CN113628251A - 一种智慧酒店终端监测方法 - Google Patents

Abstract

本发明提出了一种智慧酒店终端监测方法，通过同一监测区间内的不同终端位置设置的多个摄像头对该监测区域进行不同角度的视频采集，对采集到的视频图像进行运动目标物体检测，提取运动目标物体前景像素点；获得运动目标物体的边界曲线；利用所述边界曲线建立运动目标物体模板，根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新，匹配跟踪运动目标物体，生成运动目标物体的融合轨迹MI，预测移动方向，并调配移动方向的相邻区域的多个摄像头做跟踪准备；根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定，若为异常行为，则保存运动目标物体异常行为的视频画面作为证据，同时在后台中向管理员发出警报。

Description

一种智慧酒店终端监测方法

技术领域

本发明涉及商业管理领域，具体涉及一种智慧酒店终端监测方法。

背景技术

智慧酒店终端监测***作为一种防范能力很强的综合性***，一直在智慧酒店监测领域占据着重要地位。社会的发展，时代的进步，为利用终端监测视频进行监控提供了越来越广阔的应用天地。终端视频监控网络与其它学科的不断交叉衍生，赋予了视频监控新的定义。

视频监控***的功能很大程度上依赖于通信、嵌入式以及图像处理三大技术，近年来，随着三大技术的不断发展，视频监控***的功能己呈现多元化趋势。由于越来越多的行业追求成本化和精细化的管理模式，对于视频监控***，在满足功能和提升技术的同时，也将经济性、实用性、稳定性作为衡量其优劣的重要标准。现有技术中，智慧酒店的终端监测***还存在以下的问题：视频监控***的前端处理器实时性不高，功耗过大；视频信息处理中，对运动目标的提取与分割中，背景会因光照的变化，导致将扰动背景归为运动目标；运动目标的跟踪过程中，若运动目标移动细微距离时，传统的方法易出现目标跟丢情况；对运动目标的行为分析上，特征提取不显著，是行为识别的一个瓶颈。

例如专利文献CN101179707A，提出了一种无线网络视频图像多视角协作目标跟踪测量方法，通过动态背景构建方法在单个无线视频图像监测节点中实现目标测量，得到仅含有目标的最小矩形边界；通过节点间的协作，采用渐进分布式数据融合方法，融合各无线视频图像监测节点的测量结果，实现对移动目标的协作式定位测量。但该技术方案在协作过程中采用了基于能量熵和马氏距离的能耗、剩余能量、信息有效性、节点特性、信息反馈等多参数评价方法，在满足功能和提升技术的同时，忽略了应用上的经济性、实用性和稳定性。

再例如专利文献US2009324010A1，提出了一种神经网络控制的自动跟踪识别***及方法，包括固定视场采集模块、全功能可变视场采集模块、视频图像识别算法模块、神经网络控制模块、可疑目标跟踪模块、数据库比较和报警判断模块、监控特征记录和规则设置模块、灯光监控模块、背光模块、报警输出/显示/存储模块、安全监控传感器。但该技术方案需要基于神经网络控制，适用于人流量、车流量大的范围内进行粗略的跟踪识别，对运动目标的行为分析上，特征提取不显著。

发明内容

为了解决上述技术问题，本发明提出了一种智慧酒店终端监测方法，包括如下步骤：

步骤一，通过同一监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集，对采集到的视频图像进行运动目标物体检测，提取运动目标物体前景像素点；

步骤二，将所有运动目标物体前景像素点结合获得运动目标物体的边界曲线；

步骤三，利用所述边界曲线建立运动目标物体模板，根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新，匹配跟踪运动目标物体，利用多个摄像头获取的视频图像信息进行信息融合，生成运动目标物体的融合轨迹MI；

步骤四，根据运动目标物体的融合轨迹MI，预测移动方向，并调配移动方向的相邻区域的多个摄像头做跟踪准备；

步骤五，根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定，跟行为定义库的已定义的行为模式进行比对，确认该行为是否为正常行为，若为异常行为，则保存运动目标物体异常行为的视频画面作为证据，同时在后台中向管理员发出警报。

进一步地，步骤一中，采用基于混合高斯前景建模的运动目标物体检测算法，将当 前像素点的像素值I_t与每个背景高斯分布均值

作差，其绝对值与分布标准差

的D 倍比较，前景像素点的判断式如下:

