CN106203317A - 能够实现对用户识别的计算机 - Google Patents
能够实现对用户识别的计算机 Download PDFInfo
- Publication number
- CN106203317A CN106203317A CN201610524129.1A CN201610524129A CN106203317A CN 106203317 A CN106203317 A CN 106203317A CN 201610524129 A CN201610524129 A CN 201610524129A CN 106203317 A CN106203317 A CN 106203317A
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic
- computer
- area
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,目标识别装置基于视觉特征对目标进行识别跟踪,包括依次连接的怀疑目标获取模块、颜色信息处理模块、轮廓信息处理模块、特征评估模块,其中颜色信息处理模块对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,轮廓信息处理模块用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理。本发明具有识别精度高、识别速度快的优点。
Description
技术领域
本发明涉及计算机领域,具体涉及能够实现对用户识别的计算机。
背景技术
相关技术中,在计算机上采用雷达对目标进行跟踪在定位精度和跟踪成功率上具备很大优势,但仅从雷达获取的距离信息上很难对目标的特征进行区分,尤其在目标被遮挡和多目标情况下,很难实现目标有效识别跟踪。采用目标的视觉信息(如颜色、轮廓等)刻画目标特征,基于目标视觉特征对目标进行识别跟踪是解决上述问题的有效途径。
发明内容
针对上述问题,本发明提供能够实现对用户识别的计算机。
本发明的目的采用以下技术方案来实现:
能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
优选地,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本发明的有益效果为:
1、采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;
2、修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;
3、设置轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,计算量并不复杂,平滑除噪效果好,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的目标识别装置模块连接示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1
参见图1,本实施例能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
其中,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;设置轮廓信息处理模块,选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别,其中设定的宽度为3,权值T的取值为0.2,识别精度提高了2%,识别速度提高了1%。
实施例2
参见图1,本实施例能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
其中,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;设置轮廓信息处理模块,选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别,其中设定的宽度为4,权值T的取值为0.3,识别精度提高了1%,识别速度提高了2%。
实施例3
参见图1,本实施例能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
其中,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;设置轮廓信息处理模块,选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别,其中设定的宽度为5,权值T的取值为0.4,识别精度提高了2%,识别速度提高了3%。
实施例4
参见图1,本实施例能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
其中,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;设置轮廓信息处理模块,选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别,其中设定的宽度为5,权值T的取值为0.5,识别精度提高了2%,识别速度提高了2.5%。
实施例5
参见图1,本实施例能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
优选地,所述网络连接器和处理器间还设有网络连接电路。
优选地,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
优选地,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数;
优选地,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数,为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果;
其中,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2;根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别。
本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标,对外界光照的变化具有很强的鲁棒性,避免了使用单一特征对目标进行描述,提高识别的精度;修正后的颜色空间转化公式更加符合人类的视觉效果,能够反映更丰富的信息,便于实现快速识别跟踪,在色调颜色模型中引入空间权重划分,多次滤波,使模型更为科学,实用性更强;设置轮廓信息处理模块,选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,考虑了轮廓在不同类型区域之间的差异性,在抑制噪声和保留细节之间取得很好的平衡,根据不同点的曲率不同,延伸长度相应地自动适应性改变,有效减小了合并后的失真现象,便于更准确对目标进行识别,其中设定的宽度为4,权值T的取值为0.3,识别精度提高了2.5%,识别速度提高了3.5%。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.能够实现对用户识别的计算机,包括计算机和与计算机相连的目标识别装置,其特征是,所述计算机包括:
主机机箱和置于其内的主板、电源,机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座,两网络连接器,分别与内部网络系统和外部网络系统相连;所述两网络连接器和处理器间设有切换开关,该切换开关的控制端与处理器之间设有控制模块,该模块由处理器运行BIOS程序的指令序列来控制,使得处理器任何时刻经由二者之一的网络连接器与内部网络系统和外部网络系统中的一个相连。
2.根据权利要求1所述的能够实现对用户识别的计算机,其特征是,所述网络连接器和处理器间还设有网络连接电路。
3.根据权利要求2所述的能够实现对用户识别的计算机,其特征是,所述网络连接电路有两套,位于两个网络连接器和切换开关之间,每套网络连接电路各自有一端连接一个网络连接器,另一端连接所述切换开关的一个选择支路。
4.根据权利要求3所述的能够实现对用户识别的计算机,其特征是,所述目标识别装置包括:
(1)怀疑目标获取模块,用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像,其包括与现场计算机连接的红外电荷耦合器件,所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理;
(2)颜色信息处理模块,其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型,转换公式如下:
v=Max(r,g,b)
