一种基于视频的运动模式检测方法及装置

暂无

一种基于视频的运动模式检测方法及装置\n技术领域\n[0001] 本发明涉及视频监控领域，尤其涉及一种基于视频的运动模式检测方法及装置。\n背景技术\n[0002] 基于视频的目标运动信息的准确估计，在实际的视频分析领域中有着广泛的应用，尤其在教学监控，准确的估计目标在特定方向上的运动信息是非常有意义，这些信息是摄像机对目标进行精确定位的前提。目前主流的关于目标特定方向的运动量估算方法主要以光流和背景建模等方法为主。通常地，通过计算整幅图像的稠密光流场，然后分割稠密光流场提取出运动块，并计算目标的运动位移量和方向。该种方法缺点是计算量大，通常无法达到实时处理的效果，没有GPU支持的情况下，很难移植到低成本的硬件上正常运行。\n[0003] 另一种是基于背景建模方法建立背景模型，然后跟踪运动目标，并估计目标的运动方向和位移量，该方法对于复杂的场景无法处理，如教室中的目标检测，主要受限于此类方法背景建模时间长，背景更新缓慢，无法适应于运动凌乱和无序的场景中。如现有技术提出一种教学智能录播系统学生起坐检测方法(公开号：102096930A，2011-06-15)，该方法采用了背景建模技术，提取前景，采用了双摄像机对运动目标进行跟踪，并估计学生在垂直方向上的运动位移量，该方法的优点是不需要改装学生桌椅，易于维护。但此种方法主要存在如下缺点，首先，背景建模对于教室复杂的环境往往导致所建立的背景效果不佳，容易产生运动目标空洞的现象，并且背景更新及其的缓慢；其次，该方法简单的统计目标位移量准确度不高，并且未提取其他的信息，比如目标运动方向等，无法为后续应用开发提供有效、准确的信息。\n发明内容\n[0004] 有鉴于此，本发明提出了一种基于视频的运动模式检测方法及装置，解决了背景建模导致的背景更新慢，前景空洞现象严重的问题，并且本发明使得检测到运动模式更加的精确和稳定，为应用开发提供有效、准确的信息。\n[0005] 本发明提供一种基于视频的运动模式检测方法，包括以下步骤：\n[0006] 获取视频图像；\n[0007] 估计运动前景图像；\n[0008] 对运动前景图像的运动目标进行检测；\n[0009] 对运动目标的状态进行更新；\n[0010] 其中，估计运动前景图像包括以下步骤：\n[0011] 建立初步的运动前景图像；\n[0012] 对运动前景图像提取轮廓图像；\n[0013] 对轮廓图像建立运动历史图像。\n[0014] 其中，所述对运动前景图像的运动目标进行检测，包括以下步骤：\n[0015] 初步查找运动目标；\n[0016] 过滤无效的运动目标，得到有效的运动目标的矩形框；\n[0017] 对有效的运动目标的矩形框所对应的运动前景图像进行填充；\n[0018] 对有效的运动目标的矩形框估算其运动方向。\n[0019] 其中，所述对运动目标的状态进行更新，包括以下步骤：\n[0020] 对有效的运动目标的矩形框进行运动目标匹配；\n[0021] 对匹配到的运动目标进行运动位移量统计；\n[0022] 对匹配到的运动目标进行运动方向持续性统计。\n[0023] 其中，所述对匹配到的运动目标进行运动位移量统计，公式如下：\n[0024]\n[0025]\n[0026] 其中 为位移量估计函数，具体计算公式如下：\n[0027]\n[0028] 其中，所述对匹配到的运动目标进行运动方向持续性统计；\n[0029] 公式如下：\n[0030]\n[0031] 其中\n[0032]\n[0033] 其中[θ-δ,θ+δ]表示有效的运动方向，δ方向容忍的阈值范围。\n[0034] 其中，所述对运动前景图像提取轮廓图像，包括以下步骤：\n[0035] 对运动前景图像分别进行膨胀滤波操作和腐蚀滤波操作，得到新的图像；\n[0036] 对得到的新图像提取前景轮廓，得到二值轮廓图像；\n[0037] 对二值轮廓图像进行腐蚀滤波操作，得到新的轮廓图像。