一種基于彩色視頻圖像的人為入侵檢測方法
【專利摘要】一種基于彩色視頻圖像的人為入侵檢測方法。其包括基于建模點的背景建模；利用建模點與對應(yīng)背景點及其鄰接點的高斯模型的對比機制進行前景檢測；根據(jù)監(jiān)控場景需求靈活設(shè)定監(jiān)控區(qū)域；先進行所有運動前景的提取，再經(jīng)過多重篩選機制保留有效前景信息；輸出報警框協(xié)助監(jiān)控人員進行異常行為處理。本發(fā)明所述的人為入侵檢測方法不僅在很大程度上避免了漏報和誤報現(xiàn)象，同時為監(jiān)控人員處理危機提供了便利。
【專利說明】一種基于彩色視頻圖像的人為入侵檢測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于智能視頻分析監(jiān)控領(lǐng)域，涉及圖像處理、視頻分析、模式識別、智能監(jiān)控等技術(shù)。

【背景技術(shù)】
[0002]在工作和生活中，有很多人體不宜接觸的區(qū)域(如高壓、高輻射區(qū)等)和需要避免人為入侵破壞的區(qū)域(如綠化帶、重要文檔存放區(qū)等)，因而入侵檢測成為安防系統(tǒng)的一個重要子系統(tǒng)。目前常用的入侵檢測方法有微波、紅外、視頻、震動和探測雷達等多種方法。然而，微波、紅外和震動的方法易受周圍電磁場、溫度等的影響，誤報率高；探測雷達方法雖然能達到滿意的效果，但是成本較高；視頻方法能夠自動識別人體入侵，但是需要消耗大量的人力，且效果不盡人意。在這種大背景下，智能視頻監(jiān)控方法應(yīng)用而生。基于智能視頻監(jiān)控的人為入侵檢測系統(tǒng)具有一下優(yōu)點:它能夠?qū)ΡO(jiān)控區(qū)域?qū)嵤?4小時的全天候的監(jiān)控，徹底改變了以往完全由監(jiān)控人員對監(jiān)控畫面進行監(jiān)控和分析的模式；能夠以比較直觀的形式將異常事件以特殊畫面的形式呈現(xiàn)出來，為安全工作人員處理危機提供了便利。然而，目前的人為入侵智能監(jiān)控設(shè)備還存在著許多的弊端:處理速度慢、實時性差，誤報、漏報比較嚴重，對環(huán)境的魯棒性較差等。由于監(jiān)控場所環(huán)境復(fù)雜程度不同，設(shè)備的晃動、場景的光照變化、目標運動的復(fù)雜性都會給報警帶來很大影響，造成大量的誤報、漏報現(xiàn)象。


【發(fā)明內(nèi)容】

[0003]為解決上述問題，本發(fā)明的目的在于提供一種基于彩色視頻圖像的人為入侵檢測方法，本方法能夠完美地應(yīng)用于嵌入式的智能視頻監(jiān)控系統(tǒng)且處理速度快、實時性好，對誤報和漏報現(xiàn)象控制良好、檢測精度高、對環(huán)境中的突發(fā)情況具有良好的魯棒性。為了達到上述目的，本發(fā)明提供的基于彩色視頻圖像的人為入侵檢測方法主要包括五部分:背景建模、前景檢測、監(jiān)控區(qū)域的設(shè)定及有效前景信息的篩選、運動目標的匹配跟蹤、入侵檢測事件判斷。
[0004]所述的背景建模是指對輸入的CIF 352X288 YUV420格式的視頻圖像進行背景建模，本發(fā)明中建模點為2X2大小的區(qū)域，利用Y、U、V三個分量為每個建模點分配一個高斯模型，每個模型有三個參數(shù):模型均值、模型方差和模型權(quán)重。為適用于嵌入式系統(tǒng)，本發(fā)明采用的是全整型的參數(shù)類型。首先用當(dāng)前圖像的建模點數(shù)據(jù)初始化第一幀數(shù)據(jù)，各建模點數(shù)據(jù)包括:顏色信息、模型均值、模型方差和模型梯度；接著利用采集的場景視頻圖像對背景模型進行實時的匹配和更新，模型均值、方差和權(quán)重，模型均值更新策略為:
Yi=Y/ *(1-α ) + a *Ycur
Ui=Ui，*(1_α ) + α *Ucur
Vi=V/ *(1-α ) + α *Vcur
其中，Yi, Ui, Vi分別表示建模點的灰度和顏色分量模型的均值，i表示匹配的模型索弓丨，Y.，U.，V.分別表示前一幀圖像匹配后的各分量模型均值，為模型均值更新因子。
