CN106683117A - 一种基于运动行为分析的目标抓取算法 - Google Patents
一种基于运动行为分析的目标抓取算法 Download PDFInfo
- Publication number
- CN106683117A CN106683117A CN201611251747.XA CN201611251747A CN106683117A CN 106683117 A CN106683117 A CN 106683117A CN 201611251747 A CN201611251747 A CN 201611251747A CN 106683117 A CN106683117 A CN 106683117A
- Authority
- CN
- China
- Prior art keywords
- target
- window
- variable
- updatetime
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于运动行为分析的目标抓取算法，该基于运动行为分析的目标抓取算法具体步骤如下：S1：使用一种非最大矩形抑制法对包含目标的多个窗口进行置信度排序过滤从而实现目标窗口的准确获取，S2：利用统计学行为分析匹配目标移动方向，S3：根据前后帧重叠面积进行目标追踪。该方法首先通过多尺度手段对搜索区域提取特征并进行分类，对于同一目标在不同尺度下的图像采用非最大矩形抑制法根据置信度来提取运动目标；然后设定多个状态属性变量对运动目标进行统计分析实现运动目标的匹配追踪；最后通过建立一个线性统计模型来判断目标是否已经消失并根据状态属性变量抓取包含目标的最佳图像。
Description
技术领域
本发明涉及计算机视觉技术领域，具体为一种基于运动行为分析的目标抓取算法。
背景技术
智能视频监控以数字化、网络化视频监控为基础，但又有别于一般的网络化视频监控，它是一种更高端的视频监控应用。智能视频监控系统能够识别不同的物体。发现监控画面中的异常情况，并能以最快和最佳的方式发出警报和提供有用信息，从而能够更加有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。智能视频监控中的运动目标图像抓取则是实现这一环节的最终目的。整个抓取过程可以分为：目标检测、目标匹配、目标追踪、目标抓取。目前比较常用的运动目标检测方法是帧间差分法、背景差分法和光流法，而几种常用的目标跟踪算法则有粒子滤波、基于边缘轮廓的跟踪和基于模板的目标建模等方法。由于常见的方法在对视频图像中目标尚不能完全有效地进行检测、跟踪并抓取，业界亟待一种能够实现智能视频监控中对运动目标进行检测，根据运动目标的行为进行统计分析匹配并追踪最终抓取图像的具体方法。
发明内容
本发明的目的在于提供一种基于运动行为分析的目标抓取算法，该基于运动行为分析的目标抓取算法具体步骤如下：
S1：使用一种非最大矩形抑制法对包含目标的多个窗口进行置信度排序过滤从而实现目标窗口的准确获取，对于包含目标的n个矩形窗口按照置信度从大到小进行排序，遍历所有n个窗口并将其与其余的n-1个窗口计算重叠面积，当重叠面积大于0.5时，将置信度较小的窗口标定为抑制，置信度较大的窗口标定为非抑制；遍历完所有窗口后保留标定为非抑制的窗口从而实现包含目标的最佳窗口的提取；
置信度定义为包含目标窗口图像的Haar特征值超过分类阈值的比例具体计算方法为：计算窗口图像的Haar特征值，将级联分类器每个阶段所需的Haar特征值以及模型K的分类器阈值分别进行累加，再计算累加Haar特征值超过累加分类器阈值的百分比公式为，其中表示在第i个阶段Haar特征值，表示模型K在第i个阶段分类器的阈值在多尺度分类模型中，这种计算能够有效衡量检测出的目标可信度，减小噪声干扰；
S2：利用统计学行为分析匹配目标移动方向，然后根据移动方向对目标在感兴趣区域内抓取一张质量最好的目标图像，利用统计学行为分析匹配目标移动方向并抓取图像算法具体步骤如下：
(1)使用当前帧识别出的目标窗口和前一帧识别出的目标窗口计算两者的重叠面积比率超过0.5则判定两帧为同一目标，设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)；
(2)对于同一目标在感兴趣区域内连续的n帧图像窗口，计算其在垂直方向上的连续位移偏差均值，公式为，其中表示第i帧的窗口中心点在y轴上的坐标值，如果则判定为目标在向下移动，如果则判定为向上移动；
(3)当判断目标消失条件满足时，此时根据目标移动方向来抓取质量组好的图像：如果目标在区域中向下移动，则取第帧图像；如果目标在区域中向上移动，则取第帧图像；
S3：根据前后帧重叠面积进行目标追踪，然后采用一种统计模型来定量计算判断得到目标从区域中消失时间其具体算法步骤如下：
(1)假设第i帧图像中抓取目标矩形面积为，第i-1帧图像中抓取目标矩形面积为，这两个矩形的重叠面积为，则由公式：可以得到重叠率，当大于0.5时认为两帧追踪的是同一目标，反之则不是；
