CN100414992C - 基于机器视觉的全方位可视化振动入侵图像探测器 - Google Patents

Abstract

一种基于机器视觉的全方位可视化振动入侵图像探测器，结合全方位视觉传感器技术、计算机图像处理技术、通信技术和全方位振动可视化等技术，采用全方位视觉传感器ODVS并利用数字图像处理技术，找到合理的特征判据，结合建筑物内盗难发生的一些特征，特别是能从立体的、全方位时空连续性防护、将振动进行可视化处理等角度进一步提高建筑物防盗安全性，并将全方位的视觉与全方位的力觉结合起来。解决了目前各种入侵探测器中由于使用多种传感器随着各种环境的变化、功能单一而造成误判率高、使用成本高、对环境依赖性强、职业盗贼容易掌握防盗入侵探测器的弱点等突出缺点，本发明能够减少误判率、使用成本低、对环境的依赖性弱、安全性高。

Description

基于机器视觉的全方位可视化振动入侵图像探测器

(一)技术领域

本发明涉及全方位计算机视觉传感器技术、图像识别技术、计算机控制技术、通信技术和振动入侵探测技术在重要建筑物防盗方面的应用，尤其是一种基于全方位计算机视觉的振动入侵探测装置。

(二)背景技术

随着国民经济的不断发展产生了空前的人、财、物大流动，同时犯罪形势也相应地发生了很大变化。不少犯罪分子把罪恶的手伸向银行、博物馆、古墓和枪支弹药库，并屡屡得手。这种犯罪行为不仅给国家和人民造成了巨大的经济损失，同时由于枪支弹药的失窃会给社会治安构成重大威胁。在许多案例中有不少起案件是挖地道和破墙而入的。银行的保卫成员对门窗的守卫极为严密，企图从门窗进入金库的犯罪分子有百分之八十未能得逞。在正面不得而入的情况下，他们就在地下管道、通风处、地下室等能够接近金库的薄弱环节上打主意。为了对付这种犯罪，银行对金库墙壁进行一次次的加固。在采用密集钢筋和高标号水泥筑成五十公分厚度时，挖墙入室案件明显减少。但是窃贼贼心不死，这些窃贼利用普通的工具挖不开，就采用一种可以贴在墙上的可塑性浓缩炸药进行定向爆炸。这种新型炸药爆炸的声音虽小，但威力极强。守库人员只感到轻微震感，窃贼在作案时又不容易被发现。有的犯罪分子还与金库设计施工人员相互勾结，专门寻找最薄弱部位进行小剂量爆破，使得作案成功率更高。为了对付这种犯罪，守库人员进一步加强了周界的防护。于是一些犯罪分子又采取远距离挖地道的办法来接近金库。正所谓“道高一尺，魔高一丈”。

作为国家标准GB/T10488-1997振动入侵探测器已推广实施四年，振动入侵探测器作为技防手段已逐步被人们认识和应用。目前用于振动入侵探测器的传感器有位移式传感器、速度传感器、加速度传感器。①位移式传感器：常见的有水银式传感器、重锤式传感器、钢球式开关等。它们共同点是：当直接或间接受到机械冲击振动时，水银珠、钢珠、重锤等都离开原来的位置，使之触发报警。这部分传感器灵敏度低，控制范围小，只适合小范围控制，如门窗和保险柜、局部墙面等。钢珠式传感器虽然可用于建筑物振动入侵探测器，但它一般只能控制墙面4平方米左右，因此国内很少采用；②速度传感器：一般选用电动式传感器，它是由永久磁铁、线圈、弹簧、阻尼器和壳体等组成。这种传感器灵敏度高，控制范围大，稳定性较好。但加工工艺要求较高，因此价格比较高。它适合地音振动入侵探测器和建筑物振动入侵探测器；③加速度传感器：一般是压电式加速度计，压电式加速度计的心脏是一片压电材料，通常是一种表现出独特压电效应的人工检化的铁电陶瓷片。当受到机械应力时，不论张力或压缩，在它的两个极面上会产生一个与所加的应力成正比的电荷，即应力越大电荷越多。它适合地音振动入侵探测器和建筑物振动入侵探测器。

