專利名稱：一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬智能型影像監(jiān)控技術(shù)(IVS)視頻目標(biāo)自動(dòng)檢測(cè)和跟蹤領(lǐng)域，特別是涉及一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法。
背景技術(shù)：
傳統(tǒng)的事件檢測(cè)監(jiān)控方式完全依賴監(jiān)控中心的操作人員進(jìn)行畫面監(jiān)控。有實(shí)驗(yàn)數(shù) 據(jù)表明，在經(jīng)過22分鐘監(jiān)控后，監(jiān)控人員可能錯(cuò)過高達(dá)95%的畫面所發(fā)生的事件。面對(duì)日 益龐大的監(jiān)控內(nèi)容，在監(jiān)控人員責(zé)任心、工作狀態(tài)等各種因素的影響下，傳統(tǒng)人為監(jiān)控系統(tǒng) 往往存在漏報(bào)率高、響應(yīng)速度慢及可靠性差等問題，整個(gè)視頻監(jiān)控系統(tǒng)的有效性無法得到 保證。由于監(jiān)控系統(tǒng)越來越龐大，如果全部采用人為監(jiān)控，其人力成本也會(huì)非常高昂。而智 能型影像監(jiān)控技術(shù)(IVS)起源于計(jì)算機(jī)視覺技術(shù)(computer vision)，它對(duì)影像進(jìn)行分析， 從影像中提取信息，發(fā)現(xiàn)感興趣事件，從而可以在某些場(chǎng)合替代人為監(jiān)控或者協(xié)助人為監(jiān) 控。在911事件以后，國(guó)際上基于反恐的形勢(shì)，對(duì)于IVS的需求越來越迫切，視頻禁停事件 檢測(cè)作為視頻智能事件檢測(cè)技術(shù)的重要應(yīng)用之一，有十分廣泛的應(yīng)用。例如候機(jī)廳、候車室 的可疑包裹檢測(cè)，停機(jī)坪非法放置物檢測(cè)，以及交通領(lǐng)域的違章禁停檢測(cè)等。基于視頻技術(shù) 的禁停事件檢測(cè)具備全天候運(yùn)行、自動(dòng)實(shí)時(shí)報(bào)警的能力，有巨大的經(jīng)濟(jì)價(jià)值和社會(huì)價(jià)值。一 般傳統(tǒng)視頻分析技術(shù)的主要對(duì)象是移動(dòng)目標(biāo)，難以實(shí)現(xiàn)較為準(zhǔn)確的停留目標(biāo)檢測(cè)和處理移 動(dòng)目標(biāo)與停留目標(biāo)交融的情況。因此，本研究根據(jù)層次背景模型思想，構(gòu)建自適應(yīng)長(zhǎng)短效雙 背景模型，設(shè)計(jì)快速的目標(biāo)檢測(cè)與跟蹤方法，通過靜動(dòng)目標(biāo)的長(zhǎng)效跟蹤，來實(shí)現(xiàn)禁停事件的 自動(dòng)實(shí)時(shí)檢測(cè)和告警。在國(guó)內(nèi)到目前為止，尚未檢索到類似技術(shù)或相關(guān)專利報(bào)道。

發(fā)明內(nèi)容
本發(fā)明的目的提供一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，設(shè)計(jì)與 構(gòu)建自適應(yīng)長(zhǎng)短效雙背景模型，設(shè)計(jì)快速的目標(biāo)檢測(cè)與跟蹤方法，通過靜動(dòng)目標(biāo)的長(zhǎng)效跟 蹤，來實(shí)現(xiàn)禁停事件的自動(dòng)檢測(cè)禁停并實(shí)時(shí)告警，以克服傳統(tǒng)技術(shù)之不足。