專利名稱：一種無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于模式識(shí)別領(lǐng)域，涉及圖像處理和計(jì)算機(jī)視覺(jué)等技術(shù)，特 別是涉及基于視頻的遺棄物檢測(cè)。
背景技術(shù)：
隨著技術(shù)的發(fā)展以及硬件設(shè)備價(jià)格的逐漸降低，大量的監(jiān)控?cái)z像頭 被安裝到各種場(chǎng)合，特別是那些對(duì)安全要求敏感的場(chǎng)合,如機(jī)場(chǎng)、社區(qū)、 銀行、停車場(chǎng)、軍事基地等。動(dòng)態(tài)場(chǎng)景的視頻監(jiān)控是近年來(lái)備受關(guān)注的 前沿研究方向，它從攝像機(jī)捕捉的圖像序列中檢測(cè)、識(shí)別、跟蹤目標(biāo)并 對(duì)其行為進(jìn)行理解。盡管目前作為人類視覺(jué)延伸的監(jiān)控?cái)z像機(jī)在商業(yè)應(yīng) 用中已經(jīng)普遍存在，但目前的監(jiān)控系統(tǒng)一般只能錄相用于事后取證，而 不能實(shí)時(shí)的分析視頻數(shù)據(jù)并實(shí)時(shí)報(bào)警。因此，開發(fā)出具有實(shí)際意義的自 動(dòng)性、智能性的視頻監(jiān)控系統(tǒng)日益變得迫切和必要。這就要求不僅能用 攝像機(jī)代替人眼，而且能用計(jì)算機(jī)協(xié)助人、代替人，以完成監(jiān)視或控制 任務(wù)。
遺棄物檢測(cè)對(duì)于維護(hù)公共場(chǎng)所的安全有重要意義。這里所說(shuō)的遺棄 物檢測(cè)是指檢測(cè)那些被人有意丟棄、投放在公共場(chǎng)所或某些要害部位， 可能裝有爆炸物品的背包、公文包等。通常恐怖分子在放置這樣的包裹 后，通過(guò)定時(shí)或遙控的方式來(lái)引爆裝在包中的炸彈。這種作案手段成本 低、危害大、防范和偵破難度高，逐漸成為犯罪分子進(jìn)行爆炸襲擊的主
要方式之一。類似的案件層出不窮，如2004年的西班牙馬德里連環(huán)爆 炸案；2005年英國(guó)倫敦和利物浦的爆炸案等等?；谝曨l的遺棄物檢測(cè) 是指利用現(xiàn)場(chǎng)安裝的視頻監(jiān)控設(shè)備，通過(guò)對(duì)視頻圖像中的圖像內(nèi)容進(jìn)行 分析來(lái)探測(cè)遺棄物檢測(cè)事件的發(fā)生。很明顯，基于視頻的遺棄物檢測(cè)在 現(xiàn)有監(jiān)控系統(tǒng)的基礎(chǔ)上，無(wú)需增加新的硬件投入。
目前已經(jīng)有較多算法對(duì)基于視頻的遺棄物檢測(cè)進(jìn)行了研究，但是往往都存在著一定的缺點(diǎn)目前的方法需要檢測(cè)場(chǎng)景中所有的運(yùn)動(dòng)目標(biāo)， 然后通過(guò)跟蹤過(guò)程確定同一目標(biāo)在圖像序列不同幀中的位置，從而獲得 每個(gè)運(yùn)動(dòng)目標(biāo)在場(chǎng)景中的運(yùn)動(dòng)軌跡，如果有某個(gè)目標(biāo)的軌跡從另一個(gè)目 標(biāo)的軌跡中分離，且該目標(biāo)保持靜止?fàn)顟B(tài)超過(guò)一段時(shí)間，則該目標(biāo)為遺 棄物。但是，監(jiān)控場(chǎng)景往往會(huì)比較復(fù)雜，例如動(dòng)態(tài)背景和運(yùn)動(dòng)目標(biāo)過(guò) 多。這會(huì)給運(yùn)動(dòng)目標(biāo)的精確跟蹤帶來(lái)巨大的挑戰(zhàn)。所以這類方法的準(zhǔn)確 性較差，實(shí)用性不好。

發(fā)明內(nèi)容
