[发明专利]一种针对复杂运动图像的处理方法

说明书

技术领域

本发明属于图像数据处理技术领域，尤其涉及一种针对复杂运动图像的处理方法。

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针对复杂运动图像的处理方法，利用检测过程中产生的模式信息和已检测帧的运动矢量信息，用复杂度较低的运算提高了对运动目标的提取和识别，减少了误判概率；针对视频中复杂运动图像目标彼此间的动态关系需要，将视频序列分割为若干个子序列同时进行处理，提取动态目标数据，进行叠加帧处理，以获取背景对运动目标的叠加作用效应，精准确定运动目标运动行为；以静态单帧特征和基于图像序列中的动态特征相结合的方式，进行静态单帧特征提取及图像序列的非线性动态特征调整匹配，精简特征描述及分类处理计算量，提高对运动目标的分类识别能力。

本发明是这样实现的，一种针对复杂运动图像的处理方法，所述针对复杂运动图像的处理方法包括：利用检测过程中产生的模式信息和已检测帧的运动矢量信息；将视频序列分割为若干个子序列同时进行处理，提取动态目标数据，进行叠加帧处理，以获取背景对运动目标的叠加作用效应，精准确定运动目标运动行为；以静态单帧特征和基于图像序列中的动态特征相结合的方式，进行静态单帧特征提取及图像序列的非线性动态特征调整匹配，精简特征描述及分类处理计算量；

所述针对复杂运动图像的处理方法具体包括：

对复杂运动图像的矢量算法进行处理；

对复杂运动图像的视频动态叠加进行处理；

对复杂运动图像的综合静态和动态模糊图像进行处理。

进一步，对复杂运动图像的矢量算法进行处理方法为：

针对视频监控过程中复杂运动图像，首先进行运动模式分类，产生相应运动矢量信息，接着进一步提取帧间预测时产生的运动矢量，完成视频运动对象的粗提取，最后进行运动矢量的累计，从而提取出可靠的视频运动目标；在实际提取和使用帧间运动矢量时，必须先经过平滑和矫正，以去除噪声运动矢量。

进一步，对复杂运动图像的视频动态叠加进行处理方法为：

针对视频中复杂运动图像目标彼此间的动态关系需要，将视频序列分割为若干个子序列同时进行处理，提取动态目标数据，进行叠加帧处理，以获取背景对运动目标的叠加作用效应，精准确定运动目标运动行为。

进一步，对复杂运动图像的综合静态和动态模糊图像进行处理方法为：