專利名稱：檢測圖像序列中的特定對象的裝置、方法和視頻攝像設備的制作方法
技術領域：
本發(fā)明屬于模式識別領域，涉及圖像處理和計算機視覺等技術，更具體而言，涉及用于檢測圖像序列中的特定對象的裝置、方法和相應的視頻攝像設備。
背景技術：
對于視頻圖像序列中的特定對象進行檢測往往具有重大價值。例如，如果特定對象是遺棄物，則這種遺棄物的檢測對于維護公共場所的安全有重要意義。這里所說的遺棄物檢測是指檢測那些被人有意丟棄、投放在公共場所或某些要害部位，可能裝有爆炸物品的背包、公文包等。通?？植婪肿釉诜胖眠@樣的包裹后，通過定時或遙控的方式來引爆裝在包中的炸彈。這種作案手段成本低、危害大、防范和偵破難度高，逐漸成為犯罪分子進行爆炸襲擊的主要方式之一。類似的案件層出不窮，如2004年的西班牙馬德里連環(huán)爆炸案； 2005年英國倫敦和利物浦的爆炸案等等。目前主要基于視頻進行遺棄物檢測，在檢測過程中，利用現(xiàn)場安裝的視頻監(jiān)控設備，通過對攝制到的視頻圖像序列中的圖像內(nèi)容進行分析來探測遺棄物檢測事件的發(fā)生。已經(jīng)有較多方法對基于視頻的遺棄物檢測進行了研究，但目前類似的方法一般需要檢測出場景中的運動對象，然后跟蹤所有運動對象，分析是否有運動對象從另一個對象上分開并保持靜止一段時間，據(jù)此來檢測遺棄物。例如，在作者為J.Martinez del Rincon，Jorge Jomez J. Elias HerreroJfI Carlos Orrite Urunela,名禾爾為 “Automatic left luggage detection and tracking using multi-camera UKF"(IEEE International Workshop on Performance Evaluation in Tracking and Surveillance(PETS)，2006)的文獻中所描述的方法，利用背景建模的方法檢測出運動對象，并用卡爾曼濾波方法跟蹤每個運動對象，最后基于一定的規(guī)則判斷是否有特定對象(即，遺棄物)被遺棄。這些方法都需要跟蹤過程，而真實場景往往比較復雜，想要跟蹤所有的運動對象是非常困難的。因此， 這類方法的準確性較差，難以實用。發(fā)明名稱為“一種無需跟蹤過程的遺棄物檢測方法”，公開號為CN101635026A，
公開日為2010年1月27日的中國專利申請雖然提出了一種無需跟蹤過程的遺棄物檢測方法，但是該方法并沒有考慮到真實場景中的許多難點，比如遮擋等等，因此該方法的誤報和漏報很多。

發(fā)明內(nèi)容
鑒于上述情況，亟待提供一種高效和準確地檢測圖像序列中的特定對象(例如遺棄物)的解決方案。本發(fā)明的實施例提供了用于檢測圖像序列中特定對象的裝置和方法。這種裝置和方法無需跟蹤過程，通過實時判斷圖像序列的場景中誤報發(fā)生概率高的區(qū)域(即，誤報高發(fā)區(qū)域)并對該誤報高發(fā)區(qū)域建模，并基于此來確定通過前景模板的差分獲得的疑似對象區(qū)域是否為誤報高發(fā)區(qū)域或者是否與之匹配，進而實現(xiàn)特定對象的檢測。這種裝置和方法能夠提高特定對象檢測處理的魯棒性，而且可以大量減少誤報，顯著改善對象檢測的精確性。具體而言，本發(fā)明的實施例提供一種用于檢測圖像序列中的特定對象的裝置，包括疑似對象區(qū)域檢測單元，其被配置成針對包括預定時間間隔內(nèi)的多幀圖像的圖像序列、利用背景建模來構建該圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理；誤報高發(fā)區(qū)域建模單元，其被配置成在疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將該至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，以及，基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫；以及后處理單元，其被配置成在疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將上述至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且基于未匹配疑似對象區(qū)域序列來檢測特定對象。其中，該未匹配疑似對象區(qū)域序列包括不與誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域。并且，后處理單元還被配置成在疑似對象區(qū)域檢測單元通過幀間差分處理沒有檢測到疑似對象區(qū)域的情況下，確定在圖像序列中不存在特定對象。本發(fā)明的實施例還提供一種用于檢測圖像序列中的特定對象的方法，包括利用背景建模來構建包括預定時間間隔內(nèi)的多幀圖像的圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理；如果通過幀間差分處理檢測到至少一個疑似對象區(qū)域，則將該至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，以及，基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫；以及如果通過幀間差分處理檢測到至少一個疑似對象區(qū)域，則將該至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且響應于匹配結果，基于包含有不與所述誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域的未匹配疑似對象區(qū)域序列來檢測特定對象。如果通過幀間差分處理沒有檢測到疑似對象區(qū)域，則確定在圖像序列中不存在特定對象。本發(fā)明的其他實施例又提供了一種視頻攝像設備，該視頻攝像設備包括如上所述的根據(jù)本發(fā)明的實施例的檢測圖像序列中的特定對象的裝置。本發(fā)明的另外的實施例還提供了一種存儲有機器可讀取的指令代碼的程序產(chǎn)品， 該指令代碼由機器讀取并執(zhí)行時，可執(zhí)行如上所述的根據(jù)本發(fā)明的實施例的檢測圖像序列中的特定對象的方法。本發(fā)明的另外的實施例還提供了一種承載有上述的程序產(chǎn)品的存儲介質(zhì)。根據(jù)本發(fā)明的實施例的解決方案通過構建誤報高發(fā)區(qū)域模型，可以減少圖像序列包括的真實場景中因為場景復雜而造成的大量誤報，改善特定對象檢測的精確度。此外，所采用的利用前景模板的幀間差分方法來獲得疑似對象區(qū)域的手段也能有效避免傳統(tǒng)的幀間差分方法中當特定對象(例如遺棄物)被運動對象遮擋時無法檢測出的缺點。


