运动目标识别方法

《运动目标识别方法》由会员分享，可在线阅读，更多相关《运动目标识别方法（30页珍藏版）》请在装配图网上搜索。

1、071021-I-CP-ZAB说 明 书 摘 要本发明公开了一种运动目标识别方法，该方法在场景模型提供的先验知识辅助下，从视频序列中识别出感兴趣的目标（例如，人和车），并描述其静态和运动信息（区域、轮廓、纹理、类别、运动轨迹、速度等等）。所述运动目标识别方法包括：目标检测、目标跟踪和目标分类。其中，目标检测用于从视频图像中提取感兴趣的区域；目标跟踪用于建立帧与帧之间所提取区域之间的关联性和一致性，形成目标；目标分类对区域和目标进行分类（如人和车），分类器包括区域分类器和目标分类器。根据本发明提供的方案，实现了运动目标的检测、跟踪和分类，解决了图像抖动、亮度变化、阴影、树叶摆动等问题。摘 要 附

2、 图视频目标检测目标跟踪目标分类目标102030权 利 要 求 书1、一种运动目标分类方法，其特征在于，该方法包括：A、目标检测，用于从视频图像中提取感兴趣的区域； B、目标跟踪，用于建立帧与帧之间所提取区域之间的关联性和一致性，形成目标； C、目标分类，对区域和目标进行分类（如人和车），分类器包括区域分类器和目标分类器。2、根据权利要求1所述的方法，其特征在于，步骤A中所述目标检测进一步包括：视频获取，获取视频内容，以得到场景图像；图像预处理，用于消除其对背景模型的影响；区域标记，用于对背景模型进行前景分割，并标记出一个一个连通区域；系统状态维护，用于判定检测器模块当前所处的状态，做出相应处

3、理，并且在必要时做异常检测；区域增强，用于剔除阴影、高亮和树叶摆动等虚假区域；区域分裂与合并，用于解决目标过分割和目标相互遮挡问题。3、根据权利要求2所述的方法，其特征在于，所述图像预处理包括：滤波处理和全局运动补偿。所述滤波处理是指对图像做噪声过滤、平滑等处理。滤波处理可以通过多种图像去噪、图像平滑处理方法实现。所述全局运动补偿是指补偿由于相机轻微摆动而引起的图像全局运动。在全局运动补偿中，运动模型基本上就是反映摄像机的各种运动，包括平移、旋转、变焦等。4、根据权利要求2所述的方法，其特征在于，所述区域标记进一步包括：前景分割；形态学处理；连通区域标记。所述前景分割是指基于背景模型对场景图像

4、进行分割，以得到前景的二值图像。所述形态学处理是指使用数学形态学的方法处理所述的二值图像，以去除面积较小的虚假区域，并填充面积较大的区域。数学形态学的方法可以通过先腐蚀后膨胀的方法实现。所述连通区域标记是指用连通域的方法标记同一场景中的不同区域，以区别不同的目标区域。连通区域标记方法可以通过四连通域方法、八连通域方法实现。5、根据权利要求2所述的方法，其特征在于，所述系统状态维护包括：状态判定和异常检测所述状态判定用于判定当前所处的状态，并做出相应处理。该方法主要是通过场景稳定时间、场景改变时间来判定的。当场景稳定时间超过此时间阈值，系统由初始化状态进入工作状态；当场景改变时间超过此时间阈值，

5、系统由工作状态进入初始化状态。当处于所述工作状态时，继续执行下一操作，背景模型不变。当处于所述初始化状态时，重新建立背景模型，并在必要时做出异常检测。所述重新建立背景模型可以通过帧间差分法实现。所述异常检测，是在必要时执行，包括视频信号干扰严重，有人为的遮挡相机等情况。6、根据权利要求2所述的方法，其特征在于，所述区域增强使用差分图像、边缘图像、区域形状纹理等特征以及跟踪器反馈数据，剔除阴影、高亮和树叶摆动等虚假区域，其包括：图像差分、边缘检测、阴影检测、高亮检测、树滤波。7、根据权利要求6所述的方法，其特征在于，所述图像差分用于前景图像，可以通过帧间差分法或背景差分法实现。所述帧间差分法是利

6、用相邻两帧之间的差来获得差分图像。8、根据权利要求6所述的方法，其特征在于，所述边缘检测的基本思想是先检测前景图像中的边缘点，再按一定策略连接成轮廓，从而构成边缘图像。所述边缘检测可以通过灰度阈值法、跟踪法以及小波变换法实现。9、根据权利要求6所述的方法，其特征在于，所述阴影检测用于检测前景图像中的阴影区域，包括人、车的阴影，并将检测到的阴影区域滤除。所述阴影检测的思想是针对每个连通区域，分别计算该连通区域内的亮度的平均值，并将该平均值作为阈值，判定该区域的阴影区域，然后将阴影区域滤除。阴影判定规则如下：若亮度值小于所述阈值，则判定为阴影。10、根据权利要求6所述的方法，其特征在于，所述高亮检

