CN105404847B - 一种遗留物实时检测方法 - Google Patents

Abstract

本发明公开一种遗留物实时检测方法，包括以下步骤：获取视频图像数据；采用混合高斯模型改进算法对视频图像进行背景建模，分别建立一个长周期背景模型和一个短周期背景模型，其中，将背景划分为稳定区域和动态区域；通过当前视频帧减去长周期背景模型得到长周期前景F_L，通过当前视频帧减去短周期背景模型得到短周期前景F_S；对长周期前景F_L和短周期前景F_S进行分析并检测出遗留物，标记出遗留物并进行报警。本发明采用一种快速的混合高斯模型改进算法对背景进行建模，将背景划分为稳定区域和动态区域，提高了遗留物检测的准确度，同时提高了算法的执行速率。

Description

一种遗留物实时检测方法

技术领域

本发明涉及计算机视觉技术在全天候高清视频监控***中的应用，具体涉及一种基于全天候复杂光线条件下全高清视频监控***的遗留物实时检测方法。

背景技术

近两年，是安防行业高速发展的时期，安全问题是全社会共同关注的一件大事，遗留物检测方法是预防危险、保证安全的一项重要措施，在安防行业中尤其是在具有潜在危险的高风险行业中发挥着重要的作用，类似于机场、历史文物景点、军事管制区等高危场所。遗留物检测方法主要应用在这些高危场所中，是对用户重点关心监测的区域是否有遗弃或者遗留的物体进行自动分析与检测，当某个物体在某个区域被遗留或被遗弃一定时间后，***可以检测出该物体，能够标记出物体，并触发报警以防止意外发生。

目前的遗留物检测方法，主要是针对清晰度较低的监控环境。而在高危场所中，对监控产品的要求高，特别是对清晰度要求越来越高，目前大规模的1080P全高清网络摄像机被普及应用到这些高危场所，以便事后放大观看，掌控细节。全高清网络摄像机使图像清晰度有了质的飞跃，但是也给高清监控***带来了一系列现实的问题，对于视频图像的管理和事后分析的工作量将成倍增长，对遗留物分析工作的实时性要求更高。

另外，目前已有的遗留物检测方法主要存在如下的问题：

目前直接采用混合高斯模型进行背景建模，没有考虑到混合高斯背景建模每一帧视频图像后都需要对各像素点的每个颜色通道的每个高斯函数的参数进行更新，计算量非常庞大，很难满足算法实时性的要求，特别是在全高清视频监控***中该限制表现的更加明显；目前阴影检测方法效果较差，特别是在全天候复杂光线变化条件下无法将运动目标和其投射的运动阴影较好的分离开来；目前遗留物检测中没有对干扰的目标进行严格的剔除，造成遗留物的误检率过高。

公开号为CN103714325A和公开号CN 102509075A的中国发明专利申请分别公开了一种基于遗留物和遗失物检测方法，其均利用混合高斯模型进行背景建模建立长周期背景模型和短周期背景模型，但是仍存在数据更新量大，处理速度慢的问题。

所以，如何提高全天候复杂光线条件下全高清视频监控***中遗留物检测的实时性、准确性、鲁棒性是亟待解决的问题。

发明内容

本发明的目的是解决现有的遗留物检测方法在全天候复杂光线变化条件下效果差的问题，提供一种高效的遗留物检测方法，适用于全天复杂光线条件下全高清视频监控***中的遗留物实时、准确的检测。

为了实现上述目的，本发明的遗留物实时检测方法，包括以下步骤：

S10，获取视频图像数据；

S30，采用混合高斯模型改进算法对视频图像进行背景建模，分别建立一个长周期背景模型和一个短周期背景模型，其中，将背景划分为稳定区域和动态区域，于稳定区域中，当一像素的背景模型中，混合高斯模型的一高斯分布与每帧新进入的像素值相匹配的频率高于一设定的阈值时，则接下来的N帧图像内该像素点的背景模型的各个高斯分布参数都不再更新，在N帧后，重新设置混合高斯模型的各高斯分布参数并重新开始学习，直到又有高斯分布与新进入的像素值匹配的频率大于设定的阈值，如此循环反复；于动态区域中，当一像素的背景模型中，两个或三个高斯函数不断交替的与新获得的像素值匹配，这几个高斯函数权重之和大于一设定的阈值时，则接下来的M帧图像内该像素点的背景模型的各个高斯分布参数都不再更新，并将这几个高斯分布的均值表示该像素点的背景值，在M帧后，重新设置混合高斯模型的各高斯分布参数并重新开始学习，直到有新的高斯分布权重之和大于设定的阈值，如此循环反复，其中，M、N均为整数；