實(shí)現(xiàn)本發(fā)明之目的的技術(shù)解決方案措施如下一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，在視頻信號(hào)采集的基礎(chǔ)上 對(duì)場(chǎng)景內(nèi)的情況進(jìn)行智能化監(jiān)視，包括目標(biāo)檢測(cè)、目標(biāo)跟蹤、事件分析其特征在于包括如下 步驟(1)長(zhǎng)短效背景模型的初始化基于混合高斯模型和背景區(qū)域劃分思想，進(jìn)行長(zhǎng)短 效背景模型的子單元?jiǎng)澐?、子單元混合高斯模型初始?2)BLOB目標(biāo)檢測(cè)、停留目標(biāo)、鬼影目標(biāo)檢測(cè)與長(zhǎng)短效背景更新，停留目標(biāo)區(qū)域及 時(shí)更新到短效背景中，長(zhǎng)效背景進(jìn)行非運(yùn)動(dòng)區(qū)域選擇性更新，以適應(yīng)光照的緩慢變化；通過 鬼影判斷，來發(fā)現(xiàn)停留目標(biāo)離開原有的位置，用于實(shí)現(xiàn)對(duì)相應(yīng)短效背景區(qū)域做精確更新；(3)啟發(fā)式方法的BLOB快速目標(biāo)跟蹤，為保證運(yùn)動(dòng)目標(biāo)跟蹤的適應(yīng)性，設(shè)計(jì)快速 的啟發(fā)式方法，根據(jù)位置優(yōu)先的幾何特征關(guān)聯(lián)法則，來跟蹤并判定目標(biāo)的位置、速度；判定是否支持靜止目標(biāo)跟蹤？如果不支持，進(jìn)入PBlob Tracker運(yùn)動(dòng)目標(biāo)跟蹤，如果支持，進(jìn)入 PBlob Tracker動(dòng)靜目標(biāo)跟蹤；(4)禁停事件檢測(cè)與輸出告警，在完成停留目標(biāo)的檢測(cè)基礎(chǔ)上，停留目標(biāo)的幾何特 征、停留時(shí)間、停留區(qū)域符合告警條件時(shí)，則進(jìn)行聲光電告警，對(duì)應(yīng)告警事件記錄入庫(kù)； (5)長(zhǎng)短效背景模型選擇性更新，針對(duì)運(yùn)動(dòng)，剛靜止、剛運(yùn)動(dòng)和光照變化，選擇性更 新長(zhǎng)短效背景模型。所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特征在于，所述 的長(zhǎng)短效背景模型的初始化、BLOB目標(biāo)檢測(cè)采用設(shè)計(jì)各類BLOB區(qū)域的系統(tǒng)性判定方法實(shí) 現(xiàn)目標(biāo)的快速檢測(cè)。所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特征在于，所述 的停留目標(biāo)、鬼影目標(biāo)檢測(cè)與長(zhǎng)短效背景更新，包括停留目標(biāo)的檢測(cè)判定，停留目標(biāo)跟蹤嘗 試期間，根據(jù)該目標(biāo)的幾何特征，精確更新到短效背景中，同時(shí)需要對(duì)嘗試停留目標(biāo)進(jìn)行運(yùn) 動(dòng)目標(biāo)關(guān)聯(lián)，若未達(dá)到嘗試要求，則糾正短效背景，同時(shí)轉(zhuǎn)入運(yùn)動(dòng)目標(biāo)跟蹤；短、長(zhǎng)效背景差 輸出的目標(biāo)為停留目標(biāo)輸出結(jié)果，長(zhǎng)效背景不進(jìn)行運(yùn)動(dòng)區(qū)域的更新，其他區(qū)域和短效背景 一樣，執(zhí)行混合高斯背景模型更新，以適應(yīng)光照的緩慢變化。所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特征在于，所述 的啟發(fā)式方法的BLOB快速目標(biāo)跟蹤，包括設(shè)計(jì)快速的啟發(fā)式方法來保證跟蹤的實(shí)時(shí)性，檢 測(cè)出的BLOB區(qū)域?qū)儆谀膫€(gè)目標(biāo)，根據(jù)位置最近優(yōu)先的匹配原則，建立高斯分布似然函數(shù)， 根據(jù)連續(xù)兩幀計(jì)算t時(shí)刻的目標(biāo)速度。