CN101295405A - 人像与车辆识别报警跟踪方法 - Google Patents

Abstract

本发明涉及一种人像与车辆识别报警跟踪方法，技术特征在于：首先进行目标检测，将视频图像中有变化的目标区域从图像中取出来，并采用中心射线法提取目标区域的特征向量。然后依据提取出的特征向量通过训练好的支持向量机分类器判断该目标是否为人体和车辆。如果发现异常情况就发出报警信。同时，根据目标在运动过程中具有轨迹的连续性特点，采用粒子滤波技术，只针对目标可能存在的区域进行跟踪处理。有益效果：当目标受到较大的干扰或者噪音影响而使匹配的可信度比较低时，可以应用预测可以对目标的位置做出合理的估计，以维持对目标的正常跟踪。该发明具有计算量小、实时性好的特点。在国防和民用领域都具有重要的应用价值。

Description

人像与车辆识别报警跟踪方法

技术领域

本发明涉及一种人像与车辆识别报警跟踪方法，属于计算机视觉、图像理解以及模式识别等领域。使用了运动目标检测方法、目标分类方法及运动目标跟踪方法，在国防和民用领域都具有重要的应用价值。

背景技术

智能监控系统的需求主要来自那些对安全要求敏感的场合，如军事营地、银行、商店、停车场等。目前监控摄像机在商业应用中已经普遍存在，但并没有充分发挥其实时主动的监督作用，因为它们通常是将摄像机的输出结果记录下来，当异常情况(如停车场中的车辆被盗)发生后，保安人员才通过记录的结果观察发生的事实，但往往为时已晚。我们需要的监控系统应能够每天连续24小时的实时监视，并自动分析摄像机捕捉的图像数据，当盗窃发生或发现到具有异常行为的可疑的人或车辆时，系统能向保卫人员准确及时地发出警报并进行跟踪，从而避免犯罪的发生，同时也减少雇佣大批监视人员所需要的人力、物力和财力的投入；在访问控制场合，也可以利用人脸或者步态的跟踪识别技术以便确定来人是否有进入该安全领域的权利；另外，人的运动分析在自动售货机、ATM机、交通管理、公共场所行人的拥挤状态分析及商店中消费者流量统计等监控方面也有着相应的应用。

近些年研究人员和技术人员也设计出了一些主动监控报警系统，但是还没有很好的解决实时性问题和当目标发生遮挡时的正确辨识和跟踪问题。由于目前大多数目标检测识别方法都是基于传统统计模式识别，而传统统计模式识别多是基于经验风险最小化原理，只有在样本数趋于无穷大时其性能才有理论上的保证。而在实际应用中，样本通常是有限的，难以取得理想的效果。目标的跟踪主要解决图像序列中的某一目标的连续跟踪问题，方法要建立在目标的检测识别的基础上，涉及跟踪目标的特征分析、运动轨迹估计及保证跟踪稳定性的稳定跟踪策略等内容。目前比较常用的跟踪方法有如下几种：基于目标运动特征的跟踪方法，如图像差分跟踪方法、基于目标光流特征的跟踪方法等；基于跟踪序列前后相关性的目标跟踪方法，如模板相关方法、基于特征点的相关方法等；以及一些基于目标特征参数的跟踪方法，如基于目标轮廓的跟踪方法、基于目标特征点的跟踪方法等。另外还有很多学者将小波技术、模式识别、数学形态学、人工智能技术、神经网络技术等应用于目标的检测跟踪方法，取得了很好的应用效果。但是这些方法各有其优缺点，只能分别适用于不同的应用场合。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种人像与车辆识别报警跟踪方法，以实际工程需求为背景，通过分析、研究由图像传感器所获取的图像序列，从复杂的背景中提取运动目标，并克服多个目标间、目标与干扰体发生互遮挡和自遮挡的问题，从而对目标进行快速有效的分类、报警并实施跟踪。

技术方案

本发明的基本思想：首先进行目标检测，将视频图像中有变化的目标区域从图像中取出来，并采用中心射线法提取目标区域的特征向量。然后依据提取出的特征向量通过训练好的支持向量机分类器判断该目标是否为人体和车辆。如果发现异常情况就发出报警信息，进一步利用粒子滤波技术跟踪可疑目标。

一种人像与车辆识别报警跟踪方法，其特征在于步骤如下：

步骤1、目标提取：依据相邻帧差法将相邻帧中有变化的区域从视频帧图像中提取出来；再利用背景剪除法将当前帧相对背景帧有变化的区域从视频帧图像中提取出来；对两个提取出来的区域进行相加融合；再采用滤波、阈值分割、连通区域标记等处理将最终的运动目标区域从背景中提取出来，在提取目标的同时要对背景进行更新；

