一種監(jiān)控圖像實時處理方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理，特別涉及一種監(jiān)控圖像識別方法。
【背景技術(shù)】
[0002] 基于內(nèi)容的圖像識別是從海量數(shù)字圖像信息中獲取有價值的信息，從所查詢圖像 的視覺特征出發(fā)，在監(jiān)控圖像文件庫中找出與其最為相似的被查詢者的圖像。其最關(guān)鍵的 兩項技術(shù)是監(jiān)控圖像特征提取和人臉特征相似性匹配。傳統(tǒng)圖像特征提取方法檢測圖像特 征點并進行特征描述而得到，而通常從一幅圖像上提取的特征數(shù)量有限，且隨圖像灰度的 變化其差異性較大，甚至在有些對比度過低的圖像中還可能檢測不到特征，另外一個不利 因素是其特征點檢測方法的運算復雜度一般較高；雖然對圖像內(nèi)容的描述覆蓋面較大，但 也帶來特征數(shù)據(jù)量過多的問題。常規(guī)特征相似性匹配方法的基于特征空間搜索的索引，僅 能處理較低維度的特征數(shù)據(jù)，當維度提高時這些方法的復雜度呈指數(shù)級上升，性能急劇下 降，而線性掃描雖然不受特征維度的限制，但耗時較長。
[0003] 因此，針對相關(guān)技術(shù)中所存在的上述問題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0004] 為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種監(jiān)控圖像實時處理方法， 包括：
[0005] 步驟一，獲取監(jiān)控圖像文件庫的圖像以及待識別的監(jiān)控圖像，將局部特征映射為 漢明空間的點，對映射后的點進行散列處理，建立監(jiān)控圖像文件庫中圖像的索引；
[0006] 步驟二，搜索監(jiān)控圖像文件庫的圖像以及待識別的監(jiān)控圖像的圖像特征的鄰近 值，如果監(jiān)控圖像文件庫中的圖像中與待識別監(jiān)控圖像中的某個特征點歐氏距離最近的前 兩個特征點滿足次近距離與最近距離之比大于預定閾值，則將監(jiān)控圖像文件庫的圖像的當 前特征點與待識別監(jiān)控圖像中的上述特征點作為一對匹配點；
[0007] 步驟三，確定圖像匹配的精確閾值與粗閾值，并以精確閾值的匹配結(jié)果建立約束， 刪除粗閾值粗匹配結(jié)果中的失配。
[0008] 優(yōu)選地，所述步驟三進一步包括：
[0009] (1)首先進行閾值初始化，設(shè)定閾值初始值n1. 5,n2= 8 ;循環(huán)次數(shù)i 〇， i2= 〇 ;循環(huán)次數(shù)限制ilmax= 10,i2max= 20,所需最小匹配點個數(shù)Q= 5 ;
[0010] (2)從匹配圖像中提取特征矢量；
[0011] ⑶利用閾值n#特征匹配，得到當前匹配點集A= {(ai，a'Jhi= 1，2,…， qA，其中qA為當前ni所對應(yīng)的匹配個數(shù)，并令i#曾1 ;
[0012] ⑷若當前匹配個數(shù)qA〈Q，且i1〈ilnlax，則令n1遞增0?15，并返回步驟⑶；若匹配 個數(shù)大于Q，或，則轉(zhuǎn)至步驟（5);
[0013] (5)利用閾值n2做特征匹配，得到當前匹配點集B= {〇vb'p}，j= 1，2,…， qB，其中qB為當前n2所對應(yīng)的匹配個數(shù)，并令i2增1 ;
[0014] (6)若當前匹配個數(shù)％〈2，且12〈12_，則令11 2遞增0.02，并返回步驟（5);若匹配 個數(shù)大于2且小于5，且"〈12_，則令11 2遞減〇.〇1，并返回步驟（5);否則，轉(zhuǎn)至步驟（7);
[0015] (7)在完成閾值選定工作時，得到粗閾值1及其對應(yīng)的粗匹配點集A，以及精確 閾值n2及其對應(yīng)的匹配點集精確匹配點集B;
[0016] 建立匹配圖像間的幾何變化約束，具體包括：
[0017]獲取兩對精確匹配點Ovb'i)、（bqB，b' qB)，以及粗匹配中的匹配點（叫，a'i)為 任意一對，由Ovb'J、（bqB、b'qB)建立匹配圖像間長度變換約束：
[0018] Lc= ||bII/IIb?qB-b,: ||
[0019] 和角度變化約束
[0020] VC=Zbib^x-Zbf1b,qBx
[0021] 對于粗匹配中的匹配點（&i，a'J，若其對應(yīng)長度和角度滿足上述約束，即當滿足
[0022] rL=min(Lc,L)/max(Lc,L) >0. 85
