一種目標特征提取的方法、目標特征提取模塊、目標模型創(chuàng)建模塊以及智能圖像監(jiān)控裝置的制造方法
【技術領域】
[0001]本發(fā)明涉及智能圖像監(jiān)控領域，特別涉及到一種目標特征提取的方法、目標特征提取模塊、目標模型創(chuàng)建模塊以及智能圖像監(jiān)控裝置。
【背景技術】
[0002]隨著物聯網時代的到來，智能產品不斷深入我們的日常生活中，并對以往智能產品的性能提出了更高的要求。
[0003]以智能圖像監(jiān)控為例，它主要包括目標發(fā)現模塊、目標模型創(chuàng)建模塊和目標跟蹤模塊。
[0004]其中目標發(fā)現模塊用于定位可能的目標類，目標類定位正確之后，通過目標模型創(chuàng)建模塊對感興趣的目標進行特征提取，對目標特征提取之后，使用目標跟蹤模塊對目標進行跟蹤。
[0005]目前的監(jiān)控設備主要是將三維的空間景象映射到二維平面，失去了諸如空間地理位置關系、目標自身的立體縱深等信息。
[0006]這些目標信息的丟失使得目標的特征提取變得至關重要，現有技術中由于目標特征提取方法主要采用不重疊分割目標發(fā)現框的方法進行顏色直方圖提取，使得目標跟蹤的可靠性不高，容易丟失或誤跟蹤目標。

【發(fā)明內容】

[0007]本發(fā)明解決的問題是現有技術中由于目標特征提取方法主要采用不重疊分割目標發(fā)現框的方法進行顏色直方圖提取，使得目標跟蹤的可靠性不高，容易丟失或誤跟蹤目標。
[0008]為解決上述問題，本發(fā)明提供一種目標特征提取的方法，包括:
[0009]第一步，目標發(fā)現框鎖定目標類；
[0010]第二步，分割目標發(fā)現框，使目標發(fā)現框分成局部重合的若干子框；
[0011 ] 第三步，計算各子框內的顏色直方圖。
[0012]進一步，所述子框為矩形或者正方形。
[0013]進一步，相鄰子框之間的間隔為8像素，相鄰子框之間局部重合。
[0014]進一步，第二步和第三步之間還包括:
[0015]計算目標發(fā)現框內的方向梯度直方圖；
[0016]通過方向梯度直方圖判斷目標發(fā)現框鎖定的目標類是否正確，若不正確，則返回第一步，若正確，則繼續(xù)執(zhí)行。
[0017]進一步，在第二步和計算目標發(fā)現框內的方向梯度直方圖之間還包括:將每個子框分割成四個矩形單元。
[0018]進一步，計算目標發(fā)現框內的方向梯度直方圖包括:
[0019]計算各矩形單元內的方向梯度直方圖；
[0020]串聯所有矩形單元的方向梯度直方圖得到目標發(fā)現框的方向梯度直方圖。
[0021]進一步，各矩形單元內的方向梯度直方圖為9維方向梯度直方圖。
[0022]與現有技術相比，本發(fā)明的技術方案具有以下優(yōu)點:
[0023]將目標發(fā)現框分割成局部重合的若干子框組成，目標輪廓區(qū)域可以被更多的子框所包含，也就是說更多的子框能夠包含輪廓區(qū)域。由于目標的輪廓區(qū)域顏色的紋理特征更加豐富，因此更多的子框包含到了這種顏色紋理豐富的區(qū)域，子框的顏色直方圖更能夠反應目標的特征，有利于提高目標跟蹤的可靠性。
[0024]進一步，通過目標類的方向梯度直方圖可以有效判斷目標發(fā)現框內的目標類是不是正確的目標類，如果不是，可以直接返回再次進行目標類定位，避免了不必要的目標特征提取，有利于減少計算量，并提尚目標跟蹤效率。
[0025]進一步，將每個子框分割成4個矩形單元，計算各矩形單元內的9維方向直方圖可以提高目標方向梯度直方圖的提取質量，可以增加目標類判斷可靠性。
[0026]本發(fā)明還提供一種由上述方法形成的方法形成的目標特征提取模塊。
[0027]與現有技術相比，本發(fā)明的技術方案具有以下優(yōu)點:
[0028]將目標發(fā)現框分割成局部重合的若干子框組成，目標輪廓區(qū)域可以被更多的子框所包含，也就是說更多的子框能夠包含輪廓區(qū)域。由于目標的輪廓區(qū)域顏色的紋理特征更加豐富，因此更多的子框包含到了這種顏色紋理豐富的區(qū)域，子框的顏色直方圖更能夠反應目標的特征，有利于提高目標跟蹤的可靠性。
[0029]本發(fā)明還提供一種由上述方法形成的方法形成的目標模型創(chuàng)建模塊。
[0030]與現有技術相比，本發(fā)明的技術方案具有以下優(yōu)點:
