基于肤色特征的蒙面人事件自动检测方法
【技术领域】
[0001] 本发明一般涉及计算机智能监控视频处理领域，具体涉及基于肤色特征的蒙面人 事件自动检测方法。
【背景技术】
[0002] 近年来，随着社会的迅速进步、科技的飞速发展和国力的不断增强，各种高科技犯 罪手段也层出不穷，不论是在银行、企业、交通、小区、军事这些大型或集体场所，还是个人 住宅，都对安全防范的要求与日倶增，于是视频监控在生活的方方面面都得到了广泛的应 用。虽然视频监控已广泛应用在商场、海关、车站、银行等公共场所，但实际上视频的处理还 是需要大量的人工工作量，而且上述现场录制的视频都是未经加工过的原始视频，不能得 到及时的自主性反馈和有用信息，所以通常只能用于事后取证，没有充分发挥视频监控的 实时性和自主性。而且对于一个视频而言，动辄十几个小时，多则几十个小时，甚至上百个 小时，视频摄像头的数量更是数不胜数，要用人工工作量去审查如此巨大的数据，显然是非 常耗时耗力的。虽然现在视频监控领域也在迅速发展，但是仍无法满足人们的需求，因此将 视频监控自动化，充分发挥视频监控的自主性和实时性，解放人工劳动力，这对安防领域乃 至人们生活水平的提高有着至关重要的作用。
[0003] 在现实生活中，很多对安全要求较高的场合需要对现场出现的可疑人物进行实时 监测，或者案发过后需要对案发视频进行重审，这样就涉及蒙面人等可疑人物的检测识别， 但是视频的冗余信息使检测和案件侦破的工作量变得异常巨大，而现有的智能视频监控技 术处理速度慢，识别率低，不能满足实时监控的要求或者不能应用于实际场景。而本发明处 理速度快，检测率高，释放通过纯人力观看视频来检测犯罪行为，能够使安防工作简单高效 的进行。
【发明内容】
[0004] 本发明针对当前安防智能视频监控技术的不足，提供了基于肤色特征的蒙面人事 件自动检测方法。本发明的目的在于自动实时检测视频里面出现的所有蒙面人入侵事件， 检测分两个部分，一是对进入画面的人体的检测，二是对该人体脸部是否有遮挡物进行检 测。在检测到蒙面人入侵后的第一时间里发出入侵报警，从而快速定位目标，帮助破案，具 体技术方案如下。
[0005] 基于肤色特征的蒙面人事件自动检测方法，包括以下步骤：
[0006] (a)读入视频文件，将视频图像缩放到原图宽高尺寸比例的80%，并将视频中的 彩色图像帧转为单通道灰度图像帧；
[0007] (b)使用帧差法逐帧对读入的视频进行运动物体检测，得到运动物体的大致运动 前景；
[0008] (C)计算运动物体轮廓匹配度，使用找运动物体最大轮廓的方法，对（b)中得到的 图像进一步处理，得到运动物体的最大矩形轮廓；
[0009] (d)对步骤（d)中跟踪的运动物体的整个运动过程进行人头检测，得到人头位置 的初步信息；
[0010] (e)对步骤（e)中获得的人头位置初步区域进行人脸检测，判定出人脸的具体位 置；
[0011] (f)通过对步骤（f)中的结果的人脸精确位置，在未转为灰度图像的彩色图像上 进行肤色特征判定，通过肤色占正常人脸的比率和占蒙面人脸比率的阈值设定，最终判定 蒙面人。
[0012] 上述基于肤色特征的蒙面人事件自动检测方法中，步骤（b)包括以下步骤：
[0013] (b-Ι)在视频中逐帧获取（a)中处理过的图像；
[0014] (b_2)使用高斯背景建模差分处理图像，更新背景图片并且输出运动前景，得出差 值图像；
[0015] (b-3)对差值图像进行二值化操作；
[0016] (b-4)采用5*5点阵的邻域对二值化图像进行中值滤波操作，消除小的噪声。
[0017] 上述基于肤色特征的蒙面人事件自动检测方法中，步骤（C)包括以下步骤：
[0018] (c-1)对（b)中最后得到的图像进行轮廓检测，并保存检测到的所有轮廓；
[0019] (c-2)遍历所有轮廓，计算轮廓面积，舍弃轮廓面积小于图像总面积1 %阈值的轮 廓，否则获取轮廓的外接矩形，然后记录所有矩形对应的2个对角点坐标，遍历结束即可得 出运动物体范围最大的矩形角点，从而可以得到运动物体最大的运动矩形范围；
[0020] (c-3)将矩形的宽高放大到原矩形框的I. 1倍大小，如果矩形框超出边界，按边界 来处理；
[0021] (c-4)计算前后帧轮廓匹配度，减小帧与帧之间运动物体矩形框的抖动程度；
[0022] (c-5)将最终得到的矩形框记录下来，并传给下一步进行进一步处理。
[0023] 上述基于肤色特征的蒙面人事件自动检测方法中，步骤（c-4)中，鉴于物体运动 过程中不可能突然变小，但是实际过程中常常受到光照影响，而矩形框变化较大，之前记录 下视频中的第i帧图像最后得到的运动矩形框高度和宽度，如果第i+ι帧图像和第i帧图 像的轮廓高度（或宽度）匹配度少于70%，就将第i帧图像的高（宽）赋值给新矩形框，上 述的i表示视频的帧号。
[0024] 上述基于肤色特征的蒙面人事件自动检测方法中，轮廓高度匹配度的计算方法为
匕为2个矩形轮廓的高度匹配度，h'为视频第i+Ι帧图像矩形轮廓的高度，h为 第i帧图像矩形轮廓的高度，轮廓宽度匹配度的计算方法为
，Pw为2个矩形轮廓 的宽度匹配度，w'为第i+Ι帧图像矩形轮廓的宽度，w为第i帧图像矩形轮廓的宽度，上述 的i表不视频的帧号。
[0025] 上述基于肤色特征的蒙面人事件自动检测方法中，在步骤（d)中，先用线性插值 的方式将步骤（C)中传入的待检测图像缩小到原图像的A，然后进行人头检测，如果人头 检测区域小于总面积的1 %，将会被认为是噪音而被过滤掉，如果被检测出有人头，则可以 判断有行人经过。
[0026] 上述基于肤色特征的蒙面人事件自动检测方法中，在步骤（e)中，进行人脸检测， 如果人脸检测区域小于总面积的1 %，将会被认为是噪音而被过滤掉。
[0027] 上述基于肤色特征的蒙面人事件自动检测方法中，步骤（f)包括以下步骤：
[0028] (f_l)得到步骤（e)中的人脸区域，用大津阈值法对图像进行肤色分割，得到肤色 分割后的二值化图像；
[0029] (f_2)将步骤（f-Ι)中得到的二值化图像中的待判定的矩形框定位在人脸的下半 部分；
[0030] (f_3)对步骤（f_2)中部分进行蒙面人判定，决断出最终结果是不是蒙面人。
[0031] 上述基于肤色特征的蒙面人事件自动检测方法中，在步骤（f_2)中，鉴于蒙面人 多戴口罩，所以遮挡部分应该在人脸下半部分，于是将待判定的矩形框定位在人脸区域至 上而下的30%处。
[0032] 上述基于肤色特征的蒙面人事件自动检测方法中，在步骤（f_3)中，对于步骤 (f-2)中的矩形区域计算蒙面人匹配系数，如果蒙面人匹配系数小于30%，那么就判定蒙 面人出现。
[0033] 上述基于肤色特征的蒙面人事件自动检测方法中，蒙面人匹配系数的计算方法为
I M为蒙面人匹配系数，count为步骤（f-2)中的二值化矩形点阵区域中白色 点的数目，area为步骤（f-2)中的二值化矩形点阵区域中的总点数。
[0034] 本发明在读入视频并在缩放和灰度化处理之后首先米用帧差法将视频中的运动 物体前景检测出来，这是视频摘要提取的最基本操作；通过轮廓匹配的方式计算当前帧图 像运动物体矩形框与前一帧图像运动物体矩形框之间的匹配度，从而通过进一步判断获取 运动物体最合适的矩形框；获取运动物体矩形框后，对上述矩形框进行人头检测，这里检测 出人头代表有行人通过，获取人头所在区域；在获得人头区域的基础上，进行人脸检测，获 取人脸所在区域；获取人脸所在区域，并在原图截取同区域，对此区域采用大津阈值法进行 肤色分割，得到二值化后的肤色分割图像；得到上一步肤色分割后的二值图像，将该图像进 行蒙面人判决。用户可以得到实时的蒙面人监控数据。
[0035] 与现有技术相比，本发明具有如下优点和技术效果：
[0036] 虽然现在的视频监控应用广泛，但是大多还是采用人工一一观看的方式来审查视 频或是用于事发后取证，这样不仅大大浪费人力资源，而且效率低下，可谓费时费力。本发 明充分发挥视频监控的自主性和实时性，能成倍提高安防的工作效率。另外现今的视频监 控领域中鲜有见到蒙面人识别的方法，本发明可以直接检测出视频中出现的蒙面人，给予 安保人员警示，具有极高的实用性。现在的视频监控方法大都效率低下，处理速度缓慢，而 本发明运用多种方法在保证不失检测准确性的前提下将目标范围大大缩小，方法计算简 单，极大的提高运行速度，可应用于实时环境。其次，视频可以兼容多种场景，用户不用担心 因为视频场景不同而需要更换另一套蒙面人识别技术。
【附图说明】
[0037] 图1为实施方式中基于肤色特征的蒙面人事件自动检测方法的流程图。
【具体实施方式】
[0038] 以下结合附图对本发明的实施方式作进一步说明，但本发明的实施不限于此。
[0039] 如图1，基于肤色特征的蒙面人事件自动检测方法的主要流程包括以下步骤：
[0040] (a)读入视频文件，将视频图像缩放，并将转为灰度图像帧；
[0041] (b)用帧差法逐帧对读入的视频进行运动前景检测；
[0042] (C)计算运动物体轮廓匹配度，得到运动物体的最大矩形轮廓；
[0043] (d)进行人头检测；
[0044] (e)进行人脸检测；
[0045] (f)分割肤色，进行蒙面人判定。
[0046] 步骤（a)允许用户通过文件选择窗口从本地硬盘选择一个视频文件作为视频源， 逐帧取出，并将视频图像缩放到原图宽高尺寸比例的80 %，并将视频中的彩色图像帧转为 单通道灰度图像帧。
[0047] 步骤（b)采用帧差法对视频进行运动物体前景检测，帧差法是目前运动物体检测 算法中最快的算法之一，帧差法的主要原理是：对两帧图像的灰度图做差，然后将图像中的 相同背景区域中的像素点设为〇,剩下不为〇的像素区域即运动前景，再对帧差法处理过后 的图像进行二值化处理，就可以得到清晰的运动物体前景二值图；而且这里也采用了高斯 背景建模的方法，使得背景能够自适应的变化，可以更好的得到差分图像。
[0048] 步骤（b)包括以下步骤：
[0049] (b-Ι)在视频中逐帧