通過結合附圖對本發(fā)明的具體實施方式
的描述，本發(fā)明的以上的和其它目的、特點和優(yōu)點將變得清楚。在各附圖中，相同或類似的附圖標記表示相同或者類似的功能部件或步驟。在附圖中圖1是示出了根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置的結構簡化框圖；圖2是示出了通過圖1所示的裝置執(zhí)行的特定對象檢測過程的一個示例的流程示意簡圖；圖3a_3c是說明通過前景模板的幀間差分獲得前景模板的過程的一個示例的示意圖；圖4a4c是說明尺寸較大的對象在現(xiàn)有技術的檢測中可能被認為是特定對象而引起誤報的一個示例的示意圖；圖5是示出了根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置執(zhí)行的、確定誤報高發(fā)區(qū)域并對其進行建模的操作的流程簡圖；圖6是示出了根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置執(zhí)行的、基于與誤報高發(fā)區(qū)域模型進行匹配來檢測圖像序列中特定對象的操作的流程簡圖；圖7是示出了根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置執(zhí)行的、通過對比圖像序列中其他預定類型的對象來檢測圖像序列中特定對象的操作的流程簡圖；圖8是示出了根據(jù)本發(fā)明的實施例的用于檢測圖像序列中的特定對象的方法的流程簡圖；以及圖9是示出可用于實施根據(jù)本發(fā)明實施例的方法和裝置的計算機系統(tǒng)的示意性框圖。
具體實施例方式下面參照附圖來說明本發(fā)明的實施例。應當注意，為了避免因不必要的細節(jié)而模糊了本發(fā)明，在附圖中僅僅示出了與根據(jù)本發(fā)明的方案密切相關的設備結構和/或處理步驟，而省略了與本發(fā)明關系不大的其他細節(jié)。在各附圖中相同或者相似的構成元素或部分利用相同或者類似的附圖標記來表示。圖1示出了根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置100的結構簡化框圖。如圖1所示，裝置100包括疑似對象區(qū)域檢測單元110，其被配置成針對預定時間間隔內(nèi)的多幀圖像的圖像序列、利用背景建模來構建該圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理；誤報高發(fā)區(qū)域建模單元120，其被配置成在疑似對象區(qū)域檢測單元110通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下， 將該至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，并且基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫；以及后處理單元130，其被配置成在疑似對象區(qū)域檢測單元 110通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將該至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且基于未匹配疑似對象區(qū)域序列來檢測特定對象。在此，未匹配疑似對象區(qū)域序列包括不與誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域。后處理單元130還可以被配置成在疑似對象區(qū)域檢測單元110通過幀間差分處理沒有檢測到疑似對象區(qū)域的情況下，確定在預定時間間隔內(nèi)的多幀圖像，即，圖像序列中不存在特定對象。圖2是示出了通過圖1所示的裝置100執(zhí)行的特定對象檢測過程200的一個示例的流程示意簡圖。如圖所示，在S220的處理中，基于輸入的圖像序列(例如從視頻監(jiān)視設備采集的、包括某一預定時間間隔內(nèi)多幀圖像的圖像序列)檢測疑似對象區(qū)域，即，有可能包括待檢測的特定對象(例如遺棄物等)的區(qū)域。在S230的處理中，判斷S220的處理是否檢測到疑似對象區(qū)域。如果判斷結果為“是”，則在S240的處理中，判斷疑似對象區(qū)域是否為誤報高發(fā)區(qū)域。如果是，則在S250的處理中對誤報高發(fā)區(qū)域進行建模，如果不是，則在S260 的處理中對不是誤報高發(fā)區(qū)域的疑似對象區(qū)域進行后處理，從而確定該疑似對象區(qū)域是特定對象還是誤報。另外，如果在S230的處理中判斷沒有檢測到疑似對象區(qū)域，則在S250的后處理中，確定在輸入的圖像序列中不存在待檢測的特定對象。下面通過若干具體的示例來對裝置100執(zhí)行的特定對象檢測過程200進行詳細描述。首先描述疑似對象區(qū)域檢測單元110所進行的疑似對象區(qū)域檢測處理的示例。在此示例中，以遺棄物作為特定對象的例子進行說明。通常遺棄物具備如下兩個特征(1)遺棄物會造成被占區(qū)域的背景發(fā)生改變；( 遺棄物在被遺棄后保持靜止。