7、测用于检测图像是否处于高亮状态，若是则进行亮度补偿。11、根据权利要求6所述的方法，其特征在于，所述树检测用于检测图像中的摆动的树叶及其阴影，并将其从前景图像中滤除。所述摆动树叶的检测是根据以下两个特征判定实现的：（1）运动轨迹跟踪，若某一目标的运动轨迹符合某一规律，则认为该目标是摆动树叶；（2）质心运动的振幅，若某一目标的质心运动的振幅是突变的，则认为该目标是摆动树叶。所述摆动树叶阴影的检测是通过检测区域内点的密集度来实现的，其思想是：分别计算膨胀操作前后区域内的点，并计算它们的比率，若该比率小于某一阈值，则认为该区域是摆动树叶的阴影区域。12、根据权利要求2所述的方法，其特征在于，所述区域

8、分裂与合并使用场景模型提供的约束以及人和车模型等先验知识对区域进行合并和分裂处理，以解决目标过分割和目标相互遮挡问题。13、根据权利要求1所述的方法，其特征在于，步骤B中所述目标跟踪进一步包括：目标预测，用于估计目标的下一帧运动；目标匹配，用于跟踪匹配的稳定目标，并滤除一些虚假目标；目标更新，用于当前帧中稳定目标的模板更新。14、根据权利要求13所述的方法，其特征在于，所述目标预测的思想是：根据目标运动的累加位移及其相应的累加时间，计算该目标运动的平均速度，并根据该速度预测目标的下一次位移。15、根据权利要求13所述的方法，其特征在于，所述累加位移、累加时间及平均运动速度的关系为：其中，为目标

9、质心稳定运动多帧后的位移，为目标运动多帧所需的时间，为该目标稳定运动的平均速度。根据所述平均速度预测的下一次位移为：其中，为预测的目标时间，为目标质心稳定运动时间后的位移。16、根据权利要求12所述的方法，其特征在于，所述目标匹配包括：跟踪匹配的稳定目标；滤除虚假目标。17、根据权利要求16所述的方法，其特征在于，所述跟踪匹配的稳定目标的核心是判定检测区域与跟踪目标是否匹配。所述匹配的判定准则包括：1）最小面积比率，要求检测区域与目标匹配成功的面积比率大于设定的最小面积比率；2）最小距离比率，要求检测区域与目标匹配成功的距离大于设定的最小距离比率；3）运动区域的最大匹配距离阈值，运动区域的匹配

10、距离阈值（像素单位）小于设定的最大匹配距离阈值；4）静止区域的最大匹配距离阈值，静止区域的匹配距离阈值（像素单位）小于设定的最大匹配距离阈值；5）跟踪目标与检测区域的最小匹配系数阈值，要求跟踪目标与检测区域的匹配系数大于此阈值。18、根据权利要求17所述的方法，其特征在于，所述判定准则5）中目标与区域的匹配用了距离、面积和直方图三个度量，这三个参数是计算最后的匹配系数时三者的权重比例，一般来说，距离匹配的权重要大于等于0.5，但权重之和须为1。19、根据权利要求17和18所述的方法，其特征在于，当同时满足所述判定规则1）5）中的条件时，才判定跟踪目标与检测区域匹配成功。20、根据权利要求16所

11、述的方法，其特征在于，所述滤除虚假目标的思想是：通过目标运动的轨迹分析，以滤除一些虚假区域。21、根据权利要求20所述的方法，其特征在于，所述轨迹分析包括轨迹的平稳性分析和平滑性分析。其中，平稳性分析主要用于分析目标运动轨迹的波形；平滑性分析主要用于分析目标运动轨迹的方向性。所述轨迹分析需结合实际目标的特性判断。22、根据权利要求13所述的方法，其特征在于，所述目标更新根据目标匹配后的稳定目标，实时的更新跟踪目标的模型。23、根据权利要求122所述的方法，其特征在于，所述目标检测从每帧视频图像中提取感兴趣区域，提供给目标跟踪做目标跟踪用途，同时目标跟踪反馈的目标数据辅助目标检测的算法操作。24

12、、根据权利要求1所述的方法，其特征在于，步骤C中所述目标分类进一步包括：特征提取，用以提取目标的空间特征和时间特征；类型判定，用以判定目标的类型。25、根据权利要求24所述的方法，其特征在于，所述特征包括空间特征和时间特征两种。所述空间特征包括：区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比。所述时间特征包括：目标的速度特征、目标的周期运动特征、及目标的历史分类信息。26、根据权利要求25所述的方法，其特征在于，所述拟合短轴与水平方向夹角中的拟合短轴即为所述的区域轮廓拟合椭圆的短轴。区域轮廓拟合椭圆的长

13、轴、区域轮廓拟合椭圆的短轴及拟合短轴与水平方向夹角用于区分单个人和车。所述的区域轮廓拟合椭圆的思想是：根据区域轮廓上的数据点，找一个椭圆使得数据点到这个椭圆的距离和最小。其核心是优化距离和。27、根据权利要求25所述的方法，其特征在于，所述区域轮廓的类圆性也用来区分单个人和车。所述的区域的类圆性是指拟合目标区域的周长与面积的关系。所述拟合目标区域的周长与面积的关系为： 其中，为拟合目标区域的周长，为拟合目标区域的面积，为拟合目标区域的类圆性。28、根据权利要求25所述的方法，其特征在于，所述的区域的紧集度指的是目标与目标区域的面积比。29、根据权利要求25所述的方法，其特征在于，所述的区域的上

