CN102768731A - 基于高清视频图像目标自动定位识别系统及方法 - Google Patents

Abstract

本发明涉及基于高清视频图像目标自动定位识别系统及方法，该系统由高清视频图像增强处理模块、目标检测定位模块、灰度图像二值化处理模块、目标轮廓图像倾斜度校正模块、目标轮廓图像分割及特征提取模块和目标轮廓图像识别及后处理模块组成；本发明具有针对复杂背景下的高清(200万像素以上)视频图像(运动)目标自动检测、快速定位识别以及非均匀光照条件下高清视频图像增强处理效果好、动态范围大、目标自动定位识别精度高等优点，同时嵌入式软件功能设计可大大提高软件可信、可靠度和稳定性，降低前端嵌入式系统(智能摄像机)施工安装要求。

Description

基于高清视频图像目标自动定位识别系统及方法

技术领域

本发明涉及一种可用于公共安全、停车管理、智能交通、综合应急等领域复杂场景下基于高清视频图像目标自动定位识别系统及方法。

背景技术

近年来，高清摄像机越来越多地应用于公共安全、停车管理、智能交通、综合应急等领域复杂背景下的高清视频图像监控。传统的标清视频图像目标定位识别方法无法直接转化为针对复杂场景下的高清视频图像(运动)目标(快速)自贡定位识别处理，原因是高清视频图像分辨率高，场景范围大、背景复杂，设定侦测区域(运动)目标(快速)自动轮廓(边缘)检测定位难度大，高清视频图像中有多个(运动)目标需同时定位、识别，而现有标清视频图像下的目标识别方法一般只能识别简单背景下的单一目标。此外，高清视频设定侦测区域图像中(运动)目标(快速)自动定位识别方法，不仅要求识别率高，而且要求识别速度快。因此如何快速、准确地识别高清视频图像中(运动)目标轮廓(边缘)特征图像，是现有技术中普遍面临且亟待解决的问题。

发明内容

本发明针对现有技术缺陷，提供一种针对高清视频图像的目标(快速)自动定位识别方法，图像增强效果好，检测、定位速度快，识别准确率高。

为实现上述目的，本发明提供了高清视频图像目标自动定位识别系统，该系统由高清视频图像增强处理模块、目标检测定位模块、灰度图像二值化处理模块、目标轮廓图像倾斜度校正模块、目标轮廓图像分割及特征提取模块和目标轮廓图像识别及后处理模块组成；

其中，所述高清视频图像增强处理模块用于实现对前端高清摄像机实时采集的高清视频的图像增强处理，根据高清视频图像中背景/场景图像和内容/目标图像实时确定图像滤波器模板类型及加权系数，获取最佳信噪比增强图像，提高后续目标检测、定位、识别精度,以消除复杂场景图像噪声干扰；

所述目标检测定位模块用于实现设定侦测区域图像与动态背景图像之间的实时比对，采用自适应梯度检测定位算法对其中目标进行快速轮廓/边缘检测、定位；

所述灰度图像二值化处理模块用于实现设定侦测区域图像转换为灰度图像后的二值化处理；

所述目标轮廓/边缘图像倾斜度校正模块用于基于垂直游程长统计的目标轮廓(边缘)图像倾斜度校正算法实现设定侦测区域目标轮廓/边缘图像倾斜度校正处理;

所述目标轮廓图像分割及特征提取模块用于实现在经目标轮廓图像倾斜度校正后的二值化图像中目标轮廓/边缘图像分割及特征提取；

所述目标轮廓图像识别及后处理模块采用动态样本聚类分析法实现目标轮廓(边缘)图像的匹配识别和本地目标轮廓图像/特征样本库中特征样本的优化、调整。

本发明的另一目的是提供基于高清视频图像目标自动定位识别方法，该方法具体包括如下步骤：

步骤1，高清视频图像增强处理模块对高清摄像机实时采集的高清视频进行图像增强处理，实时比对设定侦测区域图像与动态背景图像，对实时采集的高清视频图像中设定侦测区域/运动目标轮廓/边缘进行快速检测、定位；

步骤2，目标检测定位模块将实时检测到的设定侦测区域目标轮廓/边缘图像映射到原始高清视频动态背景图像中，根据目标轮廓/边缘图像特征对目标轮廓/边缘图像进行排序；

步骤3，将高清视频中设定侦测区域图像转换为灰度图像，并将高清视频中设定侦测区域灰度图像进行二值化处理；

步骤4，根据实时检测到的目标轮廓/边缘图像与样本库进行比对，对实时检测到的目标轮廓/边缘图像进行特征分类；

步骤5，对实时检测到的目标轮廓/边缘图像进行匹配识别，确定实时检测到的设定侦测区域目标轮廓图像类型。

3.根据权利要求1所述的针对高清视频设定侦测区域图像目标快速定位、识别方法，其特征在于，所述方法步骤5采用动态样本聚类分析法对目标轮廓图像进行识别，并根据目标轮廓特征对识别结果进行确认。

本发明针对复杂背景下的高清(200万像素以上)视频图像目标自动检测及定位识别，嵌入式软件功能设计实现非均匀光照条件下高清视频图像增强处理和软件的可信、可靠性，目标自动检测、定位速度快，适应动态范围大、目标识别精度高，提高前端嵌入式系统(智能摄像机)可靠性和稳定性，降低现场施工安装要求和难度。

附图说明

图1为本发明高清视频图像目标自动定位识别方法流程示意图；

图2为本发明高清视频图像目标自动定位识别系统逻辑框图。

具体实施方式

下面通过附图和实施例，对本发明技术方案做进一步的详细描述。

图1为本发明高清视频图像目标自动定位识别方法流程图，如图所示，本发明具体技术实现方案包括如下步骤：

步骤101，对高清摄像机实时采集的高清视频进行图像增强处理(根据高清视频图像中背景和内容确定图像增强滤波器模板类型及加权系数)，实时比对高清视频设定侦测区域图像与动态背景图像之间的差别，对实时采集的高清视频设定侦测区域图像中(运动)目标进行快速自动轮廓(边缘)检测、定位(采用自适应梯度检测定位算法)；

步骤102，将实时检测到高清视频设定侦测区域图像中(运动)目标轮廓(边缘)图像映射到原始高清视频(动态背景)图像中，根据(运动)目标图像轮廓(边缘)特征对实时检测到的(运动)目标轮廓图像进行排序；

步骤103，将高清视频设定侦测区域图像转换为灰度图像，并对高清视频设定侦测区域灰度图像进行二值化处理；

步骤104，将实时检测到的(运动)目标轮廓(边缘)图像特征与样本库进行实时比对，对实时检测到的(运动)目标轮廓(边缘)图像进行特征(采用学习方式和择优判断算法形成的运动目标轮廓特征)分类；

步骤105，对实时检测到高清视频设定侦测区域中(运动)目标轮廓(边缘)图像进行样本(采用学习方式和择优判断算法形成的目标轮廓特征样本)匹配识别，确定实时检测到的(运动)目标轮廓图像的目标类型。

所述的步骤105采用动态样本聚类分析法对(运动)目标轮廓(边缘)图像进行匹配识别，并根据目标图像轮廓(边缘)特征对识别结果进行确认。

图2所示高清视频图像目标自动定位识别系统，该系统由高清视频图像增强处理模块1、目标检测定位模块2、灰度图像二值化处理模块3、目标轮廓图像倾斜度校正模块4、目标轮廓图像分割及特征提取模块5和目标轮廓图像识别及后处理模块6组成；

高清视频图像增强处理模块:

在高清视频监控系统中，现场高清摄像机的安装、参数设置及环境因素，造成实时采集的高清视频图像退化(图像变形、噪声覆盖等)，从而直接影响后续高清视频图像目标自动检测、定位、识别精度。

“高清视频图像增强处理”模块实现对前端高清摄像机实时采集的高清视频的图像增强处理，根据高清视频图像中背景(场景)图像和内容(目标)图像实时确定图像滤波器模板类型(自适应维纳滤波器)及加权系数，获取最佳信噪比增强图像，提高后续目标检测、定位、识别精度。

目标检测定位模块:

现场高清摄像机实时采集的高清视频图像，分辨率在200万像素以上(1920x1080)，整幅高清视频图像实时处理量较大，将直接影响视频图像处理速度，从而影响系统后续目标自动检测、定位、识别实时性。

现场高清摄像机实时采集的高清视频图像中，根据系统现场监控场景及相关应用管理需求，可用于运动(管理)目标检测、定位、识别的有效区域，是高清视频图像中的局部区域，可根据具体现场监控场景及应用管理需求进行设置，以提高高清视频图像(有效区域)处理速度和系统自动检测、定位、识别的实时性和有效性。“设定侦测区域目标检测定位”模块实现设定侦测区域图像与动态背景图像之间的实时比对，采用自适应梯度检测定位算法对其中(运动)目标进行快速(轮廓/边缘)检测、定位。

本发明采用的自适应梯度检测定位算法能可同时检测出多个(运动)目标轮廓(边缘)，并根据(运动)目标轮廓(边缘)特征对目标进行匹配识别，根据设定侦测区域中(运动)目标由远到近、轮廓(边缘)由小到大的特点，本发明采用金字塔算法对设定侦测区域(运动)目标图像进行分解(子图像)，跟踪检测出(运动)目标轮廓(边缘)尺寸及形状，最后将(运动)目标轮廓(边缘)图像与本地样本库中样本进行匹配(设置匹配门限和检测精度)，拼接关联(图像)区域，并对(运动)目标轮廓(边缘)图像特征进行排序，最终确定(识别)目标类型并(自学习)优化本地样本库中样本图像。本发明设定金字塔算法的水平、垂直方向分解系数分别为γ_x(<1.0)和γ_y(<1.0)，第一级分解由原始侦测区域图像I水平方向和垂直方向分别缩放γ_x和γ_y倍，得到第一级金字塔图像I₁，再由I₁水平方向和垂直方向分别缩放γ_x和γ_y倍，得到第二级金字塔图像I₂，...，依此类推可作N(N=I,2,3，...)级分解(根据目标数量、识别精度及现场管理需求设定)。一般取γ_x=0.5，γ_y=0.5以便提高设定侦测区域图像分解速度，在设定侦测区域(待识别)目标数量≤20时，一般N取2。

对每一级金字塔图像进行彩色空间变换(转换为灰度图像)，以减小设定侦测区域图像(运动)目标检测、定位、识别处理运算量，对于完成彩色空间变换的设定侦测区域图像，采用垂直边缘(轮廓)特征提取算法进行(运动)目标快速检测、定位，其特点是速度快且检测效果好。

灰度图像二值化处理模块

二值化处理是数字图像处理的基础，也是设定侦测区域图像(运动)目标识别的重要环节。灰度图像比彩色图像更容易进行二值化处理，本发明在将设定侦测区域图像转换为灰度图像后立即进行二值化处理，图像二值化处理方法很多，本发明针对现场管理需求及设定侦测区域图像特点、目标检测(定位)精度进行选择，在设定侦测区域图像(运动)目标识别算法中，如果环境光照均匀且对比度较强，则采用直方图法进行设定侦测区域图像二值化处理；若环境光照不均匀时，则无法直接采用直方图法进行设定侦测区域图像二值化处理，本发明采用设定侦测区域图像分割和灰度逻辑水平技术GLLT(Gray Logical Level Technique)算法有效解决光照不均匀和低对比度条件下的设定侦测区域图像二值化处理——根据设定侦测区域图像及目标轮廓(边缘)特点，将设定侦测区域图像划分为若干个子区域(根据管理需求及目标数量)，并在各子区域图像中对(运动)目标轮廓(边缘)图像进行检测、定位、识别。GLLT算法流程如下:

1).设f(x，y)为设定侦测区域图像中(x，y)点灰度值，g(x，y)为其平滑后灰度值。根据设定侦测区域图像中目标轮廓模板W(一般取W=3)，以目标轮廓(边缘)图像中心计算(2W+l)×(2W+l)模板窗口灰度平均值:

$\stackrel{\&OverBar;}{f(x,y)}=\underset{-w\&le;i\&le;w}{\mathrm{\&Sigma;}}\underset{-w\&le;j\&le;w}{\mathrm{\&Sigma;}}f(x-i,y-j)/{(2w+1)}^2$

2).设设定侦测区域图像中距离目标像素点(x，y)W个像素的8邻接像素点为P₀，P₁，…P₇。若g(x，y)比其4邻接像素P_i，P_(i+4)mod8，P_(i+1)mod8，P_(i+5)mod8(i=0,1,2,3)高T个灰度级，则(x，y)被划分为“白象素”(取值255);若g(x，y)比其4邻接像素P_i，P_(i+4)mod8，P_(i+1)mod8，P_(i+5)mod8(i=0,1,2,3)低T个灰度级，则(x，y)被划分为“黑象素”(取值128);否则该象素标记为“未分类象素”(取值0)。判决规则为:

其中，H(P)为真，若 $g(x,y)-\stackrel{\&OverBar;}{f(x,y)}>T;$ L(P)为真，若 $\stackrel{\&OverBar;}{f(x,y)}-g(x,y)>T.$ 象素P′_i和P′_i+1分别是像素P_i和P_i+1（i=0，1，2，3)正对(180°方向)像素。

3).分区域计算取值255和128的像素所对应平均灰度图像值G₁和G₂。

4).按如下规则对取值为0的未分类像素进行分类:

GLLT算法适应性强、速度快、鲁棒性强，不需要复杂的参数设置，可有效解决诸如直方图法二值化处理时门限值较难确定问题。

目标轮廓图像倾斜度校正模块:

目标轮廓(边缘)图像倾斜度校正直接影响目标轮廓(边缘)识别精度，且倾斜度校正在整个目标识别流程中所占比例较大，因此，目标轮廓(边缘)倾斜度校正算法效率是目标识别算法中重点和难点。在目标轮廓(边缘)图像中，主要有水平倾斜和垂直倾斜两类。本发明基于垂直游程长统计的目标轮廓(边缘)图像倾斜度校正算法(水平倾斜度校正算法类似)。

1).找出目标图像区域边框坐标，x₀,x₁,y₀,y_i并计算其中心坐标(x_c，y_c);

2).设边界位置偏移值为D_k，则像素点（x，y)移位到(x_s，y_s)：

y_s＝y；

$x_s=\left\{\begin{array}{cc}x-D_k(y_c-y)/(y_c-y_0),& \mathrm{ify}<y_c;\\ x,& \mathrm{ify}=y_c;\\ x+D_k\left({y-y}_c\right)/(y_1-y_c),& \mathrm{ify}>y_c.\end{array}\right.$

3).对给定D_k的位移图像，计算垂直方向黑白游程长度平方和;

4).设D_Max为边界位置最大偏移值，对在区间[-D_Max，+D_Max]内任一整数偏移值D_k，计算垂直方向黑白游程长度平方和，找出最大值，则其所对应位移图像即为倾斜度校正后的图像。

目标轮廓图像分割及特征提取模块:

目标轮廓图像分割是在经目标轮廓图像倾斜度校正后的二值化图像中，采用垂直投影法划分出目标轮廓(边缘)图像的子图像及其相互关联关系。该模块难点在于目标图像粘连(包括目标轮廓与背景之间的粘连)和噪声图像干扰，通过子图像预测和估计来指导目标图像粘连和噪声图像的分割。

目标轮廓图像识别及后处理模块:

采用动态样本聚类分析法对目标轮廓(边缘)图像进行匹配识别，通过与本地目标轮廓图像(特征)样本库中特征样本进行比对(通过对这些样本的训练自适应得到权重系数),对目标轮廓图像(特征)样本数量、拟合度等指标进行评估，优化、调整目标轮廓图像(特征)样本数据，采用学习方式和择优判断算法形成的目标轮廓特征样本，以提高目标识别率。