(2)对于目标设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)，设定变量noupdatetime保存同一目标未出现的帧数，我们建立一个线性模型来拟合两个变量的关系，模型如下：，其中参数a设为21.11，参数b设为0.11，表示变量updatetime，表示由变量updatetime预测变量noupdatetime的值经过工程实践，这种模型可以较好地拟合在不同场景下不同目标被抓取次数和目标消失时未被抓取次数之间的关系，从而有利于判断目标消失时间；
(3)当目标变量noupdatetime大于预测值时，我们判断目标已经消失，此时开始输出抓取目标最佳图像，反之，则判断目标还未消失，继续跟踪目标。
与现有技术相比，本发明的有益效果是：本发明提供了一种基于运动行为分析的目标抓取算法及其在智能安防中的应用，该方法可以有效正确检测、跟踪并抓取视频图像中的运动目标，并能获得该目标的运动方向与相应位置，从而实现智能视频监控和智能判断。该方法首先通过多尺度手段对搜索区域提取特征并进行分类，对于同一目标在不同尺度下的图像采用非最大矩形抑制法根据置信度来提取运动目标；然后设定多个状态属性变量对运动目标进行统计分析实现运动目标的匹配追踪；最后通过建立一个线性统计模型来判断目标是否已经消失并根据状态属性变量抓取包含目标的最佳图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
一种基于运动行为分析的目标抓取算法，该基于运动行为分析的目标抓取算法具体步骤如下：
S1：使用一种非最大矩形抑制法对包含目标的多个窗口进行置信度排序过滤从而实现目标窗口的准确获取，对于包含目标的n个矩形窗口按照置信度从大到小进行排序，遍历所有n个窗口并将其与其余的n-1个窗口计算重叠面积，当重叠面积大于0.5时，将置信度较小的窗口标定为抑制，置信度较大的窗口标定为非抑制；遍历完所有窗口后保留标定为非抑制的窗口从而实现包含目标的最佳窗口的提取；
置信度定义为包含目标窗口图像的Haar特征值超过分类阈值的比例具体计算方法为：计算窗口图像的Haar特征值，将级联分类器每个阶段所需的Haar特征值以及模型K的分类器阈值分别进行累加，再计算累加Haar特征值超过累加分类器阈值的百分比公式为，其中表示在第i个阶段Haar特征值，表示模型K在第i个阶段分类器的阈值在多尺度分类模型中，这种计算能够有效衡量检测出的目标可信度，减小噪声干扰；
S2：利用统计学行为分析匹配目标移动方向，然后根据移动方向对目标在感兴趣区域内抓取一张质量最好的目标图像，利用统计学行为分析匹配目标移动方向并抓取图像算法具体步骤如下：
(1)使用当前帧识别出的目标窗口和前一帧识别出的目标窗口计算两者的重叠面积比率超过0.5则判定两帧为同一目标，设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)；
(2)对于同一目标在感兴趣区域内连续的n帧图像窗口，计算其在垂直方向上的连续位移偏差均值，公式为，其中表示第i帧的窗口中心点在y轴上的坐标值，如果则判定为目标在向下移动，如果则判定为向上移动；
(3)当判断目标消失条件满足时，此时根据目标移动方向来抓取质量组好的图像：如果目标在区域中向下移动，则取第帧图像；如果目标在区域中向上移动，则取第帧图像；
S3：根据前后帧重叠面积进行目标追踪，然后采用一种统计模型来定量计算判断得到目标从区域中消失时间其具体算法步骤如下：
(1)假设第i帧图像中抓取目标矩形面积为，第i-1帧图像中抓取目标矩形面积为，这两个矩形的重叠面积为，则由公式：可以得到重叠率，当大于0.5时认为两帧追踪的是同一目标，反之则不是；
(2)对于目标设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)，设定变量noupdatetime保存同一目标未出现的帧数，我们建立一个线性模型来拟合两个变量的关系，模型如下：，其中参数a设为21.11，参数b设为0.11，表示变量updatetime，表示由变量updatetime预测变量noupdatetime的值经过工程实践，这种模型可以较好地拟合在不同场景下不同目标被抓取次数和目标消失时未被抓取次数之间的关系，从而有利于判断目标消失时间；
(3)当目标变量noupdatetime大于预测值时，我们判断目标已经消失，此时开始输出抓取目标最佳图像，反之，则判断目标还未消失，继续跟踪目标。
本发明提供了一种基于运动行为分析的目标抓取算法及其在智能安防中的应用，该方法可以有效正确检测、跟踪并抓取视频图像中的运动目标，并能获得该目标的运动方向与相应位置，从而实现智能视频监控和智能判断。该方法首先通过多尺度手段对搜索区域提取特征并进行分类，对于同一目标在不同尺度下的图像采用非最大矩形抑制法根据置信度来提取运动目标；然后设定多个状态属性变量对运动目标进行统计分析实现运动目标的匹配追踪；最后通过建立一个线性统计模型来判断目标是否已经消失并根据状态属性变量抓取包含目标的最佳图像。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于运动行为分析的目标抓取算法，其特征在于：该基于运动行为分析的目标抓取算法具体步骤如下：