其中,(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值,有效值范围均为(0,1);h为像素点在HSV颜色空间中的色相分量,s为像素点在HSV颜色空间中的饱和度分量,v为像素点在HSV颜色空间中的色调分量;
色调颜色模型如下:
此处
其中,函数δ[d(xi)-w]为像素点xi在第w个子空间区域内的投影,w为特征空间的索引,bw为各子空间的权重,是以像素xc为中心在二维图像中的核函数。
5.根据权利要求4所述的能够实现对用户识别的计算机,其特征是,所述目标识别装置还包括:
(3)轮廓信息处理模块,用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并,并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理,所述实际轮廓内的选定区域被判定为特征区域的判定条件为:
此处
其中,t表示所述原始桢图像的实际轮廓的轮廓点,t0为预设的位于所述选定区域内的起始轮廓点,s为预设的延伸长度,延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离,为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数, 为起始轮廓点的曲率半径,为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径;f(t)为判定轮廓点是否为特征点的特征函数,f(t)=1表示该轮廓点为特征点,f(t)=0表示该轮廓点为非特征点,Nf(t)=1表示选定区域内所具有的特征点的数目,Ny为设定的作为特征区域需要包括的特征点的数目,k'N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率,max|k'N(t)|表示实际轮廓曲率的绝对值的最大值,T为权值且T的取值范围为[0.2,0.5];
(4)特征评估模块,用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度,所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果。
6.根据权利要求5所述的能够实现对用户识别的计算机,其特征是,所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器,所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2,所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610524129.1A CN106203317A (zh) | 2016-06-29 | 2016-06-29 | 能够实现对用户识别的计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610524129.1A CN106203317A (zh) | 2016-06-29 | 2016-06-29 | 能够实现对用户识别的计算机 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203317A true CN106203317A (zh) | 2016-12-07 |
Family
ID=57465826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610524129.1A Pending CN106203317A (zh) | 2016-06-29 | 2016-06-29 | 能够实现对用户识别的计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203317A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690960A (zh) * | 2004-04-21 | 2005-11-02 | 中国长城计算机深圳股份有限公司 | 安全网络计算机 |
CN101626489A (zh) * | 2008-07-10 | 2010-01-13 | 苏国政 | 无人值守目标智能识别与自动跟踪的方法及其系统 |
CN101763429A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 一种基于颜色和形状特征的图像检索方法 |
CN102289663A (zh) * | 2011-07-29 | 2011-12-21 | 四川长虹电器股份有限公司 | 一种基于颜色和形状的台标识别方法 |
CN105528590A (zh) * | 2016-01-07 | 2016-04-27 | 张志华 | 一种快速报警的报警装置 |
-
2016
- 2016-06-29 CN CN201610524129.1A patent/CN106203317A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1690960A (zh) * | 2004-04-21 | 2005-11-02 | 中国长城计算机深圳股份有限公司 | 安全网络计算机 |
CN101626489A (zh) * | 2008-07-10 | 2010-01-13 | 苏国政 | 无人值守目标智能识别与自动跟踪的方法及其系统 |
CN101763429A (zh) * | 2010-01-14 | 2010-06-30 | 中山大学 | 一种基于颜色和形状特征的图像检索方法 |
CN102289663A (zh) * | 2011-07-29 | 2011-12-21 | 四川长虹电器股份有限公司 | 一种基于颜色和形状的台标识别方法 |
CN105528590A (zh) * | 2016-01-07 | 2016-04-27 | 张志华 | 一种快速报警的报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101561710B (zh) | 一种基于人脸姿态估计的人机交互方法 | |
CN102750708B (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN101901350B (zh) | 一种基于特征向量的静态手势识别方法 | |
Liu et al. | Accurate dense optical flow estimation using adaptive structure tensors and a parametric model | |
CN102426646B (zh) | 多角度人脸检测装置与方法 | |
CN107014294A (zh) | 一种基于红外图像的接触网几何参数检测方法及系统 | |
CN108629312A (zh) | 一种动态手势跟踪方法及系统 | |
CN101339661B (zh) | 一种基于手持设备运动检测的实时人机交互方法和系统 | |
CN103324921B (zh) | 一种基于内指横纹的移动识别方法及其移动识别设备 | |
CN104091145A (zh) | 人体掌脉特征图像采集方法 | |
WO2024131200A1 (zh) | 基于单目视觉的车辆3d定位方法、装置及汽车 | |
CN106127187A (zh) | 一种具有识别功能的智能机器人 | |
CN106096587A (zh) | 具有目标识别功能的汽车监控系统 | |
JP2014507722A (ja) | 一般化されたロバストなマルチチャンネル特徴検出器 | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
CN106077971A (zh) | 一种能够自主识别的激光切割装置 | |
CN106203317A (zh) | 能够实现对用户识别的计算机 | |
CN106127485A (zh) | 一种基于识别技术的电子交易认证系统 | |
CN106199610A (zh) | 一种具有识别功能的超声波探测装置 | |
CN106169069A (zh) | 具有目标识别功能的无人值守船舶系统 | |
CN106651756A (zh) | 一种基于sift和验证机制的图像配准方法 | |
CN105955473A (zh) | 一种基于计算机的静态手势图像识别交互系统 | |
Zhe et al. | A robust lane detection method in the different scenarios | |
CN108805097A (zh) | 一种基于色彩空间转换的人脸识别与实时跟踪方法 | |
CN106205077A (zh) | 一种快速识别的报警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |