运动目标识别方法

1、解说书摘录本发明公开了一种运动目标识别方法，该方法借助场景模型提供的先验知识，从视频序列中识别感兴趣的目标(例如人和车)，并描述静态和运动信息(区域、轮廓、纹理、类别、运动轨迹、速度等)。)。运动目标识别方法包括目标检测、目标跟踪和目标分类。其中，目标检测用于从视频图像中提取感兴趣区域。目标跟踪用于建立帧间提取区域之间的相关性和一致性以形成目标；目标分类对区域和目标(如人和车)进行分类，分类器包括区域分类器和目标分类器。本发明方案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。摘要附图录像目标检测目标跟踪目标分类目标102030权益需要书籍1.一种运动目标分类

2、方法，其特征在于，包括：一、目标检测，用于从视频图像中提取感兴趣区域；b .目标跟踪，用于建立帧间提取区域之间的相关性和一致性，形成目标；目标分类，对区域和目标(如人和车辆)进行分类，分类器包括区域分类器和目标分类器。2.根据权利要求1所述的方法，其中步骤a中的目标检测还包括：视频采集，即采集视频内容，获得场景图像；图像预处理用于消除其对背景模型的影响；区域标记用于背景模型的前景分割，并逐个标记连通区域；系统状态维护，用于判断检测模块的当前状态，做出相应的处理，必要时进行异常检测；区域增强用于消除虚假区域，如阴影、高光和叶片摆动；区域分割和合并用于解决目标的过分割和目标的相互遮挡问题。3.根据

3、权利要求2所述的方法，其中所述图像预处理包括滤波处理和全局运动补偿。滤波处理是指对图像进行噪声滤波、平滑等处理。滤波过程可以通过图像去噪和图像平滑的各种方法来实现。全局运动补偿是指补偿由相机的轻微摆动引起的图像的全局运动。在全局运动补偿中，运动模型基本上反映了摄像机的各种运动，包括平移、旋转、缩放等。4.根据权利要求2所述的方法，其中，所述区域标记还包括前景分割；形态学处理；连接区域标记。前景分割是指基于背景模型分割场景图像以获得前景的二值图像。形态学处理是指利用数学形态学对二值图像进行处理，去除面积较小的伪区域，填充面积较大的区域。数学形态学可以通过先腐蚀后扩张来实现。连通区域标记是指通过连

4、通区域方法在同一场景中标记不同的区域，以区分不同的目标区域。连通区域标记法可以通过四连通区域法和八连通区域法来实现。5.根据权利要求2所述的方法，其中所述系统状态维护包括状态确定和异常检测状态判断用于判断当前状态并做出相应处理。该方法主要由场景稳定时间和场景变化时间决定。当场景稳定时间超过该时间阈值时，系统从初始化状态进入工作状态；当场景变化时间超过该时间阈值时，系统从工作状态进入初始化状态。当处于工作状态时，继续执行下一个操作，而不改变背景模型。当处于初始化状态时，重新建立背景模型，必要时进行异常检测。背景模型的重建可以通过帧间差分方法实现。必要时进行异常检测，包括视频信号的严重干扰、摄像机

5、的人为遮挡等。6.根据权利要求2所述的方法，其中所述区域增强使用诸如差异图像、边缘图像、区域形状纹理和跟踪器反馈数据之类的特征来消除诸如阴影、高光和树叶摆动之类的虚假区域，这包括图像差异、边缘检测、阴影检测、高光检测和树过滤。7.根据权利要求6所述的方法，其中，所述图像差异用于前景图像，并且可以通过帧间差异方法或背景差异方法来实现。帧间差分方法使用两个相邻帧之间的差异来获得差分图像。8.根据权利要求6所述的方法，其特征在于，边缘检测的基本思想是首先检测前景图像中的边缘点，然后按照一定的策略将它们连接成轮廓，从而形成边缘图像。边缘检测可以通过灰度阈值法、跟踪法和小波变换法来实现。9.根据权利要求

6、6所述的方法，其特征在于，所述阴影检测用于检测前景图像中的阴影区域，包括人和车的阴影，并滤除检测到的阴影区域。阴影检测的思想是计算每个连通区域的亮度平均值，并以此平均值作为阈值来确定该区域的阴影区域，然后滤除阴影区域。阴影判定规则如下：如果亮度值小于阈值，则判定为阴影。10.根据权利要求6所述的方法，其中，所述高亮检测用于检测所述图像是否处于高亮状态，如果是，则执行亮度补偿。11.根据权利要求6所述的方法，其中，所述树检测用于检测图像中摆动的树叶及其阴影，并将它们从前景图像中滤除。摆动叶片的检测是根据以下两个特征实现的：(1)运动轨迹跟踪，如果某个目标的运动轨迹符合某个规律，则认为该目标是摆动

