)動(dòng)，如果發(fā)生了顯著運(yùn) 動(dòng)，則轉(zhuǎn)到步驟(4)，否則，轉(zhuǎn)到步驟(7)；步驟(4)判斷目標(biāo)是否離開(kāi)崗位，如果目標(biāo)離開(kāi)崗位時(shí)，則轉(zhuǎn)到步驟(5)，否則， 轉(zhuǎn)到步驟(6)；步驟(5)如果目標(biāo)滿(mǎn)足返崗的條件，則消除報(bào)警提示，轉(zhuǎn)到步驟(6)；否則，轉(zhuǎn)到 步驟⑵；步驟(6)，更新目標(biāo)模板，轉(zhuǎn)到步驟(2)；步驟(7)，判斷目標(biāo)是否離開(kāi)場(chǎng)景的檢測(cè)區(qū)域，如果離開(kāi)，轉(zhuǎn)到步驟(2)；否則，轉(zhuǎn) 到步驟⑶；步驟(8)，計(jì)算模板和當(dāng)前幀的最小距離，如果該距離小于給定的閾值Td，目標(biāo)離 開(kāi)場(chǎng)景的檢測(cè)區(qū)域，轉(zhuǎn)到步驟(9)；否則，轉(zhuǎn)到步驟(6)；步驟(9)，如果目標(biāo)離開(kāi)時(shí)間大于預(yù)定時(shí)間，如果條件成立，轉(zhuǎn)到步驟(10)；否則， 轉(zhuǎn)到步驟⑵；步驟(10)，給出報(bào)警提示，表明目標(biāo)已經(jīng)離開(kāi)，轉(zhuǎn)到步驟(2)，直至所有圖像幀處
理完畢。進(jìn)一步，所述步驟(1)的視頻初始化包括初始化參數(shù)和目標(biāo)模型，設(shè)定檢測(cè)區(qū) 域、目標(biāo)模型區(qū)域的位置，以及給出目標(biāo)是否在崗的信息。進(jìn)一步，所述步驟(2)的運(yùn)動(dòng)特征包括連通域的個(gè)數(shù)、面積、寬和高。本發(fā)明靜態(tài)目標(biāo)檢測(cè)方法與現(xiàn)有技術(shù)相比，其優(yōu)點(diǎn)在于1、采用基于錯(cuò)位相減的幀間差分結(jié)果，作為目標(biāo)運(yùn)動(dòng)特征，能抑制干擾，滿(mǎn)足實(shí)時(shí) 性要求。
2、依據(jù)模板與候選區(qū)域的統(tǒng)計(jì)特征，檢測(cè)當(dāng)前幀是否存在目標(biāo)，運(yùn)算簡(jiǎn)單，采用積 分圖優(yōu)化特征提取來(lái)滿(mǎn)足實(shí)時(shí)性的要求。3、根據(jù)目標(biāo)運(yùn)動(dòng)特征及模板和候選區(qū)域之間的相似性度量，采用模板匹配算法來(lái) 搜索與模板最相似的區(qū)域，動(dòng)態(tài)更新模板，保證了模板準(zhǔn)確性，從而保證了檢測(cè)結(jié)果的準(zhǔn)確 性。


圖1為本發(fā)明靜態(tài)目標(biāo)檢測(cè)方法的流程圖；圖2a為本發(fā)明積分圖的示意圖；圖2b為本發(fā)明利用積分圖計(jì)算任意矩形內(nèi)元素和的示意圖；圖3為本發(fā)明判斷目標(biāo)是否離開(kāi)的檢測(cè)方法流程圖。
具體實(shí)施例方式下面參照附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)說(shuō)明，在描述過(guò)程中省略了對(duì)于本 發(fā)明來(lái)說(shuō)是不必要的細(xì)節(jié)和功能，以防止對(duì)本發(fā)明的理解造成混淆。本發(fā)明提供了一種靜態(tài)目標(biāo)檢測(cè)方法，如圖1所示，該方法包括如下步驟步驟1，由初始化單元對(duì)輸入視頻初始化。對(duì)于輸入的視頻，首先由初始化單元初始化該視頻的參數(shù)，并建立目標(biāo)模型，包 括設(shè)定檢測(cè)區(qū)域和目標(biāo)模型區(qū)域的位置，在初始化時(shí)還需要給出目標(biāo)是否在崗的信息。一 旦初始化完成，如下的目標(biāo)檢測(cè)可按設(shè)定自動(dòng)進(jìn)行。