[发明专利]一种融合处理有效信息并动态捕捉及预警方法

说明书

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种融合处理有效信息并动态捕捉及预警方法。

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。

发明内容

本发明的目的在于提供一种融合处理有效信息并动态捕捉及预警方法，旨在解决目前散焦模糊、噪声及分辨率低等问题。

本发明是这样实现的，一种融合处理有效信息并动态捕捉及预警方法，所述融合处理有效信息并动态捕捉及预警方法为：通过图像在不同尺度空间中的特性和图像关键点的确立进行验证及采用SIFT算法，采用稀疏冗余模型算法进行图像增强进过滤掉视频图像中无用的信息或干扰信息、自动识别不同物体；分析抽取视频中关键有用信息，快速、准确得定位事故现场，判断监控画面中的异常情况；最后融合处理有效信息并以最快和最佳的方式发出警报或触发其它动作。

进一步，采用SIFT算法自动运动匹配、噪声干扰处理及超分辨率方法，融合处理有效信息并提取相关特征进行动态捕捉及预警。

进一步，采用稀疏冗余模型算法进行图像增强的方法包括：

首先，原图像收到了加性高斯噪声的污染，则污染后的图像称之为退化图像，而图像恢复的过程是退化图像的逆过程，图像的退化模型即加性高斯噪声为：

g＝Hu+v；

g表示含噪图像，Hu表示原图像，v表示噪声；

则图像的恢复模型表示为：

表示恢复图像，g表示含噪图像，Hu表示原图像；对恢复模型施加一个正则性约束；则恢复模型即变为变分模型：

表示恢复图像，g表示含噪图像，Hu表示原图像，R(u)即为正则项，该项是与图像的本身性质有关，利用稀疏冗余字典模型来描述R(u)，λ表示约束参数。

进一步，利用SIFT算法进行特征提取匹配方法为：建立尺度空间；检测空间中的极值点；确定关键点的位置；确定关键点的方向；确定关键点描述子，最终实现特征提取匹配。

进一步，通过图像在不同尺度空间中的特性和图像关键点的确立进行验证的方法包括：

利用靠高斯模糊建立尺度空间，通过尺度参数不同的变化，观察图像在不同尺度空间中的特性，确立高斯卷积核为尺度空间内核唯一合理的线性核；

在一个图像的尺度空间为：

L(x，y，σ)＝G(x，y，σ)*I(x，y)；

其中，L(x,y,σ)表示一个图像的尺度空间，x和y表示图像像素位置的横坐标和纵坐标，σ为尺度参数，G(x，y，σ)表示一个变化尺度的高斯函数，I(x，y)表示原图像，m，n表示高斯模板的维度，通过对尺度参数的改变，观察图像特性。

进一步，图像关键点的确立方法为：

利用高斯差分函数：

D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)；