[发明专利]一种监控视频人员状态识别方法

说明书

本发明公开了一种监控视频人员状态识别方法。通过现有目标检测算法和目标跟踪算法的综合模块，建立视频图像中人员目标的轨迹信息；基于图像像素时序灰度分布特性构建视频场景的背景模型，通过背景模型对目标边界信息进行精确定位；通过轨迹的帧间位置移动量判断人员目标的状态。本发明解决了单一检测和跟踪算法无法判断人员状态缺点，同时解决了检测算法存在的漏检、虚检问题以及跟踪算法存在跟踪失败、定位不准的问题，其结果可给出室内监控视频中人员目标的静止和运动两种状态。

技术领域

本发明涉及视频图像智能处理领域，具体的说是一种目标状态判别的方法。

背景技术

针对由平台固定、探测器的视场与焦距固定拍摄得到室内监控视频图像，图像中场景复杂并且人员目标存在较大的姿态和形状的变化，依靠人力对室内监控视频内容进行分析进而识别出其中人员目标的状态是非常乏味而且成本高的工作。因此建立一套自动的智能监控系统，能够准确地从室内监控视频中自动提取出人员目标并且判别其状态是目前非常有潜力的发展方向。

目前，针对室内监控视频图像的算法设计，大都集中在序列图像中人员目标的检测及跟踪研究上。其中，基于Faster RCNN卷积神经网络的检测算法是目标较好的人员目标检测算法，该算法通过离线训练好的网络模型，可以从复杂的场景中检测不同姿态的人员目标，但是存在一定的漏检和虚检的情况，并且该检测算法输出的目标区域不够精确的；针对监控视频中人员目标的跟踪算法，由于序列图像中目标的姿态、形状等会发生较大的变化，基于统计模型的均值移位算跟踪法能较好的适应此种情况，但是该跟踪算法在跟踪失败时，无法自适应调节调节，并且该跟踪算法的定位不够精确；同时，单一的检测和跟踪算法都无法实现复杂室内场景下人员的状态的判别。

发明内容

为解决上述现有算法存在的定位不精确、跟踪失败时无法自适应调节、无法实现复杂室内场景下人员的状态的判别等问题，本发明提供一种监控视频人员状态识别方法，技术方案如下：

(1)在目标检测算法和目标跟踪算法的基础上，设计综合模块，完成检测与跟踪算法的结合与相互监督，建立视频图像中人员目标的轨迹信息；

(2)基于图像像素时序灰度分布特性构建视频场景的背景模型，通过背景模型对目标边界信息进行精确定位；

(3)通过轨迹的帧间位置移动量判断人员目标的状态。

较佳地，步骤(1)所述目标检测算法为基于帧间差分、基于卡尔曼滤波、基于背景建模或基于深度学习的目标检测算法。

较佳地，步骤(1)所述目标跟踪算法为基于角点、基于粒子滤波、基于相关滤波或基于均值移位的目标跟踪算法。

基于多策略的检测区域和跟踪区域关联及分配方法的综合模块完成检测和跟踪算法的结合与相互监督，建立目标轨迹，轨迹信息包括帧序号、目标编号、目标位置、目标框尺寸以及目标的状态信息。

较佳地，利用综合模块完成检测和跟踪算法的结合与相互监督，该综合模块处理包括以下步骤：

1)若检测算法首次检出目标，则直接以检测输出的位置信息建立目标轨迹，并且以该位置信息初始化跟踪算法，若非首次检出目标，则计算当前帧图像中所有检测区域与所有跟踪区域的重叠率，计算公式如下式(1)所示，

式中，S_D为检测区域的目标区域面积，S_T为跟踪区域的目标区域面积。

2)对于某一检测区域，取和其重叠率最大的跟踪区域，若该重叠率大于阈值thres1，则认为该检测区域与该跟踪区域关联成功，得到关联成功的目标区域。

3)对所有的检测区域重复步骤2)，得到所有关联成功的目标区域，未关联的跟踪区域和未关联的检测区域。