步驟2，由特征提取單元提取目標(biāo)的運(yùn)動(dòng)特征。為了濾除圖像中的噪聲，先通過(guò)錯(cuò)位相減，即用原圖像和其在行和列方向上存在 一個(gè)像素偏差的圖像進(jìn)行減法運(yùn)算，從而提取圖像的梯度信息，把圖像中的邊緣特征突出 出來(lái)，運(yùn)算簡(jiǎn)單，實(shí)時(shí)性能高。首先求取輸入圖像當(dāng)前幀It灰度值的列間梯度 再求取It灰度值的行間梯度It, GV (x; y) = I It (x; y)-It(x-l, y)(2)則采用像素灰度值在行列間梯度的最大值It,e(x，y)，作為圖像當(dāng)前幀It對(duì)應(yīng)的行 列錯(cuò)位相減的結(jié)果It,G(x，y) = max(It,GH，It,GV)同理，計(jì)算出It_i的行列錯(cuò)位相減的灰度值t 列間錯(cuò)位相減的圖像差異進(jìn)行，得到運(yùn)動(dòng)像素的二值掩碼M(x，y) M(X^)J1⑷ 其中，T為給定的閾值，對(duì)M(x，y)采用連通域分析的方法提取運(yùn)動(dòng)的Blob (連通 域)，并根據(jù)目標(biāo)的先驗(yàn)知識(shí)和Blob之間的關(guān)系，對(duì)Blob進(jìn)行合并；統(tǒng)計(jì)合并后的Blob的 數(shù)目Bn，第i個(gè)Blob的面積Bs(i)、*Bw(i)、高Bh⑴等參數(shù)，其中，i = 1,2, ... , Bn，得到 目標(biāo)的運(yùn)動(dòng)特征。
(3)
運(yùn)動(dòng)像素的判斷則通過(guò)前后幀在行
6 分別按照公式(1)和公式(2)對(duì)當(dāng)前幀進(jìn)行行列錯(cuò)位相減，其最終的結(jié)果用公式 (3)表示。這樣經(jīng)過(guò)錯(cuò)位相減后的圖像，圖像的梯度信息得以保留，而變化平緩的區(qū)域，經(jīng)過(guò) 錯(cuò)位相減后，其梯度信息很小。再按照公式(4)，通過(guò)對(duì)前后兩幀的圖像進(jìn)行幀間差分，就可 以把運(yùn)動(dòng)的像素突出出來(lái)。其中，閾值T的選擇可根據(jù)具體的應(yīng)用場(chǎng)景調(diào)整。本實(shí)施例中，以原始圖像灰度值 均值的一半作為判斷是否為運(yùn)動(dòng)像素的閾值。由于運(yùn)動(dòng)像素的差異比較大，灰度值差值大 于該閾值T的像素為運(yùn)動(dòng)像素，灰度值差值小于或等于該閾值T的像素為靜止像素。對(duì)運(yùn)動(dòng)的像素進(jìn)行連通域的分析，可得到運(yùn)動(dòng)Blob的數(shù)目，及每個(gè)Blob的面積、 寬、高等屬性，從而可以根據(jù)這些屬性來(lái)表示目標(biāo)的運(yùn)動(dòng)特征。步驟3，由特征提取單元提取目標(biāo)的統(tǒng)計(jì)特征。由步驟2得，I“為錯(cuò)位相減后得到的圖像，目標(biāo)區(qū)域在該圖像中對(duì)應(yīng)位置為It,eM， 目標(biāo)區(qū)域的寬度為K，目標(biāo)區(qū)域的高度為L(zhǎng)。為了增強(qiáng)統(tǒng)計(jì)的魯棒性，目標(biāo)區(qū)域It,eM在水平 方向上被分成m份，在垂直方向上被分成η份。這樣目標(biāo)區(qū)域It,eM被均等的分成了 mn個(gè)小 區(qū)域It.au，其中j = 1，. . .，mn，mn = mXn。目標(biāo)特征的提取將在每個(gè)小的區(qū)域It,eMj上進(jìn) 行。為了表示目標(biāo)在水平方向上的特征，特征提取單元首先提取在水平方向的紋理。 在這里紋理用水平上相鄰像素梯度的差異來(lái)表示， 其中，T2為一個(gè)預(yù)先給定的灰度值的閾值，取決于圖像的噪聲水平，實(shí)驗(yàn)中取10。 Dh(x, y)為1表示在水平上相鄰像素之間的灰度值差異較大，大于給定的閾值T2 ；當(dāng)其取值 為O時(shí)，表示在水平上相鄰像素之間的灰度值沒(méi)有明顯的差異，則第j個(gè)小區(qū)域Ititao的特 征為
