CN101848369B - 一种基于自适应双背景模型的视频禁停事件检测方法 - Google Patents
一种基于自适应双背景模型的视频禁停事件检测方法 Download PDFInfo
- Publication number
- CN101848369B CN101848369B CN200910216543A CN200910216543A CN101848369B CN 101848369 B CN101848369 B CN 101848369B CN 200910216543 A CN200910216543 A CN 200910216543A CN 200910216543 A CN200910216543 A CN 200910216543A CN 101848369 B CN101848369 B CN 101848369B
- Authority
- CN
- China
- Prior art keywords
- target
- background
- detection
- background model
- stop
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于自适应双背景模型的视频禁停事件检测方法,属智能型影像监控技术(IVS)视频目标自动检测和跟踪领域。设计与构建自适应长短效双背景模型,设计快速的目标检测与跟踪方法,通过静动目标的长效跟踪,来实现禁停事件的自动检测禁停并实时告警,以克服传统技术之不足。其步骤包括:(1)长短效背景模型的初始化;(2)BLOB目标检测、停留目标、鬼影目标检测与长短效背景更新;(3)启发式方法的BLOB快速目标跟踪;(4)禁停事件检测与输出告警;(5)长短效双背景模型选择性更新。相对于传统监控方式而言极大的提高了报警实时性,智能型影像监控可靠性更高,成本更加低廉。
Description
技术领域
本发明属智能型影像监控技术(IVS)视频目标自动检测和跟踪领域,特别是涉及一种基于自适应双背景模型的视频禁停事件检测方法。
背景技术
传统的事件检测监控方式完全依赖监控中心的操作人员进行画面监控。有实验数据表明,在经过22分钟监控后,监控人员可能错过高达95%的画面所发生的事件。面对日益庞大的监控内容,在监控人员责任心、工作状态等各种因素的影响下,传统人为监控***往往存在漏报率高、响应速度慢及可靠性差等问题,整个视频监控***的有效性无法得到保证。由于监控***越来越庞大,如果全部采用人为监控,其人力成本也会非常高昂。而智能型影像监控技术(IVS)起源于计算机视觉技术(computer vision),它对影像进行分析,从影像中提取信息,发现感兴趣事件,从而可以在某些场合替代人为监控或者协助人为监控。在911事件以后,国际上基于反恐的形势,对于IVS的需求越来越迫切,视频禁停事件检测作为视频智能事件检测技术的重要应用之一,有十分广泛的应用。例如候机厅、候车室的可疑包裹检测,停机坪非法放置物检测,以及交通领域的违章禁停检测等。基于视频技术的禁停事件检测具备全天候运行、自动实时报警的能力,有巨大的经济价值和社会价值。一般传统视频分析技术的主要对象是移动目标,难以实现较为准确的停留目标检测和处理移动目标与停留目标交融的情况。因此,本研究根据层次背景模型思想,构建自适应长短效双背景模型,设计快速的目标检测与跟踪方法,通过静动目标的长效跟踪,来实现禁停事件的自动实时检测和告警。在国内到目前为止,尚未检索到类似技术或相关专利报道。
发明内容
本发明的目的提供一种基于自适应双背景模型的视频禁停事件检测方法,设计与构建自适应长短效双背景模型,设计快速的目标检测与跟踪方法,通过静动目标的长效跟踪,来实现禁停事件的自动检测禁停并实时告警,以克服传统技术之不足。
实现本发明之目的的技术解决方案措施如下:
一种基于自适应双背景模型的视频禁停事件检测方法,在视频信号采集的基础上对场景内的情况进行智能化监视,包括目标检测、目标跟踪、事件分析其特征在于包括如下步骤:
(1)长短效背景模型的初始化基于混合高斯模型和背景区域划分思想,进行长短效背景模型的子单元划分、子单元混合高斯模型初始;
(2)BLOB目标检测、停留目标、鬼影目标检测与长短效背景更新,停留目标区域及时更新到短效背景中,长效背景进行非运动区域选择性更新,以适应光照的缓慢变化;通过鬼影判断,来发现停留目标离开原有的位置,用于实现对相应短效背景区域做精确更新;
(3)启发式方法的BLOB快速目标跟踪,为保证运动目标跟踪的适应性,设计快速的启发式方法,根据位置优先的几何特征关联法则,来跟踪并判定目标的位置、速度;判定是否支持静止目标跟踪?如果不支持,进入PBlob Tracker运动目标跟踪,如果支持,进入PBlob Tracker动静目标跟踪;