現(xiàn)有技術(shù)的遺棄物檢測(cè)算法需要精確的檢測(cè)和跟蹤過(guò)程，當(dāng)場(chǎng)景復(fù) 雜時(shí)，不僅會(huì)造成大量的誤檢測(cè)同時(shí)會(huì)使系統(tǒng)的計(jì)算復(fù)雜度大幅度提 高，為了解決現(xiàn)有技術(shù)的問(wèn)題，本發(fā)明的目的是有效、便捷、準(zhǔn)確檢測(cè) 遺棄物，為此，提供一種基于視頻的而且無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方 法。
為了實(shí)現(xiàn)上述目的，本發(fā)明提供的基于視頻的遺棄物檢測(cè)方法，無(wú) 需跟蹤過(guò)程，并包括模型更新和遺棄物檢測(cè)兩個(gè)過(guò)程，步驟如下
步驟S1:對(duì)攝像頭輸入的每幀圖像，利用基于象素點(diǎn)的方法提取可 能屬于遺棄物的象素點(diǎn)，并用每一個(gè)可能屬于遺棄物象素點(diǎn)的RGB顏 色信息去更新相應(yīng)位置的混合高斯模型；
步驟S2:將所述圖像中每個(gè)象素點(diǎn)的衛(wèi)GB顏色信息輸入到更新過(guò) 的對(duì)應(yīng)混合高斯模型中，檢測(cè)出與描述相應(yīng)位置象素點(diǎn)可能出現(xiàn)的遺棄 物的顏色信息相匹配的象素點(diǎn)，完成視頻中遺棄物的檢測(cè)。
本發(fā)明的方法，在復(fù)雜的場(chǎng)景(如動(dòng)態(tài)背景，運(yùn)動(dòng)目標(biāo)過(guò)多)中可 以突出它的優(yōu)越性。本發(fā)明的方法與其他的不同，本發(fā)明的方法不需要 進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤，從而更易于實(shí)現(xiàn)和應(yīng)用。本發(fā)明對(duì)遺棄物檢 測(cè)可以應(yīng)用在如下方面
(1 )應(yīng)用于智能視頻監(jiān)控領(lǐng)域，用于幫助提供監(jiān)控場(chǎng)景中潛在的 危險(xiǎn)區(qū)域并提供報(bào)警，從而避免因可能的爆炸事件造成的巨大損失。
(2 )應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域的物體識(shí)別，首先對(duì)目標(biāo)進(jìn)行粗分類， 縮小搜索空間，提高識(shí)別效率和準(zhǔn)確率。(3)應(yīng)用于智能監(jiān)控系統(tǒng)中的語(yǔ)義化理解，提供其語(yǔ)義化中的主 體類別，幫助系統(tǒng)理解場(chǎng)景中發(fā)生的事件。


圖l示出本發(fā)明無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)的流程圖。
圖2a示出本發(fā)明運(yùn)動(dòng)視頻中的一幀示例。
圖2b示出本發(fā)明基于背景建模方法檢測(cè)出的背景發(fā)生改變的區(qū)域。
圖2c示出本發(fā)明檢測(cè)出的短時(shí)靜止區(qū)域。
圖2d示出本發(fā)明對(duì)短時(shí)靜止區(qū)域去除噪聲后的結(jié)果。
圖3a示出本發(fā)明運(yùn)動(dòng)視頻中的 一幀示例。
圖3b示出與圖3a相鄰的一幀示例。
圖3c示出實(shí)施例中因?yàn)槟繕?biāo)運(yùn)動(dòng)緩慢所造成的誤檢測(cè)。
圖4a示出實(shí)施例中長(zhǎng)時(shí)間靜止目標(biāo)運(yùn)動(dòng)前的 一幀示例圖像。
圖4b示出實(shí)施例中長(zhǎng)時(shí)間靜止目標(biāo)運(yùn)動(dòng)后的 一幀示例圖像。
圖4c示出實(shí)施例中因?yàn)殚L(zhǎng)時(shí)間靜止目標(biāo)運(yùn)動(dòng)后造成的誤檢測(cè)。
