專利名稱：一種視頻監(jiān)控系統(tǒng)及其運動目標(biāo)檢測與跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種視頻監(jiān)控系統(tǒng)以及應(yīng)用在攝像機運動情況下的運動目標(biāo)檢測與跟蹤方法。
背景技術(shù)：
在傳統(tǒng)的智能視頻監(jiān)控系統(tǒng)中，監(jiān)控攝像機多為固定攝像機，背景圖像固定不定， 前景目標(biāo)運動，該系統(tǒng)在應(yīng)用時存在的問題是在某幾個預(yù)先設(shè)置的位置循環(huán)監(jiān)控，運動目標(biāo)容易超出監(jiān)控視野范圍而不能對其連續(xù)跟蹤，這些情況使得傳統(tǒng)智能視頻監(jiān)控在應(yīng)用中受到很大制約。而運動攝像機監(jiān)控則可以克服上述傳統(tǒng)攝像機監(jiān)控的缺陷，并且應(yīng)用于車載監(jiān)控、PTZ (Pan Tilt Zoom，攝像機云臺轉(zhuǎn)動、俯仰移動及鏡頭變焦)目標(biāo)跟蹤、智能機器人視覺等，應(yīng)用前景非常廣闊，近幾年來，運動攝像機的目標(biāo)檢測與跟蹤技術(shù)受到國內(nèi)外學(xué)術(shù)界極大關(guān)注。根據(jù)目前檢索到的國內(nèi)外相關(guān)文獻表明，由于攝像機的運動造成背景的變化，對于目標(biāo)檢測，通常采用的方法是首先估計出連續(xù)兩幀圖像之間的投影變換參數(shù)，再將后一幀與由前一幀的投影變換得到的一幀進行相減，獲得靜止的背景，最后利用背景差分方法獲取運動目標(biāo)。該方法的關(guān)鍵在于如何準(zhǔn)確、快速地估算出投影變換參數(shù)，常用的估算方法是利用圖像灰度相關(guān)性方法、SIFT (Scale Invariant Feature ^Transform，尺度不變特征變換)特征、SURF (Speed-Up Robust !Mature，加速的健壯特征)特征等求取連續(xù)視頻圖像對應(yīng)特征點，進而利用最小二乘法估計投影變換矩陣參數(shù)，相比較而言，SIFT和SURF特征方法在求取圖像匹配點時更加穩(wěn)定可靠，但同時計算量大，難以滿足實時分析的需要。對于目標(biāo)跟蹤，常采用的方法是利用顏色和形狀信息作為被跟蹤目標(biāo)的特征信息。顏色特征雖然是非常有用的特征，但是在物體顏色和背景顏色比較相似的時候，僅僅利用顏色跟蹤往往比較困難，容易引起跟蹤錯誤，一些研究者則使用了多種特征融合的方法來選擇特征；利用SIFT，SURF特征作為被跟蹤目標(biāo)的特征信息較為穩(wěn)定，對來自背景顏色和光照變化有較強的適應(yīng)性，是比較的理想的目標(biāo)特征表達方式，不足之處是對于少數(shù)目標(biāo)可能難以提取到穩(wěn)定特征點甚至是不能提取到特征點。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種視頻監(jiān)控系統(tǒng)及其運動目標(biāo)檢測與跟蹤方法，克服目前在攝像機處于運動狀態(tài)下目標(biāo)檢測與跟蹤技術(shù)的不足之處，快速、準(zhǔn)確地檢測出運動目標(biāo)并且可靠持續(xù)地對運動目標(biāo)進行跟蹤，降低復(fù)雜性。本發(fā)明實施例是這樣實現(xiàn)的
一種運動目標(biāo)檢測與跟蹤方法，應(yīng)用于視頻監(jiān)控系統(tǒng)中攝像機在運動狀態(tài)下，包括 運動目標(biāo)檢測的步驟對連續(xù)采集的兩幀圖像，采用Harris角點結(jié)合HOG描述子的方式提取對應(yīng)特征點；根據(jù)所述對應(yīng)特征點的集合求得投影變換矩陣；將前一幀圖像按照所述投影變換矩陣作投影變換得到的圖像與后一幀圖像作差，再通過閾值分割得到運動目標(biāo)；