(4)禁停事件检测与输出告警,在完成停留目标的检测基础上,停留目标的几何特征、停留时间、停留区域符合告警条件时,则进行声光电告警,对应告警事件记录入库;
(5)长短效背景模型选择性更新,针对运动,刚静止、刚运动和光照变化,选择性更新长短效背景模型。
所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的长短效背景模型的初始化、BLOB目标检测采用设计各类BLOB区域的***性判定方法实现目标的快速检测。
所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的停留目标、鬼影目标检测与长短效背景更新,包括停留目标的检测判定,停留目标跟踪尝试期间,根据该目标的几何特征,精确更新到短效背景中,同时需要对尝试停留目标进行运动目标关联,若未达到尝试要求,则纠正短效背景,同时转入运动目标跟踪;短、长效背景差输出的目标为停留目标输出结果,长效背景不进行运动区域的更新,其他区域和短效背景一样,执行混合高斯背景模型更新,以适应光照的缓慢变化。
所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的启发式方法的BLOB快速目标跟踪,包括设计快速的启发式方法来保证跟踪的实时性,检测出的BLOB区域属于哪个目标,根据位置最近优先的匹配原则,建立高斯分布似然函数,根据连续两帧计算t时刻的目标速度。
所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的包括停留目标的检测判定,依据两个因素:目标在连续帧中的运动速度小于给定阈值;帧差法确定的目标连续自然运动种子点数小于给定阈值,即停留目标的检测准则:速度小于给定阈值,自然运动种子数小于阈值。
需要强调的是传统混合高斯或其改进型背景模型,主要是针对运动目标检测,不能同时检测出运动目标和静止目标。而本方案在结合跟踪的邻帧种子补偿法过滤、选择性更新策略上具有独到的构思。在双背景模型建立和自适应更新流程上,做了大量的创造性工作,进一步在具体实施方式中说明。
本发明与已有技术的传统事件检测方法相比,具有如下优点和有益效果:
(1)基于现有视频监控设备,加入本视频智能检测模块以扩展其功能,实现全天候运行。可根据用户设定的检测门限,对实时视频进行7×24不间断的分析。
(2)相对于传统监控方式而言极大的提高了报警实时性。
(3)本发明的可靠性更高,成本更加低廉。
(4)大幅节省人力成本。当监控***规模比较庞大时,传统人工方式需投入更多人力物力财力,实施本发明则会大幅节省人力代价。
附图说明
图1是本发明所述的视频禁停事件检测方法全流程示意图。
图1.5是本发明所述的BLOB特征划分示意图。
图2是本发明所述的视频禁停事件检测方法流程框图示意图。
图3是传统IVS禁停事件检测流程示意图。
图4是本发明所述的背景模型建立和自适应更新流流程框图示意图。
图5图(含a、b、c、d、e小图)本发明所述的视频禁停事件检测方法实施例1效果图。
图6(含a、b、c、d、e、f小图)是本发明所述的视频禁停事件检测方法
实施例2效果图。
具体实施方式
参见图1图1.5图2图3可知,图1是本发明所述的基于双背景模型的视频禁停留事件全流程,其中长短效背景模型精确快速更新、基于BLOB方法的快速目标检测与跟踪、鬼影目标精确检测、双背景差停留目标检测是具体关键技术手段。在所述流程中,步骤如下:
(1)长短效背景模型的初始化。基于混合高斯模型和背景区域划分思想,进行长短效背景模型的子单元划分、子单元混合高斯模型初始。
(2)BLOB目标检测、停留目标、鬼影目标检测,图1.5所示的BLOB划分包括运动可视目标BLOB、阴影BLOB、鬼影BLOB、光照变化BLOB、背景噪声BLOB等。设计各类BLOB区域的***性判定方法,来实现目标的快速检测。首先消除光照变化,将像素三原色的变化相关性考虑到背景减除里,同时通过计算小块区域的光照变化特性来进一步处理。接着,计算邻帧差作为前景运动种子,对获取的差分粗前景BLOB进行八连通标记,计算每个标记块的运动种子数,并判定连通体内运动种子数符合一定阈值来判定是否为真实运动前景BLOB。考虑部分目标BLOB运动缓慢,帧间差几乎没有种子,设计通过对跟踪BLOB的质心预测位置进行种子补偿来消除这种错误。
停留目标的检测判定,依据两个因素:目标在连续帧中的运动速度小于给定阈值;帧差法确定的目标连续自然运动种子点数小于给定阈值。停留目标跟踪尝试期间,根据该目标的几何特征,精确更新到短效背景中,同时需要对尝试停留目标进行运动目标关联,若未达到尝试要求,则纠正短效背景,同时转入运动目标跟踪。短、长效背景差输出的目标为停留目标输出结果。长效背景不进行运动区域的更新,其他区域和短效背景一样,执行混合高斯背景模型更新,以适应光照的缓慢变化。
