一种视频浓缩方法
【技术领域】
[0001 ]本发明涉及视频处理技术领域，具体是一种视频浓缩方法。
【背景技术】
[0002] 随着当今平安城市和智慧城市的大力发展，越来越多的摄像头被安放，随之而来 的是海量监控视频。当需要对这些视频进行查看时，采用传统的浏览方式，浪费大量的人力 物力。采用快进快退的方式，往往会遗漏大量信息。远远不能满足人们对视频的访问，因此 视频浓缩技术产生。
[0003] 视频浓缩是对视频视频内容的一个简单概括，首先通过前景检测算法对运动目标 进行分析，提取运动目标，然后通过跟踪算法，对各个目标的运动轨迹进行分析，将不同的 目标重组并拼接到共同的背景场景中，形成视频。因此，在监控系统中，可以通过视频浓缩 快速浏览，锁定检索对象，对于生产生活有积极的指导意义。
[0004]传统的生成视频浓缩的技术主要有以下几种:第一种是基于视频关键帧的视频浓 缩，此方法首先获取视频的关键帧，然后合成形成新的摘要视频。典型的关键帧提取算法包 括:基于镜头边界提取关键帧、基于图像信息提取关键帧、基于运动分析提取关键帧和基于 视频聚类提取关键帧，还有针对特定视频类型的视频帧提取算法，如基于图像和文字信息 提取新闻视频关键帧等等。另一种是通过获得运动目标，通过分析运动物体稠密程度，得到 浓缩视频。
[0005] 这两种方法得到的视频都无法满足用户获取特定目标信息的要求。这两种方法都 是由视频片段拼接，仍存在时长较长、运动不紧凑的问题。
【发明内容】
[0006] 本发明的目的在于提供一种实现监控视频的快速浏览、提高视频数据的利用率的 视频浓缩方法，以解决上述【背景技术】中提出的问题。
[0007] 为实现上述目的，本发明提供如下技术方案：
[0008] -种视频浓缩方法，通过对运动目标进行分析，提取运动目标，然后对各个目标的 运动轨迹进行分析，将不同的目标拼接到一个共同的背景场景中，并将它们进行组合;具 体包括以下步骤：
[0009] 1)前景检测模块:通过混合高斯背景模型检测运动目标的前景，统计每一帧图像 上的像素点，利用像素点在较长时间内大量样本值的概率密度统计信息建立背景，并使用 统计差分对每个像素点进行分类，若像素点的均值偏差小于阈值，认为是背景点，否则为前 景点；
[0010] 2)对运动物体进行检测后，通过搜索连通区域，判断同一运动目标是否被分割为 不少于2个区域，将那些被分割开的区域进行连通区域合并，直到目标检测完成；
[0011] 3)运动目标跟踪模块:对运动目标进行跟踪，利用Kalman滤波器结合最小空间距 离法来预测每个运动目标的坐标位置，并进行更新、跟踪、清除运动消失的运动对象，并记 录运动目标的质心坐标、速度；
[0012] 4)基于运动目标检测和目标跟踪，统计步骤3)中目标的数量、目标出现的起始时 间、目标中心、前景框宽度和高度；
[0013] 5)摘要视频浓缩模块:对运动轨迹进行优化，实现将不同时间段出现的运动目标 平移到同一时间段，将前景粘贴到背景，并且不出现目标丢失和严重重叠。
[0014] 作为本发明进一步的方案:步骤1)的具体方法是:在混合高斯背景模型中，认为每 一帧图片像素点之间颜色信息互不相关，对每个像素点的处理都是相互独立的；对于视频 图像中每个像素点，其值在序列图像中的变化看作是不断产生像素点值的随机过程，即用 高斯分布来描述每个像素点的颜色呈现的规律，建立K个多峰高斯分布模型，图像每个像素 点按照不同权值的多个高斯分布叠加建模;然后对K个模型，每个像素点和均值差满足阈 值，阈值为2.5 〇，认为该像素点是背景，否则是前景。