S40，通过当前视频帧减去长周期背景模型得到长周期前景F_L，通过当前视频帧减去短周期背景模型得到短周期前景F_S；

S50，对长周期前景F_L和短周期前景F_S进行分析并检测出遗留物，标记出遗留物并进行报警。

上述的遗留物实时检测方法，其中，所述步骤S30中重新设置混合高斯模型的各高斯分布参数包括如下步骤：

S31，ω_i,t/σ_i,t值最大的高斯分布所对应的权重值设为：

S32，其余的高斯分布所对应的权值均设为：

其中，ω_i,t为第i个高斯分布在t时刻的权重，σ_i,t为第i个高斯分布在t时刻的方差，K为混合高斯模型中高斯函数的个数，β为[0,1)区间的浮点数。

上述的遗留物实时检测方法，其中，所述步骤S10中采用抽帧的方式获取视频图像数据。

上述的遗留物实时检测方法，其中，所述步骤S10和步骤S30之间还包括如下步骤S20，所述步骤S20包括如下步骤：

S21，利用双线性内插值法对视频图像进行降采样处理。

上述的遗留物实时检测方法，其中，所述步骤S20还包括如下步骤：

S22，利用高斯滤波器对夜间模式下采集到的视频图像数据进行降噪处理。

上述的遗留物实时检测方法，其中，所述步骤S50还包括如下步骤：

S510,采用基于混合高斯的阴影抑制算法消除长周期前景F_L和短周期前景F_S中的运动阴影。

上述的遗留物实时检测方法，其中，所述步骤S510包括如下步骤：

S511，利用基于HSV颜色空间的阴影模型来检测长周期前景F_L和短周期前景F_S中的疑似阴影；

S512，根据长周期前景F_L和短周期前景F_S中被判定为疑似阴影的像素进行混合高斯阴影模型的学习更新；

S513，判断长周期前景F_L和短周期前景F_S中的疑似阴影是否为运动阴影，并消除长周期前景F_L和短周期前景F_S中的运动阴影。

上述的遗留物实时检测方法，其中，所述步骤S50还包括步骤S520，所述步骤S520包括如下步骤：

S521，对长周期前景F_L和短周期前景F_S进行二值化处理，得到长周期前景二值图F_L ^/和短周期前景二值图F_S ^/；

S522，采用形态学的方法处理长周期前景二值图F_L ^/和短周期前景二值图F_S ^/；

S523，采用区域标记的方法消除长周期前景二值图F_L ^/和短周期前景二值图F_S ^/中连通区域。

上述的遗留物实时检测方法，其中，所述步骤S523还包括如下步骤：

采用区域生长法对长周期前景二值图F_L ^/和短周期前景二值图F_S ^/中的连通区域进行标记，计算每个连通区域的面积R_i，若该连通区域的面积R_i小于预定的面积阈值R_min，则将该连通区域从前景中剔除。

上述的遗留物实时检测方法，其中，所述步骤S50还包括如下步骤：

S530，通过分析长周期前景二值图F_L ^/和短周期前景二值图F_S ^/的特点，对前景中的目标进行分类，获得疑似遗留物的目标物体O_cur，分类规则为：

F_L ^/(x,y)＝1且F_S ^/(x,y)＝1，(x,y)点像素属于运动目标；

F_L ^/(x,y)＝1且F_S ^/(x,y)＝0，(x,y)点像素属于疑似遗留物的目标物体O_cur；

F_L ^/(x,y)＝0且F_S ^/(x,y)＝1，(x,y)点像素属于场景变化目标或噪声；

F_L ^/(x,y)＝0且F_S ^/(x,y)＝0，(x,y)点像素属于背景目标。

上述的遗留物实时检测方法，其中，所述步骤S50还包括如下步骤：

S540，采用目标轮廓与目标中心***区域颜色直方图相结合的方法检测疑似遗留物的目标物体O_cur中的取走物O_remove，并剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon。

上述的遗留物实时检测方法，其中，所述步骤S540还包括如下步骤：

S541，根据目标物体O_cur的目标轮廓特征判断候选取走物O_Etemp；

S542，根据目标物体O_cur中心***区域颜色直方图特征判断候选取走物O_Htemp；

S543，根据候选取走物O_Etemp和候选取走物O_Htemp，确定取走物O_remove，剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon，判断暂时静止的目标物体O_abandon和取走物O_remove的决策公示为：

上述的遗留物实时检测方法，其中，所述步骤S50还包括如下步骤：

S550，采用基于HOG和肤色特征的行人检测算法检测行人，剔除暂时静止的目标物体O_abandon中的静止行人，获得候选遗留物的目标物体。

上述的遗留物实时检测方法，其中，所述步骤S50还包括如下步骤：

S560，对每个候选遗留物的目标物体进行团块跟踪，并对每个候选遗留物的目标物体的持续停留的帧数Num_i分别进行统计，当某个候选遗留物的目标物体累计停留的帧数超过一设定的阈值T_num时，即Num_i＞T_num，该候选遗留物的目标物体标记为遗留物，触发遗留物报警，并根据该遗留物的逻辑位置在源图像中标出遗留物的外接矩形区域。

本发明的遗留物检测方法产生以下几点良好的效果：

效果1：本发明采用视频图像抽帧、降采样处理方法降低了全高清视频图像分析处理的工作量，提高检测算法的实时性。

效果2：本发明采用选择性高斯滤波的方法，在全天候监控模式下，考虑到白天模式噪声较少图像质量高，无需进行滤波处理；而夜间模式噪声影响较大图像质量差，则进行滤波处理。提高了检测算法的鲁棒性和灵活性。

效果3：本发明采用一种快速的混合高斯模型改进算法对背景进行建模。考虑到混合高斯模型在背景建模过程中尤其适合室外有复杂光线变换的情况，但是其计算复杂，不仅对背景建模,也对前景建模，实时性较差。用一种快速的混合高斯模型改进算法提高遗留物检测的准确度，同时提高算法的执行速率。

效果4：本发明采用混合高斯阴影模型对前景中的阴影进行建模，对阴影检测效果较好，能将全天候复杂光线变化条件下运动目标和其投射的运动阴影较好的分离开来。

效果5：本发明采用严格的剔除方法，消除干扰目标(噪声、取走物、静止行人)对遗留物的影响，提高算法的准确度，尽量减少漏检率和误检率。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1是基于全天候复杂光线条件下全高清视频监控***的遗留物实时检测方法的流程图；

图2是基于混合高斯阴影模型来检测运动阴影的算法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案进行详细的描述，以更进一步了解本发明的目的、方案及功效，但并非作为本发明所附权利要求保护范围的限制。

本发明提供的基于全天候复杂光线条件下全高清视频监控***的遗留物实时检测方法，该方法的流程图如图1所示，具体包括以下步骤：

步骤10：采用抽帧的方式获取视频图像数据。

该步骤采用从流媒体服务器上每30帧抽一帧进行遗留物检测。监控摄像机在抓拍图像时，图像速率保持在25帧/秒或30帧/秒，在全高清图像进一步升级后，帧率可达到60帧/秒。图像数据量太大，且很大一部分都是重复的场景，没有必要对每一帧图像都进行处理，采用抽帧的方式降低分析工作量，同时提高检测算法的实时性。

步骤20：图像前处理，首先对视频图像进行降采样处理，然后对夜间模式下采集到的视频图像进行高斯滤波降噪处理。

所述步骤20进一步包括以下步骤：

步骤21：利用双线性内插值法对视频图像进行降采样处理，该插值方法缩放后视频图像质量高，消除像素不连续的情况。

双线性内插值法对于图像中一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u,j+v)，其中i、j均为非负整数，u、v为[0,1)区间的浮点数，则这个像素的值f(i+u,j+v)可由原图像中坐标为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1)所对应的周围四个像素的值决定，即：

f(i+u,j+v)＝(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)

+u(1-v)f(i+1,j)+uvf(i+1,j+1)