停留目标区域及时更新到短效背景中,长效背景进行非运动区域选择性更新,以适应光照的缓慢变化;通过鬼影判断,来发现停留目标离开原有的位置,用于实现步骤5对相应短效背景区域做精确更新;
(3)启发式方法的BLOB快速目标跟踪,为保证运动目标跟踪的适应性,设计快速的启发式方法,根据位置优先的几何特征关联法则,来跟踪并判定目标的位置、速度;判定是否支持静止目标跟踪?如果不支持,进入PBlob Tracker运动目标跟踪,如果支持,进入PBlob Tracker动静目标跟踪;
设计快速的启发式方法来保证跟踪的实时性。每个目标Oi(t)定义如下要素:位置p(t)、几何特征g(t)、速度v(t)、生命期L(t)、身份标志I(t)、是否静止标志、跟踪状态(尝试、正常、外推)等。运动目标t时刻位置预测如下:
检测出的BLOB区域属于哪个目标,根据位置最近优先的匹配原则,建立高斯分布似然函数:
上式(2)中,为t时刻运动目标预测中心位置,Pj=1,2,…,n为检测出的观测区域的中心位置。参数σ∈[0.3,0.5]。与pj位置越近,则kij的值越大。考虑观测区域位置pj、目标的预测值t时刻的跟踪结果如下:
根据连续两帧,计算t时刻的目标速度。
(4)禁停事件检测与输出告警,禁停事件告警需要满足三个方面的要求:目标几何特征的要求;目标的停留时间;目标的停留位置。对于目标的识别,本方法考虑到实时性的原因,未做要求。有符合禁停告警条件的事件发生时,触发声光电的告警讯号,对应目标的告警告警事件做做入库处理,以备查询使用。
(5)长短效背景模型选择性更新,针对运动,刚静止、刚运动和光照变化,选择性更新背景模型。包括填充绘制运动BLOB、刚静止BLOB、刚运动BLOB和光照变化重建,根据不同类型实现mLongBG短效背景模型、mShortBG短效背景模型选择性更新与输出。
图3示意的是传统IVS禁停事件检测流程。传统IVS用于禁停事件检测,无法处理动静目标转换,只能建立运动目标速度和位置跟踪,不能有效解决动静目标的遮挡问题,不能很好解决长时间、大范围的动静目标有效跟踪。传统IVS用于禁停事件检测,对运动到场景内静止一段时间的危险停留检测功能非常弱。而本方案的方法,则可以有效解决无约束条件下的禁停事件检测。
图4是本发明所述的背景模型建立和自适应更新流流程框图示意图。从中可知背景模型在初始帧序列种建立mShortBG短效背景模型、mLongBG短效背景模型及其子单元划分子单元混合模型初始以及其它主要参数初始如整体背景帧邻近帧等。新输入图像时先判断停留检测否?如果是No则传统移动目标检测包括混合高斯模型检测、多特征阴影检测、邻帧种子补偿法过滤。如果是Yes则mShortBG运动检测包括处理光照变化检测、多特征阴影消除邻帧种子补偿法过滤;mLongB6停留检测包括处理真实运动种子判断、鬼影检测、停留前景检测,双背景模型选择性更新包括处理Blob、运动、刚静止、刚运动、光照变化重建,并根据不同类型实现mShortB6选择性更新和mLongBG选择性更新。
图5为鬼影检测的实施例,其中(a)中三轮车为停留,(b)为三轮车已离开原有位置,(c)为未消除ghost的短效背景(传统混合高斯也有此特性),(d)为传统方法未消除ghost的前景,(e)本方法消除ghost的前景。停留目标离开原有的位置,目标检测会出现图5(d)的错误目标,对于这样的鬼影目标,依据三个因素来判定:尝试的静止目标与长效背景差的自然种子点小于一定阈值;该目标的几何特征与附近无关联运动目标相匹配;该目标的纹理特征与附近运动目标相匹配。鬼影一旦判定,则从长效背景中纠正错误的短效背景区域。
图6为禁停事件检测的又一实施例,图中(a)为包含非法停留的输入帧及处理结果显示,(b)为未加停留目标检测的前景,(c)为本方法进行停留目标检测后的结果,(d)为短效背景,(e)为停留目标检测,(f)为运动前景。从图6可以看出,若没有进行停留目标检测,图中(b)的三轮车与过往的行人粘和在一起,而进行停留目标检测之后的(c)则避免了粘和,从而在(a)中实现了目标BLOB的连续跟踪。从图(a)看出,停留目标的检测,还能部分解决单视图下的遮挡。从图6可以看出,本发明的停留目标检测完整性也比较好。
Claims (5)
1.一种基于自适应双背景模型的视频禁停事件检测方法,在视频信号采集的基础上对场景内的情况进行智能化监视,包括目标检测、目标跟踪、事件分析,其特征在于包括如下步骤:
(1)长短效背景模型的初始化,基于混合高斯模型和背景区域划分,进行长短效背景模型的子单元划分、各子单元混合高斯模型按传统混合高斯模型通过连续视频帧完成初始化;
(2)设计各类BLOB区域的***性判定方法,来实现目标的快速检测,BLOB目标检测、停留目标、鬼影目标检测,将停留目标区域及时更新到短效背景中,长效背景进行非运动区域选择性更新,以适应光照的缓慢变化;通过鬼影判断,来发现停留目标离开原有的位置,用于实现对相应短效背景区域做精确更新;
