CN118587415B - 一种基于人工智能的视频目标检测跟踪方法及系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的视频目标检测跟踪方法及系统，属于视频监控技术领域，属于视频监控技术领域，方法包括：步骤一：标记视频目标，提取视频目标的目标图像，并进行相应的验证和修正；步骤二：对目标图像进行灰度处理，获得目标灰度图像，对目标灰度图像进行分析，获得视频目标的初始识别特征；步骤三：识别初始识别特征中的各像素块，根据各像素块对应的块属性确定对应的定位块，定位块用于确定视频目标的像素块或各像素块之间的组合块；步骤四：实时获取监控视频，对监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在监控灰度图像中确定对应的定位匹配块；步骤五：根据定位匹配块和初始识别特征识别对应的视频目标。

Description

一种基于人工智能的视频目标检测跟踪方法及系统

技术领域

本发明属于视频监控技术领域，具体是一种基于人工智能的视频目标检测跟踪方法及系统。

背景技术

随着信息技术的快速发展，视频监控技术在各个领域得到了广泛应用。传统的视频监控主要依赖于人工监控，这种方式不仅效率低下，而且容易错过关键信息。近年来，随着人工智能技术的不断进步，特别是深度学习和计算机视觉技术的发展，使得自动化的视频目标检测与跟踪成为可能。因此，如何更好、更快的进行视频目标检测跟踪，为当前需要进行解决和改进的方向；基于此，本发明提供了一种基于人工智能的视频目标检测跟踪方法及系统。

发明内容

为了解决上述方案存在的问题，本发明提供了一种基于人工智能的视频目标检测跟踪方法及系统。

本发明的目的可以通过以下技术方案实现：

一种基于人工智能的视频目标检测跟踪方法，方法包括：

步骤一：标记视频目标，提取所述视频目标的目标图像，并进行相应的验证和修正；

步骤二：对目标图像进行灰度处理，获得目标灰度图像，对所述目标灰度图像进行分析，获得视频目标的初始识别特征；

进一步地，对目标灰度图像进行分析的方法包括：

识别所述目标灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个像素块以及各像素块对应的块属性；根据块属性在目标灰度图像中标记各像素块，并标记对应的块属性；对目标灰度图像进行分割，获得视频目标对应的初始识别特征。

进一步地，根据各相邻像素之间的灰度值进行合并的方法包括：

步骤SA1：将各像素标记为单一样本，识别各相邻单一样本对应灰度值之间的灰度差值，将灰度差值小于阈值X1的相邻单一样本进行合并，获得合并样本，并根据合并公式计算合并样本对应的灰度值；

步骤SA2：确定合并样本的待合并样本；计算合并样本与待合并样本之间的灰度差值，将灰度差值小于阈值X1的合并样本与待合并样本进行合并，获得新的合并样本，并根据合并公式计算新的合并样本的灰度值；

步骤SA3：循环步骤SA2，直到合并样本没有符合合并要求的待合并样本为止，将对应合并样本标记为像素块；

步骤SA4：判断是否具有合并块，当具有合并块时，返回步骤SA3；当没有合并块时识别各像素块对应的部位，根据识别的部位确定对应的稳定值，并识别各像素块的块形状、位置关系和灰度值；将获得的稳定值、部位、块形状、位置关系和灰度值整合为对应像素块的块属性。

进一步地，合并公式为：式中：Hd为合并样本的灰度值；HB为合并样本内各单一样本对应的灰度值之和；L为合并样本内单一样本的数量。

进一步地，稳定值的确定方法包括：

根据识别的部位匹配各部位对应的初始值；

获取当前的环境信息，根据获得的环境信息对各部位进行分析，获得各部位对应的调整系数；

根据公式WD＝CZ×τ计算对应的稳定值；式中：WD为稳定值；CZ为初始值；τ为调整系数。

步骤三：识别初始识别特征中的各像素块，根据各像素块对应的块属性确定对应的定位块，定位块用于确定视频目标的像素块或各像素块之间的组合块；

定位块的确定方法包括：

识别各像素块的块属性，所述块属性包括稳定值、部位、块形状、位置关系和灰度值；

根据各像素块之间的位置关系确定各第一组合；识别第一组合中各像素块，标记为单元块；

识别第一组合的组合形状数据；计算第一形状值；

识别各单元块对应的稳定值，选择各单元块中的最低稳定值为第一组合的代表稳定值；

根据公式QYU＝(b1×WDB)×(b2×BA)计算对应的定位评估值；

式中：QYU为定位评估值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；WDB为代表稳定值；BA为第一形状值；

