本发明属于计算机视觉技术领域，具体涉及一种用于通道堵塞判别的动态递归建模和融合跟踪方法。
背景技术：
随着社会的进步，人们不断追求更加舒适、宽裕的住宅和工作空间，导致越来越多疏散通道、安全出口被占用，一旦有火灾发生，严重影响人员疏散和消防抢救，造成大量人员伤亡和财产损失，引起越来越多人的关注。然而，通道堵塞检测，单靠人工排查根本无法实现，虽然，目前有关部门在相应关键通道路口布置摄像头监控，但最终还是需要人工根据监控录像去判断通道是否堵塞，没有从根本上解决通道堵塞检测问题。
目前，人们在通道堵塞检测中取得了一定的成就。一种基于图像匹配的消防通道障碍物检测方法技术，只需将背景图像与实时监测图像在指定区域内进行匹配，判断指定区域内是否存在障碍物堵塞，实现起来简单，但是背景图像无法时时更新，不能很好适应消防通道复杂环境的变化；一种基于自适应背景学习的消防通道安全检测方法，该方法采用hog特征的前景目标检测和自适应背景更新策略，能很好适应通道复杂环境的变化，提高物体检测的准确率和鲁棒性，但是没有考虑短时间出现在通道物体，并不属于堵塞的情况；还有一种基于多传感器信息融合的障碍物检测方法技术，该技术结合毫米波雷达和计算机视觉技术，大大提高了通道障碍物检测的可靠性，但是该方法技术实施成本大，不利于大规模的推广。
技术实现要素：
本发明的目的是为了克服现有技术的不足，提出一种可用于通道堵塞判别的动态递归建模和融合跟踪方法，对通道高斯背景模型采取一种动态局部条件检测和更新方法，融合物体颜色和位置特征的跟踪算法跟踪前景目标，结合跟踪物体在通道的滞留时间和宽度占比判断物体是否造成堵塞，实现通道堵塞自动检测。
本发明提出的可用于通道堵塞判别的动态递归建模和融合跟踪方法，包括以下步骤：
步骤1、对通道背景n帧图像动态递归背景建模，将实时监控图像像素与背景模型对比，分割出通道行人、堆积物等动态和静态物体；
步骤2、提取所跟踪物体位置特征信息，判断跟踪物体是处于运动还是静止状态，针对不同的状态采取背景模型局部条件更新策略；
步骤3、对分割出的通道物体，采用结合物体颜色和位置特征的跟踪算法，实时跟踪通道物体；
步骤4、计算步骤2跟踪物体在通道的滞留时间和宽度占比，判断是否为堵塞物体，并根据堵塞的程度，发出相应的报警警示。
步骤(1)中，对通道高斯背景模型采取一种动态局部条件检测和更新方法，检测出通道背景模型和前景模型，对分别满足前景和背景模型的像素值二值化，分割出通道前景物体。
步骤(2)中，计算跟踪物体前后两帧的质心位置的距离，若小于预设的阈值，则对物体范围内的像素停止步骤(1)背景模型的更新，反之，则正常更新。
步骤(3)中，所述采用结合物体颜色和位置特征的跟踪算法，即把camshift算法和kalman滤波跟踪算法线性地组合在一起，camshift算法用于预测物体质心位置，kalman滤波跟踪算法用于不断修正物体预测的质心位置。
步骤(4)中，滞留时间是指物体从进入通道到离开通道的时间，宽度占比是指物体接触通道地表面的宽度占通道宽度的比例；只有在规定时间内，检测到物体都满足通道堵塞的宽度占比，才会被认为是通道堵塞。
下面对各步骤的操作进一步介绍。
步骤1：采用动态递归背景建模算法，检测通道背景和前景信息，分割出通道行人、堆积物等动态和静态物体，步骤2：提取所跟踪物体位置特征信息，判断跟踪物体是处于运动还是静止状态，针对不同的状态采取背景模型局部条件更新策略；具体流程如下：
(1)假定视频中某像素点在t时刻前的采样值为xt＝[x(t),x(t-1),...,x(t-t)]，对样本集xt建立高斯混合模型，即：
其中，
(2)对新出现像素xi同当前m个模型依次比较，比较方法为：如果有|xi,t-μji,t-1|＜2.5σji,t-1，则认为像素xi符合当前背景模型，就被视为背景像素，否则视为前景像素；其中，xi,t表示在第t帧图像中像素点i的像素值，μji,t-1，σji,t-1分别表示在t-1帧图像训练后像素点i的混合高斯模型中的第j个高斯模型的均值和标准差；
(3)一旦某个高斯模型匹配成功，则该高斯模型采用像素值xi更新，其他高斯模型保持不变，更新公式为：
其中，
(4)对m个高斯模型的权值归一化并按大小顺序排列，从中选取前b个高斯模型作为背景模型，剩下(m-b)个高斯模型作为前景模型，其中背景判别式