\n[0038] 其中，所述对轮廓图像建立运动历史图像，运动历史图像中每个元素值，通过如下方式进行更新：\n[0039]\n[0040] 本发明还提供一种基于视频的运动模式检测装置，包括：图像获取模块、与图像获取模块连接的运动前景估计模块、与运动前景模块连接的运动目标检测模块、与运动目标检测模块连接的目标状态更新模块，其中：\n[0041] 图像获取模块，用于获取视频图像；\n[0042] 运动前景估计模块，用于估计运动前景图像；\n[0043] 运动目标检测模块，用于对运动前景图像的运动目标进行检测；\n[0044] 目标状态更新模块，用于对运动目标的状态进行更新；\n[0045] 所述运动前景估计模块包括运动前景图像建立单元、轮廓图像提取单元、运动历史图像建立单元，其中：\n[0046] 运动前景图像建立单元，用于建立初步的运动前景图像；\n[0047] 轮廓图像提取单元，用于对运动前景图像进行轮廓提取得到轮廓图像；\n[0048] 运动历史图像建立单元，用于对轮廓图像建立运动历史图像。\n[0049] 其中，所述运动目标检测模块包括：\n[0050] 查找单元，用于初步查找运动目标；\n[0051] 过滤单元，用于过滤无效的运动目标，得到有效的运动目标的矩形框；\n[0052] 填充单元，用于对有效的运动目标的矩形框所对应的运动前景图像进行填充；\n[0053] 估算单元，用于对有效的运动目标的矩形框估算其运动方向。\n[0054] 其中，所述目标状态更新模块包括：\n[0055] 运动目标匹配单元，用于对有效的运动目标的矩形框进行运动目标匹配；\n[0056] 运动位移量统计单元，对匹配到的运动目标进行运动位移量统计；\n[0057] 运动方向统计单元，对匹配到的运动目标进行运动方向持续性统计。\n[0058] 通过本发明所述方法和装置可以解决背景建模导致的背景更新慢，前景空洞现象严重的问题，本发明能实现运动位移量和运动方向持续性计数更加的精确和稳定，为应用开发提供有效、准确的信息。\n[0059] 本发明所述算法实现简单，计算复杂度低，能够在低成本的设备上实时运行。\n附图说明\n[0060] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。\n[0061] 图1为本发明实施例一种基于视频的运动模式检测方法流程图；\n[0062] 图2为本发明实施例的估计运动前景图像建立的流程图；\n[0063] 图3为本发明实施例的对运动前景图像的运动目标进行检测的流程图；\n[0064] 图4为本发明实施例的对运动目标的状态进行更新的流程图；\n[0065] 图5为本发明的实施例的任意运动方向示意图；\n[0066] 图6为本发明实施例垂直方向示意图；\n[0067] 图7为本发明实施例的目标运动方向和特定方向的位移量示意图；\n[0068] 图8为本发明实施例对垂直向上运动方向的检测效果图；\n[0069] 图9为本发明实施例一种基于视频的运动模式检测装置示意图；\n[0070] 图10为本发明实施例一种基于视频的运动模式检测装置的运动前景估计模块结构示意图；\n[0071] 图11为本发明实施例一种基于视频的运动模式检测装置的运动目标检测模块结构示意图；\n[0072] 图12为本发明实施例一种基于视频的运动模式检测装置的目标状态更新模块结构示意图。\n具体实施方式\n[0073] 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，所描述的实施例仅仅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做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。