CN106203317A

CN106203317A - 能够实现对用户识别的计算机

Info

Publication number: CN106203317A
Application number: CN201610524129.1A
Authority: CN
Inventors: 不公告发明人
Original assignee: Individual
Current assignee: Individual
Priority date: 2016-06-29
Filing date: 2016-06-29
Publication date: 2016-12-07

Abstract

本发明提供了能够实现对用户识别的计算机，包括计算机和与计算机相连的目标识别装置，目标识别装置基于视觉特征对目标进行识别跟踪，包括依次连接的怀疑目标获取模块、颜色信息处理模块、轮廓信息处理模块、特征评估模块，其中颜色信息处理模块对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型，轮廓信息处理模块用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并，并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理。本发明具有识别精度高、识别速度快的优点。

Description

能够实现对用户识别的计算机

技术领域

本发明涉及计算机领域，具体涉及能够实现对用户识别的计算机。

背景技术

相关技术中，在计算机上采用雷达对目标进行跟踪在定位精度和跟踪成功率上具备很大优势，但仅从雷达获取的距离信息上很难对目标的特征进行区分，尤其在目标被遮挡和多目标情况下，很难实现目标有效识别跟踪。采用目标的视觉信息(如颜色、轮廓等)刻画目标特征，基于目标视觉特征对目标进行识别跟踪是解决上述问题的有效途径。

发明内容

针对上述问题，本发明提供能够实现对用户识别的计算机。

本发明的目的采用以下技术方案来实现：

能够实现对用户识别的计算机，包括计算机和与计算机相连的目标识别装置，其特征是，所述计算机包括：

主机机箱和置于其内的主板、电源，机箱背面设置有用于连接显示器、键盘、鼠标和电源的插座，两网络连接器，分别与内部网络***和外部网络***相连；所述两网络连接器和处理器间设有切换开关，该切换开关的控制端与处理器之间设有控制模块，该模块由处理器运行BIOS程序的指令序列来控制，使得处理器任何时刻经由二者之一的网络连接器与内部网络***和外部网络***中的一个相连。

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述网络连接电路有两套，位于两个网络连接器和切换开关之间，每套网络连接电路各自有一端连接一个网络连接器，另一端连接所述切换开关的一个选择支路。

优选地，所述目标识别装置包括：

(1)怀疑目标获取模块，用于在监控视频中识别怀疑目标并读取包含怀疑目标的原始桢图像，其包括与现场计算机连接的红外电荷耦合器件，所述红外电荷耦合器件将输出的图像信号输入到现场计算机进行是否存在怀疑目标的判别处理；

(2)颜色信息处理模块，其对所述原始桢图像进行从RGB颜色空间到HSV颜色空间的转换并构建所述怀疑目标在HSV颜色空间的色调颜色模型，转换公式如下：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

其中，(r,g,b)为原始桢图像的像素点在RGB颜色空间的红绿蓝坐标值，有效值范围均为(0,1)；h为像素点在HSV颜色空间中的色相分量，s为像素点在HSV颜色空间中的饱和度分量，v为像素点在HSV颜色空间中的色调分量；

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

其中，函数δ[d(x_i)-w]为像素点x_i在第w个子空间区域内的投影，w为特征空间的索引，b_w为各子空间的权重，是以像素x_c为中心在二维图像中的核函数；

优选地，所述目标识别装置还包括：

(3)轮廓信息处理模块，用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并，并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，所述实际轮廓内的选定区域被判定为特征区域的判定条件为：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

其中，t表示所述原始桢图像的实际轮廓的轮廓点，t₀为预设的位于所述选定区域内的起始轮廓点，s为预设的延伸长度，延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离，为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数，为起始轮廓点的曲率半径，为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径；f(t)为判定轮廓点是否为特征点的特征函数，f(t)＝1表示该轮廓点为特征点，f(t)＝0表示该轮廓点为非特征点，N_f(t)＝1表示选定区域内所具有的特征点的数目，N_y为设定的作为特征区域需要包括的特征点的数目，k'_N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率，max|k'N(t)|表示实际轮廓曲率的绝对值的最大值，T为权值且T的取值范围为[0.2,0.5]；

(4)特征评估模块，用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度，所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果；

优选地，所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器，所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2，所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2；根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别。

本发明的有益效果为：

1、采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；

2、修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；

3、设置轮廓信息处理模块，用于对所述原始桢图像的实际轮廓进行特征区域与非特征区域的区域类型划分、对相邻的同类型区域进行合并，并选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，计算量并不复杂，平滑除噪效果好，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的目标识别装置模块连接示意图。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1

参见图1，本实施例能够实现对用户识别的计算机，包括计算机和与计算机相连的目标识别装置，其特征是，所述计算机包括：

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述目标识别装置包括：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

优选地，所述目标识别装置还包括：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

其中，t表示所述原始桢图像的实际轮廓的轮廓点，t₀为预设的位于所述选定区域内的起始轮廓点，s为预设的延伸长度，延伸长度的值为选定区域的边缘轮廓点到所述起始轮廓点的距离，为起始轮廓点处的用于修正所述延伸长度s的实时曲率修正系数，为起始轮廓点的曲率半径，为由预设的宽度范围为[3,5]的窗函数得到的轮廓起始点的平均曲率半径；f(t)为判定轮廓点是否为特征点的特征函数，f(t)＝1表示该轮廓点为特征点，f(t)＝0表示该轮廓点为非特征点，N_f(t)＝1表示选定区域内所具有的特征点的数目，N_y为设定的作为特征区域需要包括的特征点的数目，k'_N(t)为由所述窗函数对实际轮廓进行邻域平均而得到的实际轮廓曲率，max|k'_N(t)|表示实际轮廓曲率的绝对值的最大值，T为权值且T的取值范围为[0.2,0.5]；