(1)；

其中，t表示当前帧，t-1表示上一帧，i表示当前像素点；

若绝对值大于分布标准差的D倍，则该像素点是运动目标物体的前景像素点，反之则是背景像素点。

进一步地，对于存在颜色的高斯分布，前景像素点根据下式来判断:

（2) 或

（3)；

式中

和

为阈值；若当前像素点的像素值I_t满足（2）或（3）式之一，则判定当前 像素点为运动前景像素点。

进一步地，步骤二中，将步骤一中提取的运动目标物体前景像素点结合起来，获得运动目标物体的轮廓，对轮廓进行多边形拟合，获得边界曲线。

进一步地，所述多边形拟合具体为：

为轮廓上的每一个像素点P(i)指定一个权值，所述权值为像素点P(i)的弦高度 C(P(i))，将弦高度大于阈值门限T_C的像素点P(i)保留，形成点集为P = { P₁，P₂，…，P_m}，其中m为进行多边形拟合后的像素点数目。

进一步地，步骤三中，所述运动目标物体模板的更新的过程为：

在同一监测区域内，在k-1时刻，建立当前摄像头的运动目标物体模板，设运动目标物体的状态向量为X_k-1，k时刻，运动目标物体移动到下一个摄像头中，运动目标物体的状态向量为X_k,则运动目标物体的运动状态根据下式计算：

X_k=AX_k-1+BU_k−1+W_k-1 (4)；

其中，A是状态转移矩阵；B为控制矩阵，U_k−1和W_k-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量，根据式（4），更新运动目标物体模板。

进一步地，步骤三中，当运动目标物体离开所述监测区域后，在运动目标物体刚刚离开的监测区域内，将多位置的摄像头捕捉到的监测画面内的图像坐标转换为世界坐标系下的三维坐标，得到所述监测区域的运动目标物体的融合轨迹MI。

进一步地，步骤四中，将融合轨迹MI划分为多个短线段，分别计算每个短线段上的运动目标物体的移动方向，设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值，运动目标物体的移动方向orientation(x,y)的计算公式为：

orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) （5）；

其中，orientation(x,y)为运动目标物体在短线段上的移动方向，通过orientation(x,y)预测每个短线段上运动目标物体的移动方向，将所有短线段上的运动目标物体的移动方向组合起来，形成融合轨迹MI的整体的运动目标物体移动路线，据此联动移动方向上的相邻监测区域的多个摄像头继续多维度监控运动目标物体移动路线。

进一步地，计算监测区域图像的边界处的边界梯度，通过限制梯度幅度，过滤异常值，精确预测运动目标物体的移动方向；

边界梯度的计算方法为:

（6）；

其中，C(u)表示梯度相关性，

和

分别表示图像的边界处的相邻两个图 像块的灰度的梯度函数，u表示图像块的灰度，并且*表示复共轭。

进一步地，步骤五中，若该行为被人为判定为异常行为且未被定义，则将异常行为作为样本保存到行为定义库中。

有益效果：

本发明的智慧酒店终端监测方法通过监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集，对采集到的视频图像进行运动目标物体检测，根据运动目标物体在各个监测区域的运动目标物体移动路线最终对运动目标物体的行为进行判定，使得智慧酒店终端***能够及时、准确、快速的识别终端位置处的异常情况，提高了酒店管理的安全性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的智慧酒店终端监测方法的流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参考图1所示，为本发明智慧酒店终端监测方法的流程示意图，在酒店的不同监测区间内的不同终端位置设置多个不同视角的摄像头，通过终端设置的多个摄像头对监测区域进行视频采集，处理器对采集到的视频文件进行实施的检测，发现视频每一帧画面的变化特征。具体监测方法包括如下步骤：

首先，步骤一，通过同一监测区域内的不同视角的终端位置设置的多个摄像头对该监测区域进行不同角度的视频采集，后台服务器对采集到的视频文件进行实时的检测，发现视频每一帧画面的变化特征。

具体的，获取首先采集到运动目标物体的终端位置的摄像头采集到的视频文件，提取视频文件中的静止背景画面进行建模，使得该背景模型可以作为理论标准用以跟实时的视频图像进行比对，通过检测算法在比对过程中对前后两帧图像画面（即捕捉到运动目标物体的帧画面和上一时刻运动目标物体未进入采集区域时的帧画面）进行差分计算，并加以阈值处理，快速捕捉图像变化区域（即运动目标物体轮廓及轮廓内部区域）的像素点，将描述变化区域边缘及内部的离散的像素点组合起来并标记。