\n[0074] 请参见图1，其为本发明实施例提供的一种基于视频的运动模式检测方法的流程图，具体包括以下步骤：\n[0075] 步骤S101，获取视频图像。\n[0076] 假设t∈Z+时刻(Z为正整数)，首先从视频源中获取到RGB彩色图像Ft,其中图像宽高分别表示为W,H；接着，将彩色图像Ft转化为单通道灰度图像It；如果视频源中的图像已经为单通道灰度图像则不需要执行该步骤；再将单通道灰度图像It的宽和高进行归一化，宽高分别表示为W,H，对单通道灰度图像It进行平滑处理。\n[0077] 步骤S102，估计运动前景图像\n[0078] 如图2所示，通过当前获取得到的单通道灰度图像建立运动前景图像。具体包括以下步骤：\n[0079] 步骤S201，建立运动图像Dt，将单通道灰度图像It与上一帧图像It-1相减，即：\n[0080] Dt(r,c)＝|It(r,c)-It-1(r,c)|,0≤r＜H,0≤c＜W，\n[0081] 其中r,c分别表示图像的第r行和第c列；It(r,c)表示单通道灰度图像It中的第r行和第c列的像素灰度值。\n[0082] 步骤S202，建立初步的运动前景图像 运动前景图像 中每个元素的值，通过如下方式进行更新：\n[0083]\n[0084] 其中，λ表示运动前景图像的更新周期，根据不同的应用场景有较大的差别，但取值的原则为：根据目标完成一个动作所消耗的时间(单位：毫秒)，本实施例中，优选λ＝\n2000，ξ＜λ表示更新周期λ的粒度，本实施例中优选ξ＝1000。\n[0085] 步骤S203,对运动前景图像提取轮廓图像。\n[0086] 具体包括以下步骤：\n[0087] 首先，对运动前景图像 分别按照先后顺序进行一次膨胀滤波操作和腐蚀滤波操作，得到新的图像 滤波算子F0大小5×3，优选地，算子构造如下：\n[0088]\n[0089] 然后，利用轮廓查找方法(具体的轮廓查找方法较多，本实例优选采用TehChin89的方法，请参见文献：Teh,C.H.and Chin,R.T.,On the Detection of Dominant Points on Digital Curve.PAMI 11 8,pp 859-872(1989))，对新的图像 提取前景轮廓(不包括空洞的连通域)，得到一幅二值轮廓图像\n[0090] 接着，再对二值轮廓图像 进行一次腐蚀滤波操作，滤波算子F1大小为3×3，优选地，算子构造如下：\n[0091]\n[0092] 得到新的轮廓图像\n[0093] 步骤S204,对轮廓图像建立运动历史图像。\n[0094] 建立运动历史图像 中每个元素的值，通过如下方式进行更新：\n[0095]\n[0096] 其中λ表示运动历史图像的更新周期，这里优选λ＝2000，ξ＝1000。\n[0097] 步骤S103，对运动前景图像的运动目标进行检测。\n[0098] 如图3所示，根据S102步骤得到的运动前景图像，检测运动前景图像中的运动目标，然后过滤无效的运动目标，并估计每个有效运动目标的运动方向。\n[0099] 具体包括以下步骤：\n[0100] 步骤S301，利用轮廓查找方法找到初步的运动目标，得到n个运动目标的矩形框，记为\n[0101] 步骤S302，过滤无效的运动目标，得到有效的运动目标的矩形框。\n[0102] 具体地，按照一定的过滤方法去掉无效的运动目标，具体地过滤无效目标的方法为：对于Bn中的边界框 i∈{1,...,n}，如果 的面积大于(W*H)/γ，则 是有效的，这里优选γ＝400。过滤后得到m个有效的运动目标的矩形框，记为\n[0103] 步骤S303，对有效的运动目标的矩形框所对应的运动前景图像进行填充。填充的步骤如下：\n[0104] 首先，查找运动历史图像 的内轮廓，即空洞的轮廓。假设找到了K条内轮廓,其中 (k＝1,...,K)表示一条内轮廓，pi＝(xi,yi)\n表示像素坐标点；\n[0105] 然后，对每条内轮廓 (k＝1,...,K)做以下操作：\n[0106] a、初始化， 轮廓标识符 (k＝1,...,K)，设置所有元素均\n为0，以表示相应位置的像素未被填充，如果相关位置的像素被填充，那么标识为1。\n[0107] b、从轮廓标识符Ftk查找到一个未被表示的轮廓点 满足fi＝0。如果未找到，那么则完成了对 内部像素的填充。\n[0108] c、从轮廓标识符Ftk中查找一个满足xi＝xj条件的元素pj。\n[0109] d、选择填充的像素值\n[0110] e、填充 垂直方向向上的元素：\n[0111]\n[0112] 步骤S304，对有效的运动目标的矩形框估算其运动方向。\n[0113] 有效的运动目标的矩形框Bm中的每个矩形框 其中\n分别表示第i个矩形框 的左上角顶点的x轴坐标位置，左上角顶点的y轴坐标\n位置，矩形框的宽和矩形框的高，其相应的运动方向计算方法具体如下：\n[0114] a、考虑矩形框 其中η∈{1,...,10}，这里优选η＝1。如果检\n测的方向为垂直向上，或者向下，那么可优选η＝4。\n[0115] b、计算在感兴趣区域 下，运动历史图像 的运动方向，这里采\n用了方向直方图的主方向作为目标的运动方向，直方图的bin数根据实际的情况进行设定，本实施例中优选地，bin＝15，计算得到的运动方向角度记为Ai。\n[0116] 由此得到每个有效的运动目标的矩形框的运动方向 元素取\n值范围为[0,359]，单位为度数。\n[0117] 步骤S104，对运动目标的状态进行更新。\n[0118] 如图4所示，对运动目标的状态进行更新。所有的运动目标需要由一系列状态来表\n1 2 P p p p p\n示，即St-1＝{S ,S ,…,S }，S ＝{Bndbox ,PosCount ,OrnCount }表示一个运动目标状态，Bndboxp＝[xp,yp,wp,hp]表示t-1时刻运动目标Sp矩形框，其中xp,yp,wp,hp分别表示矩形框Bndboxp的左上角顶点的x轴坐标位置，左上角顶点的y轴坐标位置，矩形框的宽和矩形框的高，PosCountp表示t-1时刻目标Sp在某一方向上的位移量。该步骤S104的功能主要是维护运动目标的状态列表的集合中的每个元素的状态，并对于无效的目标状态剔除，对于新的目标状态将会加入到状态列表中。\n[0119] 假设t时刻的目标状态列表St＝φ，对目标 i＝0，具体执行以下步骤：\n[0120] 步骤S401，对有效的运动目标的矩形框进行运动目标匹配。\n[0121] 具体地，判断 是否与目标序列St-1中的一个元素Sp匹配。判断的条件为：\n[0122]\n[0123] 其中area(·)表示运动目标矩形框的面积，μ表示运动目标矩形框面积重合度，[0124] 取值范围为[0.3,1]，优选地，μ＝0.5。\n[0125] a、如果 不与目标序列St-1中的任何一个元素匹配上，那么\n[0126]\n[0127] i＝i+1返回步骤S401。\n[0128] b、如果 与目标序列St-1中的一个元素Sp匹配上，\n[0129] Sp＝{Bndboxp,PosCountp,OrnCountp}\n[0130] 那么执行步骤S402。\n[0131] 步骤S402，对匹配到的运动目标进行运动位移量统计。\n[0132] 更新公式如下：\n[0133]\n[0134]\n[0135] 其中 为位移量估计函数，如图8所示，具体计算公式如下：\n[0136]\n[0137] 以上式子表示矩形框运动方向与要检测的方向的内积。\n[0138] 步骤S403，对匹配到的运动目标进行运动方向持续性统计。