本發(fā)明屬于數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法。

背景技術(shù)：

目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域里的基礎(chǔ)性問題，在現(xiàn)實(shí)生活中應(yīng)用廣泛，如無(wú)人機(jī)偵查，人機(jī)交互，智能汽車等。雖然過去的幾十年里視頻目標(biāo)跟蹤取得了巨大的進(jìn)步，但是由于天氣的變化，目標(biāo)可能被遮擋，目標(biāo)形變等因素的影響，想要精確地跟蹤目標(biāo)仍然很難實(shí)現(xiàn)。

近年來(lái)，隨著大數(shù)據(jù)挖掘技術(shù)的發(fā)展，基于分類判別的單目標(biāo)跟蹤的算法顯著提升了跟蹤性能，比較流行的算法有：基于核化的結(jié)構(gòu)化輸出算法、多事例學(xué)習(xí)算法、壓縮感知算法…他們都是通過分類解決遇到的一些問題。然而多目標(biāo)跟蹤算法還不夠成熟，尤其的這類視頻多目標(biāo)跟蹤容易出現(xiàn)異常點(diǎn)，我們通常使用大數(shù)據(jù)挖掘的相關(guān)方法來(lái)處理。異常點(diǎn)數(shù)據(jù)挖掘包括異常點(diǎn)數(shù)據(jù)檢測(cè)和異常點(diǎn)數(shù)據(jù)分析兩個(gè)部分。異常點(diǎn)數(shù)據(jù)分析需要結(jié)合背景知識(shí)、領(lǐng)域知識(shí)等相關(guān)知識(shí)進(jìn)行研究。本發(fā)明著重研究的是異常點(diǎn)數(shù)據(jù)檢測(cè)問題。

異常點(diǎn)數(shù)據(jù)是與數(shù)據(jù)的一般行為或模型不一致的數(shù)據(jù)，它是數(shù)據(jù)集中與眾不同的數(shù)據(jù)，這些數(shù)據(jù)并非是隨機(jī)偏差，而是產(chǎn)生不同的機(jī)制。異常點(diǎn)數(shù)據(jù)檢測(cè)有著廣泛的應(yīng)用，它不局限于本發(fā)明所提到的視頻多目標(biāo)跟蹤出現(xiàn)的異常點(diǎn)監(jiān)測(cè)，還可以用于不正常的信用卡使用或電信服務(wù)、市場(chǎng)客戶流失的異常行為、醫(yī)療中治療方式異常反應(yīng)等等。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的不足而提供一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法，其以有效的檢測(cè)用戶進(jìn)行多目標(biāo)跟蹤時(shí)，視頻出現(xiàn)的異常點(diǎn)，找出視頻文件異常的原因。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法，具體包含以下步驟：

步驟1，用戶輸入視頻文件，按時(shí)間均勻的抽取視頻文件中的圖像；

步驟2，提取連續(xù)幀圖像的特征點(diǎn)，并計(jì)算特征點(diǎn)的置信度；

步驟3，計(jì)算連續(xù)幀圖像的灰度圖像像素點(diǎn)自相關(guān)矩陣；

步驟4，將獲得的自相關(guān)矩陣帶入通過角點(diǎn)響應(yīng)函數(shù)所獲取圖像的角點(diǎn)；

步驟5，觀察有效點(diǎn)是否在兩圖像角點(diǎn)連線上：若不在角點(diǎn)連線上，則輸出為異常點(diǎn)，返回步驟2繼續(xù)監(jiān)測(cè)，直到檢測(cè)完所有連續(xù)幀圖像異常點(diǎn)。

作為本發(fā)明一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法的進(jìn)一步優(yōu)選方案，在步驟2中，計(jì)算特征點(diǎn)的置信度具體如下：

其中，為特征點(diǎn)的置信度，是圖像ti特征點(diǎn)與圖像ti+1中特征點(diǎn)最近的距離，是圖像ti特征點(diǎn)與圖像ti+1中特征點(diǎn)次近的距離，為i變?yōu)閕+1得到圖像ti+1的特征點(diǎn)。

