CN106022314A - 一种智能视频监控中刚性目标丢失的检测方法 - Google Patents

Abstract

本发明涉及智能监控技术领域，具体是一种智能视频监控中刚性目标丢失的检测方法：在当前视频场景下选定一个区域作为监控的刚性目标；获取刚性目标模型的参数；获取当前场景视频图像；在当前帧的视频图像中，计算可疑目标位置处对应的图像属于刚性目标的概率；判断获取的可疑目标位置的置信度是否大于一定的阈值T，若大于该阈值，说明当前帧可疑目标位置处刚性目标依然存在，更新刚性目标模型参数；否则说明当前帧可疑目标位置处刚性目标丢失，报警。本发明采用视频图像分析技术，实时监控刚性目标的存在状态，当出现刚性目标丢失时，能够及时报警，本发明具有全天候、高准确度、不受光线变化和背景目标频繁移动的干扰等特点。

Description

一种智能视频监控中刚性目标丢失的检测方法

技术领域

本发明涉及智能监控技术领域，具体是一种智能视频监控中刚性目标丢失的检测方法。

背景技术

近年来，随着人们生活质量的提高，安全防范意识也在逐步提升，传统的视频监控系统因其效率低、浪费人力，越发不能满足人们的需要，因此，随后发展起来的智能视频监控系统，凭借着实时、高效、准确、无需太多人工干预的优点，越来越得到关注。其中，刚性目标丢失的检测是其十分重要的一个应用，例如，监控博物馆的某一幅名画是否被偷盗、银行系统的某一件抵押物是否被偷偷移走、停在路边的汽车是不是被偷开走等等。

目前，已存在一些视频分析算法，用于检测刚性目标是否丢失，主要是：

1.基于背景模型的检测方法，主要是先获取视频场景的背景图像模型，然后和当前帧视频图像相减获取前景目标，如果该前景目标出现在刚性目标所在的区域，即认为刚性目标丢失。该方法在光线稳定和背景目标无频繁移动的情况下有不错的效果，但是实际环境中，总会存在光线变化和背景目标频繁移动的情况，该方法会存在失效。

2.基于特征匹配的检测方法，主要是采用sift算法对刚性目标图像进行特征点检测和描述，然后在当前帧视频图像中，寻找是否存在和刚性目标相匹配的目标，借以判断刚性目标是否丢失。该类方法的优点是对光线的变化不敏感，缺点是判断速度较慢、对于没有显著特征点的目标，会存在失效。

发明内容

本发明的目的在于提供一种智能视频监控中刚性目标丢失的检测方法，能够适用于各种光线变化和背景场景，能够实时检测刚性目标的存在状态。

本发明是通过以下技术方案实现的：

一种智能视频监控中刚性目标丢失的检测方法，包括以下步骤：

(1)在当前视频场景下选定一个区域作为监控的刚性目标；

(2)获取刚性目标模型的参数；

(3)获取当前场景视频图像；

(4)在当前帧的视频图像中，根据刚性目标模型，计算可疑目标位置处对应的图像属于刚性目标的概率，即获取可疑目标位置的置信度；

(5)判断步骤(4)获取的可疑目标位置的置信度是否大于一定的阈值T，若大于该阈值，说明当前帧可疑目标位置处刚性目标依然存在，则进入步骤(6)；否则说明当前帧可疑目标位置处刚性目标丢失，进入步骤(7)；

(6)更新刚性目标模型参数，返回步骤(3)；

(7)报警。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(2)所述的刚性目标模型采用如下公式：

$p\left(x_A\right)=\underset{i=1}{\overset{N}{\Σ}}\{\frac{e^{-\[\frac{{\left(x_A\right(i)-u_{B1}(i\left)\right)}^2}{2{\mathrm{\σ}}_{B1}{\left(i\right)}^2}\]}}{{\mathrm{\σ}}_{B1}\left(i\right)}+\frac{e^{-\[\frac{{\left(x_A\right(i)-u_{B2}(i\left)\right)}^2}{2{\mathrm{\σ}}_{B2}{\left(i\right)}^2}\]}}{{\mathrm{\σ}}_{B2}\left(i\right)}\}$

其中，p(x_A)表示刚性目标存在的概率，x_A表示特征向量，x_A(i)表示特征向量的第i个分量，N表示特征向量的维数，u_B1(i)表示正样本特征向量的均值向量第i个分量，u_B2(i)表示负样本特征向量的均值向量第i个分量，σ_B1(i)表示正样本特征向量的方差向量第i个分量，σ_B2(i)表示负样本特征向量的方差向量第i个分量。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(2)所述的获取刚性目标模型的参数包括以下步骤：

