本發(fā)明屬于計算機視覺領(lǐng)域和智能視頻監(jiān)控領(lǐng)域，具體涉及一種基于在線學(xué)習(xí)的滯留物體類型分析方法。

背景技術(shù)：
隨著社會經(jīng)濟的發(fā)展，社會安全問題成為了人們關(guān)注的焦點，傳統(tǒng)的視頻監(jiān)控方式無法滿足人們的需求，于是開始尋求智能的視頻監(jiān)控方式。滯留物檢測是智能視頻監(jiān)控領(lǐng)域重要的研究內(nèi)容之一，可以解決機場、車站、商場中的滯留物品事件。目前的滯留物檢測算法大多只檢測靜止的物體，將之作為滯留物，而不區(qū)分該靜止物體是靜止的人還是靜止的物品。如果將人當做是滯留物檢測出來，并產(chǎn)生報警，這是在實際生活中所不能理解的，會造成誤警率的提高。本發(fā)明主要是解決如何區(qū)分靜止的人和靜止的物品，并分析靜止物品的攜帶者信息。目前滯留物檢測方法中，靜止物體類型判斷方法，主要是事先訓(xùn)練人體檢測器或者物品檢測器，用于區(qū)分人與物。區(qū)分靜止的人的方法可以分為兩類：訓(xùn)練物品檢測器、訓(xùn)練人體目標檢測器。目前人體目標檢測方法多是基于離線訓(xùn)練的，對于有遮擋的多人體檢測，仍是視覺領(lǐng)域的研究難點。退而求其次，考慮物體檢測器的訓(xùn)練，首先需要提取所有非人的物體的共性特征，如果受限于一定的物品范圍內(nèi)，還較好提取，但是應(yīng)用范圍確實有限，可擴展性也較差。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于提供了一種滯留物檢測中的靜止物體類型判斷與物主分析方法。該方法建立在一個假設(shè)條件下，假設(shè)場景中的運動物體都是人?；诖思僭O(shè)，我們?yōu)閳鼍爸袡z測到的前景物體在線建立物體分類器，每當新的前景物體檢測出來，將送入物體分類器進行分類器的分類與更新。而當靜止物體檢測出來的時候，將該靜止物體送入已經(jīng)建立的物體分類器進行分類，最后由這些分類器的綜合結(jié)果來判定該靜止物體是否是靜止的人，如果是靜止的人則放棄，否則，判定該靜止物體是滯留物，并且利用這些分類器找到攜帶者的信息。對于前景檢測和靜止物體檢測不屬于本發(fā)明的范疇，本發(fā)明主要是解決如何區(qū)分靜止的人和靜止的物品，并分析靜止物品的攜帶者信息。為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：一種滯留物檢測中的靜止物體類型判斷與物主分析方法,其步驟包括：1)建立背景模型并檢測出每幀圖像前景物體，根據(jù)所述前景物體生成物體分類器；2)將靜止的前景物體輸入到所述物體分類器，根據(jù)分類器返回的置信值的平均值判斷得到靜止前景物體類型為物品或者人體；3）對所述靜止前景類型為物品的物體進行物主分析，得到物品的攜帶者所對應(yīng)的分類器序號從而得到物主的圖片信息。更進一步，所述物體分類器提取的特征是類Haar特征（提取方法可參見P.ViolaandM.Jones.“Robustreal-timefacedetection".InternationalJournalofComputerVision,Vol.57,No.2,pp.137-154,2004.）和HOG特征，采用在線的Adaboost方法為每個前景物體建立分類器。更進一步，物體分類器的估計與更新方法如下：首先，算法的初始化，物體分類器(N表示當前分類器的個數(shù)，初始化為0，每增加一個新的分類器，N加1，每刪除一個分類器，N減1)；然后，當?shù)谝粋€前景物體p1被檢測出來的時候，建立一個新的物體分類器O1；當又來一個前景物體pi的時候，該前景圖像將被送入已經(jīng)建立好的物體分類器中對每個分類器進行估計。更進一步，所述分類器中若所述前景圖像為正樣本，且分類器得到的置信值介于0和0.5之間，則該樣本將用于該分類器的更新，若為負樣本，則不用于更新該分類器，若所有分類器將該前景圖像判為負樣本，則為此前景圖像建立新的物體分類器。