使用上述的传感器为核心部件所构成的振动入侵探测器是将振动传感器得到的振动信号经适调放大器放大，当放大后的值超过一定的阈值时触发器动作报警，系统由电源供电。无论是位移式传感器，还是速度传感器或者加速度传感器在工作原理上都是一样的。这种振动入侵探测器至少有几个方面的弱点：1)所测量的振动信息比较单一，有时会引起误动作；2)要实现大范围的、全方位的振动入侵探测有较大的难度；3)难以同时实现视频取证和确认功能等等；4)职业盗贼容易掌握防盗入侵探测器的弱点。

图像处理与计算机视觉是一个不断发展的新技术，原则上采用计算机视觉进行观测有四个目的，即预处理、最底层的特征提取、中级特征的辩识以及通过图像对高级情景的解释。一般来说，计算机视觉包括主要特征、图像处理以及图像理解。

图像是人类视觉的延伸。通过机器视觉，可以立即准确地发现建筑物盗难的发生，这是不争的事实。图像监测快速性的基础是视觉所接受的信息以光为传播媒介；而图像信息的丰富和直观，加上振动的可视化技术更为早期的建筑物侵入盗难探测奠定了基础，其它目前各种探测技术均不能提供如此丰富和直观的信息。

(三)发明内容

为了克服已有的振动侵入探测器的误判率高、使用成本高、对环境依赖性强、安全性不高的不足，本发明提供一种能够减少误判率、使用成本低、对环境的依赖性弱、安全性高的基于机器视觉的全方位可视化振动入侵图像探测器。

本发明解决其技术问题所采用的技术方案是：

一种基于机器视觉的全方位可视化振动入侵图像探测器，该振动入侵探测装置包括微处理器、用于监视室内入侵防盗情况的全方位视觉传感器、安装于室内的悬挂物、用于与外界通信的通信模块；

所述的全方位视觉传感器包括用于反射监控领域中物体的外凸反射镜面、透明圆柱体、摄像头，所述的外凸反射镜面朝下，所述的透明圆柱体支撑外凸反射镜面，黑色圆锥体固定在外凸反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头位于透明圆柱体的内部，摄像头位于外凸反射镜面的虚焦点上；

所述的微处理器包括：

图像数据读取模块，用于读取从视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

运动对象检测模块，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)          (1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

如f_d(X，t₀，t_i)≥阈值时，判定为可疑入侵事件；

如f_d(X，t₀，t_i)＜阈值时，判定为无可疑入侵事件；

色彩空间转化模块，用于将图像RGB色彩空间转化到YUV空间；

连通区域计算模块，用于在判定有可疑入侵事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

侵入检测处理模块，用于检测建筑物周边是否有人为的机械冲击振动；所述的侵入检测处理模块包括：

悬挂物摆动持续时间检测单元，用于监视所述的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(2)给出；

F_{pendulum time}＝K_time*time    (2)

式(2)中，K_time是时间比例系数，time为室内的悬挂物摆动的持续时间；

悬挂物摆动强度检测单元，用于监视所述的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(3)给出；

F_{pendulum range}＝K_range*range    (3)

式(3)中，K_range是幅度比例系数，range为室内的悬挂物摆动的最大幅度值；

悬挂物摆动周期检测单元，用于监视所述的悬挂物的摆动周期，定义F_{pendulum period}为摆动的周期影响因子，计算公式由式(4)给出；

F_{pendulum Period}＝K_period  (4)

式(4)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

人脸颜色检测单元，用于取人脸区域计算(Cri，Cbi)的值，并用公式(5)进行色差分量矢量的比较：

${\mathrm{\ϵ}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}---\left(5\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入室内，否则无人侵入室内，将F_color设定为人脸颜色影响因子；

侵入对象检测单元，用于设定从上往下看一个成年人的平均截面的面积阈值，将每个连通区域求出其面积Si与面积阈值作比较：

若Si＜面积阈值，则该变化区域为噪声点，设定区域大小影响因子Fs为0；

若Si≥面积阈值，则该变化区域为可疑有人，设定区域大小影响因子Fs为1；

加权综合判断模块，用于根据以上五种影响因子，综合判断公式由式(6)给出，综合判断中采用了加权方式：

$W_{\mathrm{guardalarm}}=K_{\mathrm{pt}}\×F_{\mathrm{pendulumtime}}+K_{\mathrm{pr}}\×F_{\mathrm{pendulumrang}{e}_S}+---\left(6\right)$