建立運動目標(biāo)模型的步驟針對每個運動目標(biāo)，根據(jù)所述運動目標(biāo)檢測過程所獲取的相應(yīng)的運動目標(biāo)信息建立運動目標(biāo)模型，且在該模型中采用Harris角點、極值點以及HOG 描述子相結(jié)合的方式來表示運動目標(biāo)特征；
運動目標(biāo)跟蹤的步驟針對每個運動目標(biāo)，根據(jù)其運動目標(biāo)模型估算出該運動目標(biāo)在當(dāng)前幀圖像中的位置和尺寸并從當(dāng)前幀圖像中摳出相應(yīng)圖像作為估計目標(biāo)圖像；計算估計目標(biāo)圖像的特征值，包括Harris角點和極值點及其HOG描述子；將估計目標(biāo)圖像和原目標(biāo)圖像(該原目標(biāo)圖像即當(dāng)前時刻相應(yīng)的運動目標(biāo)模型中相關(guān)信息所表示的目標(biāo)圖像)的特征進行匹配，若匹配成功，則更新該運動目標(biāo)模型的信息，否則刪除該運動目標(biāo)模型。其中，所述運動目標(biāo)檢測的步驟進一步包括
al、連續(xù)采集兩幀圖像/0-1)、fit)并進行高斯平滑處理； a2、提取所述圖像/( - )和的對應(yīng)特征點，得到對應(yīng)特征點集合乂 ； a3、根據(jù)所述對應(yīng)特征點集合Si，利用廣義逆法計算投影矩陣A ； a4、將所述兩幀圖像中的前一幀圖像/￠- 作投影變換后得到幀圖像F ； a5、將幀圖像F與后一幀圖像作差得到差分圖像D，利用閾值分割方法得到二值圖像B ；
a6、對二值圖像B進行濾波操作，得到所有運動目標(biāo)。其中，所述步驟a2進一步包括
a21、分別提取所述圖像/(〗-!)和/(0的Harris角點特征并為每個Harris角點建立
HOG描述子，構(gòu)成角點特征描述向量( Ld)；其中，χ和y為Harris角點在圖像中的橫縱坐標(biāo)，d為HOG描述子；
a22、將所述圖像/￠- 和/￠)的角點特征向量集進行匹配處理，得到角點匹配集合 s = {( ,,Vj，^) 4 (d劣)H = 12，3...’m)；
a23、利用RANSAC算法濾除角點匹配集合ΣΓ中的誤匹配點得到對應(yīng)特征點集合夂， 夂= (( ,^,為)=i,2,3...,i)。其中，所述步驟a22中角點匹配的條件是
( ^yiA) m、14 - 41= arS mmil4 -41-K -41-K ~d'n I)。其中，所述步驟a6進一步包括
a61、對二值圖像B進行腐蝕、膨脹操作，取出干擾噪聲點和空洞； a62、在二值圖像B上提取所有運動目標(biāo)，分別計算每個運動目標(biāo)的質(zhì)心、長、寬、目標(biāo)充實度、目標(biāo)面積信息并將所有運動目標(biāo)信息保存至運動目標(biāo)鏈表。其中，所述步驟a62之后還包括a63、去除所述運動目標(biāo)鏈表中的偽目標(biāo)。其中，所述建立運動目標(biāo)模型的步驟進一步包括針對所述運動目標(biāo)檢測步驟所檢測到的每個運動目標(biāo)，
bl、計算該運動目標(biāo)的位置和尺寸，據(jù)此從當(dāng)前幀圖像中摳出目標(biāo)圖像，計算該目標(biāo)圖像的極值點、Harris角點以及每個特征點的HOG描述子；b2、保存運動目標(biāo)模型信息，包括運動目標(biāo)在圖像中的位置、尺寸、運動方向、位移、角點坐標(biāo)、極值點坐標(biāo)以及HOG描述子；
且所述運動目標(biāo)模型定義為a = {h,W,area,d.desc,track}，其中，h表示目標(biāo)寬度，w表
示目標(biāo)長度，area表示目標(biāo)面積，d表示目標(biāo)充實度，desc為目標(biāo)當(dāng)前的HOG特征向量集， track為目標(biāo)運動軌跡集合。其中，所述運動目標(biāo)跟蹤的步驟進一步包括對于每個運動目標(biāo)，
Cl、根據(jù)運動目標(biāo)模型信息估算該運動目標(biāo)在當(dāng)前幀圖像的位置和尺寸，并將其從當(dāng)前幀圖像中摳出以得到估計目標(biāo)圖像f ；
c2、計算估計目標(biāo)圖像f的極值點、Harris角點以及相應(yīng)的HOG描述子，得到估計目標(biāo)圖像的特征信息；
