[发明专利]基于安防视频中行人和车辆的实时检测方法和系统及设备

说明书

本发明公开了一种基于安防视频中行人和车辆的实时检测方法、系统和计算机设备。方法包括：采用运动目标检测算法进行粗略目标选取，采用轮廓提取算法对粗略目标进行HOG特征提取，将提取的HOG特征向量输入SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；其中，进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对圈外图像进行梯度计算。本发明技术方案将运动目标检测算法和轮廓提取算法进行了有机结合，发挥各自的优点，规避各自的缺点，采用较少特征提取的方式，得以大幅降低计算开销和硬件开销，减少运算时间，提升检测速率，基本保持检测精确度。

技术领域

本发明涉及安防技术领域，具体涉及一种基于安防视频中行人和车辆的实时检测方法和系统及设备。

背景技术

目前全国各大城市的安防视频网络已基本完善，然而在破案过程中仍需要警务人员大量亲自研究视频内容造成大量的人力浪费，所以相关的目标自动提取技术应运而生。

一种是运动目标检测技术。运动检测多使用背景减除法配合高斯模糊等图像处理方式，当两个帧的背景出现不一致时，发生变化的区域即移动物体会被检出，特点是速度快、对硬件计算性能要求低。

另一种是基于简单统计模型或深度学习的轮廓检测技术。此种方法通常采用对图像的HOG(Histogram of Oriented Gradient，方向梯度直方图)特征搭配SVM(SupportVector Machine，支持向量机)使用大量人、车图片进行训练并提取特征后，使用生成的模型对视频中人和车辆轮廓直接进行检测。此种方法的特点是目标提取较为精确。

实践发现，现有技术存在如下技术缺陷：

(1)在运动目标检测算法中，阈值和限定条件极难设置，所以捕捉目标不精确，比如树木随风摇摆会被捕捉、红绿灯变化会被捕捉，从而在后续处理中会造成大量浪费。同时捕获的目标有时会残缺不全，造成数据的不完整。

(2)在轮廓提取算法中，最大甚至可以说唯一的缺点在于运算所需要的时间。如支持向量机或卷积神经网络这样的模型内部通常包含达上百万的参数和计算点，如果对一张图片进行上万次迭代达到精准捕捉的效果，运行时间会相当长。一旦为了缩短时间而采用高性能计算硬件，成本将会大幅提升。

发明内容

本发明实施例提供一种基于安防视频中行人和车辆的实时检测方法，用于解决现有的两种技术各自的缺陷。本发明实施例还提供相应的系统及用于安防的计算机设备。

本发明第一方面，提供一种基于安防视频中行人和车辆的实时检测方法，该方法可包括：采用运动目标检测算法进行粗略目标选取，采用轮廓提取算法对粗略目标进行方向梯度直方图HOG特征提取，将提取的HOG特征向量输入支持向量机SVM模型进行分类，从而识别粗略目标的类型是行人或车辆；其中，采用轮廓提取算法对粗略目标进行HOG特征提取的过程中，在进行梯度计算时，设定一个与粗略目标的图像同心且小于粗略目标的矩形框作为外圈，仅对粗略目标的位于外圈以外的圈外图像进行梯度计算。

一种实现方式中，该方法还包括：采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，省略颜色空间归一化的步骤。

一种实现方式中，该方法还包括：采用轮廓提取算法对粗略目标的图像进行HOG特征提取的过程中，在将粗略目标的图像划分为多个细胞格时，将细胞格的大小设定为2×2像素。