一種視頻監(jiān)控網(wǎng)絡(luò)中指定行人或車輛的快速檢測識別方法
【專利摘要】本發(fā)明涉及一種視頻監(jiān)控網(wǎng)絡(luò)中指定行人或車輛的快速檢測識別方法。根據(jù)用戶提供的目標(biāo)模板，在監(jiān)控網(wǎng)絡(luò)視頻中對指定目標(biāo)進(jìn)行準(zhǔn)確而快速地檢測識別。本發(fā)明首先對目標(biāo)模板圖像進(jìn)行歸一化尺度變換并計算模板圖像的多種混合特征；然后采用混合高斯模型對各監(jiān)控視頻進(jìn)行背景建模，并行處理，利用面積濾波和形態(tài)學(xué)后處理提取運動前景；對所有滿足初步篩選條件的運動前景進(jìn)行歸一化尺度變換并計算多種混合特征，之后計算各運動前景與目標(biāo)模板之間的加權(quán)相似性距離，將小于判定閾值且與目標(biāo)模板圖像加權(quán)相似性距離最小的前N個物體返回，作為檢測識別結(jié)果。本發(fā)明在保證檢測識別準(zhǔn)確度的基礎(chǔ)上，通過并行處理和跳幀等方法大大提高了算法的處理速度。
【專利說明】一種視頻監(jiān)控網(wǎng)絡(luò)中指定行人或車輛的快速檢測識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及視頻圖像處理【技術(shù)領(lǐng)域】，具體為一種視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法。
【背景技術(shù)】
[0002]在智能監(jiān)控領(lǐng)域，對監(jiān)控視頻網(wǎng)絡(luò)中的指定行人或車輛進(jìn)行檢測和識別可以幫助公安機(jī)關(guān)快速確定嫌疑犯或嫌疑車輛的出現(xiàn)時間和位置，加快案件偵查效率。但由于實際應(yīng)用場景中存在著光照條件變化、不同監(jiān)控攝像頭之間存在著參數(shù)差異、運動物體(行人、車輛等)存在姿態(tài)變化和相互遮擋，并且行人或車輛在監(jiān)控視頻中的尺寸通常較小，例如人臉或車牌等細(xì)節(jié)信息不能得到保證，因此如何在多攝像頭監(jiān)控網(wǎng)絡(luò)中快速而準(zhǔn)確的檢測和識別出指定行人或車輛一直是計算機(jī)視覺領(lǐng)域研究的熱點和難點。
[0003]Oreifej 于 2OlO 發(fā)表在《IEEE Comptuer Society Conference on ComputerVis1n and Pattern Recognit1n))(國際電子電氣工程師協(xié)會計算機(jī)學(xué)會計算機(jī)視覺與模式識別會議)技術(shù)集709至716頁上發(fā)表的技術(shù)“Human identity recognit1n inaerial images”(航拍圖像中行人身份識別)文章中提出了一種基于投票選舉的航拍跨視頻復(fù)雜背景下的行人識別方法，此技術(shù)首先利用HoG(Histograms of Oriented Gradient梯度方向直方圖)特征檢測視頻中的行人區(qū)域，構(gòu)成視頻序列中所有出現(xiàn)的行人集合，稱為候選人集合，通過預(yù)先準(zhǔn)備的用于訓(xùn)練的目標(biāo)行人特征集合對候選人按特征相似度進(jìn)行投票，得票最高的行人即為最可疑目標(biāo)。該算法較好的解決了圖像分辨率較低、行人姿態(tài)多變等復(fù)雜環(huán)境下的目標(biāo)行人識別問題。但此方法因為要在視頻圖像中多尺度反復(fù)掃描逐一檢測行人區(qū)域，且需要多張目標(biāo)模板圖像作為投票人集合，因此在速度和實際可行性上都存在不足。
[0004]因為監(jiān)控視頻通常具有固定視角，使得通過背景建模來分割運動前景的方法可以有效實施，相比于利用HoG特征對視頻圖像進(jìn)行多尺度掃描判別，此類方法在固定視角場景下對運動物體的檢測分割快速而高效，但當(dāng)攝像頭存在移動時此方法將不再適用。
[0005]減少訓(xùn)練環(huán)節(jié)也是目標(biāo)檢測識別中的難點，目前一些基于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的檢測識別算法雖然識別準(zhǔn)確度高，但計算量較大，且需要預(yù)先提供大量目標(biāo)模板圖像用于訓(xùn)練，在刑偵等目標(biāo)模板信息較少的領(lǐng)域應(yīng)用價值不高。
[0006]上述方法各有優(yōu)缺點，如何針對特定應(yīng)用場景對上述方法進(jìn)行有效結(jié)合，目前的研究并不充分。這促使尋找一種適用于監(jiān)控網(wǎng)絡(luò)中刑偵工作的合理方法框架，在保證方法準(zhǔn)確率的同時，提高方法速度，達(dá)到實時處理。
【發(fā)明內(nèi)容】
[0007]本發(fā)明提供一種視頻監(jiān)控網(wǎng)絡(luò)中指定行人或車輛的快速檢測識別方法，以解決現(xiàn)有技術(shù)檢測速度較慢，且大多需要提前在訓(xùn)練集上進(jìn)行線下訓(xùn)練的問題。
[0008]為達(dá)到上述目的，本發(fā)明采用如下計的技術(shù)方案:一種視頻監(jiān)控網(wǎng)絡(luò)中指定行人或車輛的快速檢測識別方法，包括以下步驟:
[0009]步驟1:首先通過矩形框標(biāo)定的方式從包含指定行人或車輛的圖片或視頻中框取待檢測識別目標(biāo)；
[0010]步驟2:對選定的目標(biāo)模板圖像進(jìn)行歸一化尺度變換，并計算目標(biāo)模板圖像的多種混合特征；
[0011]步驟3:為每個攝像頭拍攝的監(jiān)控視頻開設(shè)獨立的線程，對監(jiān)控網(wǎng)絡(luò)中各攝像頭并行處理，利用高斯混合模型對各個攝像頭所處的監(jiān)控場景分別進(jìn)行背景建模；
[0012]步驟4:利用面積濾波和形態(tài)學(xué)后處理提取各個攝像頭中的運動前景目標(biāo)；通過設(shè)定運動目標(biāo)面積閾值來濾除面積過小的運動目標(biāo)，以便過濾掉場景中不屬于行人或車輛的其它運動物體；
[0013]步驟5:對各監(jiān)控視頻跳幀提取運動前景，對視頻監(jiān)控網(wǎng)絡(luò)中所有符合初步處理要求的運動物體進(jìn)行歸一化尺度變換并計算多種混合特征，之后與目標(biāo)模板圖像進(jìn)行加權(quán)相似性度量；
[0014]步驟6:按照與模板圖像的相似性大小，將監(jiān)控網(wǎng)絡(luò)中各監(jiān)控視頻里的被檢測運動物體的信息動態(tài)放入指定長度的結(jié)果向量^^-,，當(dāng)遍歷所有監(jiān)控視頻后，返回該結(jié)果向量作為最終的檢測識別結(jié)果。
[0015]進(jìn)一步地，步驟2中所述的多種混合特征為主顏色特征、分塊邊緣方向直方圖特征、分塊HSV直方圖特征、HoG特征和等價旋轉(zhuǎn)不變LBP特征。其具體實現(xiàn)過程為:
[0016]步驟2.1:其中主顏色特征的生成過程為:
[0017]①將歸一化尺度變換后的目標(biāo)模板圖像從RGB空間轉(zhuǎn)換到HSV空間，僅提取圖像在HSV空間中的色調(diào)分量；
[0018]②將色調(diào)分量的取值范圍劃分為8個區(qū)間，將目標(biāo)模板圖像的色調(diào)分量按照這8個區(qū)間投影成為8維H分量直方圖chist,其中chist的第i個區(qū)間的取值Chisti由下式得到:
[0019]chlstI = Σ (W1.'.')