其中f(i,j)表示源图像(i,j)处的像素值。

步骤22：利用高斯滤波器对夜间模式下采集到的图像进行降噪处理，对白天模式下采集到的图像则不需要进行降噪处理。高斯滤波对抑制噪声非常有效。

高斯滤波器是一种带权值的平均滤波器，某像素的颜色由其为中心的九宫格的像素加权平均值来决定，采用了3*3的高斯滤波器模板，即：

步骤30：采用一种快速的混合高斯模型改进算法对背景建模，分别建立一个长周期背景模型和一个短周期背景模型。

混合高斯模型算法是为视频图像的每个像素的每个颜色通道都建立一个包含K(3～5)个高斯函数的混合高斯模型，为了能处理复杂场景，取得较好的目标检测效果，往往希望K越大越好，K个高斯函数中每个函数又包含权重ω，均值μ，方差δ²三个参数，每获得一帧新的视频图像后都需要对各像素点每个颜色通道的每个高斯函数的三个参数进行更新，算法的计算量非常庞大，很难满足实时性的要求。

一种快速的混合高斯模型改进算法不仅能处理复杂场景取得较好的目标检测效果，而且提高了处理速度，对像素点的高斯参数并不是在每帧图像都更新，减少了混合高斯模型的参数更新频率。

一种快速的混合高斯模型改进算法注意到监控场景中通常只有少部分区域是比较混乱，而大部分区域是静止的，将背景划分为稳定区域(大部分静止的区域)和动态区域(少部分混乱的区域)。稳定区域的像素点总是呈现相同的像素值，且该像素值总是和混合高斯背景模型中的同一高斯分布相匹配，此高斯分布与图像序列中新进入的像素值相匹配的频率非常高，经过学***等的状态下开始学习，直到又有高斯分布与新进入的像素值匹配的频率大于设定的阈值，如此循环反复。除了稳定区域用上述改进算法外，在动态区域也用此方法来提高算法的速度。在有混乱反复运动的动态区域，像素点总是重复呈现几个值，通过新获取的像素值不断对高斯模型进行训练，必定有两个或三个高斯函数不断交替的与新获得的像素值匹配，这几个高斯函数的权重ω_i,t会较大而方差较小，ω_i,t/σ_i,t长时间保持较大，且几个高斯函数间的权重ω_i,t相差不大。当这几个高斯函数权重ω_i,t之和大于一定的阈值时，则接下来的M(10～50)帧图像内该像素点的背景模型的各个高斯分布参数都不再更新，并将这几个高斯分布的均值表示该像素点的背景值，在M(10～50)帧后，重新设置混合高斯模型的各高斯分布参数并重新开始学习，直到有新的高斯分布权重之和大于一定的阈值，如此反复循环。

某一像素的高斯分布权值ω_i,t按如下规则设置到相对比较平等的状态：

1)ω_i,t/σ_i,t值最大的高斯分布所对应的权重值设为：

2)其余的高斯分布所对应的权值均设为：

其中，β为[0,1)区间的浮点数。

步骤40：当前视频帧分别减去长短周期背景模型得到长周期前景F_L和短周期前景F_S。

步骤50：对长周期前景F_L和短周期前景F_S进行分析并检测出遗留物，标记出遗留物并进行报警。

具体地，步骤50包括以下步骤：

步骤510：采用一种基于混合高斯的阴影抑制算法消除长周期前景F_L和短周期前景F_S中的运动阴影。

由于监控场景全天候，光线复杂，人流量大，阴影既有强光条件下的阴影又有弱光条件下的阴影，甚至出现阴影和其他目标相互重叠的情况，导致无法准确实时判断目标的危险性，不能及时地报警。因此遗留物检测时需要对前景中的阴影进行消除。

现有遗留物检测方法中阴影抑制算法主要是采用基于颜色空间的阴影抑制算法，这些方法对弱阴影的检测与抑制效果还比较有效，但对强光照条件下的强阴影抑制效果不甚理想。

基于混合高斯的阴影抑制算法先利用阴影在HSV颜色空间的特点，判断被检测为运动前景的像素是否为疑似阴影，非疑似阴影即为运动目标。若判断为疑似阴影则用该像素值更新混合高斯阴影模型的参数，并用混合高斯阴影模型最终判断此像素是阴影还是运动目标，若前景像素与混合高斯阴影模型的有效阴影状态相匹配，则该运动前景像素判定为运动阴影，否则判为运动目标。该阴影抑制算法可更有效地抑制阴影对运动目标检测的影响，不仅对弱阴影检测效果好，还能很大程度上检测出强阴影，并具有较强的实时性。