[0005]模型方差更新策略:
θ ?=θ / *(1-β) + β* I Ycur-Yi I
其中，91表示模型方差，i表示相匹配的模型索引，Θ/表示上一次匹配后的模型方差，表示方差更新因子，Y.、Yi分別表示建模點的平均灰度和模型均值。
[0006]所述的前景檢測的檢測范圍包括場景中運動的目標和新進入到場景中靜止的物體。本發(fā)明利用建模點與對應(yīng)背景點及其鄰接點的高斯模型的對比機制進行前景檢測，首先將該建模點與其對應(yīng)的背景模型進行匹配，當(dāng)該建模點與對應(yīng)的背景模型無法匹配時說明該點為可疑的前景點，然后，再拿該建模點與其四鄰域點的背景模型做匹配，若也不能匹配則說明該點為前景點，反之，說明該點可能是由于樹葉晃動造成的假前景。前景點檢測完畢之后，需要采用全局遞歸搜索方法進行前景目標標記、前景輪廓標記及前景目標參數(shù)計算。標記的目的是將同屬一個目標的前景點連接成統(tǒng)一的前景塊。前景目標參數(shù)包括:前景個數(shù)、前景塊標記、面積、周長、重心、大小和邊框信息。
[0007]所述的監(jiān)控區(qū)域的設(shè)定是指根據(jù)監(jiān)控場景的需求，自行設(shè)置需要保護的防區(qū)，并可調(diào)整想要監(jiān)控的目標大小和檢測靈敏度等設(shè)置。由于上述提取的前景信息不一定都符合入侵前景的條件，因而需要進行行人判決分析初步篩選出符合條件的前景目標信息，主要利用前景的高寬比、面積大小及邊緣梯度特征。
[0008]所述的運動目標的匹配跟蹤是對篩選出的運動目標前景進行匹配跟蹤，匹配過程是在當(dāng)前的前景中尋找與之前保存的歷史前景數(shù)據(jù)的質(zhì)心最近的那個前景，若質(zhì)心距離在允許的范圍內(nèi)，則比較兩個前景的面積大小，面積的變化大說明不是同一個目標，反之，進入平均灰度的比較，若灰度差異大說明不是同一目標，反之，是同一個目標前景，則將當(dāng)前前景的參數(shù)信息更細與之匹配的那個歷史前景。這樣，就可以對特定目標在每一幀視頻圖像的位置信息進行跟蹤。
[0009]所述的入侵檢測事件判斷是對進入預(yù)先設(shè)定的防區(qū)的目標進行跟蹤判斷，若跟蹤幀數(shù)滿足設(shè)定的閾值，則判定該目標有入侵異常行為，觸發(fā)報警，系統(tǒng)根據(jù)報警信息，捕捉報警時刻的視頻幀，并用紅色方框標示出入侵者的信息。
[0010]本發(fā)明的有益效果是:背景建模更新方法不但保障了背景模型的建模速度，使整體算法執(zhí)行效率得到顯著提高，而且可以減少各種前景運動物和噪聲點對背景模型的影響，使檢測的前景更加完整；前景檢測機制很好地解決了由樹葉晃動或者光線的漸變造成的前景混亂現(xiàn)象，增強了前景檢測的魯棒性和對環(huán)境的適應(yīng)能力；在篩選前景階段加入邊緣梯度特征能夠有效屏蔽由光照變化造成的虛假前景，進而大大提高了入侵報警的準確性。

【專利附圖】

【附圖說明】
[0011]附圖用來提供對本發(fā)明的進一步理解，并且構(gòu)成說明書的一部分，與本發(fā)明的實例一起用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的限制。在附圖中:
圖1是本發(fā)明的方法邏輯框圖。

【具體實施方式】
[0012]下面結(jié)合具體實例來說明本發(fā)明技術(shù)方案所涉及到的各個細節(jié)問題。應(yīng)指出的是，所描述的實例僅旨在便于對本發(fā)明的理解，并不因此而限定本發(fā)明的保護范圍。
[0013]如圖1所示，本實例的具體實施分為五部分:背景建模、前景檢測、監(jiān)控區(qū)域的設(shè)定及有效前景信息的篩選、運動目標的匹配跟蹤、入侵檢測事件判斷。
