技术领域
背景技术
[0002] 随着对智慧城市要求的提高，在我国至少有1000万监控摄像头用于城市监控与报警系统。虽然摄像头的增加为大规模的防范带来了益处，能够获取海量的视频数据用于实时报警和事后查询，但是人工怎样利用海量的视频数据成为一个巨大的挑战。为了解决人们对视频中感兴趣的“是谁、在哪、干什么”的问题，智能视频监控技术应用而生，其中核心部分是基于
计算机视觉的视频内容理解技术，通过对原始视频图像经过特征提取、目标检测与识别、目标
跟踪等一系列
算法分析，进而分析视频中的目标行为。当前的视频监控技术，大部分算法都是基于单个视频源的分析处理。比如某个人在某一个时刻出现在某一个地点，基于视频源输入这个人的特征进行搜索，找出所有关于这个人出现的时间。
[0003] 目前，对于多摄像头的视频监控研究，主要是从构建监控网络结构出发，获取目标对象何时出现在监控区域中的某个摄像头中及目标在摄像头网络地图中的活动路径信息，并可以收集目标运动的信息参数。现阶段常用的搜索方式是将多个视频源作为一个大的
监控系统，在整个监控系统的视频
数据库中输入目标对象特征，然后在庞大的系统数据库中搜索相关信息，输出时间和地点信息。这种方式由于需要集中存储和处理大量视频数据，不仅对运行的
硬件设备提出了较高要求，而且执行搜索时往往需要花费较长时间，搜索效率较低。
发明内容
[0004] 本发明的目的在于：克服
现有技术的不足，提供了一种基于区域摄像头的目标追踪方法、装置及系统。本发明通过构建摄像头局部区域，寻找目标行踪的时候基于局部区域进行搜索而不需要在整个监控系统的数据库中搜索，形成了一个速度快、
精度高、能够处理多摄像头多场景的目标跟踪系统。
[0005] 为实现上述目标，本发明提供了如下技术方案：
[0006] 一种基于区域摄像头的目标追踪方法，包括步骤：
[0008] 根据摄像头的安装位置进行局部区域划分，每个局部区域包括多个摄像头，每个摄像头为一个摄像
节点；在每个局部区域中，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息；
[0009] 检测局部集群信息中出现的所有对象以及出现时间信息和出现位置信息，构建对象行踪监控数据；在所述对象行踪监控数据中，根据各对象的出现规律计算该对象的出现概率，并根据出现概率值的大小从小到大对各对象进行排序；
[0010] 获取目标对象的特征信息，根据前述排序从第一位的对象开始进行特征比对，特征比对通过时，获取对应对象的行踪监控数据作为目标对象的行踪轨迹。
[0011] 进一步，计算对象的出现概率的步骤为，
[0012] 在局部区域局中，采集出现的所有对象在该局部区域对应的位置经过的时间信息；
[0013] 获取预设时间周期N天内各对象经过该位置的天数M[i]，其中i表示对象的编号，i＝1，2，......，计算编号为i的对象的出现
频率值P[i]＝M[i]/N；
[0014] 将所述P[i]值作为该对象在该位置的出现概率值，P[i]值小对应的出现概率值也小。
[0015] 进一步，还包括步骤，
[0016] 对于P[i]相同的多个对象，获取各对象在M[i]天中出现在对应位置的时间点的差值；
[0017] 判断前述差值是否小于预设时间
阈值，所述预设时间阈值对应有预设附加值Y，所述Y为大于0小于1的数；
[0018] 判定差值小于预设时间阈值时，将P[i]值与Y值的和作为该对象在该位置的出现概率值。
[0019] 进一步，对象的出现位置信息由摄像头的安装位置提供，根据对象出现过的摄像节点的安装位置获得该对象在局部区域中的行踪轨迹。
[0020] 进一步，每个摄像头均配置有独立的
存储器以存储自己拍摄的图像数据。
[0021] 进一步，对于每个局部区域，设置有局部共享存储器以管理局部集群信息，该局部区域中的每个摄像节点均可将数据保存至局部共享存储器，以及读取局部共享存储器中的数据。
[0022] 本发明还提供了一种目标追踪装置，包括如下结构：
[0023] 区域划分模
块，用以采集摄像头的安装位置信息，根据对摄像头的安装位置进行局部区域划分，每个局部区域包括多个摄像头，每个摄像头为一个摄像节点；在每个局部区域中，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息；
[0024] 信息处理模块，用以检测局部集群信息中出现的所有对象以及出现时间信息和出现位置信息，构建对象行踪监控数据；在所述对象行踪监控数据中，根据各对象的出现规律计算该对象的出现概率，并根据出现概率值的大小从小到大对各对象进行排序；