选择定位评估值最大的第一组合为定位块。

进一步地，第一形状值的计算方法包括：

获取预设的环境背景特征；根据环境背景特征与组合形状数据确定参照背景，识别参照背景与组合形状数据之间的基准相似值，统计参照背景的基准概率；

根据预设的同化评估模型对组合形状数据与环境背景特征进行边界同化评估，同化评估模型的表达式为式中：x为输入数据；

根据公式计算对应的第一形状值；式中：BA为第一形状值；SL为基准相似值；gL为基准概率。

步骤四：实时获取监控视频，对所述监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在所述监控灰度图像中确定对应的定位匹配块；

进一步地，定位匹配块的确定方法包括：

识别监控灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个监控块以及各监控块对应的灰度值和块形状；

识别定位块中各像素块的灰度值以及块形状，根据像素块的块形状对各监控块进行筛选，获得筛选后的监控灰度图像；

将定位块在监控灰度图像上进行遍历移动，实时计算定位匹配值，将获得的各定位匹配值进行比较，确定定位匹配块。

进一步地，定位匹配值的计算方法包括：

将定位块中像素块的灰度值标记为hi，其中，i表示对应像素块，i＝1、2、……、n，n为正整数；

在监控灰度图像上识别与各像素块相对应的监控块，将相应监控块的灰度值标记为ki；

根据公式计算对应的定位匹配值；式中：DPW为定位匹配值。

步骤五：根据定位匹配块和初始识别特征识别对应的视频目标。

一种基于人工智能的视频目标检测跟踪系统，包括目标分析模块、定位模块和跟踪模块；

所述目标分析模块用于对标记的视频目标进行分析，确定对应的初始识别特征；

所述定位模块用于根据初始识别特征确定视频目标对应的定位块；

所述跟踪模块用于对视频目标进行识别跟踪，实时获取监控视频，对监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在监控灰度图像中确定对应的定位匹配块；根据定位匹配块和初始识别特征识别对应的视频目标。

与现有技术相比，本发明的有益效果是：

通过本发明实现对视频目标的实时识别和跟踪，尤其是通过定位块快速识别对应的定位匹配块，进而实现快速、高效的定位视频目标；而且在运行过程中，极少配置高资源占有率的模型、算法等；便于快速运行。实现自动对视频流中的目标进行实时检测和跟踪，无需人工干预，从而大大提高了监控效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明原理框图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种基于人工智能的视频目标检测跟踪方法，方法包括：

步骤一：标记为需要进行检测跟踪的视频目标，提取视频目标的目标图像，并进行相应的验证和修正，即将提取出的目标图像向管理人员进行展示，确定是否为其标记的完整图像，若不是，进行相应的调整，如裁剪等；

步骤二：对验证和调整后的目标图像进行灰度处理，获得目标灰度图像，对目标灰度图像进行分析，获得视频目标的初始识别特征；

对目标灰度图像进行分析的方法包括：

识别目标灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个像素块以及各像素块对应的块属性；根据块属性在目标灰度图像中标记各像素块，并标记对应的块属性；对目标灰度图像进行分割，即将视频目标对应标记的目标灰度图像进行分割出来；获得视频目标对应的初始识别特征。

根据各相邻像素之间的灰度值进行合并的方法包括：

步骤SA1：将各像素标记为单一样本，识别各相邻单一样本对应灰度值之间的灰度差值，将灰度差值小于阈值X1的相邻单一样本进行合并，获得合并样本，并根据合并公式计算合并样本对应的灰度值；