相應地，可以通過如下兩個步驟來檢測包括有多幀圖像的圖像序列的場景中的疑似遺棄物區(qū)域，即疑似對象區(qū)域第一步是利用基于背景建模的方法，提取出場景中背景發(fā)生改變的區(qū)域?？紤]到遺棄物檢測處理對于實時性的要求，例如可以采用應用廣泛的GMM(高斯混合模型)方法對背景進行建模。通過GMM方法進行背景建模是圖像處理技術領域中公知的方法，具體細節(jié)在此不贅述。這種背景建模的方法假設在圖像中每個像素點上背景的顏色為多高斯分布， 對于預定的時間間隔(例如最近4秒內(nèi))內(nèi)的圖像序列中每一幀圖像，提取該圖像的顏色信息，通過對每個像素點的顏色信息進行混合高斯背景建模使該模型能夠描述對應像素點的背景顏色信息。圖3(b)和圖4(b)示出了利用背景建模方法檢測出背景發(fā)生改變的區(qū)域 (即，前景模板，foreground mask)。在此，“前景”即指與“背景”相對的、圖像中的各種對象(例如，人，車、待檢測的特定對象(例如遺棄物)等)。如圖3(b)和圖4(b)所示，所提取出的前景模板表現(xiàn)為二值圖，其中，令值“0”表示黑色(背景)，值“1”表示白色(前景對象)。當然，這只是一種示例而非限制，根據(jù)實際需要，例如也可以使前景模板具有灰度圖的表現(xiàn)形式。此外，可以根據(jù)具體需要將任意時間間隔內(nèi)的圖像序列作為處理對象而不限于是本例中的4秒。在提取的背景發(fā)生改變的區(qū)域(即前景模板)中，利用幀間差分方法對所得到的前景模板做差分，以便提取出屬于運動前景同時又保持前景狀態(tài)預定的時間間隔(在本例中為4秒)的像素點。在經(jīng)過連通域分析后，提取在該預定時間間隔內(nèi)圖像序列的場景中的所有疑似遺棄物區(qū)域，從而構成疑似遺棄物區(qū)域序列，其包括檢測到的所有(一個或多個， 即，至少一個)疑似遺棄物區(qū)域。其中的連通域分析是圖像處理技術領域公知和慣用的處理方法，其細節(jié)在此不再贅述。需要注意，由于是對前景模板做差分而不是如通常的那樣直接對圖像序列進行幀間差分，因此可以有效避免因為遺棄物被遮擋而不能被檢測的情況。 例如，圖3c示出了遮擋條件下的遺棄物檢測結果。如圖3c所示，其中302表示被遮擋的遺棄物，容易理解，如果按照現(xiàn)有的方法簡單地對圖像序列進行幀間差分，則被其他對象(在此為人)遮擋的遺棄物302將不能被檢測到，即，發(fā)生遺棄物漏檢的情況。如上所述，在通過上述的背景建模和對前景模板進行幀間差分的處理沒有檢測到疑似對象區(qū)域的情況下，則確定在預定時間間隔內(nèi)的圖像序列中不包括待檢測的特定對象，例如遺棄物。下面主要描述在通過上述的背景建模和對前景模板進行幀間差分的處理檢測到至少一個疑似對象區(qū)域的情況下所進行的后續(xù)處理。將參照圖5描述圖1中裝置100的誤報高發(fā)區(qū)域建模單元120進行的確定誤報高發(fā)區(qū)域并對其進行建模的處理的一個示例。在上面描述的基于背景建模來進行前景檢測的處理中，當運動對象停止并保持一段時間以后，該運動對象會慢慢融入背景模型而成為背景。因為運動對象各個部分的顏色與背景顏色的區(qū)別不相同，該運動對象(即，前景)各個區(qū)域融入背景的時間也不相同。在這種情況下，當一個面積比較大的物體(比如車輛)停止一段時間后，由于逐步融入背景的原因，前景區(qū)域會被分割為多個子區(qū)域，此時因為各個子區(qū)域的特征(如短時靜止、大小、邊緣等)都滿足遺棄物的特征，它們通常會被檢測為遺棄物。如圖4b示出了停止一段時間后的前景檢測結果，大的對象(在此為車輛)被檢測成了許多小的區(qū)域。如圖如示出的遺棄物檢測結果中，部分子區(qū)域，例如，與圖如中車窗區(qū)域40 所對應的子區(qū)域402c被誤認為是待檢測的特定對象，在該例中為遺棄物，發(fā)生誤報。為了消除上述原因所造成的誤檢測，例如可以根據(jù)如圖5中所示的處理來確定上述的疑似遺棄物區(qū)域檢測處理中所檢測到的疑似遺棄物區(qū)域序列(其包括所檢測到的至少一個疑似遺棄物區(qū)域)中是否存在誤報高發(fā)區(qū)域。如圖5所示，在S510中提取疑似遺棄物區(qū)域序列中第i個疑似遺棄物區(qū)域的尺寸。在S520，判斷該尺寸是否大于或等于預定的閾值1。如果判斷結果為“是”，則在S530確定該第i個疑似遺棄物區(qū)域為誤報高發(fā)區(qū)域， 并保存該誤報高發(fā)區(qū)域及其前景模板以備后用。在該例子中，疑似遺棄物區(qū)域的尺寸是該區(qū)域的二維面積。根據(jù)不同的實際情況，例如可能的遺棄物的類型、外觀等特性，這種尺寸例如也可以是一維的尺寸(例如長度、寬度等)，三維的體積，等等。在獲取誤報高發(fā)區(qū)域后，可以構建一個模型來描述該區(qū)域。在上面的處理S530中得到誤報高發(fā)區(qū)域的前景模板，在S540-S550的處理中，在該誤報高發(fā)區(qū)域?qū)那熬澳０逯斜硎厩熬?即，模板值為“1”)的每個像素點處構建一個高斯模型用于描述該像素點處對象(即，遺棄物)的顏色信息。該高斯模型的均值為此時像素點的顏色值，方差預先確定，例如可以是該高斯函數(shù)的初始方差或者是方差的經(jīng)驗值。在S520的判斷為“否”的情況下，確認該疑似遺棄物區(qū)域不是誤報高發(fā)區(qū)域，然后接著對下一個疑似遺棄物區(qū)域進行如上S510-S550中的誤報高發(fā)區(qū)域確定和建模處理。對疑似遺棄物區(qū)域序列中的每一個疑似遺棄物區(qū)域都進行類似的處理。通過進行上述S510-S560的一系列處理，能夠確定通過前景模板的幀間差分所獲得的疑似遺棄物區(qū)域序列中哪些屬于誤報高發(fā)區(qū)域，并且對被確定為誤報高發(fā)區(qū)域的區(qū)域進行建模，將誤報高發(fā)區(qū)域的前景模板及其模型進行存儲以創(chuàng)建誤報高發(fā)區(qū)域庫，以供后續(xù)處理使用。在圖5示出的處理中，i，j是自然數(shù)，分別表示疑似遺棄物區(qū)域序列中各個區(qū)域的序號以及每一個被確定為誤報高發(fā)區(qū)域的區(qū)域的前景模板中像素點的序號。