其中，所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器，所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2，所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2；根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别。

本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；设置轮廓信息处理模块，选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别，其中设定的宽度为3，权值T的取值为0.2，识别精度提高了2％，识别速度提高了1％。

实施例2

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述目标识别装置包括：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

优选地，所述目标识别装置还包括：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；设置轮廓信息处理模块，选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别，其中设定的宽度为4，权值T的取值为0.3，识别精度提高了1％，识别速度提高了2％。

实施例3

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述目标识别装置包括：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

优选地，所述目标识别装置还包括：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；设置轮廓信息处理模块，选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别，其中设定的宽度为5，权值T的取值为0.4，识别精度提高了2％，识别速度提高了3％。

实施例4

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述目标识别装置包括：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

优选地，所述目标识别装置还包括：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；设置轮廓信息处理模块，选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别，其中设定的宽度为5，权值T的取值为0.5，识别精度提高了2％，识别速度提高了2.5％。

实施例5

优选地，所述网络连接器和处理器间还设有网络连接电路。

优选地，所述目标识别装置包括：

s = \{\begin{matrix} 0 & M a x (r, g, b) = 0 \\ \frac{M a x (r, g, b) - M i n (r, g, b)}{M a x (r, g, b)} & M a x (r, g, b) &NotEqual; 0 \end{matrix}

v＝Max(r,g,b)

色调颜色模型如下：

Q_{h u e} = {Q_{h u e} (w), w = 1, ... n; Σ_{w = 1}^{n} Q_{h u e} (w) b_{w} = 1}

此处

Q_{h u e} (w) = \frac{1}{Σ_{i = 1}^{m} e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}}} \times Σ_{i = 1}^{m} [e^{- \frac{| | x_{i} - x_{c} | |^{2}}{\sqrt{2} h^{'} σ}} \times δ [d (x_{i}) - w]]

h^{'} = \{\begin{matrix} h \times 0.9 + 0.05 & s \times v &GreaterEqual; 0.04 \\ v \times 0.1 & s \times v < 0.04, < 0.2 \\ v \times 0.1 - 0.01 & s \times v < 0.04, 0.2 \leq v < 0.8 \\ v \times 0.1 - 0.05 & s \times v < 0.04, v &GreaterEqual; 0.8 \end{matrix}

优选地，所述目标识别装置还包括：

此处

f (t) = \{\begin{matrix} 0 & | {k^{'}}_{N} (t) | < T \times m a x | {k^{'}}_{N} (t) | \\ 1 & | {k^{'}}_{N} (t) | &GreaterEqual; T \times m a x | {k^{'}}_{N} (t) | \end{matrix}

本实施例采用颜色信息和轮廓信息相结合的方式描述跟踪目标，对外界光照的变化具有很强的鲁棒性，避免了使用单一特征对目标进行描述，提高识别的精度；修正后的颜色空间转化公式更加符合人类的视觉效果，能够反映更丰富的信息，便于实现快速识别跟踪，在色调颜色模型中引入空间权重划分，多次滤波，使模型更为科学，实用性更强；设置轮廓信息处理模块，选取不同参数的滤波器对合并后的特征区域与非特征区域分别进行平滑处理，考虑了轮廓在不同类型区域之间的差异性，在抑制噪声和保留细节之间取得很好的平衡，根据不同点的曲率不同，延伸长度相应地自动适应性改变，有效减小了合并后的失真现象，便于更准确对目标进行识别，其中设定的宽度为4，权值T的取值为0.3，识别精度提高了2.5％，识别速度提高了3.5％。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims

1.能够实现对用户识别的计算机，包括计算机和与计算机相连的目标识别装置，其特征是，所述计算机包括：

2.根据权利要求1所述的能够实现对用户识别的计算机，其特征是，所述网络连接器和处理器间还设有网络连接电路。

3.根据权利要求2所述的能够实现对用户识别的计算机，其特征是，所述网络连接电路有两套，位于两个网络连接器和切换开关之间，每套网络连接电路各自有一端连接一个网络连接器，另一端连接所述切换开关的一个选择支路。

4.根据权利要求3所述的能够实现对用户识别的计算机，其特征是，所述目标识别装置包括：

v＝Max(r,g,b)

色调颜色模型如下：

此处

其中，函数δ[d(x_i)-w]为像素点x_i在第w个子空间区域内的投影，w为特征空间的索引，b_w为各子空间的权重，是以像素x_c为中心在二维图像中的核函数。

5.根据权利要求4所述的能够实现对用户识别的计算机，其特征是，所述目标识别装置还包括：

此处

(4)特征评估模块，用于对处理过的颜色信息和轮廓信息与数据库中设定的目标特征进行比对匹配并计算匹配度，所述匹配度达到预设的匹配阈值时判定所述怀疑目标为跟踪目标并输出判定结果。

6.根据权利要求5所述的能够实现对用户识别的计算机，其特征是，所述轮廓信息处理模块包括对所有特征区域进行平滑处理的第一滤波器和对所有非特征区域进行平滑处理的第二滤波器，所述第一滤波器的置信区间的长度为所有特征区域中的最小延伸长度的1/2，所述第二滤波器的置信区间的长度为所有非特征区域中的最小延伸长度的1/2。