一种基于智能实时视频云的运动目标跟踪方法与流程

本发明涉及云计算大数据计算、智能交通、深度学习领域，具体涉及到一种基于智能实时视频云的运动目标跟踪方法。

背景技术：

目前，高清视频监控技术与智能交通系统都得到了前所未有的发展。视频监控与智能交通是相辅相成的，目前视频监控主要应用在城市主要道路及交叉路口、城市与城市之间的高速公路视频监控系统、城市治安卡口系统以及电子警察系统等智能交通领域。

一方面，城市智能监控系统的高速发展意味着监控摄像头的密度大和视频质量高，这导致了高质量、多视频流的智能分析变得困难；另一方面，目前深度学习算法是智能视频分析最可靠的机器学习算法，但是深度学习算法的训练学习阶段耗时长，资源开销大，也使得整个智能分析变得困难。

高清视频监控在智能交通的主要作用在于疲劳驾驶识别，通过视频监控系统对违章行为车辆及非法车辆进行跟踪，同时对驾驶人员进行脸部信息捕捉。但是由于摄像头众多，车辆的定位与摄像头的关系复杂等原因导致了运动车辆智能定位变得困难。

技术实现要素：

为解决上述现有技术中的不足，本发明提出了一种基于智能实时视频云的运动目标跟踪方法，使其能够在线跟踪城市中被人为指定的运动目标，同时能减少资源开销从而提高计算性能，这为目前市场许多交通业务提供极为有用的信息。

本发明的技术方案是这样实现的：

一种基于智能实时视频云的运动目标跟踪方法，首先输入如下元素：

G(V，E)：某区域根据路线与摄像头所抽象出的图模型，其中V表示摄像头，E表示道路；

Vt：开始出现被标定目标所在摄像头的位置；

N(V)：摄像头V的邻域摄像头集合；

视频帧集：包含被标定运动目标的视频数据；

接下来，运算开始，包括如下步骤：

步骤一：标定Vt并令V＝Vt；

步骤二：利用机器学习算法训练视频帧集，生成被标定目标识别器；

步骤三：计算N(V)所对应的摄像头集合，通过监控摄像头切换器调用N(V)所对应的摄像头集合中每一个摄像头的视频流数据；

步骤四：启动智能视频分析拓扑，其中视频流来自N(V)中某一个摄像头；

步骤五：将视频流进行分析，通过步骤二所学习的运动目标识别器对各个视频流进行识别；

步骤六：持续分析直到发现被标定的运动目标出现在N(V)中的某一个摄像头为止；同时判断运动目标的路径，以及运动目标接下来最有可能的走向；

步骤七：增加视频帧集，重新训练并更新被标定目标识别器，回到步骤三；

运算结束。

可选地，所述步骤二中的目标识别器，采用基于区域的卷积神经网络来进行运动目标的识别。

可选地，所述步骤六中的运动目标接下来最有可能的走向的判定，具体如下：

令Vi被标定的运动目标按时间先后排序所经过的摄像头数列，i＝[0，j]，其中i＝0表示运动目标开始被标定时所处的摄像头，i＝j表示运动目标最近一次被发现时所处的摄像头，令摄像头Vi与Vj之间的路径所表示的矢量，先计算：

表示运动目标所经历的路径的矢量和；然后计算：

表示N(Vj)中与夹角最小的V，此时最有可能的运动路径为

可选地，对于步骤七中的视频帧集增加与否按照人为动态设定。

本发明的有益效果是：

(1)资源开销小、保证实时性、满足多种智能交通业务需求、判断被监视目标的运动意向等优点；

(2)借助实时云环境Storm的并行化计算编程模型，具有很强的可行性，大大减少了同时处理监控视频流的数量，使得其减少到个位数，为智能交通与智能城市的发展提供了有力的支持。

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地介绍，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为本发明一种基于智能实时视频云的运动目标跟踪方法场景简化示意图；

图2为本发明一种基于智能实时视频云的运动目标跟踪方法架构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。