如上所述，通過將符合預定條件(例如尺寸大于或等于預定閾值1)的疑似遺棄物區(qū)域判定為是誤報高發(fā)區(qū)域，可以避免由誤報高發(fā)區(qū)域引起的誤報(例如圖4中示出的由車輛引起的誤報)，提高了遺棄物檢測的精確度。此外，由于對所確定的誤報高發(fā)區(qū)域進行建模并保存該模型(例如生成誤報高發(fā)區(qū)域模型庫)，使得在下一次檢測處理中可以利用先前檢測處理中獲得的有關誤報高發(fā)區(qū)域的信息，在確保檢測精確度的同時還能夠改善處理的魯棒性。下面結合圖6描述根據(jù)本發(fā)明實施例的用于檢測圖像序列中的特定對象的裝置執(zhí)行的基于與誤報高發(fā)區(qū)域模型進行匹配來檢測圖像序列中特定對象(例如，遺棄物)的操作的一個示例。如圖6所示，在S610對于沒有被確定為是誤報高發(fā)區(qū)域的疑似遺棄物區(qū)域序列 (可以包括一個或者多個，即至少一個疑似遺棄物區(qū)域)中第m個疑似遺棄物區(qū)域，將其與從誤報高發(fā)區(qū)域模型庫中提取的相應的第η個誤報高發(fā)區(qū)域模型進行匹配處理。作為這種匹配處理的一個例子，可以統(tǒng)計該第m個疑似遺棄物區(qū)域中與第η個誤報高發(fā)區(qū)域模型中對應位置的高斯模型相匹配的像素點數(shù)目。例如，如果該第m個疑似遺棄物區(qū)域中某像素點的顏色值與該第η個誤報高發(fā)區(qū)域模型中對應位置處像素點的高斯模型的均值在該高斯模型的兩倍方差之內(nèi)，則可認為這兩個像素點是相互匹配的。當然，根據(jù)實際情況還可以設定其他任何合適的條件來判斷像素點是否匹配。例如，在一種可替選的實施方式中，可在誤報高發(fā)區(qū)域模型的每個像素點處，利用核概率密度函數(shù)方法(kernel method)估計每個像素點處出現(xiàn)各種顏色的概率密度。在該密度函數(shù)構建以后，當某個疑似遺棄物區(qū)域中一個待匹配像素點的顏色似然值(概率密度函數(shù)值)大于一定閾值時，則認為該待匹配像素點與相應的誤報高發(fā)區(qū)域模型中相應的像素點匹配。該閾值可以根據(jù)實際情況預先設定。接著，在S620，判斷匹配的像素點數(shù)與該第m個疑似遺棄物區(qū)域的面積(例如可以用該區(qū)域中像素點的數(shù)量來表示)的比值，若該比值大于預定的閾值2，則在S650，認為該第m個疑似遺棄物區(qū)域與該第η個誤報高發(fā)區(qū)域相匹配，說明該第m個疑似遺棄物區(qū)域是某一個大的運動對象停止后產(chǎn)生的誤報。該閾值2可以根據(jù)實際情況預先確定。假設以車輛作為大的運動對象，則例如可以確定車輛中可能成為誤報的最小的部分(例如車窗)的面積與整個車輛的區(qū)域的面積之比，作為該閾值2。m，η是自然數(shù)，分別表示疑似遺棄物區(qū)域序列和誤報高發(fā)區(qū)域模型庫中各個模型的序號。如果在S620判斷該比值小于預定的閾值2，則在S630，確定該第m個疑似遺棄物區(qū)域與該第η個誤報高發(fā)區(qū)域不匹配。在圖6示出的處理中，對沒有被確定為是誤報高發(fā)區(qū)域的所有疑似遺棄物區(qū)域都逐一判斷是否與誤報高發(fā)區(qū)域庫中某個誤報高發(fā)區(qū)域模型相匹配，即，在此實際上是將誤報高發(fā)區(qū)域庫中所有的模型作為將要與疑似遺棄物區(qū)域進行匹配的相應的誤報高發(fā)區(qū)域模型。但是，在可替選的實施方式中，也可以預先確定被認為是誤報高發(fā)區(qū)域的某個疑似遺棄物區(qū)域可能與誤報高發(fā)區(qū)域模型庫中的哪個或哪些模型相關，從而只將這些相關的誤報高發(fā)區(qū)域模型作為將要與該疑似遺棄物區(qū)域進行匹配處理的相應的誤報高發(fā)區(qū)域模型即可。例如，可以通過比較該疑似遺棄物區(qū)域以及誤報高發(fā)區(qū)域在圖像序列的場景中的位置關系等等來初步判斷該疑似遺棄物區(qū)域與哪個或哪些誤報高發(fā)區(qū)域模型相關。由于無需窮舉式地與誤報高發(fā)區(qū)域庫中所有的誤報高發(fā)區(qū)域模型進行匹配處理，因此可以在一定程度上提高處理速度。從上面的描述可知，在本公開中提及的、將要與未被確定為是誤報高發(fā)區(qū)域的疑似遺棄物區(qū)域進行匹配的“相應的誤報高發(fā)區(qū)域模型”，既可以是誤報高發(fā)區(qū)域模型庫中所有的模型，也可以是該模型庫中與該疑似遺棄物區(qū)域相關的特定的模型。對于沒有被確定為是誤報高發(fā)區(qū)域的疑似遺棄物區(qū)域序列中的每一個區(qū)域執(zhí)行上述類似的處理。最后，在圖6的S670中，根據(jù)上述S610-S660的匹配處理結果來實現(xiàn)對特定對象，即遺棄物的檢測。例如，可以直接確定不與誤報高發(fā)區(qū)域庫中任一個模型匹配的疑似遺棄物區(qū)域是與需要檢測的遺棄物對應的區(qū)域。在圖6示出的處理中，m，n是自然數(shù)， 分別表示未被確定為誤報高發(fā)區(qū)域的疑似遺棄物區(qū)域序列中各個區(qū)域的序號以及誤報高發(fā)區(qū)域模型庫中模型的序號。根據(jù)圖6示出的處理可知，通過將誤報高發(fā)區(qū)域進行建模并且通過存儲這些模型來生成誤報高發(fā)區(qū)域模型庫，可以在本次遺棄物檢測處理中使用在前的各次遺棄物檢測處理中所構建的誤報高發(fā)區(qū)域模型，并且本次遺棄物檢測處理所構建的誤報高發(fā)區(qū)域模型也可以用于后續(xù)的遺棄物檢測。由此可以使得根據(jù)本發(fā)明實施例的裝置所執(zhí)行的特定對象 (例如遺棄物)檢測具備類似學習的特性，這有利于改善檢測處理的魯棒性并且提高檢測精確度。