更進一步，若分類器長期無正樣本更新，則將進入等待狀態(tài)，等待狀態(tài)持續(xù)一定時間后，則刪除該分類器。更進一步，每個新的前景物體都要遍歷所有的分類器，靜止前景物體和所有分類器的整體相似程度：其中，confn(x)表示第n個分類器對當前靜止前景物體的返回的置信值，N為當前共有分類器的個數(shù)。更進一步，根據(jù)所述分類器返回的置信值的算術(shù)平均值判斷得到靜止前景物體類型為物品或者人體的方法如下：更進一步，所述當檢測到滯留物品后，通過如下的公式計算物品的攜帶者對應(yīng)的物體分類器序號，num=argmaxn≠lconfn(x)γ=maxnconfn(x)，l=argmaxnconfn(x)，其中，confn(x)表示第n個分類器對當前靜止前景物體的返回的置信值，γ表示返回值中的最大值，l表示最大值γ所對應(yīng)的分類器序號，num表示返回值第二大的分類器對應(yīng)的序號，也就是物品的攜帶者對應(yīng)第num個分類器。更進一步，每當新建一個分類器時，記錄所述分類器的幀信息和矩形框信息，幀信息和矩形框信息表示物體分類器是根據(jù)第幾幀圖像中的哪個矩形框內(nèi)圖像開始新建的，那么根據(jù)第num個分類器的幀信息，我們可以知道物品的攜帶者在第幾幀圖像中出現(xiàn)過，而矩形框信息可以讓我們具體定位到攜帶者是哪個人，從而獲得滯留物品攜帶者即物主的圖片。一種滯留物檢測中的靜止物體類型判斷與物主分析系統(tǒng)，包括：用于建立背景模型并檢測出每幀圖像前景物體，根據(jù)所述前景物體生成物體分類器的裝置，和將幀圖像的幀信息和前景物體在圖像中的位置和大小信息記錄的裝置；用于將靜止的前景物體輸入到所述物體分類器根據(jù)分類器返回的置信值的平均值判斷得到靜止前景物體類型為物品或者人體的裝置；用于對所述靜止前景類型為物品的物體進行滯留物檢測，得到物品的攜帶者信息，判斷出物主的裝置。有益效果：本發(fā)明是一種滯留物檢測中的靜止物體類型判斷與物主分析方法，有效的區(qū)分了場景中的靜止的人與物品，當判斷靜止物體類型是物品的情況下，可以立即反饋物品攜帶者的信息。傳統(tǒng)的靜止物體類型判斷方法，都是事先離線訓(xùn)練好人體目標的分類器或者物品的分類器，本發(fā)明的方法是基于在線學(xué)習(xí)的，無需離線訓(xùn)練，該物體分類器不但可以用于區(qū)分場景中的人與物品，而且還包含了滯留物攜帶者的信息。附圖說明：圖1是本發(fā)明滯留物檢測中的靜止物體類型判斷與物主分析方法流程示意圖；圖2是本發(fā)明滯留物檢測中的靜止物體類型判斷與物主分析方法一實施例中學(xué)習(xí)物體分類器的框圖；圖3是本發(fā)明滯留物檢測中的靜止物體類型判斷與物主分析方法一實施例中物體分類器的狀態(tài)轉(zhuǎn)移圖。具體實施方式：本發(fā)明是一種滯留物檢測中的靜止物體類型判斷與物主分析方法。首先是要建立背景模型，檢測出前景物體，然后對前景物體進行分類器的學(xué)習(xí)，當檢測到靜止物體時，將該靜止物體送入分類器，進行判定，綜合所有分類器的結(jié)果，判斷該靜止物體的類型，是靜止的人，還是靜止的物體，如果是靜止的物體，那么這個靜止的物體就是滯留物，進而判斷滯留物攜帶者的信息。所以本發(fā)明的重點在于前景物體分類器的設(shè)計與靜止物體類型判斷與物主分析。1、場景設(shè)定觀察機場、商場、車站等這些公共場所的運動物體，我們會發(fā)現(xiàn)，人來人往中，那些運動的物體基本上都是由于人引起，要么是人自己的運動造成我們圖像中的運動前景物體，要么就是人驅(qū)動造成的運動事件，比如人拉著行李箱從場景中走過，人推著小推車從場景中走過。所以所有的運動物體都有人的參與，人是所有運動的驅(qū)動者?；诖说挠^察，本發(fā)明的場景設(shè)定為：所有的運動物體都是‘人’，這里的人可以是單獨的人，也可以人攜帶物體的整體人，那么場景中所有的運動的物體全是基于該假設(shè)意義上的人了。