14、与下部分面积比即为：区域上半部分面积与小半部分面积之比。30、根据权利要求25所述的方法，其特征在于，所述历史分类信息是指目标出现的每个场景中的分类信息。所述的历史分类信息要根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征获得。31、根据权利要求24所述的方法，其特征在于，所述类型判定进一步包括：每帧分类；整体分类。所述每帧分类为：根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部

15、分面积比、及目标的速度特征、目标的周期运动特征，通过概率分类器进行每帧分类，以获得目标的历史分类信息。所述类型根据目标的历史分类信息进行分类，以判定目标的类型。其思想是：根据目标的历史分类信息中分类的叠加数判定目标类别。例如，若目标的历史分类信息中车的叠加数大于人的叠加数，则该目标判为车类型；反之，判为人类型。32、根据权利要求31所述的方法，其特征在于，所述概率分类器的思想是：分别按照人、人群、车、车群、小动物等类型，赋予区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动

16、特征等特征不同的权值；然后分别计算人、人群、车、车群、小动物等类型的特征概率值，并选择概率值最大的那一类型为目标的当前帧分类信息。3说 明 书运动目标识别方法技术领域本发明涉及视频监控技术，特别是指一种智能视频监控系统中的运动目标识别方法。背景技术运动目标识别是智能视频监控系统的关键模块，其直接影响着后续处理。通常运动目标识别包括：检测、跟踪、分类。检测的目的是将视频场景中的运动目标区域从背景中分割出来。由于光照的变化、背景混乱运动的干扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在，给运动目标的正确检测带来了极大的挑战。为了实现运动目标检测，可以使用光流法和帧间差分法。

17、光流法检测采用了目标随时间变化的光流特性，可以通过计算位移向量光流场来初始化目标的轮廓，从而使基于轮廓的跟踪算法有效地检测和跟踪目标。这种方法的缺点是大多数光流计算方法相当复杂，且抗噪性能差，如果没有特别的硬件装置，很难应用于场景图像的实时性操作。帧间差分法是检测相邻两帧图像之间变化的最简单方法，是直接比较两帧图像对象像素点灰度值的不同，然后通过阈值来提取场景图像中的运动目标区域。这种方法的缺点是一般不能完全提取所有相关的特征像素点，在运动实体内部容易产生空洞现象，对基于区域的运动目标跟踪的鲁棒性不强，而且无法检测出静止的车辆，对于运动目标的速度有所限制。跟踪的目的是在正确检测出运动目标的基础

18、上，确定同一目标在不同场景图像中位置的过程。为了实现跟踪，可以使用图像匹配方法，如区域匹配、模型匹配。区域匹配是把参考图像的某一块整体与实时图像所有可能位置上进行叠加，然后计算某种图像相似性度量的相应值，其最大相似性相对应的位置就是目标的位置。这种方法的缺点是计算量大，难以达到实时性要求。模型匹配是根据模板来匹配场景图像中的目标。这种方法的缺点是计算分析复杂，运算速度慢，模型的更新较为复杂，实时性较差。分类的目的是区分目标，如人和车。为了实现运动目标分类，可以使用贝叶斯算法和神经网络算法。贝叶斯算法是一类利用概率统计知识进行分类的算法，可以运用到大型数据库中，且方法简单、分类准确率高、速度快。

19、这种方法的缺点是由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。神经网络算法能够模拟人类大脑的机构和功能，采用各种学习算法从训练样本中学习，并将获取的知识存储在网络各单元之间的连接权中，能够准确的分类目标。神经网络算法在1998年提出后，又出现许多变形，包括替换的误差函数、网络拓扑的动态调整、学习率和要素参数的动态调整。近年来，从神经网络中提取规则受到越来越多的关注。这种方法的缺点是由于要使用大量的训练样本，且在实际应用中要不断地更新样本信息，因此运算量极大。综上所述，目前迫切需要提出更为有效的运动目标识别方案。发明

20、内容有鉴于此，本发明的主要目的在于提供一个运动目标识别方法。该方法在场景模型提供的先验知识辅助下，从视频序列中识别出感兴趣的目标（例如，人和车），并描述其静态和运动信息（区域、轮廓、纹理、类别、运动轨迹、速度等等）。本发明的目的在于提供一个运动目标检测方法，该方法解决了光照的变化、背景混乱运动的干扰、运动目标的影子、摄像机的抖动以及运动目标的自遮挡和互遮挡现象的存在等带来的问题，实现了复杂场景下的运动目标检测。本发明的目的还在于提供一个运动目标跟踪方法，其可以根据目标检测结果进行预测、匹配、更新等操作，以滤除虚假运动目标，实现运动目标的准确跟踪。本发明的目的还在于提供一个运动目标分类方法，该方

21、法根据目标跟踪的结果，提取目标的空间特征和时间特征，通过使用概率分类器根据提取的特征对目标进行分类。为达到上述目的，本发明的技术方案是这样实现的：本发明提供了一种运动目标识别方法，该方法包括：A、目标检测，用于从视频图像中提取感兴趣的区域； B、目标跟踪，用于建立帧与帧之间所提取区域之间的关联性和一致性，形成目标； C、目标分类，对区域和目标进行分类（如人和车），分类器包括区域分类器和目标分类器。步骤A中所述目标检测进一步包括：视频获取，获取视频内容，以得到场景图像；图像预处理，用于消除其对背景模型的影响；区域标记，用于对背景模型进行前景分割，并标记出一个一个连通区域；系统状态维护，用于判定检