此外，雖然在該示例中是通過直接存儲誤報高發(fā)區(qū)域模型來創(chuàng)建誤報高發(fā)區(qū)域模型庫，但是，在其他可替選的實施中，例如也可以通過對所構建的各誤報高發(fā)區(qū)域模型按照特性進行分類、分配權重等方式來創(chuàng)建誤報高發(fā)區(qū)域模型庫。上面已經(jīng)提及，在進行特定對象檢測的處理中，在誤報高發(fā)區(qū)域易于產(chǎn)生誤報，此外，在真實場景中，有時候還容易產(chǎn)生如下的誤報當靜止對象小幅運動后，又突然停止。此時利用背景建模所檢測的前景區(qū)域僅僅為背景發(fā)生改變的區(qū)域，只是該對象的小部分，又由于該對象最終停止，因此該部分前景區(qū)域?qū)粰z測為特定對象，例如遺棄物。為了處理因此而產(chǎn)生的誤報，在一種優(yōu)選實施方式中，可以對從前面的處理中獲得的不與誤報高發(fā)區(qū)域庫中任一模型匹配的未匹配遺棄物區(qū)域序列進行進一步處理。圖7是示出了這種處理的一個示例。如圖7所示，通過與從輸入圖像序列中檢測到的其他預定類型的對象進行對比來判斷未匹配遺棄物區(qū)域序列(可包括一個或多個未匹配遺棄物區(qū)域)是否為待檢測的遺棄物。如圖7所示，提取不與誤報高發(fā)區(qū)域模型匹配的疑似遺棄物區(qū)域序列(即，未匹配疑似遺棄物區(qū)域序列，可包括一個或者多個疑似遺棄物區(qū)域)中第k個區(qū)域，并在S710與從圖像序列中檢測出的其他預定類型的對象區(qū)域序列(可包括一個或多個其他預定類型對象區(qū)域)中第1個對象進行比較，以判斷該第k個疑似遺棄物區(qū)域是否屬于該第1個其他類型對象區(qū)域。如果比較結果為“是”，則在處理S720中將該第k個疑似遺棄物區(qū)域確定為是由該第1個其他預定類型的對象所引起的誤報，接著對未匹配遺棄物區(qū)域序列中下一個區(qū)域進行處理。如果S710的比較結果為“否”，則處理進行到S730，判斷是否已經(jīng)與其他預定類型對象序列中所有的對象進行了比較，如果沒有，則選取另一個未經(jīng)歷比較處理的其他預定類型的對象，重復S710至S730的處理。如果在S730中判斷已與所有的其他預定類型對象都進行了比較處理，則確定該第k個疑似遺棄物區(qū)域與待檢測的遺棄物區(qū)域相對應。對未匹配疑似遺棄物區(qū)域序列中所有區(qū)域都進行上述處理，最后在S750中輸出針對該未匹配疑似遺棄物區(qū)域序列的檢測結果，即，檢測到遺棄物或者沒有檢測到遺棄物(例如， 發(fā)生誤報)。這種處理可以有效地避免上述的由于靜止對象小幅運動后又突然停止而導致的誤報，因此進一步改善了檢測精確度。關于輸入圖像序列的各幀圖像中其他預定類型對象(例如，車輛，人、動物等等) 的檢測，可以采用各種已知的檢測圖像中的預定類型的對象的方法，例如，可以應用發(fā)明名稱為“訓練裝置、訓練方法及檢測方法”，公開號為CN101655914，
公開日為2010年2月M日的中國專利申請中公開的方法檢測出輸入圖像序列的場景中所有車輛。當然，也可利用現(xiàn)有的各種用于檢測預定類型對象，例如，車輛，人、動物等等的公知方法來實現(xiàn)對這些預定類型的對象的檢測。這些其他預定類型對象既可以在進行遺棄物檢測時在線地檢測，也可以在遺棄物檢測進行之前預先檢測出來備用。在圖7所示的處理中，k，l是自然數(shù)，分別表示未匹配疑似遺棄物區(qū)域序列和其他預定類型對象區(qū)域序列中各個區(qū)域的序號。需要說明，根據(jù)實際需要，上述各示例中給出的處理方式也可以進行任意組合。由于各種處理方式的詳細過程已經(jīng)在上面結合附圖給出，因此各種處理方式的組合形式的具體實現(xiàn)雖然沒有在此逐一贅述，但是也應當認為被包含在本說明書的公開內(nèi)容中。上面結合圖1-7所描述的根據(jù)本發(fā)明實施例的檢測圖像序列中特定對象的裝置 100可以作為單獨的設備實現(xiàn)，也可以結合在視頻圖像監(jiān)控設備中。例如，在可替選實施方式中，可將裝置100與視頻攝像設備集成為一體，因而可使得這種視頻攝像設備本身能實現(xiàn)檢測其所拍攝的圖像序列中的特定對象(例如遺棄物)的功能。因此，這種視頻攝像設備也應被涵蓋在本發(fā)明的保護范圍之內(nèi)。在根據(jù)本發(fā)明的其他實施例中，還提供了一種能夠檢測輸入圖像序列中特定對象的方法。圖8示出了根據(jù)本發(fā)明的實施例的用于檢測圖像序列中的特定對象的方法800的流程簡圖。如圖8所示，方法800開始于S810。在步驟S820，利用背景建模來構建包括預定時間間隔內(nèi)的多幀圖像的圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理。在步驟S830，如果通過幀間差分處理生成至少一個疑似對象區(qū)域，則將至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，以及，基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫。在步驟S840，如果通過幀間差分處理檢測到至少一個疑似對象區(qū)域，則將至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且響應于匹配結果，基于包含有不與誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域的未匹配疑似對象區(qū)域序列來檢測特定對象。如果通過幀間差分處理沒有檢測到任何疑似對象區(qū)域，則確定在圖像序列中不存在特定對象。該方法中各步驟的操作例如可以通過具有如上述圖1-2中所示配置的裝置100來實現(xiàn)，具體細節(jié)可參見上面結合圖1-2進行的描述，在此不再贅述。在圖8中所示方法800的一種具體實施方式