$K_{\mathrm{pp}}\×F_{\mathrm{pendulumPeriod}}+K_{\mathrm{co}}\×F_{\mathrm{color}}+K_s\×F_s$

式中：

K_pt为室内悬挂物摆动的持续时间影响因子的加权系数；

K_pr为室内悬挂物摆动的强度影响因子的加权系数；

K_pp为室内悬挂物摆动的周期影响因子的加权系数；

K_co为室内侵入对象人脸颜色影响因子的加权系数；

K_s为室内侵入对象影响因子的加权系数；

并将异常量化值W_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向管理人员发送告警信息；否则，判断为正常。

进一步，所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值Kalarm1、确认盗难告警值Kalarm2，

若Kattention≤W_guard alarm≤Kalarm1，判断为有可疑侵入，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm1＜W_guard alarm≤Kalarm2，判断盗难早期警告，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知管理人员通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

再进一步，所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(7)所示：

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}---\left(7\right)$

式(7)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(8)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0    (9)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(10)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)    (10)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(11)：

X_mix，bn+1(i)＝X_mix，cn(i)(11)。

更进一步，所述的微处理器还包括：

噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(12)所示：

h[i，j]＝(1/M)∑f[k，1](12)

上式(12)中，M是邻域内的像素点总数。

所述的色彩空间转化模块，从RGB色彩空间转换到YUV空间的关系式为式(13)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B    (13)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色。

所述的悬挂物为悬索结构，共有5个索的固定点，5个固定点分别固定在室内的东墙E点、南墙S点、西墙W点、北墙N点和天花板C点，5个固定点的三条索以中间悬挂H点连接起来；悬挂物通过一个具有弹性的索与中间悬挂H点连接，也包括了能传递监测建筑物内任意墙上发生振动的其他的悬索结构。

所述的微处理器还包括灵敏度调整模块，用于根据需要调整室内悬挂物摆动的持续时间影响因子的加权系数K_pt、室内悬挂物摆动的强度影响因子的加权系数K_pr、室内悬挂物摆动的周期影响因子的加权系数K_pp。

本发明的工作原理是：采用计算机全方位视觉传感器能对监视建筑物内实现全方位实时图像防盗监控，从所拍摄的图像中识别出人体图像，计算并指示出侵入的行为；采用计算机全方位视觉传感器能对监视建筑物内的、与建筑物墙体相连的悬挂物的振动情况实现全方位实时图像探测。

全方位视觉传感器所拍摄的监控图像是一个立体的三维图像，在图像识别前首先要进行图像的标定，所述的标定就是要实现在图像帧中的一个确定的点按照坐标系映射到具有大小空间任何点的准确转换，图1表示了在计算机全方位视觉传感器中空间某个位置与图像帧中的点映射关系，对全方位视觉传感器9个参数都要按照坐标系进行标定，这些参数包括了地理位置、方向、焦点长度、非线形失真以及透镜失真，将全方位视觉传感器安装在监视空间的中央顶部就能监视所探测领域的所有部位的情况，而且不存在死角，同时所监视空间上的一个点与图像帧中的点成映射关系，通过这种映射关系可以计算出发生侵入行为所在空间位置，以实现对该侵入行为进行过程监控提高建筑物侵入报警的准确率；上述是侵入行为已经发生的情况，对于侵入行为正在发生以及将要发生的情况通过全方位视觉传感器观测与建筑物墙体相连的悬挂物的振动情况并进行分析计算得到。

图1所示的全方位计算机视觉传感器系统，进入双曲面镜的中心的光，根据双曲面的镜面特性向着其虚焦点折射。实物图像经双曲面镜反射到聚光透镜中成像，在该成像平面上的一个点P1(x*1，y*1)对应着实物在空间上的一个点的坐标A(x1，y1，z1)。

图1中1-双曲线面镜，2-入射光线，3-双曲面镜的焦点Om(0，0，c)，4-双曲面镜的虚焦点即相机中心Oc(0，0，-c)，5-反射光线，6-成像平面，7-实物图像的空间坐标A(x1，y1，z1)，8-入射到双曲面镜面上的图像的空间坐标，9-反射在成像平面上的点P1(x*1，y*1)。

