[发明专利]基于特征点分析的多目标分离预测方法

说明书

技术领域

本发明涉及一种用于对监控视频临近多目标进行识别的方法，尤其涉及一种利用图像特征点分析对邻近多目标进行匹配及分离的方法，属于视频监控图像处理技术领域。

背景技术

目前，对视频图像进行处理，从而达到目标物体的识别、跟踪等各种监控目的，已经在诸多领域得到普及应用。现有技术中对视频图像中移动目标进行检测比较常用的方法是背景减法。背景减法的检测和跟踪大体包括以下步骤：

1、分离背景——通过消除前景运动引起的干扰提取背景，再将背景与前景分离，达到捕捉画面中目标物体的目的。

背景减法通过提取背景，从而分离前景和背景，达到检测画面中移动物体的目的。目前常用的方法是假设前景移动物体所形成的干扰为高斯噪声，在一个相对较长的时间段里对像素进行平均，从而消除前景运动引起的干扰，得到单纯背景。

背景的建模是背景减除方法的技术关键。最简单的背景模型是时间平均图像，即利用同一场景在一个时段的平均图像作为该场景的背景模型。由于该模型是固定的，一旦建立之后，对于该场景图像所发生的任何变化都比较敏感，比如阳光照射方向、影子、树叶随风摇动等。

2、移动检测——相对背景检测出当前画面中像素灰度值变化较大的像素。利用当前图像与背景图像的差分来检测出运动像素集。

3、像素聚类——从选定的种子像素点出发，按照预定连通方式和规则检查周围邻近的像素点，以是否具有和种子像素点相似的性质确定邻近的像素点是否属于同一区域。

4.目标匹配与预测——通过对前面连续若干帧图像中目标物体信息的统计(线性一步匹配预测或卡尔曼滤波法)，预测出其运动趋势，从而获得当前帧中对应目标物体的估计值。

1)线性一步滤波预测

线性一步滤波预测通过对前n帧图像信息的统计，来获得当前帧的估计值。其计算是基于在n帧中，物体是做直线运动的。此方法在物体运动不太剧烈的时候比较有效。其基本思路是先在上一帧找到本帧中移动物体的匹配物体，由此递归前推n帧。得到特定物体的运动序列，在此序列中拟合直线，对当前位置进行一步估计，在物体没有检测到的时候，进行一步预测。从而达到滤波和预测的目的。此法目前解决不了剧烈运动，以及固定干扰等问题。

2)卡尔曼滤波(即匹配)

这是一种常用的跟踪算法，首先用前一时刻状态进行预测；然后根据预测状态和误差协方差确定搜索范围，在该范围内查找特征进行匹配得到测量值，用测量值和增益矩阵对预测状态修正，得到状态参数的后验估计。卡尔曼滤波由于用概率来描述跟踪过程中的不确定信息(如噪声、杂乱背景等)，同时保留了尽可能多的历史信息，因此跟踪更加鲁棒。

以上步骤可以在监控图像中比较有效地识别出单个移动物体，并描出其大体轮廓，以及运动趋势。但在视频计数和跟踪应用中，常会碰到遮挡以及众多目标在运动中非常邻近相互干扰的情况。此时，上述现有技术就显得无能为力了。另外，上述两种匹配算法(线性一步滤波预测或卡尔曼滤波法)中，寻找目标物体都是通过前后帧移动物体距离最近来解决，在多目标及快速运动的情况下往往会失效。

发明内容

本发明的要解决的技术问题是：针对以上现有技术存在的缺点，提出一种可以有效避免相邻多目标在运动中相互遮挡干扰的基于特征点分析的多目标分离预测方法。

为了解决以上技术问题，本发明基于特征点分析的多目标分离预测方法的基本过程包括以下步骤：

1)提取背景——对输入的视频当前帧，通过将其中每一个像素的灰度值与原先的背景灰度值比较，确定其是否属于背景；当相差的结果小于预定阈值时，该像素作为背景提取，否则视为移动目标点；

2)确定移动检测门限——对移动目标点像素进行回顾判断，若上一帧该像素也为移动目标点，则本帧中该点的移动检测门限按预定系数降低，否则以视频画面该点在时间上的方差值计算得出移动检测的门限；

3)移动检测——对当前帧图像和背景进行差分，将像素亮度相对变化大于移动检测门限的点判为移动目标物体的点，简称为热点；

4)聚类及矩形化——搜索某一热点(例如利用八邻域法)周围相邻热点，将其连接起来，形成移动目标物体的基本轮廓；再以移动目标物体的基本轮廓确定其最小外接矩形；