中，上述的響應于匹配結果檢測特定對象的處理可以包括將未匹配疑似對象區(qū)域序列中的每一個疑似對象區(qū)域與從輸入的多幀圖像中檢測到的其他預定類型的對象進行比較。如果該未匹配疑似對象區(qū)域不屬于任何其他預定類型的對象，則將該未匹配疑似對象區(qū)域確定為是與待檢測的所述特定對象對應的區(qū)域。在可替選的實施方式中，也可以直接將未匹配疑似對象區(qū)域序列中的所有未匹配疑似對象區(qū)域確定為是與待檢測的特定對象對應的區(qū)域。這種實施方式中各步驟的操作例如可以通過能夠執(zhí)行如上述圖7中所示處理的裝置100來實現(xiàn)，具體細節(jié)可參見上面結合圖7進行的描述，在此不再贅述。在圖8中所示方法800的另一種具體實施方式
中，上述的通過幀間差分來檢測疑似對象區(qū)域的處理可以包括采用混合高斯模型對輸入圖像序列中多幀圖像進行背景建模以構建每一幀圖像的前景模板，然后對所構建的前景模板進行幀間差分，以提取出屬于運動前景同時又在該預定時間間隔內(nèi)保持前景狀態(tài)的像素點?；谒崛〉南袼攸c、經(jīng)過連通域分析來生成至少一個疑似對象區(qū)域。該實施方式中各步驟的操作例如可以通過具有如上述圖1-2中所示配置的裝置100來實現(xiàn)，具體細節(jié)可參見上面結合圖1-2進行的描述，在此不再贅述。在圖8中所示方法800的又一種具體實施方式
中，上述的通過匹配處理來檢測特定對象的處理包括針對每一個疑似對象區(qū)域，確定該疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的誤報高發(fā)區(qū)域模型之間相互匹配的像素點的數(shù)量，如果匹配的像素點的數(shù)量與該疑似對象區(qū)域中像素點的數(shù)量之比大于預定的第一閾值，則確定該疑似對象區(qū)域與該相應的誤報高發(fā)區(qū)域模型相匹配。這種實施方式中各步驟的操作例如可以通過能夠執(zhí)行如上述圖6中所示處理的裝置100來實現(xiàn)，具體細節(jié)可參見上面結合圖6進行的描述，在此不再贅述。在圖8中所示方法800的另一種具體實施方式
中，上述的對誤報高發(fā)區(qū)域進行建模的處理包括將至少一個疑似對象區(qū)域的尺寸與預定的第二閾值進行比較，將尺寸大于或等于該預定的第二閾值的疑似對象區(qū)域確定為誤報高發(fā)區(qū)域，并且在誤報高發(fā)區(qū)域的前景模板中表示前景的每個像素點處構建一個高斯模型用于描述該像素點處的對象的顏色信息。該高斯模型的均值為該像素點的顏色值，方差為該高斯模型的初始方差或者方差經(jīng)驗值?？梢员４嬲`報高發(fā)區(qū)域的前景模板及其高斯模型，以便生成誤報高發(fā)區(qū)域模型庫。這種實施方式中各步驟的操作例如可以通過能夠執(zhí)行如上述圖5中所示處理的裝置100來實現(xiàn)，具體細節(jié)可參見上面結合圖5進行的描述，在此不再贅述。在圖8中所示方法800的另一種具體實施方式
中，上述的通過匹配處理來檢測特定對象的處理包括如果疑似對象區(qū)域中每一個像素點的顏色值與相應的誤報高發(fā)區(qū)域模型中對應位置處的像素點的高斯模型的均值之差在高斯模型的兩倍方差之內(nèi)，則確定該兩個像素點相匹配。在一種可替選的實施方式中，可以針對誤報高發(fā)區(qū)域模型的每個像素點構建顏色概率密度函數(shù)，如果疑似對象區(qū)域中與所述誤報高發(fā)區(qū)域模型相應的像素點的概率密度函數(shù)值大于預定的閾值，則確定該兩個像素點相匹配。在此需要說明，篇幅所限，上面列舉的各實施例和具體應用示例都是示意性的而非窮舉性的，也不是意在要對本發(fā)明構成限制。例如，上面各實施例中示出的各種具體的實例和具體實現(xiàn)方式可以分別根據(jù)需要進行任意的組合，而不是僅僅限于上面具體實例和實現(xiàn)方式給出的組合模式。此外，在上面對各實施例和具體實例的描述中，與數(shù)字有關的表述 “1”，“2”，“一”，“二”，“第一”，“第二”等等僅僅是為了區(qū)別由這些數(shù)字修飾的部件或者元素， 而不是為了表明這些部件或者元素之間的順序或者重要性程度等等。此外，上述圖1，2，5_7中示出的檢測圖像序列中特定對象的裝置中的各個組成單元、子單元以及部件可以通過軟件、固件、硬件或其組合的方式進行配置。配置可使用的具體手段或方式為本領域技術人員所熟知，在此不再贅述。在通過軟件或固件實現(xiàn)的情況下， 可從存儲介質(zhì)或網(wǎng)絡向具有專用硬件結構的計算機(例如圖9所示的通用計算機900)安裝構成該軟件的程序，該計算機在安裝有各種程序時，能夠執(zhí)行各種功能等。如圖9所示，中央處理單元(CPU) 901根據(jù)只讀存儲器(ROM) 902中存儲的程序或從存儲部分908加載到隨機存取存儲器(RAM)903的程序執(zhí)行各種處理。在RAM 903中，還根據(jù)需要存儲當CPU 901執(zhí)行各種處理等等時所需的數(shù)據(jù)。CPU90UR0M 902和RAM 903經(jīng)由總線904彼此連接。輸入/輸出接口 905也連接到總線904。下述部件連接到輸入/輸出接口 905 輸入部分906(包括鍵盤、鼠標等等)、輸出部分907(包括顯示器，比如陰極射線管(CRT)、液晶顯示器(LCD)等，和揚聲器等)、存儲部分908(包括硬盤等)、通信部分909(包括網(wǎng)絡接口卡比如LAN卡、調(diào)制解調(diào)器等)。通信部分909經(jīng)由網(wǎng)絡比如因特網(wǎng)執(zhí)行通信處理。根據(jù)需要，驅(qū)動器910也可連接到輸入/輸出接口 905?？刹鹦督橘|(zhì)911比如磁盤、光盤、磁光盤、半導體存儲器等等可以根據(jù)需要被安裝在驅(qū)動器910上，使得從中讀出的計算機程序根據(jù)需要被安裝到存儲部分908中。在通過軟件實現(xiàn)上述系列處理的情況下，從網(wǎng)絡例如因特網(wǎng)或存儲介質(zhì)例如可拆卸介質(zhì)911安裝構成軟件的程序。本領域的技術人員應當理解，這種存儲介質(zhì)不局限于圖9所示的其中存儲有程序、與設備相分離地分發(fā)以向用戶提供程序的可拆卸介質(zhì)911?？