c3、將估計目標(biāo)圖像和原目標(biāo)圖像進行特征匹配，若匹配成功，則更新相應(yīng)的運動目標(biāo)模型信息；否則，刪除該運動目標(biāo)模型信息。其中，所述步驟Cl進一步包括
ell、按照以下公式估算運動目標(biāo)在當(dāng)前幀圖像中的位置(<，h)、長度μ和寬度A',
Xi= !X14+ Δχ , Yi = y^ +Ay , , ' = A + Ar· Δκ , W = w + i Δχ >
Οι <2 Οι <2
其中，Δχ=，Ay=為目標(biāo)縮放因子， ；
else bii-yi-2 else kk>2
(y^Jn)和(6-2,3 )分別為運動目標(biāo)在前兩幀圖像中的位置，h和w分別為運動目標(biāo)在前一幀圖像中的長度和寬度；
cl2、根據(jù)所述參數(shù)￠4^)、A'、W將運動目標(biāo)從當(dāng)前幀圖像中摳出得到估計目標(biāo)圖像
fo一種視頻監(jiān)控系統(tǒng)，包括攝像機、DSP、運動目標(biāo)檢測模塊以及運動目標(biāo)跟蹤模塊， 所述DSP，用于處理所述攝像機采集的視頻圖像，調(diào)用運動目標(biāo)檢測模塊提取運動目標(biāo)，若有運動目標(biāo)存在，則調(diào)用運動目標(biāo)跟蹤模塊對所述運動目標(biāo)進行跟蹤。所述運動目標(biāo)檢測模塊，用于將Harris角點結(jié)合HOG描述子作為圖像特征，對所述攝像機連續(xù)采集的兩幀圖像通過特征提取、投影變換、作差以及閾值分割以獲取所有運動目標(biāo)。所述DSP，還用于根據(jù)所述運動目標(biāo)檢測模塊檢測到的運動目標(biāo)建立運動目標(biāo)模型，且在模型中采用Harris角點、極值點及HOG描述子結(jié)合的方式來表示運動目標(biāo)。所述運動目標(biāo)跟蹤模塊，用于根據(jù)運動目標(biāo)模型進行運動目標(biāo)的跟蹤并實時更新運動目標(biāo)模型參數(shù)。本發(fā)明實施例與現(xiàn)有技術(shù)相比，有益效果在于
(1)在視頻圖像表示方法中，由于連續(xù)兩幀圖像之間存在較小的平移和旋轉(zhuǎn)角度，因此，HOG描述子具有平移和旋轉(zhuǎn)不變的特性，另外，圖像的角點特征比較穩(wěn)定、可靠，角點提取相對于SIFT、SURF極值點特征提取則更加快速，更加有利于實時視頻圖像計算；綜合上述特征，本發(fā)明所采用Harris角點結(jié)合HOG描述子的方法能夠快速獲得視頻圖像中的穩(wěn)定特征，非常適合實時視頻圖像計算，并且為后續(xù)的投影矩陣計算提供可靠保障。
7
(2)在運動目標(biāo)的表示方法中，由于目標(biāo)圖像的角點特征或是極值點特都無法獨立完整的表示目標(biāo)特征，例如比較圓滑的目標(biāo)可能提取到到少量角點或是根本無法提取到角點，而對于顏色分布均勻的目標(biāo)則可能無法提取到極值點特征，這樣一來都有可能導(dǎo)致目標(biāo)特征提取失敗，從而造成無法跟蹤目標(biāo)的情況。因此，本發(fā)明采用將角點與極值點相結(jié)合的表示方式來完整的表示運動目標(biāo)，從而確保跟蹤的穩(wěn)定性，這其中雖然引入了極值點的計算，提高了計算復(fù)雜度，但由于運動目標(biāo)相對于整幅圖像較小，只對運動目標(biāo)計算極值點特征而不對整幅圖像計算極值點特征，仍然可以滿足實時處理的需要。(3)在運動目標(biāo)跟蹤過程中，由于目標(biāo)在連續(xù)兩幀圖像之間運動位移和旋轉(zhuǎn)角度不大，可以認(rèn)為同一目標(biāo)在前后兩幀中存在一個仿射變換，本發(fā)明依據(jù)這個前提，利用該仿射變換矩陣即可精確定位原目標(biāo)在當(dāng)前幀的位置和尺寸，最后將目標(biāo)的模型參數(shù)進行更新，保證跟蹤的連續(xù)性。采用這個識別方法的好處是目標(biāo)跟蹤定位精確，跟蹤可持續(xù)性強， 可以克服目標(biāo)之間的部分遮擋，對背景變化和光照變化也具有較好的適應(yīng)性。