專利名稱：一種基于規(guī)則的全天候智能視頻分析監(jiān)控方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種對異常情況自動報警的監(jiān)控方法，尤其是在全天候 條件下通過對攝像機采集到的視頻進行基于規(guī)則的智能分析從而實現(xiàn)可 設(shè)置報警對象、可調(diào)節(jié)報警靈敏度的監(jiān)控方法。
背景技術(shù)：
隨著現(xiàn)代科技的飛速發(fā)展，利用攝像機來監(jiān)控動態(tài)場景早己被廣泛 應(yīng)用于現(xiàn)代社會的方方面面，特別是那些對安全要求敏感的場合,如國防、社區(qū)、銀行、停車場、軍事基地、電纜沿線等。動態(tài)場景的視:T監(jiān) 控是近年來備受關(guān)注的前沿研究方向，它從攝像機捕捉的圖像序列中檢 測、識別、跟蹤目標并對其行為進行理解。盡管目前作為人類視覺延伸 的監(jiān)控攝像機在商業(yè)應(yīng)用中已經(jīng)普遍存在，但并沒有充分發(fā)揮其實時主 動的監(jiān)督媒介的作用。因此，開發(fā)出具有實際意義的自動性、智能性的 視覺監(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代替人眼， 而且能用計算機協(xié)助人、代替人，以完成監(jiān)視或控制任務(wù)。目前,傳統(tǒng)的視頻監(jiān)控系統(tǒng)將攝像機采集到的視頻傳輸?shù)浇K端監(jiān)控 室，最終由保安人員對傳輸來的視頻觀測來實現(xiàn)監(jiān)控的目的，這些傳統(tǒng) 的視覺監(jiān)控系統(tǒng)都是一種事后監(jiān)控，對各種破壞安全性的行為起不到制 止的作用；另一方面，這些監(jiān)控系統(tǒng)主要依靠保安人員實時觀測攝像機 的顯示器，所有的意外事件和異常情況都是由保安人員來發(fā)現(xiàn)，這樣做 需要大量的人力和物力。在這種情況下，人的生理因素比如注意力會極 大地影響監(jiān)控的效果。隨著人們對安全性要求的增加，以及監(jiān)控任務(wù)的 復(fù)雜性增加，這些傳統(tǒng)的監(jiān)控系統(tǒng)將不能適應(yīng)社會發(fā)展的需要。公知的視頻監(jiān)控系統(tǒng)從攝像機捕捉的圖像序列中檢測、識別、跟蹤目標并對其行為進行分析理解從而達到監(jiān)控的目的，其技術(shù)要點包括運動目標檢測和跟蹤，目標的分類，人、車輛及其他監(jiān)控目標的運動分析，行為理解這些方面。具有代表性的產(chǎn)品有Vidient的SmartCatch和 Verint的Nextiva。這些監(jiān)控方法都是在室內(nèi)或者戶外道路環(huán)境下測試使 用，在照明良好時可以比較有效地檢測目標，可以識別人、車，可以在 簡單情況下跟蹤目標，可以對簡單的行為進行分析理解。但是，很多實際應(yīng)用場景并不理想。首先，絕大多數(shù)實際應(yīng)用要求 對目標場景進行全天候監(jiān)控，并且在夜間無法提供如同白天的照明條件。 其次，國防、軍事基地、電纜沿線等亟需可靠的智能視頻監(jiān)控的場所大都處于野外。不同于室內(nèi)和道路環(huán)境，野外環(huán)境復(fù)雜，亮度變化大，干 擾源數(shù)量多而且干擾模式復(fù)雜。 一般的視頻監(jiān)控系統(tǒng)在這些情況下無法 有效地實現(xiàn)檢測、識別、跟蹤目標和對其行為進行分析理解，不能對目 標場景進行有效的監(jiān)控。