{)eRect
[0020]其中hx，y是指圖像(X，y)坐標(biāo)位置像素點的色調(diào)分量值，Rect是指目標(biāo)模板圖像或者運動前景檢測出的前景區(qū)域，S1^y)定義如下:
(I, K45*/,45*(/ + l))
[0021]= L.；.[O, otherwise
[0022]③分別計算8個色調(diào)區(qū)間的平均色調(diào)值Ci，并將8維直方圖進(jìn)行歸一化處理，得到 = Y Chislj ;從8維歸一化直方圖中選取Pi最大的3維，用向量vd。保存這3維所對應(yīng)的
Ci和Pi構(gòu)成該目標(biāo)的主顏色特征。因此主顏色特征Vd。共由6維組成，對應(yīng)了目標(biāo)圖像中占比最大的3個顏色分量的色調(diào)值和所占百分比vd。= [C1, P1, c2, p2, c3, p3]；
[0023]步驟2.2:其中分塊邊緣方向直方圖的生成過程為:
[0024]①首先將歸一化尺度變換后的目標(biāo)圖像由RGB彩色圖像轉(zhuǎn)化為灰度圖像，并分割成4X4共16塊；
[0025]②利用Sobel水平邊緣檢測算子和Sobel垂直邊緣檢測算子對灰度圖像進(jìn)行濾波，得到每個像素點的水平邊緣強(qiáng)度和垂直邊緣強(qiáng)度，并利用它們得到每個像素點的邊緣方向ex，y和邊緣強(qiáng)度k，y| ;
[0026]③將像素點根據(jù)邊緣方向和強(qiáng)度分成五種類型:水平邊緣、垂直邊緣、45°邊緣、135°邊緣以及無方向邊緣；利用前面的四種邊緣來構(gòu)建邊緣方向直方圖；
[0027]④設(shè)定無方向邊緣閾值?；，在每個分塊中，對所有邊緣強(qiáng)度大于Te的像素點按照邊緣方向進(jìn)行直方圖統(tǒng)計，生成4維邊緣方向直方圖；4 X 4個分塊共生成64維邊緣方向直方圖，將這64維向量保存為局部邊緣方向特征ehist1 ;再將16個分塊中的4維邊緣方向直方圖進(jìn)行累加，構(gòu)成整幅目標(biāo)圖像的4維全局邊緣方向特征ehistg ;將他們合并成68維向量，保存為分塊邊緣方向直方圖特征;
[0028]步驟2.3:其中分塊HSV直方圖的生成過程為:
[0029]①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像由RGB色彩空間投影到HSV色彩空間，并將圖像從上至下水平等分成4塊；
[0030]②分別計算4個分塊內(nèi)的HSV直方圖，其中色調(diào)分量分成16個區(qū)間，飽和度分量和亮度分量各分為4個區(qū)間，每個分塊最終得到24維直方圖特征；將4個24維直方圖拼接構(gòu)成整幅圖像的96維分塊HSV直方圖；
[0031]步驟2.4:其中HoG特征的生成過程為:
[0032]①將歸一化尺度變換后的目標(biāo)模板圖像轉(zhuǎn)化為灰度圖像，并對灰度圖像進(jìn)行Gamma校正，降低局部陰影和光照變化對特征提取過程的影響；
[0033]②用[-1，O, I]梯度算子對圖像做卷積運算，得到每個像素點的水平梯度Gx(X，y)，再用[1，0，-1]τ梯度算子對圖像做卷積運算，得到每個像素點的垂直梯度&(1，50 ;并利用水平梯度和垂直梯度計算梯度幅值和梯度方向:
[0034]G(x, y) = ^Gx(x,y)2 +Gy(x,y)2
…、 -1 G'.(-V，V)
[0035]ilir(x.,y) = Ian (―--)
(,'.(W)
[0036]③將圖像分割成多個8X8像素的細(xì)胞單元，將梯度方向按取值范圍平均劃分為9個區(qū)間，按照細(xì)胞單元中每個像素點的梯度方向，生成9維梯度直方圖；
[0037]④設(shè)定每4個相鄰的細(xì)胞單元組成一個分塊，即每個分塊有16 X 16像素，且分塊間可相互重疊；將每個分塊中4個細(xì)胞單元的9維梯度直方圖串聯(lián)，得到36維的分塊描述向量;
[0038]⑤設(shè)定64X64的窗口，將窗口沿垂直方向從上往下滑動，滑動間隔為8個像素點，將窗口所包含的所有分塊的描述向量進(jìn)行串聯(lián)，構(gòu)成整個窗口的描述向量，再將所有窗口的描述向量進(jìn)行串聯(lián)，最終得到HoG特征向量Vtog ；
[0039]步驟2.5:其中等價旋轉(zhuǎn)不變LBP特征的生成過程為:
[0040]①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像轉(zhuǎn)化為灰度圖像，對于圖中每個像素點，比較其與周圍8個相鄰像素點的灰度值大小，鄰居點灰度值大于該像素點則置為1，反之則置為O ;再從12點鐘位置開始按順時針方向?qū)?個數(shù)字串聯(lián)成一個8位2進(jìn)制數(shù)，計算公式如下:[0041 ] LBPp r = Z s(gy - gr )2'
產(chǎn)0
fl, x>0
[0042].S'(a-) = n
[0, X < 0
[0043]其中，P為鄰居數(shù)，R為半徑大小，gy和g。分別為鄰居像素點的灰度值和中心位置像素點的灰度值；
[0044]②將得到的每個8位2進(jìn)制數(shù)首尾相連，形成一個環(huán)形，將該環(huán)形順時針旋轉(zhuǎn)7次，一共可以得到8組8位2進(jìn)制數(shù)，選取8組2進(jìn)制數(shù)中值最小的2進(jìn)制數(shù)，該數(shù)即為像素點對應(yīng)的旋轉(zhuǎn)不變LBP值；
[0045]③將由步驟②得到的旋轉(zhuǎn)不變LBP值分為兩類，其中0-1轉(zhuǎn)換次數(shù)不多于2次的歸為一類，稱為一致LBP算子；將其余的2進(jìn)制數(shù)都?xì)w為另一類；通過上述分類，一致旋轉(zhuǎn)不變LBP算子共有9種，非一致LBP算子共有I種；
