專利名稱：一種視頻監控目標自動檢測的方法和系統的制作方法
技術領域：
本發明涉及視頻監控圖像處理技術領域，尤其涉及一種視頻監控目標自動檢測的方法和系統。
背景技術：
隨著社會對公共安全的重視和監控設備的普及，視頻監控得到了越來越廣泛的應用，視頻數據為許多行業的取證工作提供了法律依據，同時視頻數據已經達到了海量，有些時候為了取證一段錄像，會讓很多人連續不斷地調閱視頻歷史錄像，造成大量的人力、物力、財力的浪費，工作效率低。此外，由于視頻監控設備的規格有差異，有些視頻監控中圖像分辨率低、畫面模糊，給視頻自動行人檢測增加了不少難度。如何從視頻錄像中迅速準確地找到用戶感興趣的片段或目標，成為目前傳統視頻監控領域一個比較棘手的問題。

發明內容
本發明的目的在于克服現有技術的缺陷和不足，提供一種視頻監控目標自動檢測方法和系統，解決現有技術中對海量視頻數據查詢效率低的問題。為達到上述目的，本發明是通過以下技術方案來實現的一種視頻監控目標自動檢測的方法，該方法包括如下步驟Sl 創建待測目標樣本，離線訓練級聯分類器；S2:選取待測目標樣本中相鄰兩幀目標圖像利用運動差分算子得到運動差分圖像，訓練運動特征分類器；S3:利用所述運動特征分類器檢測并篩選出視頻監控中的運動區域，然后調用訓練好的匹配分類器進行匹配循環，直至匹配分類器的大小大于原圖；S4 判斷采用訓練樣本窗口通過級聯分類器每一層后的返回值；S5 步驟S4中返回正值時，目標在視頻監控中被實時檢索出來并突出顯示。進一步的，所述步驟Sl中離線訓練分類器的方法是選取擴展的Haar特征，采用 Gentle AdaBoost算法進行分類器訓練。進一步的，所述步驟S2中根據下述公式(1) ( 得到運動差分圖像Δ = abs(It-It+1)(式 1)U = abs(It-It+1 個)(式2)L = abs(It_Iw—)(式 3)R = abs(It_Iw —)(式 4)D = abs(It_It+1 I )(式 5)其中，定義Δ為第一幀圖像的像素值It與第二幀圖像的像素值Iw的差，U為第一幀圖像的像素值It與第二幀圖像向上位移一個像素值Iw的差，L為第一幀圖像的像素值It與第二幀圖像向左位移一個像素值Iw的差，R為第一幀圖像的像素值It與第二幀圖像向右位移一個像素值Iw的差，D為第一幀圖像的像素值It與第二幀圖像向下位移一個像素值Iw的差，abs()代表絕對值。進一步的，所述步驟S4中匹配循環的方法是將匹配分類器放大給定的參數倍，同時原圖縮小給定的參數倍，進行匹配，直到匹配分類器的大小大于原圖，返回匹配結果。進一步的，所述步驟Sl中級聯分類器用于檢測視頻圖像中尺寸20像素X 15像素的目標。進一步的，所述步驟S4中采用判定訓練樣本窗口中的目標特征像素值大于相應級聯分類器的閾值來確定通過每一層級聯分類器。本發明還公開一種采用所述的視頻監控目標自動檢測的方法的系統，該系統包括級聯分類器，用于檢測監控視頻中目標的外形特征；運動特征分類器，用于檢測并篩選出監控視頻中的運動區域；信號處理單元，對篩選出的運動區域調用訓練好的匹配分類器進行匹配循環，判斷采用訓練樣本窗口通過級聯分類器每一層后的返回值；控制單元，對所要進行提取的目標進行設置。進一步的，所述級聯分類器包括人臉檢測分類器、人臉局部特征檢測分類器、上身肩膀區域特征分類器。進一步的，所述系統用于視頻監控中行人、車輛、車牌的實時檢測。進一步的，所述系統用于檢測視頻圖像中尺寸20像素X 15像素的目標。本發明公開一種視頻監控目標自動檢測的方法和系統，結合視頻中行人運動信息和形態信息，基于Gentle AdaBoost算法和擴展的Harr特征訓練分類器并自動進行視頻中的行人檢測，該方法具有速度快，精度高的特點，提高了視頻中特征提取的效率，可以廣泛應用于視頻檢索領域中行人的檢測和跟蹤。


下面根據附圖和實施例對本發明作進一步詳細說明。圖1為從視頻監控中人工選取的正樣本圖；圖2為訓練后的正樣本集；圖3為對訓練后的樣本圖像對采用運動差分算子運算后的差分圖像；圖4為擴展的Haar特征；圖5為分類器訓練流程圖；圖6為擁有K級分類器的人臉檢測系統；圖7為本發明視頻監控目標自動檢測的方法流程圖；圖8為本發明視頻監控目標自動檢測的系統框圖。