22、测器模块当前所处的状态，做出相应处理，并且在必要时做异常检测；区域增强，用于剔除阴影、高亮和树叶摆动等虚假区域；区域分裂与合并，用于解决目标过分割和目标相互遮挡问题。所述获取视频内容是通过视频获取设备实现，该视频获取设备可以是一个可见光谱、近红外或红外摄像机。所述近红外和红外摄像机允许在无额外光线的弱光下应用。所述图像预处理包括：滤波处理和全局运动补偿。所述滤波处理是指对图像做噪声过滤、平滑等处理。滤波处理可以通过多种图像去噪、图像平滑处理方法实现。所述全局运动补偿是指补偿由于相机轻微摆动而引起的图像全局运动。在全局运动补偿中，运动模型基本上就是反映摄像机的各种运动，包括平移、旋转、变焦等。所

23、述区域标记进一步包括：前景分割；形态学处理；连通区域标记。所述前景分割是指基于背景模型对场景图像进行分割，以得到前景的二值图像。基于背景模型法主要可分为固定背景模型法和动态背景模型法。由于动态背景下光线的变化往往会引起背景的渐变，从而固定背景往往无法适应环境的变化，因此构造动态背景模型以减少动态场景变化对运动分割的影响。所述形态学处理是指使用数学形态学的方法处理所述的二值图像，以去除面积较小的虚假区域，并填充面积较大的区域。数学形态学的方法可以通过先腐蚀后膨胀的方法实现。所述连通区域标记是指用连通域的方法标记同一场景中的不同区域，以区别不同的目标区域。连通区域标记方法可以通过四连通域方法、八连

24、通域方法实现。所述系统状态维护包括：状态判定和异常检测所述状态判定用于判定当前所处的状态，并做出相应处理。该方法主要是通过场景稳定时间、场景改变时间来判定的。当场景稳定时间超过此时间阈值，系统由初始化状态进入工作状态；当场景改变时间超过此时间阈值，系统由工作状态进入初始化状态。当处于所述工作状态时，继续执行下一操作，背景模型不变。当处于所述初始化状态时，重新建立背景模型，并在必要时做出异常检测。所述重新建立背景模型可以通过帧间差分法实现。所述异常检测，是在必要时执行，包括视频信号干扰严重，有人为的遮挡相机等情况。所述区域增强使用差分图像、边缘图像、区域形状纹理等特征以及跟踪器反馈数据，剔除阴影

25、、高亮和树叶摆动等虚假区域，其包括：图像差分、边缘检测、阴影检测、高亮检测、树滤波。所述图像差分用于前景图像，可以通过帧间差分法或背景差分法实现。所述帧间差分法是利用相邻两帧之间的差来获得差分图像。所述背景差分法是通过当前帧和背景帧相减来获得差分图像。其中，所述背景差分法根据背景模型又可分为两大类：固定背景模型差分法和动态背景模型差分法。由于动态背景下光线的变化往往会引起背景的渐变，从而固定背景模型往往无法适应环境的变化，因此构造动态背景模型以减少动态场景变化对运动分割的影响。所述动态背景模型差分法可以通过混合高斯模型的背景相减法实现。所述边缘检测的基本思想是先检测前景图像中的边缘点，再按一定

26、策略连接成轮廓，从而构成边缘图像。所述边缘检测可以通过灰度阈值法、跟踪法以及小波变换法实现。所述阴影检测用于检测前景图像中的阴影区域，包括人、车的阴影，并将检测到的阴影区域滤除。所述阴影检测的思想是针对每个连通区域，分别计算该连通区域内的亮度的平均值，并将该平均值作为阈值，判定该区域的阴影区域，然后将阴影区域滤除。阴影判定规则如下：若亮度值小于所述阈值，则判定为阴影。所述高亮检测用于检测图像是否处于高亮状态，若是则进行亮度补偿。所述树检测用于检测图像中的摆动的树叶及其阴影，并将其从前景图像中滤除。所述摆动树叶的检测是根据以下两个特征判定实现的：（1）运动轨迹跟踪，若某一目标的运动轨迹符合某一规

27、律，则认为该目标是摆动树叶；（2）质心运动的振幅，若某一目标的质心运动的振幅是突变的，则认为该目标是摆动树叶。所述摆动树叶阴影的检测是通过检测区域内点的密集度来实现的，其思想是：分别计算膨胀操作前后区域内的点，并计算它们的比率，若该比率小于某一阈值，则认为该区域是摆动树叶的阴影区域。所述区域分裂与合并使用场景模型提供的约束以及人和车模型等先验知识对区域进行合并和分裂处理，以解决目标过分割和目标相互遮挡问题。所述区域分裂与合并的思想是判定相邻两区域是同一目标区域，还是不同目标区域。若属于同一目标区域，则将这两个区域合并；否则，将其分裂。其中，步骤B中所述目标跟踪进一步包括：目标预测，用于估计目标