在优选实施例中，本发明采用基于混合高斯前景建模的运动目标物体检测算法，利用混合高斯的参数学习机制，用权重较大的高斯函数描述频率高的背景像素值，用权重较小的高斯函数描述前景像素值。一般地，对一幅图像用混合高斯前景建模，最少要用三个高斯函数。在背景与前景的高斯分配上，像素点的背景要用至少两个高斯函数来描述，前景至少用一个高斯函数描述。在优选实施例中，选择用6个高斯函数混合进行前景建模，则更能精确地区分运动目标物体。

将当前像素值I_t与每个背景高斯分布均值

作差，其绝对值与分布标准差

的D倍比较，前景像素点的判断式如下:

(1)；

其中，t表示当前帧，t-1表示上一帧，i表示当前像素点。

若绝对值大于分布标准差的D倍，则该像素点是运动目标物体的前景像素点，反之则是背景像素点。只要像素值I_t匹配任一个背景高斯分布，则I_t是背景像素点对应的像素值。对于参数D的选取，本实施例取值为3。

在优选的实施例中，对于存在颜色的高斯分布，高斯分布标准差

会过大或过 小，若继续根据式（1）进行判别，就会使某些像素点遗漏。为使提取的前景更充分，本实施例 根据下式来判断:

（2) 或

（3)；

式中

和

为阈值。

对式（2）或（3）进行相或运算，即若像素值I_t满足（2）或（3）式之一，则判定像素值I_t对应的像素点为运动前景像素点。

其次，步骤二，在上一步骤中被标记的所有运动前景像素点结合起来，获得运动目标物体的大概轮廓，通过对轮廓曲线进行多边形拟合得到运动目标物体的精确外轮廓曲线，即边界曲线。

具体地，设运动目标物体的大概轮廓C经数字化处理后，被表示为一个平面上的点的序列：C={P(i) =(x_i，y_i)| i=1，2，...，n}，其中n为图像边界曲线上像素点的个数。假设P(i)，P(i-1)，P(i+1)为相邻的三个像素点，定义某一像素点P(i)的弦高度是指以像素点P(i-1)，P(i+1)的连线为底，像素点P(i)到线段P(i-1)，P(i+1)的垂直距离C(P(i))，设定弦高度的初始阈值为T_C。

为大概轮廓上的每一个像素点P(i)指定一个权值，这个权值就是上面所定义的弦高度C(P(i))，根据弦高度来分析此像素点对边界曲线形状的贡献。如果贡献值很小，那么把该像素点删除，保留那些边界曲线形状影响较大的像素点，最终达到阈值门限T_C的拟合要求。如果权值大于此阈值，则算法结束，否则删除这个权值最小的像素点，重复上述步骤。最后剩下的边界曲线上的像素点集为P ={P₁，P₂，…，P_m}，其中m为进行多边形拟合后的像素点数目。

再次，步骤三，将步骤二中拟合后的边界曲线作为运动目标物体模板，建立运动目标物体模板后，再通过根据多个摄像头的不同视角，不断进行运动目标物体模板的实时更新，实时匹配跟踪运动目标物体，并利用多个摄像头获取的图像帧信息进行信息融合，从而达到估计运动目标物体的运动轨迹的目的。

具体地，在同一监测区域内，在k-1时刻，建立当前摄像头的运动目标物体模板，设运动目标物体的状态向量为X_k-1，k时刻，运动目标物体移动到下一个摄像头中，运动目标物体的状态向量为X_k,则运动目标物体的运动状态根据下式计算：

X_k=AX_k-1+BU_k−1+W_k-1 (4)；

其中，A是状态转移矩阵；B为控制矩阵，U_k−1和W_k-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量。根据式（4），更新运动目标物体模板。

以k-1时刻或k时刻获取到运动目标物体的摄像头的画面帧为二维平面，建立X-Y轴坐标系，取k-1时刻运动目标物体的状态向量X_k-1为一个4维向量X_k-1=(S_x，k-1、S_y，k-1、V_x，k-1、V_y，k-1)^T、S_x，k-1、S_y，k-1为运动目标物体k-1时刻在上一个监测区域画面的 X 轴与 Y轴的位置；V_x，k-1、V_y，k-1为运动目标物体k时刻在X 轴与Y轴方向的分速度。