發(fā)明內(nèi)容為了克服現(xiàn)有的視頻監(jiān)控系統(tǒng)不能對目標場景進行全天候有效的監(jiān) 控，不能有效應(yīng)用于野外等復(fù)雜場景的不足，本發(fā)明目的是在全天候條件 下，不僅可以對通常的室內(nèi)和戶外道路場景進行監(jiān)控，而且能應(yīng)用于野 外場景進行監(jiān)控，為此，提供一種基于規(guī)則的全天候智能視頻分析監(jiān)控 方法。為了實現(xiàn)所述的目的，本發(fā)明的基于規(guī)則的全天候智能視頻分析監(jiān) 控方法，步驟如下背景分割步驟Sl:對攝像頭采集到的圖像序列進行背景分割，用于 獲得正確的前景；目標檢測步驟S2:對獲得的前景進行目標檢測，用于得到要監(jiān)控的 對象；目標跟蹤步驟S3:對檢測到的對象進行跟蹤，用于得到對象的軌跡； 軌跡分析步驟S4:對得到的軌跡進行軌跡分析；目標識別步驟S5:同時對檢測得到的對象進行目標識別，用于得到 對象的類別；異常行為檢測步驟S6:根據(jù)預(yù)先制定的報警規(guī)則對得到的軌跡分析結(jié)果和對象類別進行判斷，從而得到是否報警以及以何種方式報警的輸出結(jié)果。具體地，其背景分割包括如下步驟步驟S11:首先由采集到的圖像序列構(gòu)建背景模型； 步驟S12:由當前輸入圖像與背景模型進行比對，用于獲得前景； 步驟S13:對獲得的前景經(jīng)過形態(tài)學(xué)濾波和連通量分析，用于得到 輪廓分割結(jié)果。具體地，其目標檢測包括如下步驟步驟S21:由背景分割得到的結(jié)果進行閾值化處理，用于獲得候選 目標；步驟S22:對獲得的候選目標，結(jié)合圖像中的統(tǒng)計特征和運動分析 方法來檢測到目標。具體地，其目標跟蹤包括如下步驟 步驟S31:首先求取檢測所得目標的特征；步驟S32:采用統(tǒng)計的方法對目標的運動進行預(yù)測，獲得目標的運 動預(yù)測結(jié)果；步驟S33:對預(yù)測結(jié)果與新的圖像中檢測所得目標的特征進行匹配,用于得到圖像序列中目標的運動軌跡。具體地，其軌跡分析包括如下步驟步驟S41:由跟蹤得到的軌跡信息進行聚類，用于獲得軌跡類別和時序關(guān)系；步驟S42:利用軌跡類別之間的時序關(guān)系得到規(guī)則； 步驟S43:由得到的規(guī)則對軌跡進行分析。 具體地，其目標識別包括如下步驟步驟S51:首先要訓(xùn)練一組模型，由N組包含正負樣本的訓(xùn)練數(shù)據(jù) 通過訓(xùn)練算法得到一組模型庫及相應(yīng)的分類器； 步驟S52:將檢測所得目標輸入分類器；步驟S53:根據(jù)訓(xùn)練得到的模型庫分類，得到目標的類別。 具體地，其報警輸出包括如下步驟步驟S6h通過基于規(guī)則的異常行為分析，若發(fā)現(xiàn)有異常行為，則的報警，并同時輸出當前報警的圖像和文字描述。具體地，其報警規(guī)則制定為一個規(guī)則由四個因素構(gòu)成目標類別由目標識別得到的類別；目標行為由目標跟蹤得到的軌跡經(jīng)軌跡分析決定；地點包括區(qū)域和絆線；時間是預(yù)先設(shè)定。具體地，所述報警規(guī)則，采用兩個或兩個以上報警規(guī)則由時序關(guān)系 構(gòu)成一個復(fù)合報警規(guī)則。具體地，所述報警規(guī)則，采用一個異常行為由一個報警規(guī)則或者一 個復(fù)合報警規(guī)則描述。具體地，所述報警規(guī)則，當一個報警規(guī)則或者一個復(fù)合報警規(guī)則得 到滿足時，則判定發(fā)生了異常行為。本發(fā)明的有益效果是，本發(fā)明通過基于規(guī)則的智能視頻分析，結(jié)合 多種分割、檢測和跟蹤技術(shù)，解決了各種異常行為的正確區(qū)分和識別， 消除了由全天候條件下與復(fù)雜場景中的不良條件帶來的干擾，不僅可對 通常的室內(nèi)和戶外道路場景進行全天候監(jiān)控，而且能應(yīng)用于野外等復(fù)雜 場景進行全天候監(jiān)控，監(jiān)控更加準確與魯棒，通過加入新的規(guī)則可擴展 報警對象:，可設(shè)置報警對象，可調(diào)節(jié)報警靈敏度，實施、配置簡單方便， 可對復(fù)雜行為進行監(jiān)控。


