一种监控视频目标追踪方法及其系统与流程

本技术涉及视频监控与人工智能，具体涉及一种监控视频目标追踪方法及其系统。

背景技术：

1、随着科技的快速发展，视频监控在公共安全、交通管理、智能家居等领域得到了广泛应用。然而，传统的视频监控方法往往存在监控单一且不够全面、获取信息量有限等问题，尤其是在复杂背景下时，容易忽视监控视频里目标的相关性，难以准确地追踪和预测目标。

2、为了解决这些问题，本发明提出了一种监控视频目标追踪方法及其系统，以提高目标追踪的准确性和可靠性。

技术实现思路

1、本技术的目的是提供一种监控视频目标追踪方法及其系统，以提高目标追踪的准确性和鲁棒性，避免受到干扰，使监控更加全面，尤其适用于复杂背景下时，可以更加准确地追踪和预测目标。

2、第一方面，本技术实施例提供了一种监控视频目标追踪方法，包括：

3、获取监控区域历史时间段内的视频帧；

4、对历史时间段内的视频帧进行处理，分别提取出主目标；

5、获取主目标在历史时间段内的位置时序数据、速度时序数据和第一属性时序数据；

6、对位置时序数据、速度时序数据和第一属性时序数据进行预处理后，输入预先训练的第一预测模型，得到所述主目标在未来设定时间段内的预估位置数据、预估速度数据和预估属性数据；

7、第一预测模型是通过主目标的历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；

8、基于位置时序数据、速度时序数据和第一属性时序数据，获得第一调整参数；

9、基于预估位置数据、预估速度数据和预估属性数据，获得第二调整参数；

10、监控设备根据第一调整参数和第二调整参数调整镜头的焦距，从而实时追踪主目标。

11、所述的方法按照以下方式预先训练所述第一预测模型：

12、获取主目标的历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本；

13、对历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本进行所述预处理后，将历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本分别转化为位置有监督数据、速度有监督数据和属性有监督数据；

14、将位置有监督数据、速度有监督数据和属性有监督数据输入神经网络进行训练，在达到预设训练截止条件后得到第一预测模型。

15、所述的方法还包括：

16、分别基于所述位置时序数据和预估位置数据生成第一运动轨迹和第二运动轨迹；

17、根据第一运动轨迹和第二运动轨迹的差异，生成第三调整参数；

18、监控设备根据第一调整参数、第二调整参数和第三调整参数调整镜头的焦距，从而实时追踪主目标。

19、所述的方法还包括：

20、设定主目标的初始监控范围；

21、标记初始监控范围内的次目标；

22、获取次目标在历史时间段内的第二属性时序数据；

23、比较第一属性时序数据和第二属性时序数据的相似度；

24、若第一属性时序数据与第二属性时序数据的相似度大于预设阈值，则对第二属性时序数据进行预处理后，输入预先训练的第二预测模型，得到所述主目标在未来设定时间段内的第二预估属性数据；

25、对第二属性时序数据进行预处理后，输入预先训练的第二预测模型，得到所述主目标在未来设定时间段内的第二预估属性数据；

26、第二预测模型是通过主目标的历史第二属性时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；

27、基于第一预估属性数据和第二预估属性数据，获得预估综合属性数据；

28、基于预估位置数据、预估速度数据和预估综合属性数据，获得第四调整参数；

29、监控设备根据第一调整参数、第三调整参数和第四调整参数调整镜头的焦距，从而实时追踪主目标。

30、所述的方法还包括：

31、若第一属性时序数据与第二属性时序数据的相似度大于预设阈值，则对分别主目标和次目标生成监控标识；

32、基于监控标识对主目标和次目标进行关联预警。

33、所述的方法还包括：

34、对具有所有监控标识的主目标和次目标进行风险识别，生成第一风险评估指标和第二风险评估指标；

35、若第一风险评估指标小于第二风险评估指标，则将次目标转为主目标进行追踪，将主目标转为次目标进行追踪。

36、所述基于监控标识对主目标和次目标进行关联预警，包括：

37、为主目标和次目标配置相应的监控项，监控项应包含提前设定的监控指标；

38、将监控项与对应的监控标识进行关联；

39、当主目标和次目标的监控指标均超过阈值，则生成预警信息。

40、所述预警信息包含触发预警的监控标识、监控指标的阈值、监控指标的当前值和时间戳。

41、所述监控标识包括划分为不同等级的监控标识。

42、第二方面，本技术实施例提供了一种监控视频目标追踪系统，包括：

43、第一获取模块，用于获取监控区域历史时间段内的视频帧；

44、提取模块，用于对历史时间段内的视频帧进行处理，分别提取出主目标；

45、第二获取模块，用于获取主目标在历史时间段内的位置时序数据、速度时序数据和第一属性时序数据；

46、第一训练模块，用于对位置时序数据、速度时序数据和第一属性时序数据进行预处理后，输入预先训练的第一预测模型，得到所述主目标在未来设定时间段内的预估位置数据、预估速度数据和预估属性数据；

47、第一预测模型是通过主目标的历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；

48、第一计算模块，用于基于位置时序数据、速度时序数据和第一属性时序数据，获得第一调整参数；

49、第二计算模块，用于基于预估位置数据、预估速度数据和预估属性数据，获得第二调整参数；

50、监控设备根据第一调整参数和第二调整参数调整镜头的焦距，从而实时追踪主目标。

51、相较于现有技术，本技术提供的一种监控视频目标追踪方法及其系统，获取监控区域历史时间段内的视频帧；对历史时间段内的视频帧进行处理，分别提取出主目标；获取主目标在历史时间段内的位置时序数据、速度时序数据和第一属性时序数据；对位置时序数据、速度时序数据和第一属性时序数据进行预处理后，输入预先训练的第一预测模型，得到所述主目标在未来设定时间段内的预估位置数据、预估速度数据和预估属性数据；第一预测模型是通过主目标的历史位置时序数据样本、历史速度时序数据样本和历史第一属性时序数据样本对基于时间动态协同注意力机制的神经网络进行训练得到的；基于位置时序数据、速度时序数据和第一属性时序数据，获得第一调整参数；基于预估位置数据、预估速度数据和预估属性数据，获得第二调整参数；监控设备根据第一调整参数和第二调整参数调整镜头的焦距，从而实时追踪主目标；不仅避免了传统的视频监控方法存在监控单一且不够全面、获取信息量有限等问题，而且适用于在复杂背景下时，能够分析监控视频里目标的相关性，从而准确地追踪和预测目标，同时加强了系统的监控预警效果。