云台异动智能跟踪方法及其系统与流程

本发明涉及云台控制，具体涉及一种云台异动智能跟踪方法及其系统。

背景技术：

随着科技的进步，在安防监控、边境巡检、交通维护、人流监测、防爆处突等各领域，对于视频监控的智能化要求逐渐增高，而目前现存的智能跟踪云台主要基于雷达监控功能的智能跟踪云台和基于ai增强移动检测云台，但由于相关设备和技术的局限性，主要存在以下问题：

1)基于雷达监控功能的智能跟踪云台因为雷达信号发出传回需要时间间隔，若需要跟踪的主体单位时间内运动速度过快则可能造成收到的雷达信号大幅偏离该物体实际位置；且由于雷达技术的特殊性，对运动物体的辨别程度较低，通常使用视频ai进行处理分析，而视频链路与雷达链路之间存在时延，跟踪效果的实时性及准确度均会收到影响。

2)基于ai增强移动监测的云台，通常会直接在云台中内置人工智能跟踪算法，该方法由于拍摄分辨率和针对算法的硬件配置等问题，大多仅可运用于简单的监控场景，不能适应更复杂、精密性要求更高的监控环境。若要满足多种监控环境的需求，则需要针对该种环境做相应的定制，成本较高，且维护难度大，不利于大面积实施。

3)单一使用云台的进行监控，可能造成当多个异动同时产生时，云台由于仅能检测并跟踪一处异动而跟踪检测不全面；若多个云台同时操作，可能造成不同云台跟踪同一个主体，降低监控跟踪效率。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种云台异动智能跟踪方法及其系统，使用算法对摄像机拍摄的视频画面进行处理，识别出异动人或物，联动云台，对识别出的异动进行精密拍摄和跟踪。

本发明的目的是通过以下技术方案来实现的：

一种云台异动智能跟踪方法，该方法为：

s1：通过摄像机对待监控画面拍摄，并将拍摄的视频信号上传至返处理器中；

s2：处理器对接收的视频信号进行分析，分析视频信号中是否出现异动；

s3：当视频信号中的画面无异动时，摄像机正常对监控区域进行拍摄，当视频画面出现异常动态情况时，处理器调用云台对该处异动做实时的跟踪操作，直至其消失在监控画面中。

进一步的，所述s2中，视频信号分析的步骤为：

1)利用两帧相减得到两帧图像亮度差的绝对值，用以判断其是否大于阈值，进一步可分析出视频或图像序列的运动特性，确定图像序列中有无物体运动；

2)通过视频信号视频序列的帧间信息来进行背景重建，需要选择性的更新背景；

3)利用图像特征和机器学习结合的方式进行判别类目标跟踪，当前帧以目标区域为正样本，背景区域为负样本，用机器学习来训练分类器，训练时使用背景信息，让分类器有效区分前景和背景，下一帧用训练好的分类器找最优区域，从而实现对目标的跟踪。

进一步的，所述更新背景的更新方式为：

定义连续视频中每个像素独立，且灰度值遵循高斯分布，出现新的视频帧时，更新像素点遵循的相应高斯分布中的参数，其均值定义为：

μt＝mμt-1+(1-m)(αit+(1-α)μt-1)

对于当前像素点而言，it是其灰度值；μt-1是在前面几帧中它的灰度值均值；α决定背景更新快慢，是根据不同场景的经验取值，α值大，则背景更新速度快；α值小，则背景更新速度慢；σ²用其无偏估计代替，当|it-μt＞kσt时，该像素点为运动目标点，若小于，则为背景；当上次计算中该像素为运动目标点时，m＝1，当该像素为背景时，m＝0。

进一步的，所述s2中利用帧间差分法和背景差分法结合方式识别异动；先使用帧间差分法检测出相邻两帧之间发生变化的区域；在物体连续运动中，以当前某段待处理图像序列的平均值作为参考图像，产生一个不考虑运动目标时其背景与当前静态场景相似的背景图像，在区分出图像中变化区域和非变化区域后，将当前帧中变化区域与背景图像该区域做差分，以此实现运动目标的检测

一种云台异动智能跟踪系统，该系统包括摄像机、处理器和云台，所述摄像机拍摄的视频信号传输至处理器进行异动目标跟踪和识别，并控制云台对该处异动做实时的跟踪操作，直至其消失在监控画面中。

进一步的，所述处理器集成ai算法模块用于完成异动目标跟踪和识别，所述处理器与摄像机和云台独立开分布式部署。

本发明的有益效果是：

1)在摄像机/云台内集成ai算法模块的技术，由于摄像机/云台尺寸限制，无法集成高性能ai算法模块，无论是算法的效率还是算法的精度，都无法完全满足高精度、高运动速率的跟踪需求；而本次发明提供的基于人工智能算法的异动跟踪云台架构，将人工智能算法单独成型，分布式部署，稳定性优于集成性ai模块，极大提高效能，满足高精度、高运动速率的跟踪需求。

