用于视频监控系统的图像稳定技术的利记博彩app
【专利说明】
[0001]背景
技术领域
[0002]本文所提供的实施方案公开用于分析视频帧的序列的技术。更具体地，实施方案提供用于使由视频监控系统捕获的摄像机图像稳定的技术。
[0003]相关技术的描述
[0004]一些当前可用的视频监控系统提供了简单的对象识别能力。例如，视频监控系统可以被配置来将给定帧中的一组像素(称为“色斑(blob)”)分类为具体的对象(例如人或车辆)。一旦确认，就可以逐帧地跟踪“色斑”，以便跟踪随时间的推移在场景中移动的“色斑”，例如，在视频监控摄像机的视野中穿行的人。另外，这类系统可以被配置来确定对象何时参与某些预定义的行为。例如，系统可以包括用于识别许多预定义事件的发生的定义，例如，系统可以评估分类为描绘汽车的对象的出现(车辆出现事件)，所述对象在数帧内停止(车辆停车事件)。此后，新的前景对象可能出现并且被分类为人(人出现事件)，人随后从帧中离开(人消失事件)。另外，系统可以将前两个事件的组合识别为“停车事件”。
[0005]然而，这类监视系统通常要求可由系统识别的对象和/或行为应预先定义。因此，在实践中，这些系统依赖于对象和/或行为的预定义的定义来评估视频序列。除非基本的系统包括对具体对象或行为的描述，否则系统一般无法识别所述行为(或至少描述具体对象或行为的模式的示例)。更一般地，这类系统通常不能通过观察场景中随时间的推移所发生的事情来确认对象、事件、行为或模式(或将这类对象、事件、行为等分类为是正常的或异常的)；相反，这类系统依赖于预先定义的静态模式。
[0006]摄述
[0007]本文所提供的一个实施方案包括一种用于使由视频记录设备捕获并且由视频分析应用程序评估的摄像机图像稳定的方法。所述方法一般包括确认参考帧内的候选区域以用于校准由视频摄像机捕获的帧流。按每个候选区域内被跟踪特征的密度的降序来排列候选区域。所述方法还包括将候选区域中具有最高被跟踪特征密度的候选区域指明为每个所捕获帧的校准区域。当基于当前帧中的被跟踪特征相对于参考帧的对应特征失准而确定流不稳定之后，基于校准区域确定当前帧的仿射变换矩阵。另外，使用仿射变换矩阵扭曲当前帧，使得当前帧的校准区域中的特征匹配参考帧的对应特征。此外，确认扭曲的当前帧与参考帧之间的配准误差，并且在确定配准误差在容限阈值内之后，将扭曲的当前帧指明为稳定帧。
[0008]本文所提供的另一个实施方案包括一种用于使由视频记录设备捕获的摄像机图像稳定的方法。所述方法一般包括确认参考帧内的候选区域以用于校准由视频摄像机所捕获的帧。按每个候选区域内被跟踪特征的密度的降序来排列候选区域。所述方法一般还包括将候选区域中具有最高被跟踪特征密度的候选区域指明为每个所捕获帧的校准区域。在基于当前帧中的被跟踪特征相对于参考帧的对应特征失准而确定流不稳定之后，校准当前帧。
[0009]其它实施方案包括但不限于:计算机可读介质，所述计算机可读介质包括使处理单元能够实现所公开方法的一或多个方面的指令；以及系统，所述系统具有被配置来实现所公开方法的一或多个方面的处理器、存储器和应用程序。
[0010]附图简沐
[0011]因此，获得并可详细地理解本发明的上述特征、优点和目标的方式，即上文简要概述的较为具体的本发明的描述可参照附图所示的实施方案进行。
[0012]然而，应注意，附图仅示出本发明的典型实施方案，并且因此附图不应被视为对本发明范围的限制，因为本发明可以允许其它同等有效的实施方案。
[0013]图1例示根据一个实施方案的视频分析系统的部件。
[0014]图2进一步例示根据一个实施方案的在图1中所示的视频分析系统的部件。
[0015]图3例示根据一个实施方案的由摄像机捕获的参考图像和当前图像的图形表示。
[0016]图4例示一种用于使由摄像机捕获的失准图像稳定的方法
[0017]发明详述