S1：使用一种非最大矩形抑制法对包含目标的多个窗口进行置信度排序过滤从而实现目标窗口的准确获取，对于包含目标的n个矩形窗口按照置信度从大到小进行排序，遍历所有n个窗口并将其与其余的n-1个窗口计算重叠面积，当重叠面积大于0.5时，将置信度较小的窗口标定为抑制，置信度较大的窗口标定为非抑制；遍历完所有窗口后保留标定为非抑制的窗口从而实现包含目标的最佳窗口的提取；
置信度定义为包含目标窗口图像的Haar特征值超过分类阈值的比例具体计算方法为：计算窗口图像的Haar特征值，将级联分类器每个阶段所需的Haar特征值以及模型K的分类器阈值分别进行累加，再计算累加Haar特征值超过累加分类器阈值的百分比公式为，其中表示在第i个阶段Haar特征值，表示模型K在第i个阶段分类器的阈值在多尺度分类模型中，这种计算能够有效衡量检测出的目标可信度，减小噪声干扰；
S2：利用统计学行为分析匹配目标移动方向，然后根据移动方向对目标在感兴趣区域内抓取一张质量最好的目标图像，利用统计学行为分析匹配目标移动方向并抓取图像算法具体步骤如下：
(1)使用当前帧识别出的目标窗口和前一帧识别出的目标窗口计算两者的重叠面积比率超过0.5则判定两帧为同一目标，设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)；
(2)对于同一目标在感兴趣区域内连续的n帧图像窗口，计算其在垂直方向上的连续位移偏差均值，公式为，其中表示第i帧的窗口中心点在y轴上的坐标值，如果则判定为目标在向下移动，如果则判定为向上移动；
(3)当判断目标消失条件满足时，此时根据目标移动方向来抓取质量组好的图像：如果目标在区域中向下移动，则取第帧图像；如果目标在区域中向上移动，则取第帧图像；
S3：根据前后帧重叠面积进行目标追踪，然后采用一种统计模型来定量计算判断得到目标从区域中消失时间其具体算法步骤如下：
(1)假设第i帧图像中抓取目标矩形面积为，第i-1帧图像中抓取目标矩形面积为，这两个矩形的重叠面积为，则由公式：可以得到重叠率，当大于0.5时认为两帧追踪的是同一目标，反之则不是；
(2)对于目标设定变量updatetime保存同一目标出现的帧数(目标第一次出现时设置updatetime＝1)，设定变量noupdatetime保存同一目标未出现的帧数，我们建立一个线性模型来拟合两个变量的关系，模型如下：，其中参数a设为21.11，参数b设为0.11，表示变量updatetime，表示由变量updatetime预测变量noupdatetime的值经过工程实践，这种模型可以较好地拟合在不同场景下不同目标被抓取次数和目标消失时未被抓取次数之间的关系，从而有利于判断目标消失时间；
(3)当目标变量noupdatetime大于预测值时，我们判断目标已经消失，此时开始输出抓取目标最佳图像，反之，则判断目标还未消失，继续跟踪目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611251747.XA CN106683117A (zh) | 2016-12-30 | 2016-12-30 | 一种基于运动行为分析的目标抓取算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611251747.XA CN106683117A (zh) | 2016-12-30 | 2016-12-30 | 一种基于运动行为分析的目标抓取算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106683117A true CN106683117A (zh) | 2017-05-17 |
Family
ID=58872230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611251747.XA Withdrawn CN106683117A (zh) | 2016-12-30 | 2016-12-30 | 一种基于运动行为分析的目标抓取算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106683117A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537826A (zh) * | 2018-05-28 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种基于人工干预的舰船目标跟踪方法 |
