CN104866842B

CN104866842B - 一种人体目标入侵检测方法

Info

Publication number: CN104866842B
Application number: CN201510300835.3A
Authority: CN
Inventors: 谢剑斌; 刘通; 闫玮; 李沛秦
Original assignee: National University of Defense Technology
Current assignee: National University of Defense Technology
Priority date: 2015-06-05
Filing date: 2015-06-05
Publication date: 2018-07-03
Anticipated expiration: 2035-06-05
Also published as: CN104866842A

Abstract

本发明涉及一种人体目标入侵检测方法。首先采用改进的背景差法检测视频每一帧的运动目标；然后提取目标的形状特征，依据人体的形状特性筛选出疑似人体目标；接着提取目标的运动特征，依据人体的运动特性筛选出疑似人体目标；最后提取疑似人体区域的Haar特征，依据人体的空间灰度分布特性检测目标区域是否包含人体。提出基于多特征融合的入侵人体目标检测方法，提高了人体检测的速度，并降低了虚警率，可以智能检测监控视频中是否存在入侵人体目标，提高智能监控系统的安全性和智能化水平。

Description

一种人体目标入侵检测方法

技术领域

本发明涉及一种人体目标入侵检测方法，属于目标检测技术领域。

背景技术

随着计算机技术的飞速发展，基于视频的监控方式已逐步取代人工巡逻的方式，成为安全监控的主流。目前，视频监控的智能化水平较低，主要依靠人工监控各个监控点的监控视频来辨别入侵的人体目标。然而，由于监控室内待监控屏幕很多，值班人员很难兼顾所有待监控场所，再加上值班人员疲劳或者疏忽，经常会遗漏许多可疑目标，给监控场所带来重大损失。为降低值班人员的劳动强度、提高视频监控的安全等级，专利“周界智能防范系统（201420490640，2014）”采用雷达和红外传感器辅助视频监控，雷达传感器可以检测运动目标，红外传感器可以检测具有特定温度范围的目标，这两种传感器的检测信号采用“与”的方式进行融合，可以有效检测运动人体目标，并减少风吹草动等许多非人体运动引起的虚警现象。另外，现有的许多网络摄像机（如海康网络摄像机DS-2CD3232(D)-I3）都具备运动侦测功能，该功能不仅可以像雷达传感器那样检测运动目标，而且可以依据预先设置的参数，排除小运动目标或非感兴趣区域的运动目标引起的虚警现象。尽管采用上述方式可以在一定程度上提高视频监控系统的智能化水平，但系统的虚警率较高，主要原因是上述方式都没有区分人体，易受环境变化、动物出没等因素影响。文献“Rapid objectdetection using a boosted cascade of simple features（CVPR，2001） ”、“Histogramsof oriented gradients for human detection（CVPR，2005）”等提出了基于图像灰度信息检测人体目标的方法，可以区分图像中的人体和背景。但由于在全图中搜索人体非常耗时，难以达到视频监控系统的实时性要求，而且全图中背景干扰大，也易引起虚警现象。

发明内容

本发明所要解决的技术问题在于提出一种基于多特征融合的入侵人体目标检测方法，首先检测视频中的运动目标，然后依据目标的形状和运动特性初步筛选出疑似人体目标，接着再通过空间灰度特征对目标进行细筛选，快速检测入侵的人体目标。

为实现上述的发明目的，本发明采用下述的技术方案，流程图如图1所示：

1、基于改进背景差的运动目标检测方法

由于人体检测非常耗时，故本发明先检测视频图像中的运动区域，然后仅在运动区域内检测人体，从而提高算法的运算效率。

背景差法、帧差法和光流法是常用的运动检测方法，其中光流法速度太慢，难以满足监控系统的实时性要求；帧差法检测的运动目标常存在孔洞或断裂现象，不利于后续的人体目标判别，故本发明采用背景差法检测运动目标。然而，背景差法受环境光照变化影响较大。为提高算法对环境的适应能力，本发明提出改进的背景差法，在差分图像分割阶段，采用错分率小的OTSU方法求取自适应的分割阈值，并依据经验阈值限制分割阈值，防止突变或极端情况引起的错分现象；在背景更新阶段，结合分割图像更新背景，目标区域保留原背景像素属性，其他区域对当前图像和背景图像做加权平均，平滑环境变化。具体步骤为：