[0025] 目标对象追踪模块，用以获取目标对象的特征信息，根据前述排序从第一位的对象开始进行特征比对，特征比对通过时，获取对应对象的行踪监控数据作为目标对象的行踪轨迹。
[0026] 进一步，所述信息处理模块包括概率计算子模块，其被配置为，
[0027] 在局部区域局中，采集出现的所有对象在该局部区域对应的位置经过的时间信息；获取预设时间周期N天内各对象经过该位置的天数M[i]，其中i表示对象的编号，i＝1，2，......，计算编号为i的对象的出现频率值P[i]＝M[i]/N；将所述P[i]值作为该对象在该位置的出现概率值，P[i]值小对应的出现概率值也小。
[0028] 进一步，所述概率计算子模块还被配置为，
[0029] 对于P[i]相同的多个对象，获取各对象在M[i]天中出现在对应位置的时间点的差值；判断前述差值是否小于预设时间阈值，所述预设时间阈值对应有预设附加值Y，所述Y为大于0小于1的数；判定差值小于预设时间阈值时，将P[i]值与Y值的和作为该对象在该位置的出现概率值。
[0030] 本发明还提供了一种基于区域摄像头的目标追踪系统，包括多个摄像头，以及前述的目标追踪装置以获取目标对象的行踪轨迹。
[0031] 本发明由于采用以上技术方案，与现有技术相比，作为举例，具有以下的优点和积极效果：通过构建摄像头局部区域，寻找目标行踪的时候基于局部区域进行搜索而不需要在整个监控系统的数据库中搜索，形成了一个速度快、精度高、能够处理多摄像头多场景的目标跟踪系统。
附图说明
[0032] 图1为本发明
实施例提供的基于区域摄像头的目标追踪方法的
流程图。
[0033] 图2为本发明实施例提供的进行局部区域划分的操作示例图。
[0034] 图3为本发明实施例提供的目标追踪装置的模块结构图。
[0035] 附图标记说明：
[0036] 监控系统 100；
[0037] 局部区域 110、120、130；
[0038] 摄像节点 111、121、131；
[0039] 区域划分模块 210，位置信息采集子模块 211，区域构建子模块 212；
[0040] 信息处理模块 220，概率计算子模块 221，对象排序子模块 222；
[0041] 目标对象追踪模块 230，特征采集
接口 231，特征比对子模块 232。
具体实施方式
[0042] 以下结合附图和具体实施例对本发明公开的基于区域摄像头的目标追踪方法、装置及系统作进一步详细说明。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0043] 需说明的是，本
说明书所附图中所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响发明所能产生的功效及所能达成的目的下，均应落在发明所揭示的技术内容所能涵盖的范围内。本发明的优选实施方式的范围包括另外的实现，其中可以不按所述的或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0044] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
[0045] 实施例
[0046] 参见图1所示，一种基于区域摄像头的目标追踪方法，包括步骤：
[0047] S100，采集摄像头的安装位置信息。
[0048] 监控区域中设置有多个摄像头，每个摄像头基于安装位置具有自己的监控范围。
[0049] 本实施例中，作为举例而非限制，可以通过获取摄像头的无线通讯设备获取摄像头的安装位置，也可以在每个摄像头上设置位置
传感器获取其安装位置。
[0050] S200，根据摄像头的安装位置进行局部区域划分，每个局部区域包括多个摄像头，每个摄像头为一个摄像节点。在每个局部区域中，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息。
[0051] 所述的区域划分，作为举例而非限制，可以是基于用户的自定义选择设置，比如用户根据需要将沿某条城市大道设置的摄像头设置为一个局部区域；也可以是基于位置关联性进行智能划分，比如通过采集摄像头的安装位置，将对应某购物广场的所有进出口的摄像头设置为一个局部区域。
[0052] 每个局部区域包括多个摄像节点，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息。