作為本發(fā)明一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法的進(jìn)一步優(yōu)選方案所述步驟3具體如下：

計(jì)算圖像ti的灰度圖像像素點(diǎn)在尺度j+1下的自相關(guān)矩陣分別表示圖像t1灰度圖像的像素點(diǎn)在x,y方向上的小波變換，當(dāng)表示平滑算子，為卷積運(yùn)算，h和g分別為低通和高通濾波器，d為狄拉克濾波器，hj和gj分別表示在h和g的濾波器系數(shù)之間插入2^j-1個(gè)零，尺度最大值為j，所述尺度是指濾波器d和g的迭代次數(shù)，所述自相關(guān)矩陣是指原矩陣是自己的相關(guān)矩陣。

作為本發(fā)明一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法的進(jìn)一步優(yōu)選方案在步驟4中，所述角點(diǎn)響應(yīng)函數(shù)如下：

為自相關(guān)矩陣，為行列式的值，為行列式的值和它對(duì)角線上元素的和，k為常量。

作為本發(fā)明一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法的進(jìn)一步優(yōu)選方案所述的按時(shí)間均勻的抽取視頻文件中的圖像ti，抽取圖像ti與圖像ti+1所用時(shí)間差為0.017s。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

當(dāng)視頻中的環(huán)境發(fā)生變化，例如光照的變化，空間的旋轉(zhuǎn)等，本發(fā)明的技術(shù)有很好的適應(yīng)性和準(zhǔn)確性，能夠有效地提升特征點(diǎn)提取的準(zhǔn)確度，并且本發(fā)明能夠準(zhǔn)確地獲取角點(diǎn)，有很好的抗噪能力，從而提高異常點(diǎn)檢測(cè)的準(zhǔn)確率。

附圖說(shuō)明

圖1是一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法的流程圖。

圖2是光線突然變化得到的連續(xù)幀對(duì)比圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說(shuō)明：

如圖1所示，一種視頻多目標(biāo)跟蹤檢測(cè)異常點(diǎn)的方法，包括以下步驟：

步驟1)用戶輸入視頻文件，按時(shí)間均勻的抽取視頻文件中的圖像ti，即i＝1...num。

步驟2)圖像ti有numb個(gè)像素點(diǎn)，numb＝n*m,像素點(diǎn)用x,y坐標(biāo)系上的點(diǎn)表示成矩陣i的初始值為1，將圖像ti和圖像ti+1分別與高斯函數(shù)卷積得到：

表示均值為0，方差為σ²的正態(tài)分布，所述的x,y在相應(yīng)圖像ti的像素點(diǎn)中獲取。用高斯差函數(shù)將圖像ti與圖像ti+1分別轉(zhuǎn)換為灰度圖像：

k為常量。圖像ti和ti+1灰度圖像矩陣表示形式分別為：

步驟21)，設(shè)在的極值點(diǎn)為計(jì)算它的極值點(diǎn)步驟如下：

對(duì)求導(dǎo)，并令的導(dǎo)數(shù)為0，可以求出相對(duì)極值的偏移：

將所得的代入到：

中可

得：

將所有的去掉，最終得到合適特征點(diǎn)的

步驟22)將步驟21)中i變?yōu)閕+1得到圖像ti+1的特征點(diǎn)

步驟3)計(jì)算特征點(diǎn)的置信度conf：

是圖像ti特征點(diǎn)與圖像ti+1中特征點(diǎn)最近的距離，是圖像ti特征點(diǎn)與圖像ti+1中特征點(diǎn)次近的距離，將滿足最大值的點(diǎn)作為有效點(diǎn)

步驟3)計(jì)算圖像ti的灰度圖像像素點(diǎn)在尺度j+1下的自相關(guān)矩陣分別表示圖像t1灰度圖像的像素點(diǎn)在x,y方向上的小波變換，當(dāng)j＝0,表示平滑算子，為卷積運(yùn)算，h和g分別為低通和高通濾波器，d為狄拉克濾波器，hj和gj分別表示在h和g的濾波器系數(shù)之間插入2^j-1個(gè)零，尺度最大值為j，所述的尺度是指濾波器d和g的迭代次數(shù)，所述的自相關(guān)矩陣是指原矩陣是自己的相關(guān)矩陣。

