一种目标物体轨迹分析方法与流程

本发明涉及一种视频内目标物体轨迹分析方法，尤其涉及一种效率高、准确性好的目标物体轨迹分析方法。

背景技术：

随着智慧社区概念和规范的不断成熟以及智能化应用技术在智慧社区中的应用，例如人脸识别、人脸门禁、物体识别、车辆识别等技术不断推陈出新，使得智慧社区的智能化程度不断攀升到另一个高度。在智慧社区的发展过程中，对于社区内移动物体的轨迹分析准确性，对于智慧社区安防领域来说，至关重要。例如，分析记录社区内独居老人或者关注人员的出行记录，有效保证独居老人生命健康和关注人群的实时检测和异常情况的告警，对于社区帮扶工作的精准化和高效性处理，信息的及时性和准确性，显得尤为重要；以及进入社区内违法违规人员的出行轨迹的违法行为预判和实时检测和小区内车辆出行和停靠等事务的信息化管理，都对于移动目标物体的移动轨迹的分析准确性显得尤为重要。而目前对于移动物体的监控往往采用的是物体识别和标识信息识别等手段，在时间轴上的信息，进行打点标记性分析，获取目标物体的轨迹。然而这种离散点标记法，往往会因为识别率的限制，导致物体移动轨迹分析的不准确性，以及天气原因和具体场景的遮挡，导致标识性信息无法识别，而长时间无法检测到目标物体的轨迹。例如，车牌识别，在社区车闸进出口出，由于采用补光和高质量的车牌识别装置，车牌识别精度基本接近于100％，然而，在车辆进入小区内部，由于大多采用普通摄像头，由于拍摄角度和车辆移动过程中车身的方向等因素，造成车牌的识别基本很难获取到，会导致，车辆路线行动轨迹的间歇性数据丢失，只能通过轨迹推荐算法，大概率推荐最有可能的线路进行弥补。

因此，有必要提出一种改进，以克服现有技术缺陷。

技术实现要素：

本发明的目的是解决现有技术中的问题，提供一种效率高、准确性好的目标物体轨迹分析方法。

本发明的技术方案是：

一种目标物体轨迹分析方法，包括以下步骤：

s1、目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]；

s2、判断目标物体在社区内摄像头内的记录情况并进行针对性分析：

若目标物体在同一个摄像头画面内移动，则其轨迹分析执行步骤s3；

若目标物体进入两个摄像头拍摄画面相邻区域，则其轨迹分析执行步骤s4；

若目标物体从一个摄像头画面走出并且没有其他摄像头拍摄画面与其相邻，则执行步骤s5；

s3、根据目标物体进行设定视频帧采集频率，根据视频帧采集频率选出视频帧进行检测，对检测的每一帧图像进行物体检测和交叉率计算进行目标物体轨迹分析；

s4、根据社区内的摄像头拍摄位置，对整个社区内摄像头的覆盖区域进行提前处理，若有相邻，则将相邻摄像头进行关联和相邻方向标注，当目标物体从一个摄像头监控区域内沿着一个方向移动到另一个摄像头监控区域内，则进行如下操作：

s4a、对当前摄像头视频内目标物体的轨迹信息进行保存；

s4b、获取移动方向上，相邻摄像头在移动方向上的临界点处的目标物体识别和标志信息识别的信息，进行精确信息链接匹配；

s4c、若超出边界点信息链接匹配成功，即，在边界点处物体识别获取到了目标物体的坐标信息，则进行前项和后项摄像头物体轨迹相链接；否则，链接失败；

s5、若目标物体移动出一个摄像头监控区域且无其他摄像头监控区域与之相邻或者匹配不到临界点连接信息即步骤s4c链接失败，则定期对小区内所有物体标志信息识别准确率小于80％的标志信息进行匹配，若能够匹配成功，则将视为同一个目标物体的移动轨迹信息，并进行合并；否则，匹配失败，不做任何处理。