基于混合高斯阴影模型来检测运动阴影的算法的流程图如图2所示。

所述步骤510进一步包括以下步骤：

步骤511：检测长周期前景F_L和短周期前景F_S中的疑似阴影。

利用基于HSV颜色空间的阴影模型来检测阴影，判断前景像素是否为疑似阴影的决策公式如下：

式中，I^H(x,y)、I^S(x,y)、I^V(x,y)与S^H(x,y)、S^S(x,y)、S^V(x,y)分别表示坐标点(x,y)处像素新输入值I(x,y)与背景像素值S(x,y)的H、S、V分量。如果I(x,y)被判定为阴影，则该点掩模SP(x,y)置为1，否则SP(x,y)置为0。参数0≤α_S≤β_S≤1，参数α_S取值要考虑阴影的强度，当背景上投射的阴影越强时，α_S越小，β_S用来增强对噪声的鲁棒性，即当前帧的亮度不能和背景太相似。参数τ_S小于零，参数τ_R的选取则主要凭经验调试。

步骤512：根据长周期前景F_L和短周期前景F_S中被判定为疑似阴影的像素进行混合高斯阴影模型的学习更新。为了保证混合高斯阴影模型得到充分的学习，把背景分割成不同的区域，各区域不一定要连通，但每个区域内的像素色彩值相同，只要某个区域内有一个像素点值被检测为疑似阴影，就用该像素来更新此区域内所有点的混合高斯阴影模型参数。

混合高斯阴影模型与运动前景检测时混合高斯背景模型的不同之处在于，混合高斯背景模型根据像素点的所有输入值进行学习，而混合高斯阴影模型则根据被检测为前景，且被判定为疑似阴影的输入像素值进行学习更新。混合高斯阴影模型中，若输入疑似阴影值与阴影高斯模型中某一高斯分布满足：

其中上标S表示混合高斯阴影模型。该分布参数按如下规则更新：

如果没有高斯分布和疑似阴影像素值I_t匹配，则权值最小的高斯分布将被新的高斯分布所更新，新分布的均值为I_t，初始化较大的标准差和较小的权值余下的高斯分布保持相同的均值和方差，但它们的权值会衰减，即：

最后，把所有高斯分布的权值归一化，并把各个分部按从大到小排列，如果K,是各个高斯分布按由大到小的排列的次序，若前N个分布满足如下准则，则这N个分布被认为是阴影分布，即：

步骤513：判断长周期前景F_L和短周期前景F_S中的疑似阴影是否为运动阴影，并消除长周期前景F_L和短周期前景F_S中的运动阴影，消除了运动阴影的前景即为运动目标。

判断疑似阴影是否为运动阴影的决策公式如下：

式中，上标S表示混合高斯阴影模型，i＝1,2,Λ,K_t。如果I(x,y)被判定为运动阴影，则该点掩模SPP(x,y)置为1，否则SPP(x,y)置为0。即若疑似阴影I_t和每个阴影分布均值之差的绝对值小于等于该分部标准差的D^S倍，则I_t被判为运动阴影，否则被判为运动目标。

步骤520：分别对长周期前景F_L和短周期前景F_S进行后处理操作，保证前景中目标的完整性，并消除小面积目标(噪声点)的影响。得到长周期前景二值图F_L ^/和短周期前景二值图F_S ^/。

所述步骤520进一步包括以下步骤：

步骤521：对长周期前景F_L和短周期前景F_S进行二值化处理，得到长周期前景二值图F_L ^/和短周期前景二值图F_S ^/。

步骤522：采用形态学的方法处理长周期前景二值图F_L ^/和短周期前景二值图F_S ^/，保证前景中目标的完整性。对F_L ^/和F_S ^/图像进行闭操作运算(先膨胀后腐蚀)，根据不同的“结构元素”填充目标物体内的细小空洞，平滑目标物体的边界的同时并不明显改变其面积。

步骤523：采用区域标记的方法消除F_L ^/和F_S ^/中小面积目标(噪声点)。首先采用区域生长法对前景中的连通区域进行标记，计算每个连通区域的面积R_i(区域包含的像素数)，若该连通区域的面积R_i小于预定的面积阈值R_min，则将该连通区域从前景中剔除。

区域生长法利用区域生长的思想，每次生长过程可以标记一个连通区域，只需对图像进行一次扫描就能标记出所有连通区。算法步骤如下：

1)输入待标记前景图像，初始化一个与输入图像同样尺寸的标记矩阵，一个队列以及标记计数Index；

2)按从左至右、从上至下的顺序扫描前景图像，当扫描到一个未被标记的前景像素p时，Index加1，并在标记矩阵中标记p(相应点的值赋为Index)，同时，扫描p的八邻域点，若存在未被标记的前景像素，则在标记矩阵中进行标记，并放入队列中，作为区域生长的种子；