[0046]④將圖像分割成多個16X 16像素的小塊，計算每個小塊中像素點LBP值，構(gòu)成一個10維的等價旋轉(zhuǎn)不變LBP直方圖；將所有小塊的LBP直方圖進(jìn)行串聯(lián)，最終得到840維的等價旋轉(zhuǎn)不變LBP特征Vusp ；
[0047]進(jìn)一步地，步驟4中所述的利用面積濾波和形態(tài)學(xué)后處理提取各個攝像頭中的前景目標(biāo)，其具體實現(xiàn)包括如下子步驟:
[0048]步驟4.1:對混合高斯背景建模和閾值化處理后的二值化圖像進(jìn)行一次面積濾波；
[0049]步驟4.2:對二值化圖像用3 X 3模板進(jìn)行3次膨脹操作；
[0050]步驟4.3:對二值化圖像再用3 X 3模板進(jìn)行I次腐蝕操作；
[0051]步驟4.4:對二值化圖像最后再進(jìn)行一次面積濾波。
[0052]步驟4中所述的面積濾波是指將二值化圖像分割成多個4X4像素點的小塊，若某個小塊中前景像素點的個數(shù)小于等于3時，則將該小塊中所有像素點定義為背景像素點，反之則保留該小塊中的前景像素點；
[0053]步驟4中所述的通過設(shè)定運動目標(biāo)面積閾值來濾除面積過小的運動目標(biāo)，其具體實現(xiàn)過程為:找出處理后二值化圖像中所有的連通區(qū)域，計算每個連通區(qū)域前景像素點的個數(shù)，設(shè)定面積閾值Th。為視頻幀圖像面積的1/400，若連通區(qū)域的面積大于Th。則保留連通區(qū)域，并返回包含該連通區(qū)域的最小矩形框作為運動前景區(qū)域；若連通區(qū)域面積小于等于Th。則將該連通區(qū)域設(shè)為背景區(qū)域。
[0054]進(jìn)一步地，步驟5中所述的對各監(jiān)控視頻跳幀提取運動前景，其具體實現(xiàn)過程為:根據(jù)用戶設(shè)定的跳幀數(shù)F，每隔F幀再將步驟4中提取的運動前景物體逐一與目標(biāo)模板圖像進(jìn)行加權(quán)相似性度量；
[0055]步驟5中所述的加權(quán)相似性度量，其具體實現(xiàn)過程為:先分別計算運動前景物體與目標(biāo)模板圖像的主顏色特征距離Dd。、分塊邊緣方向直方圖特征距離Ded、分塊HSV直方圖特征距離Dhsv、HoG特征距離Dhtjg和等價旋轉(zhuǎn)不變LBP特征距離D_，再將五種特征的距離進(jìn)行歸一化加權(quán)相似性度量，得到加權(quán)相似性距離Dall:
[0056]Dall = aDdc + fiDed + YD1,SV + 又'叫 + cPdLBP
[0057]其中α，β，Υ, λ,爐為歸一化加權(quán)系數(shù)，用于平衡各特征對整體相似性度量的影響，根據(jù)特定環(huán)境預(yù)先進(jìn)行測試來調(diào)整。
[0058]進(jìn)一步地，步驟6所述的將監(jiān)控網(wǎng)絡(luò)中各監(jiān)控視頻里的被檢測運動物體的信息動態(tài)放入指定長度的結(jié)果向量V_ult，其具體實現(xiàn)包括如下子步驟:
[0059]步驟6.1:創(chuàng)建一個具有指定長度N的向量VMsult，其中N為需要返回的監(jiān)控視頻網(wǎng)絡(luò)中與指定行人或車輛模板圖像最接近的物體個數(shù)；
[0060]步驟6.2:當(dāng)監(jiān)控視頻網(wǎng)絡(luò)中有新的運動前景被檢測出，首先判斷Viesult中保存的物體個數(shù)；
[0061]步驟6.3:若Vresult中保存的物體數(shù)小于N，當(dāng)物體與目標(biāo)模板圖像的加權(quán)相似性距離Dall滿足預(yù)先設(shè)定的相似性閾值Thall時，則將該物體的所處攝像頭編號、出現(xiàn)幀數(shù)、出現(xiàn)矩形框在該幀中的坐標(biāo)位置以及歸一化尺度變換后的物體圖像等信息保留在向量Vresult中；
[0062]步驟6.4:若Vresult中保存的物體數(shù)已經(jīng)達(dá)到N，且當(dāng)物體與目標(biāo)模板圖像的加權(quán)相似性距離Dall滿足預(yù)先設(shè)定的相似性閾值Thall時，則用該物體得到的加權(quán)相似性距離Dall與V_lt中與目標(biāo)模板距離最大的物體得到的加權(quán)相似性距離相比較，若
Dall < ，則用該物體替代V_ult中與目標(biāo)模板距離最大的物體，并將VMsult中保存的N個物體按照與目標(biāo)模板相似性距離從小到大重新排序；
[0063]步驟6.5:遍歷監(jiān)控網(wǎng)絡(luò)中所有攝像頭拍攝的監(jiān)控視頻后，返回的Vresult向量中保存著整個監(jiān)控網(wǎng)絡(luò)中與指定行人或車輛模板圖像最接近的N個物體，并包含它們各自所處的攝像頭編號、出現(xiàn)的幀數(shù)、出現(xiàn)矩形框在該幀中的坐標(biāo)位置以及歸一化尺度變換后的物體圖像信息。
[0064]本發(fā)明的原理是，監(jiān)控視頻網(wǎng)絡(luò)中的行人或車輛必定在某個時間段存在運動的過程才能進(jìn)入和離開監(jiān)控范圍，且監(jiān)控攝像頭都具有固定的視角，因此如果要對指定行人或車輛進(jìn)行快速檢測識別，只需對網(wǎng)絡(luò)中每個攝像頭分別進(jìn)行背景建模，提取各個攝像頭中運動的前景物體，經(jīng)過初步的篩選后，對每個攝像頭單獨開設(shè)線程，用指定行人或車輛的模板圖像與初選后的運動物體進(jìn)行多特征加權(quán)融合相似性度量，再對每個攝像頭中的相似性結(jié)果進(jìn)行匯總排序，即可得到整個監(jiān)控網(wǎng)絡(luò)中與指定行人或車輛最相似的前N個運動物體，作為快速檢測識別的結(jié)果；由于監(jiān)控視頻中相鄰幾幀中包含的運動前景一般不會有太大的變化，因此本發(fā)明可以在背景建模和相似性度量的過程中進(jìn)行跳幀處理，每隔F幀進(jìn)行一次運動前景相似性度量，以此進(jìn)一步加快系統(tǒng)的運算速度。