28、的下一帧运动；目标匹配，用于跟踪匹配的稳定目标，并滤除一些虚假目标；目标更新，用于当前帧中稳定目标的模板更新。所述目标预测的思想是：根据目标运动的累加位移及其相应的累加时间，计算该目标运动的平均速度，并根据该速度预测目标的下一次位移。所述累加位移、累加时间及平均运动速度的关系为：其中，为目标质心稳定运动多帧后的位移，为目标运动多帧所需的时间，为该目标稳定运动的平均速度。根据所述平均速度预测的下一次位移为：其中，为预测的目标时间，为目标质心稳定运动时间后的位移。所述目标匹配包括：跟踪匹配的稳定目标；滤除虚假目标。所述跟踪匹配的稳定目标的核心是判定检测区域与跟踪目标是否匹配。所述匹配的判定准则包括

29、：1）最小面积比率，要求检测区域与目标匹配成功的面积比率大于设定的最小面积比率；2）最小距离比率，要求检测区域与目标匹配成功的距离大于设定的最小距离比率；3）运动区域的最大匹配距离阈值，运动区域的匹配距离阈值（像素单位）小于设定的最大匹配距离阈值；4）静止区域的最大匹配距离阈值，静止区域的匹配距离阈值（像素单位）小于设定的最大匹配距离阈值；5）跟踪目标与检测区域的最小匹配系数阈值，要求跟踪目标与检测区域的匹配系数大于此阈值。其中，所述判定准则5）中目标与区域的匹配用了距离、面积和直方图三个度量，这三个参数是计算最后的匹配系数时三者的权重比例，一般来说，距离匹配的权重要大于等于0.5，但权重之和

30、须为1。当同时满足所述判定规则1）5）中的条件时，才判定跟踪目标与检测区域匹配成功。所述滤除虚假目标的思想是：通过目标运动的轨迹分析，以滤除一些虚假区域。所述轨迹分析包括轨迹的平稳性分析和平滑性分析。其中，平稳性分析主要用于分析目标运动轨迹的波形；平滑性分析主要用于分析目标运动轨迹的方向性。所述轨迹分析需结合实际目标的特性判断。所述目标更新根据目标匹配后的稳定目标，实时的更新跟踪目标的模型。其中，目标检测从每帧视频图像中提取感兴趣区域，提供给目标跟踪做目标跟踪用途，同时目标跟踪反馈的目标数据辅助目标检测的算法操作。步骤C中所述目标分类进一步包括：特征提取，用以提取目标的空间特征和时间特征；类型

31、判定，用以判定目标的类型。所述特征包括空间特征和时间特征两种。所述空间特征包括：区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比。所述拟合短轴与水平方向夹角中的拟合短轴即为所述的区域轮廓拟合椭圆的短轴。区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴及拟合短轴与水平方向夹角用于区分单个人和车。所述的区域轮廓拟合椭圆的思想是：根据区域轮廓上的数据点，找一个椭圆使得数据点到这个椭圆的距离和最小。其核心是优化距离和。其中，所述优化距离和是一个迭代优化问题，其步骤为：椭圆方程形式是：并且满足。在一级近似下，最小化并

32、强制就可以得到拟合椭圆的参数。所述优化距离和可以通过最小二乘拟合法和拉格朗日乘子法实现。所述拟合椭圆的参数包括：椭圆几何中心、椭圆长轴倾角、椭圆长轴、椭圆短轴。所述区域轮廓的类圆性也用来区分单个人和车。所述的区域的类圆性是指拟合目标区域的周长与面积的关系。所述拟合目标区域的周长与面积的关系为： 其中，为拟合目标区域的周长，为拟合目标区域的面积，为拟合目标区域的类圆性。所述区域的紧集度用来区分人群与车。所述的区域的紧集度指的是目标与目标区域的面积比。所述区域的上与下部分面积比用来区分人和车。所述的区域的上与下部分面积比即为：区域上半部分面积与小半部分面积之比。所述时间特征包括：目标的速度特征、目

33、标的周期运动特征、及目标的历史分类信息。所述目标的速度特征是指目标的速度信息。所述目标的周期运动特征是指目标轨迹的运动变换，该特征主要是用以区分人和车。所述历史分类信息是指目标出现的每个场景中的分类信息。所述的历史分类信息要根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征获得。所述类型判定进一步包括：每帧分类；整体分类。所述每帧分类为：根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与

34、下部分面积比、及目标的速度特征、目标的周期运动特征，通过概率分类器进行每帧分类，以获得目标的历史分类信息。所述概率分类器的思想是：分别按照人、人群、车、车群、小动物等类型，赋予区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征等特征不同的权值；然后分别计算人、人群、车、车群、小动物等类型的特征概率值，并选择概率值最大的那一类型为目标的当前帧分类信息。所述类型根据目标的历史分类信息进行分类，以判定目标的类型。其思想是：根据目标的历史分类信息中分类的叠加数判定目标类别。例如