图1中所示的双曲面镜构成的光学系统可以由下面5个等式表示；

((X²+Y²)/a²)-(Z²/b²)＝-1(Z＞0)     (14)

$c=\sqrt{a^2+b^2}---\left(15\right)$

β＝tan^-1(Y/X)(16)

α＝tan^-1[(b²+c²)sinγ-2bc]/(b²+c²)cosγ(17)

$\mathrm{\γ}={\tan }^{-1}[f/\sqrt{(X^2+Y^2)}]---\left(18\right)$

式中X，Y，Z表示空间坐标，c表示双曲面镜的焦点，2c表示两个焦点之间的距离，a，b分别是双曲面镜的实轴和虚轴的长度，β表示入射光线在XY平面上的夹角-方位角，α表示入射光线在XZ平面上的夹角-俯角，f表示成像平面到双曲面镜的虚焦点的距离。

根据三维监视空间与图像像素的对应性关系把有变化的那些像素部分检测出来，首先要把参考图像存储在计算机的存储器里，通过实时拍摄到图像与参考图像间进行图像相减，相减的结果发生变化的区域亮度增强，也就是说有光点存在的那些像素区块的亮度增强，根据上述的空间几何关系式空间的像素点的对应性就能计算出来。

由于具有全方位视觉功能的全方位可视化振动入侵图像探测器中全方位视觉传感器是固定在建筑物内的中上部，通过全方位视觉传感器能够监视建筑物内的侵入事件，同时也能通过全方位视觉传感器能够监视建筑物内的悬挂物的振动情况来监视建筑物周边外围可能会发生的侵入事件或者正要发生的侵入事件，对于这两种不同的事件本发明中采用不同的处理方法；建筑物入侵发生盗难都会经历可能侵入事件、正要侵入到侵入事件这样一个过程，在时间和空间上都具有连续性，通过时间和空间上对侵入事件的判断有助于提高判断侵入盗难的准确性；

设置警戒后的建筑物某一个墙面或地面的一部分当受到外力作用时都会造成悬挂在建筑物中的物体产生摆动或者振动，摆动或振动幅度的大小与所遭受到的外力有关，通过全方位视觉传感器观察悬挂物是否摆动或者振动可以作为侵入盗难发生依据。

振动入侵探测器的原理是检测人为地对墙、天花板、地面、保险柜的机械冲击引起的振动信号来判断是否有入侵发生的。当一个物体相对一个参考位置作出振荡运动时，这个物体便被称为发生了振动。在一秒钟的时间内，发生完整运动循环的次数叫做频率。振动幅度是用来描述振动强度的特性，振动幅度大，振动强度也大。其中表示振动参数有加速度(角加速度)、速度(角速度)及位移(角位移)，表示测量单位。本发明中将这个物体称为悬挂物。全方位视觉传感器固定在建筑物的天花板的中部，如果将悬挂物与建筑物墙体和天花板通过弹性连接体连接起来的话，当建筑物墙体和天花板受到机械冲击后就会使悬挂物产生振动或者摆动，而全方位视觉传感器是相对固定的，因此能捕捉到悬挂物振动或者摆动的信息。

所述的悬挂物的摆动或者振动部分的设计必须比较灵敏，在墙体的任何方向上受到一定的外力时就会产生相应的摆动或者振动。安装调试时，测试人员(参考体重为60公斤+2公斤)用钢锤(重1kg)打任一面墙2-3次即可报警为标准。悬挂物的摆动(振动)部分是通过具有弹力的线与建筑物墙体和顶面连接起来的，如图6所示。同时悬挂物的摆动(振动)部分的颜色也必须是在(Cr，Cb)空间颜色上有比较明显的特征，以便机器视觉能容易的识别其产生摆动以及摆动幅度的大小和速率。

全方位可视化振动入侵图像探测器，是一种以计算机为核心，结合光电技术、计算机图像处理技术、通信技术和全方位振动可视化等技术研制而成的全方位可视化振动入侵图像探测器。它利用摄像头对建筑物内以及建筑物内悬挂振动体的情况进行监视，同时对摄得的连续图像输入计算机，不断进行图像处理和分析，通过一些建筑物内盗难发生特征来实现防盗报警。

