值的计算方法是，轮廓个数阈值P初始值设置4,对应i = l，第i+1 个符合计算轮廓个数的图像的轮廓个数为N1+1，如果N1+1在
]的范围内就遵循计算
p 原I 如果N1+1不在该范围内，则轮廓个数阈值保持不变，上述的？,为第i个符 合计算轮廓个数的图像轮廓个数阈值，Pi+i为第i+Ι个符合计算轮廓个数的轮廓个数阈值。
[0034] 本发明方法在获取源视频图像后，先缩放视频帧图像并转为灰度图，然后获取物 体运动前景矩形框，通过和前一帧图像进行轮廓比对的方法获得最大运动前景矩形框，再 对上面获得的前景矩形框进行人头检测，粗定位人头区域，如果检测到人头，代表有行人进 入视频监控区域;在人头区域的基础上，取原图同区域进行人脸检测，获取人脸位置信息， 接下来在得到的人脸范围预估嘴巴区域，并将嘴巴区域进行切割缩小范围，精确定位嘴巴 区域，然后计算梯度图，在得到梯度图的基础上计算连通域个数以初步判断是否为蒙面人， 此后计算前两大连通域面积所占的比例从而进一步进行判断是否为蒙面人。本发明方法简 单，计算快速，用户可以实时得到蒙面人监控信息，而且可以随时查看自动保存的蒙面人信 息，协助破案。
[0035] 与现有技术相比，本发明具有如下优点和技术效果：
[0036] 虽然现在视频监控应用广泛，已广泛应用于商场、马路、海关、银行、车站等公共场 所，但是主要还是需要人工长时间观看大量的原始视频才能锁定破案范围，而对于这些原 始视频，视频时间都很长，动辄几十个小时，摄像头数量又是一个相当庞大的数字，如果用 人工去排查，会大大浪费人力资源，而且效率低下，可谓费时费力，还容易漏掉一些关键信 息;而且一般的视频监控只是单纯的录制视频，并没有自主反馈可疑事件的能力，无法发挥 实时性和自主性，通常只能用于事后取证，而很多情况下，如果在第一时间发现可疑行为， 就能够有效避免很多损失。另外，现存的视频监控领域中鲜有检测蒙面人可疑行为的方法， 本发明能够有效检测实时视频中出现的蒙面人，当发现可疑蒙面人时，会立即报警，并且能 够保存蒙面人信息，协助破案。现有的视频监控方法大都效率低下，处理速度慢，而本方法 能够在不失准确性的前提下有很快的运行速度，计算方法简单，可应用于实时环境。本方法 适用于多种场景、拍摄角度，能处理黑白和彩色的视频，有很高的兼容性。
【附图说明】
[0037] 图1为实施方式中基于视频特征统计的双模式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，以 下若有未特别详细说明之过程，均是本领域技术人员可参照现有技术实现的。
[0039] 如图1，基于视频特征统计的双模式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，缩放视频图像，转为灰度图；
[0041] (b)获得运动物体前景图像；
[0042 ] (c)通过计算轮廓中点坐标所在位置以及和上一帧运动前景的重合比例，找出运 动物体的最大矩形轮廓；
[0043] (d)对步骤(c)中获得的运动过程进行检测，得到人头位置信息，用以初步定位人 头位置；
[0044] (e)对步骤(d)中获得的人头区域图像运用人脸检测，再预估初步定位嘴巴位置；
[0045] (f)通过对步骤(e)中的结果图像进行嘴巴精确位置，并对计算梯度后的图像计算 连通域个数和前两大连通域面积所占的比例，通过阈值设定，最终判定蒙面人。
[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提取源， 每次取出一个图像帧，将视频图像宽高缩放到原宽高尺寸比例0.8倍，并将视频帧彩色图像 转为单通道灰度图像。
