(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210394392.9 (22)申请日 2022.04.15 (71)申请人 北京同方软件 有限公司 地址 100083 北京市海淀区王庄路清华同 方科技广场A座2 9层 (72)发明人 王亚涛　江龙　张磊　宁志勇　 郭俊　董晓燚　 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/52(2022.01) H04N 5/232(2006.01) H04N 7/18(2006.01) G06V 10/774(2022.01) G06V 10/75(2022.01) G06V 10/764(2022.01) (54)发明名称 一种摄像机转动和拉近缩放的识别方法 (57)摘要 一种摄像机转动和拉近缩放的识别方法， 涉 及基于视频图像的目标检测、 应用于交通场景下 的视频监控数据的智能事件分析系统以及交通 参数计算系统。 本发明的方法步骤为： 1） 提取视 频每一帧的图像数据， 进行特征点匹配； 2） 根据 匹配特征点的信息累积、 融合生成运动匹配特征 图； 3） 对运动匹配特征图进行深度学习多任务强 化分割分类算法， 根据深度学习分割结果判断摄 像机是否有转动、 拉近缩放动作。 同现有技术相 比， 本发明采用一种通用方案， 即能解决多场景 下、 不同天气情况下、 不同状态下的摄像机转动 和拉近缩放识别， 具有识别精度高、 实时性强的 特点。 权利要求书1页 说明书7页 附图1页 CN 114821409 A 2022.07.29 CN 114821409 A 1.一种摄 像机转动和拉近缩放的识别方法， 其 步骤为： 1） 提取视频每一帧的图像数据， 进行 特征点匹配； 2） 根据匹配特 征点的信息累积、 融合 生成运动匹配特 征图； 3） 对运动匹配特征图进行深度学习多任务强化分割分类算法， 根据深度 学习分割结果 判断摄像机是否有转动、 拉近缩放动作。 2.根据权利要求1所述摄像机转动和拉近缩放的识别方法， 其特征在于， 所述特征点提 取两种， 分为静态特征点和动态特征点， 其中静态特征点选取为图像宽度大小且图像高度 一半的所有点， 即一行图像上所有点； 动态特征点选取为图像高度大小的所有点， 即一列图 像上所有点， 动态性体现为随着时间序列不断右 移。 3.根据权利要求1或2所述摄像机转动和拉近缩放的识别方法， 其特征在于， 所述生成 的运动匹配特 征图为两个， 分别为静态特 征匹配图和动态特 征匹配图。权　利　要　求　书 1/1 页 2 CN 114821409 A 2一种摄像机转动和拉近缩放的识别方 法 技术领域 [0001]本发明涉及基于视频图像的目标检测、 应用于交通场景下的视频监控数据的智能 事件分析系统以及交通参数计算系统， 特别是将视频数据转换生成单张图片， 根据该图片 的特性进行深度学习计算， 实现了一个模型完成多个任务的功能， 快速高效精确 地完成摄 像机转动和拉近或者缩放识别计算。 背景技术 [0002]摄像机的监控角度和范围对实际应用具有重要的作用， 但是在实际应用中会出现 一些摄像机不在正常监控范围的情况， 而且由于人工不能及时发现， 造成了监控资源的浪 费。 [0003]传统的摄像机转动和拉近缩放识别方法是根据图像前景的变化进行判断， 具有一 定的效果， 但是 由于前景提取受较多因素影响具有不稳定性， 因此该方案经常存在一定的 误判。 而且通过 该方案无法区分摄 像机是转动还是拉近、 缩放， 具有一定的局限性。 [0004]特征点匹配算法在摄像机转动和拉近缩放判别中具有较多的应用。 图像中的特征 点通常是指与周围像素值存在明显差异， 颜色值不连续的点， 一般包括线段交点、 重心点、 高差异的点、 局部曲率不连续点、 曲线拐点、 角点等。 通常特征点都具有一定的旋转、 平移、 尺度缩放不变性， 同时对光照变化保持一定的不变性。 考虑到跟踪算法实时性的要求， 通常 选用FAST特征点来进行目标跟踪， FAST的全称为Features  From Accelerated  Segment  Test， 其定义为若某像素点与其周围领域内足够多的像素点处于不同的区域， 则该像素点 可能为角点。 FAST特征点是一种简单快速的特征点检测算法， 相比于其他的特征点检测算 法， 它的计算速度有了很大程度的提高。 FAST特征点是指在该像素点的周围邻域内， 有足够 多的像素点与该点的颜色值相差较大， 也就是说在图像中FAST 特征点与其周围像素点颜色 值不同。 但是该方案需要实时提取图像中的FAST特征点， 而且需要进 行匹配计算， 运算量较 大， 而且精度也 不高。 [0005]随着深度学习技术的发展， 基于深度学习的目标检测、 分割和分类算法都有比较 成熟和较多的应用， 不过一般都是针对 单张图片的。 摄像机转动和拉近缩放 都是一个过程， 是一个视频序列， 因此无法直接使用深度学习 单张图片的识别方法。 同时如果每一帧都使 用深度学习算法进行计算， 需要比较大的计算 量， 对系统要求较高。 [0006]上述现有技 术存在的不足是： 1.前景提取方法， 对图像质量、 光线、 摄 像机抖动特别敏感。 [0007]2.基于深度学习的目标检测方法， 检测效果比较好， 但是在CPU模式下检测比较费 时间， 无法达 到实时的效果。 [0008]3.效率低， 需要每一帧都进行计算， 需要较多的资源占用。 [0009]4.精度低， 特 征点提取不确定， 而且特 征点匹配算法计算 量比较大。 [0010]目前， 基于摄像机 的智能分析目前在多个行业多个场景都有较多应用， 摄像机的 有效监控角度和范围对实际场景的监控分析具有重要的作用， 尤其是有效地识别大批量的说　明　书 1/7 页 3 CN 114821409 A 3