[发明专利]一种视频监控网络中指定行人或车辆的快速检测识别方法

权利要求书

1.一种视频监控网络中的指定行人或车辆的快速检测识别方法，其特征在于，包括如下步骤：

步骤1：首先通过矩形框标定的方式从包含指定行人或车辆的图片或视频中框取待检测识别目标；

步骤2：对框取的目标模板图像进行归一化尺度变换，并生成目标模板图像的多种混合特征；

步骤3：为每个摄像头拍摄的监控视频开设独立的线程，对监控网络中各摄像头并行处理，利用高斯混合模型对各个摄像头所处的监控场景分别进行背景建模；

步骤4：利用面积滤波和形态学后处理提取各个摄像头中的运动前景目标；通过设定运动目标面积阈值来滤除面积过小的运动目标，以便过滤掉场景中不属于行人或车辆的其它运动物体；

步骤5：对各监控视频跳帧提取运动前景，对视频监控网络中所有符合初步处理要求的运动物体进行归一化尺度变换并计算多种混合特征，之后与目标模板图像进行加权相似性度量；

步骤6：按照与模板图像的相似性大小，将监控网络中各监控视频里的被检测运动物体的信息动态放入指定长度的结果向量V_result，当遍历所有监控视频后，返回该结果向量作为最终的检测识别结果。

2.根据权利要求1所述的视频监控网络中的指定行人或车辆的快速检测识别方法，其特征在于：步骤2中所述的多种混合特征为主颜色特征、分块边缘方向直方图特征、分块HSV直方图特征、HoG特征和等价旋转不变LBP特征，其具体生成过程为：

步骤2.1：其中主颜色特征的生成过程为：

①将归一化尺度变换后的目标模板图像从RGB空间转换到HSV空间，仅提取图像在HSV空间中的色调分量；

②将色调分量的取值范围划分为8个区间，将目标模板图像的色调分量按照这8个区间投影成为8维H分量直方图chist，其中chist的第i个区间的取值chist_i由下式得到：

${\mathrm{chist}}_i=\underset{(x,y)\∈\mathrm{Re}ct}{\Σ}{\mathrm{\δ}}_i\left(h_{x,y}\right)$

其中h_x,y是指图像(x,y)坐标位置像素点的色调分量值，Rect是指目标模板图像或者运动前景检测出的前景区域，δ_i(h_x,y)定义如下：

${\mathrm{\δ}}_i\left(h_{x,y}\right)=\left\{\begin{array}{cc}1,& h_{x,y}\∈\[45*i,45*\left(i+1\right))\\ 0,& otherwise\end{array}\right.$

③分别计算8个色调区间的平均色调值c_i，并将8维直方图进行归一化处理，得到从8维归一化直方图中选取p_i最大的3维，用向量v_dc保存这3维所对应的c_i和p_i构成该目标模板图像的主颜色特征；因此主颜色特征v_dc共由6维组成，对应了目标图像中占比最大的3个颜色分量的色调值和所占百分比v_dc＝[c₁,p₁,c₂,p₂,c₃,p₃]；

步骤2.2：其中分块边缘方向直方图的生成过程为：

①首先将归一化尺度变换后的目标图像由RGB彩色图像转化为灰度图像，并分割成4×4共16块；

②利用Sobel水平边缘检测算子和Sobel垂直边缘检测算子对灰度图像进行滤波，得到每个像素点的水平边缘强度和垂直边缘强度，并利用它们得到每个像素点的边缘方向e_x,y和边缘强度|e_x,y|；

③将像素点根据边缘方向和强度分成五种类型：水平边缘、垂直边缘、45°边缘、135°边缘以及无方向边缘；利用前面的四种边缘来构建边缘方向直方图；

④设定无方向边缘阈值T_e，在每个分块中，对所有边缘强度大于T_e的像素点按照边缘方向进行直方图统计，生成4维边缘方向直方图；4×4个分块共生成64维边缘方向直方图，将这64维向量保存为局部边缘方向特征ehist^l；再将16个分块中的4维边缘方向直方图进行累加，构成整幅目标图像的4维全局边缘方向特征ehist^g；将他们合并成68维向量，保存为分块边缘方向直方图特征v_ed；

步骤2.3：其中分块HSV直方图的生成过程为：

①将归一化尺度变换后的目标模板图像或运动前景图像由RGB色彩空间投影到HSV色彩空间，并将图像从上至下水平等分成4块；

②分别计算4个分块内的HSV直方图，其中色调分量分成16个区间，饱和度分量和亮度分量各分为4个区间，每个分块最终得到24维直方图特征；将4个24维直方图拼接构成整幅图像的96维分块HSV直方图；

步骤2.4：其中HoG特征的生成过程为：

①将归一化尺度变换后的目标模板图像转化为灰度图像，并对灰度图像进行Gamma校正，降低局部阴影和光照变化对特征提取过程的影响；

②用[-1,0,1]梯度算子对图像做卷积运算，得到每个像素点的水平梯度G_x(x,y)，再用[1,0,-1]^T梯度算子对图像做卷积运算，得到每个像素点的垂直梯度G_y(x,y)；并利用水平梯度和垂直梯度计算梯度幅值和梯度方向：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$dir(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)$

③将图像分割成多个8×8像素的细胞单元，将梯度方向按取值范围平均划分为9个区间，按照细胞单元中每个像素点的梯度方向，生成9维梯度直方图；

④设定每4个相邻的细胞单元组成一个分块，即每个分块有16×16像素，且分块间可相互重叠；将每个分块中4个细胞单元的9维梯度直方图串联，得到36维的分块描述向量；

⑤设定64×64的窗口，将窗口沿垂直方向从上往下滑动，滑动间隔为8个像素点，将窗口所包含的所有分块的描述向量进行串联，构成整个窗口的描述向量，再将所有窗口的描述向量进行串联，最终得到HoG特征向量v_hog；

步骤2.5：其中等价旋转不变LBP特征的生成过程为：

①将归一化尺度变换后的目标模板图像或运动前景图像转化为灰度图像，对于图中每个像素点，比较其与周围8个相邻像素点的灰度值大小，邻居点灰度值大于该像素点则置为1，反之则置为0；再从12点钟位置开始按顺时针方向将8个数字串联成一个8位2进制数，计算公式如下：

${\mathrm{LBP}}_{P,R}=\underset{y=0}{\overset{P-1}{\mathrm{\Σ}}}s(g_y-g_c)2^y$

$s\left(x\right)=\left\{\begin{array}{cc}1,& x\≥0\\ 0,& x\<0\end{array}\right.$

其中，P为邻居数，R为半径大小，g_y和g_c分别为邻居像素点的灰度值和中心位置像素点的灰度值；

②将得到的每个8位2进制数首尾相连，形成一个环形，将该环形顺时针旋转7次，一共可以得到8组8位2进制数，选取8组2进制数中值最小的2进制数，该数即为像素点对应的旋转不变LBP值；

③将由步骤②得到的旋转不变LBP值分为两类，其中0-1转换次数不多于2次的归为一类，称为一致LBP算子；将其余的2进制数都归为另一类；通过上述分类，一致旋转不变LBP算子共有9种，非一致LBP算子共有1种；

④将图像分割成多个16×16像素的小块，计算每个小块中像素点LBP值，构成一个10维的等价旋转不变LBP直方图；将所有小块的LBP直方图进行串联，最终得到840维的等价旋转不变LBP特征v_LBP。