[0014]所述的背景建模是指對輸入的CIF 352X288 YUV420格式的視頻圖像進行背景建模，本發(fā)明中建模點為2X2大小的區(qū)域，利用Y、U、V三個分量為每個建模點分配一個高斯模型，每個模型有三個參數(shù):模型均值、模型方差和模型權(quán)重。為適用于嵌入式系統(tǒng)，本發(fā)明采用的是全整型的參數(shù)類型。對于第一幀數(shù)據(jù)利用當(dāng)前圖像的建模點數(shù)據(jù)初始化最先分配的高斯模型的模型均值，并初始化其他模型參數(shù)，之后，依據(jù)建模點的數(shù)據(jù)不斷訓(xùn)練對應(yīng)的模型均值、方差和權(quán)重。模型均值更新策略為:
Yi=Y/ *(1-α ) + a *Ycur
Ui=Ui，*(1_α ) + α *Ucur
Vi=V/ *(1-α ) + α *Vcur
其中，Yi, Ui, Vi分別表示建模點的灰度和顏色分量模型的均值，i表示匹配的模型索弓丨，Y.，U.，V.分別表示前一幀圖像匹配后的各分量模型均值，為模型均值更新因子。
[0015]模型方差更新策略:
θ ?=θ / *(1-β) + β* I Ycur-Yi I
其中，91表示模型方差，i表示相匹配的模型索引，Θ/表示上一次匹配后的模型方差，表示方差更新因子，Y.、Yi分別表示建模點的平均灰度和模型均值。模型權(quán)重是指建模點模型匹配成功次數(shù)。當(dāng)建模點權(quán)重達到設(shè)定的建模成功閾值，說明該建模點建模成功，反之繼續(xù)學(xué)習(xí)，直到權(quán)重滿足閾值。通過對建模點高斯模型參數(shù)不斷的訓(xùn)練和學(xué)習(xí)，越來越多的建模點建模成功，然后，統(tǒng)計該幀圖像中建模成功的建模點數(shù)量，若達到整幅圖像建模點總數(shù)的1/5，則背景學(xué)習(xí)成功，另外，在背景模型中若背景模型沒有建模成功，則默認為該建模點為背景點。然后，進入前景檢測階段，并對檢測到的前景點和背景點分別以不同速率更新背景模型，以提高背景模型的適應(yīng)性。
[0016]所述的前景檢測的檢測范圍包括場景中運動的目標和新進入到場景中靜止的物體。本發(fā)明利用建模點與對應(yīng)背景點及其鄰接點的高斯模型的對比機制進行前景檢測，首先將該建模點與其對應(yīng)的背景模型進行匹配，當(dāng)該建模點與對應(yīng)的背景模型無法匹配時說明該點為可疑的前景點，然后，再拿該建模點與其四鄰域點的背景模型做匹配，若也不能匹配則說明該點為前景點，反之，說明該點可能是由于樹葉晃動造成的假前景。前景點檢測完畢之后，采用全局前景點搜索的方法，以堆棧的方式遍歷前景種子點，尋找與其相連的前景點，同時進行標記。在搜索過程中同時統(tǒng)計前景塊的面積、周長、中心及邊框大小的信息，將該前景的數(shù)據(jù)保存到前景檢測模塊的前景數(shù)據(jù)結(jié)構(gòu)中，以便智能偵測模塊對運動目標的匹配跟蹤等操作。
[0017]所述的監(jiān)控區(qū)域的設(shè)定及有效前景信息的篩選是在嵌入式智能監(jiān)控系統(tǒng)中，根據(jù)場景情況設(shè)置合理的監(jiān)控區(qū)域，并可調(diào)整監(jiān)控目標大小及報警靈敏度等參數(shù)。設(shè)置完成后，采集的實時視頻圖像會經(jīng)過背景建模和前景檢測，檢測出場景中的新目標。在入侵事件前景檢測過程中，首先，將背景學(xué)習(xí)完畢后的第一幀圖像中的前景數(shù)據(jù)進行行人判決分析，主要利用前景的高寬比、面積大小及邊緣梯度特征，同時將行人前景信息保存至歷史數(shù)據(jù)；接著，對后續(xù)輸入的視頻圖像進行同樣的行人判決分析，將檢測到的符合條件的前景數(shù)據(jù)與歷史前景數(shù)據(jù)做匹配，匹配成功則跟蹤幀加1，并以當(dāng)前幀數(shù)據(jù)更新歷史數(shù)據(jù)，以便下一幀的跟蹤。
[0018]所述的入侵檢測事件判斷是指若目標運動過程中進入了設(shè)置的監(jiān)控區(qū)域，且跟蹤滿足設(shè)定閾值則觸發(fā)報警。系統(tǒng)根據(jù)報警信息，捕捉報警時刻的視頻幀，并用紅色方框標示出入侵者的信息。
【權(quán)利要求】
