[发明专利]一种基于摄像头的运动物体实时追踪系统及方法

说明书

本发明提供一种基于摄像头的运动物体实时追踪系统及方法，系统包括摄像头、搭配摄像头的云台、搭配云台的舵机、单片机和电源；所述摄像头、舵机和电源均与单片机连接；具有硬件成本低、功耗低、隐蔽性强等优势，适用于安防监控无法覆盖的偏僻区域以及简单的民用告警设备等。可以有效解决现有的夜视追踪摄像头成本高昂、部署条件复杂、后期维护成本高，在一些偏僻地区无法部署等问题，为社会稳定提供了保障。该方法在目标识别与追踪精度和硬件成本之间做出了平衡，在尽可能达到高精度的同时，降低了硬件成本，适合于偏僻地区的监控和民用告警装置。

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于摄像头的运动物体实时追踪系统及方法。

背景技术

近年来人工智能技术在语音识别、目标检测、无人驾驶等领域得到广泛的应用，对特定动态目标的识别与追踪技术在生产、安防、监护、消费等行业也进入研究应用的高峰期。

目前市面上出现一些移动跟踪摄像头，有部分集成一体化的摄像头可以直接进行商用安装，但是大部分摄像头都是自带光源，且一般使用红外光源或是LED 可见光补光，这类摄像头的隐蔽性不是很好，非常容易被人发现，而且普遍价格较贵，如果用在运动目标较少的场所，如夜间的小巷、楼道等行人较少的地方，使用费用偏贵且需要搭配对应的信息传送光纤等基础设施。而查阅相关方面的专利技术，并没有将技术核心放在如何识别运动物体上，对识别算法没有具体的阐释，并且对摄像头获取的图像信息如何分析并且用于指导搭载摄像头的云台工作没有清晰的流程。此外，还有一些则是只能对信息库中已有的人或物进行追踪，而本专利则可以追踪陌生的运动物体。

算法方面，传统的物体检测算法首先使用滑动窗对图像进行特征提取，然后使用分类器对图像进行分类。传统算法中较为常见特征提取方法有Cascade方法、HOG/DPM方法、HAAR/SVM以及这几个方法的一些改进、优化算法。其缺点是运算效率都不适合于实时追踪动态目标。

而常见的动态目标检测算法也有很多，如光流法，在一些领域的应用较为广泛，其思路主要是计算光流场，即在适当的平滑性约束条件下，根据图像序列的时空梯度估算运动场，通过估算运动场的变化对运动目标和场景进行检测和分割。通常由基于全局光流场和特征点光流场的两种方案，但是缺点是全局光流场的计算量极大而特征点光流场无法精确地提取运动目标的特征等，而且光流法的抗噪性能较差，没有特殊的设备很难实时的对目标进行处理并分析运动轨迹。

此外，还有应用于特殊场景的减背景法。减背景法是一种有效的运动对象检测算法，其基本思想是利用背景的参数模型来近似背景图像的像素值，将当前图像同背景图像进行比对差分从而实现对运动区域的检测，减背景法必须要有背景图像，且背景图像必须跟随光照等外部环境因素变化而实时更新，需要建立关于不同场景的动态变化均具有自适应性的背景模型，减少动态背景变换对运动分割的影响。目前，主要有非回归递推式以及回归递推式两种算法，缺点是其对环境的要求比较高，只能用于很特定的场合。

另外，还有基于神经网络的检测算法。比如将树莓派作为边缘计算的载体，使用基于深度学习方法中的one stage算法，实验对比选出MobileNet-SSD算法作为目标检测识别算法，并对其优化，在精度不受太大影响情况下，使模型更小、速度更快，提高了目标检测的实时性，实现实时目标检测系统；也有基于 GoogleNet卷积神经网络的YOLO v3算法，以Jetson TX2为控制核心并结合基于模糊逻辑思想的追踪避障算法识别出目标运动的转向、转动幅度及障碍物位置，实现对系统的运动进行精确控制且准确避障。这两种基于深度学习和卷积神经网络的实现方法的缺点是其对硬件的要求较高，需要有足够的算力在本地实现对数据的训练处理，这样一来会提升硬件成本且算法较为复杂。

发明内容

本发明为提供一种基于摄像头的运动物体实时追踪系统，该系统可实现实时的少量运动目标检测与追踪。

本发明的又一目的在于提供一种上述基于摄像头的运动物体实时追踪系统的运动物体实时追踪方法。