[发明专利]一种机器学习的安防监控视频遮挡智能填补方法与系统

说明书

本发明提供了一种机器学习的安防监控视频遮挡智能填补方法与系统，包括：定义一个N*M的栅格矩阵模板，将其放入安防监控视频中对特定目标存在遮挡的每一帧的视频画面中；计算所述栅格矩阵模板中每一个栅格所在的图像区域的特征量，将所述栅格矩阵模板中的全部栅格的特征量进行组合，得到所述栅格矩阵模板的一个N*M的栅格矩阵向量；将所有视频帧的全部栅格矩阵向量执行聚类计算，并进行类簇划分；确定特定目标所在的类簇，根据该类簇中特定目标未遮挡部分提取的特征量来填补上述每一帧视频画面中特定目标被遮挡部分的特征量。本发明通过各个视频帧当中特定目标的非遮挡部位，对特定目标进行填补，解决了当特定目标被持续遮挡时，识别失败的问题。

技术领域

本发明属于视频监控技术领域，具体涉及一种机器学习的安防监控视频遮挡智能填补方法与系统。

背景技术

对于安防监控的应用场景来说，从视频帧当中，对于特定目标(例如特定人物、特定车辆)的识别、提取、追踪是一种基础性的功能。在上述识别、提取、追踪过程中，首先设定一个适当大小的图框，然后从每帧视频帧中以该图框截取一部分画面区域，并且从该画面区域提取特征量(例如轮廓特征、颜色特征、纹理特征等)，与特定目标对应的特征阈值进行比对，如果特征量大于该阈值，则表明图框所在的画面区域为特定目标所在位置；反之，如果未大于阈值，则移动该图框预设的距离，然后重新执行上述步骤，这样最终确定每帧视频帧当中该特定目标的位置，然后予以标识，实现各帧间的追踪。

然而，对于上述功能来说，特定目标的局部乃至大部分区域，被其它物体遮挡是一个棘手的问题，例如特定目标在人流和车流当中被其它人或者车遮挡，那么即便图框的画面区域覆盖了该特定目标的位置，但是从中提取的特征量受到遮挡物影响，也无法大于阈值。这样就很容易造成识别失败。

发明内容

有鉴于此，本发明提供了一种机器学习的安防监控视频遮挡智能填补方法与系统，对于一段安防监控视频，当持续存在特定目标被遮挡物遮挡的情况时，通过各个视频帧当中特定目标的非遮挡部位，对特定目标进行填补，解决了当特定目标被持续遮挡时，识别失败的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请提供了一种机器学习的安防监控视频遮挡智能填补方法，所述方法包括：

定义一个N*M的栅格矩阵模板，将其放入安防监控视频中对特定目标存在遮挡的每一帧的视频画面中；

对于每一帧视频画面，计算所述栅格矩阵模板中每一个栅格所在的图像区域的特征量，将所述栅格矩阵模板中的全部栅格的特征量进行组合，得到所述栅格矩阵模板的一个N*M的栅格矩阵向量；

将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动，每移动一次栅格矩阵模板，就按上述方式计算一次栅格矩阵向量，直至所述栅格矩阵模板遍历每一帧视频画面，从而，对于上述每一帧视频画面分别获得若干栅格矩阵向量；

将所有视频帧的全部栅格矩阵向量执行聚类计算，并进行类簇划分；

确定特定目标所在的类簇，根据该类簇中特定目标未遮挡部分提取的特征量来填补上述每一帧视频画面中特定目标被遮挡部分的特征量。

进一步的，所述栅格矩阵模板的宽和高的定义方式为：遍历所有视频帧，确定每一帧特定目标的尺寸，若特定目标的最大宽度为Wmax，最大高度为Hmax,则设置所述栅格矩阵模板的宽为Wmax，高为Hmax。

进一步的，所述栅格矩阵模板按照预定步长进行移动，具体为：从视频帧的任一顶点开始将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动。

进一步的，所述类簇划分的具体方法为：将相似度大的栅格矩阵向量划分到同一个类簇。

进一步的，所述确定特定目标所在的类簇，具体为：将含有特定目标的特征量最多的类簇，确定为特定目标所在的类簇。