本發(fā)明涉及圖像檢索領(lǐng)域，具體涉及一種基于云計算的海量視頻分析與快速檢索系統(tǒng)。
背景技術(shù)：
：視頻監(jiān)控是安全防范系統(tǒng)的重要組成部分，傳統(tǒng)的監(jiān)控系統(tǒng)包括前端攝像機、傳輸線纜、視頻監(jiān)控平臺。攝像機可分為網(wǎng)絡(luò)數(shù)字?jǐn)z像機和模擬攝像機，可作為前端視頻圖像信號的采集，它是一種防范能力較強的綜合系統(tǒng)。云計算是一種基于互聯(lián)網(wǎng)的計算方式，通過這種方式，共享的軟硬件資源和信息可以按需提供給計算機和其他設(shè)備。技術(shù)實現(xiàn)要素：針對上述問題，本發(fā)明旨在提供一種基于云計算的海量視頻分析與快速檢索系統(tǒng)。本發(fā)明的目的采用以下技術(shù)方案來實現(xiàn)：提供了一種基于云計算的海量視頻分析與快速檢索系統(tǒng)，包括公共安全視頻監(jiān)視網(wǎng)絡(luò)、網(wǎng)絡(luò)傳輸設(shè)備、云計算處理器，所述公共安全視頻監(jiān)視網(wǎng)絡(luò)對視頻圖像進(jìn)行采集，通過網(wǎng)絡(luò)傳輸設(shè)備，將全部或者部分監(jiān)視網(wǎng)點的視頻數(shù)據(jù)接入云計算處理器進(jìn)行處理；所述云計算處理器包括預(yù)處理模塊、特征提取模塊、訓(xùn)練模塊、再識別模塊和評價模塊；所述預(yù)處理模塊用于確定行人圖像中的人員位置，獲取包含人員的矩形區(qū)域；所述特征提取模塊，用于在包含人員的矩形區(qū)域中進(jìn)行外觀特征提??；所述訓(xùn)練模塊用于訓(xùn)練多個跨模態(tài)投影模型，每一個跨模態(tài)投影模型中包含兩個投影函數(shù)，它們分別將不同攝像機中的圖像持征映射到共同的特征空間中并完成相似度計算；所述再識別模塊，用于識別數(shù)據(jù)庫中是否含有與查詢?nèi)藛T一致的行人圖像并確認(rèn)查詢?nèi)藛T身份；所述評價模塊用于對檢索性能進(jìn)行評估。本發(fā)明的有益效果為：實現(xiàn)了海量視頻下人員快速檢索。附圖說明利用附圖對本發(fā)明作進(jìn)一步說明，但附圖中的實施例不構(gòu)成對本發(fā)明的任何限制，對于本領(lǐng)域的普通技術(shù)人員，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)以下附圖獲得其它的附圖。圖1是本發(fā)明的結(jié)構(gòu)連接示意圖。附圖標(biāo)記：公共安全視頻監(jiān)視網(wǎng)絡(luò)1、網(wǎng)絡(luò)傳輸設(shè)備2、云計算處理器3。具體實施方式結(jié)合以下實施例對本發(fā)明作進(jìn)一步描述。參見圖1，本實施例的一種基于云計算的海量視頻分析與快速檢索系統(tǒng)，包括公共安全視頻監(jiān)視網(wǎng)絡(luò)1、網(wǎng)絡(luò)傳輸設(shè)備2、云計算處理器3，所述公共安全視頻監(jiān)視網(wǎng)絡(luò)1對視頻圖像進(jìn)行采集，通過網(wǎng)絡(luò)傳輸設(shè)備2，將全部或者部分監(jiān)視網(wǎng)點的視頻數(shù)據(jù)接入云計算處理器3進(jìn)行處理；所述云計算處理器3包括預(yù)處理模塊、特征提取模塊、訓(xùn)練模塊、再識別模塊和評價模塊；所述預(yù)處理模塊用于確定行人圖像中的人員位置，獲取包含人員的矩形區(qū)域；所述特征提取模塊，用于在包含人員的矩形區(qū)域中進(jìn)行外觀特征提取；所述訓(xùn)練模塊用于訓(xùn)練多個跨模態(tài)投影模型，每一個跨模態(tài)投影模型中包含兩個投影函數(shù)，它們分別將不同攝像機中的圖像持征映射到共同的特征空間中并完成相似度計算；所述再識別模塊，用于識別數(shù)據(jù)庫中是否含有與查詢?nèi)藛T一致的行人圖像并確認(rèn)查詢?nèi)藛T身份；所述評價模塊用于對檢索性能進(jìn)行評估。