程序、视觉控制程序、航迹控制程序、增稳控制程序、遥控器解码程 序、通信处理程序。
[0088] 优选的，在步骤S2中，包括如下子步骤：
[0089] S21.视觉计算机15的视频文件分割器对视频文件进行分割；
[0090] S22.视觉计算机15的视频压缩编码器对分割完成的文件进行压缩；
[0091] S23.视觉计算机15的加密装置对压缩完的视频文件进行加密操作。
[0092] 优选的，在步骤S4中，可采用如下方法对视频图像进行处理：
[0093] S41 :获取视频中的一个帧，即获得该帧表示的图像。
[0094] S42 :按照预定噪声去除规则去除所述图像中的噪声数据。
[0095]图像在获取、传输和存储过程中常常会受到各种噪声的干扰和影响而使图像降 质。为了得到高质量的数字图像，有必要对图像进行降噪处理，尽可能在保持原始信息完整 性的同时，并能够去除信号中无用的信息。
[0096] 视频图像去噪的最终目的是改善给定的图像，解决实际图像由于噪声干扰而导致 图像质量下降的问题。通过去噪技术有效地提高图像质量，增大信噪比，更好的体现原来图 像所携带的信息。
[0097]目前对图像进行去噪处理的方法基本可分成两类：空间域法和变换域法。前者是 在原图像上直接进行数据运算，对像素的灰度值进行处理；常见的空间域图像去噪算法有 邻域平均法、中值滤波、低通滤波等。后者是在处理像素点领域有关的空间域上进行运算， 对图像进行某种运算，将图像从空间域转换到变换域，再对变换域中的变换系数进行处理， 再进行反变换将图像从变换域转换到空间域达到去除图像噪声的目的。其中，傅里叶变换 和小波变换是常见的用于图像去噪的变换方法。由于去噪方法是较为成熟的技术，因此本 申请实施例可根据实际情况自由选择上述方法，不构成对申请的限制。
[0098] 鉴于视频监控系统大多是对可动目标对象的监控的特殊性，本申请的一个实施方 式中，将不需监控或重点监控的不可动背景与可动前景进行分离，即将获取的监控视频的 背景部分作为噪声数据的一部分去除。
[0099] S43 :按照预定对象识别规则在所述去除噪声数据的图像中识别目标对象。
[0100] 对图像进行检索的目的是要识别其中的目标对象，首先要提取目标对象的特征， 并依据该特征识别对象。因此图像检索的主要问题之一就是图像底层特征的提取。
[0101] 本申请可以提取图像底层特征可以包括颜色、纹理、形状和景深。
[0102] 1、颜色
[0103] 颜色是物体表面的一种重要视觉性质，是人识别图像的主要感知特征之一；与描 述图像的形状、纹理等特征相比，颜色特征是CBIR最基础的图像视觉特征，是图像表示与 检索中使用的最直接的方法，主要原因在于颜色特征计算简单，其信息和图像中具体物体 与场景类别十分相关。此外，颜色特征对图像本身的尺寸、方向、视角的依赖性相对较小。但 实际中，由于环境光照强度、拍摄角度、成像特性、对象远近等差异会引起的不同摄像机采 集到的同一对象的颜色出现差异。为了解决这一问题，获取稳定地、具有唯一性地目标特征 表达，可以利用颜色转移方法或颜色转换方法消除颜色差异，提高颜色特征的鲁棒性。
[0104] 在利用颜色转移方法或颜色转换方法消除颜色差异之前，可以首先对采集得到的 视频监控图像进行增强预处理。
[0105] 研究表明，人类视觉系统以高度非线性的方式来感知物体的光照强度。但摄像机 等成像过程则较为简单。一般情况下，摄像机所成的像与人类直接的感知是不同的，这种情 况在物体的动态范围较大时更加明显。动态范围是指场景中最亮和最暗物体亮度之间的比 值。由于采用了区域自适应的方法，人类视觉系统可感知大于1000 :1的动态范围，而通常 的显示器仅可显示100 :1的动态范围。当物体动态范围大于显示器所能显示的范围时，需 对图像进行动态范围压缩，以使其适于显示器。简单的色调映射方法采用全局的对数函数、 Gamma校正或Sigmoid函数来压缩图像的动态范围，容易造成局部的细节丢失。较高级的色 调映射均采用区域自适应的方法，基于Retinex的方法是其中一类。