作为一种优选的技术方案，所述步骤s1中所述“目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]”为：车辆进入社区时，在车闸出入口处抓拍摄像机下，拍摄车牌，生成车牌信息和车体在车闸处抓拍摄像机对应的车体坐标信息[[x0min,y0min],[x0max,y0max]]。

作为一种优选的技术方案，所述步骤s1中所述“目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]”为：行人进入社区时，在社区出入口摄像机进行人脸抓拍，生成人脸信息和该处摄像机的对应行人坐标信息[[x0min,y0min],[x0max,y0max]]。

作为一种优选的技术方案，所述步骤s3内所述视频帧采集频率由摄像头拍摄的每秒帧数x、目标物体的移动速度y米/秒、目标物体长度a米及交叉率阈值b共同确定：最大间隔采集频率n＝(a*b)/(y/x)。

作为一种优选的技术方案，所述步骤s3内“对检测的每一帧图像进行物体检测和交叉率计算进行目标物体轨迹分析”的具体方法为：

s3a、通过目标物体识别及位置坐标统计，获取目标物体的框体坐标集合object_recognition_rectang_set，当物体识别检测到有目标类型物体从摄像头检测区域边界进入，判断系统内是否有指定的该物体的标志信息和准确率，若有，则根据该标志信息、准备率和当前时间，记录该目标物体的轨迹信息object_recognition_rectang_i＝[[ximin,yimin],[ximax,yimax]]；若无，则对该物体进行唯一标志编码并标记该物体的坐标信息[[ximin,yimin],[ximax,yimax]]、准确率为0和当前时间信息，其中i为物体识别检测到目标类物体的编号；

s3b、通过标志信息识别获取识别出标志信息的目标物体类框体坐标集合identification_recognition_rectang_set；对每一帧视频进行标志信息识别，若能获取到目标物体的标志信息，则记录当前帧的目标类型物体的标志信息的和物体框体坐标identification_recognition_rectang_j＝[[xjmin,yjmin],[xjmax,yjmax]]，其中j为物体识别检测到目标类物体的编号；

s3c、对所述步骤s3a及s3b获取的object_recognition_rectang_set和identification_recognition_rectang_se，通过两矩形交叉率算法计算出同一帧视频内的这两个框体坐标集合及目标类型物体框交叉率；若交叉率达到80％则认为是同一个目标类型物体，比较标志信息的准确率，并选取准备率最高的信息，作为其标志信息并记录其坐标轨迹。

作为一种进一步优选的技术方案，所述步骤s3c中“通过两矩形交叉率算法计算出同一帧视频内的这两个框体坐标集合及目标类型物体框交叉率”的具体方法为：

a、计算两个矩形面积s1和s2；

b、若(ximin≥xjmax)或(ximax≤xjmin)或(yimin≥yjmax)或(yimax≤yjmin)，则认为这两个矩形交叉面积为0，交叉率也为0；否则转向步骤c；

c、若两个矩形重叠，则该重叠区域必为一矩形，则对点集合([ximin,yimin],[ximin,yimax],[ximin,yjmin],[ximin,yjmax],[ximax,yimin],[ximax,yimax],[ximax,yjmin],[ximax,yjmax],[xjmin,yimin],[xjmin,yimax],[ximin,yjmin],[xjmin,yjmax],[xjmax,yimin],[xjmax,yimax],[xjmax,yjmin],[xjmax,yjmax])共16个点判断是否同时在两个矩阵内部包括边界，即若其中一个点位p，则ximin≤xp≤ximax且yimin≤yp≤yimax且xjmin≤xp≤xjmax且yjmin≤yp≤yjmax，则将该点记入重写区域的点集合points_set；

d、对点集合points_set进行去重，得到四个点，为重叠区域矩形的四个点坐标；

e、根据重叠区域矩形的四个点坐标计算出重叠区域面积s；

f、计算重叠区域面积的交叉率w＝(s/s1+s/s2)/2；重叠区域面积的交叉率w即为目标类型物体框交叉率。

本发明的一种目标物体轨迹分析方法，通过物体识别，对视频帧序列中的目标物体，例如智慧社区内的车辆、人或者其他移动物体，进行相邻帧重叠区域交叉率计算，从而确定物体的是否为同一个物体，实现目标物体的轨迹分析。本发明的一种目标物体轨迹分析方法能够有效的解决目标物体标志性信息无法识别和识别率不高等问题的弥补性解决方案，从而降低对目标物体的标志性信息识别的依赖，提高目标物体轨迹分析机制的高效性和准确性。

附图说明

图1为本发明一种目标物体轨迹分析方法的流程框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

如图1所示为本发明的一种目标物体轨迹分析方法，包括以下步骤：

s1、目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]；例如：车辆进入小区，会在车闸出入口进行车牌信息精确性记录和认证，行人进入社区也需要进行人脸抓拍。

s2、判断目标物体在社区内摄像头内的记录情况并进行针对性分析，由于社区内的摄像头的分布具有一定的不规则形，因此并非会对社区内所有道路进行覆盖，因此这里利用交叉率算法进行物体轨迹分析，分为三种情况：

若目标物体在同一个摄像头画面内移动，则其轨迹分析执行步骤s3；

若目标物体进入两个摄像头拍摄画面相邻区域，则其轨迹分析执行步骤s4；

若目标物体从一个摄像头画面走出并且没有其他摄像头拍摄画面与其相邻，则执行步骤s5；

s3、根据目标物体进行设定视频帧采集频率，根据视频帧采集频率选出视频帧进行检测，对检测的每一帧图像进行物体检测和交叉率计算进行目标物体轨迹分析；

s4、根据社区内的摄像头拍摄位置，对整个社区内摄像头的覆盖区域进行提前处理，若有相邻，则将相邻摄像头进行关联和相邻方向标注，当目标物体从一个摄像头监控区域内沿着一个方向移动到另一个摄像头监控区域内，则进行如下操作：

s4a、对当前摄像头视频内目标物体的轨迹信息进行保存；

s4b、获取移动方向上，相邻摄像头在移动方向上的临界点处的目标物体识别和标志信息识别的信息，进行精确信息链接匹配；

s4c、若超出边界点信息链接匹配成功，即，在边界点处物体识别获取到了目标物体的坐标信息，则进行前项和后项摄像头物体轨迹相链接；否则，链接失败；

s5、若目标物体移动出一个摄像头监控区域且无其他摄像头监控区域与之相邻或者匹配不到临界点连接信息即步骤s4c链接失败，则定期对小区内所有物体标志信息识别准确率小于80％的标志信息进行匹配，若能够匹配成功，则将视为同一个目标物体的移动轨迹信息，并进行合并；否则，匹配失败，不做任何处理。

在实际应用中，当目标物体为车辆时，上述s1中所述“目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]”为：车辆进入社区时，在车闸出入口处抓拍摄像机下，拍摄车牌，生成车牌信息和车体在车闸处抓拍摄像机对应的车体坐标信息[[x0min,y0min],[x0max,y0max]]。当目标物体为行人时，所述步骤s1中所述“目标物体进入社区时，进行确定性信息认证，生成目标物体标志信息及初始坐标信息[[x0min,y0min],[x0max,y0max]]”为：行人进入社区时，在社区出入口摄像机进行人脸抓拍，生成人脸信息和该处摄像机的对应行人坐标信息[[x0min,y0min],[x0max,y0max]]。

作为一种优选方案，上述步骤s3内所述视频帧采集频率由摄像头拍摄的每秒帧数x、目标物体的移动速度y米/秒、目标物体长度a米及交叉率阈值b共同确定：最大间隔采集频率n＝(a*b)/(y/x)。例如，目标物体为车辆，且摄像头的视频帧大约是25帧/s，车辆在小区内的移动速度限制在20km/h(即5.6m/s)，车体长度在3.8米到4.3米，宽度在1.6米到1.8米，因此这里若选取交叉率阈值为30％，则最大间隔采集频率n＝(0.3*3.8)/(5.6/25)＝5.1，最大间隔采集频率不超过5.1，可以每隔4帧选取一帧进行检测，从而降低计算量且能够保证检测效果。