(5)根据前景和背景模型，对图像进行二值化处理，即满足前景和背景模型的象素值分别设置为1和0，对前景二值图像进行连通域分析，将连成的区域归并、分割为一类，即为物体对象oi(i＝1,2,...n)，并提取其边界位置信息，得到每个物体对象oi的轮廓ri。
步骤3、对得到通道前景物体oi，采取融合物体颜色和位置特征的跟踪算法，跟踪前景目标oi，提取物体oi位置特征信息，具体流程如下：
(1)选取初始化搜索框，对oi的轮廓ri进行反向投影操作，设(x,y)为ri中的一点，i(x,y)是颜色概率图(x,y)处的概率值，分别计算ri的零阶矩m00和一阶矩m10、m01：
由此可得ri的质心位置：mi(xi,yi)＝(m01/m00,m10/m00)；
(2)把ri的质心位置mi(xi,yi)输入到kalman滤波器状态方程mk,i＝amk-1,i+w，测量方程zk,i＝hmk,i+v，修正方程m'k,i＝mk,i+kk(zk,i-hmk,i)，得到更精确的目标位置。
其中，mk-1,i和mk,i分别表示第i个物体，在k-1和k时刻质心坐标状态量，zk,i和m'k,i分别代表第i个物体，在k时刻质心坐标测量值和修正值，a是kalman滤波状态量转移矩阵，h是kalman滤波状态变量到测量变量的转化矩阵，kk是kalman滤波增益矩阵，随机变量w,v分别表示系统噪声矩阵和测量噪声矩阵；
(3)根据视频时刻k-1和k两帧oi质心坐标mk-1,i(xk-1,i,yk-1,i)，mk,i(xk,i,yk,i)判断通道物体位置状态；设两点质心欧式距离di：
假如，di＜dset，此时认为第i个物体静止或者移动缓慢，则采用背景局部条件更新，即在ri范围内背景停止更新，其他范围背景正常更新，其中dset表示预设的两点质心欧式距离值，优选在1～10像素之间取值；
(4)根据质心调整搜索框的大小，如果移动距离大于预设的固定值，不断搜索，直到搜索框的中心和质心坐标的距离小于预设的固定值，或者运算次数达到最大值停止计算。
步骤4：根据跟踪的物体在通道的滞留时间和宽度占比，判断是否为堵塞物体，滞留时间是指物体从进入通道到离开通道的时间，宽度占比是指物体接触通道地表面的宽度占通道宽度的比例，具体流程如下：
(1)设通道宽度wa，第i个物体oi在τ时刻的贴地宽度wi(τ)；在时间t内每隔ts抽取物体贴地宽度样本数据，计算其平均贴地宽度
(2)根据t和voopr大小把堵塞情况分成三个等级：在时间t内，跟踪一直出现在通道的物体，一旦物体离开通道，则排除此物体对通道堵塞的影响，当voopr在50％～70％，视为黄色堵塞；voopr在70％～90％，视为橙色堵塞；voopr超过90％以上，视为红色堵塞。
本发明提供的通道堵塞判别的方法与现有技术相比较，具有如下优势：
本发明对通道高斯混合背景模型，采取一种动态局部条件检测和更新方法，克服背景模型对光照等外界条件敏感和前景消融问题；采取一种融合物体颜色和位置特征的跟踪算法跟踪前景目标，提高跟踪的成功率和鲁棒性；通过计算跟踪物体在通道的滞留时间和宽度占比，判断物体是否造成通道堵塞，排除短时间出现在通道物体造成的堵塞现象，准确合理地实现通道堵塞的自动检测。除此之外，本发明的技术方法还具有开发成本低，利于大规模的推广应用。
附图说明
图1为本发明实现的流程框图。
图2为特征融合跟踪示意图。
图3为通道通畅效果图。
图4为通道轻微堵塞效果图。
图5为通道堵塞效果图。
图6为通道严重堵塞效果图。
具体实施方式
下面结合实施步骤及附图对本发明作进一步的详细描述，但本发明的实施方式不限于此。
本发明提出的可用于通道堵塞判别的动态递归建模和融合跟踪方法，如图1所示，具体实施步骤如下：
步骤1：采用动态递归背景建模算法，检测通道背景和前景信息，分割出通道行人、堆积物等动态和静态物体，具体流程如下：
(1)假定视频中某像素点在t时刻前的采样值为xt＝[x(t),x(t-1),...,x(t-t)]，对样本集xt建立高斯混合模型，即：
其中，
(2)对新出现像素xi同当前m个模型依次比较，比较方法为：如果有|xi,t-μji,t-1|＜2.5σji,t-1，则认为像素xi符合当前背景模型，就被视为背景像素，否则视为前景像素，其中，xi,t表示在第t帧图像中像素点i的像素值，μji,t-1，σji,t-1分别表示在t-1帧图像训练后像素点i的混合高斯模型中的第j个高斯模型的均值和标准差；