[0106] Retinex理论是Land于1963年提出的基于人类视觉调节感知到物体的颜色和亮 度的模型，其基本思想是人感知到某点的光照并不取决于该点的绝对光照值，还和其周围 的光照值有关。Retinex增强处理可以改善图像颜色恒常性，压缩图像动态范围，提高对比 度，有效显示淹没在阴影区域中的细节。Retinex方法应用在本申请实施方式的步骤是首先 对采集得到的视频监控图像进行光照估计，然后在对数域从视频监控图像中减去光照，抑 制光照变化对图像的影响，得到增强后的图像。
[0107] 利用Retinex算法对采集得到的视频监控图像进行增强处理后，采用颜色转移或 颜色转法对该增强的视频监控图像进行消除色差处理，提高颜色特征的鲁棒性。对视频监 控图像进行消除色差处理是去除图像噪声的重要组成部分。
[0108] 2、纹理
[0109] 纹理特征是所有物体表面共有的内在特性和对图像表面空间结构和属性的反映， 是一种不依赖于颜色或亮度的反映图像同质现象的视觉特征。纹理特征包含了物体表面结 构组织排列的重要信息，其表现为图像上灰度或颜色分布的规律性，因此通常被看作图像 的某种局部性质，或是对局部区域中象素之间关系的一种度量。
[0110] 常用的图像纹理特征有共生矩阵，小波纹理，Tamura纹理特征等。其中，Haralick 等利用共生矩阵描述图像纹理特征的方法，从数学角度研究了图像中灰度级的空间依赖性 并采用矩阵的形式记录这种依赖性的统计信息。灰度共生矩阵统计的是颜色强度的空间分 布信息，根据图像象素间的方位和距离关系构造共生矩阵（co-occurrence matrix)，从中 提取有意义的统计特征作为纹理特征的描述。
[0111] 视频监控图像的特点是目标常处于移动状态中。在非刚体目标跟踪或者长时间目 标跟踪中，目标轮廓等全局特征可能变化较大，而局部特征则有良好的不变性，因此局部特 征点方法是较好的选择。
[0112] 本申请实施方式可以采用局部二元模式（Local Binary Pattern，LBP)描述子对 人脸进彳丁检测，以提尚对彳丁人的检索精度和检索速度。
[0113] 3、形状
[0114] 形状特征以对图像中物体和区域的分割为基础，是图像表达和图像理解中的重要 特征。直观上，人们对物体形状的变换、旋转和缩放不敏感，所以提取的形状特征也具有对 应的不变性，是一种有效的图像区域形状描述子。
[0115] 4、景深
[0116] 对视觉注意力来说，从单幅图像中提取的景深是一个一般性地、自顶向下地特征， 当目标放置在摄像机的聚焦区域以外就会出现散焦模糊。
[0117] 本申请实施方式景深特征的提取方法可以包括两个主要步骤。首先，估计单幅图 像边缘的模糊程度。然后，对边缘的模糊度进行高斯加权从而得到每个基本区域的相对景 深。单幅图像景深图的具体计算方法如下：
[0118] 首先，用标准差为σ 1的高斯核对图像进行二次模糊。然后，在图像的边缘处计算 原始图像的梯度和二次模糊图像的梯度的比值Τ。图像边缘处的模糊程度σ可以根据如下 公式计算：
[0119]
(!)
[0120] 本申请用Canny边缘检测子提取图像的边缘，设置二次高斯模糊的标准差为〇 1 =1。然后，把图像所有边缘处的模糊程度σ归一化到[0，1]区间。
[0121] 随后，基本区域m的相对景深Wm定义为图像所有边缘模糊程度的高斯加权平均 值：
[0122]
[0123] (i，j)是基本区域m的像素点的坐标，σ (i，j)是边缘像素点M(i，j)的模糊程度， 高斯权重定义为：
[0124]
[0125] 其属于（i，j)的邻域Vi j，为相对景深的二次高斯模糊标准差，其 用于抑制景深对于边缘像素点M(i，j)和基本区域m间距离的敏感性。〇1取值对景深特征 具有较大影响，取值过大则景深趋向相同，取值过小则增强局部模糊。本申请实施方式中将 设置为 = 〇. 15。
[0126] 上述提及的颜色、纹理、形状、景深等底层特征均为全局特征。当然，全局特征并不 限于上述四种特征，例如其还可以包括GIST特征和分形特征，在此不再赘述。此外，图像的 还可以包括局部特征，例如SIFT特征。
[0127] 基于内容的图像检索的目的是在提取图像视觉底层特征的基础上，从图像库中找 出相关图像。图像的内容特征包含底层特征和高层语义特征，用提取的颜色、纹理、形状、景 深特征表示图像的底层特征，通过训练选择和组合底层特征以更好的模拟人对图像高层语 义特征的直观感受，方便将图像视觉底层特征映射得到