圖l是本發(fā)明的系統(tǒng)框圖。圖2是背景分割的流程圖。圖3是目標跟蹤的流程圖。圖4是目標識別的流程圖。圖5是第一個實施例的用戶界面。圖6是第一個實施例的算法參數(shù)設(shè)置界面。圖7是第一個實施例的異常規(guī)則配置界面。圖8是第一個實施例的一個報警示例。
具體實施方式
下面將結(jié)合附圖對本發(fā)明加以詳細說明，應(yīng)指出的是，所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。本發(fā)明使用的方法可在個人計算機、工控機及服務(wù)器上以軟件的形 式安裝并執(zhí)行，也可將方法做成嵌入式芯片以硬件的形式來體現(xiàn)。圖l給出了一個實施例系統(tǒng)框圖，首先對攝像頭采集到的圖像序列進 行背景分割以得到正確的前景，接著對得到的前景進行目標檢測以得到 要監(jiān)控的對象，接著對檢測到的對象進行跟蹤以得到對象的軌跡，然后 對得到的軌跡進行軌跡分析，同時對檢測得到的對象進行目標識別以得 到對象的類別，然后根據(jù)預(yù)先制定的報警規(guī)則對得到的軌跡分析結(jié)果和 對象類別進行判斷，從而得到是否報警以及以何種方式報警的結(jié)果。圖2給出了一個實施例的背景分割流程。本發(fā)明中的背景分割是以如 下方式實現(xiàn)的，首先由采集到的圖像序列基于多幀統(tǒng)計模型構(gòu)建背景圖 像，接著由當前輸入圖像與背景模型進行差分比對操作并進行二值化處 理，然后經(jīng)過形態(tài)學(xué)濾波和連通量分析得到輪廓分割結(jié)果。這樣可以在 滿足實時的條件下有效地減弱和消除由于光照變化、天氣情況等帶來的 干擾從而得到更加魯棒和準確的輪廓。本發(fā)明中的目標檢測是通過如下方式實現(xiàn)的。由背景分割得到的結(jié) 果進行差分閾值化處理并結(jié)合圖像中的統(tǒng)計特征和運動分析方法來檢測 到目標。這樣可以有效利用差分閾值法的優(yōu)點，克服其不足。圖3給出了一個實施例的目標跟蹤流程。本發(fā)明中的目標跟蹤是以如 下方式實現(xiàn)的，首先求取檢測所得目標的質(zhì)心特征，接著采用統(tǒng)計的方 法對其運動進行預(yù)測，由最大后驗準則進行預(yù)測，所得預(yù)測結(jié)果與新的 圖像中檢測所得目標進行輪廓匹配，得到圖像序列中目標的運動軌跡， 這樣可以排除誤報，使得得到的軌跡穩(wěn)定而且準確。本發(fā)明中的軌跡分析是以如下方式實現(xiàn)的。首先要訓(xùn)練規(guī)則，由跟 蹤得到的軌跡信息進行聚類，并結(jié)合它們之間的時序關(guān)系得到一系列規(guī) 則。接著由得到的軌跡類別及其時序關(guān)系對軌跡進行分析。通過軌跡分 析能夠得到監(jiān)控對象更加高層的行為信息，便于實現(xiàn)更加復(fù)雜和準確的 異常行為監(jiān)控。圖4給出了一個實施例的目標識別流程。首先要訓(xùn)練一組模型，由組 人(或車、自行車)包含正樣本、負樣本的訓(xùn)練數(shù)據(jù)通過訓(xùn)練算法得到 一組模型庫N，接著將檢測所得目標輸入分類器，根據(jù)訓(xùn)練得到的模型 庫分類，這樣就得到了目標的類別，N-1、 2、 3......。