(6)但是該特征只包括水平方向的變化，事實(shí)上目標(biāo)可能會(huì)垂直或傾斜運(yùn)動(dòng)，為此，分 別在這些方向統(tǒng)計(jì)該區(qū)域的特征，所選取的方向包括垂直方向v，與當(dāng)前像素成45度方向 si和與當(dāng)前像素成負(fù)45度方向s2，則相應(yīng)的相鄰像素的梯度差異分別為 同理，可以得到這三個(gè)方向的特征 其中，u= {v,sl,s2}分別表示垂直方向，正45度和負(fù)45度方向區(qū)域j的紋理特 征。以上得到的只是每個(gè)子區(qū)域在不同方向上的紋理特征，則整個(gè)目標(biāo)區(qū)域的紋理特 征為 其中，V' u= (V' u(ll···”。(!!^^!！二傷，^^，⑵丨，則總的特征維數(shù)為細(xì)!!。 為了使該特征具有相對(duì)不變性，需要對(duì)特征進(jìn)行歸一化。首先對(duì)每個(gè)方向的特征進(jìn)行歸一 化處理，然后再對(duì)總的特征進(jìn)行歸一化。Vm = (Vh, Vv, Vsl, Vs2)(12)其中，Vu分別為不同方向上特征V' u的歸一化特征向量，U= {h，V，sl，s2}。上述特征的求取能夠滿(mǎn)足單路視頻的需求，但是現(xiàn)場(chǎng)的應(yīng)用中往往要求在同一臺(tái) PC上，能夠同時(shí)監(jiān)視多路視頻，也就是需要同時(shí)運(yùn)行多個(gè)實(shí)例，采用積分圖來(lái)優(yōu)化特征的提 取可以顯著改善算法的性能。用ii表示積分圖，ii(x, y)表示在(X，y)的左上角區(qū)域所包含元素之和，如下式 所示"(x^)= Σ Kx^y1)(13)
x'<x,y'<y其中，i(x'，y')為輸入圖像。如圖2a所示，ii(x, y)表示積分圖在(x，y)處 的值。整個(gè)積分圖的計(jì)算可以通過(guò)如下的方式，對(duì)圖像遍歷一次得到s (x, y) = s (χ, y-l)+i(x, y)(14)ii(x, y) = ii(x-l, y)+s(x, y)(15)在計(jì)算出積分圖后，就可以計(jì)算任意矩形內(nèi)的元素和。如圖2b所示，在位置1處 的積分圖的值S1為矩形A內(nèi)元素和，在位置2處的積分圖的值S2為A和B內(nèi)元素和，在位 置3處的積分圖的值S3為A和C內(nèi)元素和，在位置4處的積分圖的值S4為A、B、C和D內(nèi) 的元素和，則矩形D內(nèi)的元素之和sD可以通過(guò)下式計(jì)算sD = S^S4-(s2+s3)(16)設(shè)當(dāng)前幀It的行列錯(cuò)位相減的結(jié)果It, e，特征提取是在每個(gè)搜索區(qū)域內(nèi)分塊進(jìn)行 統(tǒng)計(jì)與當(dāng)前像素在位置上處于水平(一)、垂直(丨)、成45度(7)、成負(fù)45度(\)四個(gè)方 向的特征。為了利用積分圖，這里先計(jì)算整幅圖像It,e在上述四個(gè)方向的特征，即
_ Zdm(X^)J1 AU^yyko^ypT,(17)
0elseV. 其中，U表示四個(gè)方向，U ={—，丨，\}。It,Gu(x，y)表示It,G(x，y)分別在U 方向上移動(dòng)一個(gè)像素后得到的圖像。然后按照公式(14)和公式(15)，計(jì)算這四個(gè)方向上特 征圖像IDu(x，y)的積分圖IFu(x，y)。這樣在模板匹配的過(guò)程中，任意小區(qū)域的特征都可以 由積分圖上的四次查表和四次加減運(yùn)算得到。在得到每個(gè)小區(qū)域的特征后，按照公式(11) 和(12)就能很方便得到候選區(qū)域的特征。