[0053] 作为举例而非限制，参见图2所示，整个监控系统100的监控区域被划分为3个局部区域：第1局部区域110、第2局部区域120和第3局部区域130，第1局部区域包括8个摄像头，第2局部区域包括8个摄像头，第3局部区域包括8个摄像头。需要说明的是，每个局部区域中的摄像节点数也可以是不同的，其不应作为对本发明的限制。
[0054] 对于第1局部区域中的8个摄像节点111，任意一个摄像节点采集的图像数据共享给其它7个摄像节点，8个摄像节点的监控数据形成了第1局部区域的局部集群信息。对于第2局部区域中的8个摄像节点121，任意一个摄像节点采集的图像数据共享给其它7个摄像节点，8个摄像节点的监控数据形成了第2局部区域的局部集群信息。对于第3局部区域中的8个摄像节点131，任意一个摄像节点采集的图像数据共享给其它7个摄像节点，8个摄像节点的监控数据形成了第2局部区域的局部集群信息。
[0055] S300，检测局部集群信息中出现的所有对象以及出现时间信息和出现位置信息，构建对象行踪监控数据；在所述对象行踪监控数据中，根据各对象的出现规律计算该对象的出现概率，并根据出现概率值的大小从小到大对各对象进行排序。
[0056] 对于每个局部区域，根据其对应的局部集群信息构建对象行踪监控数据。所述的对象行踪监控数据，包括在所述局部集群信息中出现的所有对象，以及所有对象的出现时间和出现位置。本实施例中，所述对象的出现位置信息由摄像头的安装位置提供，根据对象出现过的摄像节点的安装位置获得该对象在局部区域中的行踪轨迹。对于任意一个对象，按照时间顺序输出摄像头所在的地址信息就知道了这个对象的行踪轨迹。
[0057] 所述的对象，可以是人，也可以是其它对象比如宠物，车辆等。
[0058] 具体设置时，每个摄像头均可以配置有独立的存储器以存储自己拍摄的监控图像数据。
[0059] 而对于每个局部区域，还可以设置有局部共享存储器以管理局部集群信息。该局部区域中的每个摄像节点均可将数据保存至局部共享存储器，以及读取局部共享存储器中的数据。
[0060] 本实施例中，计算对象的出现概率的步骤为：
[0061] 在局部区域局中，采集出现的所有对象在该局部区域对应的位置经过的时间信息；
[0062] 获取预设时间周期N天内各对象经过该位置的天数M[i]，其中i表示对象的编号，i＝1，2，......，计算编号为i的对象的出现频率值P[i]＝M[i]/N；
[0063] 将所述P[i]值作为该对象在该位置的出现概率值，P[i]值小对应的出现概率值也小。
[0064] 所述的预设时间周期N，作为举例而非限制，可以是三天，一周，半个月，一个月等任意时间段，用户可以根据需要获取的行踪轨迹的时间长度进行适应性选择，其不应作为对本发明的限制。
[0065] 另一方面，对于P[i]相同的多个对象，通过如下方式进行进一步排序：
[0066] 获取各对象在M[i]天中出现在对应位置的时间点的差值；
[0067] 判断前述差值是否小于预设时间阈值，所述预设时间阈值对应有预设附加值Y，所述Y为大于0小于1的数；
[0068] 判定差值小于预设时间阈值时，将P[i]值与Y值的和作为该对象在该位置的出现概率值。
[0069] 作为举例而非限制，比如对于图2中的第1局部区域建立有数据库以存储局部集群信息，预设时间周期N为一个月，预设时间阈值i为2小时。在每个局部区域中，将检测到的所有人的行踪信息都存储起来，作为举例而非限制，比如检测到4个人(对象)——甲1，甲2，乙，丙，对应的编号为1，2，3，4。
[0070] 对象甲1的出现规律为：一个月中，每天都从这个区域经过，M[1]＝30，P[1]＝30/30＝1。
[0071] 对象甲2的出现规律为：一个月中，每天都从这个区域经过，M[2]＝30，P[2]＝30/30＝1。
[0072] 对象乙的出现规律为：一个月中，有15天都从这个区域经过，M[3]＝15，P[3]＝15/30＝0.5。
[0073] 对象丙的出现规律为：一个月中，有2天都从这个区域经过，M[4]＝2，则P[4]＝2/30＝0.067。
[0074] 由于对象甲1和对象甲2出现的天数相同，需要进一步比对每天出现的时间差。
[0075] 经过比对，对象甲1在30天中出现的时间点的差值小于预设时间阈值2小时，预设附加值Y＝0.1，可得出对象甲1的出现概率值为1+Y＝1.1。对象甲2在30天中出现的时间点的差值大于预设时间阈值2小时，可得出对象甲1的出现概率值为P[1]＝1。
[0076] 对甲1，甲2，乙，丙四个人的出现概率值从小打大进行排序，顺序为：丙是排第一位的，乙是排第二位的，甲2排在第三位，甲1是排第四位。即出现概率值越小，排序越靠前。根据监控数据的更新，可以自动更新上述排序。