綜上，本發(fā)明解決了目前攝像機在運動情況下對多個運動目標(biāo)實時檢測與跟蹤的問題，且保證了實時性與可靠性。在求解圖像投影變換矩陣中，采用圖像穩(wěn)定的角點特征匹配不僅能夠大大降低計算量，而且也同時保證了圖像特征匹配的精度，從而快速準(zhǔn)確地估計出投影變換矩陣，最終保證運動目標(biāo)檢測的精度；采用角點和極值點作為目標(biāo)特征，使得目標(biāo)識別更加魯棒，跟蹤可持續(xù)性強，同時可以克服目標(biāo)之間的部分遮擋、姿態(tài)變化，對背景變化和光照變化也好較好的適應(yīng)性；采用目標(biāo)運動估計的方法縮小了目標(biāo)搜索的范圍， 減少了計算量，大大降低了目標(biāo)跟蹤時復(fù)雜性。


圖1是本發(fā)明實施例中視頻監(jiān)控系統(tǒng)結(jié)構(gòu)圖。圖2是本發(fā)明實施例中運動目標(biāo)檢測方法流程圖。圖3是本發(fā)明實施例中運動目標(biāo)模型的建立方法流程圖。圖4是本發(fā)明實施例中運動目標(biāo)跟蹤方法流程圖。圖5是本發(fā)明實施例中運動目標(biāo)二值模型示意圖。
具體實施例方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。請參閱圖1，本實施例所提供的視頻監(jiān)控系統(tǒng)主要包括車載攝像機11、DSP12、運動目標(biāo)檢測模塊13以及運動目標(biāo)跟蹤模塊14 ；其中，DSP12處理車載攝像機11采集的視頻圖像，調(diào)用運動目標(biāo)檢測模塊13提取運動目標(biāo)，若有運動目標(biāo)存在，則調(diào)用運動目標(biāo)跟蹤模塊14對運動目標(biāo)進行跟蹤，具體的處理過程包括運動目標(biāo)檢測的步驟、建立運動目標(biāo)模型的步驟、運動目標(biāo)跟蹤的步驟。其中，(1)如圖2所示，運動目標(biāo)檢測的步驟具體包括 步驟101、采集連續(xù)兩幀圖像/( - Ι并進行高斯平滑處理。步驟102、計算得到上述兩幀圖像對應(yīng)特征點。
8
具體包括！)提取兩幅圖像Harris角點特征并為每個角點建立HOG描述子，構(gòu)成角點特征描述向量(X，1, d),其中X，y為角點在圖像中橫縱坐標(biāo)，d為HOG描述子。3)角點匹配設(shè)圖像—ρ產(chǎn)生的角點特征向量集
descii -1) = (XxltyiJl)r(x2,y2,d2),......，圖像/( )產(chǎn)生的角點特征向量集
—cif) = ((! ;)，<> ;)，...... (4Λ，<)),則角點匹配的條件是
h4) (4'^J-'if I I= ^g mmHdi - 4 I,—4 I”..批—I)
最終得到角點匹配集合公={(+乃4)4(巧 丨川=1義3..., }。3)在集合的基礎(chǔ)上利用RANSAC算法濾除誤匹配點得到集合& ；
# = (OryiJi) 4=1,2,3...，又力步驟103、根據(jù)步驟102所得對應(yīng)角點集合#，利用廣義求逆法計算投影矩陣Α。
""丨丨ι —令:T=乃為…凡,X=Λ Λ-Λ，，貝1J
L1 1…1J L1 L i」7 =雙 A = YX'(XX1)-1
步驟104、將前一幀圖像/( - 作投影變換得到幀圖像F，變換如下
N K
h/ = A y ,
LiJ L1-
其中，(U，V)為圖像F中的像素點坐標(biāo)，(x，y)為圖像/￠-1)像素點坐標(biāo)。步驟105、將幀圖像F與后一幀圖像/④作差得到差分圖像D，即D =\F-f(t) |， 利用閾值分割方法得到二值圖像B。
Jl D(U) > Tq，
步驟106、對二值圖像B進行濾波操作。具體包括:!)對二值圖像B進行腐蝕、膨脹操作，去除干擾噪聲點和空洞。2)在二值圖像B上提取運動目標(biāo)并計算目標(biāo)的質(zhì)心、長、寬、目標(biāo)充實度、目標(biāo)面
積，如圖5所示目標(biāo)的質(zhì)心為白色區(qū)域的中心，