[0047] 步骤(b)使用高斯背景建模的帧差法逐帧进行运动前景检测，帧差法检测运动物 体非常快速，即将每一帧图像和背景的灰度图做差，得出的是图像中不同的部分，这就是物 体的运动前景，再将这些轮廓用小矩形框圈出，使用高斯背景建模不断更新背景图像，使得 背景能够自适应环境。
[0048]步骤(c)对步骤(b)获得的图像进一步处理，获得物体的最大矩形轮廓。步骤(c)包 括以下步骤：
[0049] (c-Ι)对(b)中处理过后得到的图像进行二值化，获取二值化后的图像；
[0050] (C-2)对二值化图像进行中值滤波操作，滤波模板大小3*3;
[0051] (c-3)继续对上述处理获得的图像进行轮廓检测并保存；
[0052] (c-4)依次算出每个轮廓的面积，如果轮廓面积小于总图像面积0.01倍，将其舍弃 进行下一个轮廓的计算，如果面积符合要求，获得该轮廓的外界矩形R〇，并通过与一个全局 最大外接矩形的左上角和右下角位置进行比较，求出当前最大外接矩形框，从而在循环结 束后可以得到当前帧最大的外接矩形框；
[0053] (c-5)与前一帧图像的宽高进行比较，如果图像高度为前一帧图像高度的0.7倍以 下，将该帧图像放大到该帧原图宽高的1.5倍，如果矩形框宽高超出本帧原图边界大小限 制，放大到边界大小；
[0054] (c-6)记录步骤(c-5)最终获得矩形框高度。
[0055] 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 0.8倍，然后利用opencv基于haar特征的级联adaboost方法训练好的人头分类器进行人头 检测，尺度不变性每次缩放1.1倍，且人头区域矩形宽高为图像总宽度的20 %，连续3次符合 级联分类器要求才被判定为人头，记录人头区域位置信息，供下一个步骤使用。
[0056] 在步骤(e)中，对步骤(d)得到的人头的原图像同位置区域利用opencv基于haar特 征的级联adaboost方法训练好的人脸分类器进行人脸检测，尺度不变性每次缩放1.1倍，且 人脸区域矩形宽高为图像总宽度的20%，连续3次符合级联分类器要求才被判定为人脸，记 录人脸区域位置信息;在已经大致得到人脸位置区域的情况下，初步定位嘴巴位置。
[0057] 初步定位嘴巴位置的计算方法是，在得到的人脸位置框选如下一个矩形，设原矩 形长(平行于X轴的那一边)为a，宽为b，矩形左上角坐标为(0.25a，0.65b)，嘴巴位置矩形长 0.5a，宽0.35b。例如，如果原区域矩形为44*44像素大小，则左上角坐标为（11，28)，嘴巴位 置矩形长22像素，宽14像素。
[0058]表1 Rect类的数据格式
[0059]
[0060] 步骤(f)包括以下步骤：
[00611 (f_l)进一步精确定位嘴巴区域；
[0062] (f_2)采用高斯模糊降噪，核大小为3*3,然后转为灰度图；
[0063] (f-3)使用Sobel算子梯度检测，并使用线性变换转换输入数组元素为其绝对值的 8位无符号整型；
[0064] (f-4)先对(f-3)获得的图像进行锐化，然后采用自适应大津阈值发进行二值化处 理；
[0065] (f-5)对(f-4)处理后的图像进行轮廓检测，计算其轮廓个数，获取图像轮廓个数 特征；
[0066] (f_6)保留（f-4)处理后的图像的前两大连通域，计算前两大连通域占图像像素个 数的比例，获得前两大连通域比例特征；
[0067] (f-7)根据步骤(f-5)和步骤(f-7)的特征判定是否为蒙面人。
[0068]步骤(f_l)中，精确定位嘴巴区域的计算方法是，在初步定位的嘴巴矩形区域框选 如下一个矩形，设原区域矩形长（平行于X轴的那一边）为a，宽为b，矩形左上角坐标为 (0.2a，0 )，右下角坐标为(0.8a，b)。例如，如果原区域矩形为22* 14像素大小，则左上角坐标 为(4,0)，则右下角坐标为(17,14)。
[0069] 步骤(f-3)中，Sobel算子的输出深度为16位有符