[0065]本發(fā)明具有以下優(yōu)點和積極效果:
[0066]I)與現(xiàn)有技術(shù)相比，本發(fā)明利用了監(jiān)控攝像頭視角固定和行人或車輛必定存在運動過程這兩點特性，采用前景分析的方法來初步確定目標(biāo)檢測范圍，相比多尺度搜索算法，能夠有效的縮小檢測識別的目標(biāo)范圍，提聞檢測識別的效率；
[0067]2)本發(fā)明綜合利用各種特征，同時考慮指定行人或車輛與各個運動前景在顏色、形狀、紋理等多方面的相似性程度，并對多方面信息進(jìn)行加權(quán)融合；
[0068]3)本發(fā)明只需要單一目標(biāo)模板作為輸入即可，不需要提供被檢測目標(biāo)的數(shù)據(jù)庫用于訓(xùn)練，大大增加了該方法在實際應(yīng)用中的可行性；
[0069]4)本發(fā)明引入了多攝像頭并行處理和跳幀處理等算法，從而使本發(fā)明在復(fù)雜場景中既可以準(zhǔn)確魯棒地完成指定行人或車輛的檢測識別，又能有效地降低方法的運算時間。
【專利附圖】
【附圖說明】
[0070]圖1為本發(fā)明的整體流程示意圖；
[0071]圖2(a)為本發(fā)明的監(jiān)控場景示意圖；
[0072]圖2(b)為本發(fā)明的混合高斯背景建模結(jié)果圖；
[0073]圖2(c)為本發(fā)明的形態(tài)學(xué)后處理結(jié)果圖；
[0074]圖2(d)為本發(fā)明的運動前景分割最終結(jié)果圖；
[0075]圖3為本發(fā)明指定目標(biāo)模板圖像示意圖；
[0076]圖4為本發(fā)明指定目標(biāo)快速檢測識別結(jié)果圖；
【具體實施方式】
[0077]下面結(jié)合具體實施例，進(jìn)一步闡述此發(fā)明。本實施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實施，給出了詳細(xì)的實施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實施例。
[0078]實施例
[0079]本發(fā)明所選擇的軟件環(huán)境:WindoWS7.0操作系統(tǒng)，VS2010開發(fā)平臺，C/C++開發(fā)語言，0penCV2.3.1 開發(fā)包。
[0080]本實施例對某監(jiān)控網(wǎng)絡(luò)進(jìn)行處理。該監(jiān)控網(wǎng)絡(luò)中視頻場景較為復(fù)雜，存在大量運動物體，且運動物體之間會有相互遮擋，各攝像頭之間也由于參數(shù)和位置關(guān)系，存在著光照變化和色差。
[0081]請見圖1，本發(fā)明所采用的技術(shù)方案是:一種視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，包括以下步驟:
[0082]步驟1:首先通過矩形框標(biāo)定的方式從包含指定行人或車輛的圖片或視頻中框取待檢測識別目標(biāo)；
[0083]用戶由人機(jī)接口提供包含指定行人或車輛的圖片或監(jiān)控視頻數(shù)據(jù)，利用矩形框標(biāo)定的方法，從該圖片或視頻幀圖像中框取指定行人或車輛所處的位置，將矩形框所包含的區(qū)域單獨分割成一幅圖像。
[0084]步驟2:對選定的目標(biāo)模板圖像進(jìn)行歸一化尺度變換，并計算目標(biāo)模板圖像的多種混合特征；
[0085]將目標(biāo)模板圖像歸一化尺度變換為64X 128像素大小，分別計算目標(biāo)模板圖像的主顏色特征、分塊邊緣方向直方圖特征、分塊HSV直方圖特征、HoG特征和等價旋轉(zhuǎn)不變LBP特征，以從顏色、形狀、紋理等多方面對指定行人或車輛進(jìn)行表達(dá)。
[0086]步驟2.1:其中主顏色特征的生成過程為:
[0087]①將歸一化尺度變換后的目標(biāo)模板圖像從RGB空間轉(zhuǎn)換到HSV空間，僅提取圖像在HSV空間中的色調(diào)分量；主顏色特征只采用色調(diào)分量進(jìn)行計算相當(dāng)于只考慮目標(biāo)的色彩組成，從而使特征對不同攝像頭的光照變化和飽和度差異不敏感，以此增強(qiáng)特征的魯棒性。
[0088]②將色調(diào)分量的取值范圍劃分為8個區(qū)間，將目標(biāo)模板圖像的色調(diào)分量按照這8個區(qū)間投影成為8維H分量直方圖chist,其中chist的第i個區(qū)間的取值Chisti由下式得到:
[0089]Chisli = ^
? λ:, V )eRect
[0090]其中hx，y是指圖像(x，y)坐標(biāo)位置像素點的色調(diào)分量值，Rect是指目標(biāo)模板圖像或者運動前景檢測出的前景區(qū)域。S1^y)定義如下:
「 ^、{I, /7、.,.e[45*/，45*(/ + l))
[0091]0:{Ι?χ ,.) = ^;.，.[O, otherwise
[0092]③分別計算8個色調(diào)區(qū)間的平均色調(diào)值Ci，并將8維直方圖進(jìn)行歸一化處理，得到 chist
P' =y —；從8維歸一化直方圖中選取Pi最大的3維，用向量vd。保存這3維所對應(yīng)的
J
Ci和Pi構(gòu)成該目標(biāo)的主顏色特征。因此主顏色特征Vd。共由6維組成，對應(yīng)了目標(biāo)圖像中占比最大的3個顏色分量的色調(diào)值和所占百分比vd。= [C1, P1, c2, p2, c3, p3]
[0093]給定兩個主顏色特征向量，則它們之間的距離Dd。定義如下:
[0094]Dih (VilrMh) =
[0095]上式中的a。用來表征顏色分量Ci和Cj的相似程度，其通過以下公式進(jìn)行定義:
