速度不同的運動目標設(shè)置不同的目標生成時間閾值，從而 可以更加準確的從不同速度的運動目標中識別出有效目標。同時，只有當(dāng)運動目標的生成 時間大于或等于與其對應(yīng)的目標生成時間閾值，該運動目標才為有效目標，從而進一步過 濾噪聲?？梢?，該方法和系統(tǒng)可以在具有噪聲的復(fù)雜場景下有效的過濾噪聲、準確地從速度 不同的運動目標中識別出有效目標，而且其算法復(fù)雜度低；
[0026] (2)本發(fā)明所述視頻監(jiān)控方法及系統(tǒng)，在利用運動目標的平均速度生成與其對應(yīng) 的目標生成時間閾值時，運動目標的平均速度越大其對應(yīng)的目標生成時間閾值越小；運動 目標的平均速度越小其對應(yīng)的目標生成時間閾值越大。因為在實際應(yīng)用的場景中，在一個 攝像機所能夠拍攝到的視野中，通常不同運動目標的速度不一樣（例如，通常汽車的速度 比行人快），速度快的運動目標的目標生成時間一般很短，而速度慢的運動目標的目標生成 時間一般要長一些。因此，本方法和系統(tǒng)可以更好的從不同速度的運動目標中識別出有效 目標和過濾噪聲，提高了算法的準確性，算法的復(fù)雜度也低。
[0027] (3)本發(fā)明所述視頻監(jiān)控方法及系統(tǒng)，判斷當(dāng)前幀中的運動目標與前一幀的所有 運動目標是否存在區(qū)域重疊，如果存在，則將前一幀中的所有運動目標作為候選目標，計算 當(dāng)前幀中的運動目標與所有候選目標的最佳匹配度（計算得到最佳匹配度的候選目標記 為第k個候選目標），當(dāng)最佳匹配度小于閾值時，判定當(dāng)前幀中的運動目標與第k個候選目 標相匹配。與現(xiàn)有技術(shù)中的目標跟蹤方法相比，該方法及系統(tǒng)具有準確性高并且算法復(fù)雜 度低的優(yōu)點。
[0028] (4)本發(fā)明所述視頻監(jiān)控方法及系統(tǒng)，得到每一幀圖像的前景圖像，獲取該前景圖 像的二值圖像，對該二值圖像進行連通區(qū)域查找獲取運動目標。與現(xiàn)有技術(shù)中的運動目標 檢測方法相比，該方法及系統(tǒng)具有準確性高并且算法復(fù)雜度低的優(yōu)點。
【附圖說明】
[0029] 為了使本發(fā)明的內(nèi)容更容易被清楚的理解，下面根據(jù)本發(fā)明的具體實施例并結(jié)合 附圖，對本發(fā)明作進一步詳細的說明，其中
[0030] 圖1是本發(fā)明第1實施例提供的視頻監(jiān)控方法的流程圖；
[0031] 圖2是本發(fā)明第1實施例提供的膨脹腐蝕因子；
[0032] 圖3是本發(fā)明第2實施例提供的視頻監(jiān)控系統(tǒng)的原理圖；
【具體實施方式】 [0033] 實施例1
[0034] 本發(fā)明提供了一種視頻監(jiān)控方法，如圖1所示，包括如下步驟：
[0035] 步驟S1，獲取視頻監(jiān)控得到的連續(xù)多幀視頻圖像。該連續(xù)多幀視頻圖像可以從 SmartIPC設(shè)備獲得；同時根據(jù)平臺的不同，該連續(xù)多幀視頻圖像可能是完整的YUV數(shù)據(jù)或 者僅含Y信息的灰度圖像，也有可能是其他格式的灰度圖像；同時該連續(xù)多幀圖像也可以 為位圖模式、雙色調(diào)模式、RGB模式、CMYK模式、Lab模式、索引顏色模式、多通道模式等等模 式。本實施例中設(shè)定其為灰度圖像。
[0036] 步驟S2,檢測當(dāng)前幀視頻圖像中的運動目標。其中的運動目標可能為一個或者多 個。
[0037] 步驟S3,對當(dāng)前幀中的每一運動目標分別進行目標跟蹤。
[0038] 步驟S4,獲取所述運動目標從出現(xiàn)至當(dāng)前時刻的目標生成時間和平均速度。優(yōu)選 地，目標生成時間可以用運動目標存在的幀視頻圖像的數(shù)量來衡量。
[0039] 步驟S5,根據(jù)所述運動目標的所述平均速度生成與所述運動目標對應(yīng)的目標生成 時間閾值；比較所述運動目標的目標生成時間和所述與所述運動目標對應(yīng)的目標生成時間 閾值，當(dāng)所述運動目標的目標生成時間大于或等于與其對應(yīng)的目標生成時間閾值時，確定 該運動目標為有效目標。需要說明的是，本步驟的目的在于篩選出有效目標，對于當(dāng)前幀視 頻圖像，如果能夠檢測到某一運動目標，則對該運動目標的目標生成時間進行更新，同時對 該運動目標的平均速度進行更新，利用更新后的平均速度重新對目標生成時間閾值進行調(diào) 整，以上三個參數(shù)都是實時更新的。一旦發(fā)現(xiàn)運動目標的目標生成時間與生成時間閾值滿 足有效目標的條件，則將其判定為有效目標且之后不再對該運動目標是否有效進行判斷。 如果目標生成時間與目標生成時間閾值的關(guān)系總是無法滿足有效目標的條件，則繼續(xù)更新 并判斷，直至判斷到最后其還不符合有效目標的判斷條件將其視為無效目標。