2)使用背景差分法，相较于传统图像识别算法，运算效率有显著提升，且降低了对硬件平台的性能需求，极大的降低了成本。

附图说明

图1为本发明系统顶层架构图。

具体实施方式

下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

一种云台异动智能跟踪方法，该方法为：

s1：通过摄像机对待监控画面拍摄，并将拍摄的视频信号上传至返处理器中；

s2：处理器对接收的视频信号进行分析，分析视频信号中是否出现异动；

s3：当视频信号中的画面无异动时，摄像机正常对监控区域进行拍摄，当视频画面出现异常动态情况时，处理器调用云台对该处异动做实时的跟踪操作，直至其消失在监控画面中。

进一步的，所述s2中，视频信号分析的步骤为：

1)利用两帧相减得到两帧图像亮度差的绝对值，用以判断其是否大于阈值，大于阈值时分析运动特性。小于阈值时，通过视频信号视频序列的帧间信息来进行背景重建，确定是否有运动的情况进一步可分析出视频或图像序列的运动特性，确定图像序列中有无物体运动；

2)通过视频信号视频序列的帧间信息来进行背景重建，需要选择性的更新背景；

理想情况下，将没有运动的帧作为背景图像，但实际上，光线、环境的等变化也可能成为背景变化的因素，所以不能简单地将一帧没有运动目标的图像帧作为背景图像而不对背景进行更新。

定义连续视频中每个像素独立，且灰度值遵循高斯分布，出现新的视频帧时，更新像素点遵循的相应高斯分布中的参数，其均值定义为：

μt＝mμt-1+(1-m)(αit+(1-α)μt-1)

对于当前像素点而言，it是其灰度值；μt-1是在前面几帧中它的灰度值均值；α决定背景更新快慢，是根据不同场景的经验取值，α值大，则背景更新速度快；α值小，则背景更新速度慢；σ²用其无偏估计代替，当|it-μt＞kσt时，该像素点为运动目标点，若小于，则为背景；当上次计算中该像素为运动目标点时，m＝1，当该像素为背景时，m＝0。

3)利用图像特征和机器学习结合的方式进行判别类目标跟踪，当前帧以目标区域为正样本，背景区域为负样本，用机器学习来训练分类器，训练时使用背景信息，让分类器有效区分前景和背景，下一帧用训练好的分类器找最优区域，从而实现对目标的跟踪。

先使用帧间差分法检测出相邻两帧之间发生变化的区域；在物体连续运动中，以当前某段待处理图像序列的平均值作为参考图像，产生一个不考虑运动目标时其背景与当前静态场景相似的背景图像，在区分出图像中变化区域和非变化区域后，将当前帧中变化区域与背景图像该区域做差分，以此实现运动目标的检测。

如图1所示，一种云台异动智能跟踪系统，该系统包括摄像机、处理器和云台，所述摄像机拍摄的视频信号传输至处理器进行异动目标跟踪和识别，并控制云台对该处异动做实时的跟踪操作，直至其消失在监控画面中。

进一步的，所述处理器集成ai算法模块用于完成异动目标跟踪和识别，所述处理器与摄像机和云台独立开分布式部署。

该方法由摄像机输出、算法处理和云台跟踪三个模块构成。由摄像机对待监控画面拍摄并将视频返回具有人工智能算法的处理器中，经算法对待监控画面中的异动情况进行分析，确定需要跟踪的异动主体后，云台根据处理器的计算结果，实现对异动进行跟踪。当画面无异动时，摄像机正常对监控区域进行拍摄，后台处理器未识别出异动情况，智能跟踪云台不跟踪。当画面出现异常动态情况时，视频信号经由摄像机拍摄后传输到后台处理器，处理器经过复合的人工智能算法，识别到监控画面中的异常情况，处理器调用云台对该处异动做实时的跟踪操作，直至其消失在监控画面中(监控画面重新出现无异动状态)。

2.相关算法

智能异动跟踪云台架构中，后台处理器利用帧间差分法和背景差分法的融合运用识别摄像机拍摄到的画面中的异动，利用目标跟踪算法对该被检测的异动主体进行跟踪。

1)帧间差分法

帧间差分法通过对视频图像序列中连续的两帧作差分运算来获得运动目标轮廓的方法。它可以很好地适用于存在多个运动目标和摄像机移动的情况。当视频场景中出现异常的目标运动时，连续两帧之间会出现较显著的差别，算法利用两帧相减得到两帧图像亮度差的绝对值，用以判断其是否大于阈值，进一步可分析出视频或图像序列的运动特性，确定图像序列中有无物体运动。因为帧间差分法对帧间时间间隔较为依赖，若时间差不恰当则会造成识别的误差(帧间差过大可能会识别成两个不同的物体，帧间差过小可能会识别为未运动)，所以需要结合背景差分法共同对视频中的主体进行运动检测。

2)背景差分法

背景差分法是一种利用视频图像序列中的当前帧与其背景参考模型比较，用以检测运动物体的方法,性能主要依赖其相关的背景建模技术。

背景差分法在检测速度快的运动目标是较为准确且极易实现，其关键是背景图像的获取。由于静止背景是不易直接获得的，同时背景图像可能存在的动态变化，所以需要通过视频序列的帧间信息来进行背景重建，需要选择性的更新背景。

3)目标跟踪

利用图像特征和机器学习结合的方式进行判别类目标跟踪，当前帧以目标区域为正样本，背景区域为负样本，用机器学习来训练分类器，训练时使用背景信息，让分类器有效区分前景和背景，下一帧用训练好的分类器找最优区域，从而实现对目标的跟踪。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。