步骤2、采用中心射线法提取运动目标区域的特征向量：首先找到目标的质心，再将目标用8条平行线上下分成9等份；上述8条平行线与目标的边界相交于16个交点，由质心分别向这些交点引出射线，就产生了16个向量，由这16个向量组成目标的特征向量；

步骤3、用支持向量机进行目标分类：将提取出的特征向量通过训练好的支持向量机分类器判断该目标是否为人体、车辆或其它物体；

步骤4、目标跟踪：根据目标在运动过程中具有轨迹的连续性特点，采用粒子滤波技术，对人体或车辆目标进行跟踪。

所述的步骤3中根据支持向量机分类器判断该目标若为人体或车辆则发出警报。

有益效果

本发明提出一种人像与车辆识别报警跟踪方法，着重对人像和车辆的运动进行监控跟踪。在系统运行过程中，它能够正确识别出进入视场中的人像和车辆，一旦识别出有人或车辆进入视场中，系统能向保卫人员准确及时地发出警报，并对目标进行跟踪。大量的实验证明，本发明所提出的方法相对于其它方法，具有优良的性能：1、运用一种中心射线法提取目标特征，提高了不同类型目标间的辨识度。2、支持向量机是专门针对小样本情况，具有较高的泛化能力和较好的推广能力。由于采用了支持向量机，解决了在小样本条件下，人体和车辆的识别问题，可得到效果最优的识别结果。3、采用粒子滤波，能够很大程度上克服由体受遮挡时检测不准确的影响。同时也减小计算量，提高了跟踪速度。

附图说明

图1：本发明方法的基本流程图

图2：运动目标检测流程图

图3：目标特征向量提取

具体实施方式

现结合实施例、附图对本发明作进一步描述：

用于实施的硬件环境是：Pentium-4 1.7G计算机、512MB内存，运行的软件环境是：Matlab7.1和Windows XP。系统的流程如图1所示。

进行运动目标提取之前，要对视频图像进行必要的滤波处理，由于CCD摄像系统成像的过程中受到各种因素的干扰，以及周围环境的影响，需要对图像进行预处理，减少或滤除各种噪声和随机干扰，增强有用信息，提高后续处理的有效性和可靠性，为图像分割创造良好的条件。考虑到速度等各方面的因素，采用中值滤波较好的解决了脉冲干扰，并能保持图象的边缘。

对由摄像机运动引起的背景进行补偿，从而将基于运动摄像机的运动目标检测问题转化为等效静止摄像机下的运动目标检测问题。运动目标检测就归结为剩余运动的计算以及运动目标的选择和提取问题。背景补偿采用从摄像机云台读取转动角度信息来进行补偿。

然后进行目标的提取：运动目标的提取主要包括运动检测以及目标提取两个步骤，其中运动检测为首要环节。通常采用背景减除法对运动目标进行检测，即将当前图象与参考背景图象相减实现运动目标的检测，能检测出和运动目标相关的所有象素点，但这种方法对于监控环境的变化非常敏感。本发明利用视频图像的背景图像、当前帧和前一帧来提取目标运动区域。首先用当前帧和背景图像采用基于象素的时间差分并且阈值化得到帧差图象的二值化图像，再用当前帧和前一帧采用基于象素的时间差分并且阈值化得到另一个帧差图象的二值化图像，阈值的选取都采用大津法(OTSU方法)。对这两个二值图像进行融合，最后得到用二值化图像表示的目标运动区域。采用数学形态学的方法对二值图象去噪并填补目标内部空洞。滤除噪声的过程是先进行开操作再进行闭操作。最后为适应环境变化，要自适应的进行更新背景，以便准确地检测出图象序列中运动明显变化的区域。自适应更新法的原理为：由于背景变化是一个缓慢的过程，因此背景变化引起的灰度值的变化要远远小于运动物体所引起的变化，因此可以采用阈值比较的方法，即如果某个区域灰度变化在某个阈值范围内，则进行背景更新，否则不进行背景更新。运动物体检测流程如图2所示。

采用中心射线法提取运动目标区域的特征向量：如果包含多个目标首先要将不同目标进行标注，以便分别对它们进行处理。在找到运动目标以后，提取目标的特征向量。在这里我们采用中心射线法。首先找到目标的质心，再将目标用8条平行线上下分成9等份。这样这8条平行线就与目标的边界相交于16个交点，由质心分别向这些交点引出射线，就产生了16个向量，由这16个向量组成目标的特征向量。如图3所示，它表示了对一个人像目标进行特征向量的提取。