[0015] 对于多峰高斯分布模型，图像的每一个像素点按不同权值的多个高斯分布的叠加 来建模，每种高斯分布对应一个可能产生像素点所呈现的颜色的状态，各个高斯分布的权 值和分布参数随时间更新。当处理彩色图像时，假定图像像素点的三色通道R、G、B相互独立 并具有相同的方差。
[0016]对于随机变量X的观测数据集{X1，X2,…，XN}而言， Xt=(rt，gt，bt)为t时刻像素点 的样本，则单个样本服从混合高斯背景模型分布概率密度函数为：
[0017]
[0018]
[0019]
[0020] 其中，K为模式总数，11(^也,*，^,*)为七时刻苐1个高斯分布#,*为其均值，^,*为 其协方差矩阵，Si,t为方差，I为三维矩阵，wi, t为第i个高斯分布的权重。
[0021 ]初始化K个高斯分布背景模型，每个像素点包含K个样本的背景模型：
[0022] Μ(χ) = {ρι，ρ2，···，ΡΝ} (4)
[0023] 且每个新像素点同当前Κ个模型进行比较，直到找到匹配新像素点的背景模型，按 照如下公式判断待分类像素点所属的分布模型：
[0024] Xt-yi,t-i| <2.5〇i,t-i (5)
[0025] 对新的一帧，每个像素点与K个模型进行比较，直到找到匹配的像素点与模型均值 偏差在2.5σ内；如果匹配的模式符合背景要求，该像素点属于背景，否则属于前景；
[0026]各模式权值按如下公式更新，其中α是学习速率，对于匹配的模式Mk,t=l，否则Mm =0〇
[0027 ] wk，t = (1 ) *Wk，t-i+a*Mk，t (6)
[0028] 对于模式权重归一化问题:未匹配模式的均值μ与标准差σ不变，匹配模式的参数 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] 如果没有任何模式匹配，则权重最小的模式被替换，即该模式均值为当前像素点 值，标准差为初始较大值，权重为较小值。各模式按照w/a 2按降序排列。权重大，标准差小的 模式排在前列。选前B个模式作为背景，参数T表示背景所占的比例，来判断新一帧像素点值 属于前景还是背景，如下公式所示：
[0033] (10)
[0034] 作为本发明进一步的方案:步骤2)的具体方法是通过混合高斯背景模型对前景检 测存在下述情况:经过混合高斯背景模型进行前景分割后，如果同一目标被分割为不少于2 个目标块，这些目标块最小外接矩形在相对位置上存在一定位置关系:一是大框包含小框； 二是两框有交集，并不完全包含;三是两框成上下关系，且质心之间水平和垂直距离都小于 阈值;对上述目标块最小外接矩形关系的处理方法是:对于包含关系，去掉里面的矩形框， 保留外面的;对于相交的矩形框，用大的矩形框去套住两个小的矩形框;对于存在上下位置 关系的矩形框，用大的矩形框框住两个小的矩形框，并删除里面两个小的矩形框。
[0035] 作为本发明进一步的方案:所叙述的步骤3)的具体为:对运动目标进行跟踪，也就 是跟踪同一目标在图像序列不同帧中的位置的过程，即通过当前帧中的某个目标，搜索下 一帧中该目标的位置信息，判断是否跟踪成功。
[0036] 作为本发明进一步的方案:所叙述的步骤4)的具体方法，包括以下步骤：
[0037] 第一步:针对已经检测到的所有运动目标，分别对每一个目标i，利用Kalman滤波 器来预测该目标在下一帧中坐标位置，此位置记为预测位置；
[0038] 第二步:针对下一帧中检测到的所有运动物体，对每一个目标j的坐标位置记为待 定位置；
[0039] 第三步:针对某个i的预测位置，如果与其距离最近的待定位置是目标j的位置，同 时针对该目标j的待定位置，与其距离最近的预测位置是i的位置，则说明i与目标j匹配成 功，则跟踪成功，然后用目标j的信息来更新i的信息，并同时根据目标j的位置信息来更新 Ka