本发明具有针对复杂背景下的高清(200万像素以上)视频图像(运动)目标自动检测、快速定位识别以及非均匀光照条件下高清视频图像增强处理效果好、动态范围大、目标自动定位识别精度高等优点，同时嵌入式软件功能设计可大大提高软件可信、可靠度和稳定性，降低前端嵌入式系统(智能摄像机)施工安装要求。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例模块及算法步骤，能够以电子硬件、计算机软件或二者结合方式来实现，为清楚地说明，本文已按照相关功能一般性地描述了各示例功能及实现流程，这些功能以何种方式实现，取决于相关技术方案应用和设计约束条件。专业技术人员可对每个特定的应用来使用不同的技术实现方案来实现所描述功能，但这种实现不应认为超出本发明范围。

结合本文所公开的实施例描述的方法或技术实现方案，可以用软件、嵌入式软件或硬件方式执行的模块，或相结合方式来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的高清视频图像目标自动定位识别方法及嵌入式软件技术实现方案，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体技术实现方案而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.高清视频图像目标自动定位识别系统，其特征在于，该系统由高清视频图像增强处理模块、目标检测定位模块、灰度图像二值化处理模块、目标轮廓图像倾斜度校正模块、目标轮廓图像分割及特征提取模块和目标轮廓图像识别及后处理模块组成；

其中，所述高清视频图像增强处理模块用于实现对前端高清摄像机实时采集的高清视频的图像增强处理，根据高清视频图像中背景/场景图像和内容/目标图像实时确定图像滤波器模板类型及加权系数，获取最佳信噪比增强图像，提高后续目标检测、定位、识别精度, 以消除复杂场景图像噪声干扰；

所述目标检测定位模块用于对处理过的所述图像信息中实现设定侦测区域图像与动态背景图像之间的实时比对，采用自适应梯度检测定位算法对其中目标进行快速轮廓/边缘检测、定位；

所述灰度图像二值化处理模块用于对目标轮廓识别后的图像转换为灰度图像后进行二值化处理；

所述目标轮廓图像倾斜度校正模块用于将二值化处理处理过的图像基于垂直游程长统计的目标轮廓/边缘图像倾斜度校正算法对目标轮廓/边缘图像倾斜度校正处理;

所述目标轮廓图像分割及特征提取模块用于实现在经目标轮廓图像倾斜度校正后的二值化图像中目标轮廓/边缘图像分割及特征提取；

所述目标轮廓图像识别及后处理模块采用动态样本聚类分析法实现目标轮廓/边缘图像的匹配识别和本地目标轮廓图像/特征样本库中特征样本的优化、调整。

2.高清视频图像目标自动定位识别方法，其特征在于，该方法具体包括如下步骤：

步骤1，高清视频图像增强处理模块对高清摄像机实时采集的高清视频进行图像增强处理，实时比对设定侦测区域图像与动态背景图像，对实时采集的高清视频图像中设定侦测区域/运动目标轮廓/边缘进行快速检测、定位；

步骤2，目标检测定位模块将实时检测到的设定侦测区域目标轮廓/边缘图像映射到原始高清视频动态背景图像中，根据目标轮廓/边缘图像特征对目标轮廓/边缘图像进行排序；

步骤3，将高清视频中设定侦测区域图像转换为灰度图像，并将高清视频中设定侦测区域灰度图像进行二值化处理；

步骤4，根据实时检测到的目标轮廓/边缘图像与样本库进行比对，对实时检测到的目标轮廓/边缘图像进行特征分类；

步骤5，对实时检测到的目标轮廓/边缘图像进行匹配识别，确定实时检测到的设定侦测区域目标轮廓图像类型。

3.根据权利要求2所述的针对高清视频设定侦测区域图像目标快速定位、识别方法，其特征在于，所述方法步骤5采用动态样本聚类分析法对目标轮廓图像进行识别，并根据目标轮廓特征对识别结果进行确认。

Images