35、，若目标的历史分类信息中车的叠加数大于人的叠加数，则该目标判为车类型；反之，判为人类型。本发明所提供的运动目标识别方法，具有以下优点和特点：1）本发明的目标检测可以准确检测场景图像中的运动目标，包括人、车，同时可以忽略图像抖动、摆动的树、亮度变化、阴影、雨、雪等干扰因素的影响。2）本发明的目标跟踪实现了复杂背景下多目标的准确跟踪，解决了遮挡、树叶摆动等问题，并且运算简便，具有很强的实用性。3）本发明的目标分类是基于物理空间上的，满足摄像机的标定，能够直接接入视频监控系统中，完成自动分类功能。特别地，运动目标分类方法能够实现人群与车的准确分类。4）本发明的运动目标识别方法能够智能地识别不同目标的

36、性质和类别，可应用于智能视频监控系统中，用以实现目标分类识别、运动目标警戒、运动目标跟踪、PTZ跟踪、自动特写拍摄、目标行为检测、流量检测、拥挤检测、遗留物检测、被盗物检测、烟雾检测和火焰检测等功能。附图说明图1为本发明中运动目标方法的框架示意图；图2为本发明中目标检测的流程示意图；图3为本发明中区域标记的流程示意图；图4为本发明中目标跟踪的流程示意图；图5为本发明中目标分类的流程示意图;图6为本发明中类型判定的流程示意图；具体实施方式本发明的核心思想是：在场景模型提供的先验知识辅助下，从视频序列中识别出感兴趣的目标（例如，人和车），并描述其静态和运动信息（区域、轮廓、纹理、类别、运动轨迹、速

37、度等等）。下面结合具体实施例和附图进一步详细说明。图1为本发明中运动目标方法的流程示意图，包括：步骤10：目标检测，用于从视频图像中提取感兴趣的区域； 步骤20：目标跟踪，用于建立帧与帧之间所提取区域之间的关联性和一致性，形成目标； 步骤30：目标分类，对区域和目标进行分类（如人和车），分类器包括区域分类器和目标分类器。结合图1，步骤10中所述目标检测的流程示意图如图2所示，包括：步骤201：视频获取，获取视频内容，以得到场景图像；步骤202：图像预处理，用于消除其对背景模型的影响；步骤203：区域标记，用于对背景模型进行前景分割，并标记出一个一个连通区域；步骤204：系统状态维护，用于判定检

38、测器模块当前所处的状态，做出相应处理，并且在必要时做异常检测；步骤205：区域增强，用于剔除阴影、高亮和树叶摆动等虚假区域；步骤206：区域分裂与合并，用于解决目标过分割和目标相互遮挡问题。其中，步骤201中所述获取视频内容是通过视频获取设备实现，该视频获取设备可以是一个可见光谱、近红外或红外摄像机。所述近红外和红外摄像机允许在无额外光线的弱光下应用。步骤202中所述图像预处理包括：滤波处理和全局运动补偿。所述滤波处理是指对图像做噪声过滤、平滑等处理。滤波处理可以通过多种图像去噪、图像平滑处理方法实现，例如：“Joyce Van de Vegte. Fundamentals of Digita

39、l Signal ProcessingM. 北京: 电子工业出版社, 2003”，“关心平，赵立兴，唐英干. 图像去噪混合滤波方法J. 中国图象图形学报，2005，10(3)”，“张 宇，王希勤，彭应宁. 自适应中心加权的改进均值滤波算法J. 清华大学学报(自然科学版)，1999，39(9)”，“胡 浩，王明照，杨 杰. 自适应模糊加权均值滤波器J. 系统工程与电子技术，2002，24(2)”，“Mihcak M K, Kozintsev I , Ramchandran K et al. Low complexity image denoising based on statistical m

40、odeling of wavelet coefficients .IEEE Signal Processing Letters, 1999, 6(12)”。所述全局运动补偿是指补偿由于相机轻微摆动而引起的图像全局运动。在全局运动补偿中，运动模型基本上就是反映摄像机的各种运动，包括平移、旋转、变焦等。结合图1，步骤203中所述区域标记的流程示意图如图3所示，具体流程如下：步骤301：前景分割；步骤302：形态学处理；步骤303：连通区域标记。步骤301中所述前景分割是指基于背景模型对场景图像进行分割，以得到前景的二值图像。基于背景模型法主要可分为固定背景模型法和动态背景模型法。由于动态背景下光线

41、的变化往往会引起背景的渐变，从而固定背景往往无法适应环境的变化，因此构造动态背景模型以减少动态场景变化对运动分割的影响。步骤302中所述形态学处理是指使用数学形态学的方法处理所述的二值图像，以去除面积较小的虚假区域，并填充面积较大的区域。数学形态学的方法可以通过先腐蚀后膨胀的方法实现。步骤303中所述连通区域标记是指用连通域的方法标记同一场景中的不同区域，以区别不同的目标区域。连通区域标记方法可以通过四连通域方法、八连通域方法实现。所述区域标记中，单个区域与单个目标并不是一一对应的。由于遮挡情况，一个区域包含了多个人或者车；由于前景与背景相似，一个目标可能被过度分割为多个区域；由于光照的影响，

