[发明专利]一种机器学习的安防监控视频遮挡智能填补方法与系统

权利要求书

1.一种机器学习的安防监控视频遮挡智能填补方法，其特征在于，所述方法包括以下步骤：

步骤1，定义一个N*M的栅格矩阵模板，将其放入安防监控视频中对特定目标存在遮挡的每一帧的视频画面中；

步骤2，对于每一帧视频画面，计算所述栅格矩阵模板中每一个栅格所在的图像区域的特征量，将所述栅格矩阵模板中的全部栅格的特征量进行组合，得到所述栅格矩阵模板的一个N*M的栅格矩阵向量；

步骤3，将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动，每移动一次栅格矩阵模板，就按步骤2中的方式计算一次栅格矩阵向量，直至所述栅格矩阵模板遍历每一帧视频画面；从而，对于上述每一帧视频画面分别获得若干栅格矩阵向量；

步骤4，将所有视频帧的全部栅格矩阵向量执行聚类计算，并进行类簇划分；

步骤5，确定特定目标所在的类簇，根据该类簇中特定目标未遮挡部分提取的特征量来填补上述每一帧视频画面中特定目标被遮挡部分的特征量。

2.如权利要求1所述的机器学习的安防监控视频遮挡智能填补方法，其特征在于，在步骤1中，所述栅格矩阵模板的宽和高的定义方式为：遍历所有视频帧，确定每一帧特定目标的尺寸，若特定目标的最大宽度为Wmax，最大高度为Hmax,则设置所述栅格矩阵模板的宽为Wmax，高为Hmax。

3.如权利要求1所述的机器学习的安防监控视频遮挡智能填补方法，其特征在于，在步骤3中，所述栅格矩阵模板按照预定步长进行移动，具体为：从视频帧的任一顶点开始将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动。

4.如权利要求1所述的机器学习的安防监控视频遮挡智能填补方法，其特征在于，在步骤4中，所述类簇划分的具体方法为：根据相似度将对应同一个特定人物的栅格矩阵向量划分到同一个类簇。

5.如权利要求1所述的机器学习的安防监控视频遮挡智能填补方法，其特征在于，在步骤5中，所述确定特定目标所在的类簇，具体为：将含有特定目标的特征量最多的类簇，确定为特定目标所在的类簇。

6.一种机器学习的安防监控视频遮挡智能填补系统，其特征在于，所述系统包括：

栅格矩阵模板建立模块，用于定义一个N*M的栅格矩阵模板，将其放入安防监控视频中对特定目标存在遮挡的每一帧的视频画面中；

栅格矩阵向量计算模块，用于对于每一帧视频画面，计算所述栅格矩阵模板中每一个栅格所在的图像区域的特征量，将所述栅格矩阵模板中的全部栅格的特征量进行组合，得到所述栅格矩阵模板的一个N*M的栅格矩阵向量；

栅格矩阵模板移动模块，用于将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动，每移动一次栅格矩阵模板，就利用栅格矩阵向量计算模块计算一次栅格矩阵向量，直至所述栅格矩阵模板遍历每一帧视频画面，从而，对于上述每一帧视频画面分别获得若干栅格矩阵向量；

类簇划分模块，用于将所有视频帧的全部栅格矩阵向量执行聚类计算，并进行类簇划分；

遮挡填补模块，用于确定特定目标所在的类簇，根据该类簇中特定目标未遮挡部分提取的特征量来填补上述每一帧视频画面中特定目标被遮挡部分的特征量。

7.如权利要求6所述的机器学习的安防监控视频遮挡智能填补系统，其特征在于，在栅格矩阵模板建立模块中，所述栅格矩阵模板的宽和高的定义方式为：遍历所有视频帧，确定每一帧特定目标的尺寸，若特定目标的最大宽度为Wmax，最大高度为Hmax,则设置所述栅格矩阵模板的宽为Wmax，高为Hmax。

8.如权利要求6所述的机器学习的安防监控视频遮挡智能填补系统，其特征在于，在栅格矩阵模板移动模块中，所述栅格矩阵模板按照预定步长进行移动，具体为：从视频帧的任一顶点开始将所述栅格矩阵模板在每一帧视频画面中按照预定步长进行移动。

9.如权利要求6所述的机器学习的安防监控视频遮挡智能填补系统，其特征在于，在类簇划分模块中，所述类簇划分的具体方法为：跟据相似度将对应同一个特定人物的栅格矩阵向量划分到同一个类簇。

10.如权利要求6所述的机器学习的安防监控视频遮挡智能填补系统，其特征在于，在遮挡填补模块中，所述确定特定目标所在的类簇，具体为：将含有特定目标的特征量最多的类簇，确定为特定目标所在的类簇。