CN109033963A - 多摄像机视频跨区域人体运动姿态目标识别方法 - Google Patents

Abstract

本发明公开了一种多摄像机视频跨区域人体运动姿态目标识别方法，针对多摄像机视频跨区域人体运动姿态目标识别问题，提出基于压缩感知的联合稀疏优化算法：首先，给出了联合稀疏优化模型，通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵：其次，提出基于压缩感知的图像重构，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构,从观测值矩阵中重构出原图像。但是，在复杂监控场景时运动目标被严重遮挡时，很难实现准确运动目标跟踪：因此，提出基于优化解的背景减除法，并利用二值化图像识别人体运动姿态目标。

Description

多摄像机视频跨区域人体运动姿态目标识别方法

技术领域

本发明涉及一种运动姿态目标识别方法，特别是一种多摄像机视频跨区域人体运动姿态目标识别方法。

背景技术

多摄像机视频跨区域识别人体运动姿态目标已成为研究热点和前沿课题。在实际视频监控过程中，运动目标的姿态会随时变化，由于目标运动过程中会受到噪声干扰、光照变化，特别是当视频监控场景中运动目标被长时间遮挡，使得人体运动姿态目标准确跟踪识别难上加难。所以，对该课题的深入研究，具有重要的理论意义。另外，该课题在很多方面有着广泛的应用前景，在交通运输方面，利用多个摄像机的协同工作对肇事或违规目标进行大范围的连续跟踪，使肇事或违规目标无法藏匿；在公共区域监控中，通过摄像机的监控可对可疑目标进行大范围的有效跟踪；在银行、超级市场和停车场等，通过摄像机的监控可以对可疑目标，如小偷、恐怖分子等进行有效跟踪，以保证公民的安全监控；在智能家居方面，对老人或孩子进行实时跟踪，以连续获得目标的行为，并对出现的突发情况进行急救报警；在学术领域，许多科研院所及研究机构致力于研究鲁棒性的检测、准确跟踪与各种算法。

在阳光变化、遮挡、复杂的背景、运动目标被长时间遮挡等情况下，至今还没有目标跟踪算法可以实现在任意场景下进行稳定且准确的运动目标跟踪。在实际视频监控系统中，对于人体运动姿态目标检测、跟踪识别异常困难。为了解决这一问题，我们提出基于压缩感知的联合稀疏优化算法。

本文针对高凊视频跨区域人体运动姿态目标识别问题，提出基于压缩感知的联合稀疏优化算法。所提出算法的联合稀疏模型是通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵。其次，提出基于压缩感知的图像重构，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构,从观测值矩阵中重构出原图像。但是，在复杂环境中，由于运动目标被长时间遮挡，很难实现准确识别人体运动目标。因此，提出基于优化解的背景减除法，得到并利用二值化图像识别人体运动姿态。通过实验证明该算法的有效性。

发明内容

为了克服现有技术的不足，本发明提供一种多摄像机视频跨区域人体运动姿态目标识别方法。

本发明解决其技术问题所采用的技术方案是：

多摄像机视频跨区域人体运动姿态目标识别方法，其特征在于：包括以下步骤，

一，从智能监控系统中采集多摄像机视频跨区域人体运动目标的高清多帧视频图像，

二、压缩感知的联合稀疏及求解联合稀疏优化模型和交替更新：

通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵，实现数据压缩的效果；采用自适应阈值的交替迭参数代重构算法，利用交替更新策略实现了参数交替更新

联合稀疏优化模型：

其中，为拉格朗日乘子矩阵，δ_ij∈R^m×n(i＝1,2.j＝1,2)，β＞0定义为罚值参数，式(3)中,A(·),C(·):R^m×n都是个线性算子,其具体定义式如下：

其中，A(·)以及C(·)中的元素0代表零元素矩阵，该矩阵的大小与矩阵φ及Z相同，式(3)将式(2)所表示不含约束条件的优化问题，我们用增广拉格朗日算法来求解式(3)的优化问题，求解过程包括拉格朗日方程变量优化和更新这两个迭代步骤：

δ^k+1＝δ^k+β^k(C(Z^k+1)-A(θ^k+1))(6)