(21)在刚性目标区域周围分别获取正样本区域和负样本区域，然后在正样本区域和负样本区域内，按照刚性目标的矩形尺寸进行遍历，截取每一个遍历位置处的局部图像作为相应刚性目标的正样本和负样本；

(22)获取每一个刚性目标的正样本和负样本的特征向量；

(23)计算刚性目标的正样本和负样本的均值向量和方差向量。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(21)所述的获取正样本区域和负样本区域分别采用以下公式(1)和(2)：

$\left\{\begin{array}{c}rect\_p.x=rect\_obj.x-rect\_obj.width*0.2\\ rect\_p.y=rect\_obj.y-rect\_obj.height*0.2\\ rect\_p.width=rect\_obj.width*1.4\\ rect\_p.height=rect\_obj.height*1.4\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}rect\_n=rect\_b-rect\_c\\ rect\_b.x=rect\_obj.x-rect\_obj.width\\ rect\_b.y=rect\_obj.y-rect\_obj.height\\ rect\_b.width=rect\_obj.width*3\\ rect\_b.height=rect\_obj.height*3\\ rect\_c.x=rect\_obj.x+rect\_obj.width*0.2\\ rect\_c.y=rect\_obj.y+rect\_obj.height*0.2\\ rect\_c.width=rect\_obj.width*0.6\\ rect\_c.height=rect\_obj.height*0.6\end{array}\right.---\left(2\right)$

其中，rect_p.x表示正样本区域矩形的左上角横坐标，rect_p.y表示正样本区域矩形的左上角纵坐标，rect_p.width表示正样本区域矩形的宽度，rect_p.height表示正样本区域矩形的高度；rect_obj.x表示刚性目标区域矩形的左上角横坐标，rect_obj.y表示刚性目标区域矩形的左上角纵坐标，rect_obj.width表示刚性目标区域矩形的宽度，rect_obj.height表示刚性目标区域矩形的高度；rect_n表示负样本区域，rect_b表示负样本区域所在的外边界矩形，rect_b.x表示负样本区域所在的外边界矩形的左上角横坐标，rect_b.y表示负样本区域所在的外边界矩形的左上角纵坐标，rect_b.width表示负样本区域所在的外边界矩形的宽度，rect_b.height表示负样本区域所在的外边界矩形的高度；rect_c表示负样本区域所在的内边界矩形，rect_c.x表示负样本区域所在的内边界矩形的左上角横坐标，rect_c.y表示负样本区域所在的内边界矩形的左上角纵坐标，rect_c.width表示负样本区域所在的内边界矩形的宽度，rect_b.height表示负样本区域所在的内边界矩形的高度；定义横坐标向右为正方向、纵坐标向下为正方向。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(22)所述的获取每一个刚性目标的正样本和负样本的特征向量包括以下步骤：

(221)计算单个样本图像的梯度；

(222)将单个样本图像均匀的划分为若干个子区域块；

(223)统计单个样本图像中每一个子区域块的梯度直方图向量；

(224)归一化单个样本图像中每一个子区域块的梯度直方图向量；

(225)合并所有的样本子区域块的梯度直方图向量，获得样本的特征向量；

(226)归一化样本的特征向量。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(221)所述的计算单个样本图像的梯度采用以下公式：

$\left\{\begin{array}{c}M(x,y)=\sqrt{{\mathrm{dx}}^2+{\mathrm{dy}}^2}\\ \mathrm{\α}(x,y)=\arctan \left(\frac{dy}{dx}\right)\\ dx=f(x-1,y)+f(x+1,y)-2*f(x,y)\\ dy=f(x,y-1)+f(x,y+1)-2*f(x,y)\end{array}\right.$

其中，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，dx为像素(x,y)处横坐标的微分，dy为像素(x,y)处纵坐标的微分，f(x,y)表示像素(x,y)处的灰度值。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(223)所述的统计每一个子区域块的梯度直方图向量采用以下公式：

$hist\left(i\right)=\left\{\begin{array}{cc}hist\left(i\right)+M(x,y)& \mathrm{\&beta;}*(i-1)\&le;\mathrm{\&alpha;}(x,y)<\mathrm{\&beta;}*i\\ hist\left(i\right)& \mathrm{\&beta;}*i\&le;\mathrm{\&alpha;}(x,y)or\mathrm{\&alpha;}(x,y)<\mathrm{\&beta;}*(i-1)\end{array}\right.$