| CN110807354A (zh) * | 2019-09-09 | 2020-02-18 | 杭州朗阳科技有限公司 | 一种工业流水线产品计数方法 |
-
2016
- 2016-12-30 CN CN201611251747.XA patent/CN106683117A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108537826A (zh) * | 2018-05-28 | 2018-09-14 | 深圳市芯汉感知技术有限公司 | 一种基于人工干预的舰船目标跟踪方法 |
| CN110807354A (zh) * | 2019-09-09 | 2020-02-18 | 杭州朗阳科技有限公司 | 一种工业流水线产品计数方法 |
| CN110807354B (zh) * | 2019-09-09 | 2024-02-20 | 杭州朗阳科技有限公司 | 一种工业流水线产品计数方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113011367B (zh) | 一种基于目标轨迹的异常行为分析方法 | |
| CN109948582B (zh) | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 | |
| CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
| CN107133564B (zh) | 一种工装工帽检测方法 | |
| CN111986228B (zh) | 一种基于lstm模型扶梯场景下的行人跟踪方法、装置和介质 | |
| CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
| CN102982313B (zh) | 烟雾检测的方法 | |
| Kamthe et al. | Suspicious activity recognition in video surveillance system | |
| Dong et al. | Visual UAV detection method with online feature classification | |
| CN104881643B (zh) | 一种快速的遗留物检测方法及系统 | |
| CN104992453A (zh) | 基于极限学习机的复杂背景下目标跟踪方法 | |
| CN111275910A (zh) | 一种基于高斯混合模型的扶梯越界行为检测方法及系统 | |
| CN106096523A (zh) | 一种视频图像序列中运动目标的检出与异常行为分析算法 | |
| CN107688793A (zh) | 一种变电站室外火灾自动监测预警方法 | |
| CN106851302A (zh) | 一种基于帧内编码压缩域的监控视频运动目标检测方法 | |
| CN115953137A (zh) | 一种矿山智能化管理方法和系统 | |
| Yang et al. | Enhanced adversarial learning based video anomaly detection with object confidence and position | |
| CN106683117A (zh) | 一种基于运动行为分析的目标抓取算法 | |
| Zhaa et al. | Fire smoke detection based on contextual object detection | |
| Zhou et al. | Trajectory analysis method based on video surveillance anomaly detection | |
| CN110378935B (zh) | 基于图像语义信息的抛物识别方法 | |
| Lee et al. | Hostile intent and behaviour detection in elevators | |
| Sun et al. | A real-time video surveillance and state detection approach for elevator cabs | |
| Chen et al. | Intrusion detection of specific area based on video | |
| Liu et al. | Design and implementation of multimodal fatigue detection system combining eye and yawn information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20170517 |