3)当队列不为空时，从队列中取出一个生长种子点p1，扫描p1的八邻域点，若存在未被标记过的前景像素，则在标记矩阵中进行标记，并放入队列中；

4)重复3直至队列为空，一个连通区标记完成；

5)转到2，直至整幅图像被扫描完毕，得到标记矩阵和连通区的个数Index。

步骤530：通过分析长周期前景二值图F_L ^/和短周期前景二值图F_S ^/的特点，对前景中的目标进行分类，获得疑似遗留物的目标物体O_cur。分类的规则如下：

1)F_L ^/(x,y)＝1且F_S ^/(x,y)＝1，(x,y)点像素属于运动目标；

2)F_L ^/(x,y)＝1且F_S ^/(x,y)＝0，(x,y)点像素属于疑似遗留物的目标物体O_cur；

3)F_L ^/(x,y)＝0且F_S ^/(x,y)＝1，(x,y)点像素属于场景变化目标或噪声；

4)F_L ^/(x,y)＝0且F_S ^/(x,y)＝0，(x,y)点像素属于背景目标；

步骤540：采用目标轮廓与目标中心***区域颜色直方图相结合的方法检测取走物O_remove，消除取走物O_remove对前景中目标的影响，剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon。

现有遗留物检测方法中判断取走物O_remove主要根据目标的轮廓特征，但在背景轮廓比较复杂的情况下，边缘匹配的方法并不能很好的去除虚警，目标中心***区域颜色直方图分析的方法可以弥补边缘匹配颜色信息丢失的缺点。

疑似遗留物的目标物体O_cur包含暂时静止的目标物体O_abandon和取走物O_remove，该步骤主要就是区分暂时静止的目标物体O_abandon和取走物O_remove，去除误判。

所述步骤540进一步包括以下步骤：

步骤541：根据目标轮廓特征判断候选取走物O_Etemp。

提取疑似遗留物的目标物体O_cur中的ROI边缘点，以及当前视频帧中的ROI边缘点，并统计O_cur前景中每个ROI的边缘像素点的总数N_cur，以及当前视频帧中的相应的ROI边缘像素点的总数N_temp。根据目标轮廓特征判断候选取走物O_Etemp判断的决策公式如下：

其中，T_e是判断取走物的边缘像素点差值的阈值。

步骤542：根据目标中心***区域颜色直方图特征判断候选取走物O_Htemp。

根据目标中心***区域颜色直方图特征判断的决策公式如下：

其中，T_d是判断暂时静止的物体与取走物的距离阈值，若D越小说明两个直方图越相似，检测为取走物的可能性就越大，反之检测为暂时静止物体的可能性越大。计算D值的公式如下：

其中，H_E和H_C分别表示***区域A_E和中心区域A_C的灰度直方图，两个直方图的灰度级相同，并且在计算前都进行了灰度归一化。

步骤543：根据候选取走物O_Etemp和候选取走物O_Htemp，确定取走物O_remove，剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon。

判断暂时静止的目标物体O_abandon和取走物O_remove的决策公示如下：

步骤550：采用基于HOG和肤色特征的行人检测算法检测行人，消除运动一段距离后突然静止的行人对前景中目标的影响，剔除暂时静止的目标物体O_abandon中的静止行人，获得候选遗留物的目标物体。

基于HOG和肤色特征的行人检测算法不仅充分利用了HOG特征的优良特性，而且克服了HOG向量维数大、计算慢的问题，加入肤色特征使得检测精度明显提高，降低了行人的误检率和漏检率。

该步骤主要是先应用尽可能多的正负样本的HOG和肤色特征描述子训练一个SVM分类器，训练SVM分类器是一个离线进行的过程，所选用的正负样本数据越多、覆盖面越广，训练得到的分类器分类结果就越精确。然后提取前景中暂时静止的目标物体O_abandon的HOG和肤色特征描述子，运用训练好的SVM分类器进行分类，即可判断暂时静止的目标物体O_abandon是否是暂时静止的行人目标。剔除暂时静止的目标物体O_abandon中的行人目标，获得候选遗留物的目标物体。