合并公式为：式中：Hd为合并样本的灰度值；HB为合并样本内各单一样本对应的灰度值之和；L为合并样本内单一样本的数量。

步骤SA2：确定合并样本的待合并样本，即与合并样本相邻的各单一样本和合并样本；计算合并样本与待合并样本之间的灰度差值，将灰度差值小于阈值X1的合并样本与待合并样本进行合并，获得新的合并样本，并根据合并公式计算新的合并样本的灰度值；

步骤SA3：循环步骤SA2，直到合并样本没有符合合并要求的待合并样本为止，将对应合并样本标记为像素块；合并要求即为灰度差值小于阈值X1；该步骤确定一个像素块就会停止，进入下一个步骤；因此可能还有其他合并块；

步骤SA4：判断是否具有合并块，当具有合并块时，返回步骤SA3；当没有合并块时，表示已经全部合并完成，没有合并块时识别各像素块对应的部位，根据识别的部位确定对应的稳定值，并识别各像素块的块形状、位置关系和灰度值，位置关系指的是连接、相邻关系；将获得的稳定值、部位、块形状、位置关系和灰度值整合为对应像素块的块属性。

稳定值的确定方法包括：

识别各像素块对应的部位，如对于人来说，可以是外套衣服、手掌、头发、面部、眼睛等相关部位；具体的根据实际情况进行确定；

统计在视频检测跟踪应用中，可能遇到的各种部位，统计各部位的变动概率，如换衣、脱衣等变动概率，统计对应的概率值，即去除百分号；标记为初始值；后续根据识别的部位进行匹配；

获取当前的环境信息，如雨天、雪天、高温等；根据获得的环境信息对各部位进行分析，获得各部位对应的调整系数，即根据当前环境的影响，设置对应的调整系数；具体的是基于CNN网络或DNN网络等建立对应的智能模型，通过人工的方式建立对应的训练集进行训练，训练集包括输入数据和输出数据，输入数据为部位、环境信息；输出数据为调整系数；通过训练成功后的智能模型进行分析，获得对应的调整系数；

根据公式WD＝CZ×τ计算对应的稳定值；式中：WD为稳定值；CZ为初始值；τ为调整系数。

步骤三：识别初始识别特征中的各像素块，根据各像素块对应的块属性确定对应的定位块，定位块用于快速确定视频目标的像素块或各像素块之间的组合块；

定位块的确定方法包括：

识别各像素块的块属性，块属性包括稳定值、部位、块形状、位置关系和灰度值；

根据各像素块之间的位置关系确定具有的各种像素块组合方式，标记为第一组合，单独一个也可以为第一组合；识别第一组合中各像素块，标记为单元块；

识别第一组合的组合形状数据，包括组合的整体边界形状、面积、各单元块的形状、面积、灰度值等数据；获取预设的环境背景特征，环境背景特征用于表示当前环境内可能具有的各种形状数据，因为在监控背景下的环境背景为基本固定、可控、能被预料到的，因此可以根据实际情况预设相应的环境背景特征；结合相应的区域图建立对应的区域背景特征图，用于后续根据视频目标进行直接匹配；

根据预设的环境背景特征确定与组合形状数据最相似的背景，标记为参照背景，识别参照背景与组合形状数据之间的相似度，标记为基准相似值，统计参照背景的发生概率，根据一段时间内的历史数据进行统计，标记为基准概率；

根据组合形状数据与环境背景特征进行边界同化评估，即第一组合中位于边界的单元块是否可能会与环境同化，如均为正红色，灰度值相差不大，容易与环境相容，特异性不足，不利于从环境中快速识别；预设一个灰度值差值区间，根据灰度值差值区间以及满足灰度值差值区间的该背景的发生概率设置同化评估标准，即需要达到灰度值差值区间以及高于相应发生概率才能视为满足同化评估标准；根据同化评估标准建立对应的同化评估模型，表达式为式中：x为输入数据，为组合形状数据与环境背景特征；

根据公式计算对应的第一形状值；式中：BA为第一形状值；SL为基准相似值；gL为基准概率。

识别各单元块对应的稳定值，选择各单元块中的最低稳定值为第一组合的代表稳定值；将代表稳定值标记为WDB；

根据公式QYU＝(b1×WDB)×(b2×BA)计算对应的定位评估值；式中：QYU为定位评估值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；WDB为代表稳定值；BA为第一形状值。