所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特征在于，所述 的包括停留目標(biāo)的檢測(cè)判定，依據(jù)兩個(gè)因素目標(biāo)在連續(xù)幀中的運(yùn)動(dòng)速度小于給定閾值； 幀差法確定的目標(biāo)連續(xù)自然運(yùn)動(dòng)種子點(diǎn)數(shù)小于給定閾值，即停留目標(biāo)的檢測(cè)準(zhǔn)則速度小 于給定閾值，自然運(yùn)動(dòng)種子數(shù)小于閾值。需要強(qiáng)調(diào)的是傳統(tǒng)混合高斯或其改進(jìn)型背景模型，主要是針對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)，不 能同時(shí)檢測(cè)出運(yùn)動(dòng)目標(biāo)和靜止目標(biāo)。而本方案在結(jié)合跟蹤的鄰幀種子補(bǔ)償法過濾、選擇性 更新策略上具有獨(dú)到的構(gòu)思。在雙背景模型建立和自適應(yīng)更新流程上，做了大量的創(chuàng)造性 工作，進(jìn)一步在具體實(shí)施方式
中說明。本發(fā)明與已有技術(shù)的傳統(tǒng)事件檢測(cè)方法相比，具有如下優(yōu)點(diǎn)和有益效果(1)基于現(xiàn)有視頻監(jiān)控設(shè)備，加入本視頻智能檢測(cè)模塊以擴(kuò)展其功能，實(shí)現(xiàn)全天候 運(yùn)行?？筛鶕?jù)用戶設(shè)定的檢測(cè)門限，對(duì)實(shí)時(shí)視頻進(jìn)行7X24不間斷的分析。(2)相對(duì)于傳統(tǒng)監(jiān)控方式而言極大的提高了報(bào)警實(shí)時(shí)性。(3)本發(fā)明的可靠性更高，成本更加低廉。(4)大幅節(jié)省人力成本。當(dāng)監(jiān)控系統(tǒng)規(guī)模比較龐大時(shí)，傳統(tǒng)人工方式需投入更多人 力物力財(cái)力，實(shí)施本發(fā)明則會(huì)大幅節(jié)省人力代價(jià)。


圖1是本發(fā)明所述的視頻禁停事件檢測(cè)方法全流程示意圖。圖1. 5是本發(fā)明所述的BLOB特征劃分示意圖。圖2是本發(fā)明所述的視頻禁停事件檢測(cè)方法流程框圖示意圖。
圖3是傳統(tǒng)IVS禁停事件檢測(cè)流程示意圖。圖4是本發(fā)明所述的背景模型建立和自適應(yīng)更新流流程框圖示意圖。圖5圖(含a、b、c、d、e小圖)本發(fā)明所述的視頻禁停事件檢測(cè)方法實(shí)施例1效 果圖。圖6 (含a、b、C、d、e、f小圖)是本發(fā)明所述的視頻禁停事件檢測(cè)方法實(shí)施例2效果圖。
具體實(shí)施例方式參見圖1圖1. 5圖2圖3可知，圖1是本發(fā)明所述的基于雙背景模型的視頻禁停留 事件全流程，其中長(zhǎng)短效背景模型精確快速更新、基于BLOB方法的快速目標(biāo)檢測(cè)與跟蹤、 鬼影目標(biāo)精確檢測(cè)、雙背景差停留目標(biāo)檢測(cè)是具體關(guān)鍵技術(shù)手段。在所述流程中，步驟如 下(1)長(zhǎng)短效背景模型的初始化?；诨旌细咚鼓Ｐ秃捅尘皡^(qū)域劃分思想，進(jìn)行長(zhǎng)短 效背景模型的子單元?jiǎng)澐?、子單元混合高斯模型初始?2)BLOB目標(biāo)檢測(cè)、停留目標(biāo)、鬼影目標(biāo)檢測(cè)，圖1. 