1.一種基于彩色視頻圖像的人為入侵檢測方法，其特征在于:所述的方法包括五部分:背景建模、前景檢測、監(jiān)控區(qū)域的設(shè)定及有效前景信息的篩選、運動目標的匹配跟蹤、入侵檢測事件判斷。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的背景建模是指對輸入的CIF352X288 YUV420格式的視頻圖像進行背景建模，建模點為2X2大小的區(qū)域，其包括: 利用Y、U、V三個分量為每個建模點分配一個高斯模型，每個模型有三個參數(shù):模型均值、模型方差和模型權(quán)重，為適用于嵌入式系統(tǒng)，本發(fā)明采用的是全整型的參數(shù)類型，建模過程為:首先用當(dāng)前圖像的建模點數(shù)據(jù)初始化第一幀數(shù)據(jù)，接著利用采集的場景視頻圖像對背景模型進行實時的匹配和更新，模型均值、方差和權(quán)重，模型均值更新策略為:
Yi=Y/ *(1-α ) + a *Ycur
Ui=Ui，*(1_α ) + α *Ucur
Vi=V/ *(1-α ) + α *Vcur 其中，Yi, Ui, Vi分別表示建模點的灰度和顏色分量模型的均值，i表示匹配的模型索弓丨，Y.，U.，V.分別表示前一幀圖像匹配后的各分量模型均值，為模型均值更新因子；模型方差更新策略:
θ ?=θ / *(1-β) + β* I Ycur-Yi I 其中，91表示模型方差，i表示相匹配的模型索引，Θ/表示上一次匹配后的模型方差，表示方差更新因子，Y.、Yi分別表示建模點的平均灰度和模型均值。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的前景檢測為利用建模點與對應(yīng)背景點及其鄰接點的高斯模型的對比機制進行前景檢測，首先將該建模點與其對應(yīng)的背景模型進行匹配，當(dāng)該建模點與對應(yīng)的背景模型無法匹配時說明該點為可疑的前景點，然后，再拿該建模點與其四鄰域點的背景模型做匹配，若也不能匹配則說明該點為前景點，反之，說明該點可能是由于樹葉晃動造成的假前景，前景點檢測完畢之后，需要采用全局遞歸搜索方法進行前景目標標記、前景輪廓標記及前景目標參數(shù)計算，前景目標參數(shù)包括:前景個數(shù)、前景塊標記、面積、周長、重心、大小和邊框信息。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的監(jiān)控區(qū)域的設(shè)定及有效信息的篩選是指根據(jù)監(jiān)控場景的需求，自行設(shè)置需要保護的防區(qū)，并可調(diào)整想要監(jiān)控的目標大小和檢測靈敏度設(shè)置，同時進行行人判決分析初步篩選出符合條件的前景目標信息，主要利用前景的高寬比、面積大小及邊緣梯度特征。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的運動目標的匹配跟蹤是對篩選出的運動目標前景進行匹配跟蹤，匹配過程是在當(dāng)前的前景中尋找與之前保存的歷史前景數(shù)據(jù)的質(zhì)心最近的那個前景，若質(zhì)心距離在允許的范圍內(nèi)，則比較兩個前景的面積大小，面積的變化大說明不是同一個目標，反之，進入平均灰度的比較，若灰度差異大說明不是同一目標，反之，是同一個目標前景，則將當(dāng)前前景的參數(shù)信息更細與之匹配的那個歷史前景。
6.根據(jù)權(quán)利要求1所述的方法，其特征在于:所述的入侵檢測事件判斷是對進入預(yù)先設(shè)定的防區(qū)的目標進行跟蹤判斷，若跟蹤幀數(shù)滿足設(shè)定的閾值，則判定該目標有入侵異常行為，觸發(fā)報警，系統(tǒng)根據(jù)報警信息，捕捉報警時刻的視頻幀，并用紅色方框標示出入侵者的信息。
【文檔編號】G06T7/20GK104392464SQ201410517098
【公開日】2015年3月4日 申請日期:2014年9月30日 優(yōu)先權(quán)日:2014年9月30日
【發(fā)明者】張德馨 申請人:天津艾思科爾科技有限公司