视频跨区域单人体姿态目标检测提取方法与流程

本发明涉及一种视频跨区域单人体姿态目标检测提取方法。

背景技术：

计算机视觉领域，在研究先进视觉目标跟踪算法的基础上,对单目标的长期跟踪、目标跟踪器、目标检测踪器等问题,结合学术前沿知识,提出了创新智能算法,最后应用到跨区域人体视频目标跟踪智能监控系统,进行单目标长期跟踪、定位与识别,具有较好的技术性能。

单目标的长期跟踪是指在使用一边界框确定了单个被跟踪目标之后，在连续的帧内对该目标进行检测识别与跟踪的过程。在跟踪的过程中，跟踪方法需要克服环境以及被跟踪目标的不断变化的干扰，实现长期的目标跟踪。一般需要解决的干扰包括了环境光照变化、噪声、视频传感器的移动、遮挡问题、目标离开场景和目标再次进入场景。对目标离开场景和目标再次进入场景的检测和持续的跟踪。本申请主要对目标离开场景和目标再次进入场景的检测提取而提出的一种优化方法，从而提高了目标获得的准确性及可靠性。

技术实现要素：

为了克服现有技术的不足，本发明提供一种视频跨区域单人体姿态目标检测提取方法。

本发明解决其技术问题所采用的技术方案是：

与权利要求相同。

本发明的有益效果是：本申请基于多摄像机人体运动视频跨区域单人体姿态目标提取问题，提出一个基于压缩感知运动目标检测优化算法，在视频序列采集的同时对视频序列图像进行压缩，提高了运动目标检测过程中视频序列计算速度，减小存储的空间。对于提出的运动目标检测优化模型，得到了背景、前景图像的优化解。所提算法满足目标标检测重构精度，前景与背景分割效果好，能有效抑制运动干扰、阳光变化、实现了运动目标检测的鲁棒性。针对背景减除法算法实时性差的缺点，提出基于优化解的背景减除法，得到稳定的前景、背景图像。通过实验结果验证了所提算法完全满足智能视觉监控系统高清多摄像头人体运动跨区域目标检测、跟踪、识别和适应栍要求，并通过实验证明了该算法的正确性和可行性。

在实验中可以看到，当一个人体运动目标出现时，算法可以很快检测到人体运动目标，当目标又出现时，算法可以迅速检测到出现的人体运动目标，并进行跟踪。通过图可以看出本算法能够正确检测并持续跟踪与识别提取原单人体姿态目标。

本次实验结果验证了所提算法目标标检测重构精度，前景与背景分割，能有效抑制运动干扰，实现了目标检测的鲁棒性。所提出算法能够精确检测人体运动目标，理想的检测、跟踪与识别效果，解决了智能监控系统中提取单人体姿态目标的问题。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的原理框图。

具体实施方式

参照图1，本发明公开了一种视频跨区域单人体姿态目标检测提取方法，

包括以下步骤：

一，从智能监控系统中采集多摄像机人体运动视频跨区域运动目标的多帧视频图像，建立运动目标检测优化模型：

其中，X∈R^mn×K为视频序列；B及F为视频的背景及前景，前景为要找的运动目标；||·||.为核范数，该范数计算的是矩阵奇异值的和，式(1)中选用核范数的作用是约束背景矩阵的秩，||·||₁为1范数,

二，对多帧视频图像进行压缩感知处理，在视频序列采集的同时对视频序列进行压缩，

为了实现从压缩观测矩阵A中直接完成视频前景以及背景重构，且具有鲁棒性，可通过三维循环采样方法获得压缩观测矩阵A，将压缩采样表达式分为两个采样步骤:随机卷积过程R_k＝Cx_k；随机采样过程S_kP_iR_k＝a_k，(k＝1，2，..，K)，令W＝0,将上述两个采样步骤融入到优化目标函数中，其运动目标检测优化模型如下：

R＝CX，S_kP_iR_k＝a_k(k＝1，2，..K) (2)

其中，α_i为加权值(i＝1.2,3)，D_i为差分算子，W为运动干扰，C为循环矩阵，x_k为视频帧，R为循环观测矩阵，在求解(2)式过程中将矩阵W的初始值设为0，当求解出X、B及F的优化估计值后再计算运动干扰矩阵W，然后求解X、B及F的优化问题，当求解优化问题得到X、B及F时便可区分出运动干扰W，这样保证了B及F分割的鲁棒性，