\n[0139] 更新公式如下：\n[0140]\n[0141] 其中\n[0142]\n[0143] 其中[θ-δ,θ+δ]表示有效的运动方向，δ方向容忍的阈值范围，δ优选为20，例如考察的是目标在垂直方向上的运动，则θ,δ分别设置为90,20，即[θ-δ,θ+δ]设置为[70,110]；\n[0144] 如果考察的是目标在水平向下的运动，则θ,δ分别设置为270,20，即[θ-δ,θ+δ]设置为[250,290]；\n[0145] 如果考察的是目标在水平向左的运动，则θ,δ分别设置为180,20，即[θ-δ,θ+δ]设置为[160,200]；\n[0146] 如果考察的是目标在水平向右的运动，则θ,δ分别设置为0,20，即[θ-δ,θ+δ]设置为[-20,20]，即[340,359]∪[0,20]。\n[0147] 由步骤S402和S403计算得到了新的Sp。将添加到目标列表中，即：\n[0148] St＝St∪Sp\n[0149] i＝i+1返回步骤S401。\n[0150] 以上循环结束后，得到了新的目标状态列表St。\n[0151] 步骤S105，输出目标位移和方向\n[0152] 由步骤S104得到的新的目标状态列表St，该状态列表St中分别包括了每个目标都包含的目标唯一标识符，目标矩形框，目标运动位移量计数，目标运动方向计数，输出新的目标状态列表St。\n[0153] 如图5所示，本发明实施例的运动方向特定为 θ∈[0°,360°)，即\n单位向量；例如垂直方向表示为[1,0]，如图6所示。图7为本发明实施例的目标运动方向和特定方向的位移量示意图。\n[0154] 如图8所示，其展示了本发明所述方法的对垂直向上运动方向的检测效果图。图中的每行的图片表示同一时刻的效果图。第1列表示彩色原图；第2列表示转换后的灰度图，第\n3列表示位移量统计和运动方向的计数，图中第一个数值表示位移量，第二个数值表示方向统计量；第四列表示目标当前的运动方向估计，箭头表示目标当前的运动方向。注意到，第3列的图片，随着时间的推移，统计到的计数会不断的增加，这些信息对目标状态的判断有很大的辅助作用，目标的运动往往都是有一定的时间周期的，如人起立的动作时间是基本一致的，因此可根据目标在特定方向上持续的运动时间来判断目标是否起立由效果图可知，本算法在86％((18-5)/(215-210+1))的帧图上都检测到了目标的运动方向；同样地，目标在实际世界坐标中的起立和坐下的高度具有明显的差异，因此可根据目标在特定方向上的持续的运动位移量来估计目标在实际世界坐标中的实际高度等。\n[0155] 使用本发明所述方法能避免背景建模导致的背景更新慢，前景空洞现象严重的问题，并且使得检测到运动位移量和运动方向持续性计数更加的精确和稳定，为应用开发提供有效、准确的信息。\n[0156] 本发明通过以上方法使得目标在特定方向上的位移量计算更加的精确，所有的估算信息对目标的进一步判断都非常的简单有效。\n[0157] 本发明还提供一种基于视频的运动模式检测装置，请参阅图9，其为本发明实施例提供的一种基于视频的运动模式检测装置示意图。\n[0158] 本发明所述装置包括了图像获取模块901、运动前景估计模块902、运动目标检测模块903和目标状态更新模块904。各个模块具体功能描述如下：\n[0159] 图像获取模块901，用于获取视频图像。从数据库或者外部文件中导入视频图像，并对视频图像进行预处理，包括了将彩色图像转成单通道灰度图像，再将单通道灰度图像的宽和高进行归一化，即固定相同的宽和高，宽高分别表示为W,H，对单通道灰度图像进行平滑处理，例如高斯平滑或者中值平滑等。\n[0160] 运动前景估计模块902，与图像获取模块901连接，用于估计当前帧的运动前景图像。该模块主要实现了基于运动前景图像和轮廓提取的前景估计功能。\n[0161] 请参阅图10，在一实施例中，所述运动前景估计模块902包括：\n[0162] 运动前景图像建立单元9021，用于建立初步的运动前景图像；\n[0163] 具体地，运动前景图像建立单元9021建立的运动前景图像 中每个元素的值，通过如下方式进行更新：\n[0164]\n[0165] 其中，λ表示运动前景图像的更新周期，根据不同的应用场景有较大的差别，但取值的原则为：根据目标完成一个动作所消耗的时间(单位：毫秒)，本实施例中，优选λ＝\n2000，ξ＜λ表示更新周期λ的粒度，本实施例中优选ξ＝1000。