0射立癀—白色g域的點數(shù)杯允'大及=^Wg^ ‘ B標(biāo)面積=長*寬并將所有目標(biāo)加入到運動目標(biāo)鏈表objList = {ai,a2,a3...，aj。3)根據(jù)真實目標(biāo)存在的經(jīng)驗條件去除偽目標(biāo)，得到最終可靠的運動目標(biāo)鏈表；經(jīng)
驗條件如下(i)目標(biāo)長寬比在區(qū)間[a2,5()] ；(ii)目標(biāo)充實度大于0.3;(iii)目標(biāo)面積大于200。(2)建立運動目標(biāo)模型的步驟，如圖3所示。包括步驟201、循環(huán)訪問運動目標(biāo)鏈表，提取第η個運動目標(biāo)的信息(η的初始值為1)。步驟202、根據(jù)運動目標(biāo)的位置和尺寸將其從當(dāng)前視頻圖像中摳出，計算極值點和 Harris角點，極值點的計算采用David Lowe建議的方法(只需在原視頻圖像尺度大小上提取即可)，并計算每個特征點的HOG描述子。步驟203、建立運動目標(biāo)模型并保存模型信息包括目標(biāo)在圖像中的位置、尺寸、 運動方向、位移、目標(biāo)角點和極值點的坐標(biāo)以及HOG描述子。目標(biāo)模型定義如下a = (h,w,area,d,desc,track}
其中，h表示目標(biāo)寬度，w表示目標(biāo)長度，area表示目標(biāo)面積，d表示目標(biāo)充實度，desc 為目標(biāo)當(dāng)前的HOG特征向量集，track為目標(biāo)運動軌跡集合。步驟204、n=n+l，若η不大于目標(biāo)鏈表長度，則轉(zhuǎn)步驟201，否則轉(zhuǎn)步驟(3 )。(3)運動目標(biāo)跟蹤的步驟，如圖4所示。包括步驟301、循環(huán)訪問運動目標(biāo)鏈表，獲取第j個運動目標(biāo)模型信息~。步驟302、根據(jù)步驟(2)所得運動目標(biāo)模型信息估計第j個運動目標(biāo)在當(dāng)前幀的位置、尺寸，并將其從當(dāng)前幀中摳出得到估計目標(biāo)圖像。該步驟具體包括
①定義I1 = UJ.._n}為目標(biāo)S云力軌 集合，則估計目標(biāo)前巾貞中的可能位置(‘乂)為
^k'^h + k^y ,長度^^μ^ + Λ.ΔΛ-
Ι'Οi <2 θι <2
其中，M = j,Ay=，為目標(biāo)縮放因子， ，本文中
1 - else1Τ/Η-Τ -2 else kk>2
取 i = 3。2)根據(jù)步驟①估計參數(shù)&力。，, w將目標(biāo)從當(dāng)前圖像中摳出得到目標(biāo)圖像f。步驟303、計算目標(biāo)圖像f的極值點和角點，并計算相應(yīng)HOG描述子得到估計目標(biāo)向量ι
步驟304、目標(biāo)識別匹配估計目標(biāo)向量ι與原目標(biāo)向量~，若匹配成功，則表明
目標(biāo)跟蹤成功，更新運動目標(biāo)模型信息~ ；若匹配失敗，則跟蹤失敗，將運動目標(biāo)模型信息從鏈表中刪除。3)利用步驟102中所述方法匹配&和~中的角點特征，若匹配成功，則執(zhí)行下步， 否則刪除第j個運動目標(biāo)的模型信息~。2)利用步驟103所述方法計算目標(biāo)Λ投影矩陣y，再利用步驟104所述方法即可求得目標(biāo) 在當(dāng)前圖像中的質(zhì)心坐標(biāo)、長、寬、角點信息。3)利用步驟2)所求參數(shù)更新第j個運動目標(biāo)的模型信息“。步驟305、j=j+l，若j小于或等于目標(biāo)鏈表長度，轉(zhuǎn)步驟301，否則結(jié)束。以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。
權(quán)利要求