通過對目標的識別可以有效避免一些無法控制的干擾如飛鳥，其他干擾帶來的誤報等，同 時為基于規(guī)則的異常行為報警提供了先決條件。本發(fā)明中的報警輸出是以如下方式實現(xiàn)的。通過基于規(guī)則的異常行 為分析，若發(fā)現(xiàn)有異常行為，則由預(yù)先制定好的策略根據(jù)不同類型的應(yīng) 用場景和異常行為觸發(fā)例如聲、光、電等不同類型的報警，還可以實現(xiàn) 語音報警:，并同時輸出當前報警的圖像和文字描述。這里異常情況指非 法闖入特定區(qū)域、非法滯留特定區(qū)域、非法單向通過特定警戒線、非法 雙向通過特定警戒線、非法尾隨人或車輛、非法移走物體。該方法結(jié)合 了圖像處理、計算機視覺和模式識別技術(shù)。圖5是一個實施例的主界面。其作用是用來顯示各路當前采集到的實 時視頻，并在其上疊加繪制出各禁區(qū)范圍以及它們內(nèi)部的目標檢測和跟 蹤結(jié)果。當沒有視頻時，顯示Logo的標志。每個視頻窗口左側(cè)都有一欄 工具按鈕，可以通過它們對各路視頻的采集和異常檢測過程進行控制。 各按鈕的名稱在圖5中已由紅色文字標出，分別是開始視頻采集、設(shè)置 算法參數(shù)、停止/開始異常檢測、啟動/關(guān)閉規(guī)則編輯器、調(diào)整視頻參數(shù)、 停止視頻采集。下方是報警信息列表，其作用是用來顯示程序在運行過 程中記錄的各條報警信息。所有報警信息記錄被按照事件發(fā)生時間的逆 序排列，即最后檢測到的異常事件被排在列表最頂端。該列表中各列的 意義如下1. 事件編號從1開始、順序遞增的事件編號，刪除個別報警信息 記錄不會改變其后到達事件的編號，但可以通過"清空列表"對其進行重 置，從而使該操作后到達的報警信息記錄重新從1開始順序編號。2. 場景編號從1開始、順序遞增的場景編號，該編號與各路視頻 對應(yīng)，標識了每條報警信息記錄來自于哪一個視頻場景。左上角的視頻 顯示窗口中顯示的視頻對應(yīng)于1號場景、右上角為2號、左下角為3號、右下角為4號。3. 區(qū)域編號從1開始、順序遞增的區(qū)域編號，對應(yīng)于同一路視頻 中不同的禁區(qū)，標識了每條報警信息所記錄的異常事件具體發(fā)生在視頻 場景中的哪一個禁區(qū)。當在異常檢測規(guī)則編輯器中査看某一路視頻對應(yīng) 的規(guī)則設(shè)定時，顯示在區(qū)域列表頂端的區(qū)域是1號禁區(qū)，其下是2號禁 區(qū)，其余依此類推。4. 事件時間顯示每條報警信息記錄對應(yīng)的異常事件發(fā)生的時間， 以程序所在的計算機系統(tǒng)時間為基準，其格式為"[年],[月]，[曰] [時]:[分]:[秒]"，其中年份用4位數(shù)字顯示，其余均為2位，采用24小時 制。5. 異常事件描述顯示每條報警信息記錄對應(yīng)的異常事件描述，對 應(yīng)于不同的規(guī)則(區(qū)域或是絆線)有不同的格式，1) 區(qū)域，其一般格式為"目標['進入，/'離開']"[場景描述]"場景 的"[區(qū)域描述]"區(qū)域"，其中"場景描述"和"區(qū)域描述"這兩項需要由在異 常監(jiān)測規(guī)則編輯器中手動設(shè)置。2) 絆線，其一般格式為"目標['由左向右，/'由右向左']"[場景描述]"場景的"[區(qū)域描述]"絆線"，其中"場景描述"和"區(qū)域描述"這兩項需 要由在異常監(jiān)測規(guī)則編輯器中手動設(shè)置。圖6是一個實施例的算法參數(shù)設(shè)置界面，通過它來調(diào)整圖l中各個部分所用到算法的參數(shù)。其中一些參數(shù)需要根據(jù)實際應(yīng)用進行調(diào)整l.