[发明专利]实时无跟踪的监控视频遗留物检测方法

说明书

本发明提供一种实时无跟踪的监控视频遗留物检测方法，将手工特征提取和深度学习识别相结合,实现了免跟踪的遗留物检测。首先,在帧差法的基础上,通过统计前景区域在连续帧序列变化情况,从而得到初始的静止目标区域。然后,我们将梯度方向直方向图和色调‑饱和度‑明度两种手工设计特征相结合来进行可疑物预判断,排除光照变化等影响带来伪静止目标区域。最后,结合深度学习技术排除已知物体和行人,从而对可疑物进行最终确认,实现一种无跟踪的遗留物检测。本方法能排除场景中因光照的变化及行人的滞留产生的伪目标，较准确的检测出遗留物体，并且在单帧处理的时间上比另外两种方法要少，能达到实时报警的要求。

技术领域

本发明属于图像处理技术领域，具体为实时无跟踪的监控视频遗留物检测方法。

背景技术

遗留物是指出现在场景中并在场景中停留了一定时间的物体。在一些公共场所(广场、机场、火车站等),通过监视可疑的遗留物并发出警报,可以有效的减少公共安全事件的发生,保护大众的人身财产安全,有利于维护社会的长治久安。因此,遗留物检测在智能视频监控系统扮演了很重要的角色。遗留物检测不仅要区分前景目标和静止前景目标,还要判断静止前景目标是否为行人和光照。目前的方法多采用前景物体跟踪的方法[1-3],根据它们的时间历史确定静态物体。但基于跟踪的技术对于遮挡和密集人群具有较差的鲁棒性。非跟踪的方法[16-19]中是通过目标轮廓的位置等信息确认遗留物,没有进一步考虑外界因素的干扰(光照变化或行人滞留等)。

为此,我们提出一种无跟踪的可疑物检测方法,在基于时域统计的静止目标初始选择基础上,将手工设计特征和深度学习方法相结合依次实现可疑目标的预判断和最终的遗留物确认,以消除光照变化以及行人的影响,达到实时检测。

目前,遗留物检测出现了很多种算法。常用的方法有基于背景模型联合跟踪的方法[4-9]和利用目标轮廓的位置信息的方法[16-20]。

文献[4]作者是借助背景减法检测前景,在卡尔曼滤波器的帮助下,跟踪行人并产生行人和包之间的关系,从而只有当被遗弃的物体的携带者离开当前帧时发出警报。文献[5]采用自适应背景建模方法用于稳定跟踪和鬼影去除,主要是检测遗弃物体和被偷物体,并提出了空间第一检测方法和时间第一检测方法。文献[6]提出的方法是结合短期和长期背景模型来提前景对象,并通过分析行李拥有者的回溯轨迹来确定候选区域是否包含遗弃物体。文献[7]提出的方法是基于背景减除和辅以跟踪的前景分析检测遗弃物和移除物的,通过前景掩码的上下文信息来确定静态区域的类型(遗弃或移除)。文献[8]的方法跟踪每个行人,分析历史记录确定遗弃物的拥有者,若拥有者消失,则物品为遗弃物。这一类方法都用到了跟踪技术,在实际应用时会比较困难,很难跟踪的准确。文献[9]的方法是通过构造一个轻量级的跟踪器并与[12]中的方法结合得到物体的相关属性,通过这些属性进行遗留物检测。

文献[16-18]则是都是通过得到的目标轮廓的位置信息(如区域面积,质心位置等)进行遗留物的检测。该方法在针对简单场景的时候是可以的,但面对复杂的场景,如有光照变化,行人滞留等情况就会产生误检。文献[19]通过相似的方法得到静止目标区域,并提出基于卷积神经网络级联(CNN)的遗留行李识别。此方法仅通过深度学习来确定最终遗留行李,没考虑到光照变化会让物体发生改变,再通过深度学习测试时可能会识别不出是否为行李。文献[20]提出利用双背景模型进行目标检测,并通过得到的目标位置的信息(即面积、质心、主轴长度、次轴长度和凸面积等)进行目标跟踪,从而确定是否为遗弃物。