[发明专利]利用公安视频监控模糊图像对目标物进行检测识别方法

说明书

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种利用公安视频监控模糊图像对目标物进行检测识别方法。

背景技术

目标物比如人脸识别的研究，起源于19世纪末法国人SirFranis Galton。以Allen和Parke为代表主要研究面部特征；人机交互式识别及用几何特征参数来研究的以Harmon和Lesk为代表，以Kaya和Kobayashi为代表采用了统计识别方法；Eyematic公司和我国清华大学研发了“人脸识别系统”，但对视频监控模糊图像的识别率不高，并且对目标物进行动态捕捉预警技术研究处于初始阶段。

随着视频监控技术的不断发展，我国目前视频监控在智慧城市、数字城市、平安园区等各类项目得以广泛应用。监控视频已经成为公安部门进行案件侦查的重要依据和线索，视频侦查已逐步成为继刑侦，技侦，网侦之后的第四大侦查手段。

在公安视频监控中，模糊图像的目标物检测识别及动态捕捉预警技术具有直接、方便、快捷以及非侵犯性的特点，在刑事侦查、维护国家安全和人民生命财产安全以及在反恐、防恐中具有重要意义，极具研究价值和潜力。

视频监控于20世纪80年代正式在我国开始启用，110指挥中心最早使用了视频监控，用于监控城市的治安情况。随着社会的发展，视频监控已经广泛应用于公安机关的治安、刑侦、交通管理、禁毒等多个职能部门具体业务工作中。但由于目前视频监控模糊图像的识别率不高，缺乏有效的信息技术支撑，在公安视频侦查过程中仍然面临图像调取及格式不统一、视频信息管理及协同难、效率不高等问题，针对公安视频监控模糊图像，对嫌疑人人脸或车辆进行检测识别以及动态捕捉、预警等必要的视频图像处理技术，显得尤为重要。

神经网络在工程中的应用是从20世纪90年代才开始的，一般为多层前馈的BP神经网络，但BP神经网络存在局部最优问题，并且训练速度慢、效率低，而模糊神经网络在一定程度上克服了这些问题，它在逼近能力、分类能力和学习速度等方面均优于BP神经网络。而Rough Sets理论(简称RS理论)在操作时无须提供除问题所需处理的数据集合之外的任何先验信息，可以直接对多维数据实施基于属性和元组两个方向上的一致数据浓缩或不一致数据浓缩，从中发现隐含的知识，揭示潜在的规律。

发明内容

本发明的目的在于提供一种利用公安视频监控模糊图像对目标物进行检测识别方法，旨在解决公安视频监控图像模糊的问题。

本发明是这样实现的，

一种利用公安视频监控模糊图像对目标物进行检测识别方法，包括：

采用卡尔曼滤波法与矩形跟踪法结合，分离目标位置、面积的特征；

通过构建特征识别矩阵分析目标运动状态；具体包括：

对于图像序列在时间间隔很小的情况下，目标物的重心和轮廓外接矩形不会发生很大变化。所以可用如式(1)的状态模型来预测。

S(n)＝Φ·S(n-1)+W(n-1)(1)

其中S(n)表示在第n帧图像中的系统状态，W(n-1)表示的是系统的估计误差，Φ是状态转换矩阵。目标物体用其重心位置、相邻帧间的加速度、位移量、外接矩阵的周长、外接矩阵的长宽比等特性来反映，则：

其中，Δx(n)、Δy(n)是目标物重心在相邻两帧间x和y方向的速度量，Δx'(n)、Δy'(n)是其x和y方向的加速度，x_s(n)、y_s(n)表示目标物的矩形窗口的长度和宽度，x'_s(n)、y'_s(n)表示其矩形窗口的长度和宽度的变化率；

在采样时间Δt很小且矩形变化为线性时，则：

当系统状态与观测值之间是线性关系时，系统量测方程为：

M(n)＝H·S(n)+V(n)(4)

M(n)表示量测向量，H是量测矩阵，V(n)是量测误差，且：

通过以上运算过程，进行目标物的分析及跟踪；

再对不同状态实施相应的多视角的监控跟踪。

进一步，构建特征辨识矩阵方法为：

利用目标的特征与目前目标所处的区域特点构建新矩阵，利用矩形跟踪法判别目标是否产生、是否消失；并分析目标特征，预判目标状态空间，判断目标的所处运动状态；

具体构建时采用如下过程：

第一步，定义目标物像素值为255，背景像素值为0，进行图像搜索，计算矩形左上与右上像素灰度值的差，正前与正后的像素灰度值差，左下与右下的像素灰度值差，并将它们之差的绝对值求和；