5所示的BLOB劃分包括運(yùn)動(dòng)可 視目標(biāo)BLOB、陰影BLOB、鬼影BLOB、光照變化BLOB、背景噪聲BLOB等。設(shè)計(jì)各類BLOB區(qū)域 的系統(tǒng)性判定方法，來實(shí)現(xiàn)目標(biāo)的快速檢測(cè)。首先消除光照變化，將像素三原色的變化相關(guān) 性考慮到背景減除里，同時(shí)通過計(jì)算小塊區(qū)域的光照變化特性來進(jìn)一步處理。接著，計(jì)算鄰 幀差作為前景運(yùn)動(dòng)種子，對(duì)獲取的差分粗前景BLOB進(jìn)行八連通標(biāo)記，計(jì)算每個(gè)標(biāo)記塊的運(yùn) 動(dòng)種子數(shù)，并判定連通體內(nèi)運(yùn)動(dòng)種子數(shù)符合一定閾值來判定是否為真實(shí)運(yùn)動(dòng)前景BLOB。考 慮部分目標(biāo)BLOB運(yùn)動(dòng)緩慢，幀間差幾乎沒有種子，設(shè)計(jì)通過對(duì)跟蹤BLOB的質(zhì)心預(yù)測(cè)位置進(jìn) 行種子補(bǔ)償來消除這種錯(cuò)誤。停留目標(biāo)的檢測(cè)判定，依據(jù)兩個(gè)因素目標(biāo)在連續(xù)幀中的運(yùn)動(dòng)速度小于給定閾值； 幀差法確定的目標(biāo)連續(xù)自然運(yùn)動(dòng)種子點(diǎn)數(shù)小于給定閾值。停留目標(biāo)跟蹤嘗試期間，根據(jù)該 目標(biāo)的幾何特征，精確更新到短效背景中，同時(shí)需要對(duì)嘗試停留目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)關(guān)聯(lián)，若 未達(dá)到嘗試要求，則糾正短效背景，同時(shí)轉(zhuǎn)入運(yùn)動(dòng)目標(biāo)跟蹤。短、長(zhǎng)效背景差輸出的目標(biāo)為 停留目標(biāo)輸出結(jié)果。長(zhǎng)效背景不進(jìn)行運(yùn)動(dòng)區(qū)域的更新，其他區(qū)域和短效背景一樣，執(zhí)行混合 高斯背景模型更新，以適應(yīng)光照的緩慢變化。停留目標(biāo)區(qū)域及時(shí)更新到短效背景中，長(zhǎng)效背景進(jìn)行非運(yùn)動(dòng)區(qū)域選擇性更新，以 適應(yīng)光照的緩慢變化；通過鬼影判斷，來發(fā)現(xiàn)停留目標(biāo)離開原有的位置，用于實(shí)現(xiàn)步驟5對(duì) 相應(yīng)短效背景區(qū)域做精確更新；(3)啟發(fā)式方法的BLOB快速目標(biāo)跟蹤，為保證運(yùn)動(dòng)目標(biāo)跟蹤的適應(yīng)性，設(shè)計(jì)快速 的啟發(fā)式方法，根據(jù)位置優(yōu)先的幾何特征關(guān)聯(lián)法則，來跟蹤并判定目標(biāo)的位置、速度；判定 是否支持靜止目標(biāo)跟蹤？如果不支持，進(jìn)入PBlob Tracker運(yùn)動(dòng)目標(biāo)跟蹤，如果支持，進(jìn)入 PBlob Tracker動(dòng)靜目標(biāo)跟蹤；設(shè)計(jì)快速的啟發(fā)式方法來保證跟蹤的實(shí)時(shí)性。每個(gè)目標(biāo)Oi (t)定義如下要素位 置P(t)、幾何特征g(t)、速度v(t)、生命期L(t)、身份標(biāo)志I (t)、是否靜止標(biāo)志、跟蹤狀態(tài) (嘗試、正常、外推)等。運(yùn)動(dòng)目標(biāo)t時(shí)刻位置預(yù)測(cè)如下 檢測(cè)出的BLOB區(qū)域?qū)儆谀膫€(gè)目標(biāo)，根據(jù)位置最近優(yōu)先的匹配原則，建立高斯分布