1.一種運動目標(biāo)檢測與跟蹤方法，應(yīng)用于視頻監(jiān)控系統(tǒng)中攝像機在運動狀態(tài)下，其特征在于，包括運動目標(biāo)檢測的步驟對連續(xù)采集的兩幀圖像，采用Harris角點結(jié)合HOG描述子的方式提取對應(yīng)特征點；根據(jù)所述對應(yīng)特征點的集合求得投影變換矩陣；將前一幀圖像按照所述投影變換矩陣作投影變換得到的圖像與后一幀圖像作差，再通過閾值分割得到運動目標(biāo)；建立運動目標(biāo)模型的步驟針對每個運動目標(biāo)，根據(jù)所述運動目標(biāo)檢測過程所獲取的相應(yīng)的運動目標(biāo)信息建立運動目標(biāo)模型，且在該模型中采用Harris角點、極值點以及HOG 描述子相結(jié)合的方式來表示運動目標(biāo)特征；運動目標(biāo)跟蹤的步驟針對每個運動目標(biāo)，根據(jù)其運動目標(biāo)模型估算出該運動目標(biāo)在當(dāng)前幀圖像中的位置和尺寸并從當(dāng)前幀圖像中摳出相應(yīng)圖像作為估計目標(biāo)圖像；計算估計目標(biāo)圖像的特征值，包括Harris角點和極值點及其HOG描述子；將估計目標(biāo)圖像和原目標(biāo)圖像的特征進行匹配，若匹配成功，則更新該運動目標(biāo)模型的信息，否則刪除該運動目標(biāo)模型。
2.如權(quán)利要求1所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述運動目標(biāo)檢測的步驟進一步包括al、連續(xù)采集兩幀圖像/0-1)、并進行高斯平滑處理； a2、提取所述圖像/( - 和的對應(yīng)特征點，得到對應(yīng)特征點集合夂； a3、根據(jù)所述對應(yīng)特征點集合乂，利用廣義逆法計算投影矩陣A ； a4、將所述兩幀圖像中的前一幀圖像/￠- 作投影變換后得到幀圖像F ； a5、將幀圖像F與后一幀圖像作差得到差分圖像D，利用閾值分割方法得到二值圖像B ；a6、對二值圖像B進行濾波操作，得到所有運動目標(biāo)。
3.如權(quán)利要求2所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述步驟a2進一步包括a21、分別提取所述圖像/￠- 和的Harris角點特征并為每個Harris角點建立 HOG描述子，構(gòu)成角點特征描述向量(χ, Ld)；其中，χ和y分別為Harris角點在圖像中的橫坐標(biāo)和縱坐標(biāo)，d為HOG描述子；a22、將所述圖像/￠- 和/Θ的角點特征向量集進行匹配處理，得到角點匹配集合 s = {( ,,Vi，磘)4 ( ' ) IJ = 1，2，3…，_ ；a23、利用RANSAC算法濾除角點匹配集合S中的誤匹配點得到對應(yīng)特征點集合#，其中= {( ,乃,砵)4(4,7;，rf;)卩=1,2,3…,Ar}。
4.如權(quán)利要求3所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述步驟a22中角點匹配的條件是對于所述圖像/￠- 中的任一角點(Ui^i)與所述圖像/(I)中的任一角點Hd',若 .Ι= arS—式丨)，則判定所述角點(Ui,式)與角點( ，相匹配。
5.如權(quán)利要求2所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述步驟a6進一步包括a61、對二值圖像B進行腐蝕、膨脹操作，取出干擾噪聲點和空洞； a62、在二值圖像B上提取所有運動目標(biāo)，分別計算每個運動目標(biāo)的質(zhì)心、長、寬、目標(biāo)充實度、目標(biāo)面積信息并將所有運動目標(biāo)信息保存至運動目標(biāo)鏈表。
6.如權(quán)利要求5所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述步驟a62之后還包括a63、去除所述運動目標(biāo)鏈表中的偽目標(biāo)。