然后运用支持向量机对这些特征向量进行分类。由于在实际的应用中，会出现由于风吹草动、飞鸟树叶以及摄像机抖动等引起的噪声，它们都会被通常的检测方法认为是运动目标。作为干扰的虚假目标，需要在跟踪之前排除。在这之前要用一些人像和车辆的样本来训练，这样就可以将目标分成三类，人像、车辆和其它类型目标。

发现可疑目标后报警并对其进行跟踪。目前，大部分跟踪系统都不能很好的解决目标之间的相互遮掩和人被场景中的景物或者光线阴暗区域遮掩的问题。尤其是在拥挤的情况下，多目标的检测和跟踪问题更是难于处理。遮掩时，目标只有部分是可见的，简单依赖于某种目标特征和特征匹配准则很容易丢失目标。在实际应用中，人们往往对于系统的实时性提出较高的要求，需要方法能够准确并在目标出现在场景中的时候实时的进行目标的检测与跟踪。众所周知，在方法设计时，一方面为了提高实时性，需要减少目标特征的数量和复杂度；另一方面为了提高准确度，需要同时使用多个特征进行综合判断。且由于图像本身数据量大，仅仅为了计算某一个特征往往需要花费大量的时间。实时性和准确度往往难以同时满足。因此本发明在预测过程采用粒子滤波器以达到精确定位。根据跟踪效果进行修正改善以前的跟踪，依据所找到的运动目标特征对目标运动轨迹进行修正，并调整运动参数使之适合运动趋势。根据已有的跟踪轨迹的预测对下一运动点进行估计预测，存储预测轨迹的参数。当预测结果与实际结果相吻合时，增大选择该轨迹参数的权值，即正反馈于上一次的预测响应，否则，存入新的预测轨迹参数。跟踪是在“匹配-修正-预测”环中实现的，在某时刻所检测到的图像特征要和已有的特征建立对应关系(即匹配)。然后修正这些特征的参数，最后预测它们在下一时刻可能出现的方位。在修正和预测中，采用粒子预测理论。根据目标在运动过程中具有轨迹的连续性特点，首先利用目标过去的位置信息预测当前位置，然后将预测点周围一定的范围设为跟踪区域，在该跟踪区域内寻找目标。这样既能减少计算量，在一定程度上又能排除其他物体对跟踪目标的影响，从而保证跟踪的可靠性。对目标位置的预测还有一个好处，就是当目标受到较大的干扰或者噪音影响而使匹配的可信度比较低时，可以应用预测可以对目标的位置做出合理的估计，以维持对目标的正常跟踪。采用粒子滤波技术，只针对目标可能存在的区域进行处理。因此，需要对目标在下一帧图像中可能出现的位置进行预测。粒子滤波器通过以动态的状态方程和观测方程来描述系统。它可以以任意一点作为起点开始观测，采用递归滤波的方法计算，具有计算量小、实时性好的特点。

整个发明的主要特点：运用一种中心射线法提取目标特征，提高了不同类型目标间的辨识度。由于采用了支持向量机，解决了在小样本条件下，人体和车辆的识别问题，提高了识别的速度和准确度。采用粒子滤波很大程度上克服由体受遮挡时检测不准确的影响。同时也减小计算量，提高了跟踪速度，增加了跟踪的稳定性，并可以达到很高的精度。在理论上给出了一种新颖高效可靠可行的方法。它具有对场景图象质量要求不高，可在低信噪比条件下稳定工作，能适应较复杂场景结构的目标和背景条件，具有较强的抗干扰能力。

Claims (2)

1.一种人像与车辆识别报警跟踪方法，其特征在于步骤如下：

步骤1、目标提取：依据相邻帧差法将相邻帧中有变化的区域从视频帧图像中提取出来；再利用背景剪除法将当前帧相对背景帧有变化的区域从视频帧图像中提取出来；对两个提取出来的区域进行相加融合；再采用滤波、阈值分割、连通区域标记等处理将最终的运动目标区域从背景中提取出来，在提取目标的同时要对背景进行更新；

步骤2、采用中心射线法提取运动目标区域的特征向量：首先找到目标的质心，再将目标用8条平行线上下分成9等份；上述8条平行线与目标的边界相交于16个交点，由质心分别向这些交点引出射线，就产生了16个向量，由这16个向量组成目标的特征向量；

步骤3、用支持向量机进行目标分类：将提取出的特征向量通过训练好的支持向量机分类器判断该目标是否为人体、车辆或其它物体；

步骤4、目标跟踪：根据目标在运动过程中具有轨迹的连续性特点，采用粒子滤波技术，对人体或车辆目标进行跟踪。

2.根据权利要求1所述的人像与车辆识别报警跟踪方法，其特征在于：所述的步骤3中根据支持向量机分类器判断该目标若为人体或车辆则发出警报。

Images