。二max{ Ot，t}表示，则目标丢失判断式为
其 中gs为人为设定的判失阀值;当U = I时目标被稳定跟踪，当U = O时，目标丢失；
[0140] 当目标丢失时，定义仿射变换模型：
其中（xt，yt)和(xt-i，yt-i)分别为当前帖目标中某个SITF特征点的位置坐标和前一个帖目标 中对应匹配特征点的位置坐标，两者均为已知量;S为尺度系数，0为旋转系数，e和f代表了 平移系数，
'为溫度旋转修正系数，
为溫度平移修正系数，化和化用于修正因为环境溫度偏差造成的图像旋转和平移误差，I'd为 人为设定的标准溫度，设为20度，T为由溫度传感器实时监测得到的溫度值;采用Ransac估 计算法求取仿射变换模型的参数，最后在新的尺度S和旋转系数0下采集正负样本，更新分 类器；
[0141] 更新子模块23,用于视觉字典的更新：
[0142] 在每帖图像获得目标位置W后，根据仿射变换参数的计算结果，收集所有满足结 果参数的SIFT特征点扶;爲=1，经过F = 7帖W后，获得新的特征点集備據苗，其中St-F代表 了从F帖图像中得到的总特征点数；利用下式对新旧特征点重新进行K聚类：拘始=J.二
其中{巧巧=1表示新的视觉字典，视觉字典的大小保 持不变；巧G阳y是遗忘因子，表明了旧字典所占的比重，巧§小，新特征对目标丢失的判 断贡献越多，取
[0143] (3)识别输出模块3,用于图像的识别和输出：在待识别的图像序列中利用跟踪算 法获取目标区域，将目标区域映射到已知训练数据形成的子空间，计算子空间中目标区域 与训练数据之间的距离，获得相似性度量，判定目标类别，并输出识别结果。
[0144] 优选的，采用维纳滤波来进行一级滤除后，此时图像信息还包含有残余的噪音，采 用W下的二级滤波器进行二次滤波：
[0145]
[0146] 其中，J(X，y)为经过滤波后的图像;Pg(x+i，y+j)代表尺度为m X n的函数，且Pg(X+ i，y+j)=qXe邱(-(x2+y2)/?)，其中q是将函数归一化的系数，即 JJqXe邱(-(x2+y2)/?) dxdy=1O
[0147] 此实施例的服务器机柜室，在图像预处理阶段，增强的图像能够根据模板的大小 自适应调整，提高增强效果，且在在不同模板大小时判断条件能自动修正，且考虑了视觉习 惯W及人眼对不同色彩的感知度同色彩强度的非线性关系；充分利用了图像的局部特征和 全局特征，具有自适应性，可W抑制过度增强，对复杂光照环境下获取的图像增强效果明 显;将MXN个幕指数运算降低为256个，提高了计算效率，Z = 8，F = 7,巧-=0.20,计算平均帖率 为19FPS，计算量小于同类型的字典算法;在目标检测和跟踪阶段，能够消除不同溫度导致 图像的旋转和平移造成的误差，提高识别率，经处理后的图像细节更加清晰，且计算量相对 于传统方法大幅度减少，能够有效适应目标尺度变化，并能够准确判定目标是否发生丢失， 在目标重新回到视场后能够被重新检测并稳定跟踪，直至130帖后仍能稳定跟踪目标。此 夕h该服务器机柜室具有实时性好、定位准确和鲁棒性强的优点，且在快速有遮挡的目标检 测和跟踪方面有很好的效果，取得了意想不到的效果。
【主权项】
1. 一种可增强对比度的服务器机柜室，包括服务器机柜室和安装在服务器机柜室墙体 上的监测装置，监测装置用于对服务器机柜室内的活动进行视频图像监测，其特征是，监测 装置包括预处理模块、检测跟踪模块、识别输出模块； (1) 预处理模块，用于对接收到的图像进行预处理，具体包括图像转化子模块、图像滤 波子模块和图像增强子模块： 图像转化子模块，用于将彩色图像转化为灰度图像：其中，1?(1，7)、6(1，7)、8(1，7)分别代表像素(1，7)处的红绿蓝强度值，!1(1，7)代表坐标 (x，y)处的像素灰度值;图像大小为mXn; 图像滤波子模块，用于对灰度图像进行滤波： 采用维纳滤波来进行一级滤除后，定义svlm图像，记为Msvim(x，y)，具体定义公式为： Msvim(x，y) = aiji(x，y)+a2j2(x，y)+a3j3(x，y)+a4j4(x，y)，其中ai、a2、a3、a4为可变权值， α?=丨1+丨= 1，2,3,4;J(x，y)为经滤波后的图像； 图像增强子模块： 兰丨丨128 - m| > Vb - 50|时，L(x,y) = 255 x 其中，L(x，y)为增强后的灰 度值;Φ(Χ，7)是包含有局部信息的伽马校正系数，此时；1 〇t,y) = /28_W^mfcy))，a是范围为 〇到1的可变参数，α=1 - |^|;ω为模板尺度大小参量，尺度越大则模板中包含的邻域 像素信息就越多，输入图像经过不同尺度ω,的模板，得到的图像心将会包含不同范围的邻 域信息； 当丨 128 - ra| S \?