本發(fā)明涉及計算機視覺技術領域，具體為一種基于運動行為分析的目標抓取算法。
背景技術：
智能視頻監(jiān)控以數字化、網絡化視頻監(jiān)控為基礎，但又有別于一般的網絡化視頻監(jiān)控，它是一種更高端的視頻監(jiān)控應用。智能視頻監(jiān)控系統(tǒng)能夠識別不同的物體。發(fā)現監(jiān)控畫面中的異常情況，并能以最快和最佳的方式發(fā)出警報和提供有用信息，從而能夠更加有效地協助安全人員處理危機，并最大限度地降低誤報和漏報現象。智能視頻監(jiān)控中的運動目標圖像抓取則是實現這一環(huán)節(jié)的最終目的。整個抓取過程可以分為：目標檢測、目標匹配、目標追蹤、目標抓取。目前比較常用的運動目標檢測方法是幀間差分法、背景差分法和光流法，而幾種常用的目標跟蹤算法則有粒子濾波、基于邊緣輪廓的跟蹤和基于模板的目標建模等方法。由于常見的方法在對視頻圖像中目標尚不能完全有效地進行檢測、跟蹤并抓取，業(yè)界亟待一種能夠實現智能視頻監(jiān)控中對運動目標進行檢測，根據運動目標的行為進行統(tǒng)計分析匹配并追蹤最終抓取圖像的具體方法。
技術實現要素：
本發(fā)明的目的在于提供一種基于運動行為分析的目標抓取算法，該基于運動行為分析的目標抓取算法具體步驟如下：
S1：使用一種非最大矩形抑制法對包含目標的多個窗口進行置信度排序過濾從而實現目標窗口的準確獲取，對于包含目標的n個矩形窗口按照置信度從大到小進行排序，遍歷所有n個窗口并將其與其余的n-1個窗口計算重疊面積，當重疊面積大于0.5時，將置信度較小的窗口標定為抑制，置信度較大的窗口標定為非抑制；遍歷完所有窗口后保留標定為非抑制的窗口從而實現包含目標的最佳窗口的提??；
置信度定義為包含目標窗口圖像的Haar特征值超過分類閾值的比例具體計算方法為：計算窗口圖像的Haar特征值，將級聯分類器每個階段所需的Haar特征值以及模型K的分類器閾值分別進行累加，再計算累加Haar特征值超過累加分類器閾值的百分比公式為，其中表示在第i個階段Haar特征值，表示模型K在第i個階段分類器的閾值在多尺度分類模型中，這種計算能夠有效衡量檢測出的目標可信度，減小噪聲干擾；
S2：利用統(tǒng)計學行為分析匹配目標移動方向，然后根據移動方向對目標在感興趣區(qū)域內抓取一張質量最好的目標圖像，利用統(tǒng)計學行為分析匹配目標移動方向并抓取圖像算法具體步驟如下：
(1)使用當前幀識別出的目標窗口和前一幀識別出的目標窗口計算兩者的重疊面積比率超過0.5則判定兩幀為同一目標，設定變量updatetime保存同一目標出現的幀數(目標第一次出現時設置updatetime＝1)；
(2)對于同一目標在感興趣區(qū)域內連續(xù)的n幀圖像窗口，計算其在垂直方向上的連續(xù)位移偏差均值，公式為，其中表示第i幀的窗口中心點在y軸上的坐標值，如果則判定為目標在向下移動，如果則判定為向上移動；
(3)當判斷目標消失條件滿足時，此時根據目標移動方向來抓取質量組好的圖像：如果目標在區(qū)域中向下移動，則取第幀圖像；如果目標在區(qū)域中向上移動，則取第幀圖像；
S3：根據前后幀重疊面積進行目標追蹤，然后采用一種統(tǒng)計模型來定量計算判斷得到目標從區(qū)域中消失時間其具體算法步驟如下：
(1)假設第i幀圖像中抓取目標矩形面積為，第i-1幀圖像中抓取目標矩形面積為，這兩個矩形的重疊面積為，則由公式：可以得到重疊率，當大于0.5時認為兩幀追蹤的是同一目標，反之則不是；
(2)對于目標設定變量updatetime保存同一目標出現的幀數(目標第一次出現時設置updatetime＝1)，設定變量noupdatetime保存同一目標未出現的幀數，我們建立一個線性模型來擬合兩個變量的關系，模型如下：，其中參數a設為21.11，參數b設為0.11，表示變量updatetime，表示由變量updatetime預測變量noupdatetime的值經過工程實踐，這種模型可以較好地擬合在不同場景下不同目標被抓取次數和目標消失時未被抓取次數之間的關系，從而有利于判斷目標消失時間；
(3)當目標變量noupdatetime大于預測值時，我們判斷目標已經消失，此時開始輸出抓取目標最佳圖像，反之，則判斷目標還未消失，繼續(xù)跟蹤目標。