2、前景物體分類器在設(shè)定的場景下，前景的物體都是人，人與人之間既存在共性，比如人體輪廓相似，又存在個性，例如每個人的高矮胖瘦不同，是否攜帶物品，所以我們要為這些人分別建立分類器。提取的特征是類Haar特征和HOG特征，這樣使得圖像特征可以重復(fù)利用，減少計算量。采用在線的Adaboost方法為每個前景物體建立分類器。根據(jù)假設(shè)，從背景模型中檢測出的前景物體都是人，我們對這些人進行分類。物體分類器的估計（evaluation）與更新（update）流程如圖3所示。當激活狀態(tài)未有正樣本超過一定時間閾值時變?yōu)榈却隣顟B(tài)；等待狀態(tài)等待超過一定時間閾值變?yōu)殡x開狀態(tài)；當?shù)却隣顟B(tài)有正樣本時，變?yōu)榧せ顮顟B(tài)。其中的前景物體圖像，是由背景模型檢測出來的，每次前景檢測可能檢測出多個前景物體。我們規(guī)定一定時間內(nèi)出現(xiàn)在場景中的人體目標數(shù)量是有限的，設(shè)置出現(xiàn)的最大人數(shù)為N。如圖2所示是本發(fā)明中學(xué)習(xí)物體分類器的框圖，首先，算法的初始化，物體分類器(N初始化為0)，然后，當?shù)谝粋€前景物體P1被檢測出來的時候，我們?yōu)橹⒁粋€新的物體分類器O1。當又來一個前景物體Pi的時候，該前景圖像將被送入已經(jīng)建立好的物體分類器中每個分類器都要進行估計。如果該前景圖像被判定為是正樣本的話，而且分類器得到的置信值介于0和0.5之間的話，該樣本將用于該分類器的更新，這樣是為了避免產(chǎn)生過擬合現(xiàn)象；反之，如果被判斷為負樣本的話，則不用于更新該分類器。每個新的前景物體都要遍歷所有的分類器。算法1物體分類器的估計與更新如圖3所示是本發(fā)明物體分類器的狀態(tài)轉(zhuǎn)移圖，只要是經(jīng)過場景中的人，算法都會為其生成一個物體分類器，從程序開始至終將會產(chǎn)生大量的模型，考慮存儲空間的有限，以及人物逗留時間的有限性，我們?nèi)菰S最大的物體分類器不能超過一定的數(shù)目，而且對于長期處于無正樣本更新的分類器，將進入等待狀態(tài)，而等待狀態(tài)持續(xù)一定時間后，該分類器將離開（被刪除）。3、靜止物體的類型分析根據(jù)分析的人與人之間的共性與個性，以及已經(jīng)在線學(xué)習(xí)的物體分類器，我們可以得到如下結(jié)論：（1）如果靜止的前景物體是人體目標的話，該靜止物體將和已經(jīng)存在的每個分類器都很相似，并且和其中的一個分類器極其相似。因為基于本發(fā)明的設(shè)定場景，每個分類器學(xué)習(xí)的目標都是場景中運動的人，所以如果是人的話，那么根據(jù)人與人之間的共性，人與人之間是相似的，建立的所有分類器中人與人之間總是相似，那么檢測到的靜止前景物體通過所有的分類器判定，返回的置信值都會比較高（相對是靜止的物品）。之所以會和其中的一個特別相似，是因為該人在場景中運動的時候已經(jīng)被分類器完全學(xué)習(xí)了。（2）如果靜止的前景物體是物品的話，那么該物體和已經(jīng)建立的物體分類器將不會相似，除了一個“有點相似”，一個“特別相似”。因為已經(jīng)建立的物體分類器學(xué)習(xí)的是人，所以物體和已經(jīng)建立的分類器將不會相似。但是，和攜帶該物體進入場景的人“有點相似”，分類器的建立采用的都是在線的Adaboost分類器，這個分類器是由一組弱分類器組合而成的，而每個弱分類器學(xué)習(xí)物體的一個特征，一組特征組合在一起就是代表了這個物體。在學(xué)習(xí)攜帶物體的人這個整體的時候，既學(xué)習(xí)到了攜帶人的特征也學(xué)習(xí)到了物體的特征，所有這組弱分類器，會有部分返回大于0的值，其余部分將返回負值，導(dǎo)致最后的加權(quán)平均值不會很負。之所以會有一個“特別相似”，那是因為檢測到靜止的前景物體是一個過程，只有靜止一段時間以后才會被作為靜止的前景物體檢測出來。