提取暂时静止的目标物体O_abandon的HOG和肤色特征描述子的算法步骤如下：

1)每个暂时静止的目标物体O_abandon看作一个当前帧的ROI，对ROI进行灰度化；

2)采用Gamma校正法对ROI进行颜色空间的标准化(归一化)，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

3)计算ROI每个像素的梯度(包括大小和方向)；目的是为了捕获轮廓信息，同时进一步弱化光照的干扰。

4)将ROI划分成多个小的细胞单元(cell)；

5)统计每个cell的梯度直方图，形成每个cell的特征描述子；

6)将每几个cell组成一个块(block)，一个block内所有cell的特征描述子串联起来便得到该block的HOG特征描述子。为了提高计算速度，在计算HOG特征时引入积分向量图，这样避免了由于block的重叠造成的重复计算，提高了计算速度。

7)在每个block内，分别在Cb和Cr空间对像素点的个数进行n维的直方图统计，直方图的区间划分由RCb和RCr决定，每个得到一个2*n维的肤色特征描述子。即在每个block内加入一个表示肤色的2*n维向量。人脸的肤色在YCrCb空间具有很好的聚类性，信息肤色在CrCb空间的值只集中在某一个范围内，可以利用这个特点把它与背景和其它颜色区分开。

8)在ROI内的所有block中，选取一些分类能力较强的block作为最后的特征，将这些被选取的block的HOG和肤色特征描述子串联起来就可以得到该ROI的HOG特征描述子。该ROI的HOG和肤色特征描述子即是最终的可供分类使用的特征向量。

步骤560：对每个候选遗留物的目标物体进行团块跟踪，并对每个候选遗留物持续停留的帧数Num_i分别进行统计，当某个物体累计停留的帧数超过一定的阈值T_num时，即Num_i＞T_num，该候选遗留物的目标物体标记为遗留物，触发遗留物报警。并根据该遗留物的逻辑位置在源图像中标出遗留物的外接矩形区域。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (14)

1.一种遗留物实时检测方法，其特征在于，包括以下步骤：

S10，获取视频图像数据；

S30，采用混合高斯模型改进算法对视频图像进行背景建模，分别建立一个长周期背景模型和一个短周期背景模型，其中，将背景划分为稳定区域和动态区域，于稳定区域中，当一像素的背景模型中，混合高斯模型的一高斯分布与每帧新进入的像素值相似度匹配率高于一设定的阈值时，则接下来的N帧图像内该像素点的背景模型的各个高斯分布参数都不再更新，在N帧后，重新设置混合高斯模型的各高斯分布参数并重新开始学习，直到又有高斯分布与新进入的像素值匹配的频率大于设定的阈值，如此循环反复；于动态区域中，当一像素的背景模型中，每个像素点使用K个高斯分布模型来表征,像素点按统计规律总是对应到几个重复出现的值，经过不断模型训练，每次新进入像素的像素值总是与K个高斯分布模型中的两个或三个相似度匹配，这几个高斯函数权重之和大于一设定的阈值时，则接下来的M帧图像内该像素点的背景模型的各个高斯分布参数都不再更新，并将这几个高斯分布的均值表示该像素点的背景值，在M帧后，重新设置混合高斯模型的各高斯分布参数并重新开始学习，直到有新的高斯分布权重之和大于设定的阈值，如此循环反复，其中，M、N均为整数，K为3至5的整数；