具體實施例方式本發明的技術原理基于Gentle AdaBoost分類器和擴展Harr特征進行視頻監控中的行人檢測，該方法主要涉及兩個方面分類器離線訓練和行人實時檢測。分類器離線訓練，創建訓練目標樣本，訓練樣本分為正例樣本和反例樣本，其中正例樣本是指待檢目標樣本，反例樣本指其它任意圖片。分類器訓練中利用圖像的運動信息和外形信息，提高識別的準確性。行人實時檢測，根據監控視頻的運行信息，只檢測運動的部分，提高系統的實時性。該方法綜合利用視頻圖像中的目標運動特征和外形特征，能有效檢測視頻圖像中小尺度目標(20像素*15像素)行人；同時利用人臉及其局部信息，主要包括人臉和上身肩膀區域特征，可大幅度增強行人檢測的精度和魯棒性。實時檢測階段，將首先利用監控視頻編碼信息中的運動信息，確定視頻圖像中的運動區域，調用訓練好cascade分類器進行模式匹配，可大大減少匹配區域，提高系統檢測速度。采用Gentle AdaBoost及其提出的擴展Harr特征在行人檢測領域性能最優。下面結合附圖和實施例對本發明作進一步說明。圖1為從視頻監控中人工選取的正樣本圖；對于正樣本，通常的做法是先把所有正樣本裁切好，并對尺寸做規整(即縮放至指定大小)。本方案采用實際監控視頻若干段，每段視頻包括若干幀圖像，其中包括行人圖像和背景圖像。對于每一幀圖像里，通過手動的方式框選出行人，作為訓練正樣本。圖2為訓練后的正樣本集；對圖1中的樣本數據進行運動訓練，提取出正樣本圖像對，如圖2所示。圖3為對訓練后的樣本圖像對采用運動差分算子運算后的差分圖像；利用圖2中的正樣本圖像對相鄰兩幀目標圖像通過運動差分算子進行運算，得到運動差分圖像，如圖3所示。運動差分算子的定義如下Δ = abs(It-It+1)(式 1)U = abs(It-It+1 個)(式2)L = abs(It_Iw—)(式 3)R = abs (It_It+1 —)(式 4)D = abs(It_It+1 I )(式 5)其中，定義Δ為第一幀圖像的像素值It與第二幀圖像的像素值Iw的差，U為第一幀圖像的像素值It與第二幀圖像向上位移一個像素值Iw的差，L為第一幀圖像的像素值It與第二幀圖像向左位移一個像素值Iw的差，R為第一幀圖像的像素值It與第二幀圖像向右位移一個像素值Iw的差，D為第一幀圖像的像素值It與第二幀圖像向下位移一個像素值Iw的差，abs()代表絕對值。 圖4為擴展的Haar特征；Haar特征為一種簡單矩形特征，其值是黑色矩形和白色矩形在圖像子窗口對應的區域的灰度值之和的差，反映圖像局部的灰度變化。Haar特征分為三類邊緣特征、線性特征、中心特征和對角線特征，組合成特征模板。在確定了特征形式后Haar特征的數量就取決于訓練樣本圖像矩陣的大小，特征模板在子窗口內任意放置，一種形態稱為一種特征，找出所有子窗口的特征是進行弱分類訓練的基礎。AdaBoost算法是一種能將若干弱分類器組合成強分類器的方法。每個弱分類器選擇一個或幾個Haar特征來對樣本進行分類，若干個弱分類器通過AdaBoost算法組合成一級強分類器。其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。使用AdaBoost分類器可以排除一些不必要的訓練數據特徵，并將關鍵放在關鍵的訓練數據上面。Adaboost算法的具體步驟如下1.給定訓練樣本集S，其中X和Y分別對應于正例樣本和負例樣本；T為訓練的最大循環次數；2.初始化樣本權重為1/n，即為訓練樣本的初始概率分布；3.第一次迭代(1)訓練樣本的概率分布相當下，訓練弱分類器；(2)計算弱分類器的錯誤率；(3)選取合適閾值，使得誤差最小；(4)更新樣本權重；經T次循環后，得到T個弱分類器，按更新的權重疊加，最終得到的強分類器。AdaBoost 算法分為 Real AdaBoost、Discrete AdaBoost 禾口 Gentle AdaBoost。通過三種算法在弱分類器上進行對比試驗，Gentle AdaBoost的效果明顯好于其他兩種算法。 下面以具體的實施例來進行說明，本項目采用Gentle AdaBoost進行分類器訓練。輸入訓練樣本 I(Xi^yi)IjXi e X, Yi e {_1，+1}，i = 1,2,…，N. 1初始化樣本的權值分布Cli = 1/N，i = 1,2,…，N.2for t = Ito T do