本发明提出了一种基于智能实时视频云的运动目标跟踪方法，使其能够在线跟踪城市中被人为指定的运动目标，同时能减少资源开销从而提高计算性能，为目前市场许多交通业务提供极为有用的信息。

图1示出了本发明基于智能实时视频云的运动目标跟踪方法场景简化示意图，图2示出了本发明基于智能实时视频云的运动目标跟踪方法架构图，下面结合说明书附图对本发明的基于智能实时视频云的运动目标跟踪方法进行详细说明。

由图1和图2可知，本发明的基于智能实时视频云的运动目标跟踪方法，包括以下步骤：

首先输入如下元素：

G(V，E)：某区域根据路线与摄像头所抽象出的图模型，其中V表示摄像头，E表示道路；

Vt：开始出现被标定目标所在摄像头的位置，例如图1中下方黑色圆；

N(V)：摄像头V的邻域摄像头集合，即与摄像头V相连且路径为1的所有摄像头的集合；

视频帧集：包含被标定运动目标的视频数据；

接下来，算法开始：

步骤一：标定Vt并令V＝Vt；

步骤二：利用机器学习算法训练视频帧集，生成被标定目标识别器；

步骤三：计算N(V)所对应的摄像头集合，通过监控摄像头切换器调用N(V)所对应的摄像头集合中每一个摄像头的视频流数据；

步骤四：启动智能视频分析拓扑，其中每一个视频流来自N(V)中某一个摄像头；

步骤五：将视频流进行智能分析，通过步骤二所学习的运动目标识别器对各个视频流进行识别；

步骤六：持续分析直到发现被标定的运动目标出现在N(V)中的某一个摄像头为止；同时判断运动目标的路径，以及运动目标接下来最有可能的走向；

步骤七：增加视频帧集，重新训练并更新被标定目标识别器，回到步骤三；

算法结束。

上述基于智能实时视频云的运动目标跟踪方法的成功实施基于两点：

第一点是机器学习算法对视频目标识别的成功应用，识别率必须达到一定标准；

第二点是整个监控网络的高可靠性、高可用性和高可获得性的保证。

对于步骤二中的目标识别器，目前比较好的分类器是基于区域的卷积神经网络RCNN(region-based convolutional neural network)，优选地，本发明的方法采用RCNN来进行运动目标的识别。

对于步骤六中的运动目标接下来最有可能的走向的判定，其具体方法如下：

令Vi被标定的运动目标按时间先后排序所经过的摄像头数列，i＝[0，j]，其中i＝0表示运动目标开始被标定时所处的摄像头，i＝j表示运动目标最近一次被发现时所处的摄像头，令摄像头Vi与Vj之间的路径所表示的矢量，那么先计算：

表示运动目标所经历的路径的矢量和，然后计算：

表示N(Vj)中与夹角最小的V，此时最有可能的运动路径为

对于步骤七中的视频帧集增加与否同时可以按照人为动态设定。

下面结合图1与图2，给出本发明基于智能实时视频云的运动目标跟踪方法的一个具体实施例：

第一步、假设目前一个路口发生了交通事故，肇事者逃逸，同时110警方接到报警并赶赴现场，同时调用监控视频，划定包含肇事车辆的视频。

第二步、通过深度学习网络RCNN对包含肇事车辆的视频进行学习，生成目标识别器。

第三步、按照本发明提出的一种基于智能实时视频云的运动目标跟踪方法，更新运动肇事车辆的位置。

第四步、按照本发明提出的一种基于智能实时视频云的运动目标跟踪方法，预测接下来肇事车辆的位置。

第五步、根据第三，四步，警方按发明提出的一种基于智能实时视频云的运动目标跟踪方法有意向的调集警力，同时追踪和守候肇事车辆。

本发明提出了一种基于智能实时视频云的运动目标跟踪方法，使其能够在线跟踪城市中被人为指定的运动目标，同时能减少资源开销从而提高计算性能，这为目前市场许多交通业务提供极为有用的信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。