[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

说明书

技术领域

本发明涉及视频图像处理技术领域，具体为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。

背景技术

在智能监控领域，对监控视频网络中的指定行人或车辆进行检测和识别可以帮助公安机关快速确定嫌疑犯或嫌疑车辆的出现时间和位置，加快案件侦查效率。但由于实际应用场景中存在着光照条件变化、不同监控摄像头之间存在着参数差异、运动物体(行人、车辆等)存在姿态变化和相互遮挡，并且行人或车辆在监控视频中的尺寸通常较小，例如人脸或车牌等细节信息不能得到保证，因此如何在多摄像头监控网络中快速而准确的检测和识别出指定行人或车辆一直是计算机视觉领域研究的热点和难点。

Oreifej于2010发表在《IEEE Comptuer Society Conference on Computer Vision and Pattern Recognition》(国际电子电气工程师协会计算机学会计算机视觉与模式识别会议)技术集709至716页上发表的技术“Human identity recognition in aerial images”(航拍图像中行人身份识别)文章中提出了一种基于投票选举的航拍跨视频复杂背景下的行人识别方法，此技术首先利用HoG(Histograms of Oriented Gradient梯度方向直方图)特征检测视频中的行人区域，构成视频序列中所有出现的行人集合，称为候选人集合，通过预先准备的用于训练的目标行人特征集合对候选人按特征相似度进行投票，得票最高的行人即为最可疑目标。该算法较好的解决了图像分辨率较低、行人姿态多变等复杂环境下的目标行人识别问题。但此方法因为要在视频图像中多尺度反复扫描逐一检测行人区域，且需要多张目标模板图像作为投票人集合，因此在速度和实际可行性上都存在不足。

因为监控视频通常具有固定视角，使得通过背景建模来分割运动前景的方法可以有效实施，相比于利用HoG特征对视频图像进行多尺度扫描判别，此类方法在固定视角场景下对运动物体的检测分割快速而高效，但当摄像头存在移动时此方法将不再适用。

减少训练环节也是目标检测识别中的难点，目前一些基于人工神经网络和支持向量机的检测识别算法虽然识别准确度高，但计算量较大，且需要预先提供大量目标模板图像用于训练，在刑侦等目标模板信息较少的领域应用价值不高。

上述方法各有优缺点，如何针对特定应用场景对上述方法进行有效结合，目前的研究并不充分。这促使寻找一种适用于监控网络中刑侦工作的合理方法框架，在保证方法准确率的同时，提高方法速度，达到实时处理。

发明内容

本发明提供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，以解决现有技术检测速度较慢，且大多需要提前在训练集上进行线下训练的问题。

为达到上述目的，本发明采用如下计的技术方案：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，包括以下步骤：

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：对选定的目标模板图像进行归一化尺度变换，并计算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。

进一步地，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。其具体实现过程为：

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；