[发明专利]一种复杂场景中的运动目标检测与跟踪方法

说明书

技术领域

本发明主要涉及到智能视觉监控领域，特指一种复杂场景中的运动目标检测与跟踪方法。

背景技术

视觉处理系统采用图象传感器对监控场景中的运动目标(如行人、车辆等)进行实时观测，通过检测、识别和跟踪图象序列中的运动目标，监视场景中目标的活动，并能理解和描述目标的各自行为和相互间行为。视觉监控技术在20世纪60年代出现，基于视频的监控系统的发展是从模拟监控(CCTV)开始，监控系统的鲁棒性、自动化程度低。随着传感器、计算机软硬件、信号处理和通信等视觉监控所需的技术和设备发展，使得视觉监控的广泛应用和迅猛发展有了坚实的物质基础。在监控系统中采用高性能计算机获取、处理图象成为可能，复杂背景下的运动目标跟踪目前主要采用单摄象机监控场景，运动目标的检测、识别是研究重点，到目前，美国，欧洲和日本等发达国家已发展到自动化视觉监控技术，正迅速向全数字智能视觉监控技术发展。

目前，采用摄像机作为主要传感器的视频监控系统被广泛应用于各种场合如银行、停车场、超市、宾馆、住宅小区等，但是传统的模拟监控系统中图象数据的采集，传输，显示和存储大多是基于模拟信号，需要人工不间断的观察多个监视器画面，不仅花费人力物力而且经常发生漏警和误警，不能做到实时有效发现、制止危险事件，从而极大地降低了系统的可靠性和可信度，视频图象数据往往仅作为事故发生后处理的证据而失去了其主动实时的特点，更无法做到异常事件预警。要使得视频监控系统具有预警、实时监测等“智能化”功能，需要系统能对大量的视频信息进行处理分析、理解，将提取的有用信息反映给监控人员。随着计算机软件、硬件快速发展，利用计算机视觉技术对监控系统中的视频信息进行分析、处理，使监控系统向智能化方向成为可能。基于数字图象的视觉监控系统具有实时、隐蔽和可视化的特点，它的研究发展使得效率低、误检率高的传统模拟监控系统转变为高效的、无人值守的智能视觉监控系统，具有广泛的应用前景和潜在的商业价值，是近年来计算机视觉领域的前沿研究方向。

发明内容

本发明要解决的技术问题就在于：室外监控场景的背景干扰大，如树叶、水波、雨点的微小运动，需要抑制干扰，得到背景模型从而正确检测目标；多运动目标跟踪结果能作为实际场景监控中目标运动分析、判断并自动预警的依据，而多目标运动情况复杂，尤其在目标相互遮挡时，如何识别目标、跟踪目标是关键问题。本发明提出了复杂场景中背景建模、目标检测方法，以及场景固定时对多个运动目标分析特征建立目标模型、根据不同运动情况进行跟踪，获得目标运动轨迹。本发明提出的方法实现了初步的监控“智能化”，多目标跟踪结果能作为行为分析理解、系统主动预警的依据，可广泛应用于视觉安防，机器视觉检测、人机接口等领域，是一种具有通用性的智能视觉监控的核心方法。

为解决上述技术问题，本发明提供的技术方案为：一种复杂场景中的运动目标检测与跟踪方法，其特征在于步骤为：

(1)、基于自适应非参数核密度估计的多运动目标检测：

①、将监控视频中的前t帧图象(未出现目标)作为初始背景模型，即初始采样集；

②、从输入的第t+1帧图象开始检测目标：当前帧图象象素点作为估计点，根据自适应非参数核密度估计方法，得到估计点属于背景模型的概率值，并将当前帧象素点作为新采样点更新背景模型，即更新采样集；

③、判断上一步中象素点(估计点)概率值是否小于阈值T；如小于阈值T，则该象素点是目标点；

④、按以上①～③步骤依次处理当前帧图象所有象素点，得到的目标点集合，即为检测到的目标区域；

(2)、多运动目标跟踪：

⑤、对当前帧图象中检测到的目标区域，建立目标模型：颜色模型、运动模型、形状模型；

⑥、建立当前帧检测的目标与上一帧目标的匹配矩阵，矩阵元素是两帧间目标模型的匹配度，得到目标匹配情况；

⑦、根据匹配情况，分析当前帧目标运动状态；

⑧、记录当前帧目标信息并更新此目标模型；

⑨、如视频输入未结束，返回目标检测模块，再执行目标跟踪模块，即上述步骤⑤～⑧。

所述自适应非参数核密度估计法中核密度估计器的带宽选择，提出基于采样点、估计点的概率分布特征选择带宽，即公式(3)。并可从数学理论上推导发现：该估计器能更好地反映出估计点和采样点概率分布的接近程度，从而大大提高了估计器的准确率。