[0096]
_ I I ci ~ Cj I, I c1- cj Is 180。
u "{360°-1 Cj.-Ci I, Ic1-C'.|> 180。
f Clli
I — ~if Ci1.< T1
[0097]aKj=l JraaxJ
0,o h le rw is e
[0098]在本實例中Td = 25，dmax = 50。
[0099]步驟2.2:其中分塊邊緣方向直方圖的生成過程為:
[0100]①首先將歸一化尺度變換后的目標(biāo)圖像由RGB彩色圖像轉(zhuǎn)化為灰度圖像，并分割成4X4共16塊。
[0101]②利用Sobel水平邊緣檢測算子和Sobel垂直邊緣檢測算子對灰度圖像進(jìn)行濾波，得到每個像素點的水平邊緣強(qiáng)度和垂直邊緣強(qiáng)度，并利用它們得到每個像素點的邊緣方向ex，y和邊緣強(qiáng)度|ex，y|。
[0102]③常規(guī)的主顏色特征將像素點根據(jù)邊緣方向和強(qiáng)度分成五種類型:水平邊緣、垂直邊緣、45°邊緣、135°邊緣以及無方向邊緣；其中無方向邊緣是指邊緣強(qiáng)度小于某一特定閾值的像素點；由于無方向邊緣像素點通常在整幅圖像中占很大比例，因此在本發(fā)明中僅考慮前面的四種邊緣來構(gòu)成邊緣方向直方圖。
[0103]④設(shè)定無方向邊緣閾值Te，在本實例中Te = 100。在每個分塊中，對所有邊緣強(qiáng)度大于Te的像素點按照邊緣方向進(jìn)行直方圖統(tǒng)計，生成4維邊緣方向直方圖。4X4個分塊共生成64維邊緣方向直方圖，將這64維向量保存為局部邊緣方向特征ehist1 ;再將16個分塊中的4維邊緣方向直方圖進(jìn)行累加，構(gòu)成整幅目標(biāo)圖像的4維全局邊緣方向特征ehistg ；將他們合并成68維向量，保存為分塊邊緣方向直方圖特征Vral。
[0104]給定兩個分塊邊緣方向直方圖特征，則它們之間的距離Ded定義為:
644
[0105]Ded (ved,V:d) = [I ehist] — ehist- | + 5 χ [丨 ehistf — ehist'g |
i=l i=l
[0106]相比于局部分量，本發(fā)明對全局分量賦予了更大的權(quán)重。
[0107]步驟2.3:其中分塊HSV直方圖的生成過程為:
[0108]①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像由RGB色彩空間投影到HSV色彩空間，并將圖像從上至下水平等分成4塊。
[0109]②分別計算4個分塊內(nèi)的HSV直方圖，其中色調(diào)分量分成16個區(qū)間，飽和度分量和亮度分量各分為4個區(qū)間，因此每個分塊最終得到24維直方圖特征。將4個24維直方圖拼接構(gòu)成整幅圖像的96維分塊HSV直方圖。
[0110]為了適應(yīng)車輛和行人檢測識別的應(yīng)用場景，即目標(biāo)模板或運動前景圖像中最上端和最下端可能包含有一些背景元素，而中間部分主要為車身或行人服裝等重要信息，本實例在度量兩分塊HSV直方圖特征之間的距離時給中間兩層分塊賦予了更大的權(quán)重。
[0111]給定兩個分塊HSV直方圖特征，它們之間距離D-定義如下:
[0112]Dhsv(vhsv, V' hsv) = 0.8 *d(hist^ Kist11 ) +1.2 *d(hist2, hist1 2) +1.0 *d(hist3, hist3/ ) +0.8.d(hist4, hist1 4)
[0113]其中d(hist, hist')在本實例中定義為卡方距離:
,,,(hist - hist' )2
[0114](Ji'nistjmt) = T —---~
I , hist丨 + hist、
[0115]步驟2.4:其中HoG特征的生成過程為:
[0116]①將歸一化尺度變換后的目標(biāo)模板圖像轉(zhuǎn)化為灰度圖像，并對灰度圖像進(jìn)行Gamma校正，降低局部陰影和光照變化對特征提取過程的影響。
[0117]②用[-1，O, I]梯度算子對圖像做卷積運算，得到每個像素點的水平梯度Gx(X，y)，再用[1，0，-1]τ梯度算子對圖像做卷積運算，得到每個像素點的垂直梯度&(1，50 ;并利用水平梯度和垂直梯度計算梯度幅值和梯度方向:
[0118]G(x, y) = ^Gs(x,y)2 +G v(x,y)2
」G1 (x, V)
[0119]dir{x,y) = Ian (———~)
Or(x..y)
[0120]③將圖像分割成多個8X8像素的細(xì)胞單元，在本實例中每幅圖像將被分割成128個細(xì)胞單元，將梯度方向按取值范圍平均劃分為9個區(qū)間，按照細(xì)胞單元中每個像素點的梯度方向，生成9維梯度直方圖。
[0121]④設(shè)定每4個相鄰的細(xì)胞單元組成一個分塊，即每個分塊有16X 16像素，且分塊間可相互重疊；將每個分塊中4個細(xì)胞單元的9維梯度直方圖串聯(lián)，得到36維的分塊描述向量。
[0122]⑤設(shè)定64X64的窗口，將窗口沿垂直方向從上往下滑動，滑動間隔為8個像素點，將窗口所包含的所有分塊的描述向量進(jìn)行串聯(lián)，構(gòu)成整個窗口的描述向量，再將所有窗口的描述向量進(jìn)行串聯(lián)，最終得到HoG特征向量Vtog ;本實施例中生成的HoG特征有15876維，Hog特征向量之間的距離度量采用卡方距離:
……，、T6(WHW))2
[0123]Dhog (Vhog,Vlwk) = 2, v, “、
Vkog W 十W
[0124]步驟2.5:其中等價旋轉(zhuǎn)不變LBP特征的生成過程為:
[0125]①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像轉(zhuǎn)化為灰度圖像，對于圖中每個像素點，比較其與周圍8個相鄰像素點的灰度值大小，鄰居點灰度值大于該像素點則置為1，反之則置為O,再從12點鐘位置開始按順時針方向?qū)?個數(shù)字串聯(lián)成一個8位2進(jìn)制數(shù)。計算公式如下:
P-1
[0126]LBPr.R = Σ-Hgy - gr )2'
少=0
? I, X > O
[0127]s(x)= <
[O, λ-<0
[0128]其中，P為鄰居數(shù)，本實例中設(shè)為8，R為半徑大小，本實例中設(shè)為1，8,和8。分別為鄰居像素點的灰度值和中心位置像素點的灰度值。
[0129]②將得到的每個8位2進(jìn)制數(shù)首尾相連，形成一個環(huán)形，將該環(huán)形順時針旋轉(zhuǎn)7次，一共可以得到8組8位2進(jìn)制數(shù)，選取8組2進(jìn)制數(shù)中值最小的2進(jìn)制數(shù)，該數(shù)即為像素點對應(yīng)的旋轉(zhuǎn)不變LBP值；通過該步驟，可能的2進(jìn)制輸出由28減少為36種，且得到的LBP值對圖像的旋轉(zhuǎn)具有魯棒性。
[0130]③將由步驟②得到的旋轉(zhuǎn)不變LBP值分為兩類，其中0-1轉(zhuǎn)換次數(shù)不多于2次的歸為一類，稱為一致LBP算子；將其余的2進(jìn)制數(shù)都?xì)w為另一類；通過上述分類，一致旋轉(zhuǎn)不變LBP算子共有9種，非一致LBP算子共有I種。
[0131]④將圖像分割成多個16X16像素的小塊，計算每個小塊中像素點LBP值，構(gòu)成一個10維的等價旋轉(zhuǎn)不變LBP直方圖；將所有小塊的LBP直方圖進(jìn)行串聯(lián)，最終得到840維的等價旋轉(zhuǎn)不變LBP特征νωΡ ;等價旋轉(zhuǎn)不變LBP特征之間的距離Dmj同樣采用卡方距離進(jìn)行度量:
η /,、ivLBpii) ~ vLBpii))2
[0132]Dlbp (Vlbp , Vlbp ) =TT ;—TT-.■=1 Vlbp(I) + Vlbp(I)
[0133]步驟3:為每個攝像頭拍攝的監(jiān)控視頻開設(shè)獨立的線程，對監(jiān)控網(wǎng)絡(luò)中各攝像頭并行處理，利用高斯混合模型對各個攝像頭所處的監(jiān)控場景分別進(jìn)行背景建模；
[0134]監(jiān)控網(wǎng)絡(luò)中的每個攝像頭都有固定的視頻場景，視頻場景中每一個像素點的灰度值可以用混合高斯模型來描述
[0135]P(Xt) = YjWtk.η{Χ^[Xtk)
k=\
[0136]其中，η為高斯概率密度函數(shù)，K為混合高斯模型中高斯函數(shù)的個數(shù)上限，在本實例中K設(shè)定為5，和Σ1分別為第k個高斯模型在t幀時刻的權(quán)重、均值和方差。
[0137]本發(fā)明中每個攝像頭的混合高斯背景建模過程通過單獨開設(shè)線程實現(xiàn)并行計算。利用高斯混合模型進(jìn)行背景建模的具體步驟如下:
[0138]①以監(jiān)控視頻第一幀各像素點的灰度值來初始化每個像素的混合高斯模型。此時混合高斯模型只有一個高斯函數(shù)被初始化，其均值即為當(dāng)前像素的灰度值，方差被設(shè)定為固定值σ 2 = 30，高斯的權(quán)值設(shè)為0.05.
[0139]②當(dāng)讀入新的一幀圖像時，按高斯函數(shù)權(quán)值由大至小的順序查看各高斯函數(shù)是否與此像素的灰度值相匹配。即像素灰度值與該高斯函數(shù)均值的差異不超過Thd = 2.5.σ=13.69。如果找到匹配的高斯函數(shù)，則跳轉(zhuǎn)至步驟③。若此灰度與任何一個高斯函數(shù)都不匹配，則按照步驟①重新初始化一個新的高斯函數(shù)。當(dāng)混合模型中存在未初始化的高斯函數(shù)時，直接用新的高斯函數(shù)來初始化；當(dāng)設(shè)定的K個高斯函數(shù)都被使用時，則用此新的高斯函數(shù)來替換當(dāng)前混合模型中權(quán)值最小的高斯函數(shù)。
[0140]③當(dāng)確定好當(dāng)前像素灰度值對應(yīng)的高斯函數(shù)后，需要對混合模型中每個已經(jīng)使用的高斯函數(shù)的權(quán)值、均值和方差進(jìn)行更新。背景的建模與更新需要一定的時間積累，規(guī)定此時間窗口長度L = 200。當(dāng)視頻讀入的幀數(shù)小于200時，高斯函數(shù)更新公式為:
【權(quán)利要求】
1.一種視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，其特征在于，包括如下步驟: 步驟1:首先通過矩形框標(biāo)定的方式從包含指定行人或車輛的圖片或視頻中框取待檢測識別目標(biāo)； 步驟2:對選定的目標(biāo)模板圖像進(jìn)行歸一化尺度變換，并生成目標(biāo)模板圖像的多種混合特征； 步驟3:為每個攝像頭拍攝的監(jiān)控視頻開設(shè)獨立的線程，對監(jiān)控網(wǎng)絡(luò)中各攝像頭并行處理，利用高斯混合模型對各個攝像頭所處的監(jiān)控場景分別進(jìn)行背景建模； 步驟4:利用面積濾波和形態(tài)學(xué)后處理提取各個攝像頭中的運動前景目標(biāo)；通過設(shè)定運動目標(biāo)面積閾值來濾除面積過小的運動目標(biāo)，以便過濾掉場景中不屬于行人或車輛的其它運動物體； 步驟5:對各監(jiān)控視頻跳幀提取運動前景，對視頻監(jiān)控網(wǎng)絡(luò)中所有符合初步處理要求的運動物體進(jìn)行歸一化尺度變換并計算多種混合特征，之后與目標(biāo)模板圖像進(jìn)行加權(quán)相似性度里!; 