作为一种优选方案，所述步骤s3内“对检测的每一帧图像进行物体检测和交叉率计算进行目标物体轨迹分析”的具体方法为：

s3a、通过目标物体识别及位置坐标统计，获取目标物体的框体坐标集合object_recognition_rectang_set，当物体识别检测到有目标类型物体从摄像头检测区域边界进入，判断系统内是否有指定的该物体的标志信息和准确率，若有，则根据该标志信息、准备率和当前时间，记录该目标物体的轨迹信息object_recognition_rectang_i＝[[ximin,yimin],[ximax,yimax]]；若无，则对该物体进行唯一标志编码并标记该物体的坐标信息[[ximin,yimin],[ximax,yimax]]、准确率为0和当前时间信息，其中i为物体识别检测到目标类物体的编号；

s3b、通过标志信息识别获取识别出标志信息的目标物体类框体坐标集合identification_recognition_rectang_set；对每一帧视频进行标志信息识别，若能获取到目标物体的标志信息，则记录当前帧的目标类型物体的标志信息的和物体框体坐标identification_recognition_rectang_j＝[[xjmin,yjmin],[xjmax,yjmax]]，其中j为物体识别检测到目标类物体的编号；

s3c、对所述步骤s3a及s3b获取的object_recognition_rectang_set和identification_recognition_rectang_se，通过两矩形交叉率算法计算出同一帧视频内的这两个框体坐标集合及目标类型物体框交叉率；若交叉率达到80％则认为是同一个目标类型物体，比较标志信息的准确率，并选取准备率最高的信息，作为其标志信息并记录其坐标轨迹。

其中，步骤s3c中“通过两矩形交叉率算法计算出同一帧视频内的这两个框体坐标集合及目标类型物体框交叉率”的具体方法为：

a、计算两个矩形面积s1和s2；

b、若(ximin≥xjmax)或(ximax≤xjmin)或(yimin≥yjmax)或(yimax≤yjmin)，则认为这两个矩形交叉面积为0，交叉率也为0；否则转向步骤c；

c、若两个矩形重叠，则该重叠区域必为一矩形，则对点集合([ximin,yimin],[ximin,yimax],[ximin,yjmin],[ximin,yjmax],[ximax,yimin],[ximax,yimax],[ximax,yjmin],[ximax,yjmax],[xjmin,yimin],[xjmin,yimax],[ximin,yjmin],[xjmin,yjmax],[xjmax,yimin],[xjmax,yimax],[xjmax,yjmin],[xjmax,yjmax])共16个点判断是否同时在两个矩阵内部包括边界，即若其中一个点位p，则ximin≤xp≤ximax且yimin≤yp≤yimax且xjmin≤xp≤xjmax且yjmin≤yp≤yjmax，则将该点记入重写区域的点集合points_set；

d、对点集合points_set进行去重，得到四个点，为重叠区域矩形的四个点坐标；

e、根据重叠区域矩形的四个点坐标计算出重叠区域面积s；

f、计算重叠区域面积的交叉率w＝(s/s1+s/s2)/2；重叠区域面积的交叉率w即为目标类型物体框交叉率。

本发明的一种目标物体轨迹分析方法，通过物体识别，对视频帧序列中的目标物体，例如智慧社区内的车辆、人或者其他移动物体，进行相邻帧重叠区域交叉率计算，从而确定物体的是否为同一个物体，实现目标物体的轨迹分析。本发明的一种目标物体轨迹分析方法能够有效的解决目标物体标志性信息无法识别和识别率不高等问题的弥补性解决方案，从而降低对目标物体的标志性信息识别的依赖，提高目标物体轨迹分析机制的高效性和准确性。

综上所述仅为本发明较佳的实施例，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化及修饰，皆应属于本发明的技术范畴。