CN105354576B - 一种目标特征提取的方法、目标特征提取模块、目标模型创建模块以及智能图像监控装置 - Google Patents

Abstract

一种目标特征提取的方法，包括：第一步，目标发现框锁定目标类；第二步，分割目标发现框，使目标发现框分成局部重合的若干子框；第三步，计算各子框内的颜色直方图。将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

Description

一种目标特征提取的方法、目标特征提取模块、目标模型创建 模块以及智能图像监控装置

技术领域

本发明涉及智能图像监控领域，特别涉及到一种目标特征提取的方法、目标特征提取模块、目标模型创建模块以及智能图像监控装置。

背景技术

随着物联网时代的到来，智能产品不断深入我们的日常生活中，并对以往智能产品的性能提出了更高的要求。

以智能图像监控为例，它主要包括目标发现模块、目标模型创建模块和目标跟踪模块。

其中目标发现模块用于定位可能的目标类，目标类定位正确之后，通过目标模型创建模块对感兴趣的目标进行特征提取，对目标特征提取之后，使用目标跟踪模块对目标进行跟踪。

目前的监控设备主要是将三维的空间景象映射到二维平面，失去了诸如空间地理位置关系、目标自身的立体纵深等信息。

这些目标信息的丢失使得目标的特征提取变得至关重要，现有技术中由于目标特征提取方法主要采用不重叠分割目标发现框的方法进行颜色直方图提取，使得目标跟踪的可靠性不高，容易丢失或误跟踪目标。

发明内容

本发明解决的问题是现有技术中由于目标特征提取方法主要采用不重叠分割目标发现框的方法进行颜色直方图提取，使得目标跟踪的可靠性不高，容易丢失或误跟踪目标。

为解决上述问题，本发明提供一种目标特征提取的方法，包括：

第一步，目标发现框锁定目标类；

第二步，分割目标发现框，使目标发现框分成局部重合的若干子框；

第三步，计算各子框内的颜色直方图。

进一步，所述子框为矩形或者正方形。

进一步，相邻子框之间的间隔为8像素，相邻子框之间局部重合。

进一步，第二步和第三步之间还包括：

计算目标发现框内的方向梯度直方图；

通过方向梯度直方图判断目标发现框锁定的目标类是否正确，若不正确，则返回第一步，若正确，则继续执行。

进一步，在第二步和计算目标发现框内的方向梯度直方图之间还包括：将每个子框分割成四个矩形单元。

进一步，计算目标发现框内的方向梯度直方图包括：

计算各矩形单元内的方向梯度直方图；

串联所有矩形单元的方向梯度直方图得到目标发现框的方向梯度直方图。

进一步，各矩形单元内的方向梯度直方图为9维方向梯度直方图。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

进一步，通过目标类的方向梯度直方图可以有效判断目标发现框内的目标类是不是正确的目标类，如果不是，可以直接返回再次进行目标类定位，避免了不必要的目标特征提取，有利于减少计算量，并提高目标跟踪效率。

进一步，将每个子框分割成4个矩形单元，计算各矩形单元内的9维方向直方图可以提高目标方向梯度直方图的提取质量，可以增加目标类判断可靠性。

本发明还提供一种由上述方法形成的方法形成的目标特征提取模块。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

本发明还提供一种由上述方法形成的方法形成的目标模型创建模块。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

本发明还提供一种智能图像监控装置，所述智能图像监控装置包含上述目标特征提取模块，目标模型创建模块中的至少一个。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

附图说明

图1是目标发现模块的实现方法；

图2是本发明第一实施例的方法流程图；

图3是本发明第一实施例中9维方向梯度直方图的向量示意图。

具体实施方式

现有技术中由于目标特征提取方法主要采用不重叠分割目标发现框的方法进行颜色直方图提取，使得目标跟踪的可靠性不高，容易丢失或误跟踪目标。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