刹鹦督橘|(zhì)911的例子包含磁盤(包含軟盤(注冊商標))、光盤(包含光盤只讀存儲器(⑶-ROM)和數(shù)字通用盤 (DVD))、磁光盤(包含迷你盤(MD)(注冊商標))和半導體存儲器。或者，存儲介質(zhì)可以是 ROM 902、存儲部分908中包含的硬盤等等，其中存有程序，并且與包含它們的設備一起被分發(fā)給用戶。本發(fā)明還提出一種存儲有機器可讀取的指令代碼的程序產(chǎn)品。所述指令代碼由機器讀取并執(zhí)行時，可執(zhí)行上述根據(jù)本發(fā)明實施例的對輸入圖像序列中的特定對象(例如遺棄物)進行檢測的方法。相應地，用于承載上述存儲有機器可讀取的指令代碼的程序產(chǎn)品的存儲介質(zhì)也包括在本發(fā)明的公開中。所述存儲介質(zhì)包括但不限于軟盤、光盤、磁光盤、存儲卡、存儲棒等寸。在上面對本發(fā)明具體實施例的描述中，針對一種實施方式描述和/或示出的特征可以以相同或類似的方式在一個或更多個其它實施方式中使用，與其它實施方式中的特征相組合，或替代其它實施方式中的特征。應該強調(diào)，術語“包括/包含”在本文使用時指特征、要素、步驟或組件的存在，但并不排除一個或更多個其它特征、要素、步驟或組件的存在或附加。此外，根據(jù)本發(fā)明的各實施例的方法和處理不限于按照說明書中描述的時間順序來執(zhí)行，也可以按照其他的時間順序地、并行地或獨立地執(zhí)行。因此，本說明書中描述的各種方法和處理的執(zhí)行順序不對本發(fā)明的技術范圍構成限制。盡管上面已經(jīng)通過對本發(fā)明的具體實施例的描述對本發(fā)明進行了披露，但是應該理解，上述的所有實施例和示例均是示例性的，而非限制性的。本領域的技術人員可在所附權利要求的精神和范圍內(nèi)設計對本發(fā)明的各種修改、改進或者等同物。這些修改、改進或者等同物也應當被認為包括在本發(fā)明的保護范圍內(nèi)。
權利要求
1.一種用于檢測圖像序列中的特定對象的裝置，包括疑似對象區(qū)域檢測單元，其被配置成針對包括預定時間間隔內(nèi)的多幀圖像的圖像序列、利用背景建模來構建該圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理；誤報高發(fā)區(qū)域建模單元，其被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將所述至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，以及，基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫；以及后處理單元，其被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將所述至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與所述誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且基于未匹配疑似對象區(qū)域序列來檢測所述特定對象，其中，所述未匹配疑似對象區(qū)域序列包括不與所述誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域，以及，所述后處理單元還被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理沒有檢測到疑似對象區(qū)域的情況下，確定在所述圖像序列中不存在特定對象。
2.如權利要求1所述的裝置，其中，所述后處理單元被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下將所述未匹配疑似對象區(qū)域序列中的每一個未匹配疑似對象區(qū)域與從所述多幀圖像中檢測到的其他預定類型的對象進行比較，在所述的未匹配疑似對象區(qū)域不屬于所述其他預定類型的對象中任一種類型的對象的情況下，將該未匹配疑似對象區(qū)域確定為是與待檢測的所述特定對象對應的區(qū)域；或者將所述未匹配疑似對象區(qū)域序列中的所有未匹配疑似對象區(qū)域確定為是與待檢測的所述特定對象對應的區(qū)域。
3.如權利要求1或2所述的裝置，其中，所述疑似對象區(qū)域檢測單元被配置成采用混合高斯模型對所述多幀圖像進行背景建模以構建每一幀圖像的前景模板，并且通過對所構建的前景模板進行幀間差分，提取出屬于運動前景同時又在所述預定時間間隔內(nèi)保持前景狀態(tài)的像素點，基于所提取的像素點、經(jīng)過連通域分析來生成所述至少一個疑似對象區(qū)域。
4.如權利要求1或2所述的裝置，其中，所述誤報高發(fā)區(qū)域建模單元被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，將所述至少一個疑似對象區(qū)域中尺寸大于或等于預定的第一閾值的區(qū)域確定為誤報高發(fā)區(qū)域，并且在所述誤報高發(fā)區(qū)域的前景模板中表示前景的每個像素點處構建一個高斯模型用于描述該像素點處的對象的顏色信息，其中，所述高斯模型的均值為該像素點的顏色值，方差為該高斯模型的初始方差或者方差經(jīng)驗值，以及，所述誤報高發(fā)區(qū)域建模單元還被配置成通過保存所述誤報高發(fā)區(qū)域的前景模板及其高斯模型來生成所述誤報高發(fā)區(qū)域模型庫。
5.如權利要求4所述的裝置，其中所述后處理單元被配置成在所述疑似對象區(qū)域檢測單元通過幀間差分處理檢測到至少一個疑似對象區(qū)域的情況下，針對每一個疑似對象區(qū)域，確定該疑似對象區(qū)域與所述誤報高發(fā)區(qū)域模型庫中相應的誤報高發(fā)區(qū)域模型之間相互匹配的像素點的數(shù)量，在匹配的像素點的數(shù)量與該疑似對象區(qū)域中像素點的數(shù)量之比大于預定的第二閾值的情況下，確定該疑似對象區(qū)域與該相應的誤報高發(fā)區(qū)域模型相匹配。