[0023] rv=min(Vc,V)/max(Vc,V) >0. 85
[0024] 時，保留當前匹配（叫，a'J，其中L= || 屮、|| / ||a'i_b'i||，V= ZbiaiX-Zb'盧'iX;否貝lj，將當前匹配點從粗匹配點集A中刪除。
[0025] 本發(fā)明相比現(xiàn)有技術(shù)，具有以下優(yōu)點：
[0026] 本發(fā)明提出了一種監(jiān)控圖像實時處理方法，有效降低了圖像識別中特征提取和特 征匹配的計算復雜度，提高了識別效率。
【附圖說明】
[0027] 圖1是根據(jù)本發(fā)明實施例的監(jiān)控圖像實時處理方法的流程圖。
【具體實施方式】
[0028] 下文與圖示本發(fā)明原理的附圖一起提供對本發(fā)明一個或者多個實施例的詳細描 述。結(jié)合這樣的實施例描述本發(fā)明，但是本發(fā)明不限于任何實施例。本發(fā)明的范圍僅由權(quán) 利要求書限定，并且本發(fā)明涵蓋諸多替代、修改和等同物。在下文描述中闡述諸多具體細節(jié) 以便提供對本發(fā)明的透徹理解。出于示例的目的而提供這些細節(jié)，并且無這些具體細節(jié)中 的一些或者所有細節(jié)也可以根據(jù)權(quán)利要求書實現(xiàn)本發(fā)明。
[0029] 圖1是根據(jù)本發(fā)明實施例的監(jiān)控圖像實時處理方法流程圖。本發(fā)明提出的監(jiān)控圖 像識別方法可分為離線過程和在線過程兩部分。
[0030] ①離線過程，即對于監(jiān)控圖像文件庫中的每幅圖像，事先應(yīng)用特征提取方法，經(jīng)特 征檢測、特征描述得到圖像特征矢量，形成相應(yīng)的監(jiān)控圖像特征庫，然后在此基礎(chǔ)上建立索 引以方便對查詢特征的快速搜索；②在線過程，即對于用戶提交的被查詢監(jiān)控圖像，應(yīng)用相 同的特征提取方法實時獲取圖像特征矢量，然后在特征匹配過程中，通過適當?shù)泥徑阉?方法從特征庫中查找所有被查詢監(jiān)控圖像特征的鄰近特征，并計算被查詢監(jiān)控圖像與監(jiān)控 圖像文件庫中的圖像之間的相似度，按相似度從大到小的順序返回最相似的一組監(jiān)控圖像 文件庫中的圖像作為圖像識別結(jié)果。
[0031] 圖像特征提取包括特征檢測和特征描述兩個部分。特征檢測包括檢測尺度空間極 值點作為候選特征點；篩選并精確定位特征點的位置和尺度；特征描述包括特征點分配主 方向；生成特征描述矢量。本發(fā)明縮減了特征檢測階段的大量計算，通過隨機采樣圖像像 素點作為特征點并進行特征描述從而得到圖像特征矢量，因此該方法能有效降低計算復雜 度，提高計算效率。
[0032] 首先，通過隨機采樣獲取圖像特征點。由于隨機采樣所得特征點的位置具有隨機 性，因此在設(shè)定采樣點個數(shù)時要保證采樣點位置分布相對均勻，即能夠盡可能地采樣到圖 像中不同區(qū)域的特征信息，盡量避免采樣點過于集中以致獲得的特征點不能較全面地體現(xiàn) 整幅圖像的視覺特征。并且，由于圖像邊緣部分的點一般不能較好地體現(xiàn)圖像的內(nèi)容信 息，因此本發(fā)明設(shè)定盡量不對邊緣區(qū)域的像素點進行采樣，優(yōu)選地只采樣圖像行、列范圍的 1/10-9/10內(nèi)的點。假設(shè)rows、cols分別為圖像行、列數(shù)，采樣個數(shù)為mXn(如圖像大小為 640X480,取m=l/10rows，n=l/10cols)，先對圖像行l(wèi)/10rows至 9/10rows范圍內(nèi)隨 機采樣m個數(shù)得到相應(yīng)行號;、:r2、:r3、…、rm，然后在每個特定行號下對圖像列l(wèi)/10cols 至9/10cols范圍內(nèi)隨機采樣n個數(shù)就得到相應(yīng)列號Cj，貝采樣點坐標為（rpCj)，其中i= 1、2、…、m，j= 1、2、?..、]!〇
[0033] 隨機特征點采樣完成后，對其進行描述。特征描述的目的在于準確表達局部圖像 信息并使這種信息具有可靠的表征性。本發(fā)明直接對隨機采樣的特征點進行特征描述，因 此最終得到的特征矢量相對于傳統(tǒng)方法而言只包含位置和方向信息。特征矢量計算步驟如 下：
