[发明专利]一种用于视频监控的运动目标检测和识别方法

说明书

本发明公开了一种用于视频监控的运动目标检测和识别方法，所述方法包括以下步骤：训练图像目标识别模型；获取实时视频流，进行图像预处理；对预处理后的图像进行运动感知，检测是否存在运动目标；利用所述的图像目标识别模型对运动目标进行识别；所述的运动感知的过程采用局部敏感哈希算法，通过对比两张图像的局部敏感哈希向量获得检测结果。本发明方法判断是否有运动目标出现在监控范围内，既稳定又快速；运动目标检测和识别模块目标检测深度学习方法，准确性高，速度又快，且可以部署到监控摄像头前端；且将运动感知和目标检测识别分开，能大大的节省计算资源，降低能耗。

技术领域

本发明属于视频图像处理技术领域，具体涉及一种用于视频监控的运动目标检测和识别方法。

背景技术

由于现代社会人口密集程度高，社会关系复杂，日常人们需面对越来越多的突发和异常事件，几乎所有的公共场合都有部署监控的需求，面对海量的视频数据，如果完全靠人工进行监控，费时费力。因此，视频监控必须实现智能化，代替或辅助人工监控，用于解决实际问题。

智能监控系统一般是利用摄像机拍摄，实时获取视频流，接着将视频数据传入监控系统处理模块，此时模块会自动对视频中的目标进行检测、识别、跟踪等，以此发现监控区域内存在的异常情况，比如，监控区域内出现人、车、飞行物等入侵现象，发生这种情况就可以进行记录并警报处理。

在视频监控中，运动目标检测是极其重要的部分。运动目标检测也是计算机视觉领域的一个研究热点，其目的是从待检测的视频序列中把运动目标有效地从背景中提取出来，可理解为运动目标与背景的分类问题。在视频监控的发展过程中，运动目标检测的传统方法主要包括：光流法、背景差分法、帧差分法。其中，光流法比较耗费时间、计算复杂性大，并且抗噪声的能力差，实时性和实用性较差；背景差分法鲁棒性较差，动态场景的变化对结果有很大的影响，比如：光照的变化，天气的变化等；帧差分法，在运动目标运动缓慢，光照差或雨雪天气时，帧差分法的检测效果并不是很好。随着深度学习的兴起，运动目标检测可以使用深度学习模型完成，大大提高了其运动目标检测的准确性，但是深度学习运动目标检测模型需要耗费大量算力资源，监控前端部署较为困难。通常在安防领域，完成运动目标的定位后，还需要对运动目标进行识别，以找出感兴趣的运动目标，如人、车、飞行物等。目标识别目前使用深度学习算法进行，已经非常成熟可用，模型架构一般较为简单，且能完全部署在监控前端，无需在监控后端进行识别。

通过上面的分析可以看出，现有的目标检测和识别方法，并没有适用于多种检测背景和检测目标的通用算法，传统算法和深度学习算法各有优缺点。因此，找到一种解决方案既能稳定进行运动目标检测和识别，又能节省大量的计算资源，使得运动目标检测和识别可部署在监控摄像头前端，是非常有意义的。

发明内容

有鉴于此，为解决背景技术中存在的技术问题，本发明的目的在于提供一种用于视频监控的运动目标检测和识别方法，所述方法采用运动感知结合运动目标识别的思路，提出采用局部敏感哈希(LSH)算法，对监控视频中是否有运动目标侵入进行判断，如果一旦感知到有运动目标侵入，立即使用深度学习目标检测识别模型进行预测，判断该运动目标是否为感兴趣目标，并进行记录和警报处理，以此完成智能化视频监控。

基于上述目的，一种用于视频监控的运动目标检测和识别方法，包括以下步骤：

步骤1，训练图像目标识别模型；

步骤2，获取实时视频流，进行图像预处理；

步骤3，对预处理后的图像进行运动感知，检测是否存在运动目标；

步骤4，利用所述的图像目标识别模型对运动目标进行识别。

步骤3中所述的运动感知的过程包括以下步骤：

步骤301，对具有先后时序的两张图像，采用局部敏感哈希算法，计算出两张图像的局部敏感哈希向量；