8
步驟4，由檢測(cè)單元使用變步長(zhǎng)模板匹配的方法對(duì)目標(biāo)檢測(cè)。輸入圖像為I，模板圖像為Im。模板匹配的方法是通過(guò)逐點(diǎn)比較的方法，從圖像I 中找到與Im最為匹配的部分。不同于傳統(tǒng)的模板匹配的算法，本發(fā)明的檢測(cè)單元不是直接 用圖像進(jìn)行比較，而是比較圖像特征之間的相似程度。模板圖像的特征為VM，待匹配區(qū)域的 圖像特征為VT。兩者之間的相似度用歐式距離來(lái)衡量，如下式 其中，M為向量中分量的個(gè)數(shù)，VMd、VTd分別為向量Vt^n Vt的第j個(gè)特征分量。如 果d的最小值dmin小于給定的閾值Td，則認(rèn)為找到了匹配的區(qū)域。否則，匹配失敗，更新模 板，進(jìn)行圖像的下兩幀的比對(duì)。本方法采用一種變步長(zhǎng)的搜索策略，來(lái)加快搜索過(guò)程。搜索步長(zhǎng)決定了搜索的快 慢，步長(zhǎng)越大，搜索速度越快；步長(zhǎng)越小，搜索速度越慢。假設(shè)初始的搜索步長(zhǎng)為S，則可以根據(jù)相似度來(lái)更新步長(zhǎng) 其中，α為一比例因子，用于控制步長(zhǎng)更新的程度。α越大對(duì)步長(zhǎng)的影響程度越 大。β為一閾值，來(lái)決定是增加還是減少步長(zhǎng)上式表明如果當(dāng)d大于β時(shí)，說(shuō)明兩者相似 程度小，因此應(yīng)該增加搜索步長(zhǎng)；當(dāng)d小于β時(shí)，說(shuō)明兩者比較相似，因此應(yīng)該減少搜索步長(zhǎng)。從搜索方式的角度來(lái)說(shuō)，當(dāng)模板圖像和待匹配圖像之間的相似程度較大時(shí)，由公 式(18)可得d的值較小，進(jìn)而由公式(19)可得搜索步長(zhǎng)S較大，則搜索的速度較快，針對(duì) 待匹配圖像進(jìn)行較粗略的搜索；同理，當(dāng)模板圖像和待匹配圖像之間的相似程度較小時(shí)，由 公式(18)可得d的值較大，進(jìn)而由公式(19)可得搜索步長(zhǎng)S較小，則搜索的速度較慢，針 對(duì)待匹配圖像進(jìn)行較精細(xì)的搜索。步驟5，由檢測(cè)單元使用融合運(yùn)動(dòng)特征和目標(biāo)模型統(tǒng)計(jì)特征的靜態(tài)目標(biāo)檢測(cè)方法 對(duì)目標(biāo)進(jìn)行檢測(cè)。模板更新本方法的檢測(cè)單元在使用靜態(tài)目標(biāo)檢測(cè)方法進(jìn)行檢測(cè)時(shí)，采用了一種在線(xiàn)更新模 板的方式，基于兩種情況來(lái)更新模板(1)顯著運(yùn)動(dòng)時(shí)的模板更新當(dāng)場(chǎng)景中存在顯著運(yùn)動(dòng)，表明目標(biāo)處于監(jiān)控場(chǎng)景中。所謂的顯著運(yùn)動(dòng)是指通過(guò)和 目標(biāo)模型相比，在運(yùn)動(dòng)特征上通過(guò)對(duì)Blob的數(shù)目，以及每個(gè)Blob的面積Bs (i)、寬Bw (i)、高 Bh(i)等參數(shù)綜合比較，可以判斷目標(biāo)是否處于較大范圍的運(yùn)動(dòng)狀態(tài)。這種較大范圍的運(yùn) 動(dòng)稱(chēng)為顯著運(yùn)動(dòng)，如目標(biāo)巡邏、換崗、返回等。目標(biāo)在巡邏、換崗及離崗返回的過(guò)程中隨時(shí)會(huì) 停下來(lái)，保持相對(duì)靜止的狀態(tài)，此過(guò)程中需要及時(shí)更新模板，來(lái)反映哨兵在場(chǎng)景中的狀態(tài)變 化。也就是只要場(chǎng)景中存在著顯著的運(yùn)動(dòng)，就需要及時(shí)更新模板。(2)相對(duì)靜止或存在微小運(yùn)動(dòng)時(shí)的模板更新