因此，我们利用交替更新来更新式(5)中的变量矩阵θ及Z，所使用的交替更新的具体步骤为：

固定Z^k，忽略式(3)中的常数项后，式(7)的子优化问题如下：

忽略式(9)中的常数项部分，最终的θ^k+1更新方式为：

式(10)中，函数为一个对矩阵X进行处理的算子，该算子的输出为一个矩阵，其中输出矩阵每一行的更新方法为：

式(11)中,[ρ_α(X)](i,:)表示输出矩阵[ρ_α(X)]的第i行；X(i,:)表示矩阵X的第i行；0表示与行向量X(i,:)同维度大小的零向量；α表示软阈值，θ^k+1固定，式(8)所涉及的子优化问题如下：

式(12)是一个最小二乘问题，我们可通过将其导数置0来对其进行求解，求解过程为：

通过重构算法中的算子C(·)，对(13)进行整理，可将其重新表示为：

其中，式(14)中函数可简化为：

将公式(15)带入(14)可得：

其中

式(17)是一个最小二乘问题，我们通过将其导数为0来对其进行求解:Z^k+1的最终更新方式为：

其中，

固定θ^k+1以及Z^k+1的更新通过求解下述子优化问题,求解式(3)的凸优化问题,采用自适应交替迭代参数重构算法，

输入:A,φ,Y

输出:θ

初始化:θ⁰＝Z⁰＝0,β⁰＝1×10^-6,δ⁰ _11,12,21,22＝0,当满足条件:||θ^k+1-θ^k||_F＞10^-6,继续执行迭代循环：

固定Z^k:

固定θ^k+1:

更新拉格朗日乘子:δ^K＝1＝δ^k+C(Z^k+1)-A(θ^K+1)

更新β^k+1:β^k+1＝min(β,hβ^k)

K＝K+1

结束迭代，

三，图像重构：基于压缩感知的图像重构算法，我们从求得的压缩观测值矩阵最优解Y中图像重构出图像X，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构，基于压缩感知的图像重构,从观测值矩阵Y中重构出原图像X，因为，Y＝φX,为了实现基于压缩感知的图像重构，我们将优化问题表示如下：

式(14)中，Z＝X^k-X^k+1优化目标函数为：

Z的优化问题表示为：

要求解式(16)，我们令目标函数导数为0得：

经整理可得：

Z＝(I+Gφ^Tφ)^-1Gφ^T(Y-φX^k-1) (23)

将Z＝(X^k-X^k-1)带入式(18)，经整理得：

X^k＝X^k-1+(φ^Tφ+G)^-1φ^T(Y-φX^k-1)＝B^k+F^k (24)

我们通过图像重构获得原图像的优化解X^k＝B^k+F^k，

四，识别人体运动姿态目标：采用设定阈值T，利用二值化图像识别人体运动姿态目标：

我们已求得原图像的优化解X^k，因为，X^k＝B^k+F^k优化解的背景及前景，利用优化解的当前图像与背景图像对比得到前景运动区域，可以获得完整的目标区域，提出基于优化解的背景减除法，将当前图像对比背景图像，得到帧差图像D^k，

D^k＝|F^k-B^k| (25)

其中，F^k为当前图像，B^k为背景图像，通过式(20)对结果图像D^k进行二值化处理，获得前景运动区域，

其中，T为设定阈值，M^k是二值化图像，如果D^k≤T时表示场景中没有运动目标，D^k＞T时表示场景中有人体运动目标出现，在背景图像B^k稳定的条件下，通过将当前图像与背景图像进行差值运算能准确识别人体运动姿态目标。

步骤三和四之间还存在步骤：优化解的背景图像实时更新：式(21)实现了背景区域更新，在二值化图像为0时才进行背景图像的实时更新，为1时不进行背景的更新：

其中，ρ∈[0,1]为加权系数，更新后的背景图像就可以反应当前背景状态变化和更新速率。

本发明的有益效果是：本方法针对多摄像机视频跨区域人体运动姿态目标识别问题，提出基于压缩感知的联合稀疏优化算法，通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵。降低计算复杂度,提高了跟踪精度。其次，提出基于压缩感知的图像重构，所提出的重构算法能保证图像的快速、准确的进行图像重构。但在复杂监控场景时运动目标被严重遮挡时，很难实现准确运动目标跟踪。因此，提出基于优化解的背景减除法，目标跟踪位置精确、速度快，识别人体运动姿态目标。从实验结果可以看出，所提算法能自始至终准确跟踪人体运动姿态运动变化且具有跟踪鲁棒性，能使运动目标在云计算服务器视频监控系统中完成准确目标检测以及跟踪，识别人体运动姿态目标。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的流程框图。