[0040] 在實際應(yīng)用的場景中，運動目標的速度一般都不一樣（例如，汽車的速度一般都 比行人的速度快），因此會導(dǎo)致在一個攝像機所能夠拍攝到的視野里，速度不同的運動目標 的目標生成時間一般不同。而本方法依據(jù)運動目標的速度，動態(tài)的設(shè)定一個目標生成時間 閾值，從而可以對速度不同的運動目標實現(xiàn)更好地識別。同時，只有當(dāng)運動目標的生成時間 大于或等于與其對應(yīng)的目標生成時間閾值，該運動目標才為有效目標，可以過濾噪聲
[0041] 因此，該方法不僅可以從運動目標中準確識別出有效運動目標，而且還具有算法 復(fù)雜度低的特點，特別適用于像SmartIPC這種要求算法復(fù)雜度低和準確性高的設(shè)備。
[0042] 優(yōu)選地，步驟S4可被替換為：獲取所述運動目標從出現(xiàn)至當(dāng)前時刻的目標生成時 間，當(dāng)所述運動目標的目標生成時間大于或等于預(yù)設(shè)的初始目標生成時間閾值時，獲取所 述運動目標從出現(xiàn)至當(dāng)前時刻的平均速度。
[0043] 可選地，預(yù)設(shè)的初始目標生成時間閾值設(shè)置為5。
[0044] 可選地，獲取所述運動目標從出現(xiàn)至當(dāng)前時刻的平均速度具體為：
[0045] 步驟S41，根據(jù)運動目標的軌跡信息以及運動目標的目標生成時間GT，以像素位 置變化計算運動目標在X軸和Y軸上的位移：
[0048] 其中，P (t，x)為在t時刻該運動目標在X軸上的坐標，以像素為單位；P (t+l，x)為 在t+Ι時刻該運動目標在X軸上的坐標，以像素為單位；P (t, y)為在t時刻該運動目標在Y 軸上的坐標，以像素為單位；P (t+1, y)為在t+Ι時刻該運動目標在Y軸上的坐標，以像素為 單位。
[0049] 步驟S42 :當(dāng)運動目標的目標生成時間大于或等于初始目標生成時間閾值時，計 算運動目標的平均速度，計算方法見下式：
[0050]
[0051] 其中，abs (DMX)為DMX的絕對值，abs (DMY)為DMY的絕對值，AvgSpeed為運動目 標的平均速度。
[0052] 根據(jù)本實施例中的視頻監(jiān)控方法，當(dāng)跟蹤到某一個運動目標之后，獲取該運動目 標的目標生成時間。當(dāng)該運動目標的目標生成時間小于初始目標生成時間閾值時，就會丟 棄該運動目標，這樣就可以消除如樹葉晃動等干擾（例如，樹葉在晃動時，就會將樹葉視為 運動目標，而樹葉的目標生成時間很短，所以就能達到消除這些干擾的目的）。
[0053] 優(yōu)選地，在步驟S5中，所述根據(jù)所述運動目標的所述平均速度生成與所述運動目 標對應(yīng)的目標生成時間閾值的步驟中，運動目標的平均速度越大，與其對應(yīng)的目標生成時 間閾值越??；運動目標的平均速度越小，與其對應(yīng)的目標生成時間閾值越大。
[0054] 例如，可以根據(jù)如下公式獲取目標生成時間閾值GTThred :
[0055]
[0056] 其中，AvgSpeed為運動目標的平均速度。
[0057] 在實際應(yīng)用的場景中，在一個攝像機所能夠拍攝到的視野中，速度快的運動目標 的目標生成時間一般很短，而速度慢的運動目標的目標生成時間一般要長一些。因此，當(dāng)運 動目標的速度快時，其對應(yīng)的目標生成時間閾值就應(yīng)該小一些；而當(dāng)運動目標的速度慢時， 其對應(yīng)的目標生成時間閾值就應(yīng)該長一些。因此，本方法可以更好的從不同速度的運動目 標中識別出有效目標，提高了算法的準確性，算法的復(fù)雜度也低。
[0058] 優(yōu)選地，所述步驟S2包括以下步驟：
[0059] 步驟S21，獲取當(dāng)前幀視頻圖像的前景圖像。
[0060] 可選地，步驟S21根據(jù)三幀差分法獲取當(dāng)前幀視頻圖像對應(yīng)的前景圖像，具體為： 獲取本幀視頻圖像及其連續(xù)的前面兩幀視頻圖像，分別求出相鄰兩幀視頻圖像的絕對差灰 度圖像，將得到的兩個絕對差灰度圖像與設(shè)定的閾值T比較并進行二值化得到兩幀相對運 動圖像，然后將兩幀相對運動圖像相與得到前景圖像。
[0061] 步驟S22,獲取所述前景圖像的二值圖像。
[0062] 可選地，可以對前景圖像進行膨脹腐蝕等形態(tài)學(xué)處理得到二值圖像，膨脹腐蝕因 子如圖2所示。
[0063] 步驟S23,對所述二值圖像進行連通區(qū)域查找以獲取運動目標。例如，可采用深度 優(yōu)先搜索算法進行連通域查找。