通过对运动目标物体模板进行更新，有助于针对不同角度和位置的摄像头的拍摄时，更好地匹配和追踪运动目标物体。

当运动目标物体离开当前的监测区域后，即在相邻监控区域捕捉到运动目标物体后，在运动目标物体刚刚离开的监测区域内，将多位置的摄像头捕捉到的图像信息进行信息融合，从而达到估计运动目标物体的运动轨迹的目的。

具体地，同一监测区域内的多个摄像头位置构成摄像机网络结构，每个摄像机可以将检测到的运动目标物体根据摄像机标定信息，将监测画面内的图像坐标转换为世界坐标系下的三维坐标。因此，可以将每个摄像头位置看作是一个三维位置传感器，并以此为基础进行多摄像头的目标的融合轨迹MI。

最后，步骤四，根据目标的融合轨迹MI预测行为的移动方向，调配移动方向的相邻区域的多个摄像头提前做好跟踪准备。

具体地，根据步骤三中，摄像机网络结构构成的监测区域中，形成融合的运动目标物体移动融合轨迹MI，就能得到整个监测区域的运动信息，其中由于监测区域的边界处容易产生极大的梯度异常值，为了精确预测行为的移动方向，我们计算监测区域图像的边界处的边界梯度，通过限制梯度幅度，过滤异常值，预测运动目标物体的移动方向。

在优选实施例中，边界梯度的计算方法如下所示:

（6）；

这里，C(u)表示梯度相关性，

和

分别表示图像的边界处的相邻两个图 像块的灰度的梯度函数，u表示图像块的灰度，并且*表示复共轭。此外，梯度相关值越大，表 示边界处的两个图像块彼此相似，设定梯度阈值，过滤掉梯度相关值小于梯度阈值的图像 块。此处的图像块指代将图像的边缘处的图像窗口分成的若干个小区域，它们被称为“图像 块”。

基于过滤掉梯度异常的图像块后的融合轨迹MI，将融合轨迹MI划分为多个短线段，短线段划分的越多越好，短线段越短越好，划分的短线段越多则计算量越大，但是计算结果越精确。分别计算每个短线段上的运动目标物体的移动方向，设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值，运动目标物体的移动方向orientation(x,y)的计算公式为：

orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) （5）；

其中，orientation(x,y)为运动目标物体在短线段上的移动方向，计算时要考虑Dx和Dy的符号，通过orientation(x,y)预测运动目标物体的每个短线段的移动方向，将所有短线段的移动方向组合起来，形成融合轨迹MI的整体的运动目标物体移动路线，联动移动方向的相邻监测区域的多个摄像头继续多维度监控运动目标物体的移动路线。

步骤五，根据运动目标物体在各个监测区域的轨迹最终对运动目标物体的行为进行判定，跟行为定义库的已定义的行为模式进行比对，确认该行为是否为正常行为，若该行为被人为判定为异常行为且未被定义，则将异常行为作为样本保存到行为定义库中，保存运动目标物体异常行为的视频画面作为证据，同时在后台中向管理员发出警报。

本发明的智慧酒店终端监测方法通过监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集，对采集到的视频图像进行运动目标物体检测，根据运动目标物体在各个监测区域的运动目标物体移动路线最终对运动目标物体的行为进行判定，使得智慧酒店终端***能够及时、准确、快速的识别终端位置处的异常情况，提高了酒店管理的安全性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种智慧酒店终端监测方法，其特征在于，包括如下步骤：

步骤一，通过同一监测区域内的不同终端位置设置的多个不同视角的摄像头对该监测区域进行视频采集，对采集到的视频图像进行运动目标物体检测，提取运动目标物体前景像素点；

步骤二，将所有运动目标物体前景像素点结合获得运动目标物体的边界曲线；

步骤三，利用所述边界曲线建立运动目标物体模板，根据不同视角不同终端位置的摄像头进行运动目标物体模板的更新，匹配跟踪运动目标物体，利用多个摄像头获取的视频图像信息进行信息融合，生成运动目标物体的融合轨迹MI；

步骤四，根据运动目标物体的融合轨迹MI，预测移动方向，并调配移动方向的相邻区域的多个摄像头做跟踪准备；

步骤五，根据运动目标物体在各个监测区域的移动路线最终对运动目标物体的行为进行判定，跟行为定义库的已定义的行为模式进行比对，确认该行为是否为正常行为，若为异常行为，则保存运动目标物体异常行为的视频画面作为证据，同时在后台中向管理员发出警报。

2.根据权利要求1所述的智慧酒店终端监测方法，其特征在于，步骤一中，采用基于混 合高斯前景建模的运动目标物体检测算法，将当前像素点的像素值I_t与每个背景高斯分布 均值

作差，其绝对值与分布标准差

的D倍比较，前景像素点的判断式如下:

(1)；

其中，t表示当前帧，t-1表示上一帧，i表示当前像素点；

若绝对值大于分布标准差的D倍，则该像素点是运动目标物体的前景像素点，反之则是背景像素点。

3.根据权利要求1所述的智慧酒店终端监测方法，其特征在于，对于存在颜色的高斯分布，前景像素点根据下式来判断:

（2) 或

（3)；

式中

和

为阈值；若当前像素点的像素值I_t满足（2）或（3）式之一，则判定当前像素点 为运动前景像素点。

4.根据权利要求1所述的智慧酒店终端监测方法，其特征在于，步骤二中，将步骤一中提取的运动目标物体前景像素点结合起来，获得运动目标物体的轮廓，对轮廓进行多边形拟合，获得边界曲线。

5.根据权利要求4所述的智慧酒店终端监测方法，其特征在于，所述多边形拟合具体为：

为轮廓上的每一个像素点P(i)指定一个权值，所述权值为像素点P(i)的弦高度 C(P(i))，将弦高度大于阈值门限T_C的像素点P(i)保留，形成点集为P = { P₁，P₂，…，P_m}，其中m为进行多边形拟合后的像素点数目。

6.根据权利要求1所述的智慧酒店终端监测方法，其特征在于，步骤三中，所述运动目标物体模板的更新的过程为：

在同一监测区域内，在k-1时刻，建立当前摄像头的运动目标物体模板，设运动目标物体的状态向量为X_k-1，k时刻，运动目标物体移动到下一个摄像头中，运动目标物体的状态向量为X_k,则运动目标物体的运动状态根据下式计算：

X_k=AX_k-1+BU_k−1+W_k-1 (4)；

其中，A是状态转移矩阵；B为控制矩阵，U_k−1和W_k-1为下一个摄像头与当前摄像头之间的距离的变化量和角度的变化量，根据式（4），更新运动目标物体模板。

7.根据权利要求6所述的智慧酒店终端监测方法，其特征在于，步骤三中，当运动目标物体离开所述监测区域后，在运动目标物体刚刚离开的监测区域内，将多位置的摄像头捕捉到的监测画面内的图像坐标转换为世界坐标系下的三维坐标，得到所述监测区域的运动目标物体的融合轨迹MI。

8.根据权利要求5所述的智慧酒店终端监测方法，其特征在于，步骤四中，将融合轨迹MI划分为多个短线段，分别计算每个短线段上的运动目标物体的移动方向，设Dx和Dy分别为每个短线段两个端点的x坐标和y坐标的差值，运动目标物体的移动方向orientation(x,y)的计算公式为：

orientation(x,y)=arctan(Dy(x,y)/Dx(x,y)) （5）；

其中，orientation(x,y)为运动目标物体在短线段上的移动方向，通过orientation(x,y)预测每个短线段上运动目标物体的移动方向，将所有短线段上的运动目标物体的移动方向组合起来，形成融合轨迹MI的整体的运动目标物体移动路线，据此联动移动方向上的相邻监测区域的多个摄像头继续多维度监控运动目标物体移动路线。

9.根据权利要求8所述的智慧酒店终端监测方法，其特征在于，计算监测区域图像的边界处的边界梯度，通过限制梯度幅度，过滤异常值，精确预测运动目标物体的移动方向；

边界梯度的计算方法为:

（6）；

其中，C(u)表示梯度相关性，

和

分别表示图像的边界处的相邻两个图像块 的灰度的梯度函数，u表示图像块的灰度，并且*表示复共轭。

10.根据权利要求1所述的智慧酒店终端监测方法，其特征在于，步骤五中，若该行为被人为判定为异常行为且未被定义，则将异常行为作为样本保存到行为定义库中。

Images