似然函數(shù) 上式⑵中，。(i=l，2，…,!!！)為t時(shí)刻運(yùn)動(dòng)目標(biāo)預(yù)測(cè)中心位置，Pj = 1,2,…，η
為檢測(cè)出的觀測(cè)區(qū)域的中心位置。參數(shù)σ e
。與Pj位置越近，則的值越
大。考慮觀測(cè)區(qū)域位置P”目標(biāo)的預(yù)測(cè)值，t時(shí)刻的跟蹤結(jié)果如下 根據(jù)連續(xù)兩幀，計(jì)算t時(shí)刻的目標(biāo)速度。(4)禁停事件檢測(cè)與輸出告警，禁停事件告警需要滿足三個(gè)方面的要求目標(biāo)幾 何特征的要求；目標(biāo)的停留時(shí)間；目標(biāo)的停留位置。對(duì)于目標(biāo)的識(shí)別，本方法考慮到實(shí)時(shí)性 的原因，未做要求。有符合禁停告警條件的事件發(fā)生時(shí)，觸發(fā)聲光電的告警訊號(hào)，對(duì)應(yīng)目標(biāo) 的告警告警事件做做入庫(kù)處理，以備查詢使用。(5)長(zhǎng)短效背景模型選擇性更新，針對(duì)運(yùn)動(dòng)，剛靜止、剛運(yùn)動(dòng)和光照變化，選擇性更 新背景模型。包括填充繪制運(yùn)動(dòng)BLOB、剛靜止BLOB、剛運(yùn)動(dòng)BLOB和光照變化重建，根據(jù)不 同類型實(shí)現(xiàn)mLongBG短效背景模型、mShortBG短效背景模型選擇性更新與輸出。圖3示意的是傳統(tǒng)IVS禁停事件檢測(cè)流程。傳統(tǒng)IVS用于禁停事件檢測(cè)，無法處 理動(dòng)靜目標(biāo)轉(zhuǎn)換，只能建立運(yùn)動(dòng)目標(biāo)速度和位置跟蹤，不能有效解決動(dòng)靜目標(biāo)的遮擋問題， 不能很好解決長(zhǎng)時(shí)間、大范圍的動(dòng)靜目標(biāo)有效跟蹤。傳統(tǒng)IVS用于禁停事件檢測(cè)，對(duì)運(yùn)動(dòng)到 場(chǎng)景內(nèi)靜止一段時(shí)間的危險(xiǎn)停留檢測(cè)功能非常弱。而本方案的方法，則可以有效解決無約 束條件下的禁停事件檢測(cè)。圖4是本發(fā)明所述的背景模型建立和自適應(yīng)更新流流程框圖示意圖。從中可知背 景模型在初始幀序列種建立mShortBG短效背景模型、mLongBG短效背景模型及其子單元?jiǎng)?分子單元混合模型初始以及其它主要參數(shù)初始如整體背景幀鄰近幀等。新輸入圖像時(shí)先判 斷停留檢測(cè)否？如果是No則傳統(tǒng)移動(dòng)目標(biāo)檢測(cè)包括混合高斯模型檢測(cè)、多特征陰影檢測(cè)、 鄰幀種子補(bǔ)償法過濾。如果是Yes則mShortBG運(yùn)動(dòng)檢測(cè)包括處理光照變化檢測(cè)、多特征陰 影消除鄰幀種子補(bǔ)償法過濾；mLongBe停留檢測(cè)包括處理真實(shí)運(yùn)動(dòng)種子判斷、鬼影檢測(cè)、停 留前景檢測(cè)，雙背景模型選擇性更新包括處理Blob、運(yùn)動(dòng)、剛靜止、剛運(yùn)動(dòng)、光照變化重建， 并根據(jù)不同類型實(shí)現(xiàn)mShortB6選擇性更新和mLongBG選擇性更新。圖5為鬼影檢測(cè)的實(shí)施例，其中(a)中三輪車為停留，(b)為三輪車已離開原有位 置，(c)為未消除ghost的短效背景(傳統(tǒng)混合高斯也有此特性)，(d)為傳統(tǒng)方法未消除 ghost的前景，(e)本方法消除ghost的前景。停留目標(biāo)離開原有的位置，目標(biāo)檢測(cè)會(huì)出現(xiàn)圖5 (d)的錯(cuò)誤目標(biāo)，對(duì)于這樣的鬼影目標(biāo)，依據(jù)三個(gè)因素來判定嘗試的靜止目標(biāo)與長(zhǎng)效 背景差的自然種子點(diǎn)小于一定閾值；該目標(biāo)的幾何特征與附近無關(guān)聯(lián)運(yùn)動(dòng)目標(biāo)相匹配；該 目標(biāo)的紋理特征與附近運(yùn)動(dòng)目標(biāo)相匹配。鬼影一旦判定，則從長(zhǎng)效背景中糾正錯(cuò)誤的短效 背景區(qū)域。