\n[0166] 轮廓图像提取单元9022，用于对运动前景图像进行轮廓提取得到轮廓图像。\n[0167] 轮廓图像提取单元9022具体工作包括：\n[0168] 首先需要对运动前景图像 分别按照先后顺序进行一次膨胀滤波操作和腐蚀滤波操作，得到新的图像 滤波算子F0大小5×3，优选地，算子构造如下：\n[0169]\n[0170] 然后再利用轮廓查找方法(具体的轮廓查找方法较多，本实例优选采用TehChin89的方法，请参见文献：Teh,C.H.and Chin,R.T.,On the Detection of Dominant Points on Digital Curve.PAMI 11 8,pp 859-872(1989))，对新的图像 提取前景轮廓(不包括空洞的连通域)，得到一幅二值轮廓图像\n[0171] 接着再对二值轮廓图像 进行一次腐蚀滤波操作，滤波算子F1大小为3×3，优选地，算子构造如下：\n[0172]\n[0173] 得到新的轮廓图像\n[0174] 运动历史图像建立单元9023，用于对轮廓图像再次建立运动历史图像。\n[0175] 具体地，运动历史图像建立单元9023建立的运动历史图像 中每个元素的值，通过如下方式进行更新：\n[0176]\n[0177] 其中λ表示运动历史图像的更新周期，这里优选λ＝2000，ξ＝1000。\n[0178] 运动目标检测模块903，与运动前景模块902连接，用于对运动前景图像的运动目标进行检测。\n[0179] 请参阅图11，在一实施例中，所述运动目标检测模块903包括\n[0180] 查找单元9031，通过轮廓查找方法找到初步的运动目标；\n[0181] 具体地，查找单元9031利用轮廓查找方法找到初步的运动目标，得到n个运动目标的矩形框，记为\n[0182] 过滤单元9032，用于过滤无效的运动目标，得到有效的运动目标的矩形框；\n[0183] 具体地，过滤单元9032按照一定的过滤方法去掉无效的运动目标，具体地过滤无效目标的方法为：对于Bn中的边界框 i∈{1,...,n}，如果 的面积大于(W*H)/γ，则 是有效的，这里优选γ＝400。过滤后得到m个有效的运动目标的矩形框，记为\n[0184] 填充单元9033，用于对有效的运动目标的矩形框所对应的运动前景图像进行填充；\n[0185] 具体地，填充单元9033首先查找运动历史图像 的内轮廓，即空洞的轮廓。假设找到了K条内轮廓, 其中 (k＝1,...,K)表示一条\n内轮廓，pi＝(xi,yi)表示像素坐标点；\n[0186] 然后，对每条内轮廓 (k＝1,...,K)做以下操作：\n[0187] a、初始化， 轮廓标识符 (k＝1,...,K)，设置所有元素均\n为0，以表示相应位置的像素未被填充，如果相关位置的像素被填充，那么标识为1。\n[0188] b、从轮廓标识符Ftk查找到一个未被表示的轮廓点 满足fi＝0。如果未找到，那么则完成了对 内部像素的填充。\n[0189] c、从轮廓标识符Ftk中查找一个满足xi＝xj条件的元素pj。\n[0190] d、选择填充的像素值\n[0191] e、填充 垂直方向向上的元素：\n[0192]\n[0193] 估算单元9034，用于对有效的运动目标的矩形框估算其运动方向。\n[0194] 具体地，估算单元9034对有效的运动目标的矩形框Bm中的每个矩形框的相应的运动方向作如下计算：\n[0195] a、考虑矩形框 其中η∈{1,...,10}，这里优选η＝1。如果检测\n的方向为垂直向上，或者向下，那么可优选η＝4。