[0077] S400，获取目标对象的特征信息，根据前述排序从第一位的对象开始进行特征比对，特征比对通过时，获取对应对象的行踪监控数据作为目标对象的行踪轨迹。
[0078] 当需要查某个嫌疑目标的轨迹信息，输入嫌疑目标的特征信息，就从数据库中出现概率值最低的一个对象开始查，可以快速准确的查出某个需要追踪的目标对象。该实施方案，在数据搜索时考虑了搜索的嫌疑人目标实施某些特定行为的特点：期望特定行为不被发现，于是尽量减小在同一位置出现的次数以降低特定行为被发现的可能性。基于不是S300的排序，从出现概率值最低的一个对象开始比对，能够更高效的提取出嫌疑目标的行踪轨迹数据。
[0079] 本实施例中，所述目标对象的行踪轨迹优选的基于监控区域的实景地图输出。
[0080] 参见图3所示，为本发明的另一实施例，还提供了一种目标追踪装置。
[0081] 所述装置200包括如下结构：
[0082] 区域划分模块210，用以采集摄像头的安装位置信息，根据对摄像头的安装位置进行局部区域划分，每个局部区域包括多个摄像头，每个摄像头为一个摄像节点；在每个局部区域中，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息。
[0083] 具体设置时，所述区域划分模块210包括位置信息采集子模块211和区域构建子模块212。
[0084] 位置信息采集子模块211，用以获取每个摄像头的安装位置信息。
[0085] 区域构建子模块212，用以对摄像头进行局部区域划分，并在每个局部区域中，将任意一个摄像节点采集的图像数据共享给所在局部区域的其它摄像节点形成局部集群信息。一个局部区域对应一个局部集群信息。
[0086] 信息处理模块220，用以检测局部集群信息中出现的所有对象以及出现时间信息和出现位置信息，构建对象行踪监控数据；在所述对象行踪监控数据中，根据各对象的出现规律计算该对象的出现概率，并根据出现概率值的大小从小到大对各对象进行排序。
[0087] 具体设置时，所述信息处理模块220包括概率计算子模块221和对象排序子模块222。
[0088] 概率计算子模块221，用以执行如下操作：在局部区域局中，针对每个摄像节点所在的位置，采集出现的所有对象从该位置经过的时间信息；获取预设时间周期N天内各对象经过该位置的天数M[i]，其中i表示对象的编号，i＝1，2，......，计算编号为i的对象的出现频率值P[i]＝M[i]/N；将所述P[i]值作为该对象在该位置的出现概率值，P[i]值小对应的出现概率值也小。
[0089] 以及，对于P[i]相同的多个对象，获取各对象在M[i]天中出现在对应位置的时间点的差值；判断前述差值是否小于预设时间阈值，所述预设时间阈值对应有预设附加值Y，所述Y为大于0小于1的数；判定差值小于预设时间阈值时，将P[i]值与Y值的和作为该对象在该位置的出现概率值。
[0090] 对象排序子模块222，用以执行如下操作：根据出现概率值的大小从小到大对各对象进行排序。
[0091] 目标对象追踪模块230，用以获取目标对象的特征信息，根据前述排序从第一位的对象开始进行特征比对，特征比对通过时，获取对应对象的行踪监控数据作为目标对象的行踪轨迹。
[0092] 具体设置时，所述目标对象追踪模块230包括特征采集接口231和特征比对子模块232。
[0093] 特征采集接口231，用以获取目标对象的特征信息，所述特征信息，可以为文字内容也可以是图形内容，所述特征采集接口可以包括文字输入栏和照片上传栏。
[0094] 特征比对子模块232，用以根据排序从第一位的对象开始进行特征比对，特征比对通过时，获取对应对象的行踪监控数据作为目标对象的行踪轨迹。所述行踪轨迹优选的基于监控区域的实景地图输出。
[0095] 其它技术特征参见前述实施例，在此不再赘述。
[0096] 在上面的描述中，本发明的公开内容并不旨在将其自身限于这些方面。而是，在本公开内容的目标保护范围内，各组件可以以任意数目选择性地且操作性地进行合并。另外，像“包括”、“囊括”以及“具有”的术语应当默认被解释为包括性的或开放性的，而不是排他性的或封闭性，除非其被明确限定为相反的含义。所有技术、科技或其他方面的术语都符合本领域技术人员所理解的含义，除非其被限定为相反的含义。在词典里找到的公共术语应当在相关技术文档的背景下不被太理想化或太不实际地解释，除非本公开内容明确将其限定成那样。本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于
权利要求书的保护范围。