與現有技術相比，本發(fā)明的有益效果是：本發(fā)明提供了一種基于運動行為分析的目標抓取算法及其在智能安防中的應用，該方法可以有效正確檢測、跟蹤并抓取視頻圖像中的運動目標，并能獲得該目標的運動方向與相應位置，從而實現智能視頻監(jiān)控和智能判斷。該方法首先通過多尺度手段對搜索區(qū)域提取特征并進行分類，對于同一目標在不同尺度下的圖像采用非最大矩形抑制法根據置信度來提取運動目標；然后設定多個狀態(tài)屬性變量對運動目標進行統(tǒng)計分析實現運動目標的匹配追蹤；最后通過建立一個線性統(tǒng)計模型來判斷目標是否已經消失并根據狀態(tài)屬性變量抓取包含目標的最佳圖像。
具體實施方式
為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合具體實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。
實施例1
一種基于運動行為分析的目標抓取算法，該基于運動行為分析的目標抓取算法具體步驟如下：
S1：使用一種非最大矩形抑制法對包含目標的多個窗口進行置信度排序過濾從而實現目標窗口的準確獲取，對于包含目標的n個矩形窗口按照置信度從大到小進行排序，遍歷所有n個窗口并將其與其余的n-1個窗口計算重疊面積，當重疊面積大于0.5時，將置信度較小的窗口標定為抑制，置信度較大的窗口標定為非抑制；遍歷完所有窗口后保留標定為非抑制的窗口從而實現包含目標的最佳窗口的提取；
置信度定義為包含目標窗口圖像的Haar特征值超過分類閾值的比例具體計算方法為：計算窗口圖像的Haar特征值，將級聯分類器每個階段所需的Haar特征值以及模型K的分類器閾值分別進行累加，再計算累加Haar特征值超過累加分類器閾值的百分比公式為，其中表示在第i個階段Haar特征值，表示模型K在第i個階段分類器的閾值在多尺度分類模型中，這種計算能夠有效衡量檢測出的目標可信度，減小噪聲干擾；
S2：利用統(tǒng)計學行為分析匹配目標移動方向，然后根據移動方向對目標在感興趣區(qū)域內抓取一張質量最好的目標圖像，利用統(tǒng)計學行為分析匹配目標移動方向并抓取圖像算法具體步驟如下：
(1)使用當前幀識別出的目標窗口和前一幀識別出的目標窗口計算兩者的重疊面積比率超過0.5則判定兩幀為同一目標，設定變量updatetime保存同一目標出現的幀數(目標第一次出現時設置updatetime＝1)；
(2)對于同一目標在感興趣區(qū)域內連續(xù)的n幀圖像窗口，計算其在垂直方向上的連續(xù)位移偏差均值，公式為，其中表示第i幀的窗口中心點在y軸上的坐標值，如果則判定為目標在向下移動，如果則判定為向上移動；
(3)當判斷目標消失條件滿足時，此時根據目標移動方向來抓取質量組好的圖像：如果目標在區(qū)域中向下移動，則取第幀圖像；如果目標在區(qū)域中向上移動，則取第幀圖像；
S3：根據前后幀重疊面積進行目標追蹤，然后采用一種統(tǒng)計模型來定量計算判斷得到目標從區(qū)域中消失時間其具體算法步驟如下：
(1)假設第i幀圖像中抓取目標矩形面積為，第i-1幀圖像中抓取目標矩形面積為，這兩個矩形的重疊面積為，則由公式：可以得到重疊率，當大于0.5時認為兩幀追蹤的是同一目標，反之則不是；
(2)對于目標設定變量updatetime保存同一目標出現的幀數(目標第一次出現時設置updatetime＝1)，設定變量noupdatetime保存同一目標未出現的幀數，我們建立一個線性模型來擬合兩個變量的關系，模型如下：，其中參數a設為21.11，參數b設為0.11，表示變量updatetime，表示由變量updatetime預測變量noupdatetime的值經過工程實踐，這種模型可以較好地擬合在不同場景下不同目標被抓取次數和目標消失時未被抓取次數之間的關系，從而有利于判斷目標消失時間；
(3)當目標變量noupdatetime大于預測值時，我們判斷目標已經消失，此時開始輸出抓取目標最佳圖像，反之，則判斷目標還未消失，繼續(xù)跟蹤目標。
本發(fā)明提供了一種基于運動行為分析的目標抓取算法及其在智能安防中的應用，該方法可以有效正確檢測、跟蹤并抓取視頻圖像中的運動目標，并能獲得該目標的運動方向與相應位置，從而實現智能視頻監(jiān)控和智能判斷。該方法首先通過多尺度手段對搜索區(qū)域提取特征并進行分類，對于同一目標在不同尺度下的圖像采用非最大矩形抑制法根據置信度來提取運動目標；然后設定多個狀態(tài)屬性變量對運動目標進行統(tǒng)計分析實現運動目標的匹配追蹤；最后通過建立一個線性統(tǒng)計模型來判斷目標是否已經消失并根據狀態(tài)屬性變量抓取包含目標的最佳圖像。
以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，根據本發(fā)明的技術方案及其發(fā)明構思加以等同替換或改變，都應涵蓋在本發(fā)明的保護范圍之內。