[0034] (1)取特征點周圍4X4的鄰域，利用此鄰域內(nèi)像素點的梯度來統(tǒng)計方向直方圖， 即以每10°方向為一個柱，柱所代表的方向為像素點梯度方向，柱的長度代表梯度幅值。對 方向直方圖進行兩次平滑后的主峰值即為特征點的主方向。利用特征點鄰域像素的梯度方 向分布特性，可以為每個特征點指定方向，從而使描述子對圖像旋轉(zhuǎn)具有不變性。設(shè)特征點 (x，y)處的灰度值為g(x，y)，圖像梯度方向為0 (x，y)、幅值為M(x，y)，計算公式如下：
【主權(quán)項】
1. 一種監(jiān)控圖像實時處理方法，其特征在于，包括： 步驟一，獲取監(jiān)控圖像文件庫的圖像以及待識別的監(jiān)控圖像，將局部特征映射為漢明 空間的點，對映射后的點進行散列處理，建立監(jiān)控圖像文件庫中圖像的索引； 步驟二，搜索監(jiān)控圖像文件庫的圖像以及待識別的監(jiān)控圖像的圖像特征的鄰近值，如 果監(jiān)控圖像文件庫中的圖像中與待識別監(jiān)控圖像中的某個特征點歐氏距離最近的前兩個 特征點滿足次近距離與最近距離之比大于預定閾值，則將監(jiān)控圖像文件庫的圖像的當前特 征點與待識別監(jiān)控圖像中的上述特征點作為一對匹配點； 步驟三，確定圖像匹配的精確閾值與粗閾值，并以精確閾值的匹配結(jié)果建立約束，刪除 粗閾值粗匹配結(jié)果中的失配。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟三進一步包括： (1) 首先進行閾值初始化，設(shè)定閾值初始值n := 1. 5, n 2= 8 ;循環(huán)次數(shù)i i= 〇, i 2= 〇 ;循環(huán)次數(shù)限制ilmax= 10, i 2max= 20,所需最小匹配點個數(shù)Q = 5 ; (2) 從匹配圖像中提取特征矢量； ⑶利用閾值心做特征匹配，得到當前匹配點集A= {(ai，a' J}，i = 1，2,…，qA， 其中qA為當前n i所對應(yīng)的匹配個數(shù)，并令i #曾1 ; ⑷若當前匹配個數(shù)qA〈Q，且，則令n i遞增〇. 15,并返回步驟⑶；若匹配個數(shù) 大于Q，或ipi^，則轉(zhuǎn)至步驟（5); (5) 利用閾值n2做特征匹配，得到當前匹配點集B = {〇v b'』)}，j = 1，2,…，qB， 其中qB為當前n 2所對應(yīng)的匹配個數(shù)，并令i 2增1 ; (6) 若當前匹配個數(shù)％〈2，且"〈12_，則令112遞增〇.〇2，并返回步驟（5);若匹配個數(shù) 大于2且小于5，且"〈1 2_，則令n2遞減〇.〇1，并返回步驟（5);否則，轉(zhuǎn)至步驟（7); (7) 在完成閾值選定工作時，得到粗閾值1及其對應(yīng)的粗匹配點集A，以及精確閾值 n 2及其對應(yīng)的匹配點集精確匹配點集B ; 建立匹配圖像間的幾何變化約束，具體包括： 獲取兩對精確匹配點b' ：）、（bqB，b' qB)，以及粗匹配中的匹配點（叫，a'）為任意 一對，由b' J、（bqB、b' qB)建立匹配圖像間長度變換約束： Lc= II b邱-bi || / || b' qB-b'丄|| 和角度變化約束 VC=Z b 少一-Z b' 山' qBx 對于粗匹配中的匹配點（％，a' 若其對應(yīng)長度和角度滿足上述約束，即當滿足 rL= min (Lc,L) /max (Lc, L) >0. 85 rv= min (Vc,V) /max (Vc, V) >0. 85 時，保留當前匹配（a^a'i)，其中 L = || || / || a'i-b'i ||，V =Z t^x- Z bV'iX ; 否則，將當前匹配點從粗匹配點集A中刪除。
【專利摘要】本發(fā)明提供了一種監(jiān)控圖像實時處理方法，包括：獲取監(jiān)控圖像文件庫的圖像以及待識別的監(jiān)控圖像，將局部特征映射為漢明空間的點，對映射后的點進行散列處理，建立監(jiān)控圖像文件庫中圖像的索引；如果庫中的圖像與待識別圖像中的某個特征點歐氏距離最近的前兩個特征點滿足次近距離與最近距離之比大于預定閾值，則將庫中圖像的當前特征點與待識別圖像中的上述特征點作為一對匹配點；確定圖像匹配的精確閾值與粗閾值，以精確閾值建立約束，刪除粗閾值粗匹配結(jié)果中的失配。本發(fā)明提出了一種監(jiān)控圖像實時處理方法，有效降低了圖像識別中特征提取和特征匹配的計算復雜度，提高了識別效率。
【IPC分類】G06K9-00, G06K9-46, G06F17-30
【公開號】CN104615994
【申請?zhí)枴緾N201510073741
【發(fā)明人】姚遠
【申請人】成都果豆數(shù)字娛樂有限公司
【公開日】2015年5月13日
【申請日】2015年2月11日