圖6為禁停事件檢測(cè)的又一實(shí)施例，圖中(a)為包含非法停留的輸入幀及處理結(jié) 果顯示，(b)為未加停留目標(biāo)檢測(cè)的前景，(c)為本方法進(jìn)行停留目標(biāo)檢測(cè)后的結(jié)果，(d)為 短效背景，(e)為停留目標(biāo)檢測(cè)，(f)為運(yùn)動(dòng)前景。從圖6可以看出，若沒有進(jìn)行停留目標(biāo)檢 測(cè)，圖中(b)的三輪車與過往的行人粘和在一起，而進(jìn)行停留目標(biāo)檢測(cè)之后的(c)則避免了 粘和，從而在(a)中實(shí)現(xiàn)了目標(biāo)BLOB的連續(xù)跟蹤。從圖(a)看出，停留目標(biāo)的檢測(cè)，還能部 分解決單視圖下的遮擋。從圖6可以看出，本發(fā)明的停留目標(biāo)檢測(cè)完整性也比較好。
權(quán)利要求
一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，在視頻信號(hào)采集的基礎(chǔ)上對(duì)場(chǎng)景內(nèi)的情況進(jìn)行智能化監(jiān)視，包括目標(biāo)檢測(cè)、目標(biāo)跟蹤、事件分析其特征在于包括如下步驟(1)長(zhǎng)短效背景模型的初始化，基于混合高斯模型和背景區(qū)域劃分，進(jìn)行長(zhǎng)短效背景模型的子單元?jiǎng)澐?、子單元混合高斯模型初始?2)BLOB目標(biāo)檢測(cè)、停留目標(biāo)、鬼影目標(biāo)檢測(cè)，停留目標(biāo)區(qū)域及時(shí)更新到短效背景中，長(zhǎng)效背景進(jìn)行非運(yùn)動(dòng)區(qū)域選擇性更新，以適應(yīng)光照的緩慢變化；通過鬼影判斷，來發(fā)現(xiàn)停留目標(biāo)離開原有的位置，用于實(shí)現(xiàn)對(duì)相應(yīng)短效背景區(qū)域做精確更新；(3)啟發(fā)式方法的BLOB快速目標(biāo)跟蹤，為保證運(yùn)動(dòng)目標(biāo)跟蹤的適應(yīng)性，設(shè)計(jì)快速的啟發(fā)式方法，根據(jù)位置優(yōu)先的幾何特征關(guān)聯(lián)法則，來跟蹤并判定目標(biāo)的位置、速度；判定是否支持靜止目標(biāo)跟蹤？如果不支持，進(jìn)入PBlob Tracker運(yùn)動(dòng)目標(biāo)跟蹤，如果支持，進(jìn)入PBlob Tracker動(dòng)靜目標(biāo)跟蹤；(4)禁停事件檢測(cè)與輸出告警，在完成停留目標(biāo)的檢測(cè)基礎(chǔ)上，停留目標(biāo)的幾何特征、停留時(shí)間、停留區(qū)域符合告警條件時(shí)，則進(jìn)行聲光電告警，對(duì)應(yīng)告警事件記錄入庫(kù)；(5)長(zhǎng)短效背景模型選擇性更新，針對(duì)運(yùn)動(dòng)，剛靜止、剛運(yùn)動(dòng)和光照變化，選擇性更新長(zhǎng)短效背景模型。
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特 征在于，所述的長(zhǎng)短效背景模型的初始化、BLOB目標(biāo)檢測(cè)采用設(shè)計(jì)各類BLOB區(qū)域的系統(tǒng)性 判定方法實(shí)現(xiàn)視頻目標(biāo)的快速檢測(cè)。