7.如權(quán)利要求1所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述建立運動目標(biāo)模型的步驟進一步包括針對所述運動目標(biāo)檢測步驟所檢測到的每個運動目標(biāo)，bl、計算該運動目標(biāo)的位置和尺寸，據(jù)此從當(dāng)前幀圖像中摳出目標(biāo)圖像，計算該目標(biāo)圖像的極值點、Harris角點以及每個特征點的HOG描述子；b2、保存運動目標(biāo)模型信息，包括運動目標(biāo)在圖像中的位置、尺寸、運動方向、位移、角點坐標(biāo)、極值點坐標(biāo)以及HOG描述子；且所述運動目標(biāo)模型定義為a = (Iw1area^jesOack)，其中，h表示目標(biāo)寬度，w表示目標(biāo)長度，area表示目標(biāo)面積，d表示目標(biāo)充實度，desc為目標(biāo)當(dāng)前的HOG特征向量集， track為目標(biāo)運動軌跡集合。
8.如權(quán)利要求1所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述運動目標(biāo)跟蹤的步驟進一步包括對于每個運動目標(biāo)，Cl、根據(jù)運動目標(biāo)模型信息估算該運動目標(biāo)在當(dāng)前幀圖像的位置和尺寸，并將其從當(dāng)前幀圖像中摳出以得到估計目標(biāo)圖像f;c2、計算估計目標(biāo)圖像f的極值點、Harris角點以及相應(yīng)的HOG描述子，得到估計目標(biāo)圖像的特征信息；c3、將估計目標(biāo)圖像和原目標(biāo)圖像進行特征匹配，若匹配成功，則更新相應(yīng)的運動目標(biāo)模型信息；否則，刪除該運動目標(biāo)模型信息。
9.如權(quán)利要求8所述的運動目標(biāo)檢測與跟蹤方法，其特征在于，所述步驟cl進一步包括ell、按照以下公式估算運動目標(biāo)在當(dāng)前幀圖像中的位置(<,乂)、長度w和寬度
10. 一種視頻監(jiān)控系統(tǒng)，包括攝像機、DSP、運動目標(biāo)檢測模塊以及運動目標(biāo)跟蹤模塊， 所述DSP，用于處理所述攝像機采集的視頻圖像，調(diào)用運動目標(biāo)檢測模塊提取運動目標(biāo)，若有運動目標(biāo)存在，則調(diào)用運動目標(biāo)跟蹤模塊對所述運動目標(biāo)進行跟蹤；其特征在于，所述運動目標(biāo)檢測模塊，用于將Harris角點結(jié)合HOG描述子作為圖像特征，對所述攝像機連續(xù)采集的兩幀圖像通過特征提取、投影變換、作差以及閾值分割以獲取所有運動目標(biāo)；所述DSP，還用于根據(jù)所述運動目標(biāo)檢測模塊檢測到的運動目標(biāo)建立運動目標(biāo)模型，且在模型中采用Harris角點、極值點及HOG描述子結(jié)合的方式來表示運動目標(biāo)；所述運動目標(biāo)跟蹤模塊，用于根據(jù)運動目標(biāo)模型進行運動目標(biāo)的跟蹤并實時更新運動目標(biāo)模型參數(shù)。
全文摘要
本發(fā)明公開了一種視頻監(jiān)控系統(tǒng)及其運動目標(biāo)檢測與跟蹤方法，所述方法應(yīng)用于視頻監(jiān)控系統(tǒng)中攝像機在運動狀態(tài)下，包括采用Harris角點結(jié)合HOG描述子作為圖像特征并通過圖像特征提取、圖像投影變換、圖像作差等處理以獲取多個運動目標(biāo)的運動目標(biāo)檢測步驟，針對每個運動目標(biāo)分別建立運動目標(biāo)模型并在模型中采用Harris角點、極值點以及HOG描述子相結(jié)合的方式來表示運動目標(biāo)特征的運動目標(biāo)模型建立步驟，以及根據(jù)運動目標(biāo)模型進行目標(biāo)跟蹤的步驟。本發(fā)明采用角點特征匹配降低了計算量，保證了運動目標(biāo)檢測的精度；采用角點和極值點作為目標(biāo)特征，使得目標(biāo)識別更加魯棒，跟蹤可持續(xù)性強；采用目標(biāo)運動估計的方法減少了計算量。
文檔編號H04N7/18GK102456225SQ20101051505
公開日2012年5月16日 申請日期2010年10月22日 優(yōu)先權(quán)日2010年10月22日
發(fā)明者周銳鵬, 唐李卉, 張巍, 蘇鵬宇, 謝斌 申請人:深圳中興力維技術(shù)有限公司