而這個靜止的過程，該物體已經(jīng)被作為前景物體送入物體分類器進行學(xué)習(xí)了，所以檢測出靜止的前景物體時，會有一個分類器特別相似。綜上，我們計算如下數(shù)值，來反映靜止前景物體和所有分類器的整體相似程度：其中，confn(x)表示第n個分類器對當前靜止前景物體的返回的置信值，當前共有N個分類器。從結(jié)論（1）、（2）我們可以知道，靜止的人和所有的分類器都很相似，所有返回的置信值的平均值較高，而靜止的物品則會比較低。即：由此判斷出靜止的前景物體類型，如果是靜止的物品，則是我們要檢測的滯留物。4、滯留物攜帶者的信息我們可以發(fā)現(xiàn)，在人攜帶物體進入場景的時候，物體和人會被作為一個整體，送入分類器進行學(xué)習(xí)。所以，當物體作為靜止前景物體被檢測出來，然后送入物體分類器的時候，這些分類器返回的置信值，除了一個最大值是由這個物品本身的分類器產(chǎn)生的，還有一個次大的值，該值是就是由這個物品和人作為一個整體的分類器產(chǎn)生的。由此，我們可以得到這個滯留物品的攜帶者信息。當檢測到滯留物品后，通過如下的計算，我們找到物品的攜帶者信息：num=maxn≠lconfn(x)，γ=maxnconfn(x)，l=argmaxnconfn(x)，其中，confn(x)表示第n個分類器對當前靜止前景物體的返回的置信值，γ是返回值最大分類器序號，num是返回值第二大的分類器對應(yīng)的序號。那么第num個分類器，就是我們要尋找的，滯留物品和攜帶者作為一個整體對應(yīng)的分類器。由于我們在設(shè)置物體分類器的時候，每當新建一個分類器時，總是要記錄該分類器的幀信息和矩形框信息的，所以計算得到攜帶者的對應(yīng)的分類器序號num后，我們反過來可以看到滯留物品攜帶者的圖片?；趫D像分塊的靜止物體檢測方法主要包括如下步驟：1、學(xué)習(xí)物體分類器：將輸入的前景物體送入前景物體分類器進行學(xué)習(xí)。提取前景圖像的類Haar特征和HOG特征，采用在線Adaboost的方法建立物體分類器。每當新建一個分類器時，記錄該前景圖像的幀信息和矩形框信息，前景物體分類器的估計與更新參考算法1。2、靜止物體類型分析：計算所有前景物體分類器對當前靜止前景物體的返回的置信值的平均值，如果該值大于閾值，則說明該靜止物體類型是靜止的人，反之，如果小于閾值，則說明該靜止物體類型是靜止的物體。3、檢測滯留物攜帶者的信息：由2中分類器返回的置信值，計算次大值，找到次大值對應(yīng)的分類器所記錄的物體所在圖像的幀信息和矩形框信息。如圖1所示是本發(fā)明滯留物檢測中的靜止物體類型判斷與物主分析方法流程示意圖；1.系統(tǒng)功能：從視頻流中獲取視頻序列后，對于檢測到的到靜止物體，判斷是靜止的人體目標還是靜止物體，如果是靜止的物體，則判斷該靜止物體是滯留物，并返回該滯留物的物主信息。2.系統(tǒng)輸入：輸入靜止物體圖像，輸入前景物體圖像，以及該幀圖像的幀信息和前景物體在圖像中的位置和大小信息。3.系統(tǒng)輸出：靜止物體是否是滯留物，如果是滯留物，返回攜帶者的信息。4.具體實現(xiàn)：將輸入的前景物體送入前景物體分類器進行學(xué)習(xí)，并將前景物體的幀信息和矩形框信息記錄在分類器中。直到輸入靜止物體圖像，計算所有前景物體分類器對當前靜止前景物體的返回的置信值的平均值，如果該值大于閾值，則說明該靜止物體類型是靜止的人，反之，如果小于閾值，則說明該靜止物體類型是靜止的物品，是滯留物品。如果結(jié)果是滯留物品，計算所有分類器返回的置信值的次大值，找到次大值對應(yīng)的分類器所記錄的物體所在圖像的幀信息和矩形框信息，顯示攜帶者的信息。上述實例只是本發(fā)明的舉例，盡管為說明目的公開了本發(fā)明的最佳實施例和附圖，但是本領(lǐng)域的技術(shù)人員可以理解：在不脫離本發(fā)明及所附的權(quán)利要求的精神和范圍內(nèi)，各種替換、變化和修改都是可能的。因此，本發(fā)明不應(yīng)局限于最佳實施例和附圖所公開的內(nèi)容。