\n[0196] b、计算在感兴趣区域 下，运动历史图像 的运动方向，这里采\n用了方向直方图的主方向作为目标的运动方向，直方图的bin数根据实际的情况进行设定，本实施例中优选地，bin＝15，计算得到的运动方向角度记为Ai\n[0197] 由此得到每个有效的运动目标的矩形框的运动方向 元素取\n值范围为[0,359]，单位为度数。\n[0198] 目标状态更新模块904，与运动目标检测模块903连接，用于对运动目标的状态进行更新。该模块实现了对目标的状态信息进行更新。具体地，根据新的运动目标状态，维护运动目标的信息。\n[0199] 请参阅图12，在一实施例中，所述目标状态更新模块904包括：\n[0200] 运动目标匹配单元9041，用于对有效的运动目标的矩形框进行运动目标匹配；\n[0201] 具体地，运动目标匹配单元9041判断 是否与目标序列St-1中的一个元素Sp匹配。\n判断的条件为：\n[0202]\n[0203] 其中area(·)表示运动目标矩形框的面积，μ表示运动目标矩形框面积重合度，取值范围为[0.3,1]，优选地，μ＝0.5。\n[0204] a、如果 不与目标序列St-1中的任何一个元素匹配上，那么\n[0205]\n[0206] i＝i+1返回步骤S401。\n[0207] b、如果 与目标序列St-1中的一个元素Sp匹配上，\n[0208] Sp＝{Bndboxp,PosCountp,OrnCountp}。\n[0209] 运动位移量统计单元9042，用于对匹配到的运动目标进行运动位移量统计；具体地，运动位移量统计单元9042更新公式如下：\n[0210]\n[0211]\n[0212] 其中 为位移量估计函数，如图8所示，具体计算公式如下：\n[0213]\n[0214] 以上式子表示矩形框运动方向与要检测的方向的内积。\n[0215] 运动方向统计单元9043，对匹配到的运动目标进行运动方向持续性统计；具体地，运动方向统计单元9043更新公式如下：\n[0216]\n[0217] 其中\n[0218]\n[0219] 其中[θ-δ,θ+δ]表示有效的运动方向，δ方向容忍的阈值范围，δ优选为20，例如考察的是目标在垂直方向上的运动，则θ,δ分别设置为90,20，即[θ-δ,θ+δ]设置为[70,110]；\n[0220] 如果考察的是目标在水平向下的运动，则θ,δ分别设置为270,20，即[θ-δ,θ+δ]设置为[250,290]；\n[0221] 如果考察的是目标在水平向左的运动，则θ,δ分别设置为180,20，即[θ-δ,θ+δ]设置为[160,200]；\n[0222] 如果考察的是目标在水平向右的运动，则θ,δ分别设置为0,20，即[θ-δ,θ+δ]设置为[-20,20]，即[340,359]∪[0,20]。\n[0223] 由步骤S402和S403计算得到了新的Sp。将添加到目标列表中，即：\n[0224] St＝St∪Sp。\n[0225] 输出单元9044，将当前帧所有运动目标的状态信息，即将运动位移量，运动方向计数和有效目标矩形框输出。\n[0226] 使用本发明所述装置可以避免背景建模导致的背景更新慢，前景空洞现象严重的问题；本发明中所述方法能有效实现运动位移量和运动方向持续性计数的更加精确和稳定，能很好的为应用开发提供有效、准确的信息，并且本发明中算法实现简单，计算复杂度低，因此能够在低成本的设备上实时运行。\n[0227] 本发明所述方法和装置可以用于教学视频监控方面，用于检测学生或老师的具体运动状态；也可以用于会议室或者其他公共场所，用于检测特定人员的具体运动状态。\n[0228] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。\n[0229] 以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。