(3)启发式方法的BLOB快速目标跟踪,为保证运动目标跟踪的适应性,设计快速的启发式方法,根据位置优先的几何特征关联法则,来跟踪并判定目标的位置、速度;
(4)禁停事件检测与输出告警,在完成停留目标的检测基础上,停留目标的几何特征、停留时间、停留区域符合告警条件时,则进行声光电告警,对应告警事件记录入库;
(5)长短效背景模型选择性更新,针对运动,刚静止、刚运动和光照变化,选择性更新长短效背景模型。
2.根据权利要求1所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的长短效背景模型的初始化、BLOB目标检测采用设计各类BLOB区域的***性判定方法实现视频目标的快速检测。
3.根据权利要求1所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的启发式方法的BLOB快速目标跟踪,包括设计快速的启发式方法来保证跟踪的实时性,判定检测出的BLOB区域属于哪个目标,根据位置最近优先的匹配原则,建立高斯分布似然函数,根据连续两帧计算t时刻的目标速度。
4.根据权利要求1所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的停留目标、鬼影目标检测与长短效背景模型选择性更新,包括停留目标的检测判定,停留目标跟踪尝试期间,根据该目标的几何特征,精确更新到短效背景中,同时对尝试停留目标进行运动目标关联,若未达到尝试要求,则纠正短效背景,同时转入运动目标跟踪;短、长效背景差输出的目标为停留目标输出结果,长效背景不进行运动区域的更新,其他区域和短效背景一样,执行混合高斯背景模型更新,以适应光照的缓慢变化。
5.根据权利要求4所述的一种基于自适应双背景模型的视频禁停事件检测方法,其特征在于,所述的包括停留目标的检测判定,依据两个因素:目标在连续帧中的运动速度小于给定阈值;帧差法确定的目标连续自然运动种子点数小于给定阈值,即停留目标的检测准则:速度小于给定阈值,自然运动种子数小于阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910216543A CN101848369B (zh) | 2009-12-04 | 2009-12-04 | 一种基于自适应双背景模型的视频禁停事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910216543A CN101848369B (zh) | 2009-12-04 | 2009-12-04 | 一种基于自适应双背景模型的视频禁停事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101848369A CN101848369A (zh) | 2010-09-29 |
CN101848369B true CN101848369B (zh) | 2012-10-03 |
Family
ID=42772804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910216543A Active CN101848369B (zh) | 2009-12-04 | 2009-12-04 | 一种基于自适应双背景模型的视频禁停事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101848369B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156942B (zh) * | 2014-07-02 | 2017-02-15 | 华南理工大学 | 一种用于复杂环境遗留物的检测方法 |
KR102399017B1 (ko) | 2015-11-16 | 2022-05-17 | 삼성전자주식회사 | 이미지 생성 방법 및 장치 |
CN106228572B (zh) * | 2016-07-18 | 2019-01-29 | 西安交通大学 | 一种带状态标注的长期静止物体检测与跟踪方法 |
CN107204006B (zh) * | 2017-06-01 | 2020-02-07 | 大连海事大学 | 一种基于双背景差分的静止目标检测方法 |
CN113052781B (zh) * | 2019-12-26 | 2024-04-12 | 华为技术有限公司 | 图像检测方法、装置、设备、***和存储介质 |
CN111289967A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 基于毫米波雷达的人员检测跟踪与计数算法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074368A (ja) * | 2000-08-25 | 2002-03-15 | Matsushita Electric Ind Co Ltd | 移動物体認識追跡装置 |