42、区域中可能包含阴影和高亮区域；由于一些非感兴趣的运动，如树叶摆动和水波荡漾等，也会产生虚假的前景区域。这些问题都是背景模型方法所固有的，需要在后续步骤中加以解决。结合图2，步骤204中所述系统状态维护包括：状态判定和异常检测所述状态判定用于判定当前所处的状态，并做出相应处理。该方法主要是通过场景稳定时间、场景改变时间来判定的。当场景稳定时间超过此时间阈值，系统由初始化状态进入工作状态；当场景改变时间超过此时间阈值，系统由工作状态进入初始化状态。当处于所述工作状态时，继续执行下一操作，背景模型不变。当处于所述初始化状态时，重新建立背景模型，并在必要时做出异常检测。所述重新建立背景模型可以通过帧间

43、差分法实现。所述异常检测，是在必要时执行，包括视频信号干扰严重，有人为的遮挡相机等情况。步骤205中所述区域增强使用差分图像、边缘图像、区域形状纹理等特征以及跟踪器反馈数据，剔除阴影、高亮和树叶摆动等虚假区域，其包括：图像差分、边缘检测、阴影检测、高亮检测、树滤波。所述图像差分用于前景图像，可以通过帧间差分法或背景差分法实现。所述帧间差分法是利用相邻两帧之间的差来获得差分图像。所述背景差分法是通过当前帧和背景帧相减来获得差分图像。其中，所述背景差分法根据背景模型又可分为两大类：固定背景模型差分法和动态背景模型差分法。由于动态背景下光线的变化往往会引起背景的渐变，从而固定背景模型往往无法适应环境

44、的变化，因此构造动态背景模型以减少动态场景变化对运动分割的影响。所述动态背景模型差分法可以通过混合高斯模型的背景相减法实现。所述边缘检测的基本思想是先检测前景图像中的边缘点，再按一定策略连接成轮廓，从而构成边缘图像。所述边缘检测可以通过灰度阈值法、跟踪法以及小波变换法实现。所述阴影检测用于检测前景图像中的阴影区域，包括人、车的阴影，并将检测到的阴影区域滤除。所述阴影检测的思想是针对每个连通区域，分别计算该连通区域内的亮度的平均值，并将该平均值作为阈值，判定该区域的阴影区域，然后将阴影区域滤除。阴影判定规则如下：若亮度值小于所述阈值，则判定为阴影。所述高亮检测用于检测图像是否处于高亮状态，若是则

45、进行亮度补偿。所述树检测用于检测图像中的摆动的树叶及其阴影，并将其从前景图像中滤除。所述摆动树叶的检测是根据以下两个特征判定实现的：（1）运动轨迹跟踪，若某一目标的运动轨迹符合某一规律，则认为该目标是摆动树叶；（2）质心运动的振幅，若某一目标的质心运动的振幅是突变的，则认为该目标是摆动树叶。所述摆动树叶阴影的检测是通过检测区域内点的密集度来实现的，其思想是：分别计算膨胀操作前后区域内的点，并计算它们的比率，若该比率小于某一阈值，则认为该区域是摆动树叶的阴影区域。结合图2，步骤206中所述区域分裂与合并使用场景模型提供的约束以及人和车模型等先验知识对区域进行合并和分裂处理，以解决目标过分割和目标

46、相互遮挡问题。所述区域分裂与合并的思想是判定相邻两区域是同一目标区域，还是不同目标区域。若属于同一目标区域，则将这两个区域合并；否则，将其分裂。结合图1，步骤20中所述目标跟踪的流程示意图如图4所示，包括：步骤401：目标预测，用于估计目标的下一帧运动；步骤402：目标匹配，用于跟踪匹配的稳定目标，并滤除一些虚假目标；步骤403：目标更新，用于当前帧中稳定目标的模板更新。步骤401中所述目标预测的思想是：根据目标运动的累加位移及其相应的累加时间，计算该目标运动的平均速度，并根据该速度预测目标的下一次位移。所述累加位移、累加时间及平均运动速度的关系为：其中，为目标质心稳定运动多帧后的位移，为目标

47、运动多帧所需的时间，为该目标稳定运动的平均速度。根据所述平均速度预测的下一次位移为：其中，为预测的目标时间，为目标质心稳定运动时间后的位移。步骤402中所述目标匹配包括：跟踪匹配的稳定目标；滤除虚假目标。所述跟踪匹配的稳定目标的核心是判定检测区域与跟踪目标是否匹配。所述匹配的判定准则包括：1）最小面积比率，要求检测区域与目标匹配成功的面积比率大于设定的最小面积比率；2）最小距离比率，要求检测区域与目标匹配成功的距离大于设定的最小距离比率；3）运动区域的最大匹配距离阈值，运动区域的匹配距离阈值（像素单位）小于设定的最大匹配距离阈值；4）静止区域的最大匹配距离阈值，静止区域的匹配距离阈值（像素单位

48、）小于设定的最大匹配距离阈值；5）跟踪目标与检测区域的最小匹配系数阈值，要求跟踪目标与检测区域的匹配系数大于此阈值。其中，所述判定准则5）中目标与区域的匹配用了距离、面积和直方图三个度量，这三个参数是计算最后的匹配系数时三者的权重比例，一般来说，距离匹配的权重要大于等于0.5，但权重之和须为1。当同时满足所述判定规则1）5）中的条件时，才判定跟踪目标与检测区域匹配成功。所述滤除虚假目标的思想是：通过目标运动的轨迹分析，以滤除一些虚假区域。所述轨迹分析包括轨迹的平稳性分析和平滑性分析。其中，平稳性分析主要用于分析目标运动轨迹的波形；平滑性分析主要用于分析目标运动轨迹的方向性。所述轨迹分析需结合实