具体实施方式

参照图1，本发明公开了一种多摄像机视频跨区域人体运动姿态目标识别方法，方法具体如下：

一，从智能监控系统中采集多摄像机视频跨区域人体运动目标的高清多帧视频图像，并将图像参数化，构建成目标特征矩阵，

二、压缩感知的联合稀疏：通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵，实现数据压缩的效果，提高了跟踪精度；求解联合稀疏优化模型及交替更新：采用自适应阈值的交替迭参数代重构算法，利用交替更新策略实现了参数交替更新，减少存储空间且加快收敛速度，

联合稀疏优化模型

例如，第一视频帧图像是我们要跟踪的目标，他已进入人群，人群数量用观测矩阵Y来表示，φ表示观测值矩阵，φY表示压缩.通过缩感知的联合稀疏，实现数据压缩的效果，提高了跟踪精度，式(1)中，参数λ为一个常数通常将其设定为0、1。A目标特征矩阵，该矩阵会随着运动目标特征信息的变化而进行更新；表示n个压缩观测向量所组成的联合稀疏系数矩阵；表示n个粒子观测向量所组成的观测值矩阵；φ∈R^m×n表示(m＜n)观测值矩阵，用以降低粒子观测值矩阵Y的维数；当通过式(1)联合重构出粒子观测值稀疏表示系数矩阵θ；对问题式(1)求解将占用大量存储空间且收敛速度很慢；首先将多个单独约束条件转化为一个线性约束条件，这样可以提升重构算法的收敛速度；我们采用自适应阈值交替迭代参数重构算法，其过程，在迭代过程中自适应选取阈值参数，利用交替更新实现了参数交替更新，式(1)重新表示的优化问题如下：

其中，为拉格朗日乘子矩阵，δ_ij∈R^m×n(i＝1,2.j＝1,2)，β＞0定义为罚值参数。式(3)中,A(·),C(·):R^m×n都是个线性算子。其具体定义式如下：

其中，A(·)以及C(·)中的元素0代表零元素矩阵，该矩阵的大小与矩阵φ及Z相同。式(3)将式(2)所表示不含约束条件的优化问题。我们用增广拉格朗日算法来求解式(3)的优化问题，求解过程包括拉格朗日方程变量优化和更新这两个迭代步骤：

δ^k+1＝δ^k+β^k(C(Z^k+1)-A(θ^k+1)) (6)

因此，我们利用交替更新来更新式(5)中的变量矩阵θ及Z。所使用的交替更新的具体步骤为：

固定Z^k，忽略式(3)中的常数项后，式(7)的子优化问题如下：

忽略式(9)中的常数项部分，最终的θ^k+1更新方式为：

式(10)中，函数为本领域中常用的一个对矩阵X进行处理的算子，该算子的输出为一个矩阵，其中输出矩阵每一行的更新方法为：

式(11)中,[ρ_α(X)](i,:)表示输出矩阵[ρ_α(X)]的第i行；X(i,:)表示矩阵X的第i行；0

表示与行向量X(i,:)同维度大小的零向量；α表示软阈值，θ^k+1固定，式(8)所涉及的子优化问题如下：

式(12)是一个最小二乘问题，我们可通过将其导数置0来对其进行求解，求解过程为

通过重构算法中的算子C(·)，对(13)进行整理，可将其重新表示.为

其中，式(14)中函数可简化为：

将公式(15)带入(14)可得：

其中

式(17)是一个最小二乘问题，我们通过将其导数为0来对其进行求解:Z^k+1的最终更新方式为：

其中，

固定θ^k+1以及Z^k+1的更新通过求解下述子优化问题,求解式(3)的凸优化问题,采用自适应交替迭代参数重构算法，

输入:A,φ,Y

输出:θ

初始化:θ⁰＝Z⁰＝0,β⁰＝1×10-⁶,δ⁰ _11,12,21,22＝0,当满足条件:||θ^k+1-θ^k||_F＞10^-6,继续执行迭代循环：

固定Z^k:

固定θ^k+1:

更新拉格朗日乘子:δ^K＝¹＝δ^k+C(Z^k+1)-A(θ^K+1)

更新β^k+1:β^k+1＝min(β,hβ^k)

K＝K+1

结束迭代，

三，图像重构：基于压缩感知的图像重构算法，我们从求得的压缩观测值矩阵最优解Y中图像重构出图像X，该算法收敛速度快、降低计算、复杂度、实时性强，得到最优运动状态估计，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构，基于压缩感知的图像重构,从观测值矩阵Y中重构出原图像X，因为，Y＝φX,为了实现基于压缩感知的图像重构，我们将优化问题表示如下：

式(14)中，Z＝X^k-X^k+1优化目标函数为：

Z的优化问题表示为：

要求解式(16)，我们令目标函数导数为0得：

经整理可得：

Z＝(I+Gφ^Tφ)-¹Gφ^T(Y-φX^k-1)(23)

将Z＝(X^k-X^k-1)带入式(18)，经整理得：

X^k＝X^k-1+(φ^Tφ+G)-¹φ^T(Y-φX^k-1)＝B^k+F^k(24)

我们通过图像重构获得原图像的优化解X^k＝B^k+F^k，

四，识别人体运动姿态目标：采用设定阈值T，利用二值化图像识别人体运动姿态目标：

我们已求得原图像的优化解X^k，因为，X^k＝B^k+F^k优化解的背景及前景，利用优化解的当前图像与背景图像对比得到前景运动区域，可以获得完整的目标区域，完全满足智能监控系统对于前景运动区域定位精度的需要，提出基于优化解的背景减除法，将当前图像对比背景图像，得到帧差图像D^k。

D^k＝|F^k-B^k| (25)

其中，F^k为当前图像，B^k为背景图像。通过式(20)对结果图像D^k进行二值化处理，获得前景运动区域。

其中，T为设定阈值，M^k是二值化图像。如果D^k≤T时表示场景中没有运动目标，D^k＞T时表示场景中有人体运动目标出现。在背景图像B^k稳定的条件下，通过将当前图像与背景图像进行差值运算能准确识别人体运动姿态目标。

步骤三和四之间还存在步骤，优化解的背景图像实时更新：

智能监控系统在长时间工作情况下，系统必须在一定时间间隔内对背景进行更新,通过背景更新可提高背景图像的质量，式(21)实现了背景区域更新，在二值化图像为0时才进行背景图像的实时更新，为1时不进行背景的更新：

其中，ρ∈[0,1]为加权系数，更新后的背景图像就可以反应当前背景状态变化和更新速率。

以上对本发明实施例所提供的一种多摄像机视频跨区域人体运动姿态目标识别方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (2)

1.多摄像机视频跨区域人体运动姿态目标识别方法，其特征在于：包括以下步骤，

一，从智能监控系统中采集多摄像机视频跨区域人体运动目标的高清多帧视频图像，

二、压缩感知的联合稀疏及求解联合稀疏优化模型和交替更新：

通过计算压缩粒子观测值矩阵的稀疏表示系数来获得观测值矩阵，实现数据压缩的效果；采用自适应阈值的交替迭参数代重构算法，利用交替更新策略实现了参数交替更新

联合稀疏优化模型：

其中，为拉格朗日乘子矩阵，δ_ij∈R^m×n(i＝1,2.j＝1,2)，β＞0定义为罚值参数，式(3)中,A(·),C(·):R^m×n都是个线性算子,其具体定义式如下：

其中，A(·)以及C(·)中的元素0代表零元素矩阵，该矩阵的大小与矩阵φ及Z相同，式(3)将式(2)所表示不含约束条件的优化问题，我们用增广拉格朗日算法来求解式(3)的优化问题，求解过程包括拉格朗日方程变量优化和更新这两个迭代步骤：