7、叶片；(2)质心运动的幅度。如果目标质心运动的幅度是突然的，则认为目标正在摆动树叶。摆动叶片的阴影检测是通过检测区域内的点密度来实现的。其思想是分别计算扩展操作前后区域中的点，并计算它们的比值。如果该比值小于某一阈值，则该区域被认为是摆动叶片的阴影区域。12.根据权利要求2所述的方法，其中，所述区域分割和合并使用由场景模型和先验知识(例如，人和车辆模型)提供的约束来合并和分割区域，以解决目标的过分割和目标的相互遮挡的问题。13.根据权利要求1所述的方法，其中步骤b中的目标跟踪还包括：目标预测，用于估计目标的下一帧运动；目标匹配用于跟踪匹配的稳定目标，滤除一些虚假目标；目标更新，用于更新当前帧中

8、稳定目标的模板。14.根据权利要求13所述的方法，其中目标预测的思想是根据目标运动的累积位移及其对应的累积时间计算目标运动的平均速度，并根据该速度预测目标的下一个位移。15.根据权利要求13所述的方法，其中所述累积位移、累积时间和平均移动速度之间的关系为：其中，目标质心稳定移动多帧后的位移，目标稳定移动多帧所需的时间，目标稳定移动的平均速度。根据平均速度预测的下一个位移是：其中，它是预测的目标时间和目标质心稳定运动时间之后的位移。16.根据权利要求12所述的方法，其中目标匹配包括：跟踪匹配的稳定目标；过滤掉虚假目标。17.根据权利要求16所述的方法，其中跟踪匹配的稳定目标的核心是确定检测区域是

9、否与跟踪的目标匹配。匹配判断标准包括：1)最小面积比，要求检测区域与目标成功匹配的面积比大于设定的最小面积比；2)最小距离比，要求检测区域与目标之间的距离大于设定的最小距离比；3)移动区域的最大匹配距离阈值，小于设定的最大匹配距离阈值；4)静态区域的最大匹配距离阈值，小于设定的最大匹配距离阈值；5)跟踪目标和检测区域之间的最小匹配系数阈值，要求跟踪目标和检测区域之间的匹配系数大于该阈值。18.根据权利要求17所述的方法，其特征在于，在判定标准5)中，距离、面积和直方图用于匹配目标和区域，并且当计算最终匹配系数时，这三个参数是三者的权重比。一般来说，距离匹配的权重重要性大于或等于0.5，但权重之

10、和必须为1。19.根据权利要求17和18所述的方法，其特征在于，当同时满足判断规则1)至5)中的条件时，判断跟踪目标与检测区域成功匹配。20.根据权利要求16所述的方法，其特征在于，过滤虚假目标的思想是通过目标运动的轨迹分析来过滤掉一些虚假区域。21.根据权利要求20所述的方法，其中所述轨迹分析包括轨迹稳定性分析和轨迹平滑度分析。其中，平稳性分析主要用于分析目标运动轨迹的波形；平滑分析主要用于分析目标轨迹的方向性。轨迹分析需要结合实际目标的特征来判断。22.根据权利要求13所述的方法，其中，所述目标更新根据目标匹配后的稳定目标实时更新跟踪目标的模型。23.如权利要求1所述的方法，其特征在于，目

11、标检测从每帧视频图像中提取感兴趣区域并将其提供给目标跟踪，目标跟踪反馈的目标数据辅助目标检测的算法操作。24.根据权利要求1所述的方法，其中步骤c中的目标分类还包括：特征提取用于提取目标的空间和时间特征；类型确定用于确定目标的类型。25.根据权利要求24所述的方法，其中所述特征包括空间特征和时间特征。空间特征包括：区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向的夹角、区域轮廓的圆形度、区域的紧密度、区域的面积以及区域上下部分的面积比。时间特征包括速度特征、周期运动特征和目标的历史分类信息。26.根据权利要求25所述的方法，其中在拟合短轴和水平方向之间的角度中的拟合短轴是区域