圖5a示出實(shí)施例中 一幀報(bào)警示例。
圖5b示出實(shí)施例中去除噪聲前的遺棄物檢測(cè)結(jié)果。
圖5c示出實(shí)施例中去除噪聲后的遺棄物檢測(cè)結(jié)果。
具體實(shí)施例方式
下面結(jié)合附圖詳細(xì)說(shuō)明本發(fā)明技術(shù)方案中所涉及的各個(gè)細(xì)節(jié)問(wèn)題。 應(yīng)指出的是，所描述的實(shí)施例僅旨在便于對(duì)本發(fā)明的理解，而對(duì)其不起 任何限定作用。
傳統(tǒng)的基于視頻的遺棄物檢測(cè)方法通常需要跟蹤過(guò)程，而復(fù)雜的場(chǎng) 景會(huì)對(duì)精確跟蹤造成巨大的挑戰(zhàn)。所以這類方法的準(zhǔn)確性較差，實(shí)用性 不好。無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)因?yàn)椴话欉^(guò)程，對(duì)于提高監(jiān)控 系統(tǒng)對(duì)監(jiān)控場(chǎng)景中遺棄物的精確檢測(cè)有很重要的作用。利用遺棄物的特 性，本發(fā)明實(shí)現(xiàn)了一個(gè)無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)系統(tǒng)。如圖1示出無(wú) 需跟蹤過(guò)程的遺棄物檢測(cè)方法的流程框圖，包括模型更新和遺棄物檢測(cè) 兩個(gè)部分所述的模型更新過(guò)程包括步驟對(duì)攝像頭輸入的每幀圖像，利用背 景建模和幀間差分方法提取短時(shí)靜止的象素點(diǎn)；對(duì)提取的短時(shí)靜止區(qū) 域，利用遺棄物具有一定大小且有明顯邊緣的特性去除噪聲，從而獲取
可能屬于遺棄物的區(qū)域；對(duì)可能屬于遺棄物的區(qū)域提取該區(qū)域中的每個(gè) 象素點(diǎn)RGB信息更新相應(yīng)的混合高斯模型，更新方法為K均值法。
所述的遺棄物檢測(cè)過(guò)程包括步驟將所述圖像中每個(gè)象素點(diǎn)的RGB 顏色信息輸入對(duì)應(yīng)的混合高斯模型中，檢測(cè)出與描述相應(yīng)位置象素點(diǎn)可 能出現(xiàn)的遺棄物的顏色信息相匹配的象素點(diǎn)；利用遺棄物具有一定大小 且有明顯邊緣的特性去除噪聲；如果有遺棄物立即報(bào)警，反之則繼續(xù)檢 測(cè)過(guò)程。
本發(fā)明的方法需要的硬件最低配置為P43.0GCPU， 512M內(nèi)存的 計(jì)算機(jī)；最低分辨率為320x240的監(jiān)控?cái)z像頭；幀率為25幀每秒的視 頻采集卡。這里攝像頭和釆集卡用于提供實(shí)時(shí)的圖像數(shù)據(jù)。在此配置水 平的硬件上，采用0++語(yǔ)言編程實(shí)現(xiàn)本方法，可以達(dá)到實(shí)時(shí)檢測(cè)的效果。 本發(fā)明包含兩個(gè)過(guò)程模型更新過(guò)程和遺棄物檢測(cè)過(guò)程。下面對(duì)本發(fā)明 的方法中兩個(gè)過(guò)程所涉及的關(guān)鍵步驟進(jìn)行逐一詳細(xì)說(shuō)明，具體形式如下 所述
模型更新過(guò)程
首先，是短時(shí)靜止區(qū)域提取
通常遺棄物具有如下兩個(gè)特點(diǎn)
(1) 遺棄物會(huì)造成被占區(qū)域的背景發(fā)生改變；
(2) 物體在被遺棄后保持靜止。
本步驟就是根據(jù)遺棄物的上述兩個(gè)特點(diǎn)，提取出場(chǎng)景中的短時(shí)靜止 區(qū)域。其包含兩個(gè)過(guò)程-
第一步是利用基于背景建模的方法，提取出場(chǎng)景中背景發(fā)生改變的 區(qū)域。所述背景建模是提取運(yùn)動(dòng)目標(biāo)圖像序列每一幀的顏色信息，通過(guò) 對(duì)每個(gè)象素點(diǎn)的顏色信息進(jìn)行混合高斯背景建模使該模型能夠描述對(duì) 應(yīng)象素點(diǎn)的背景顏色信息。因此可以用基于背景建模的方法檢測(cè)背景發(fā) 生變化的區(qū)域?；旌细咚鼓Ｐ湍壳氨粡V泛應(yīng)用于背景建模，有比較穩(wěn)定
的性能。如附圖2a示出的當(dāng)前圖像，如附圖2b示出的檢測(cè)出的背景發(fā)生改變的區(qū)域。
第二步在提取的背景發(fā)生改變的區(qū)域，利用幀間差分方法，提取出 短時(shí)靜止的區(qū)域。幀間差分法就是用當(dāng)前幀圖像與相鄰幀圖像進(jìn)行差分 的方法。如果某一象素點(diǎn)的差分值小于一定的閾值，就認(rèn)為該象素點(diǎn)是 短時(shí)靜止的。如附圖2c示出的檢測(cè)出的短時(shí)靜止區(qū)域。 其二，對(duì)提取的短時(shí)靜止區(qū)域，進(jìn)行噪聲區(qū)域去除 從附圖2c我們可以看出檢測(cè)出來(lái)的短時(shí)靜止區(qū)域并不全是遺棄物， 包含有大量的噪聲。這些噪聲的產(chǎn)生主要有如下兩個(gè)原因
(1) 當(dāng)運(yùn)動(dòng)目標(biāo)運(yùn)動(dòng)緩慢，且物體內(nèi)部顏色分布比較均勻時(shí)，運(yùn)動(dòng) 目標(biāo)的內(nèi)部區(qū)域會(huì)被幀間差分方法當(dāng)成靜止區(qū)域檢測(cè)出。同時(shí)該區(qū)域顯
然也造成了背景的短時(shí)變化。如附圖3a和附圖3b示出的相鄰兩幀，如 附圖3c示出的利用幀間差分方法提取出的場(chǎng)景中靜止的象素點(diǎn)。從附 圖3c可以看出運(yùn)動(dòng)目標(biāo)的內(nèi)部區(qū)域被誤認(rèn)為靜止區(qū)域。
(2) 長(zhǎng)時(shí)間靜止的物體，突然運(yùn)動(dòng)后露出的背景區(qū)域會(huì)被認(rèn)為是背 景發(fā)生了改變的區(qū)域。長(zhǎng)時(shí)間靜止的物體會(huì)被基于背景建模的方法認(rèn)為 是背景區(qū)域。目標(biāo)運(yùn)動(dòng)后所漏出來(lái)的真實(shí)背景因?yàn)槠漕伾畔⑴c描述該 區(qū)域背景顏色信息的模型不一致，而被當(dāng)成了前景，即被誤認(rèn)為該區(qū)域 背景發(fā)生了改變。顯然被誤檢的區(qū)域同時(shí)也屬于短時(shí)靜止區(qū)域。如附圖 4a示出的長(zhǎng)時(shí)間靜止目標(biāo)運(yùn)動(dòng)前圖像，如附圖4b示出的目標(biāo)運(yùn)動(dòng)后圖 像，如附圖4c示出的背景建模方法提取的背景發(fā)生改變的區(qū)域。從圖 4c可以看出長(zhǎng)時(shí)間停留的目標(biāo)運(yùn)動(dòng)后，露出來(lái)的背景區(qū)域被當(dāng)成了背景 發(fā)生改變的區(qū)域。
但是從實(shí)驗(yàn)中我們發(fā)現(xiàn)，這些誤檢測(cè)區(qū)域的輪廓對(duì)應(yīng)到原始圖像以 后，邊緣信息并不充足。換句話來(lái)說(shuō)，遺棄物一般都具有明顯的邊緣。 我們利用這個(gè)特征去除由上述兩種原因造成的誤檢測(cè)。其具體做法為 利用blob分析方法將短時(shí)靜止區(qū)域分塊，并提取每個(gè)塊的邊緣；將當(dāng)前 圖像用canny算法提取邊緣；如果某一塊的邊緣與當(dāng)前圖像的邊緣重合 度大于一定閾值時(shí)，就認(rèn)為該塊為可能的遺棄物。如附圖2d示出的短 時(shí)靜止區(qū)域去除噪聲后的結(jié)果。重合度由下式計(jì)算，A，=邊緣中重合的象素點(diǎn)數(shù)目 塊邊緣的象素點(diǎn)數(shù)目
其三，更新相應(yīng)位置的混合高斯模型
與混合高斯模型應(yīng)用于背景類似，在這里我們也在每個(gè)象素點(diǎn)構(gòu)建 一個(gè)混合高斯模型，用來(lái)描述該象素點(diǎn)可能出現(xiàn)遺棄物的顏色信息。將 步驟二提取出來(lái)的象素點(diǎn)的顏色信息采用K均值法在線更新對(duì)應(yīng)位置 處的混合高斯模型，用于描述遺棄物顏色信息。假設(shè)某象素點(diǎn)的RGB 值在混合高斯模型中某高斯函數(shù)均值的兩倍方差之內(nèi)，則該高斯函數(shù)的 均值和方差由下式進(jìn)行更新
A = — & =(l_ )//g+aG //A = (1 _ +
cr = (l —a)o" + "^/(i —/02+(G —A)2+(5 —a)2
其中，a， a， ^分別是高斯函數(shù)均值的RGB分量，R， G， B分 別是象素點(diǎn)的RGB分量的值，o"是高斯函數(shù)的方差。顯然，其高斯參 數(shù)的更新策略與背景建模中的高斯混合模型相似，但是更新過(guò)程還有如 下步驟
(1) 此處混合高斯模型中的高斯權(quán)值是由該高斯未被更新的時(shí)間長(zhǎng) 短來(lái)確定的。未更新的時(shí)間越長(zhǎng)，其權(quán)值越小。所以每個(gè)高斯的最近更 新時(shí)間需要保存。
(2) 每個(gè)高斯的構(gòu)建時(shí)間需要確定，因?yàn)橹挥挟?dāng)包裹遺棄一定時(shí)間 后才會(huì)報(bào)警。
(3) 混合高斯模型在未被任何樣本更新前，其高斯個(gè)數(shù)為o。 遺棄物檢測(cè)過(guò)程
首先，檢測(cè)與描述遺棄物信息的混合高斯模型相匹配的象素點(diǎn) 這里匹配過(guò)程也與背景建模中的混合高斯模型匹配過(guò)程類似，其區(qū) 別在于
(1) 這里我們檢測(cè)的是與模型匹配的象素點(diǎn)，而背景建模中檢測(cè)的 是與模型不匹配的象素點(diǎn)。
(2) 除了顏色信息需要匹配外，當(dāng)前時(shí)間與被匹配的高斯的創(chuàng)建時(shí)間需要大于一個(gè)閾值，因?yàn)橹挥邪粊G棄超過(guò)一定時(shí)間才能報(bào)警。該 閾值由手工確定。
(3)若某個(gè)象素點(diǎn)混合高斯中，高斯的個(gè)數(shù)為0，則不匹配。
如附圖5b示出的檢測(cè)效果，我們發(fā)現(xiàn)有大量的噪聲。
其二，利用遺棄物的特征去除檢測(cè)噪聲
該步驟所采用的特征和策略與模型更新過(guò)程中的步驟2相同。如果 仍然有遺棄物被檢測(cè)，則系統(tǒng)報(bào)警，如果沒(méi)有遺棄物被檢測(cè)，則系統(tǒng)轉(zhuǎn)
到遺棄物檢測(cè)過(guò)程的步驟1繼續(xù)檢測(cè)過(guò)程。如附圖5a示出的一幀報(bào)警 示例。如附圖5c示出的去除噪聲后的遺棄物檢測(cè)結(jié)果。
無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方案主要包含模型更新和遺棄物檢測(cè) 兩個(gè)過(guò)程，為了詳細(xì)說(shuō)明該發(fā)明的具體實(shí)施例，以某一個(gè)用于車站大廳 的智能視頻監(jiān)控系統(tǒng)為例說(shuō)明。這個(gè)系統(tǒng)可以對(duì)監(jiān)控場(chǎng)景中的遺棄物進(jìn) 行實(shí)時(shí)檢測(cè)。
模型更新的目的是在線學(xué)習(xí)和更新用于描述每個(gè)象素點(diǎn)可能出現(xiàn) 的遺棄物顏色分布的模型。
模型更新如下
步驟S11:對(duì)攝像頭輸入的每幀圖像，利用背景建模和幀間差分方 法提取該幀中短時(shí)靜止區(qū)域；提取短時(shí)靜止區(qū)域包含如下過(guò)程利用基 于背景建模的方法，檢測(cè)出當(dāng)前幀中背景發(fā)生變化的區(qū)域；在背景發(fā)生 變化的區(qū)域中，利用幀間差分方法檢測(cè)出短時(shí)靜止的區(qū)域；
步驟S12:對(duì)S11所獲得的短時(shí)靜止區(qū)域，利用遺棄物具有一定大
小且邊緣明顯的特點(diǎn)，進(jìn)一步排除步驟Sll所提取的短時(shí)靜止區(qū)域中的 噪聲，從而獲得可能屬于遺棄物的區(qū)域；
步驟S13:對(duì)S12所獲得的可能屬于遺棄物的區(qū)域，將該區(qū)域中的 每個(gè)象素點(diǎn)顏色信息更新相應(yīng)位置的混合高斯(GaussianMixture Model)模型。
在訓(xùn)練出用于描述遺棄物顏色特性的模型后，我們實(shí)時(shí)檢測(cè)每幀中
可能存在遺棄物的區(qū)域。其具體步驟如下
步驟S21:對(duì)攝像頭輸入的每幀圖像提取每個(gè)象素點(diǎn)的RGB顏色信 息，并將每個(gè)象素點(diǎn)的RGB顏色信息輸入到對(duì)應(yīng)位置的混合高斯模型中，檢測(cè)出RGB顏色信息與對(duì)應(yīng)位置混合高斯模型匹配的象素點(diǎn)，獲 得由混合高斯模型匹配的象素點(diǎn)組成的區(qū)域；
步驟S22:對(duì)由匹配的象素點(diǎn)所組成的區(qū)域，利用遺棄物具有明顯 邊緣和一定大小的特點(diǎn)，進(jìn)一步排除噪聲區(qū)域，從而獲得遺棄物區(qū)域；
步驟S23:對(duì)輸入的每幀圖像，如果有遺棄物被檢測(cè)，則報(bào)警；反 之，則繼續(xù)執(zhí)行步驟S21的遺棄物檢測(cè)過(guò)程。
總之，本發(fā)明提出了一種簡(jiǎn)單有效的無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方 法。PETS06數(shù)據(jù)庫(kù)上的試驗(yàn)結(jié)果驗(yàn)證了我們算法的有效性。本發(fā)明易 于實(shí)現(xiàn)、性能穩(wěn)定。本發(fā)明對(duì)于提高監(jiān)控系統(tǒng)對(duì)監(jiān)控場(chǎng)景的理解能力， 提升公共場(chǎng)所的安全性具有很重要的作用。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并 不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理 解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā) 明的保護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1.一種無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方法，其特征在于包括模型更新和遺棄物檢測(cè)兩個(gè)過(guò)程，其步驟如下步驟S1對(duì)攝像頭輸入的每幀圖像，利用基于象素點(diǎn)的方法提取可能屬于遺棄物的象素點(diǎn)，并用每一個(gè)可能屬于遺棄物象素點(diǎn)的RGB顏色信息去更新相應(yīng)位置的混合高斯模型；步驟S2將所述圖像中每個(gè)象素點(diǎn)的RGB顏色信息輸入到更新過(guò)的對(duì)應(yīng)混合高斯模型中，檢測(cè)出與描述相應(yīng)位置象素點(diǎn)可能出現(xiàn)的遺棄物的顏色信息相匹配的象素點(diǎn)，完成視頻中遺棄物的檢測(cè)。