近年发展起来的全方位视觉传感器ODVS(OmniDirectional Vision Sensors)为实时获取场景的全景图像提供了一种新的解决方案。ODVS的特点是视野广(360度)，能把一个半球视野中的信息压缩成一幅图像，一幅图像的信息量更大；获取一个场景图像时，ODVS在场景中的安放位置更加自由；监视环境时ODVS不用瞄准目标；检测和跟踪监视范围内的运动物体时算法更加简单；可以获得场景的实时图像。因此基于ODVS的全方位视觉系统近几年迅速发展，正成为计算机视觉研究中的重要领域，IEEE从2000年开始举办每年一次的全方位视觉的专门研讨会(IEEE workshop on Omni-directional vision)。目前还没有检索到将全方位视觉传感器运用到建筑物防盗报警技术领域的论文与专利，更没有检索到将全方位视觉传感器与全方位振动传感器件结合运用到建筑物防盗报警技术领域的论文与专利。

因此，采用全方位视觉传感器ODVS并利用数字图像处理技术，找到合理的特征判据，结合建筑物内盗难发生的一些特征，特别是能从立体的、全方位时空连续性防护、将振动进行可视化处理等角度进一步提高建筑物防盗安全性。

本发明的有益效果主要表现在：1、能够减少误判率；2、使用成本低；3、对环境的依赖性弱；4、安全性高。

(四)附图说明

图1为三维立体空间反射到全方位视觉平面成像示意图。

图2为全方位视觉光学配件与摄像头和配合使用的示意图。

图3为基于全方位计算机视觉的振动入侵探测装置的原理图。

图4为基于全方位计算机视觉的振动入侵探测装置的模块框图。

图5为连通图标记原理。

图6为建筑物内安装全方位计算机视觉传感器与全方位振动探测器的所构成的报警系统示意图。

图7为图6的侧视图。

图8为全方位振动探测器的力学结构模型原理图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

实施例1

参照图1、图2、图3、图4、图5、图6、图7、图8，一种基于机器视觉的全方位可视化振动入侵图像探测器，该振动入侵图像探测器包括微处理器15、用于监视室内入侵防盗情况的全方位视觉传感器13、安装于室内的悬挂物、用于与外界通信的通信模块26，所述的视觉传感器13通过USB接口14与微处理器15连接；

所述的全方位视觉传感器包括用于反射监控领域中物体的外凸反射镜面1、透明圆柱体10、摄像头11、底座12，所述的外凸反射镜面1朝下，所述的透明圆柱体10支撑外凸反射镜面，黑色圆锥体固定在外凸反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头11位于透明圆柱体的内部，摄像头11位于外凸反射镜面1的虚焦点上；

所述的微处理器包括：

图像数据读取模块16，用于读取从视觉传感器传过来的视频图像信息；

图像数据文件存储模块18，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块17，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

网络传输模块，用于将视频图像信息通过网络向外传输；

运动对象检测模块20，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)(1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

如f_d(X，t₀，t_i)≥阈值时，判定为可疑入侵事件；

如f_d(X，t₀，t_i)＜阈值时，判定为无可疑入侵事件；

所述的微处理器还包括图像预处理模块21，图像预处理模块21为噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(12)所示：

h[i，j]＝(1/M)∑f[k，1]    (12)

上式(12)中，M是邻域内的像素点总数；

色彩空间转化模块22，从RGB色彩空间转换到YUV空间的关系式为式(13)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B    (13)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色；

背景维护模块19，所述的背景维护模块包括：背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(7)所示：

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}---\left(7\right)$

式(7)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(8)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0                  (9)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(10)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn    (10)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(11)：

X_mix，bn+1(i)＝X_mix，cn(i)              (11)；

连通区域计算模块23，用于在判定有可疑入侵事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

侵入检测处理模块23，用于检测建筑物周边是否有人为的机械冲击振动；所述的侵入检测处理模块包括：

悬挂物摆动持续时间检测单元，用于监视所述的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(2)给出；

F_{pendulum time}＝K_time*time    (2)