權利要求
1.一種視頻監控目標自動檢測的方法，其特征在于，包括如下步驟51創建待測目標樣本，離線訓練級聯分類器；52選取待測目標樣本中相鄰兩幀目標圖像利用運動差分算子得到運動差分圖像，訓練運動特征分類器；53利用所述運動特征分類器檢測并篩選出視頻監控中的運動區域，然后調用訓練好的匹配分類器進行匹配循環，直至匹配分類器的大小大于原圖；54判斷采用訓練樣本窗口通過級聯分類器每一層后的返回值；55步驟S4中返回正值時，目標在視頻監控中被實時檢索出來并突出顯示。
2.根據權利要求1所述的視頻監控目標自動檢測的方法，其特征在于，所述步驟Sl中離線訓練分類器的方法是選取擴展的Haar特征，采用Gentle AdaBoost算法進行分類器訓練。
3.根據權利要求1所述的視頻監控目標自動檢測的方法，其特征在于，所述步驟S2中根據下述公式(1) (5)得到運動差分圖像Δ ==abs(It-It+][)(式1)U =abs(It-It+1 )(式 2)L =abs(It-It+1—)(式 3)R =abs(It-It+1—)(式 4)D =abs(It-It+1I )(式 5)其中，定義Δ為第一幀圖像的像素值It與第二幀圖像的像素值Iw的差，U為第一幀圖像的像素值It與第二幀圖像向上位移一個像素值Iw的差，L為第一幀圖像的像素值It 與第二幀圖像向左位移一個像素值Iw的差，R為第一幀圖像的像素值It與第二幀圖像向右位移一個像素值Iw的差，D為第一幀圖像的像素值It與第二幀圖像向下位移一個像素值Iw的差，abs()代表絕對值。
4.根據權利要求1所述的視頻監控目標自動檢測的方法，其特征在于，所述步驟S4中匹配循環的方法是將匹配分類器放大給定的參數倍，同時原圖縮小給定的參數倍，進行匹配，直到匹配分類器的大小大于原圖。
5.根據權利要求1所述的視頻監控目標自動檢測的方法，其特征在于，所述步驟Sl中級聯分類器用于檢測視頻圖像中尺寸20像素X 15像素的目標。
6.根據權利要求1所述的視頻監控目標自動檢測的方法，其特征在于，所述步驟S4中采用判定訓練樣本窗口中的目標特征像素值大于相應級聯分類器的閾值來確定通過每一層級聯分類器。
7.一種采用權利要求1 6之一所述的視頻監控目標自動檢測的方法的系統，其特征在于，所述系統包括級聯分類器，用于檢測監控視頻中目標的外形特征；運動特征分類器，用于檢測并篩選出監控視頻中的運動區域；信號處理單元，對篩選出的運動區域調用訓練好的匹配分類器進行匹配循環，判斷采用訓練樣本窗口通過級聯分類器每一層后的返回值；控制單元，對所要進行提取的目標進行設置或顯示。
8.根據權利要求7所述的系統，其特征在于，所述級聯分類器包括人臉檢測分類器、人臉局部特征檢測分類器、上身肩膀區域特征分類器。
9.根據權利要求7所述的系統，其特征在于，所述系統用于視頻監控中行人、車輛、車牌的實時檢測。
10.根據權利要求7所述的系統，其特征在于，所述系統用于檢測視頻圖像中尺寸20像素X 15像素的目標。
全文摘要
本發明公開一種視頻監控目標自動檢測的方法和系統，結合視頻中目標運動信息和形態信息，基于Gentle AdaBoost算法和擴展的Harr特征訓練分類器并自動進行視頻中的目標檢測，最后判斷采用訓練樣本窗口通過級聯分類器每一層后的返回值，返回正值時，目標在視頻監控中被實時檢索出來并突出顯示，從而解決現有技術中對海量視頻數據查詢效率低的問題。該發明設計簡單，具有檢測速度快，精度高、魯棒性強的特點，提高了視頻中特征提取的效率，可以廣泛應用于視頻檢索領域中行人的檢測和跟蹤。
文檔編號G06F17/30GK102496001SQ20111036279
公開日2012年6月13日 申請日期2011年11月15日 優先權日2011年11月15日
發明者王芳 申請人:無錫港灣網絡科技有限公司