步驟3)計(jì)算自相關(guān)矩陣行列式的值和它對(duì)角線上元素的和

接著計(jì)算角點(diǎn)響應(yīng)函數(shù)：k同步驟2)中的k。

步驟31)，尺度j初始值為0，當(dāng)在尺度j≤j-1下設(shè)定圖像ti灰度圖像的閾值為tj+1，

步驟32)a的初始值為1,b的初始值為2

步驟33)將分別和比較；當(dāng)最大且那么輸出為局部極大值；

步驟34當(dāng)b≤m-1，那么b+2，執(zhí)行步驟33)；當(dāng)b≥m且a＜n，則a+1，b初始值為2，執(zhí)行步驟33)，當(dāng)a＞n,j++，執(zhí)行步驟31)，當(dāng)j≥j，結(jié)束查找。

步驟35)將所有滿足局部極大值的點(diǎn)作為候選角點(diǎn)，將獲得所有候選角點(diǎn)中值最大的點(diǎn)作為角點(diǎn)，若最大值有多個(gè)，那么選取j最大的那個(gè)點(diǎn)的為角點(diǎn)

步驟4)將步驟3)中i變?yōu)閕+1得到圖像ti+1的灰度圖像的角點(diǎn)

步驟5)將兩圖像上的角點(diǎn)和連線，當(dāng)有效點(diǎn)不在連線上，這個(gè)點(diǎn)輸出為異常點(diǎn)；i++，當(dāng)i≤num-1，返回步驟2)，不滿足結(jié)束檢測(cè)。

所述的按時(shí)間均勻的抽取視頻文件中的圖像ti，抽取圖像ti與圖像ti+1所用時(shí)間差為0.017s。

所述的k為給定的取值在0.04～0.06的常量。

所述的θ為0.08。

具體實(shí)施例如下：

步驟1)用戶輸入光線突然變化得到的連續(xù)幀對(duì)比圖，如圖2所示。

步驟2)這兩幅圖每個(gè)圖有256個(gè)像素點(diǎn)，將256像素點(diǎn)用x,y坐標(biāo)系上的點(diǎn)表示成矩陣，將圖像和圖像分別與高斯函數(shù)卷積和使用高斯函數(shù)差得到他們的灰度圖像。

將左圖灰度圖像中的像素點(diǎn)u代入中

對(duì)求導(dǎo)，并令它為0，可以求出相對(duì)極值的偏移umax-u將所得的umax-u代入到：中可得：將所有的umax去掉，最終得到合適特征點(diǎn)的(x,y)tezheng，按上述方法同樣可得右圖得的特征點(diǎn)。

步驟21)計(jì)算特征點(diǎn)的置信度conf((x,y)tezheng)＝1-d1((x,y)tezheng)/d2((x,y)tezheng)，將最大值作為有效點(diǎn)。

步驟3)計(jì)算左圖的灰度圖像所有像素點(diǎn)u在尺度j為0、1、2、3下的自相關(guān)矩陣計(jì)算自相關(guān)矩陣行列式的值和它對(duì)角線上元素的和

接著計(jì)算角點(diǎn)響應(yīng)函數(shù)：

將所有滿足局部極大值的點(diǎn)u作為候選角點(diǎn)，將獲得所有候選角點(diǎn)中值最大的點(diǎn)作為角點(diǎn)，若最大值有多個(gè)，那么選取j最大的那個(gè)點(diǎn)的為角點(diǎn)u，同樣可以獲得右圖灰度圖像角點(diǎn)。

步驟4)將兩圖像上的角點(diǎn)連線，有效點(diǎn)不在連線上，說(shuō)明圖像出現(xiàn)明顯變化，有異常點(diǎn)出現(xiàn)。