Step1 取初始帧图像I₀作为背景图像B；

Step2 求取背景差分图像E：

其中，为任一像素点坐标，I为当前帧图像。

Step3 采用OTSU法求取图像E的自适应阈值T_a，并依据经验阈值限制分割阈值T的取值范围：

其中，T₁、T₂分别为阈值的上下限，经验取值为5、25。

Sep4 图像分割，得到二值图像MR：

Step5 采用数学形态学的“顶帽变换”方法对二值图像MR进行滤波，然后采用8-邻接连通方法搜索和标记目标。

Step6 更新背景图像：

其中，参数是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里取值为0.02。

2、基于多特征融合的人体目标检测方法

现有人体检测方法大都是依据人体的灰度分布特性检测人体，在复杂场景下虚警率较高。本发明提出基于多特征融合的人体目标检测方法，首先仅在运动区域检测人体，降低背景区域可能存在的虚警。然后结合形状、运动和空间灰度分布三类特征检测人体，解决单纯依据空间灰度分布特征存在的虚警率高的问题。同时三类特征按从简单到复杂的顺序逐层进行分类，提高人体检测速度。

（1）目标形状特性检测

依据目标的形状特征对运动目标进行粗筛选，有利于减少虚警现象和提高系统整体运行效率，步骤是：

Step1 提取目标的形状特征、、：

其中，w、h分别表示目标区域的宽度和高度，N表示目标区域中值不为零的像素点总数，W、H分别表示当前图像的宽度和高度。

Step2 如果形状特征不满足如下条件：

则判定运动目标不是人体，退出当前帧检测，否则继续检测。其中，T₃、T₄、T₅、T₆为经验阈值，这里取值为50、50、4、60。

（2）目标运动特性检测

依据目标的运动特征对运动目标进行粗筛选，有利于降低树枝晃动等引起的虚警现象，步骤是：

Step1 在二值图像MR上，搜索当前目标区域的左右边界[x_L,x_R]、上下边界[y_T,y_B]；

Step2 计算当前目标的质心坐标(x_m,y_m)：

Step3 在前一帧的目标中，寻找与当前目标边界所围成的矩形相交且重合区域面积最大的一个目标，作为当前目标的匹配目标S。如果当前目标无匹配目标，退出当前帧检测，否则，进入下一步；

Step4 记S的质心坐标为(x₀,y₀) ，计算当前目标质心的位移D：

Step5 如果位移不满足如下条件：

则判定运动目标不是人体，退出当前帧检测，否则继续检测。其中，T₇、T₈为经验阈值，这里取值为2、30。

（3）目标灰度特性检测

提取运动目标区域所在灰度图像区域的各像素点的灰度值，依据基于Haar特征的人体检测方法判别当前目标是否为人体（详见“Rapid object detection using aboosted cascade of simple features（CVPR，2001）”），如果不是人体，退出当前帧检测。否则，表明当前帧存在入侵人体目标，发出声光等警示信息提醒值班人员注意。

本发明的优点在于：提出基于多特征融合的入侵人体目标检测方法，提高了人体检测的速度，并降低了虚警率，可以智能检测监控视频中是否存在入侵人体目标，提高智能监控系统的安全性和智能化水平。

附图说明

图1 入侵人体目标检测流程图。

具体实施方式

本发明提出一种基于多特征融合的入侵人体目标检测方法，首先采用改进的背景差法检测视频每一帧的运动目标；然后提取目标的形状特征，依据人体的形状特性筛选出疑似人体目标；接着提取目标的运动特征，依据人体的运动特性筛选出疑似人体目标；最后提取疑似人体区域的Haar特征，依据人体的空间灰度分布特性检测目标区域是否包含人体。

