一種視頻濃縮方法
【技術領域】
[0001 ]本發明涉及視頻處理技術領域，具體是一種視頻濃縮方法。
【背景技術】
[0002] 隨著當今平安城市和智慧城市的大力發展，越來越多的攝像頭被安放，隨之而來 的是海量監控視頻。當需要對這些視頻進行查看時，采用傳統的瀏覽方式，浪費大量的人力 物力。采用快進快退的方式，往往會遺漏大量信息。遠遠不能滿足人們對視頻的訪問，因此 視頻濃縮技術產生。
[0003] 視頻濃縮是對視頻視頻內容的一個簡單概括，首先通過前景檢測算法對運動目標 進行分析，提取運動目標，然后通過跟蹤算法，對各個目標的運動軌跡進行分析，將不同的 目標重組并拼接到共同的背景場景中，形成視頻。因此，在監控系統中，可以通過視頻濃縮 快速瀏覽，鎖定檢索對象，對于生產生活有積極的指導意義。
[0004]傳統的生成視頻濃縮的技術主要有以下幾種:第一種是基于視頻關鍵幀的視頻濃 縮，此方法首先獲取視頻的關鍵幀，然后合成形成新的摘要視頻。典型的關鍵幀提取算法包 括:基于鏡頭邊界提取關鍵幀、基于圖像信息提取關鍵幀、基于運動分析提取關鍵幀和基于 視頻聚類提取關鍵幀，還有針對特定視頻類型的視頻幀提取算法，如基于圖像和文字信息 提取新聞視頻關鍵幀等等。另一種是通過獲得運動目標，通過分析運動物體稠密程度，得到 濃縮視頻。
[0005] 這兩種方法得到的視頻都無法滿足用戶獲取特定目標信息的要求。這兩種方法都 是由視頻片段拼接，仍存在時長較長、運動不緊湊的問題。
【發明內容】
[0006] 本發明的目的在于提供一種實現監控視頻的快速瀏覽、提高視頻數據的利用率的 視頻濃縮方法，以解決上述【背景技術】中提出的問題。
[0007] 為實現上述目的，本發明提供如下技術方案：
[0008] -種視頻濃縮方法，通過對運動目標進行分析，提取運動目標，然后對各個目標的 運動軌跡進行分析，將不同的目標拼接到一個共同的背景場景中，并將它們進行組合;具 體包括以下步驟：
[0009] 1)前景檢測模塊:通過混合高斯背景模型檢測運動目標的前景，統計每一幀圖像 上的像素點，利用像素點在較長時間內大量樣本值的概率密度統計信息建立背景，并使用 統計差分對每個像素點進行分類，若像素點的均值偏差小于閾值，認為是背景點，否則為前 景點；
[0010] 2)對運動物體進行檢測后，通過搜索連通區域，判斷同一運動目標是否被分割為 不少于2個區域，將那些被分割開的區域進行連通區域合并，直到目標檢測完成；
[0011] 3)運動目標跟蹤模塊:對運動目標進行跟蹤，利用Kalman濾波器結合最小空間距 離法來預測每個運動目標的坐標位置，并進行更新、跟蹤、清除運動消失的運動對象，并記 錄運動目標的質心坐標、速度；
[0012] 4)基于運動目標檢測和目標跟蹤，統計步驟3)中目標的數量、目標出現的起始時 間、目標中心、前景框寬度和高度；
[0013] 5)摘要視頻濃縮模塊:對運動軌跡進行優化，實現將不同時間段出現的運動目標 平移到同一時間段，將前景粘貼到背景，并且不出現目標丟失和嚴重重疊。
[0014] 作為本發明進一步的方案:步驟1)的具體方法是:在混合高斯背景模型中，認為每 一幀圖片像素點之間顏色信息互不相關，對每個像素點的處理都是相互獨立的；對于視頻 圖像中每個像素點，其值在序列圖像中的變化看作是不斷產生像素點值的隨機過程，即用 高斯分布來描述每個像素點的顏色呈現的規律，建立K個多峰高斯分布模型，圖像每個像素 點按照不同權值的多個高斯分布疊加建模;然后對K個模型，每個像素點和均值差滿足閾 值，閾值為2.5 〇，認為該像素點是背景，否則是前景。
[0015] 對于多峰高斯分布模型，圖像的每一個像素點按不同權值的多個高斯分布的疊加 來建模，每種高斯分布對應一個可能產生像素點所呈現的顏色的狀態，各個高斯分布的權 值和分布參數隨時間更新。當處理彩色圖像時，假定圖像像素點的三色通道R、G、B相互獨立 并具有相同的方差。
[0016]對于隨機變量X的觀測數據集{X1，X2,…，XN}而言， Xt=(rt，gt，bt)為t時刻像素點 的樣本，則單個樣本服從混合高斯背景模型分布概率密度函數為：
[0017]
[0018]
[0019]
[0020] 其中，K為模式總數，11(^也,*，^,*)為七時刻苐1個高斯分布#,*為其均值，^,*為 其協方差矩陣，Si,t為方差，I為三維矩陣，wi, t為第i個高斯分布的權重。
[0021 ]初始化K個高斯分布背景模型，每個像素點包含K個樣本的背景模型：
[0022] Μ(χ) = {ρι，ρ2，···，ΡΝ} (4)
[0023] 且每個新像素點同當前Κ個模型進行比較，直到找到匹配新像素點的背景模型，按 照如下公式判斷待分類像素點所屬的分布模型：
[0024] Xt-yi,t-i| <2.5〇i,t-i (5)
[0025] 對新的一幀，每個像素點與K個模型進行比較，直到找到匹配的像素點與模型均值 偏差在2.5σ內；如果匹配的模式符合背景要求，該像素點屬于背景，否則屬于前景；
[0026]各模式權值按如下公式更新，其中α是學習速率，對于匹配的模式Mk,t=l，否則Mm =0〇
[0027 ] wk，t = (1 ) *Wk，t-i+a*Mk，t (6)
[0028] 對于模式權重歸一化問題:未匹配模式的均值μ與標準差σ不變，匹配模式的參數 按照下面公式更新：
[0029] p = a*q(Xt|yk，ok) (7)
[0030] yt= (l-p)*yt-i+p*Xt (8)
[0031]
[0032] 如果沒有任何模式匹配，則權重最小的模式被替換，即該模式均值為當前像素點 值，標準差為初始較大值，權重為較小值。各模式按照w/a 2按降序排列。權重大，標準差小的 模式排在前列。選前B個模式作為背景，參數T表示背景所占的比例，來判斷新一幀像素點值 屬于前景還是背景，如下公式所示：
[0033] (10)
[0034] 作為本發明進一步的方案:步驟2)的具體方法是通過混合高斯背景模型對前景檢 測存在下述情況:經過混合高斯背景模型進行前景分割后，如果同一目標被分割為不少于2 個目標塊，這些目標塊最小外接矩形在相對位置上存在一定位置關系:一是大框包含小框； 二是兩框有交集，并不完全包含;三是兩框成上下關系，且質心之間水平和垂直距離都小于 閾值;對上述目標塊最小外接矩形關系的處理方法是:對于包含關系，去掉里面的矩形框， 保留外面的;對于相交的矩形框，用大的矩形框去套住兩個小的矩形框;對于存在上下位置 關系的矩形框，用大的矩形框框住兩個小的矩形框，并刪除里面兩個小的矩形框。
[0035] 作為本發明進一步的方案:所敘述的步驟3)的具體為:對運動目標進行跟蹤，也就 是跟蹤同一目標在圖像序列不同幀中的位置的過程，即通過當前幀中的某個目標，搜索下 一幀中該目標的位置信息，判斷是否跟蹤成功。
[0036] 作為本發明進一步的方案:所敘述的步驟4)的具體方法，包括以下步驟：
[0037] 第一步:針對已經檢測到的所有運動目標，分別對每一個目標i，利用Kalman濾波 器來預測該目標在下一幀中坐標位置，此位置記為預測位置；
[0038] 第二步:針對下一幀中檢測到的所有運動物體，對每一個目標j的坐標位置記為待 定位置；
[0039] 第三步:針對某個i的預測位置，如果與其距離最近的待定位置是目標j的位置，同 時針對該目標j的待定位置，與其距離最近的預測位置是i的位置，則說明i與目標j匹配成 功，則跟蹤成功，然后用目標j的信息來更新i的信息，并同時根據目標j的位置信息來更新 Ka