其中，hist(i)表示梯度直方图向量，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，β表示直方图每一维覆盖的角度范围。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(224)所述的归一化每一个子区域块的梯度直方图向量采用以下公式：

$hist\left(i\right)=\frac{N*hist\left(i\right)}{\&Sigma;hist\left(i\right)}$

其中，N表示直方图的维数。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(226)所述的归一化样本的特征向量采用以下公式：

$x_A\&lsqb;i\&rsqb;=\frac{allhist\left(i\right)}{max\left\{allhist\left(i\right)\right\}}$

其中，x_A[i]表示样本的特征向量的第i维分量，max{allhist(i)}表示获取直方图allhist(i)的最大统计值，allhist(i)表示直方图的第i维分量。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(23)所述的计算刚性目标的正样本和负样本的均值向量和方差向量采用以下公式：

$\left\{\begin{array}{c}u\left(i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}{x}_j\left(i\right)\\ \mathrm{\&sigma;}\left(i\right)=\sqrt{\frac{\underset{j=1}{\overset{N}{\&Sigma;}}{\&lsqb;x_j\left(i\right)-u\left(i\right)\&rsqb;}^2}{N}}\end{array}\right.$

其中，u(i)表示刚性目标的正样本或者负样本的均值向量，σ(i)表示刚性目标的正样本或者负样本的方差向量，N表示刚性目标的正样本或者负样本的数目，x_j(i)表示第j个样本特征向量的第i个分量。

本发明所述的一种智能视频监控中刚性目标丢失的检测方法，步骤(6)所述的更新刚性目标模型参数采用以下公式：

$\left\{\begin{array}{c}u\left(i\right)=(1-\mathrm{\&alpha;})*u\left(i\right)+\mathrm{\&alpha;}*u_c\left(i\right)\\ \mathrm{\&sigma;}\left(i\right)=(1-\mathrm{\&alpha;})*\mathrm{\&sigma;}\left(i\right)+\mathrm{\&alpha;}*{\mathrm{\&sigma;}}_c\left(i\right)\end{array}\right.$

其中，u(i)、σ(i)分别表示刚性目标的均值向量和方差向量，u_c(i)、σ_c(i)分别表示当前帧中可疑目标位置处的均值向量和方差向量，α是刚性目标模型参数更新率。

本发明的有益效果在于：

本发明采用视频图像分析技术，实时监控刚性目标的存在状态，当出现刚性目标丢失时，能够及时报警，本发明具有全天候、高准确度、不受光线变化和背景目标频繁移动的干扰等特点。

附图说明

图1是本发明的方法流程图；

图2是具体实施方式中的刚性目标图像，1是刚性目标矩形；

图3是选取刚性目标的正样本区域示意图，1是刚性目标矩形，2是正样本区域矩形；

图4是选取刚性目标的负样本区域示意图，1是刚性目标矩形，3是负样本区域(阴影部分环状区域)，4是负样本区域所在的内边界矩形；

图5是刚性目标位置的邻域内置信度分布图。

具体实施方式

为更好理解本发明，下面结合实施例及附图对本发明作进一步描述，以下实施例仅是对本发明进行说明而非对其加以限定。

如图1所示，一种智能视频监控中刚性目标丢失的检测方法，包括以下顺序的步骤：

S1、选择刚性目标，主要是在当前的视频场景下，使用矩形框选定一个物体作为监控的刚性目标，为方便后续的使用，该矩形框所在的图像位置称为可疑目标位置，如图2所示。

S2、初始化刚性目标模型，主要是获取描述刚性目标的模型相关参数，本发明采用的是全概率模型，如公式(1)，并且设定所有的条件概率均符合高斯分布，因此，公式(1)可以进一步表示为公式(2)，去除其中的常数部分，全概率模型最终可以近似表示为公式(3)。

p(A)＝p(A|B₁)p(B₁)+p(A|B₂)p(B₂)(1)