9
當(dāng)目標(biāo)處于相對(duì)靜止的狀態(tài)時(shí)或存在微小運(yùn)動(dòng)時(shí)，都會(huì)導(dǎo)致初始模板和當(dāng)前圖像 幀中的最匹配區(qū)域的相似度降低。如果這種運(yùn)動(dòng)是漸進(jìn)的，其累積效果會(huì)導(dǎo)致模板與候選 區(qū)域極不相似。當(dāng)目標(biāo)此時(shí)靜止不動(dòng)，就可能誤認(rèn)為場(chǎng)景中沒(méi)有和模型相似的目標(biāo)，從而做 出目標(biāo)離開(kāi)場(chǎng)景的判斷。此時(shí)的模板更新，可以根據(jù)模板與當(dāng)前幀所在的候選區(qū)域之間距離的最小值dmin 來(lái)判斷。如果該最小值小于給定的閾值Td，則說(shuō)明目標(biāo)還處于場(chǎng)景中，在姿態(tài)、形體等表觀 上發(fā)生了輕微的變化，此時(shí)應(yīng)當(dāng)用最匹配的區(qū)域來(lái)更新模板，以反映這種變化。對(duì)目標(biāo)進(jìn)行檢測(cè)包括目標(biāo)離開(kāi)檢測(cè)和目標(biāo)返回檢測(cè)兩種。1、目標(biāo)離開(kāi)檢測(cè)如果場(chǎng)景中沒(méi)有檢測(cè)到運(yùn)動(dòng)目標(biāo)，且當(dāng)dmin大于給定的閾值Td 時(shí)，認(rèn)為目標(biāo)離開(kāi)了場(chǎng)景。如果在連續(xù)的時(shí)間段Ts內(nèi)都沒(méi)有檢測(cè)到目標(biāo)，則給出目標(biāo)離開(kāi) 的提示。2、目標(biāo)返回檢測(cè)目標(biāo)離開(kāi)崗位后，隨時(shí)都會(huì)返回崗位，返回后應(yīng)當(dāng)消除報(bào)警提 示，并及時(shí)更新模板。目標(biāo)返回的檢測(cè)可以通過(guò)顯著運(yùn)動(dòng)進(jìn)行判斷，如果存在顯著運(yùn)動(dòng)，且 持續(xù)時(shí)間大于特定閾值TmOffl表示目標(biāo)進(jìn)行顯著運(yùn)動(dòng)時(shí)間的閾值)，并且此時(shí)與模板最匹配 的距離小于2Td，即2倍的給定的閾值Td，則認(rèn)為目標(biāo)返回崗位。同標(biāo)返回崗位，則消除報(bào)警 提示，更新模板。本發(fā)明判斷目標(biāo)是否離開(kāi)位置的檢測(cè)方法如圖3所示。(1)對(duì)于輸入的視頻，首先由初始化單元對(duì)其進(jìn)行初始化參數(shù)和目標(biāo)模型，這里 需要設(shè)定檢測(cè)區(qū)域和目標(biāo)模型區(qū)域的位置，在系統(tǒng)初始化時(shí)還需要給出目標(biāo)是否在崗的信 息，一旦初始化完成，目標(biāo)檢測(cè)就可以自動(dòng)進(jìn)行了。(2)采用基于錯(cuò)位相減圖像得到的幀差圖像來(lái)提取運(yùn)動(dòng)特征。(3)根據(jù)檢測(cè)到的運(yùn)動(dòng)信息，即將幀差圖像的二值化后的結(jié)果提取連通域，根據(jù)連 通域的面積、個(gè)數(shù)，和連通域的寬度、高度來(lái)判斷目標(biāo)是否發(fā)生了運(yùn)動(dòng)。如連通域的面積較 大或者連通域數(shù)目較多或者連通域的寬度和高度較大，表明前后兩幀中，目標(biāo)發(fā)生了較大 幅度的運(yùn)動(dòng)，則認(rèn)為目標(biāo)發(fā)生了顯著運(yùn)動(dòng)，則轉(zhuǎn)(4)；否則，前后兩幀中目標(biāo)發(fā)生了的運(yùn)動(dòng) 幅度不大，轉(zhuǎn)⑵。(4)判斷目標(biāo)是否離開(kāi)崗位。如果目標(biāo)離開(kāi)崗位時(shí)，則轉(zhuǎn)(5)，否則，轉(zhuǎn)(6)。(5)判斷是否滿(mǎn)足目標(biāo)返崗的條件。如果存在顯著運(yùn)動(dòng)，且持續(xù)時(shí)間大于特定閾 值Tm，并且此時(shí)與模板最匹配的距離小于2Td則認(rèn)為目標(biāo)返回崗位。如果滿(mǎn)足目標(biāo)返崗的 條件，則消除報(bào)警提示，轉(zhuǎn)(6)；否則，轉(zhuǎn)(2)。(6)更新目標(biāo)模板，轉(zhuǎn)(2)。(7)判斷目標(biāo)是否離開(kāi)，如果離開(kāi)，轉(zhuǎn)(2)；否則轉(zhuǎn)(S)0(8)計(jì)算模板和當(dāng)前幀的最小距離(1_。如果dmin是小于給定的閾值Td，目標(biāo)離開(kāi) 場(chǎng)景，轉(zhuǎn)(9)。否則，轉(zhuǎn)(6)。(9)目標(biāo)離開(kāi)時(shí)間是否大于Ts。如果條件成立，轉(zhuǎn)(10)。否則，轉(zhuǎn)(2)。(10)目標(biāo)已經(jīng)離開(kāi)給出報(bào)警提示，轉(zhuǎn)(2)，直至所有圖像幀處理完畢。盡管已經(jīng)示出并描述了本發(fā)明的實(shí)施例，但是本領(lǐng)域技術(shù)人員可以理解，在不偏 離本發(fā)明的精神和原理的基礎(chǔ)上，可以對(duì)此實(shí)施例進(jìn)行改變，本發(fā)明的范圍由所附權(quán)利要 求和它們的等同變換限定。
權(quán)利要求
一種靜態(tài)目標(biāo)檢測(cè)方法，其特征在于，包括步驟(1)由初始化單元對(duì)輸入視頻初始化；步驟(2)由特征提取單元提取目標(biāo)的運(yùn)動(dòng)特征；步驟(3)由特征提取單元提取目標(biāo)的統(tǒng)計(jì)特征；步驟(4)由檢測(cè)單元使用變步長(zhǎng)的模板匹配方法對(duì)目標(biāo)檢測(cè)；步驟(5)由檢測(cè)單元使用融合運(yùn)動(dòng)特征和目標(biāo)模型統(tǒng)計(jì)特征的靜態(tài)目標(biāo)檢測(cè)方法對(duì)目標(biāo)進(jìn)行檢測(cè)。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(2)中，采用基于錯(cuò)位相減圖像的幀 差圖像來(lái)提取運(yùn)動(dòng)特征。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(3)中，采用積分圖優(yōu)化目標(biāo)的統(tǒng)計(jì) 特征進(jìn)行提取。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(4)中，所述變步長(zhǎng)的模板匹配方法 為根據(jù)當(dāng)前的模板和候選區(qū)域的模板之間的距離來(lái)調(diào)整搜索步長(zhǎng)，如果距離較大，則增大 搜索的步長(zhǎng)；否則，減小搜索的步長(zhǎng)。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟(5)中檢測(cè)單元使用靜態(tài)目標(biāo)檢測(cè)方 法進(jìn)行檢測(cè)中，采用模板更新的方式判斷目標(biāo)是否進(jìn)行顯著運(yùn)動(dòng)。
6.根據(jù)權(quán)利要求1或5所述的方法，其特征在于，步驟(5)中檢測(cè)單元使用靜態(tài)目標(biāo)檢 測(cè)方法進(jìn)行檢測(cè)中，當(dāng)目標(biāo)相對(duì)靜止或存在微小運(yùn)動(dòng)時(shí)，如果模板與當(dāng)前幀的候選區(qū)域之 間距離的最小值小于給定的閾值，則目標(biāo)還處于場(chǎng)景中；否則，更新模板，進(jìn)行下兩幀的比 對(duì)。