3.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特 征在于，所述的啟發(fā)式方法的BLOB快速目標(biāo)跟蹤，包括設(shè)計(jì)快速的啟發(fā)式方法來保證跟蹤 的實(shí)時(shí)性，判定檢測(cè)出的BLOB區(qū)域?qū)儆谀膫€(gè)目標(biāo)，根據(jù)位置最近優(yōu)先的匹配原則，建立高 斯分布似然函數(shù)，根據(jù)連續(xù)兩幀計(jì)算t時(shí)刻的目標(biāo)速度。
4.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特 征在于，所述的停留目標(biāo)、鬼影目標(biāo)檢測(cè)與長(zhǎng)短效背景模型選擇性更新，包括停留目標(biāo)的檢 測(cè)判定，停留目標(biāo)跟蹤嘗試期間，根據(jù)該目標(biāo)的幾何特征，精確更新到短效背景中，同時(shí)對(duì) 嘗試停留目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)關(guān)聯(lián)，若未達(dá)到嘗試要求，則糾正短效背景，同時(shí)轉(zhuǎn)入運(yùn)動(dòng)目標(biāo) 跟蹤；短、長(zhǎng)效背景差輸出的目標(biāo)為停留目標(biāo)輸出結(jié)果，長(zhǎng)效背景不進(jìn)行運(yùn)動(dòng)區(qū)域的更新， 其他區(qū)域和短效背景一樣，執(zhí)行混合高斯背景模型更新，以適應(yīng)光照的緩慢變化。
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，其特 征在于，所述的包括停留目標(biāo)的檢測(cè)判定，依據(jù)兩個(gè)因素目標(biāo)在連續(xù)幀中的運(yùn)動(dòng)速度小于 給定閾值；幀差法確定的目標(biāo)連續(xù)自然運(yùn)動(dòng)種子點(diǎn)數(shù)小于給定閾值，即停留目標(biāo)的檢測(cè)準(zhǔn) 則速度小于給定閾值，自然運(yùn)動(dòng)種子數(shù)小于閾值。
全文摘要
本發(fā)明公開了一種基于自適應(yīng)雙背景模型的視頻禁停事件檢測(cè)方法，屬智能型影像監(jiān)控技術(shù)(IVS)視頻目標(biāo)自動(dòng)檢測(cè)和跟蹤領(lǐng)域。設(shè)計(jì)與構(gòu)建自適應(yīng)長(zhǎng)短效雙背景模型，設(shè)計(jì)快速的目標(biāo)檢測(cè)與跟蹤方法，通過靜動(dòng)目標(biāo)的長(zhǎng)效跟蹤，來實(shí)現(xiàn)禁停事件的自動(dòng)檢測(cè)禁停并實(shí)時(shí)告警，以克服傳統(tǒng)技術(shù)之不足。其步驟包括(1)長(zhǎng)短效背景模型的初始化；(2)BLOB目標(biāo)檢測(cè)、停留目標(biāo)、鬼影目標(biāo)檢測(cè)與長(zhǎng)短效背景更新；(3)啟發(fā)式方法的BLOB快速目標(biāo)跟蹤；(4)禁停事件檢測(cè)與輸出告警；(5)長(zhǎng)短效雙背景模型選擇性更新。相對(duì)于傳統(tǒng)監(jiān)控方式而言極大的提高了報(bào)警實(shí)時(shí)性，智能型影像監(jiān)控可靠性更高，成本更加低廉。
文檔編號(hào)G06T7/20GK101848369SQ20091021654
公開日2010年9月29日 申請(qǐng)日期2009年12月4日 優(yōu)先權(quán)日2009年12月4日
發(fā)明者吳岳洲, 熊運(yùn)余, 王守厚, 陳延濤, 魯書賢 申請(qǐng)人:四川川大智勝軟件股份有限公司