为了求解式(2)，所提算法是通过视频序列、背景及前景的交替迭代更新来实现同时重构，首先图像重构过程是在不断更新视频序列X的重构精度；然后进行图像分割过程是通过每次视频更新来实现前景及背景的分割，在图像重构过程中，通过求解下述运动目标检测优化模型来实现视频序列的重构，

式(3)所涉及的优化问题可通过增广拉格朗日乘子法进行求解，在求解过程中，需先构建式(3)的拉格朗日方程，

S_kP_iR_k＝a_k(k＝1,2，...，K) (4)

在构建拉格朗日方程中，μ_i＝(i＝1，2，3)及ρ为拉格朗日乘子矩阵，通过拉格朗日方程的构建，将式(3)所需求解的优化问题，通过迭代更新式(4)中的拉格朗日函数及拉格朗日乘子进行求解，拉格朗日函数及拉格朗日乘子更新过程为

利用交替更新式(5)中D_iX(i＝1.2.3)为视频序列变量矩阵，R及X所使用的交替更新的具体实现过程为:

式(6)是通过(9)式更新进行求解：

其中:函数S_a(·)为阈值迭代算子，对于标量x，该函数的具体定义为

S_a(x)＝sign(x)max{x|-a,0} (10)

其中:a为迭代阈值，在处理矩阵阈值迭代更新时，我们利用式(10)对矩阵进行阈值迭代更新，当完成矩阵更新后，输出结果为阈值更新矩阵，对式(7)求解可通过下述步骤完成:

其中:R_k＝(k＝1,2,...n)为循环观测矩阵R中的第k列，P_iCS_a为随机采样观测置换矩阵，用来表示循环观测矩阵R_k中哪些元素需要进行迭代更新，P_iCS_a是通过随机采样矩阵S_i而生成的，式(8)的中X更新是通过求解最小二乘问题实现，

在图像前景背景分割过程中，首先固定图像重构更新结果X_k+1，然后通过求解下式(13)优化问题来同时重构前景及背景，

由式(13)建立的拉格朗日函数为.

其中:为H拉格朗日乘子矩阵，＜·,·＞矩阵内积，同样采用增广拉格朗日算法对式(13)进行求解，其过程如下:

H_K+1＝H_K+λ(X_K+1-B_K+1-F_K+1) (16)

对式(15)同样采用交替更新对其进行求解，图像前景背景更新过程如下，

三，通过视频序列、背景及前景的交替迭代更新来实现同时重构，采用重构算法求解式(2)的具体过程如下:

输入:C,P_i,S_k,A

输出:X,B,F

初始值设定为:

B₀＝F₀＝R＝H₀＝ρ₀＝0

当满足条件:||X_k+1-X_k||_F/X_k||_F＞10^-6继续循环

图像重构过程:更新:D_iX,R

更新:X

图像前景背景分割过程如下:

B_k+1＝D_i(X_k+1-F_k-B_k+H_k)

F_k+1＝S_k(X_k+1-B_k+1-F_k+H_k)

k＝k+1

结束循环，

四，利用目标检测优化解的当前图像像对比背景图像，得到帧差图像：

我们通过求解视频序列、背景及前景优化问题，得到背景图像稳定性高，前景图像检测效果好的结果，利用优化算法解当前图像与背景图像对比得到前景运动区域，可以获得完整的目标区域，完全满足智能监控系统对于前景运动区域提取精度的需要，提出基于优化解的背景减除法，将当前图像对比背景图像，得到帧差图像D_k+1，

D_k+1＝|F_k+1-B_k+1| (19)

其中，F_k+1为当前图像，B_k+1为背景图像，

五，背景图像的实时更新，通过式(20)对结果图像D_k+1进行二值化处理，获得前景运动区域，采用设定阈值T，利用二值化图像来提取单人体姿态目标，

其中，T为设定阈值，M_k+1是二值化图像，如果D_k+1≤T时表示场景中没有运动目标，D_k+1＞T时表示场景中有人体运动目标出现，在背景图像B_k+1稳定的条件下，通过将当前图像与背景图像进行差值运算能精确提取单人体姿态目标，

智能监控系统在长时间工作情况下，系统必须在一定时间间隔内对背景进行更新,通过背景更新可提高背景图像的质量，式(21)实现了背景区域更新，在二值化图像为0时才进行背景图像的实时更新，为1时不进行背景的更新，

其中，ρ∈[0,1]为加权系数，更新后的背景图像就可以反应当前背景状态变化和更新速率。

以上对本发明实施例所提供的一种视频跨区域单人体姿态目标检测提取方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。