式(2)中，K_time是时间比例系数，time为室内的悬挂物摆动的持续时间；

悬挂物摆动强度检测单元，用于监视所述的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(3)给出；

F_{pendulum range}＝K_range*range    (3)

式(3)中，K_range是幅度比例系数，range为室内的悬挂物摆动的最大幅度值；

悬挂物摆动周期检测单元，用于监视所述的悬挂物的摆动周期，定义F_{pendulum period}为摆动的周期影响因子，计算公式由式(4)给出；

F_{pendulum Period}＝K_period  (4)

式(4)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

人脸颜色检测单元，用于取人脸区域计算(Cri，Cbi)的值，并用公式(5)进行色差分量矢量的比较：

${\mathrm{\ϵ}}_{\mathrm{color}}=\sqrt{{(C{r}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}---\left(5\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入室内，否则无人侵入室内，将F_color设定为人脸颜色影响因子；

侵入对象检测单元，用于设定从上往下看一个成年人的平均截面的面积阈值，将每个连通区域求出其面积Si与面积阈值作比较：

若Si＜面积阈值，则该变化区域为噪声点，设定区域大小影响因子Fs为0；

若Si≥面积阈值，则该变化区域为可疑有人，设定区域大小影响因子Fs为1；

加权综合判断模块24，用于根据以上五种影响因子，综合判断公式由式(6)给出，综合判断中采用了加权方式：

$W_{\mathrm{guardalarm}}=K_{\mathrm{pt}}\×F_{\mathrm{pendulumtime}}+K_{\mathrm{pr}}\×F_{\mathrm{pendulumrang}{e}_S}+---\left(6\right)$

$K_{\mathrm{pp}}\×F_{\mathrm{pendulumPeriod}}+K_{\mathrm{co}}\×F_{\mathrm{color}}+K_s\×F_s$

式中：

K_pt为室内悬挂物摆动的持续时间影响因子的加权系数；

K_pr为室内悬挂物摆动的强度影响因子的加权系数；

K_pp为室内悬挂物摆动的周期影响因子的加权系数；

K_co为室内侵入对象人脸颜色影响因子的加权系数；

K_s为室内侵入对象影响因子的加权系数；

并将异常量化值W_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向管理人员发送告警信息，管理人员的信息从用户数据存储信息27中获得；否则，判断为正常。

进一步，所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值Kalarm1、确认盗难告警值Kalarm2，

若Kattention≤W_guard alarm≤Kalarm1，判断为有可疑侵入，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm1＜W_guard alarm≤Kalarm2，判断盗难早期警告，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知管理人员通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

所述的微处理器还包括灵敏度调整模块25，用于根据需要调整室内悬挂物摆动的持续时间影响因子的加权系数K_pt、室内悬挂物摆动的强度影响因子的加权系数K_pr、室内悬挂物摆动的周期影响因子的加权系数K_pp。

结合图1并参照图2，本发明的全方位视觉功能的配件的结构为：双曲线面镜反射部件1、透明外罩圆柱体10、底座12所组成，所述的双曲线面镜1位于圆柱体10的上端，且反射镜面的凸面伸入圆柱体内向下；所述的双曲线面镜1、圆柱体10、底座12的旋转轴在同一中心轴线上；所述的数码摄像头11位于圆柱体10内的下方；所述的底座12上开有与所述的圆柱体10的壁厚相同的圆槽；所述的底座12上设有一个与数码摄像装置11的镜头一样大小的孔，所述的底座12的下部配置有嵌入式硬件和软件系统15。

结合图1并参照图4，本发明所述的全方位摄像时数码摄像装置13通过USB接口14连接到具有全方位视觉功能的全方位可视化振动入侵图像探测器的微处理器15中，在按下设防键间隔一定时间后所述的微处理器15经图像数据读入模块16读入图像数据，为了得到建筑物内的环境图像，需要将该图像存入图像数据存储模块18中以便后面的图像识别及处理，同时为了识别运动和变化图像中物体，需要对空间坐标进行标定得到全方位图像系统的9个基本参数进行图像识别及处理，对于这个处理在本发明中的传感器标定模块17中进行。