其中，A表示“刚性目标存在”事件，B1表示样本空间中属于刚性目标的正样本集合，B2表示样本空间中不属于刚性目标的负样本集合。

$p\left(x_A\right)=\frac{n_{B1}}{\sqrt{2\mathrm{\&pi;}}{\mathrm{n\&sigma;}}_{B1}}{e}^{-\frac{{(x_A-u_{B1})}^2}{2{{\mathrm{\&sigma;}}_{B1}}^2}}+\frac{n_{B2}}{\sqrt{2\mathrm{\&pi;}}{\mathrm{n\&sigma;}}_{B2}}{e}^{-\frac{{(x_A-u_{B2})}^2}{2{{\mathrm{\&sigma;}}_{B2}}^2}}---\left(2\right)$

其中，p(x_A)表示刚性目标存在的概率，x_A表示测试样本特征向量，n表示正负样本的总数，n_B1表示正样本的数目，n_B2表示负样本的数目，u_B1表示正样本特征向量的均值向量，u_B2表示负样本特征向量的均值向量，σ_B1表示正样本特征向量的方差向量，σ_B2表示负样本特征向量的方差向量。

$p\left(x_A\right)=\underset{i=1}{\overset{N}{\&Sigma;}}\{\frac{e^{-\&lsqb;\frac{{\left(x_A\right(i)-u_{B1}(i\left)\right)}^2}{2{\mathrm{\&sigma;}}_{B1}{\left(i\right)}^2}\&rsqb;}}{{\mathrm{\&sigma;}}_{B1}\left(i\right)}+\frac{e^{-\&lsqb;\frac{{\left(x_A\right(i)-u_{B2}(i\left)\right)}^2}{2{\mathrm{\&sigma;}}_{B2}{\left(i\right)}^2}\&rsqb;}}{{\mathrm{\&sigma;}}_{B2}\left(i\right)}\}---\left(3\right)$

其中，i表示特征向量的第i个分量，N表示特征向量的维数，其余参数和公式(2)相同。

获取刚性目标模型的参数就是获取公式(3)中的u_B1(i)、u_B2(i)、σ_B1(i)、σ_B2(i)的值,具体步骤如下：

S21、获取刚性目标的正负样本，主要是在刚性目标矩形区域的周围，按照公式(4)获取正样本区域，按照公式(5)获取负样本区域，示意图分别如图3、4所示，然后在正负样本区域里，按照刚性目标的矩形尺寸进行遍历，截取每一个遍历位置处的局部图像作为相应的正样本和负样本。

$\left\{\begin{array}{c}rect\_p.x=rect\_obj.x-rect\_obj.width*0.2\\ rect\_p.y=rect\_obj.y-rect\_obj.height*0.2\\ rect\_p.width=rect\_obj.width*1.4\\ rect\_p.height=rect\_obj.height*1.4\end{array}\right.---\left(4\right)$

$\left\{\begin{array}{c}rect\_n=rect\_b-rect\_c\\ rect\_b.x=rect\_obj.x-rect\_obj.width\\ rect\_b.y=rect\_obj.y-rect\_obj.height\\ rect\_b.width=rect\_obj.width*3\\ rect\_b.height=rect\_obj.height*3\\ rect\_c.x=rect\_obj.x+rect\_obj.width*0.2\\ rect\_c.y=rect\_obj.y+rect\_obj.height*0.2\\ rect\_c.width=rect\_obj.width*0.6\\ rect\_c.height=rect\_obj.height*0.6\end{array}\right.---\left(5\right)$

其中，rect_p表示正样本区域矩形，rect_n表示负样本区域矩形，rect_obj表示刚性目标位置矩形，rect_*.x、rect_*.y表示矩形的左上角坐标，rect_*.width、rect_*.height表示矩形的宽度和高度。

S22、获取样本的特征向量，主要是获取每一个样本的特征向量，具体步骤如下：

S221、按照公式(6)，计算样本图像的梯度；

$\left\{\begin{array}{c}M(x,y)=\sqrt{{\mathrm{dx}}^2+{\mathrm{dy}}^2}\\ \mathrm{\&alpha;}(x,y)=\arctan \left(\frac{dy}{dx}\right)\\ dx=f(x-1,y)+f(x+1,y)-2*f(x,y)\\ dy=f(x,y-1)+f(x,y+1)-2*f(x,y)\end{array}\right.---\left(6\right)$

其中，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，f(x,y)表示像素(x,y)处的灰度值。

S222、划分样本子区域块，主要是把样本图像均匀的划分为16个子区域块；

S223、按照公式(7)，统计每一个样本子区域块的梯度直方图向量hist(i)；

$hist\left(i\right)=\left\{\begin{array}{cc}hist\left(i\right)+M(x,y)& \mathrm{\&beta;}*(i-1)\&le;\mathrm{\&alpha;}(x,y)<\mathrm{\&beta;}*i\\ hist\left(i\right)& \mathrm{\&beta;}*i\&le;\mathrm{\&alpha;}(x,y)or\mathrm{\&alpha;}(x,y)<\mathrm{\&beta;}*(i-1)\end{array}\right.---\left(7\right)$