優(yōu)選地，當(dāng)監(jiān)視場景發(fā)生變化時，傳送全幀率的壓縮視頻流到云計算處理器；當(dāng)監(jiān)視場景處于靜止?fàn)顟B(tài)時，定時傳輸一幅監(jiān)控場景的壓縮圖像到云計算處理器，以實現(xiàn)節(jié)約傳輸帶寬的目的。本有選實施例實現(xiàn)了海量視頻下人員快速檢索。優(yōu)選地，所述監(jiān)視點的視頻獲取設(shè)備是先進(jìn)的網(wǎng)絡(luò)攝像機。本有選實施例獲取的圖像質(zhì)量更高。優(yōu)選地，所述預(yù)處理模塊包括圖像融合單元，所述圖像融合單元用于對不同來源的行人圖像進(jìn)行融合處理，以便更好地獲取人員的全面特征，具體步驟是：對需要融合的兩幅源圖像分別用雙正交小波變換進(jìn)行小波分解，確定分解后圖像的小波系數(shù)；對低頻系數(shù)按設(shè)定的比例選取分解后圖像的小波系數(shù)，構(gòu)成融合圖像的小波低頻系數(shù)矩陣；對高頻系數(shù)采用紋理一致性測度分析特定區(qū)域不同高低頻系數(shù)的邊緣特性，計算圖像區(qū)域的紋理一致性測度，并按照預(yù)定的規(guī)則確定融合圖像的高頻小波系數(shù)矩陣，所述圖像區(qū)域的紋理一致性測度的計算公式定義為：式中，ZC(x)表示圖像區(qū)域x的紋理一致性測度，ZCl表示圖像區(qū)域x的各高頻分量圖像在水平方向上的紋理一致性測度，ZCc表示圖像區(qū)域x的各高頻分量圖像在垂直方向上的紋理一致性測度，ZCd表示圖像區(qū)域x的各高頻分量圖像在對角線方向上的紋理一致性測度；將所述融合圖像的小波低頻系數(shù)矩陣、所述融合圖像的高頻小波系數(shù)矩陣進(jìn)行離散雙正交小波逆變換，最終獲得融合圖像。本優(yōu)選實施例設(shè)置圖像融合單元，按照紋理一致性測度可較好地分辨出圖像的偽邊緣，在保證整體視覺效果的同時使細(xì)節(jié)信息更加豐富和真實；定義了圖像區(qū)域的紋理一致性測度的計算公式，加快了圖像融合的速度。優(yōu)選地，所述預(yù)定的規(guī)則包括：A、若圖像區(qū)域中有82％以上像素值具有較大的紋理一致性測度，定義該圖像區(qū)域為邊緣區(qū)，選取相應(yīng)的邊緣紋理一致性測度最大的高頻圖像小波系數(shù)構(gòu)成所述融合圖像的高頻小波系數(shù)矩陣；B、若圖像區(qū)域中有82％以上像素值具有較小的紋理一致性測度，定義該圖像區(qū)域為平滑區(qū)，分別計算兩幅源圖像在該圖像區(qū)域的能量及匹配度，根據(jù)能量及匹配度確定兩幅源圖像的小波系數(shù)在融合圖像小波系數(shù)中所占的比重，根據(jù)下式確定所述融合圖像的高頻小波系數(shù)矩陣：GR＝λAGA+(1-λA)GB式中，GR表示融合圖像的高頻小波系數(shù)矩陣，GA、λA分別表示一副源圖像的小波系數(shù)、該小波系數(shù)在融合圖像小波系數(shù)中所占的比重，GB、1-λA分別表示另一副源圖像的小波系數(shù)、該小波系數(shù)在融合圖像小波系數(shù)中所占的比重。本優(yōu)選實施例按照預(yù)定的規(guī)則確定融合圖像的高頻小波系數(shù)矩陣，提高了海量視頻融合的效果以及融合的速度。優(yōu)選地，所述在包含人員的矩形區(qū)域中進(jìn)行外觀特征提取，具體步驟為：A、進(jìn)行圖像的光照歸一化處理，設(shè)圖像為I，利用LOG對數(shù)將圖像I轉(zhuǎn)換到對數(shù)域，利用差分高斯濾波器對圖像I進(jìn)行平滑處理；對圖像I進(jìn)行全局對比度均衡化處理；B、進(jìn)行圖像尺寸歸一化處理；C、進(jìn)行圖像分塊，針對每個圖像塊，進(jìn)行特征向量提??；D、將所有圖像塊的特征向量進(jìn)行串聯(lián)，然后對串聯(lián)后的圖像進(jìn)行PCA特征降維。本優(yōu)選實施例設(shè)置特征提取模塊，在提取特征前先對圖像進(jìn)行光照歸一化處理，減少了因光照變化而產(chǎn)生的圖像扭曲，使特征的提取更為精確。