[0018]本文所提供的实施方案公开一种用于分析所采集的视频帧流以确认视频帧何时失准的方法和系统。一旦检测到失准帧，基于行为识别的视频监控系统就可校准帧。
[0019]行为识别系统可以被配置来通过观察单个帧的序列(其它情况下称为视频流)来学习、确认和识别行为的模式。不同于包含要确认事物的预定义模式的基于规则的视频监控系统，本文公开的行为识别系统通过归纳输入并建立对所观察事物的存储内容来学习各个模式。随着时间的推移，行为识别系统使用这些存储内容来在视频流内捕获的视场中的正常行为与异常行为之间进行区分。一般来说，这个视场被称为“场景”。
[0020]在一个实施方案中，行为识别系统包括计算机视觉引擎和机器学习引擎。计算机视觉引擎可以被配置来处理场景，产生表征所观察活动的信息流，并且然后将所述流传送到机器学习引擎。继而，机器学习引擎可被配置来学习所述场景中的对象行为。除了基于学习的行为之外，机器学习引擎可被配置来建立场景内某些行为的模型，并且确定观察结果是否指示对象的行为相对于模型是异常的。
[0021]经常地，另外的固定视频摄像机在其捕获场景时可能经历一些物理运动。例如，被训练观察地铁站的摄像机在列车进入和离开车站时可能经历轻微弹跳。类似地，响应于风，户外摄像机可具有一些轻微运动。在这类情况下，由于摄像机上下移动，由摄像机捕获的场景可能被打扰、扰乱或轻微地被搅扰。因此，图像可能以多种复杂方式(例如被平移、旋转、斜推等)被歪曲或改变。
[0022]在无校正的情况下，这种微小移动的结果可能干扰视频计算机视觉引擎。例如，设想场景的一部分描绘背景，当背景保持不变时，元素在背景中的位置响应于摄像机移动而发生改变。如果移动在当前帧中产生足够明显的像素值，那么计算机视觉引擎可能不经意地确认假性前景对象，即尽管被表征为前景但不是真正前景的对象。另外，这些假性对象被传送至上文讨论的处理流水线中的其它元件，并且这些假性对象可能降低机器学习的质量，并且最终导致假性警报。
[0023]为解决此问题，在一个实施方案中，计算机视觉引擎可以被配置来确认场景何时失准并且执行校准所接收帧的方法。这样做帮助提供一致的图像以供由计算机视觉引擎和机器学习引擎两者使用。
[0024]在下文中，可参考本发明的实施方案。然而，应理解的是，本发明不限于任何特定描述的实施方案。相反，无论是否涉及不同的实施方案，以下特征和要素的任意组合被涵盖来实施和实践本发明。此外，在各种实施方案中，本发明提供优于现有技术的许多优点。然而，尽管本发明的实施方案可以实现优于其它可能的解决方案和/或优于现有技术的优点，但是给定的实施方案是否实现具体的优点不对本发明进行限制。因此，以下各方面、特征、实施方案和优点仅仅是说明性的，并且不视为所附权利要求书的要素或限制，除非在权利要求书中有明确记载。同样，对“本发明”的提及不应解释为对本文公开的任何发明主题的概括，并且不应视为所附权利要求书的要素或限制，除非在权利要求书中有明确记载。
[0025]一个实施方案被实现为供计算机系统使用的程序产品。程序产品的程序定义了实施方案的功能(包括本文描述的方法)并且可以包含在各种计算机可读存储介质上。计算机可读存储介质的实例包括:(i)不可写存储介质(例如，计算机内的只读存储器设备，如可通过光学介质驱动器读取的⑶-ROM或DVD-ROM盘)，信息被永久存储在这些存储介质上；(?)可写存储介质(例如，软盘驱动器内的软盘或硬盘驱动器)，可变的信息存储在这些存储介质上。在带有引导本发明的功能的计算机可读指令时，这类计算机可读存储介质是本发明的实施方案。其它示例性介质包括借以将信息(如通过计算机或电话网络)传输到计算机的通信介质，包括无线通信网络。
[0026]一般来说，被执行来实施实施方案的例行程序可以是操作系统或特定应用程序、部件、程序、模块、对象或指令序列的一部分。计算机程序通常包括大量的指令，这些指令将通过本