目標特征模型數據庫建立的方法、裝置及系統的制作方法
【技術領域】
[0001]本發明涉及數據庫建立領域，特別涉及一種目標特征模型數據庫建立的方法，裝置及系統。
【背景技術】
[0002]在監控區域內，一旦有人物或車輛入侵，以及物體的變化等情況，視頻圖像的特征都發生變化，此種變化稱為異常、或者是具有威脅性。監控人員密切注視監控畫面來判別是否具有威脅性。而實驗結果表明，當盯著視頻畫面22分鐘之后，人眼將對視頻畫面里95%的活動信息視而不見。正因為如此，傳統的監控系統往往在事故發生的時候，保安人員都無法及時看到，導致事故更進一步的擴大。此時的監控系統就失去了他原有真正的意義，不能夠起到一個預警的作用，只能做到當事故發生后，把他當作事故現場的一個證據。
[0003]現有的技術不足在于，監控員長期盯著屏幕，監控員會疲勞，注意力不集中，其誤差較大，即便有現有的智能網絡視覺目標檢測分析儀，當發現視頻圖像發生異常時，馬上會發出報警信號，但也經常發生誤報擾民事件，原因在于:
[0004]1.算法無法正確區分目標類型，在環境相對復雜的場景中無法應用；
[0005]2.配置繁鎖，偽三維設置，無法根據環境變化自動調整；
[0006]3.難以在強光、強風、大霧、黑夜能見度低環境惡劣的情況下進行監控。
【發明內容】
[0007]為了解決以上的問題，本發明提供能正確區分目標類型，誤報率低的目標特征模型數據庫建立的方法，裝置及系統。
[0008]本發明的技術方案是這樣實現的:
[0009]本發明公開了目標特征模型數據庫建立的方法，包括:
[0010]S1.獲取具有目標物件的至少一幀視頻；
[0011]S2.從所述的視頻前景中分離出目標物件；
[0012]S3.提取目標物件的行為屬性的特征參數，并進行模型化分類；
[0013]S4.將模型化分類后的目標物件存入數據庫。
[0014]作為本發明所述的方法進一步的改進，步驟SI前還具有步驟SO:
[0015]建立背景模型，具體是:采用三維立體空間模型、混合高斯背景模型及基于統計的背景模型相結合的方法，將監控現場場景的空間、大小、色度、像素值定義為可供分析、判斷的計算機語言，做為智能視覺分析的基礎，同時建立了背景進行自動學習模型，在一定時間里對場景再定義，以過濾掉光照、云影、樹葉、波浪的變化。
[0016]作為本發明所述的方法進一步的改進，所述的行為屬性包括:目標人物的走、跑、
跳、蹲、臥、屈。
[0017]作為本發明所述的方法進一步的改進，所述的模型化分類包括:
[0018]Al.建立行為屬性的概率模型；
[0019]A2.從行為模型中提煉出算法；
[0020]A3.將算法植入DSP，成為嵌入式學習軟件；
[0021]A4.讓DSP從視頻像素變化中學習行為模式及分類。
[0022]作為本發明所述的方法進一步的改進，所述的算法包括:
[0023]將目標人物在一幀視頻中的像素坐標劃分為不同方位的四段，
[0024]經過預設時間段，比較四段坐標的變化，獲知目標人物的運動方向，行為快慢。
[0025]本發明公開了目標特征模型數據庫建立的裝置，包括:
[0026]視頻獲取單元，用于獲取具有目標物件的至少一幀視頻；
[0027]目標物件分離單元，用于從所述的視頻前景中分離出目標物件；
[0028]模型化分類單元，用于提取目標物件的行為屬性的特征參數，并進行模型化分類；
[0029]目標物件存入單元，用于將模型化分類后的目標物件存入數據庫。
[0030]作為本發明所述的裝置進一步改進，在所述的視頻獲取單元之前還具有背景模型建立單元，用于建立背景模型，具體是:采用三維立體空間模型、混合高斯背景模型及基于統計的背景模型相結合的方法，將監控現場場景的空間、大小、色度、像素值定義為可供分析、判斷的計算機語言，做為智能視覺分析的基礎，同時建立了背景進行自動學習模型，在一定時間里對場景再定義，以過濾掉光照、云影、樹葉、波浪的變化。
[0031]作為本發明所述的裝置進一步改進，所述的行為屬性包括:目標人物的走、跑、跳、蹲、臥、屈，所述的模型化分類包括:
[0032]Al.建立行為屬性的概率模型；