目标发现模块的实现方法包括：

在智能图像监控***中存储大量的目标类轮廓信息，即方向梯度直方图，以方便识别目标类，例如，可以输入大量的人体外形数据以识别人；

当目标发现模块发现可能的目标类之后，就会搜集目标类的方向梯度直方图，并与智能图像监控***中存储大量的方向梯度直方图进行匹配，如果匹配度超过阈值，则认为出现了目标类。

目标发现模块只能识别目标类，而不能识别具体的目标。例如，如果智能图像监控***中存储了大量的人体外形数据，那么目标发现模块只能识别到视野内是否有人，但不能识别人的具体特征，也就是它无法定位到某个具体的人。

目标模型创建模块的实现方法包括：

目标发现模块确定目标类出现之后，目标模型创建模块会搜集单个或多个目标的目标特征信息，即颜色直方图。比如，目标发现模块发现视野中有人，就会对某一个人或者某一些人建立对应的颜色直方图。

当存储了目标的颜色直方图之后，开始对其进行跟踪。

参考图1，目标跟踪模块主要包括以下模块：

行为预测模块，通过视屏拍摄的帧记录，使用高斯随机步态模型或者蒙特卡洛模型对移动目标的轨迹建立概率递推模型，并预测目标下一帧所在位置的概率。这种预测可以有效提高计算效率和目标跟踪的稳定性。

特征提取模块和特征对比模块，发现可能目标之后，需要对该目标进行特征提取，即提取可能目标的颜色直方图，并将提取的颜色直方图与目标参考模型的颜色直方图进行对比，以确定发现的目标是否正确。

决策模块，将特征对比的结果输入决策模块，以判断发现的目标是否正确，如果确定发现的目标有误，通过反馈机制通知行为预测模块更改搜索目标的空间位置。

第一实施例

参考图2，本实施例提供一种目标特征提取的方法，包括：

第一步，目标发现框锁定目标类。

在监控***开始拍摄前，在目标发现模块中存入大量的目标类轮廓信息，即方向梯度直方图，这些目标类轮廓信息用于之后拍摄过程中监控***通过匹配算法进行自动目标类搜索，如果匹配度大于阈值，而认为是需要跟踪的目标类。

监控***发现目标类之后，通过目标发现框对目标类中的目标进行锁定，使目标被目标发现框所包围。目标发现框一般为矩形框，目标类可以是人或者运动的其他物体。如果目标类中有多个目标，则可以创建多个目标发现框以使每个目标发现框内包含一个目标。

目标的锁定可以是监控***自动选取，也可以人为干预，以便找到感兴趣的目标。目标可以是单个，也可以为多个。

第二步，分割目标发现框，使目标发现框分成局部重合的若干子框组成。

在具体实施例中，所述子框为矩形或者正方形，相邻子框之间局部重合。子框个数取决于目标发现框的尺寸和相邻子框之间的间距。对于64x128像素的目标发现框，若相邻子框之间的间隔为8像素，则目标发现框可以分割成105个子框。

子框数量太多容易造成后续提取的特征数据太多而使处理时间延长而恶化监控的实时性；而如果子框的数量太少，又容易造成提取的目标的特征太少而造成目标跟踪可靠性降低。

在具体实施例中，还可以将每个子框分割成4个矩形单元，以进一步提高目标方向梯度直方图的提取质量，可以增加目标类判断的可靠性。

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

第三步，计算目标发现框内的方向梯度直方图。

目标发现框分割之后，目标发现框内的方向梯度直方图通过计算每个矩形单元内的方向梯度直方图来反应。

方向梯度直方图首先计算灰度图像的梯度幅度值和方向，在每个矩形单元内按照幅度大小来给不同方向上的计数加权重形成一个矩形单元的方向梯度直方图。串联所有矩形单元的方向梯度直方图就得到了整个目标发现框的方向梯度直方图。

方向梯度直方图主要用于目标轮廓的界定，也就是说通过方向梯度直方图可以反映出目标的外形轮廓。

参考图3，在具体实施例中，可以计算每一矩形单元内的9维方向上的方向梯度直方图，其中8个是与方向有关的方向梯度直方图，1个是与方向无关的方向梯度直方图。

由于目标发现框被分割成105个子框，每个子框分成4个矩形单元，每个矩形单元计算9维方向梯度直方图，因此每个目标发现框具有3780维方向梯度直方图。

第四步，目标判断。

通过方向梯度直方图判断目标发现框锁定的目标类是否正确，若不正确，则返回第一步，若正确则继续执行。每个方向梯度直方图可以由一个梯度向量H来表示。

通过判决前器C与梯度向量H的内积与阈值进行比较，如果大于阈值则 判断目标发现框内的是正确的目标类，否则就认为目标类定位有误。下式是判定目标正确的计算公式：

H·C＞C_thresh。

通过目标的方向梯度直方图可以有效判断目标发现框内的目标类是不是正确的目标类，如果不是，可以直接返回再次进行目标类定位，避免了不必要的目标特征提取，有利于减少计算量，并提高目标跟踪效率。

第五步，提取颜色直方图。

颜色直方图是统计每一子框内的不同颜色占的比例，通过颜色直方图可以反映目标的特征，通过与参考模型的颜色直方图进行对比可以确定目标框内的目标是否正确。

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

以上所述的目标特征提取的方法用于目标跟踪模块，在其他实施例中，目标特征提取的方法也可以用于目标模型创建模块，用于提取将要跟踪的目标的特征。

第二实施例

本发明第二实施例提供一种由第一实施例的方法形成的目标特征提取模块。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

第三实施例

本发明第三实施例提供一种由第一实施例的方法形成的目标模型创建模块。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

第四实施例

本发明第四实施例提供一种智能图像监控装置，所述智能图像监控装置包含第二实施例中的目标特征提取模块，第三实施例中的目标模型创建模块中的至少一个。

与现有技术相比，本发明的技术方案具有以下优点：

将目标发现框分割成局部重合的若干子框组成，目标轮廓区域可以被更多的子框所包含，也就是说更多的子框能够包含轮廓区域。由于目标的轮廓区域颜色的纹理特征更加丰富，因此更多的子框包含到了这种颜色纹理丰富的区域，子框的颜色直方图更能够反应目标的特征，有利于提高目标跟踪的可靠性。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (4)

1.一种目标特征提取的方法，其特征在于，包括：

第一步，目标发现框锁定目标类；

第二步，分割目标发现框，使目标发现框分成局部重合的若干子框；所述子框为矩形或者正方形，每个子框分割成4个矩形单元；

第三步，计算目标发现框内的方向梯度直方图；所述目标发现框内的方向梯度直方图通过计算每个矩形单元内的方向梯度直方图来反应；具体地，首先计算灰度图像的梯度幅度值和方向，在每个矩形单元内按照幅度大小来给不同方向上的计数加权重形成一个矩形单元的方向梯度直方图，串联所有矩形单元的方向梯度直方图就得到了整个目标发现框的方向梯度直方图；

第四步，目标判断；即通过方向梯度直方图判断目标发现框锁定的目标类是否正确，每个方向梯度直方图由一个梯度向量H来表示，通过判决前器C与梯度向量H的内积与阈值进行比较，如果大于阈值则判断目标发现框内的是正确的目标类，否则就认为目标类定位有误；

第五步，计算各子框内的颜色直方图。

2.如权利要求1所述的目标特征提取的方法，其特征在于，相邻子框之间的间隔为8像素，相邻子框之间局部重合。

3.如权利要求1所述的目标特征提取的方法，其特征在于，第四步还包括：

通过方向梯度直方图判断目标发现框锁定的目标类是否正确，若不正确，则返回第一步，若正确，则继续执行。

4.如权利要求1所述的目标特征提取的方法，其特征在于，各矩形单元内的方向梯度直方图为9维方向梯度直方图。