基于運動模板的異常闖入檢測方法
【專利摘要】本發(fā)明屬于數(shù)字圖像處理及模式識別【技術(shù)領(lǐng)域】,具體涉及一種基于運動模板的異常闖入檢測方法。本發(fā)明方法包括:在監(jiān)控視頻中選定感興趣區(qū)域和異常物體尺寸參數(shù),并對差圖像進行二值化以去掉超時影響,更新歷史圖像;然后計算運動歷史圖像的梯度方向,并將整個運動分割為獨立的運動部分,最后計算選擇區(qū)域的全局運動方向,從而獲得運動目標(biāo)的運動方向。本發(fā)明利用運動目標(biāo)相鄰兩幀之間在畫面上存在的交集,不用外推和相關(guān)分析以及軌跡后處理就可以清晰的顯示出目標(biāo)的軌跡、速度與方向。比現(xiàn)有技術(shù)的跟蹤方法,具有更高的實時性和更好的魯棒性,較好解決了由于光照變化,攝像頭抖動等造成的檢測和跟蹤異常。
【專利說明】基于運動模板的異常闖入檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字圖像處理及模式識別【技術(shù)領(lǐng)域】,具體涉及智能視頻監(jiān)控中異常闖入檢測的方法。
技術(shù)背景
[0002]運動目標(biāo)檢測和跟蹤作為一門跨學(xué)科的前沿技術(shù),融合了圖像處理、模式識別、人工智能、自動控制等多種不同領(lǐng)域的理論知識。在軍事制導(dǎo)、視覺導(dǎo)航、安全監(jiān)控、智能交通、視頻編碼、醫(yī)療診斷、氣象分析及天文觀測等眾多領(lǐng)域中有著廣闊的應(yīng)用前景,跟蹤算法的研究具有重要的實際意義和理論價值。運動目標(biāo)跟蹤就是在一段序列圖像中的每幅圖像中實時地找到所感興趣的運動目標(biāo)(包括位置、速度及加速度等運動參數(shù))。在運動目標(biāo)跟蹤問題的研究上,總體來說有兩種思路:a)不依賴于先驗知識,直接從圖像序列中檢測到運動目標(biāo),并進行目標(biāo)識別,最終跟蹤感興趣的運動目標(biāo)山)依賴于目標(biāo)的先驗知識,首先為運動目標(biāo)建模,然后在圖像序列中實時找到相匹配的運動目標(biāo)。圍繞這兩種思路,產(chǎn)生了大量行之有效的運動檢測與跟蹤算法。但迄今為止,運動檢測與跟蹤算法的魯棒性、準(zhǔn)確性和實時性的統(tǒng)一仍是尚未很好解決和正在努力追求的目標(biāo)。運動目標(biāo)檢測按背景可分為靜態(tài)和動態(tài),靜態(tài)背景主要有以下幾種方法:
[0003]1、背景差分法
[0004]背景差分法是利用當(dāng)前圖像與背景圖像的差分來檢測運動區(qū)域的一種技術(shù)。它一般能夠提供最完全的特征數(shù)據(jù),但對于動態(tài)場景的變化,如天氣、光照、背景擾動及背景物移、人移出等特別敏感,運動目標(biāo)的陰影也會影響檢測結(jié)果的準(zhǔn)確性及跟蹤的精確性。其基本思想就是首先獲得一個背景模型,然后將當(dāng)前幀與背景模型相減,如果像素差值大于某一閾值,則判斷此像素屬于運動目標(biāo),否則屬于背景圖像。背景模型的建立與更新、陰影的去除等對跟蹤結(jié)果的好壞至關(guān)重要。
[0005]2、幀間差分法
[0006]相鄰幀間差分法是通過相鄰兩幀圖像的差值計算,獲得運動物體位置和形狀等信息的運動目標(biāo)檢測方法。其對環(huán)境的適應(yīng)性較強,特別是對于光照的變化適應(yīng)性強,但由于運動目標(biāo)上像素的紋理、灰度等信息比較相近,不能檢測出完整的目標(biāo),只能得到運動目標(biāo)的部分信息且對運動緩慢的物體不敏感,存在一定的局限性。賀貴明等人在相鄰幀間差分法的基礎(chǔ)上提出了對稱差分法,通過對圖像序列中每連續(xù)三幀圖像進行對稱差分,檢測出目標(biāo)的運動范圍,同時利用上一幀分割出來的模板對檢測出來的目標(biāo)運動范圍進行修正,能較好地檢測出中間幀運動目標(biāo)的形狀輪廓。
[0007]3、光流法
[0008]在空間中,運動可以用運動場描述,而在一個圖像平面上,物體的運動往往是通過圖像序列中圖像灰度分布的不同來體現(xiàn),從而使空間中的運動場轉(zhuǎn)移到圖像上就表示為光流場。光流場反映了圖像上每一點灰度的變化趨勢,可看成是帶有灰度的像素點在圖像平面上運動而產(chǎn)生的瞬時速度場,也是一種對真實運動場的近似估計。在比較理想的情況下,它能夠檢測獨立運動的對象,不需要預(yù)先知道場景的任何信息,可以很精確地計算出運動物體的速度,并且可用于動態(tài)場景的情況。但是大多數(shù)光流方法的計算相當(dāng)復(fù)雜,對硬件要求比較高,不適于實時處理.而且對噪聲比較敏感,抗噪性差。
[0009]動態(tài)背景主要有以下方法:
[0010]由于存在著目標(biāo)與攝像機之間復(fù)雜的相對運動,動態(tài)背景下運動目標(biāo)檢測要比靜態(tài)背景下的運動目標(biāo)檢測復(fù)雜得多。此處不適用,所以暫不考慮。
[0011]依據(jù)運動目標(biāo)的表達(dá)和相似性度量,運動目標(biāo)跟蹤算法可以分為四類:基于主動輪廓的跟蹤、基于特征的跟蹤、基于區(qū)域的跟蹤和基于模型的跟蹤。跟蹤算法的精度和魯棒性很大程度上取決于對運動目標(biāo)的表達(dá)和相似性度量的定義,跟蹤算法的實時性取決于匹配搜索策略和濾波預(yù)測算法。
[0012]1、基于主動輪廓的跟蹤
[0013]L.Ass等人提出的主動輪廓模型,即snake模型,是在圖像域內(nèi)定義的可變形曲線,通過對其能量函數(shù)的最小化,動態(tài)輪廓逐步調(diào)整自身形狀與目標(biāo)輪廓相一致,該可變形曲線又稱為snake曲線。snake技術(shù)可以處理任意形狀物體的任意形變,首先將分割得到的物體邊界作為跟蹤的初始模板,然后確定表征物體真實邊界的目標(biāo)函數(shù),并通過降低目標(biāo)函數(shù)值,使初始輪廓逐漸向物體的真實邊界移動?;谥鲃虞喞櫟膬?yōu)點是不但考慮來自圖像的灰度信息,而且考慮整體輪廓的幾何信息,增強了跟蹤的可靠性。由于跟蹤過程實際上是解的尋優(yōu)過程,帶來的計算量比較大,而且由于snake模型的盲目性,對于快速運動的物體或者形變較大的情況,跟蹤效果不夠理想。
[0014]2、基于特征的跟蹤
[0015]基于特征匹配的跟蹤方法不考慮運動目標(biāo)的整體特征,只通過日標(biāo)圖像的一些顯著特征來進行跟蹤。假定運動目標(biāo)可以由惟一的特征集合表達(dá)。搜索到該相應(yīng)的特征集合就認(rèn)為跟蹤上了運動目標(biāo)。除了用單一的特征來實現(xiàn)跟蹤外,還可以采用多個特征信息融合在一起作為跟蹤特征?;谔卣鞯母欀饕ㄌ卣魈崛『吞卣髌ヅ鋬蓚€方面。基于特征的跟蹤算法的優(yōu)點在于對運動目標(biāo)的尺度、形變和亮度等變化不敏感,即使目標(biāo)的某一部分被遮擋,只要還有一部分特征可以被看到,就可以完成跟蹤任務(wù);另外,這種方法與Kalman濾波器聯(lián)合使用,也具有很好的跟蹤效果。但是其對于圖像模糊、噪聲等比較敏感,圖像特征的提取效果也依賴于各種提取算子及其參數(shù)的設(shè)置,此外,連續(xù)幀的特征對應(yīng)關(guān)系也較難確定,尤其是當(dāng)每一幀圖像的特征數(shù)目不一致、存在漏檢、特征增加或減少等情況。
[0016]3、基于區(qū)域的跟蹤
[0017]基于區(qū)域的跟蹤算法基本思想是:A)得到包含目標(biāo)的模板,該模板通過圖像分割獲得或預(yù)先人為確定,模板通常為略大于目標(biāo)的矩形,也可為不規(guī)則形狀山)在序列圖像中,運用相關(guān)算法跟蹤目標(biāo)。這種算法的優(yōu)點在于當(dāng)目標(biāo)未被遮擋時,跟蹤精度非常高、跟蹤非常穩(wěn)定。但其缺點首先是費時,當(dāng)搜索區(qū)域較大時情況尤其嚴(yán)重;其次,算法要求目標(biāo)變形不大,且不能有太大遮擋,否則相關(guān)精度下降會造成目標(biāo)的丟失。近年來,對基于區(qū)域的跟蹤方法關(guān)注較多的是如何處理模板變化時的情況,這種變化是由運動目標(biāo)姿態(tài)變化弓I起的,如果能正確預(yù)測目標(biāo)的姿態(tài)變化,則能實現(xiàn)穩(wěn)定跟蹤。
[0018]4、基于模型的跟蹤[0019]基于模型的跟蹤是通過一定的先驗知識對所跟蹤目標(biāo)建立模型,然后通過匹配跟蹤目標(biāo)進行模型的實時更新。對于剛體目標(biāo)來說,其運動狀態(tài)變換主要是平移、旋轉(zhuǎn)等,可以利用該方法實現(xiàn)目標(biāo)跟蹤。但是實際應(yīng)用中跟蹤的不僅僅是剛體,還有一大部分是非剛體,目標(biāo)確切的幾何模型不容易得到。這種方法不易受觀測視角的影響,具有較強的魯棒性,模型匹配跟蹤精度高,適合于機動目標(biāo)的各種運動變化,抗干擾能力強,但由于計算分析復(fù)雜、運算速度慢,模型的更新較為復(fù)雜,實時性較差。準(zhǔn)確建立運動模型足模型匹配能否成功的關(guān)鍵。 [0020]以上這些運動目標(biāo)跟蹤算法,是比較常用和有效的方法,但都沒有特別通用的算法。對于不同的環(huán)境,光照,前景背景的變化,場景的復(fù)雜程度,效果千差萬別。在實際的跟蹤應(yīng)用中,需要特別考量和選擇。
【發(fā)明內(nèi)容】
[0021]本發(fā)明的目的是,為解決在農(nóng)業(yè)場景的大棚、大田和倉庫等惡劣室外環(huán)境下,利用有限的硬件條件,達(dá)到快速且準(zhǔn)確的效果,提供一種基于運動模板的異常闖入檢測方法。
[0022]本發(fā)明提出的基于運動模板的異常闖入檢測方法,是在選取感興趣區(qū)域后,進行如下步驟的操作:
[0023]( I)選定感興趣區(qū)域和異常物體尺寸參數(shù)
[0024]首先根據(jù)實際需求,在監(jiān)控視頻上通過鼠標(biāo)選取感興趣的區(qū)域,如過道,門窗等關(guān)鍵位置。再根據(jù)需求,確定目標(biāo)物體的大致尺寸參數(shù),以使程序能跟針對性跟蹤。
[0025](2)對差圖像做二值化,更新運動歷史圖像
[0026]對于監(jiān)控視頻,將當(dāng)前幀減去前一幀獲得視頻的差圖像,再設(shè)定閾值,例如大于均值兩個標(biāo)準(zhǔn)差以上,將差圖像二值化,得到對應(yīng)的運動物體的輪廓,以矩形框表示。然后,隨著矩形的運動,新的輪廓被捕獲并且被當(dāng)前的輪廓覆蓋,根據(jù)設(shè)定的時間閾值,一般為30幀,將超時的輪廓刪除,得到一個連續(xù)的輪廓運動軌跡,即為運動歷史圖像(mhi)。
[0027](3)分割運動歷史圖像成獨立的子區(qū)域,再分割提取物體
[0028]在mhi圖像中尋找當(dāng)前的輪廓區(qū)域,從最新的輪廓開始,搜索緊鄰邊界外圍的最新近的運動,若找到該最新近的運動,則將感興趣的物體從當(dāng)前區(qū)域分割出來。
[0029](4)計算分割區(qū)域運動的梯度方向以及正確的方向掩碼
[0030]由運動模板記錄不同時間的物體輪廓,采用采用Sobel梯度法計算mhi圖像的梯度獲取運動信息,再剔除特別大的梯度異常值后(特別大可定義為大于均值2個標(biāo)準(zhǔn)差以上),得到全局運動的測量值。重復(fù)進行步驟(3)和步驟(4)的操作,就能得到整幅圖像的運動信息。Sobel計算步驟如下所示:
[0031]對于數(shù)字圖像,可以用一階差分代替一階微分;
[0032]
【權(quán)利要求】
1.一種基于運動模板的異常闖入檢測方法,其特征在于,其包括步驟: (1)選定感興趣區(qū)域和異常物體尺寸參數(shù) 首先,根據(jù)實際需求,在監(jiān)控視頻上通過鼠標(biāo)選取感興趣的區(qū)域;然后,再根據(jù)需求,確定目標(biāo)物體的大致尺寸參數(shù),使程序能針對性跟蹤; (2)對差圖像做二值化,更新運動歷史圖像 對于監(jiān)控視頻,將當(dāng)前幀減去前一幀獲得視頻的差圖像,再設(shè)定閾值,將差圖像二值化,得到對應(yīng)的運動物體的輪廓,以矩形框表示;然后,隨著矩形的運動,新的輪廓被捕獲并且被當(dāng)前的輪廓覆蓋,根據(jù)設(shè)定的時間閾值,將超時的輪廓刪除,得到一個連續(xù)的輪廓運動軌跡,即為運動歷史圖像(mhi); (3)分割運動歷史圖像成獨立的子區(qū)域,再分割提取物體 在運動歷史圖像中尋找當(dāng)前的輪廓區(qū)域,從最新的輪廓開始,搜索緊鄰邊界外圍的最新近的運動;若找到最新近的運動,則將感興趣的物體從當(dāng)前區(qū)域分割出來; (4)計算分割區(qū)域運動的梯度方向以及正確的方向掩碼 由運動模板記錄不同時間的物體輪廓,據(jù)此,采用Sobel梯度法計算運動歷史圖像的梯度獲取運動信息;再剔除特別大的梯度異常值后,得到全局運動的測量值, 所述的特別大定義為:大于均值2個標(biāo)準(zhǔn)差以上; 重復(fù)進行步驟(3)和步驟(4)的操作,得到整幅圖像的運動信息; (5)在選擇的區(qū)域計算運動方向,對比預(yù)設(shè)參數(shù)閾值,確定是否異常 通過上述步驟,獲得整段視頻的運動信息;將每次探測到的輪廓與預(yù)設(shè)的參數(shù)閾值進行比較,當(dāng)滿足尺寸符合且發(fā)生于感興趣區(qū)域時,確認(rèn)一次異常闖入的發(fā)生; (6)根據(jù)捕獲的運動信息,生成相應(yīng)的視頻摘要 當(dāng)確認(rèn)異常闖入發(fā)生后,通過設(shè)立超時閾值,將發(fā)生異常闖入的視頻片段拼接并提取,形成多個視頻摘要,為后續(xù)的異常識別提供預(yù)處理。
【文檔編號】G06K9/62GK103577833SQ201210271736
【公開日】2014年2月12日 申請日期:2012年8月1日 優(yōu)先權(quán)日:2012年8月1日
【發(fā)明者】董文彧, 蔣龍泉, 郭躍飛, 馮瑞 申請人:復(fù)旦大學(xué)