圖像降維尺度為了節(jié)省系統(tǒng)資源，本實施例在對視頻進行分析 前首先按照該參數(shù)值對采集到的圖像進行降采樣，之后再將檢測到的目 標坐標乘以該值得到目標在原始圖像中的實際坐標。如在圖6所示的對話框中該參數(shù)值為默認值2，假設(shè)此時輸入的視頻尺寸為320x240像素, 則在處理前我們首先將圖像尺寸降采樣到160x120像素，若此時檢測到 在點(80， 60)處有一面積為IOO像素目標，則該目標在原始圖像中的實際 座標即為(160，120)、實際面積為400像素。將該參數(shù)值調(diào)低可以提高程 序進行目標檢測時的計算精度，從而使系統(tǒng)更容易檢測到較小的運動目 標，但也會消耗更多的系統(tǒng)資源(尤其是計算資源)，同時也更容易受到 噪聲影響從而出現(xiàn)較多的誤報；調(diào)高該值則可以明顯降低系統(tǒng)資源消耗、減少由圖像噪聲導(dǎo)致的誤報，但同時會導(dǎo)致程序精度下降，從而使其難 以發(fā)現(xiàn)距離攝像機較遠的運動目標。2. 最小目標尺寸在當前場景中，任何面積(像素數(shù)量)小于該值 的目標將被當做噪聲。調(diào)小該值可以使程序檢測到更小的目標，但也會 導(dǎo)致誤報增多；反之若調(diào)大該值則可以降低誤報，同時也會使程序忽略 較小的運動目標。注意，這里所說的"目標大小"是指目標在原始像中的 尺寸，因此將該參數(shù)設(shè)置為小于"圖像降維尺度"的平方的值是沒有意義 的。3. 丟失目標最大幀數(shù)當一個目標連續(xù)無法被檢測的幀數(shù)大于該參 數(shù)值時即被確認為丟失。調(diào)大該值可以減少由于目標在個別幀丟失而造 成的軌跡中斷，但卻更容易受到噪聲影響而產(chǎn)生誤告；反之則有助于降 低誤報，同時也將難以得到的完整的目標運動軌跡。4. 目標起始幀數(shù)只有在場景中連續(xù)被檢測到的幀數(shù)大于該值的目 標才被確認為一個有效的運動目標。設(shè)置該參數(shù)的目的是為了減少由于 圖像噪聲引起的誤報。由于圖像噪聲在空間上的隨機性，調(diào)大該值可以 明顯降低因圖像噪聲引起的誤報，但也會增大目標檢測時的時間延遲， 反之亦然，5. 最大目標尺寸當前場景中任何面積(像素數(shù)量)大于該值的目 標同樣將被系統(tǒng)忽略。在某些應(yīng)用中， 一些區(qū)域?qū)θ藛T來說是禁區(qū)，但 卻允許車輛進入，此時可以通過調(diào)整該值實現(xiàn)這一目標。這個參數(shù)還有 一個重要的作用防止系統(tǒng)在視頻場景驟變(如開關(guān)燈造成光照條件變 化、攝像機彩轉(zhuǎn)灰?guī)淼膱D像快速變化)時產(chǎn)生大量誤報。該參數(shù)也是 針對目標在原始圖像中的尺寸而言的。6. 突變比例因子該參數(shù)的作用同樣是為了防止系統(tǒng)在視頻場景驟 變時產(chǎn)生大量錯報。其意義是若當前檢測到的所有運動目標面積之和(像素數(shù)量)與圖像面積之比大于該值，則所有目標皆被忽略。7. 圖7是一個實施例的規(guī)則配置界面。規(guī)則是以如下方式制定的。 一個規(guī)則由四個因素構(gòu)成目標類別、目標行為、地點和時間。其中， 目標類別指由前面的目標識別得到的類別；目標行為由目標跟蹤得到的 軌跡通過分析而做的決定；地點是預(yù)先設(shè)定好的包括區(qū)域和絆線；時間是預(yù)先設(shè)定的。兩個或兩個以上規(guī)則可以由時序關(guān)系構(gòu)成一個復(fù)合規(guī)則。 一個異常行為由一個規(guī)則或者一個復(fù)合規(guī)則描述，當一個規(guī)則或者一個 復(fù)合規(guī)則得到滿足時就認為發(fā)生了異常行為。這樣對異常行為的描述符 合人的認知模式，可以配置監(jiān)控對象、時間、地點和行為，可以調(diào)節(jié)監(jiān) 控靈敏度，能夠魯棒的檢測出各種類型的異常行為，可以實現(xiàn)對復(fù)雜異 常行為的監(jiān)控。在這里可以設(shè)定規(guī)則有效時間、區(qū)域或者絆線、物體大 小。
