[发明专利]一种基于运动行为检测的智能跟踪算法

说明书

技术领域

本发明属于计算机视觉领域，特别涉及一种基于运动行为检测的智能跟踪算法，及该方法在智能安防中的应用。

技术背景

智能视频监控以数字化、网络化视频监控为基础，但又有别于一般的网络化视频监控，它是一种更高端的视频监控应用。智能视频监控系统能够识别不同的物体。发现监控画面中的异常情况，并能以最快和最佳的方式发出警报和提供有用信息，从而能够更加有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。智能视频监控中的运动目标检测与跟踪技术则是实现这一环节的关键技术。目前比较常用的运动目标检测方法是帧间差分法、背景差分法和光流法。而几种较受关注的目标跟踪算法则有粒子滤波、基于边缘轮廓的跟踪和基于模板的目标建模等方法。

由于常见的方法在对视频图像中目标尚不能完全有效地进行检测与跟踪，业界亟待一种能够实现智能视频监控中对运动目标进行跟踪，并根据运动目标的质心位置作出相应智能判断的具体方法。

发明内容

本发明的目的是针对现有视频监视系统，存在无法自动识别监控目标行为，难以自动跟踪导致误报、漏报的问题，提出一种基于运动行为检测的智能跟踪算法。

为了实现发明目的，采用的技术方案如下：

运动模块检测算法的流程图如图1所示。该流程首先是获得当前帧与上一帧的差，接着对差图像进行二值化，以去掉超时影响，更新运动历史图像，然后计算运动历史图像的梯度方向，并将整个运动分割为独立的运动部分，再用一个结构序列标记每一个运动分割，最后计算选择区域的全局运动方向，从而获得运动目标的质心位置与运动方向。

这个算法基于的条件是运动目标相邻两帧之间在画面上存在的交集，此算法不用外推和相关分析以及轨迹后处理就可以清晰地显示出目标的轨迹、速度与方向。用该算法基于运动目标检测运动目标前景图像的具体过程可描述如下：

存储检测出来的目标前景图像，并使过去的帧灰度递减：

在当前帧打上时间戳叠加存储到历史图像后缀；

形成梯度渐变图像；

由分割得到的梯度渐变图像得到目标位置，并计算渐变梯度，以得到目标的速度和方向，并加上批号标记。

该算法简化了目标相关性的运算，可在初始状态下对于目标运动趋势不了解的情况下实施对目标的稳定跟踪，同时具有良好的实时性能。。

附图说明

图1是本发明的体系结构示意图；

图2是本发明的计算函数示意图。

具体实施方式

如图2所示，为该算法的计算函数示意图。

本发明函数基于最新的OpenCV库。OpenCV是“Open Source Computer Vision Library”的简写，是Intel开源计算机视觉库。它由一系列C函数和少量的C++类构成，是可实现图像处理和计算机视觉方面的很多通用算法，可用来处理计算机视觉领域中常见的问题，其中主要涉及到以下几个方面的内容：

(1)Motion Analysis and Objection Tracking-运动分析和目标跟踪；

(2)Image Analysis-图像分析；

(3)StructuralA nalysis-结构分析；

(4)ObjectR ecognition-目标识别；

(5)3D Reconstruction-3D重建。

在本发明中，通过函数cvUpdateMotionHistory可使用下列方式更新运动历史图像：

也就是说，MHI(motion history image)中运动所发生的象素点被设置为当前时间，而运动发生较久的象素点将被清除。

函数cvCalcMotionGradient用于计算MHI的差分Dx和Dy，然后计算梯度方向，其公式如图2所示。

其中要考虑Dx(x，y)和Dy(x，y)的符号。然后填充mask以表示哪些方向是正确的。

函数cvCalcGlobalOrientation用于在选择的区域内计算整个运动方向。并返回0°到360°之间的角度值。首先由函数创建运动直方图，并寻找基本方向做为直方图最大值的坐标。然后通过函数计算与基本方向的相对偏移量，并将其做为所有方向向量的加权和(运行越近，权重越大)。所得到的角度就是基本方向和偏移量的循环和。

函数cvSegmentMotion可寻找所有的运动分割，并在seg_mask用不同的单独数字(1，2，…)标识它们。它也可返回一个具有CvConnected-Comp结构的序列。其中每个结构对应一个运动部件。在这之后，每个运动部件的运动方向就可以被函数cvCalcGlobalOrientation利用提取的特定部件的掩模(mask)计算出来。此外，每个运动部件的质心位置也可由返回的图像ROI位置来确定，由此便可确定运动目标的位置。