49、际目标的特性判断。步骤403中所述目标更新根据步骤402目标匹配后的稳定目标，实时的更新跟踪目标的模型。其中，步骤10中目标检测从每帧视频图像中提取感兴趣区域，提供给步骤20中目标跟踪做目标跟踪用途，同时步骤20中目标跟踪反馈的目标数据辅助步骤10中目标检测的算法操作。结合图1，步骤30中所述目标分类的流程示意图如图5所示，进一步包括：步骤501：特征提取，用以提取目标的空间特征和时间特征；步骤502：类型判定，用以判定目标的类型。步骤501中所述特征包括空间特征和时间特征两种。所述空间特征包括：区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧

50、集度、区域的面积、区域的上与下部分面积比。所述拟合短轴与水平方向夹角中的拟合短轴即为所述的区域轮廓拟合椭圆的短轴。区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴及拟合短轴与水平方向夹角用于区分单个人和车。所述的区域轮廓拟合椭圆的思想是：根据区域轮廓上的数据点，找一个椭圆使得数据点到这个椭圆的距离和最小。其核心是优化距离和。其中，所述优化距离和是一个迭代优化问题，其步骤为：椭圆方程形式是：并且满足。在一级近似下，最小化并强制就可以得到拟合椭圆的参数。所述优化距离和可以通过最小二乘拟合法和拉格朗日乘子法实现。所述拟合椭圆的参数包括：椭圆几何中心、椭圆长轴倾角、椭圆长轴、椭圆短轴。所述区域轮廓的类圆

51、性也用来区分单个人和车。所述的区域的类圆性是指拟合目标区域的周长与面积的关系。所述拟合目标区域的周长与面积的关系为： 其中，为拟合目标区域的周长，为拟合目标区域的面积，为拟合目标区域的类圆性。所述区域的紧集度用来区分人群与车。所述的区域的紧集度指的是目标与目标区域的面积比。所述区域的上与下部分面积比用来区分人和车。所述的区域的上与下部分面积比即为：区域上半部分面积与小半部分面积之比。所述时间特征包括：目标的速度特征、目标的周期运动特征、及目标的历史分类信息。所述目标的速度特征是指目标的速度信息。所述目标的周期运动特征是指目标轨迹的运动变换，该特征主要是用以区分人和车。所述历史分类信息是指目标出

52、现的每个场景中的分类信息。所述的历史分类信息要根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征获得。结合图5，步骤502中所述类型判定的流程示意图如图6所示，进一步包括：步骤601：每帧分类；步骤602：整体分类。步骤601中所述每帧分类为：根据区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征，通过概率分类器进行每帧分类，以获得目标的历史

53、分类信息。所述概率分类器的思想是：分别按照人、人群、车、车群、小动物等类型，赋予区域轮廓拟合椭圆的长轴、区域轮廓拟合椭圆的短轴、拟合短轴与水平方向夹角、区域轮廓的类圆性、区域的紧集度、区域的面积、区域的上与下部分面积比、及目标的速度特征、目标的周期运动特征等特征不同的权值；然后分别计算人、人群、车、车群、小动物等类型的特征概率值，并选择概率值最大的那一类型为目标的当前帧分类信息。步骤602中所述类型根据目标的历史分类信息进行分类，以判定目标的类型。其思想是：根据目标的历史分类信息中分类的叠加数判定目标类别。例如，若目标的历史分类信息中车的叠加数大于人的叠加数，则该目标判为车类型；反之，判为人类

54、型。下面介绍按照本发明的运动目标识别方法的各种功能及应用。1、运动目标检测本发明的目标检测可以准确检测场景图像中的运动目标，包括人、车，同时可以忽略图像抖动、摆动的树、亮度变化、阴影、雨、雪等干扰因素的影响。2、运动目标跟踪本发明的目标跟踪实现了复杂背景下多目标的准确跟踪，解决了遮挡、树叶摆动等问题，并且运算简便，具有很强的实用性。3、运动目标分类本发明的目标分类是基于物理空间上的，满足摄像机的标定，能够直接接入视频监控系统中，完成自动分类功能。特别地，运动目标分类方法能够实现人群与车的准确分类。4、运动目标识别本发明的运动目标识别方法能够智能地识别不同目标的性质和类别。运动目标识别方法可应用

55、于智能视频监控系统中，用以实现目标分类识别、运动目标警戒、运动目标跟踪、PTZ跟踪、自动特写拍摄、目标行为检测、流量检测、拥挤检测、遗留物检测、被盗物检测、烟雾检测和火焰检测等功能。以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。说 明 书 附 图视频目标检测目标跟踪目标分类目标102030图 1201.视频获取202.图像预处理203.系统状态维护204.区域标记205.区域增强206.区域分裂与合并目标区域图 2图像301.前景分割302.形态学处理303.连通区域标记图 3目标区域401.目标预测402.目标匹配403.目标更新目标图 4目标501.特征提取502.类型判定目标类型图 5特征601.每帧分类602.整体分类目标类型图 6