12、轮廓拟合椭圆的短轴。区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴以及短轴拟合椭圆与水平方向之间的角度用于区分单人和车。用区域轮廓拟合椭圆的思想是根据区域轮廓上的数据点找到一个椭圆，使数据点与椭圆之间的距离和最小。其核心是优化距离和。27.根据权利要求25所述的方法，其特征在于，所述区域轮廓的圆形度也用于区分单人和车。区域的圆形度是指拟合目标区域的周长和面积之间的关系。拟合目标区域的周长和面积之间的关系如下：其中，拟合目标区域的周长，拟合目标区域的面积和拟合目标区域的圆度。28.根据权利要求25所述的方法，其中，所述区域的紧密度是指所述目标和所述目标区域之间的面积比。29.根据权利要求25所述

13、的方法，其中，所述区域的上部与下部的面积比是所述区域的上部与较小部分的面积比。30.根据权利要求25所述的方法，其中，所述历史分类信息是指目标出现的每个场景中的分类信息。历史分类信息应根据区域轮廓拟合的椭圆长轴、区域轮廓拟合的椭圆短轴、拟合短轴与水平方向的夹角、区域轮廓的圆度、区域的紧密度、区域的面积、区域的上下面积比、目标的速度特性和目标的周期运动特性来获取。31.根据权利要求24所述的方法，其中，所述类型确定还包括：对每个帧进行分类；总体分类。每一帧的分类如下：根据区域轮廓拟合的椭圆长轴、区域轮廓拟合的椭圆短轴、短轴与水平方向的夹角、区域轮廓的圆度、区域的紧密度、区域的面积、区域上下面积比

14、、目标的速度特征和目标的周期运动特征，用概率分类器对每一帧进行分类，得到目标的历史分类信息。根据目标的历史分类信息对类型进行分类，以判断目标的类型。其思想是根据目标的历史分类信息中分类的叠加数来判断目标类别。例如，如果目标的历史分类信息中的汽车的叠加数大于人的叠加数，则判断该目标为汽车的类型；相反，它被判断为人类类型。32.根据权利要求31所述的方法，其中概率分类器的思想是给出区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、短轴与水平方向之间的角度、区域轮廓的圆形度、区域的紧密度、区域的面积、区域的上下部分的面积比，然后计算人、人群、汽车、汽车组、小动物等的特征概率值。并选择具有最大概率值的类

15、型作为目标当前帧分类信息。解释这本书运动目标识别方法技术领域本发明涉及视频监控技术，尤其涉及智能视频监控系统中的运动目标识别方法。背景技术运动目标识别是智能视频监控系统的关键模块，直接影响后续处理。通常，运动目标识别包括检测、跟踪和分类。检测的目的是从背景中分割出运动目标区域。由于光照变化、混沌背景运动的干扰、运动物体的阴影、摄像机抖动以及运动物体的自遮挡和互遮挡的存在，给运动物体的正确检测带来了很大的挑战。为了实现运动目标检测，可以采用光流法和帧间差分法。光流检测利用目标随时间变化的光流特性，通过计算位移矢量光流场来初始化目标轮廓，使得基于轮廓的跟踪算法能够有效地检测和跟踪目标。这种方法的缺

16、点是大部分光流计算方法相当复杂，抗噪声性能差，没有专门的硬件设备很难应用于场景图像的实时操作。帧间差分法是检测相邻两帧图像之间变化的最简单方法，即直接比较两帧图像像素的灰度值，然后通过阈值提取场景图像中的运动目标区域。这种方法的缺点是不能完全提取所有相关的特征像素，容易在运动实体中产生孔洞。它对基于区域的运动目标跟踪不具有鲁棒性，并且不能检测静止的车辆，这限制了运动目标的速度。跟踪的目的是在正确检测运动目标的基础上，确定同一目标在不同场景图像中的位置。为了实现跟踪，可以使用图像匹配方法，例如区域匹配和模型匹配。区域匹配是将一整块参考图像叠加在实时图像的所有可能位置上，然后计算某一图像相似度的对应值，最大相似度对应的位置即为目标位置。这种方法的缺点是计算量大，难以满足实时性要求。模型匹配是根据模板匹配场景图像中的对象。该方法的缺点是计算和分析复杂，运算速度慢，模型更新复杂，实时性差。分类的目的是区分物体，如人和车。为了对运动目标进行分类，可以使用贝叶斯算法和神经网络算法。贝叶斯算法是一种基于概率统计知识的分类算法，可应用于大型数据库，具有方法简单、分类精度高、速度快的优点。这种方法的缺点是贝叶斯定理假设一个属性值对给定类的影响是独立于其他属性值的，这种假设在实践中往往是错误的，因此其分类精度可能会下降。神经网络算法能够模