选择定位评估值最大的第一组合为定位块。

定位块最佳为一个像素块；便于识别和定位；最好不超过5个像素块，像素块数量越少，识别效率和识别精度越高。

步骤四：实时获取监控视频，对当前监控画面进行灰度处理，获得监控灰度图像，识别监控灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个像素块以及各像素块对应的灰度值和块形状；将监控灰度图像中的像素块标记为监控块；

识别定位块对应各像素块的灰度值以及块形状，根据像素块的块形状对各监控块进行筛选，即将像素块根据实际情况分析不会变成的形状对应监控块进行剔除，按照基本常识和现有技术建立对应的识别评估模型进行评估即可；

将定位块中的像素块的灰度值标记为hi，其中i表示对应像素块，i＝1、2、……、n，n为正整数；

将定位块在监控灰度图像上进行遍历移动，实时计算定位匹配值，若对应具有剔除的监控块，则直接跳过，不进行定位匹配值的计算，相当于监控灰度图像上具有一个空洞；将获得的各定位匹配值进行比较，确定定位匹配块，即定位匹配值最小的定位块对应的各监控块组合；定位匹配块即为监控灰度图像上的图像块，也是视频目标的部分。

定位匹配值的计算方法包括：

在监控灰度图像上识别与各像素块相对应的监控块，将相应监控块的灰度值标记为ki，表示与对应像素块相对应；在实际应用中一般借助建立的相应智能模型进行快速匹配对应的监控块，即在定位块移动过程中直接确定对应的监控块，然后根据相应的灰度值进行直接计算，提高效率；具体的可以根据现有技术建立对应的智能模型，如基于神经网络建立对应的智能模型。

根据公式计算对应的定位匹配值；式中：DPW为定位匹配值。

步骤五：根据定位匹配块和初始识别特征识别对应的视频目标。

通过本发明实现对视频目标的实时识别和跟踪，尤其是通过定位块快速识别对应的定位匹配块，进而实现快速、高效的定位视频目标；而且在运行过程中，极少配置高资源占有率的模型、算法等；便于快速运行。实现自动对视频流中的目标进行实时检测和跟踪，无需人工干预，从而大大提高了监控效率。

一种基于人工智能的视频目标检测跟踪系统，包括目标分析模块、定位模块和跟踪模块；

所述目标分析模块用于对标记的视频目标进行分析，确定对应的初始识别特征。

所述定位模块用于根据初始识别特征确定视频目标对应的定位块。

所述跟踪模块用于对视频目标进行识别跟踪，实时获取监控视频，对监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在监控灰度图像中确定对应的定位匹配块；根据定位匹配块和初始识别特征识别对应的视频目标。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种基于人工智能的视频目标检测跟踪方法，其特征在于，方法包括：

步骤一：标记视频目标，提取所述视频目标的目标图像，并进行相应的验证和修正；

步骤二：对目标图像进行灰度处理，获得目标灰度图像，对所述目标灰度图像进行分析，获得视频目标的初始识别特征；

步骤三：识别初始识别特征中的各像素块，根据各像素块对应的块属性确定对应的定位块，定位块用于确定视频目标的像素块或各像素块之间的组合块；

步骤四：实时获取监控视频，对所述监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在所述监控灰度图像中确定对应的定位匹配块；

步骤五：根据定位匹配块和初始识别特征识别对应的视频目标；

定位块的确定方法包括：

识别各像素块的块属性，所述块属性包括稳定值、部位、块形状、位置关系和灰度值；

根据各像素块之间的位置关系确定各第一组合；识别第一组合中各像素块，标记为单元块；

识别第一组合的组合形状数据；计算第一形状值；

识别各单元块对应的稳定值，选择各单元块中的最低稳定值为第一组合的代表稳定值；

根据公式QYU=(b1×WDB)×(b2×BA)计算对应的定位评估值；

式中：QYU为定位评估值；b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1；WDB为代表稳定值；BA为第一形状值；