[0033]A2.從行為模型中提煉出算法；
[0034]A3.將算法植入DSP，成為嵌入式學習軟件；
[0035]A4.讓DSP從視頻像素變化中學習行為模式及分類。
[0036]作為本發明所述的裝置進一步改進，所述的算法包括:
[0037]將目標人物在一幀視頻中的像素坐標劃分為不同方位的四段，
[0038]經過預設時間段，比較四段坐標的變化，獲知目標人物的運動方向，行為快慢。
[0039]本發明公開了目標特征模型數據庫建立的系統，包括視頻輸入部，與所述的視頻輸入部相連的控制器，與所述的控制器相連的顯示器及存儲器，其特征在于，所述的控制器具有上述的目標特征模型數據庫建立的裝置。
[0040]實施本發明的目標特征模型數據庫建立的方法、裝置及系統，具有以下有益的技術效果:
[0041]區別于現有技術中的無法正確區分目標類型，在環境相對復雜的場景中無法應用的不足，本技術方案通過提取目標物件的行為屬性的特征參數，建立大量的模型化分類后的目標物件，存入數據庫，區分目標類型正確率高，誤報率低。
【附圖說明】
[0042]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
[0043]圖1為本發明的目標特征模型數據庫建立的方法流程圖；
[0044]圖2是本發明的目標特征模型數據庫建立的功能框圖；
[0045]圖3是本發明的目標特征模型數據庫建立的功能框圖；
[0046]圖4為本發明的目標特征模型數據庫建立的數據庫樣本示意圖。
【具體實施方式】
[0047]下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0048]請參閱圖1，本發明的實施例，一種目標特征模型數據庫建立的方法，包括:
[0049]S1.獲取具有目標物件的至少一幀視頻；
[0050]本發明中的目標物件，可以是人、車、物；一幀視頻中，移動對象的部分，才我們的分析才有意義，純粹靜態變化的物件，如路燈或車燈閃爍，不算是動態對象，對我們沒有意義。
[0051]S2.從所述的視頻前景中分離出目標物件；
[0052]運動目標檢測是指從序列圖像中將變化區域從背景中分割出來，它是對目標跟蹤的前提。當監控區域內出現移動的目標，采用BLOB算法、模糊模式識別等多種技術，通過灰度突變把移動目標從背景畫面區分出來，并確定其大小、形狀、面積及準確位置，根據所述的編號進行累加。
[0053]加入了基于HSI顏色空間和邊緣信息的陰影去除的算法，從而有效地濾除因天氣、光照、影子、樹葉擺動、海面上波浪的變化及混亂干擾等的多種因素的影響，并克服目標因型號、外觀、裝飾、運動等的影響，使系統提取能夠更加準確地提取出移動目標，建立目標數據庫:包括移動目標的尺寸、位置、形狀、軌跡等基本信息。減小了由于陰影存在導致的虛
m
目O
[0054]S3.提取目標物件的行為屬性的特征參數，并進行模型化分類；
[0055]目標的分類、識別和行為判斷采用兩級視頻分析，一級視頻分析單元對提取的移動目標圖像進行灰度特征的比較，將有變化的區域形成二值化圖像，對形成的二值化圖像進行圖像分割，如果分析出來的結果小于規定值，那么將作為干擾忽略掉，如果分析出來的結果大于規定值，那么立即傳送給二級視頻分析單元，二級視頻分析單元馬上對此圖像進行二次分析，并與數據庫中的數據進行對比，對比內容包括移動圖像的大小、形狀、運動特征等一系列事先規定的數值。
[0056]行為屬性包括:目標人物的走、跑、跳、蹲、臥、屈。
[0057]模型化分類具體包括:
[0058]Al.建立行為屬性的概率模型；
[0059]A2.從行為模型中提煉出算法；
[0060]A3.將算法植入DSP，成為嵌入式學習軟件；
[0061]A4.讓DSP從視頻像素變化中學習行為模式及分類。
[0062]不斷進行A3及A4步驟，反饋然后再改進，直到DSP算法模塊化，產品化。
[0063]最終經過嚴格的訓練后，建立起龐大的，實用的特征模型數據庫。圖4即為以人為例的特征數據庫及目標運動方向圖。
[0064]算法包括:
[0065]將目標人物在一幀視頻中的像素坐標劃分為不同方位的四段，例