所述的监视对象的图像识别及处理，首先要根据三维监视空间与图像像素的对应性关系把有变化的那些像素部分检测出来，因此要把参考图像存储在计算机的存储器里，通过实时拍摄到图像与参考图像间进行图像相减，相减的结果发生变化的区域亮度增强，也就是说有光点存在的那些像素区块的亮度增强，根据上述的空间几何关系式空间的像素点的对应性就能计算出来。

背景维护是基于背景减算法检测侵入事件的关键，它直接影响检测出侵入事件的完整性和准确性。背景维护模块19中采用了背景自适应法，其核心思想是对每一个背景像素使用1组矢量：RGB变化的当前混合值(X_mix，bi)来表示合法背景像素的允许取值(i为帧号)，并采用IIR滤波对其进行更新。

上述经过全方位视觉传感器对监视图像采集后需经过下列模块几次处理，按照处理流程首先是求差影图处理模块，在求差影图处理模块主要是为了将运动变化的像素部分抽取出来；图像预处理模块21，在图像预处理模块21中主要完成边缘的探测和求连通区域等处理；颜色空间转化处理模块22，在颜色空间转化处理模块22中主要完成在上述所求得的连通区域内进行从RGB颜色空间到YCrCb颜色空间的转换，以便能根据一些颜色特征来判断是否是人脸以及室内悬挂物是否有摆动(振动)，为侵入检测作好准备；侵入检测处理模块23，在侵入检测处理模块23中主要检测是否有侵入事件的发生和振动事件的发生；侵入发生综合判断模块24，在侵入发生综合判断模块24主要根据上述模块23所计算的各项检测指标的数据然后进行加权计算，得到侵入盗难前兆、盗难发生中、盗者已进入室内等判断结果；

所述的求差影图是根据三维空间与图像像素的对应性关系把有光源点存在的那些像素部分检测出来，通过实时拍摄到图像与上述背景维护所得到的基准参考图像间进行图像相减，相减的结果发生变化的区域亮度增强。

所述的图像预处理模块21中进行了剔除由噪声所产生的图像边缘点和连通区域计算这两部分工作；实际图像信号中包含有噪声，而且一般都表现为高频信号，因此在识别过程中要剔除由噪声所产生的图像边缘点。

像素间的连通性是确定区域的一个重要概念。在二维图像中，假设目标像素周围有m(m＜＝8)个相邻的像素，如果该像素灰度与这m个像素中某一个点A的灰度相等，那么称该像素与点A具有连通性。常用的连通性有4连通和8连通。4连通一般选取目标像素的上、下、左、右四个点。8连通则选取目标像素在二维空间中所有的相邻像素。将所有具有连通性的像素作为一个区域则构成了一个连通区域。

所述的连通区域计算主要解决在图像处理过程中，一幅二值图像，其背景和目标分别具有灰度值0和1。对这样的二值图像，要对目标进行标记，计算每一目标的特征以进行识别，在多目标实时跟踪系统设计中，需要有一种快速而节省内存的连通区域标记算法。所以可以采用连通成分标记法进行缺陷区域的合并。连通标记算法可以找到图像中的所有连通成分，并对同一连通成分中的所有点分配同一标记。图5为连通标记原理图。下面是连通区域算法，

1)从左到右、从上到下扫描图像；

2)如果像素点为1，则：

·如果上面点和左面点有一个标记，则复制这一标记。

·如果两点有相同的标记，复制这一标记。

·如果两点有不同的标记，则复制上点的标记且将两个标记输入等价表中作为等价标记。

·否则给这个象素点分配新的标记并将这一标记输入等价表。

3)如果需考虑更多的点则回到第2步。

4)在等价表的每一等价集中找到最低的标记。

5)扫描图像，用等价表中的最低标记取代每一标记。

连通分量标记算法采用直线段作为连通体检测的基本处理单元，首先对原二值图像进行逐行扫描，每扫描出当前行的一条直线段(由连续的标记为I的象素点组成)，则与上一行已检测出的直线段进行连通体检测。算法利用一个线性分析表来记录标号的连通关系，采用标号的从大到小的传递关系来表示连通体的归属关系，并用函数递归的方法简单地实现标号的归并。