选择定位评估值最大的第一组合为定位块；

第一形状值的计算方法包括：

获取预设的环境背景特征；根据环境背景特征与组合形状数据确定参照背景，识别参照背景与组合形状数据之间的基准相似值，统计参照背景的基准概率；

根据预设的同化评估模型对组合形状数据与环境背景特征进行边界同化评估，同化评估模型的表达式为；式中：x为输入数据；

根据公式计算对应的第一形状值；式中：BA为第一形状值；SL为基准相似值；gL为基准概率；

定位匹配块的确定方法包括：

识别监控灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个监控块以及各监控块对应的灰度值和块形状；

识别定位块中各像素块的灰度值以及块形状，根据像素块的块形状对各监控块进行筛选，获得筛选后的监控灰度图像；

将定位块在监控灰度图像上进行遍历移动，实时计算定位匹配值，将获得的各定位匹配值进行比较，确定定位匹配块；

定位匹配值的计算方法包括：

将定位块中像素块的灰度值标记为hi，其中，i表示对应像素块，i=1、2、……、n，n为正整数；

在监控灰度图像上识别与各像素块相对应的监控块，将相应监控块的灰度值标记为ki；

根据公式计算对应的定位匹配值；式中：DPW为定位匹配值。

2.根据权利要求1所述的一种基于人工智能的视频目标检测跟踪方法，其特征在于，对目标灰度图像进行分析的方法包括：

识别所述目标灰度图像中各像素的灰度值，根据各相邻像素之间的灰度值进行合并，获得若干个像素块以及各像素块对应的块属性；根据块属性在目标灰度图像中标记各像素块，并标记对应的块属性；对目标灰度图像进行分割，获得视频目标对应的初始识别特征。

3.根据权利要求2所述的一种基于人工智能的视频目标检测跟踪方法，其特征在于，根据各相邻像素之间的灰度值进行合并的方法包括：

步骤SA1：将各像素标记为单一样本，识别各相邻单一样本对应灰度值之间的灰度差值，将灰度差值小于阈值X1的相邻单一样本进行合并，获得合并样本，并根据合并公式计算合并样本对应的灰度值；

步骤SA2：确定合并样本的待合并样本；计算合并样本与待合并样本之间的灰度差值，将灰度差值小于阈值X1的合并样本与待合并样本进行合并，获得新的合并样本，并根据合并公式计算新的合并样本的灰度值；

步骤SA3：循环步骤SA2，直到合并样本没有符合合并要求的待合并样本为止，将对应合并样本标记为像素块；

步骤SA4：判断是否具有合并块，当具有合并块时，返回步骤SA3；当没有合并块时识别各像素块对应的部位，根据识别的部位确定对应的稳定值，并识别各像素块的块形状、位置关系和灰度值；将获得的稳定值、部位、块形状、位置关系和灰度值整合为对应像素块的块属性。

4.根据权利要求3所述的一种基于人工智能的视频目标检测跟踪方法，其特征在于，合并公式为：；式中：Hd为合并样本的灰度值；HB为合并样本内各单一样本对应的灰度值之和；L为合并样本内单一样本的数量。

5.根据权利要求3所述的一种基于人工智能的视频目标检测跟踪方法，其特征在于，稳定值的确定方法包括：

根据识别的部位匹配各部位对应的初始值；

获取当前的环境信息，根据获得的环境信息对各部位进行分析，获得各部位对应的调整系数；

根据公式WD=CZ×τ计算对应的稳定值；

式中：WD为稳定值；CZ为初始值；τ为调整系数。

6.一种基于人工智能的视频目标检测跟踪系统，其特征在于，执行权利要求1至5任意一项所述的一种基于人工智能的视频目标检测跟踪方法，包括目标分析模块、定位模块和跟踪模块；

所述目标分析模块用于对标记的视频目标进行分析，确定对应的初始识别特征；

所述定位模块用于根据初始识别特征确定视频目标对应的定位块；

所述跟踪模块用于对视频目标进行识别跟踪，实时获取监控视频，对监控视频进行灰度处理，获得对应的监控灰度图像，根据定位块在监控灰度图像中确定对应的定位匹配块；根据定位匹配块和初始识别特征识别对应的视频目标。