[0031]將目標發(fā)現框分割成局部重合的若干子框組成，目標輪廓區(qū)域可以被更多的子框所包含，也就是說更多的子框能夠包含輪廓區(qū)域。由于目標的輪廓區(qū)域顏色的紋理特征更加豐富，因此更多的子框包含到了這種顏色紋理豐富的區(qū)域，子框的顏色直方圖更能夠反應目標的特征，有利于提高目標跟蹤的可靠性。
[0032]本發(fā)明還提供一種智能圖像監(jiān)控裝置，所述智能圖像監(jiān)控裝置包含上述目標特征提取模塊，目標模型創(chuàng)建模塊中的至少一個。
[0033]與現有技術相比，本發(fā)明的技術方案具有以下優(yōu)點:
[0034]將目標發(fā)現框分割成局部重合的若干子框組成，目標輪廓區(qū)域可以被更多的子框所包含，也就是說更多的子框能夠包含輪廓區(qū)域。由于目標的輪廓區(qū)域顏色的紋理特征更加豐富，因此更多的子框包含到了這種顏色紋理豐富的區(qū)域，子框的顏色直方圖更能夠反應目標的特征，有利于提高目標跟蹤的可靠性。
【附圖說明】
[0035]圖1是目標發(fā)現模塊的實現方法；
[0036]圖2是本發(fā)明第一實施例的方法流程圖；
[0037]圖3是本發(fā)明第一實施例中9維方向梯度直方圖的向量示意圖。
【具體實施方式】
[0038]現有技術中由于目標特征提取方法主要采用不重疊分割目標發(fā)現框的方法進行顏色直方圖提取，使得目標跟蹤的可靠性不高，容易丟失或誤跟蹤目標。
[0039]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更為明顯易懂，下面結合附圖對本發(fā)明的具體實施例做詳細的說明。
[0040]目標發(fā)現模塊的實現方法包括:
[0041]在智能圖像監(jiān)控系統(tǒng)中存儲大量的目標類輪廓信息，即方向梯度直方圖，以方便識別目標類，例如，可以輸入大量的人體外形數據以識別人；
[0042]當目標發(fā)現模塊發(fā)現可能的目標類之后，就會搜集目標類的方向梯度直方圖，并與智能圖像監(jiān)控系統(tǒng)中存儲大量的方向梯度直方圖進行匹配，如果匹配度超過閾值，則認為出現了目標類。
[0043]目標發(fā)現模塊只能識別目標類，而不能識別具體的目標。例如，如果智能圖像監(jiān)控系統(tǒng)中存儲了大量的人體外形數據，那么目標發(fā)現模塊只能識別到視野內是否有人，但不能識別人的具體特征，也就是它無法定位到某個具體的人。
[0044]目標模型創(chuàng)建模塊的實現方法包括:
[0045]目標發(fā)現模塊確定目標類出現之后，目標模型創(chuàng)建模塊會搜集單個或多個目標的目標特征信息，即顏色直方圖。比如，目標發(fā)現模塊發(fā)現視野中有人，就會對某一個人或者某一些人建立對應的顏色直方圖。
[0046]當存儲了目標的顏色直方圖之后，開始對其進行跟蹤。
[0047]參考圖1，目標跟蹤模塊主要包括以下模塊:
[0048]行為預測模塊，通過視屏拍攝的幀記錄，使用高斯隨機步態(tài)模型或者蒙特卡洛模型對移動目標的軌跡建立概率遞推模型，并預測目標下一幀所在位置的概率。這種預測可以有效提尚計算效率和目標跟蹤的穩(wěn)定性。
[0049]特征提取模塊和特征對比模塊，發(fā)現可能目標之后，需要對該目標進行特征提取，即提取可能目標的顏色直方圖，并將提取的顏色直方圖與目標參考模型的顏色直方圖進行對比，以確定發(fā)現的目標是否正確。
[0050]決策模塊，將特征對比的結果輸入決策模塊，以判斷發(fā)現的目標是否正確，如果確定發(fā)現的目標有誤，通過反饋機制通知行為預測模塊更改搜索目標的空間位置。
[0051]第一實施例
[0052]參考圖2，本實施例提供一種目標特征提取的方法，包括:
[0053]第一步，目標發(fā)現框鎖定目標類。
[0054]在監(jiān)控系統(tǒng)開始拍攝前，在目標發(fā)現模塊中存入大量的目標類輪廓信息，即方向梯度直方圖，這些目標類輪廓信息用于之后拍攝過程中監(jiān)控系統(tǒng)通過匹配算法進行自動目標類搜索，如果匹配度大于閾值，而認為是需要跟蹤的目標類。
[0055]監(jiān)控系統(tǒng)發(fā)現目標類之后，通過目標發(fā)現框對目標類中的目標進行鎖定，使目標被目標發(fā)現框所包圍。目標發(fā)現框一般為矩形框，目標類可以是人或者運動的其他物體。如果目標類中有多個目標，則可