其中，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，β表示直方图每一维覆盖的角度范围。

S224、按照公式(8)，归一化每一个样本子区域块的梯度直方图向量；

$hist\left(i\right)=\frac{N*hist\left(i\right)}{\&Sigma;hist\left(i\right)}---\left(8\right)$

其中，N表示直方图的维数。

S225、合并所有的样本子区域块的梯度直方图向量，获得样本的特征向量allhist(i)；

S226、按照公式(9)，归一化样本的特征向量。

$allhist\left(i\right)=\frac{allhist\left(i\right)}{max\left\{allhist\right\}}---\left(9\right)$

其中，max{allhist}表示获取直方图allhist的最大统计值。

S23、按照公式(10)，计算正负样本的均值向量和方差向量。

$\left\{\begin{array}{c}u\left(i\right)=\frac{1}{N}\underset{j=1}{\overset{N}{\&Sigma;}}{x}_j\left(i\right)\\ \mathrm{\&sigma;}\left(i\right)=\sqrt{\frac{\underset{j=1}{\overset{N}{\&Sigma;}}{\&lsqb;x_j\left(i\right)-u\left(i\right)\&rsqb;}^2}{N}}\end{array}\right.---\left(10\right)$

其中，N表示正样本或者负样本的数目，x_j(i)表示第j个样本特征向量的第i个分量。

S3、获取当前场景视频图像，主要是实时采集当前场景下的视频图像。

S4、获取可疑目标位置的置信度，主要是在当前帧的视频图像中，按照公式(3)，计算可疑目标位置处对应的图像属于刚性目标的概率，效果图如图5所示，其中亮度越大表明图像属于刚性目标的概率越大。

S5、判断刚性目标是否丢失，主要是判断S4获取的可疑目标位置的置信度是否大于一定的阈值T，如果大于该阈值，说明当前帧可疑目标位置处刚性目标依然存在，进入步骤S6，如果小于该阈值，说明当前帧可疑目标位置处刚性目标丢失，执行步骤S7；

S6、更新刚性目标模型参数，主要是按照步骤S2获取当前帧中可疑目标位置处的模型参数，按照公式(11)，更新模型参数，然后继续执行步骤S3。

$\left\{\begin{array}{c}u\left(i\right)=(1-\mathrm{\&alpha;})*u\left(i\right)+\mathrm{\&alpha;}*u_c\left(i\right)\\ \mathrm{\&sigma;}\left(i\right)=(1-\mathrm{\&alpha;})*\mathrm{\&sigma;}\left(i\right)+\mathrm{\&alpha;}*{\mathrm{\&sigma;}}_c\left(i\right)\end{array}\right.---\left(10\right)$

其中，u(i)、σ(i)表示刚性目标模型参数，u_c(i)、σ_c(i)表示当前帧中可疑目标位置处的模型参数，α是刚性目标模型参数更新率。

S7、报警，主要是当检测到刚性目标丢失，及时报警提示工作人员进行处理，防止出现重大损失。

以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (11)

1.一种智能视频监控中刚性目标丢失的检测方法，其特征在于，包括以下步骤：

(1)在当前视频场景下选定一个区域作为监控的刚性目标；

(2)获取刚性目标模型的参数；

(3)获取当前场景视频图像；

(4)在当前帧的视频图像中，根据刚性目标模型，计算可疑目标位置处对应的图像属于刚性目标的概率，即获取可疑目标位置的置信度；

(5)判断步骤(4)获取的可疑目标位置的置信度是否大于一定的阈值T，若大于该阈值，说明当前帧可疑目标位置处刚性目标依然存在，则进入步骤(6)；否则说明当前帧可疑目标位置处刚性目标丢失，进入步骤(7)；

(6)更新刚性目标模型参数，返回步骤(3)；

(7)报警。

2.根据权利要求1所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(2)所述的刚性目标模型采用如下公式：