\ω-50\ 且 ω > 5 0 时，啦,y) = 255 x (D * (X'y)X(1_j)，其中也 (X，y)=^(Msvlm(x，y))，a=l-|^^p^|， mH是图像中灰度值高于128的所有像素的 均值，mL是灰度值低于128的所有像素的均值，且此时m = min(mH，mL)，在α值已知的情况下， 计算出256个Φ校正系数作为查找表，记为{ Φ 其中i为索引值，利用Msvlm(X，y)的灰 度值作为索引，根据扒^7)=札(18^(^7))快速获得图像中每个像素的伽马校正系数扒^ y);l_^为模板修正系数； (2) 检测跟踪模块，具体包括构建子模块、丢失判别子模块和更新子模块： 构建子模块，用于视觉字典的构建： 在初始帧获取跟踪目标的位置和尺度，在其周围选取正负样本训练跟踪器，将跟踪结 果作为训练集X = {XI，X2，......χΝ}τ;并对训练集中的每幅目标图像提取128维的SIFT特征 ?/rff，其中St表示训练集中第t幅目标图像中SIFT特征的个数;跟踪N帧以后，通过聚类 v )m=± 算法将这些特征划分为κ个簇，每个簇的中心构成特征单词，记为能够提取到的特 征总量％ = ΣΙΑ-，其中k<<fn，且κ 视觉字典构建好以后，每幅训练图像表 示为特征包的形式，用于表示视觉字典中特征单词出现的频率，用直方图h(xt)表示，h(xt) 通过以下方式获取:将一幅训练图像xt中的每一个特征fs(t)向视觉字典投影，用投影距离最 短的特征单词表示该特征，对所有特征投影完毕后，统计每个特征单词的出现频率，并归一 化得到训练图像x t的特征直方图h(xt); 丢失判别子模块，用于判别目标的丢失与否： 当新一帧图像到来时，从K个直方图柱中随机选取Ζ<Κ个直方图柱，且Z = 4,形成新的 大小为Z的子直方图h(z)(Xt)，子直方图的个数最多为紙=个:计筧候诜目标冈域和训练 集中某个目标区域对应子直方图的相似性Φ?_ζ，；中〖=1， 2，...，N，z = l，2，...，NS，然后计算总体相似性C>t=l- Π Z(l-C>t_z);候选目标区域与目标 的相似性用Φ =max{ C>t，t}表示，则目标丢失判断式为：i中 gs为人为设定的判失阀值；当u=l时目标被稳定跟踪，当u = 0时，目标去失；当目标去失时， 定义仿射变换模型，其中（xt，yt)和（xt-i， yt-i)分别为当前帧目标中某个SITF特征点的位置坐标和前一个帧目标中对应匹配特征点 的位置坐标，两者均为已知量；s为尺度系数，Θ为旋转系数，e和f代表了平移系数，%温度旋转修正系数，i纟温度 平移修正系数，μ#Ρμ2用于修正因为环境温度偏差造成的图像旋转和平移误差，To为人为设 定的标准温度，设为20度，T为由温度传感器实时监测得到的温度值;采用Ransac估计算法 求取仿射变换模型的参数，最后在新的尺度s和旋转系数Θ下采集正负样本，更新分类器； 更新子模块，用于视觉字典的更新： 在每帧图像获得目标位置以后，根据仿射变换参数的计算结果，收集所有满足结果参 数的SI FT特征点i，经过F = 3帧以后，获得新的特征点集{/ig j，其中St-F代表了从F 帧图像中得到的总特征点数；利用下式对新旧特征点重新进行K聚类：{C(}f=1 = 其中{di表示新的视觉字典，视觉字典的大小保 持不变；φ e [0,1]是遗忘因子，表明了旧字典所占的比重，φ越小，新特征对目标丢失的判 断贡献越多，取<Ρ=〇.12; (3)识别输出模块，用于图像的识别和输出：在待识别的图像序列中利用跟踪算法获取 目标区域，将目标区域映射到已知训练数据形成的子空间，计算子空间中目标区域与训练 数据之间的距离，获得相似性度量，判定目标类别，并输出识别结果。2.根据权利要求1所述的一种可增强对比度的服务器机柜室，其特征是，采用维纳滤波 来进行一级滤除后，此时图像信息还包含有残余的噪音，采用以下的二级滤波器进行二次 滤波：其中，J(x，y)为经过滤波后的图像;Pg(x+i，y+j)代表尺度为mXn的函数，且Pg(x+i，y+ j) = qXexp(_(x2+y2)/〇 )，其中q是将函数归一化的系数，即:JJqXexp(_(x2+y2)/ω )dxdy =1〇
【专利摘要】本发明公开了一种可增强对比度的服务器机柜室，包括服务器机柜室和安装在服务器机柜室墙体上的监控装置，监控装置具体包括预处理模块、检测跟踪模块、识别输出模块，其中预处理模块包含图像转化、图像滤波、图像增强三个子模块，检测跟踪模块包含构建、丢失判别、更新三个子模块。本服务器机柜室将视频图像技术运用在服务器机柜室上，能有效监控记录对文物的恶意破坏行为，具有实时性好、定位准确、自适应能力强、图像细节保留完整和鲁棒性强等优点。
【IPC分类】G06K9/62, G06K9/54, G06K9/00
【公开号】CN105718891
【申请号】CN201610045692
【发明人】孟玲
【申请人】孟玲
【公开日】2016年6月29日
【申请日】2016年1月22日