6.如權利要求5所述的裝置，其中所述后處理單元被配置成在所述疑似對象區(qū)域中每一個像素點的顏色值與所述相應的誤報高發(fā)區(qū)域模型中對應位置處的像素點的高斯模型的均值之差在所述高斯模型的兩倍方差之內(nèi)的情況下，確定該兩個像素點相匹配。
7.如權利要求5所述的裝置，其中，所述后處理單元被配置成針對誤報高發(fā)區(qū)域模型的每個像素點構建顏色概率密度函數(shù)，在所述疑似對象區(qū)域中與所述相應的誤報高發(fā)區(qū)域模型中對應像素點的概率密度函數(shù)值大于預定的第三閾值時，確定該兩個像素點相匹配。
8.一種視頻攝像設備，其具有如權利要求1-7中任一項所述的檢測圖像序列中的特定對象的裝置。
9.一種用于檢測圖像序列中的特定對象的方法，包括利用背景建模來構建包括預定時間間隔內(nèi)的多幀圖像的圖像序列中每一幀圖像的前景模板，并對所構建的前景模板進行幀間差分處理；如果通過所述幀間差分處理檢測到至少一個疑似對象區(qū)域，則將所述至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域，并針對所確定的誤報高發(fā)區(qū)域進行建模以便構建誤報高發(fā)區(qū)域模型，以及，基于所構建的誤報高發(fā)區(qū)域模型來生成誤報高發(fā)區(qū)域模型庫；以及如果通過所述幀間差分處理檢測到至少一個疑似對象區(qū)域，則將所述至少一個疑似對象區(qū)域中未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與所述誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，并且響應于匹配結果，基于包含有不與所述誤報高發(fā)區(qū)域模型庫中任何模型相匹配的所有未匹配疑似對象區(qū)域的未匹配疑似對象區(qū)域序列來檢測所述特定對象，以及，如果通過所述幀間差分處理沒有檢測到疑似對象區(qū)域，則確定在所述圖像序列中不存在特定對象。
10.如權利要求9所述的方法，其中，所述的響應于匹配結果檢測特定對象的處理包括比較所述未匹配疑似對象區(qū)域序列中的每一個疑似對象區(qū)域與從所述多幀圖像中檢測到的其他預定類型的對象，如果所述的未匹配疑似對象區(qū)域不屬于所述其他預定類型的對象中任一種類型的對象，則將該未匹配疑似對象區(qū)域確定為是與待檢測的所述特定對象對應的區(qū)域；或者將所述未匹配疑似對象區(qū)域序列中的所有未匹配疑似對象區(qū)域確定為與待檢測的所述特定對象對應的區(qū)域。
11.如權利要求9或者10所述的方法，其中，所述的幀間差分處理包括采用混合高斯模型對所述多幀圖像進行背景建模以構建每一幀圖像的前景模板，對所構建的前景模板進行幀間差分，提取出屬于運動前景同時又在所述預定時間間隔內(nèi)保持前景狀態(tài)的像素點，基于所提取的像素點、經(jīng)過連通域分析來生成所述至少一個疑似對象區(qū)域。
12.如權利要求9或10所述的方法，其中，所述的對誤報高發(fā)區(qū)域進行建模的處理包括將每一個疑似對象區(qū)域的尺寸與預定的第一閾值進行比較，將尺寸大于或等于該預定的第一閾值的疑似對象區(qū)域確定為誤報高發(fā)區(qū)域，并且在所述誤報高發(fā)區(qū)域的前景模板中表示前景的每個像素點處構建一個高斯模型用于描述該像素點處的對象的顏色信息，其中，所述高斯模型的均值為該像素點的顏色值，方差為該高斯模型的初始方差或者方差經(jīng)驗值，以及，保存所述誤報高發(fā)區(qū)域的前景模板及其高斯模型，以便生成所述誤報高發(fā)區(qū)域模型庫。
13.如權利要求12所述的方法，其中，所述的通過匹配處理來檢測特定對象的處理包括針對每一個疑似對象區(qū)域，確定該疑似對象區(qū)域與所述誤報高發(fā)區(qū)域模型庫中相應的誤報高發(fā)區(qū)域模型之間相互匹配的像素點的數(shù)量，如果匹配的像素點的數(shù)量與該疑似對象區(qū)域中像素點的數(shù)量之比大于預定的第二閾值，則確定該疑似對象區(qū)域與該相應的誤報高發(fā)區(qū)域模型相匹配。
14.如權利要求13所述的方法，其中，所述的通過匹配處理來檢測特定對象的處理包括如果所述疑似對象區(qū)域中每一個像素點的顏色值與所述相應的誤報高發(fā)區(qū)域模型中對應位置處的像素點的高斯模型的均值之差在所述高斯模型的兩倍方差之內(nèi)，則確定該兩個像素點相匹配。
15.如權利要求13所述的方法，其中，所述的通過匹配處理來檢測特定對象的處理包括針對誤報高發(fā)區(qū)域模型的每個像素點構建顏色概率密度函數(shù)，如果所述疑似對象區(qū)域中與所述相應的誤報高發(fā)區(qū)域模型中對應像素點的概率密度函數(shù)值大于預定的第三閾值， 則確定該兩個像素點相匹配。
全文摘要
提供檢測圖像序列中的特定對象的裝置和方法。該裝置包括疑似對象區(qū)域檢測單元，針對預定時間間隔內(nèi)的圖像序列中每一幀圖像構建前景模板，并對前景模板進行幀間差分處理；誤報高發(fā)區(qū)域建模單元，若幀間差分處理檢測到至少一個疑似對象區(qū)域，則將至少一個疑似對象區(qū)域中滿足預定條件的區(qū)域確定為誤報高發(fā)區(qū)域并構建誤報高發(fā)區(qū)域模型，以生成誤報高發(fā)區(qū)域模型庫；后處理單元，將未被確定為是誤報高發(fā)區(qū)域的每一個疑似對象區(qū)域與誤報高發(fā)區(qū)域模型庫中相應的模型進行匹配，基于未匹配疑似對象區(qū)域序列來檢測特定對象；若幀間差分處理未檢測到疑似對象區(qū)域，則確定不存在特定對象。該裝置和方法提高了特定對象檢測處理的魯棒性，且改善檢測的精確性。
文檔編號G06K9/00GK102411703SQ20101029801
公開日2012年4月11日 申請日期2010年9月21日 優(yōu)先權日2010年9月21日
發(fā)明者劉舟, 吳偉國 申請人:索尼公司