CN101105892A (zh) * | 2007-07-30 | 2008-01-16 | 深圳市融合视讯科技有限公司 | 一种车辆交通事故的自动检测方法 |
CN101330605A (zh) * | 2008-07-30 | 2008-12-24 | 浙江大学 | 一种保护特定区域物品的自动监视装置 |
-
2009
- 2009-12-04 CN CN200910216543A patent/CN101848369B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002074368A (ja) * | 2000-08-25 | 2002-03-15 | Matsushita Electric Ind Co Ltd | 移動物体認識追跡装置 |
CN101105892A (zh) * | 2007-07-30 | 2008-01-16 | 深圳市融合视讯科技有限公司 | 一种车辆交通事故的自动检测方法 |
CN101330605A (zh) * | 2008-07-30 | 2008-12-24 | 浙江大学 | 一种保护特定区域物品的自动监视装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101848369A (zh) | 2010-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101848369B (zh) | 一种基于自适应双背景模型的视频禁停事件检测方法 | |
CN105744232B (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
Fuentes et al. | People tracking in surveillance applications | |
CN102521983B (zh) | 一种基于高清视频技术的车辆违章检测***及方法 | |
CN101794385B (zh) | 用于视频序列的多角度多目标快速人脸跟踪方法 | |
CN101458871B (zh) | 一种智能交通分析***及其应用*** | |
CN104376554B (zh) | 一种基于图像纹理的违章停车检测方法 | |
CN101799968B (zh) | 基于视频图像智能分析的油井入侵检测方法及装置 | |
CN101739686A (zh) | 运动目标跟踪方法及其*** | |
KR20060031832A (ko) | 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템 | |
CN103208190B (zh) | 基于对象检测的交通流量检测方法 | |
CN109598700A (zh) | 采用卷积神经网络的早期火灾检测方法 | |
CN105678730A (zh) | 一种基于图像识别的相机移动自检测方法 | |
CN104200466A (zh) | 一种预警方法及摄像机 | |
CN110633678B (zh) | 一种基于视频图像的快速高效的车流量计算方法 | |
CN106296677A (zh) | 一种基于双背景模型的双掩膜背景更新的遗留物检测方法 | |
CN104811655A (zh) | 一种影片浓缩的***及方法 | |
CN103152558B (zh) | 基于场景识别的入侵检测方法 | |
CN105574468A (zh) | 视频火焰检测方法、装置及*** | |
Yaghoobi Ershadi et al. | Vehicle tracking and counting system in dusty weather with vibrating camera conditions | |
Li et al. | Intelligent transportation video tracking technology based on computer and image processing technology | |
CN111696135A (zh) | 基于交并比的违禁停车检测方法 | |
CN109191492A (zh) | 一种基于轮廓分析的智能视频黑烟车检测方法 | |
CN103605956A (zh) | 基于视频摘要的突发事件智能识别*** | |
CN105528581A (zh) | 基于仿生颜色感应模型的视频烟雾事件智能检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |