【技术实现步骤摘要】
本专利技术涉及到智能视觉监控领域，特指一种用于动态场景的目标检测与跟踪方法。
技术介绍
1、视觉处理系统采用图像传感器对监控场景中的运动目标(如行人、车辆等)进行实时观测，通过检测、识别和跟踪图像序列中的运动目标，监视场景中目标的活动，并能理解和描述目标的各自行为和相互间行为。视觉监控技术在20世纪60年代出现，基于视频的监控系统的发展是从模拟监控(cctv)开始，监控系统的鲁棒性、自动化程度低。随着传感器、计算机软硬件、信号处理和通信等视觉监控所需的技术和设备发展，使得视觉监控的广泛应用和迅猛发展有了坚实的物质基础。在监控系统中采用高性能计算机获取、处理图像成为可能，复杂背景下的运动目标跟踪目前主要采用单摄象机监控场景，运动目标的检测、识别是研究重点，到目前美国，欧洲和日本等发达国家已发展到自动化视觉监控技术，正迅速向全数字智能视觉监控技术发展。
2、现有技术中对于动态场景的目标检测与跟踪方法普遍存在以下问题：1.目标检测的真实性和稳定性不强，不能做到逐帧剖析、处理，导致对于目标后续的跟踪无法进行；2.在不同的环境下受各类光线干扰较为明显，某些特殊的时间段中容易丢失对目标的后续跟踪。
技术实现思路
1、本专利技术解决的技术问题是现有技术中不能做到逐帧剖析、处理，在不同的环境下受各类光线干扰较为明显。
2、为解决上述技术问题，本专利技术提供的一种用于动态场景的目标检测与跟踪方法，包括如下步骤：
3、(1)、动态场景目标检测：
4、①、
5、②、从输入的第t+1帧图像开始检测目标：通过给监控视频中引入九参数运动模型构建目标图像，具体是在视频编码器中加入编码，编码公式如下：
6、
7、其中x，y来表示当前帧里的像素坐标，xr，yr表示参考帧里的对应像素坐标；
8、③、采用ransac法去除可能存在的外点，得到正确的匹配特征点对求解出全局运动模型的参数；
9、④、再对图像进行运动补偿，最后用帧差法得到运动目标；
10、(2)、动态场景目标跟踪：
11、⑤、对当前帧图像中检测到的目标区域，建立目标模型：颜色模型、运动模型以及形状模型；
12、⑥、对检测到的目标采用改进的sift算法进行特征点匹配；
13、⑦、根据匹配情况，分析当前帧目标运动状态；
14、⑧、采用局部三值数量(local ternarynumber,ltn)局部显著性纹理算子，并将其与色度信息相结合，从而获得完整的目标运动；
15、⑨、重复上述⑤-⑧的操作，实现对运动目标的跟踪。
16、优选的，所述步骤③中，ransac法的具体操作方法如下：
17、a)确定一个最小抽样集的势为n的模型，n为初始化模型参数所需的最小样本数，和一个样本集p，集合p的样本数#(p)＞n，从p中随机抽取包含n个样本的p的子集s初始化模型m；
18、b)余集sc＝p\s中与模型m的误差小于某一设定阈值t的样本集以及s构成s*，s*认为是内点集，它们构成s的一致集(consensus set)；
19、c)若#(s*)≥n，认为得到正确的模型参数，并利用集s*(内点inliers)采用最小二乘等方法重新计算新的模型m*，重新随机抽取新的s，重复以上过程；
20、d)在完成一定的抽样次数后，若未找到一致集则算法失败，否则选取抽样后得到的最大一致集判断内外点，算法结束。
21、优选的，所述步骤④中，对图像进行运动补偿的具体方法是：
22、a)运动估计：通过比较t帧与t+1帧之间的差异，计算出最佳的位移矢量来描述运动的信息；
23、b)运动补偿：根据估计得到的位移矢量，在解码时对图像进行平移和补偿，从而重构出原始图像。
24、优选的，所述步骤④中，所述帧差法的具体步骤是：
25、a)灰度处理：减小每帧的图片大小，提高计算机处理速度；
26、b)帧差处理：找到帧与帧之间的区别；
27、c)二值化：将图像上的像素点的灰度值设置为0或255，使整个图像呈现出明显的黑白效果，凸显出目标的轮廓；
28、d)腐蚀处理：将目标的边缘的“毛刺”剔除，使目标物体更加清晰，轮廓明显；
29、e)膨胀处理：加粗目标，更加明显；
30、f)对动态物体进行标记：保存关键点进行标记；
31、g)提取关键点：提取关键点进行标记；
32、h)最后进行绘制形成动态目标清晰图像。
33、优选的，所述步骤⑥中，改进的sift算法具体步骤如下：
34、1)、尺度空间的生成：
35、将一副二维图像的尺寸空间定义为：l(x,y,σ)＝g(x,y,σ)*i(x,y)
36、，其中(x,y)是空间坐标，σ是尺度坐标，g(x,y,σ)是尺度可变高斯函数，σ的大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征，大的σ值对应粗糙尺度，反之对应精细尺度；
37、2)、检测尺度空间极值点：
38、寻找尺度空间的极值点，每一个采样点和它所有相邻点比较它的图像域和尺度域的相邻点之间的大小，在每一组图像的顶层继续用高斯模糊生成3幅图像，高斯金字塔有每组s+3层图像，dog金字塔每组有s+2层图像；
39、3)、精确定位极值点：
40、通过拟和三维二次函数以精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点，增强匹配稳定性、提高抗噪声能力；
41、4)、为每个关键点指定方向参数：
42、利用关键点领域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性，通过每个关键点的位置、所处尺度以及方向确定一个sift特征区域；
43、5)、关键点描述子的生成：
44、将坐标轴旋转为关键点的方向，以确保旋转不变性，以特征点为中心取8*8的领域作为采用窗口，将采样点与特征点的相对方向通过高斯加权后归入包含8个方向直方图，获得2*2*8的32维特征描述子。
45、优选的，尺度空间的生成中构建的高斯差分尺度空间公式如下：
46、d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)＝l(x,y,kσ)-l(x,y,σ)。
47、优选的，精确定位极值点中空间尺度的函数为：对空间尺度函数进行求导，令其为0，得到精确的位置
48、与相关技术相比较，本专利技术具有如下有益效果：
49、1、本专利技术引入了9参数运动模型来构建目标图像，配合，ransac法去除可能存在的外点，再利用运动补偿和帧差法逐帧处理后，大大地提高了目标图像的清晰度，使得对于目标的检测更为真实和精准。...
【技术保护点】
1.一种用于动态场景的目标检测与跟踪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤③中，RANSAC法的具体操作方法如下：
3.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤④中，对图像进行运动补偿的具体方法是：
4.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤④中，所述帧差法的具体步骤是：
5.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤⑥中，改进的SIFT算法具体步骤如下：
6.根据权利要求5所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，尺度空间的生成中构建的高斯差分尺度空间公式如下：
7.根据权利要求5所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，精确定位极值点中空间尺度的函数为：对空间尺度函数进行求导，令其为0，得到精确的位置
【技术特征摘要】
1.一种用于动态场景的目标检测与跟踪方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤③中，ransac法的具体操作方法如下：
3.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤④中，对图像进行运动补偿的具体方法是：
4.根据权利要求1所述的一种用于动态场景的目标检测与跟踪方法，其特征在于，所述步骤④中，所述帧差法的...
【专利技术属性】
技术研发人员：贾金权，蒙洪江，
申请(专利权)人：桂林天石科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。