(3)一旦某个高斯模型匹配成功，则该高斯模型采用像素值xi更新，其他高斯模型保持不变，更新公式为：
其中，
(4)对m个高斯模型的权值归一化并按大小顺序排列，从中选取前b个高斯模型作为背景模型，剩下(m-b)个高斯模型作为前景模型，其中背景判别式
(5)根据前景和背景模型，对图像进行二值化处理，即满足前景和背景模型的象素值分别设置为1和0，对前景二值图像进行连通域分析，将连成的区域归并、分割为一类，即为物体对象oi(i＝1,2,...n)，并提取其边界位置信息，得到每个物体对象oi的轮廓ri；
步骤2：由步骤1得到通道前景物体oi，采取融合物体颜色和位置特征的跟踪算法跟踪前景目标oi，提取物体oi位置特征信息，具体流程如下：
(1)选取初始化搜索框，对oi的轮廓ri进行反向投影操作，设(x,y)为ri中的一点，i(x,y)是颜色概率图(x,y)处的概率值，分别计算ri的零阶矩m00和一阶矩m10、m01：
由此可得ri的质心位置：mi(xi,yi)＝(m01/m00,m10/m00)；
(2)把ri的质心位置mi(xi,yi)输入到kalman滤波器状态方程mk,i＝amk-1,i+w，测量方程zk,i＝hmk,i+v，修正方程m'k,i＝mk,i+kk(zk,i-hmk,i)，得到更精确的目标位置。
其中，mk-1,i和mk,i分别表示第i个物体，在k-1和k时刻质心坐标状态量，zk,i和m'k,i分别代表第i个物体，在k时刻质心坐标测量值和修正值，a是kalman滤波状态量转移矩阵，h是kalman滤波状态变量到测量变量的转化矩阵，kk是kalman滤波增益矩阵，随机变量w,v分别表示系统噪声矩阵和测量噪声矩阵；
(3)根据视频时刻k-1和k两帧oi质心坐标mk-1,i(xk-1,i,yk-1,i)，mk,i(xk,i,yk,i)判断通道物体位置状态；设两点质心欧式距离di：
假如，di＜dset，此时认为第i个物体静止或者移动缓慢，则采用背景局部条件更新，即在ri范围内背景停止更新，其他范围背景正常更新，其中dset表示预设的两点质心欧式距离值，优选在1～10像素之间取值，本实施例中取值为5像素；
(4)根据质心调整搜索框的大小，如果移动距离大于预设的固定值，不断搜索，直到搜索框的中心和质心坐标的距离小于预设的固定值，或者运算次数达到最大值停止计算；
步骤3：根据跟踪的物体在通道的滞留时间和宽度占比，判断是否为堵塞物体，滞留时间是指物体从进入通道到离开通道的时间，宽度占比是指物体接触通道地表面的宽度占通道宽度的比例，具体流程如下：
(1)设通道宽度wa，第i个物体oi在τ时刻的贴地宽度wi(τ)；在时间t内每隔ts抽取物体贴地宽度样本数据，计算其平均贴地宽度
(2)根据t和voopr大小把堵塞情况分成三个等级：在时间t内，跟踪一直出现在通道的物体，一旦物体离开通道，则排除此物体对通道堵塞的影响，当voopr在50％～70％，视为黄色堵塞；voopr在70％～90％，视为橙色堵塞；voopr超过90％以上，视为红色堵塞。
根据上述具体实施步骤进行通道堵塞实验测试，针对通道通畅、轻微堵塞、堵塞和严重堵塞四种情况，检测数据如表1所列，实验结果如图3-6所示：
表1给出了，在时间6分钟内，每隔1分钟对通道物体进行检测，可以计算在通道宽度wa＝600(pixel)下，当voopr为58.30％，通道发生轻微堵塞，当物体宽度不断增大，voopr达到72.80％，通道堵塞，当物体宽度继续增加，voopr达到92.92％，通道严重堵塞。
表1通道堵塞实验结果测试
为了进一步形象说明本发明提供方法的效果，如图3-6所示：
图3表示通道通畅，第一列为通道视频监控示意图，第二列为通道堵塞物体前景示意图，第三列为通道跟踪物体示意图；
图4表示通道轻微堵塞，第一列为通道视频监控示意图，第二列为通道堵塞物体前景示意图，第三列为通道跟踪物体示意图；
图5表示通道堵塞，第一列为通道视频监控示意图，第二列为通道堵塞物体前景示意图，第三列为通道跟踪物体示意图，此时行人通过困难。
图6表示通道严重堵塞，第一列为通道视频监控示意图，第二列为通道堵塞物体前景示意图，第三列为通道跟踪物体示意图，此时行人根本无法通过。