非法闖入特定區(qū)域的規(guī)則設(shè)置為
地點區(qū)域；目標類別人；時間所有；目標行為闖入； 非法滯留特定區(qū)域的規(guī)則設(shè)定為
地點區(qū)域；目標類別人；時間所有；目標行為滯留； 非法單向通過特定警戒線的規(guī)則設(shè)定為-
地點絆線；目標類別人；時間所有；目標行為跨越； 以上規(guī)則的復(fù)合形成了更復(fù)雜的規(guī)則。
圖8給出了一個實施例的報警示例。本實施例是以雪天氣候下，小區(qū) 的周界防范報警為例。有一個人在雪天試圖翻越圍墻從而觸發(fā)了報警。 其中紅色區(qū)域是預(yù)報警區(qū)域，藍色區(qū)域是報警區(qū)域。圖的上方給出了報 警的詳細信息，包括事件編號、區(qū)域類型、事件時間與異常事件描述。 圖中還給出了報警時的視頻圖像，圖像右上方顯示系統(tǒng)的時間和日期。 圖中場景是一道圍墻以及被圍墻分成兩部分的空地，沿著圍墻邊緣設(shè)置 了兩條警戒線，沿近處圍墻側(cè)面和地面設(shè)置了兩個警戒區(qū)域。當可疑物 體進入下方的警戒區(qū)域不久后就被系統(tǒng)檢測到并跟蹤同時出發(fā)了預(yù)報 警，當可疑物體準備翻越圍墻時被警戒線偵測到于是觸發(fā)了報警。計算 機采用的是PIV2.0G內(nèi)存512M的Dell品牌機。
以上所述，僅為本發(fā)明中的具體實施方式
，但本發(fā)明的保護范圍并 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) 明的保護范圍應(yīng)該以權(quán)利要求書的保護范圍為準。
權(quán)利要求
1. 一種基于規(guī)則的全天候智能視頻分析監(jiān)控方法，其特征在于，背景分割步驟S1對攝像頭采集到的圖像序列進行背景分割，用于獲得正確的前景；目標檢測步驟S2對獲得的前景進行目標檢測，用于得到要監(jiān)控的對象；目標跟蹤步驟S3對檢測到的對象進行跟蹤，用于得到對象的軌跡；軌跡分析步驟S4對得到的軌跡進行軌跡分析；目標識別步驟S5同時對檢測得到的對象進行目標識別，用于得到對象的類別；異常行為檢測步驟S6根據(jù)預(yù)先制定的報警規(guī)則對得到的軌跡分析結(jié)果和對象類別進行判斷，從而得到是否報警以及以何種方式報警的輸出結(jié)果。
2. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其背景分割包括 如下步驟步驟S11:首先由采集到的圖像序列構(gòu)建背景模型； 步驟S12:由當前輸入圖像與背景模型進行比對，用于獲得前景； 步驟S13:對獲得的前景經(jīng)過形態(tài)學(xué)濾波和連通量分析，用于得到 輪廓分割結(jié)果。
3. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其目標檢測包括 如下步驟步驟S21:由背景分割得到的結(jié)果進行閾值化處理，用于獲得候選 目標；步驟S22:對獲得的候選目標，結(jié)合圖像中的統(tǒng)計特征和運動分析方法來檢測到目標。
4. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其目標跟蹤包括如下步驟-步驟S31:首先求取檢測所得目標的特征；步驟S32:采用統(tǒng)計的方法對目標的運動進行預(yù)測，獲得目標的運動預(yù)測結(jié)果；步驟S33:對預(yù)測結(jié)果與新的圖像中檢測所得目標的特征進行匹配， 用于得到圖像序列中目標的運動軌跡。
5. 根據(jù)權(quán)利要求1所述的視頻監(jiān)控方法，其特征在于，其軌跡分析包括如下步驟步驟S41:由跟蹤得到的軌跡信息進行聚類，用于獲得軌跡類別和 時序關(guān)系；步驟S42:利用軌跡類別之間的時序關(guān)系得到規(guī)則； 步驟S43:由得到的規(guī)則對軌跡進行分析。
6. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其目標識別包括如下步驟步驟S51:首先要訓(xùn)練一組模型，由N組包含正負樣本的訓(xùn)練數(shù)據(jù) 通過訓(xùn)練算法得到一組模型庫及相應(yīng)的分類器； 步驟S52:將檢測所得目標輸入分類器；步驟S53:根據(jù)訓(xùn)練得到的模型庫分類，得到目標的類別。
7. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其報警輸出包括 如下步驟步驟S61:通過基于規(guī)則的異常行為分析，若發(fā)現(xiàn)有異常行為，則 由預(yù)先制定好的策略根據(jù)不同類型的應(yīng)用場景和異常行為觸發(fā)不同類型 的報警，并同時輸出當前報警的圖像和文字描述。
8. 根據(jù)權(quán)利要求1所述的監(jiān)控方法，其特征在于，其報警規(guī)則制定 為一個規(guī)則由四個因素構(gòu)成目標類別由目標識別得到的類別；目標行為由目標跟蹤得到的軌跡經(jīng)軌跡分析決定；地點包括區(qū)域和絆線；時間是預(yù)先設(shè)定。
9. 根據(jù)權(quán)利要求8所述的監(jiān)控方法，其特征在于，所述報警規(guī)則， 采用兩個或兩個以上報警規(guī)則由時序關(guān)系構(gòu)成一個復(fù)合報警規(guī)則。
10. 根據(jù)權(quán)利要求8所述的監(jiān)控方法，其特征在于，所述報警規(guī)則， 采用一個異常行為由一個報警規(guī)則或者一個復(fù)合報警規(guī)則描述。11.根據(jù)權(quán)利要求8所述的監(jiān)控方法，其特征在于，所述報警規(guī)則， 當一個報警規(guī)則或者一個復(fù)合報警規(guī)則得到滿足時，則判定發(fā)生了異常
全文摘要
本發(fā)明公開基于規(guī)則的全天候智能視頻分析監(jiān)控方法，能夠用于室內(nèi)、戶外道路與野外的全天候的基于規(guī)則的智能視頻分析監(jiān)控方法，步驟包括對攝像頭采集到的圖像序列進行背景分割以得到正確的前景，接著對得到的前景進行目標檢測以得到要監(jiān)控的對象，接著對檢測到的對象進行跟蹤以得到對象的軌跡，然后對得到的軌跡進行軌跡分析，同時對檢測得到的對象進行目標識別以得到對象的類別，然后根據(jù)預(yù)先制定的由目標類別、目標行為、時間和地點構(gòu)成的報警規(guī)則以及由簡單規(guī)則復(fù)合的復(fù)合規(guī)則對得到的軌跡分析結(jié)果和對象類別進行判斷，從而得到是否報警以及以何種方式報警的結(jié)果。
文檔編號G08B13/194GK101266710SQ20071006438
公開日2008年9月17日 申請日期2007年3月14日 優(yōu)先權(quán)日2007年3月14日
發(fā)明者王亮生, 王時全, 譚鐵牛, 黃凱奇, 黃永禎 申請人:中國科學(xué)院自動化研究所