S40，通过当前视频帧减去长周期背景模型得到长周期前景F_L，通过当前视频帧减去短周期背景模型得到短周期前景F_S；

S50，对长周期前景F_L和短周期前景F_S进行分析并检测出遗留物，标记出遗留物并进行报警。

2.根据权利要求1所述的遗留物实时检测方法，其特征在于，所述步骤S30中重新设置混合高斯模型的各高斯分布参数包括如下步骤：

S31，ω_i,t/σ_i,t值最大的高斯分布所对应的权重值设为：

S32，其余的高斯分布所对应的权值均设为：

其中，ω_i,t为第i个高斯分布在t时刻的权重，σ_i,t为第i个高斯分布在t时刻的方差，K为混合高斯模型中高斯函数的个数，β为[0,1)区间的浮点数。

3.根据权利要求1所述的遗留物实时检测方法，其特征在于，所述步骤S10中采用抽帧的方式获取视频图像数据。

4.根据权利要求1所述的遗留物实时检测方法，其特征在于，所述步骤S10和步骤S30之间还包括如下步骤S20，所述步骤S20包括如下步骤：

S21，利用双线性内插值法对视频图像进行降采样处理。

5.根据权利要求4所述的遗留物实时检测方法，其特征在于，所述步骤S20还包括如下步骤：

S22，利用高斯滤波器对夜间模式下采集到的视频图像数据进行降噪处理。

6.根据权利要求1所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括如下步骤：

S510,采用基于混合高斯的阴影抑制算法消除长周期前景F_L和短周期前景F_S中的运动阴影。

7.根据权利要求6所述的遗留物实时检测方法，其特征在于，所述步骤S510包括如下步骤：

S511，利用基于HSV颜色空间的阴影模型来检测长周期前景F_L和短周期前景F_S中的疑似阴影；

S512，根据长周期前景F_L和短周期前景F_S中被判定为疑似阴影的像素进行混合高斯阴影模型的学习更新；

S513，判断长周期前景F_L和短周期前景F_S中的疑似阴影是否为运动阴影，并消除长周期前景F_L和短周期前景F_S中的运动阴影。

8.根据权利要求7所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括步骤S520，所述步骤S520包括如下步骤：

S521，对长周期前景F_L和短周期前景F_S进行二值化处理，得到长周期前景二值图F_L ^/和短周期前景二值图F_S ^/；

S522，采用形态学的方法处理长周期前景二值图F_L ^/和短周期前景二值图F_S ^/；

S523，采用区域标记的方法消除长周期前景二值图F_L ^/和短周期前景二值图F_S ^/中连通区域。

9.根据权利要求8所述的遗留物实时检测方法，其特征在于，所述步骤S523还包括如下步骤：

采用区域生长法对长周期前景二值图F_L ^/和短周期前景二值图F_S ^/中的连通区域进行标记，计算每个连通区域的面积R_i，若该连通区域的面积R_i小于预定的面积阈值R_min，则将该连通区域从前景中剔除。

10.根据权利要求9所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括如下步骤：

S530，通过分析长周期前景二值图F_L ^/和短周期前景二值图F_S ^/的特点，对前景中的目标进行分类，获得疑似遗留物的目标物体O_cur，分类规则为：

F_L ^/(x,y)＝1且F_S ^/(x,y)＝1，(x,y)点像素属于运动目标；

F_L ^/(x,y)＝1且F_S ^/(x,y)＝0，(x,y)点像素属于疑似遗留物的目标物体O_cur；

F_L ^/(x,y)＝0且F_S ^/(x,y)＝1，(x,y)点像素属于场景变化目标或噪声；

F_L ^/(x,y)＝0且F_S ^/(x,y)＝0，(x,y)点像素属于背景目标。

11.根据权利要求10所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括如下步骤：

S540，采用目标轮廓与目标中心***区域颜色直方图相结合的方法检测疑似遗留物的目标物体O_cur中的取走物O_remove，并剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon。

12.根据权利要求11所述的遗留物实时检测方法，其特征在于，所述步骤S540还包括如下步骤：

S541，根据目标物体O_cur的目标轮廓特征判断候选取走物O_Etemp；

S542，根据目标物体O_cur中心***区域颜色直方图特征判断候选取走物O_Htemp；

S543，根据候选取走物O_Etemp和候选取走物O_Htemp，确定取走物O_remove，剔除疑似遗留物的目标物体O_cur中的取走物O_remove，获得暂时静止的目标物体O_abandon，判断暂时静止的目标物体O_abandon和取走物O_remove的决策公示为：

13.根据权利要求11所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括如下步骤：

S550，采用基于HOG和肤色特征的行人检测算法检测行人，剔除暂时静止的目标物体O_abandon中的静止行人，获得候选遗留物的目标物体。

14.根据权利要求13所述的遗留物实时检测方法，其特征在于，所述步骤S50还包括如下步骤：

S560，对每个候选遗留物的目标物体进行团块跟踪，并对每个候选遗留物的目标物体的持续停留的帧数Num_i分别进行统计，当某个候选遗留物的目标物体累计停留的帧数超过一设定的阈值T_num时，即Num_i＞T_num，该候选遗留物的目标物体标记为遗留物，触发遗留物报警，并根据该遗留物的逻辑位置在源图像中标出遗留物的外接矩形区域。