本发明在检测到运动目标的基础上进行人体检测，提高了人体检测速度，同时融合目标的形状、运动和灰度三类特征检测入侵人体目标，降低了虚警率，可广泛应用于智能监控系统。

Claims

1.一种人体目标入侵检测方法，基于多特征融合的入侵人体目标检测方法，其特征在于，首先检测视频中的运动目标，然后依据目标的形状和运动特性初步筛选出疑似人体目标，接着再通过空间灰度特征对目标进行细筛选，快速检测入侵的人体目标，具体步骤包括：

(1)、基于改进背景差的运动目标检测方法

采用背景差法检测运动目标，背景差法受环境光照变化影响较大，为提高算法对环境的适应能力，在差分图像分割阶段，采用错分率小的OTSU方法求取自适应的分割阈值，并依据经验阈值限制分割阈值，防止突变或极端情况引起的错分现象；在背景更新阶段，结合分割图像更新背景，目标区域保留原背景像素属性，其他区域对当前图像和背景图像做加权平均，平滑环境变化；

所述基于改进背景差的运动目标检测方法包括如下步骤：

Step1取初始帧图像I₀作为背景图像B；

Step2求取背景差分图像E：

E(i,j)＝|I(i,j)-B(i,j)|

其中，(i,j)为任一像素点坐标，I为当前帧图像；

Step3采用OTSU法求取图像E的自适应阈值T_a，并依据经验阈值限制分割阈值T的取值范围：

其中，T₁、T₂分别为阈值的上下限，经验取值为5、25；

Sep4图像分割，得到二值图像MR：

Step5采用数学形态学的“顶帽变换”方法对二值图像MR进行滤波，然后采用8-邻接连通方法搜索和标记目标；

Step6更新背景图像：

B(i,j)＝[1-MR(i,j)][αI(i,j)+(1-α)B(i,j)]+MR(i,j)B(i,j)

其中，参数α是一个经验值，用于控制背景更新的快慢，取值越大背景更新越快，这里取值为0.02；

(2)、基于多特征融合的人体目标检测方法

基于多特征融合的人体目标检测方法，首先仅在运动区域检测人体，降低背景区域可能存在的虚警，然后结合形状、运动和空间灰度分布三类特征检测人体，解决单纯依据空间灰度分布特征存在的虚警率高的问题，同时三类特征按从简单到复杂的顺序逐层进行分类，提高人体检测速度，包括：

(2.1)目标形状特性检测；

(2.2)目标运动特性检测；

(2.3)目标灰度特性检测；

所述目标形状特性检测包括如下步骤：

Step2.1.1提取目标的形状特征f₁、f₂、f₃：

其中，w、h分别表示目标区域的宽度和高度，N表示目标区域中值不为零的像素点总数，W、H分别表示当前图像的宽度和高度；

Step2.1.2如果形状特征不满足如下条件：

则判定运动目标不是人体，退出当前帧检测，否则继续检测，其中，T₃、T₄、T₅、T₆为经验阈值，这里取值为50、50、4、60；

所述目标运动特性检测包括如下步骤：

Step2.2.1在二值图像MR上，搜索当前目标区域的左右边界[x_L,x_R]、上下边界[y_T,y_B]；

Step2.2.2计算当前目标的质心坐标(x_m,y_m)：

Step2.2.3在前一帧的目标中，寻找与当前目标边界所围成的矩形相交且重合区域面积最大的一个目标，作为当前目标的匹配目标S，如果当前目标无匹配目标，退出当前帧检测，否则，进入下一步；

Step2.2.4记S的质心坐标为(x₀,y₀)，计算当前目标质心的位移D：

Step2.2.5如果位移不满足如下条件：

则判定运动目标不是人体，退出当前帧检测，否则继续检测，其中，T₇、T₈为经验阈值，这里取值为2、30；

所述目标灰度特性检测具体为：提取运动目标区域所在灰度图像区域的各像素点的灰度值，依据基于Haar特征的人体检测方法判别当前目标是否为人体，如果不是人体，退出当前帧检测，否则，表明当前帧存在入侵人体目标，发出声光警示信息提醒值班人员注意。