δ^k+1＝δ^k+β^k(C(Z^k+1)-A(θ^k+1)) (6)

因此，我们利用交替更新来更新式(5)中的变量矩阵θ及Z，所使用的交替更新的具体步骤为：

固定Z^k，忽略式(3)中的常数项后，式(7)的子优化问题如下：

忽略式(9)中的常数项部分，最终的θ^k+1更新方式为：

式(10)中，函数为一个对矩阵X进行处理的算子，该算子的输出为一个矩阵，其中输出矩阵每一行的更新方法为：

式(11)中,[ρ_α(X)](i,:)表示输出矩阵[ρ_α(X)]的第i行；X(i,:)表示矩阵X的第i行；0表示与行向量X(i,:)同维度大小的零向量；α表示软阈值，θ^k+1固定，式(8)所涉及的子优化问题如下：

式(12)是一个最小二乘问题，我们可通过将其导数置0来对其进行求解，求解过程为：

通过重构算法中的算子C(·)，对(13)进行整理，可将其重新表示为：

其中，式(14)中函数可简化为：

将公式(15)带入(14)可得：

其中

式(17)是一个最小二乘问题，我们通过将其导数为0来对其进行求解:Z^k+1的最终更新方式为：

其中，

固定θ^k+1以及Z^k+1的更新通过求解下述子优化问题,求解式(3)的凸优化问题,采用自适应交替迭代参数重构算法，

输入:A,φ,Y

输出:θ

初始化:θ⁰＝Z⁰＝0,β⁰＝1×10^-6,δ⁰11,12,21,22＝0,当满足条件:||θ^k+1-θ^k||_F＞10^-6,继续执行迭代循环：

固定Z^k:

固定θ^k+1:

更新拉格朗日乘子:δ^K＝¹＝δ^k+C(Z^k+1)-A(θ^K+1)

更新β^k+1:β^k+1＝min(β,hβ^k)

K＝K+1

结束迭代，

三，图像重构：基于压缩感知的图像重构算法，我们从求得的压缩观测值矩阵最优解Y中图像重构出图像X，采用自适应阈值交替迭代参数重构算法，在迭代过程中自适应选取阈值迭代图像重构，基于压缩感知的图像重构,从观测值矩阵Y中重构出原图像X，因为，Y＝φX,为了实现基于压缩感知的图像重构，我们将优化问题表示如下：

式(14)中，Z＝X^k-X^k+1优化目标函数为：

Z的优化问题表示为：

要求解式(16)，我们令目标函数导数为0得：

经整理可得：

Z＝(I+Gφ^Tφ)^-1Gφ^T(Y-φX^k-1) (23)

将Z＝(X^k-X^k-1)带入式(18)，经整理得：

X^k＝X^k-1+(φ^Tφ+G)^-1φ^T(Y-φX^k-1)＝B^k+F^k (24)

我们通过图像重构获得原图像的优化解X^k＝B^k+F^k，

四，识别人体运动姿态目标：采用设定阈值T，利用二值化图像识别人体运动姿态目标：

我们已求得原图像的优化解X^k，因为，X^k＝B^k+F^k优化解的背景及前景，利用优化解的当前图像与背景图像对比得到前景运动区域，可以获得完整的目标区域，提出基于优化解的背景减除法，将当前图像对比背景图像，得到帧差图像D^k，

D^k＝|F^k-B^k| (25)

其中，F^k为当前图像，B^k为背景图像，通过式(20)对结果图像D^k进行二值化处理，获得前景运动区域，

其中，T为设定阈值，M^k是二值化图像，如果D^k≤T时表示场景中没有运动目标，D^k＞T时表示场景中有人体运动目标出现，在背景图像B^k稳定的条件下，通过将当前图像与背景图像进行差值运算能准确识别人体运动姿态目标。

2.根据权利要求1所述的多摄像机视频跨区域人体运动姿态目标识别方法，其特征在于：步骤三和四之间还存在步骤：优化解的背景图像实时更新：式(21)实现了背景区域更新，在二值化图像为0时才进行背景图像的实时更新，为1时不进行背景的更新：

其中，ρ∈[0,1]为加权系数，更新后的背景图像就可以反应当前背景状态变化和更新速率。