步驟6:按照與模板圖像的相似性大小，將監(jiān)控網(wǎng)絡(luò)中各監(jiān)控視頻里的被檢測運動物體的信息動態(tài)放入指定長度的結(jié)果向量V_ult，當(dāng)遍歷所有監(jiān)控視頻后，返回該結(jié)果向量作為最終的檢測識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，其特征在于:步驟2中所述的多種混合特征為主顏色特征、分塊邊緣方向直方圖特征、分塊HSV直方圖特征、HoG特征和等價旋轉(zhuǎn)不變LBP特征，其具體生成過程為: 步驟2.1:其中主顏色特征的生成過程為: ①將歸一化尺度變換后的目標(biāo)模板圖像從RGB空間轉(zhuǎn)換到HSV空間，僅提取圖像在HSV空間中的色調(diào)分量； ②將色調(diào)分量的取值范圍劃分為8個區(qū)間，將目標(biāo)模板圖像的色調(diào)分量按照這8個區(qū)間投影成為8維H分量直方圖chist，其中chist的第i個區(qū)間的取值Chisti由下式得到:
c—丨=Σ (?.'、i ieRect 其中hx，y是指圖像(X，y)坐標(biāo)位置像素點的色調(diào)分量值，Rect是指目標(biāo)模板圖像或者運動前景檢測出的前景區(qū)域，SiQ^y)定義如下:
(I, /7'.丨.e[45*z.，45*(/ + l))
d\hx..)= <
[O, otherwise ③分別計算8個色調(diào)區(qū)間的平均色調(diào)值Ci，并將8維直方圖進(jìn)行歸一化處理，得到
chistP.= y chis丨；從8維歸一化直方圖中選取Pi最大的3維，用向量vd。保存這3維所對應(yīng)的
' —jCi和Pi構(gòu)成該目標(biāo)的主顏色特征。因此主顏色特征Vd。共由6維組成，對應(yīng)了目標(biāo)圖像中占比最大的3個顏色分量的色調(diào)值和所占百分比vd。= [C1, P1, c2, p2, c3, p3]； 步驟2.2:其中分塊邊緣方向直方圖的生成過程為: ①首先將歸一化尺度變換后的目標(biāo)圖像由RGB彩色圖像轉(zhuǎn)化為灰度圖像，并分割成4X4 共 16 土夾； ②利用Sobel水平邊緣檢測算子和Sobel垂直邊緣檢測算子對灰度圖像進(jìn)行濾波，得到每個像素點的水平邊緣強(qiáng)度和垂直邊緣強(qiáng)度，并利用它們得到每個像素點的邊緣方向ex,y和邊緣強(qiáng)度|ex,yI ; ③將像素點根據(jù)邊緣方向和強(qiáng)度分成五種類型:水平邊緣、垂直邊緣、45°邊緣、135°邊緣以及無方向邊緣；利用前面的四種邊緣來構(gòu)建邊緣方向直方圖； ④設(shè)定無方向邊緣閾值Te，在每個分塊中，對所有邊緣強(qiáng)度大于Te的像素點按照邊緣方向進(jìn)行直方圖統(tǒng)計，生成4維邊緣方向直方圖；4X 4個分塊共生成64維邊緣方向直方圖，將這64維向量保存為局部邊緣方向特征ehist1 ;再將16個分塊中的4維邊緣方向直方圖進(jìn)行累加，構(gòu)成整幅目標(biāo)圖像的4維全局邊緣方向特征ehistg ;將他們合并成68維向量，保存為分塊邊緣方向直方圖特征Ved ; 步驟2.3:其中分塊HSV直方圖的生成過程為: ①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像由RGB色彩空間投影到HSV色彩空間，并將圖像從上至下水平等分成4塊； ②分別計算4個分塊內(nèi)的HSV直方圖，其中色調(diào)分量分成16個區(qū)間，飽和度分量和亮度分量各分為4個區(qū)間，每個分塊最終得到24維直方圖特征；將4個24維直方圖拼接構(gòu)成整幅圖像的96維分塊HSV直方圖； 步驟2.4:其中HoG特征的生成過程為: ①將歸一化尺度變換后的目標(biāo)模板圖像轉(zhuǎn)化為灰度圖像，并對灰度圖像進(jìn)行Gamma校正，降低局部陰影和光照變化對特征提取過程的影響； ②用[-1，O,I]梯度算子對圖像做卷積運算，得到每個像素點的水平梯度^(1，y)，再用[I, O, _1]τ梯度算子對圖像做卷積運算，得到每個像素點的垂直梯度Gy (X，y);并利用水平梯度和垂直梯度計算梯度幅值和梯度方向:G(x, >') = ^jGf(x,y)2 +Gy(x,y)2tlir(x.v) = tan-1 ( ' ^))?Cx(x,y) ③將圖像分割成多個8X8像素的細(xì)胞單元，將梯度方向按取值范圍平均劃分為9個區(qū)間，按照細(xì)胞單元中每個像素點的梯度方向，生成9維梯度直方圖； ④設(shè)定每4個相鄰的細(xì)胞單元組成一個分塊，即每個分塊有16X16像素，且分塊間可相互重疊；將每個分塊中4個細(xì)胞單元的9維梯度直方圖串聯(lián)，得到36維的分塊描述向量； ⑤設(shè)定64X64的窗口，將窗口沿垂直方向從上往下滑動，滑動間隔為8個像素點，將窗口所包含的所有分塊的描述向量進(jìn)行串聯(lián)，構(gòu)成整個窗口的描述向量，再將所有窗口的描述向量進(jìn)行串聯(lián)，最終得到HoG特征向量Vhtjg ； 步驟2.5:其中等價旋轉(zhuǎn)不變LBP特征的生成過程為: ①將歸一化尺度變換后的目標(biāo)模板圖像或運動前景圖像轉(zhuǎn)化為灰度圖像，對于圖中每個像素點，比較其與周圍8個相鄰像素點的灰度值大小，鄰居點灰度值大于該像素點則置為1，反之則置為O ;再從12點鐘位置開始按順時針方向?qū)?個數(shù)字串聯(lián)成一個8位2進(jìn)制數(shù)，計算公式如下:
其中，P為鄰居數(shù)，R為半徑大小，gy和g。分別為鄰居像素點的灰度值和中心位置像素點的灰度值； ②將得到的每個8位2進(jìn)制數(shù)首尾相連，形成一個環(huán)形，將該環(huán)形順時針旋轉(zhuǎn)7次，一共可以得到8組8位2進(jìn)制數(shù)，選取8組2進(jìn)制數(shù)中值最小的2進(jìn)制數(shù)，該數(shù)即為像素點對應(yīng)的旋轉(zhuǎn)不變LBP值； ③將由步驟②得到的旋轉(zhuǎn)不變LBP值分為兩類，其中0-1轉(zhuǎn)換次數(shù)不多于2次的歸為一類，稱為一致LBP算子；將其余的2進(jìn)制數(shù)都?xì)w為另一類；通過上述分類，一致旋轉(zhuǎn)不變LBP算子共有9種，非一致LBP算子共有I種； ④將圖像分割成多個16X16像素的小塊，計算每個小塊中像素點LBP值，構(gòu)成一個10維的等價旋轉(zhuǎn)不變LBP直方圖；將所有小塊的LBP直方圖進(jìn)行串聯(lián)，最終得到840維的等價旋轉(zhuǎn)不變LBP特征νωΡ。
3.根據(jù)權(quán)利要求1所述的視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，其特征在于:步驟4中所述的利用面積濾波和形態(tài)學(xué)后處理提取各個攝像頭中的前景目標(biāo)，其具體實現(xiàn)包括如下子步驟: 步驟4.1:對混合高斯背景建模和閾值化處理后的二值化圖像進(jìn)行一次面積濾波； 步驟4.2:對二值化圖像用3X3模板進(jìn)行3次膨脹操作； 步驟4.3:對二值化圖像再用3X3模板進(jìn)行I次腐蝕操作； 步驟4.4:對二值化圖像最后再進(jìn)行一次面積濾波； 步驟4中所述的面積濾波是指將二值化圖像分割成多個4X4像素點的小塊，若某個小塊中前景像素點的個數(shù)小于等于3時，則將該小塊中所有像素點定義為背景像素點，反之則保留該小塊中的前景像素點； 步驟4中所述的通過設(shè)定運動目標(biāo)面積閾值來濾除面積過小的運動目標(biāo)，其具體實現(xiàn)過程為:找出處理后二值化圖像中所有的連通區(qū)域，計算每個連通區(qū)域前景像素點的個數(shù)，設(shè)定面積閾值Th。為視頻幀圖像面積的1/400，若連通區(qū)域的面積大于Th。則保留連通區(qū)域，并返回包含該連通區(qū)域的最小矩形框作為運動前景區(qū)域；若連通區(qū)域面積小于等于Th。則將該連通區(qū)域設(shè)為背景區(qū)域。
4.根據(jù)權(quán)利要求1所述的視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，其特征在于:步驟5中所述的對各監(jiān)控視頻跳幀提取運動前景，其具體實現(xiàn)過程為:根據(jù)用戶設(shè)定的跳幀數(shù)F，每隔F幀再將步驟4中提取的運動前景物體逐一與目標(biāo)模板圖像進(jìn)行加權(quán)相似性度量； 步驟5中所述的加權(quán)相似性度量，其具體實現(xiàn)過程為:先分別計算運動前景物體與目標(biāo)模板圖像的主顏色特征距離Dd。、分塊邊緣方向直方圖特征距離Ded、分塊HSV直方圖特征距離Dhsv、HoG特征距離Dhtjg和等價旋轉(zhuǎn)不變LBP特征距離D_，再將五種特征的距離進(jìn)行歸一化加權(quán)相似性度量，得到加權(quán)相似性距離Dall:D all = aDdc + cd +7 D<,v+ 義Aog + 9DLBP其中α，β，Y，λ，P力歸一化加權(quán)系數(shù)，用于平衡各特征對整體相似性度量的影響，根據(jù)特定環(huán)境預(yù)先進(jìn)行測試來調(diào)整。
5.根據(jù)權(quán)利要求1所述的視頻監(jiān)控網(wǎng)絡(luò)中的指定行人或車輛的快速檢測識別方法，其特征在于:步驟6所述的將監(jiān)控網(wǎng)絡(luò)中各監(jiān)控視頻里的被檢測運動物體的信息動態(tài)放入指定長度的結(jié)果向量V_ult，其具體實現(xiàn)包括如下子步驟: 步驟6.1:創(chuàng)建一個具有指定長度N的向量Vresult，其中N為需要返回的監(jiān)控視頻網(wǎng)絡(luò)中與指定行人或車輛模板圖像最接近的物體個數(shù)； 步驟6.2:當(dāng)監(jiān)控視頻網(wǎng)絡(luò)中有新的運動前景被檢測出，首先判斷V_ult中保存的物體個數(shù)；步驟6.3:若Vresult中保存的物體數(shù)小于N，當(dāng)物體與目標(biāo)模板圖像的加權(quán)相似性距離Dall滿足預(yù)先設(shè)定的相似性閾值Thall時，則將該物體的所處攝像頭編號、出現(xiàn)幀數(shù)、出現(xiàn)矩形框在該幀中的坐標(biāo)位置以及歸一化尺度變換后的物體圖像等信息保留在向量Vresult中；步驟6.4:若V_ult中保存的物體數(shù)已經(jīng)達(dá)到N，且當(dāng)物體與目標(biāo)模板圖像的加權(quán)相似性距離Dall滿足預(yù)先設(shè)定的相似性閾值Thall時，則用該物體得到的加權(quán)相似性距離Dall與Vresult中與目標(biāo)模板距離最大的物體得到的加權(quán)相似性距離相比較，若Dall < Α7，則用該物體替Rv_ult中與目標(biāo)模板距離最大的物體，并將Vresult中保存的N個物體按照與目標(biāo)模板相似性距離從小到大重新排序； 步驟6.5:遍歷監(jiān)控網(wǎng)絡(luò)中所有攝像頭拍攝的監(jiān)控視頻后，返回的V_ult向量中保存著整個監(jiān)控網(wǎng)絡(luò)中與指定行人或車輛模板圖像最接近的N個物體，并包含它們各自所處的攝像頭編號、出現(xiàn)的幀數(shù)、出現(xiàn)矩形框在該幀中的坐標(biāo)位置以及歸一化尺度變換后的物體圖像息。
【文檔編號】G06K9/00GK104166841SQ201410356465
【公開日】2014年11月26日 申請日期:2014年7月24日 優(yōu)先權(quán)日:2014年7月24日
【發(fā)明者】于慧敏, 謝奕, 鄭偉偉, 汪東旭 申請人:浙江大學(xué)