其中，p(x_A)表示刚性目标存在的概率，x_A表示特征向量，x_A(i)表示特征向量的第i个分量，N表示特征向量的维数，u_B1(i)表示正样本特征向量的均值向量第i个分量，u_B2(i)表示负样本特征向量的均值向量第i个分量，σ_B1(i)表示正样本特征向量的方差向量第i个分量，σ_B2(i)表示负样本特征向量的方差向量第i个分量。

3.根据权利要求1或2所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(2)所述的获取刚性目标模型的参数包括以下步骤：

(21)在刚性目标区域周围分别获取正样本区域和负样本区域，然后在正样本区域和负样本区域内，按照刚性目标的矩形尺寸进行遍历，截取每一个遍历位 置处的局部图像作为相应刚性目标的正样本和负样本；

(22)获取每一个刚性目标的正样本和负样本的特征向量；

(23)计算刚性目标的正样本和负样本的均值向量和方差向量。

4.根据权利要求3所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(21)所述的获取正样本区域和负样本区域分别采用以下公式(1)和(2)：

其中，rect_p.x表示正样本区域矩形的左上角横坐标，rect_p.y表示正样本区域矩形的左上角纵坐标，rect_p.width表示正样本区域矩形的宽度，rect_p.height表示正样本区域矩形的高度；rect_obj.x表示刚性目标区域矩形的左上角横坐标，rect_obj.y表示刚性目标区域矩形的左上角纵坐标，rect_obj.width表示刚性目标区域矩形的宽度，rect_obj.height表示刚性目标区域矩形的高度；rect_n表示负样本区域，rect_b表示负样本区域所在的外边界矩形，rect_b.x表示负样本区域所在的外边界矩形的左上角横坐标，rect_b.y表示负样本区域所在的外边界矩形的左上角纵坐标，rect_b.width表示负样本区域所在的外边界矩形的宽度，rect_b.height表示负样本区域所在的外边界矩形的高度；rect_c表示负样本区域所在的内边界矩形，rect_c.x表示负样本区域所在的内边界矩形的左上角横坐标，rect_c.y表示负样本区域所在的内边界矩形的左上角纵坐标，rect_c.width表示负 样本区域所在的内边界矩形的宽度，rect_b.height表示负样本区域所在的内边界矩形的高度；定义横坐标向右为正方向、纵坐标向下为正方向。

5.根据权利要求3所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(22)所述的获取每一个刚性目标的正样本和负样本的特征向量包括以下步骤：

(221)计算单个样本图像的梯度；

(222)将单个样本图像均匀的划分为若干个子区域块；

(223)统计单个样本图像中每一个子区域块的梯度直方图向量；

(224)归一化单个样本图像中每一个子区域块的梯度直方图向量；

(225)合并所有的样本子区域块的梯度直方图向量，获得样本的特征向量；

(226)归一化样本的特征向量。

6.根据权利要求5所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(221)所述的计算单个样本图像的梯度采用以下公式：

其中，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，dx为像素(x,y)处横坐标的微分，dy为像素(x,y)处纵坐标的微分，f(x,y)表示像素(x,y)处的灰度值。

7.根据权利要求6所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(223)所述的统计每一个子区域块的梯度直方图向量采用以下公式：

其中，hist(i)表示梯度直方图向量，M(x,y)表示像素(x,y)处的幅值，α(x,y)表示像素(x,y)处的方向角，β表示直方图每一维覆盖的角度范围。

8.根据权利要求7所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(224)所述的归一化每一个子区域块的梯度直方图向量采用以下公式：

其中，N表示直方图的维数。

9.根据权利要求8所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(226)所述的归一化样本的特征向量采用以下公式：

其中，x_A[i]表示样本的特征向量的第i维分量，max{allhist(i)}表示获取直方图allhist(i)的最大统计值，allhist(i)表示直方图的第i维分量。

10.根据权利要求3所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(23)所述的计算刚性目标的正样本和负样本的均值向量和方差向量采用以下公式：

其中，u(i)表示刚性目标的正样本或者负样本的均值向量，σ(i)表示刚性目标的正样本或者负样本的方差向量，N表示刚性目标的正样本或者负样本的数目，x_j(i)表示第j个样本特征向量的第i个分量。

11.根据权利要求1所述的一种智能视频监控中刚性目标丢失的检测方法，其特征在于，步骤(6)所述的更新刚性目标模型参数采用以下公式：

其中，u(i)、σ(i)分别表示刚性目标的均值向量和方差向量，u_c(i)、σ_c(i) 分别表示当前帧中可疑目标位置处的均值向量和方差向量，α是刚性目标模型参数更新率。