優(yōu)選地，所述訓(xùn)練模塊包括樣本分類單元和跨模態(tài)投影模型學(xué)習(xí)單元；所述樣本分類單元具體執(zhí)行：設(shè)兩個攝像機C1和C2對應(yīng)的特征空間分別為和d1和d2分別表示兩個攝像機特征空間的維度，假定訓(xùn)練數(shù)據(jù)集合為K對跨攝像機圖像特征sk＝s(xk,yk)∈{-1,+1}表示樣本對的類別標(biāo)簽，-1表示異類，+1表示同類，根據(jù)類別標(biāo)簽將訓(xùn)練集合分為負(fù)樣本集合和正樣本集合|A1|+|A2|＝K；所述跨模態(tài)投影模型學(xué)習(xí)單元具體執(zhí)行：設(shè)跨模態(tài)投影模型集合H＝[h1h2,…,hL]，L個子模型用于處理L種數(shù)據(jù)差異，每一個子模型由一對投影函數(shù)構(gòu)成，hl＝[pXl(x),pYl(y)]，略去腳標(biāo)l，投影函數(shù)pX(x)和pY(y)將x∈X和y∈Y投影到共同的特征空間：式中，表示投影向量，a、b∈R為線性偏差，pX(x)和pY(y)將原始特征投影到{-1,+1}空間中；同時存在投影函數(shù)qX(x)和qY(y)將x∈X和y∈Y投影到另一共同的特征空間：建立數(shù)據(jù)類別和共同特征空間之間的關(guān)系，定義目標(biāo)函數(shù)：式中，E表示期望，表示同類樣本對和異類樣本對的重要性權(quán)衡指數(shù)；式中，wk表示樣本對{xk,yk}在本次子模型學(xué)習(xí)中的樣本權(quán)重，sk＝s(xk,yk)∈{-1,+1}表示樣本對的類別標(biāo)簽，通過最小化目標(biāo)函數(shù)來學(xué)習(xí)參數(shù){u,v,a,b}，得到相應(yīng)的投影函數(shù)。本優(yōu)選實施例采用多個跨模態(tài)投影模型，可充分應(yīng)對各種不同的數(shù)據(jù)分布差異。優(yōu)選地，所述識別數(shù)據(jù)庫中是否含有與查詢?nèi)藛T一致的行人圖像并確認(rèn)查詢?nèi)藛T身份，包括：假設(shè)被查詢?nèi)藛T集合為{fi,id(fi)}，i＝1,2,…,N，fi表示第i個被查詢?nèi)藛T，id(fi)表示第i個被查詢?nèi)藛T的身份，對于查詢?nèi)藛T集合{gj,id(gj)}，j＝1,2,…,M：gj和fi的相似度U(gj,fi)表示為：U(gj,fi)＝sign(uTgj+a)·sign(vTfi+)+||(uTgj+)-(vTfi+b)||設(shè)定闊值T，T∈[1，2]，若U(gj,fi)<T，則被查詢?nèi)藛T中不存在與查詢?nèi)藛T一致的圖像；若U(gj,fi)≥T，將被查詢?nèi)藛T按照相似度從大到小排序，排在最前面的與查詢?nèi)藛T具有相同的身份。本優(yōu)選實施例提高了海量視頻圖像中人員的識別精度和效率。優(yōu)選地，所述對云計算處理器性能進(jìn)行評估，定義評價函數(shù)：式中，N表示查詢次數(shù)，On表示前n位中可以找到正確結(jié)果的次數(shù)，評價函數(shù)值越大，則處理器的再識別性能越好，跟蹤性能越強。本優(yōu)選實施例設(shè)置評價模塊，有利于對海量視頻分析和檢索系統(tǒng)進(jìn)行改進(jìn)。本發(fā)明的一組海量視頻檢索識別結(jié)果如下表所示：N視頻中人員檢索用時人員識別精度100.3s96％200.28s95.8％300.32s96.2％最后應(yīng)當(dāng)說明的是，以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對本發(fā)明保護(hù)范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細(xì)地說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對本發(fā)明的技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的實質(zhì)和范圍。當(dāng)前第1頁1 2 3