[发明专利]视频空时特征提取方法

说明书

技术领域

本发明涉及的是一种计算机视频处理技术领域的方法，具体是一种视频空时特征提取方法。

背景技术

目前，计算机视觉技术在城市交通监控中发挥着越来越重要的作用，比如交通流量监控，拥塞估计，异常事件检测等。车辆运动分析作为一项重要任务，由于复杂的城市交通环境(如光线及天气变化变化，遮挡等)，仍然面临很大的挑战。目前有关车辆运动分析的工作主要分为两大类，一种是传统的基于检测、跟踪的长期运动分析，但是目前仍然缺乏可靠稳定的多目标跟踪算法。近年来越来越多的研究者采用另一种方法，直接基于底层的运动特征进行统计或者建模，避免进行运动目标的检测与跟踪。

经对现有技术文献检索发现，光流法(optical flow)和特征点匹配法(feature point correspondence)是两种重要的底层运动特征提取方法。但是光流法基于亮度恒常假设，并且大多数计算方法采用空间全局平滑(参见：Berthold K.P.Horn and Brian G.Schunck，“Determining optical flow，”Artificial Intelligence，vol.17，no.1-3，pp.185-203，1981.人工智能，1981年第12卷，第1-3期，185-203页，确定光流)或者局部平滑假设(参见：Bruce D.Lucas and Takeo Kanade，“An iterative image registration technique with an application to stereo vision，”in Proceedings of the 1981 DARPA Image Understanding Workshop，April1981，pp.121-130.1981年4月的DARPA图像理解工作组会议121-130页，一种应用于立体视觉的迭代图像配准技术)，使得其面临如下三个问题：1)易受噪声，以及光线变化等影响；2)运动边界扩散；3)大多数的光流计算方法要对帧中的所有像素进行计算，计算量大，实时性相对较差。基于特征点匹配的方法(参见：HanWang and Michael Brady，“Real-time corner detection algorithm for motion estimation，”Image and Vision Computing，vol.13，no.9，pp.695-703，1995.图像与视频计算，1995年第13卷，第9期，695-703页，用于运动估计的实时角点检测算法)虽然鲁棒性能很好，但是过于稀疏，不利于观察整个目标的运动状态，以及运动目标结构的提取。

发明内容

本发明针对现有技术存在的上述不足，提供一种视频空时特征提取方法，对光照变化具有更高的鲁棒性及计算性能，运动目标的结构清晰，可以有效的分离临近的运动目标，在交通监控中的车流估计以及异常事件检测中发挥更好的鲁棒性及效率。

本发明是通过以下技术方案实现的，本发明包括以下几个步骤：

第一步：分别对视频流中的两帧图像I(x，y，t)以及I(x，y，t+Δt)进行高斯滤波，即I′(x，y)＝G(x，y，δ)*I(x，y)，其中：I′(x，y)为滤波后的图像，δ为高斯正态分布的方差，t为图像所处时间，Δt为两帧图像的时间间隔。

第二步：分别计算滤波后的两帧图像的边缘及纹理区域的几何正则度及几何正则方向，并构建空间几何流场，具体步骤为：

2.1)以点(x，y)为中心，选择(2m+1)×(2m+1)方块，2≤m≤4；

2.2)根据方块的大小初始化N个几何正则方向集θ_i∈(-π/2，π/2]，并将每个方块分别沿N个几何正则方向映射成序列S(θ_i)，然后对序列S(θ_i)进行一维正交小波变换；

2.3)计算点(x，y)的最优几何正则方向θ：