7.一種判斷目標(biāo)是否離開(kāi)的檢測(cè)方法，其特征在于，包括 步驟(1)由初始化單元對(duì)輸入視頻初始化；步驟(2)由特征提取單元將前后兩幀圖像錯(cuò)位相減后進(jìn)行求幀差運(yùn)算，根據(jù)得到的 幀差圖像來(lái)提取運(yùn)動(dòng)特征；步驟(3)根據(jù)提取到的運(yùn)動(dòng)特征判斷是否發(fā)生了顯著運(yùn)動(dòng)，如果發(fā)生了顯著運(yùn)動(dòng)，則 轉(zhuǎn)到步驟(4)，否則，轉(zhuǎn)到步驟(7)；步驟(4)判斷目標(biāo)是否離開(kāi)崗位，如果目標(biāo)離開(kāi)崗位時(shí)，則轉(zhuǎn)到步驟(5)，否則，轉(zhuǎn)到 步驟(6)；步驟(5)如果目標(biāo)滿(mǎn)足返崗的條件，則消除報(bào)警提示，轉(zhuǎn)到步驟(6)；否則，轉(zhuǎn)到步驟⑵；步驟(6)，更新目標(biāo)模板，轉(zhuǎn)到步驟(2)；步驟(7)，判斷目標(biāo)是否離開(kāi)場(chǎng)景的檢測(cè)區(qū)域，如果離開(kāi)，轉(zhuǎn)到步驟(2)；否則，轉(zhuǎn)到步 驟⑶；步驟(8)，計(jì)算模板和當(dāng)前幀的最小距離，如果該距離小于給定的閾值Td，目標(biāo)離開(kāi)場(chǎng) 景的檢測(cè)區(qū)域，轉(zhuǎn)到步驟(9)；否則，轉(zhuǎn)到步驟(6)；步驟(9)，如果目標(biāo)離開(kāi)時(shí)間大于預(yù)定時(shí)間，如果條件成立，轉(zhuǎn)到步驟(10)；否則，轉(zhuǎn)到 步驟⑵；步驟(10)，給出報(bào)警提示，表明目標(biāo)已經(jīng)離開(kāi)，轉(zhuǎn)到步驟(2)，直至所有圖像幀處理完畢。
8.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟(1)的視頻初始化包括初始化 參數(shù)和目標(biāo)模型，設(shè)定檢測(cè)區(qū)域、目標(biāo)模型區(qū)域的位置，以及給出目標(biāo)是否在崗的信息。
9.根據(jù)權(quán)利要求7所述的方法，其特征在于，所述步驟(2)的運(yùn)動(dòng)特征包括連通域的 個(gè)數(shù)、面積、寬和高。全文摘要
本發(fā)明提出了一種靜態(tài)目標(biāo)檢測(cè)方法，屬于計(jì)算機(jī)視覺(jué)領(lǐng)域，本方法有如下步驟步驟1由初始化單元對(duì)輸入視頻初始化；步驟2由特征提取單元提取目標(biāo)的運(yùn)動(dòng)特征；步驟3由特征提取單元提取目標(biāo)的統(tǒng)計(jì)特征；步驟4由檢測(cè)單元使用變步長(zhǎng)的模板匹配方法對(duì)目標(biāo)檢測(cè)；步驟5由檢測(cè)單元使用融合運(yùn)動(dòng)特征和目標(biāo)模型統(tǒng)計(jì)特征的靜態(tài)目標(biāo)檢測(cè)方法對(duì)目標(biāo)進(jìn)行檢測(cè)。本方法采用基于錯(cuò)位相減的幀間差分結(jié)果，抑制干擾，實(shí)時(shí)性良好；依據(jù)模板與候選區(qū)域的統(tǒng)計(jì)特征，檢測(cè)當(dāng)前幀是否存在目標(biāo)，運(yùn)算簡(jiǎn)單，采用積分圖優(yōu)化特征提取來(lái)滿(mǎn)足實(shí)時(shí)性的要求；采用模板匹配算法來(lái)搜索與模板最相似的區(qū)域，動(dòng)態(tài)更新模板，保證了檢測(cè)結(jié)果的準(zhǔn)確性。
文檔編號(hào)G06K9/46GK101901334SQ20091008578
公開(kāi)日2010年12月1日 申請(qǐng)日期2009年5月31日 優(yōu)先權(quán)日2009年5月31日
發(fā)明者劉昌平, 徐東彬, 黃磊 申請(qǐng)人:漢王科技股份有限公司