2. 按權(quán)利要求1所述的遺棄物檢測(cè)方法，其特征在于所述模型更 新如下步驟S11:對(duì)攝像頭輸入的每幀圖像，利用背景建模和幀間差分法 提取該幀圖像中短時(shí)靜止區(qū)域；步驟S12:對(duì)短時(shí)靜止區(qū)域，利用遺棄物具有明顯邊緣和一定大小的特性，排除短時(shí)靜止區(qū)域中的噪聲，從而獲得可能屬于遺棄物的區(qū)域；步驟S13:對(duì)可能屬于遺棄物的區(qū)域提取該區(qū)域中的每個(gè)象素點(diǎn)的RGB顏色信息并采用K均值法更新相應(yīng)位置的混合高斯模型。
3. 按權(quán)利要求2所述的遺棄物檢測(cè)方法，其特征在于所述提取短 時(shí)靜止區(qū)域包含如下過(guò)程利用基于背景建模的方法，檢測(cè)出當(dāng)前圖像 中背景發(fā)生變化的區(qū)域；在背景發(fā)生變化的區(qū)域中，利用幀間差分方法檢測(cè)出短時(shí)靜止的區(qū)域。
4. 按權(quán)利要求2所述的遺棄物檢測(cè)方法，其特征在于利用提取短時(shí)靜止區(qū)域的象素點(diǎn)用于更新混合高斯模型。
5. 按權(quán)利要求2所述的遺棄物檢測(cè)方法，其特征在于采用K均值法在線更新對(duì)應(yīng)位置處的混合高斯模型，用于描述遺棄物顏色信息。
6. 按權(quán)利要求1所述的遺棄物檢測(cè)方法，其特征在于所述遺棄物檢測(cè)步驟如下步驟S21:對(duì)攝像頭輸入的每幀圖像提取每個(gè)象素點(diǎn)的RGB顏色信 息，并將每個(gè)象素點(diǎn)的RGB顏色信息輸入到對(duì)應(yīng)位置的混合高斯模型中，檢測(cè)出RGB顏色信息與對(duì)應(yīng)位置混合高斯模型匹配的象素點(diǎn)，獲 得由混合高斯模型匹配的象素點(diǎn)組成的區(qū)域；步驟S22:對(duì)由匹配的象素點(diǎn)所組成的區(qū)域，利用遺棄物具有明顯 邊緣和一定大小的特點(diǎn)，進(jìn)一步排除噪聲區(qū)域，從而獲得遺棄物區(qū)域；步驟S23:對(duì)輸入的每幀圖像，如果有遺棄物被檢測(cè)，則報(bào)警；反 之，則繼續(xù)執(zhí)行步驟S21的遺棄物檢測(cè)過(guò)程。
全文摘要
本發(fā)明公開一種無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)方法，包括步驟對(duì)攝像頭輸入的每幀圖像，利用基于象素點(diǎn)的方法提取可能屬于遺棄物的象素點(diǎn)，并用每一個(gè)可能屬于遺棄物象素點(diǎn)的RGB顏色信息去更新相應(yīng)位置的混合高斯模型；將所述圖像中每個(gè)象素點(diǎn)的RGB顏色信息輸入到更新過(guò)的對(duì)應(yīng)混合高斯模型中，檢測(cè)出與描述相應(yīng)位置象素點(diǎn)可能出現(xiàn)的遺棄物的顏色信息相匹配的象素點(diǎn)，完成視頻中遺棄物的檢測(cè)，如果有遺棄物被檢測(cè)則報(bào)警。無(wú)需跟蹤過(guò)程的遺棄物檢測(cè)因?yàn)椴话欉^(guò)程，在復(fù)雜場(chǎng)景中對(duì)于提高監(jiān)控系統(tǒng)對(duì)監(jiān)控場(chǎng)景中遺棄物的精確檢測(cè)有很重要的作用?？捎糜谥悄芤曨l監(jiān)控系統(tǒng)，幫助識(shí)別出公共場(chǎng)景中的遺棄物，從而提高公共場(chǎng)所的安全性。
文檔編號(hào)G06K9/00GK101635026SQ200810117059
公開日2010年1月27日 申請(qǐng)日期2008年7月23日 優(yōu)先權(quán)日2008年7月23日
發(fā)明者舟 劉, 王亮生, 譚鐵牛, 黃凱奇 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所