定义一个有序的标号序列：L＝{l₁，l₂，l₃，…，l_n}，满足：l₁＝0且l_i＜1且l_i＜l_i+1，i属于1到n的自然数。首先，将L中所有元素置为0，然后从上到下，逐行扫描图像。如果在当前行检测到有线段存在，则检测上一行的直线段的情况。如果上一行没有与之相连接的直线段，就给当前扫描到的直线段分配一个新的标号；若有5个与之相连接的直线段，则用具有最小标号的直线段的标号S_min。来标记当前的直线段，同时记录这S个标号的连通性，即将这S个标号分别与最小标号进行连通标记：

Connect(S_i，S_min)

其中，i从1到S，Connect为连通标记函数，其实现如下(19)：

$\mathrm{Connect}(a,b):\left\{\begin{array}{c}{l}_a=b,\mathrm{if}(l_a=a)\\ \mathrm{Connect}(l_a,b),\mathrm{if}(l_a>b)\\ \mathrm{Connect}(l_a,b),\mathrm{if}(l_a<b)\end{array}\right.---\left(19\right)$

从左到右逐行扫描，直到完成整幅图像，完成所有的线段标记。最后，归并整个标号系列：

l_i＝Merge(i)

其中，i从1到整幅图像的标号总数n，Merge为归并函数(20)：

$\mathrm{Merge}\left(i\right)=\left\{\begin{array}{c}i,\mathrm{if}(l_i=i)\\ \mathrm{Merge}\left(l_i\right),\mathrm{otherwise}\end{array},---\left(20\right)\right.$

最后，对标记图像进行全局扫描，按归并后的标号重新标记图像：

pixel(i，j)＝l_pixel(i，j)

式中，pixel(i，j)为标记图像中(i，j)位置的标号值。

算法对图像的标记情况参照图5。

在颜色空间转化模块22中只对上述模块21计算所得到的连通成分对其进行颜色空间转化处理，这样能减少系统运行时间；从RGB颜色空间到YCrCb颜色空间的转换公式参见(13)给出。

在侵入检测处理模块23中主要检测建筑物周边是否有人为的机械冲击振动，检测的手段主要由5项指标所构成，即；室内摆子摆动(振动)的持续时间、室内摆子摆动(振动)的强度、室内摆子摆动(振动)的周期、室内侵入对象人脸颜色、室内侵入对象，此外考虑了建筑物内发生盗难都会经历可能侵入事件到侵入事件这样一个过程，在时间和空间上都具有连续性。

一般来说人脸的皮肤颜色与背景颜色(或其它非皮肤颜色)是不同的，据此可快速区分背景区域与人脸区域。另外，颜色本身是一种统计信息，它具有旋转、伸和平移的不变性，计算量也小。本发明直接在YUV颜色空间中进行人脸颜色的分析。通过大量的(100个人脸)图像的分析[Dounglas 2001](包括各色人种)，发现人脸亮度分布在一个较为均匀的区域内，但色差分量却分布在比较狭窄的区域内，中心位置位于(Cr，Cb)＝(150，120)处；取人体高度1/7处的人脸区域计算(Cri，Cbi)的值，并用公式(5)进行色差分量矢量的比较，

${\mathrm{\&epsiv;}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}---\left(5\right)$

若阈值1＜ε_color＜阈值2，则该变化区域确认为有人侵入建筑物内。

进一步观测建筑物内的悬挂物是否有摆动或者振动，摆动(振动)的持续时间以及摆动(振动)幅度的大小和摆动(振动)幅度变化速率，摆动(振动)的持续时间越长、摆动(振动)幅度越大、摆动(振动)幅度变化无规则，根据图6所示的结构，破天花板侵入到建筑物内的主要悬挂物以振动为主，而破墙侵入到建筑物内的主要悬挂物以摆动为主，同时也存在着同时产生振动和摆动的复合运动的情况，有上述特征的表明发生侵入盗难的可能性越高，一旦探测到建筑物内的悬挂物有摆动或振动就启动的监视线程进行跟踪，以提高探测识别的可靠性；本发明中定义F_{pendulum time}为摆动(振动)的持续时间影响因子，计算公式由式(2)给出；

F_{pendulum time}＝K_time*time    (2)

式(2)K_time是时间比例系数，time为悬挂物摆动(振动)的持续时间；

进一步，本发明中定义F_{pendulum range}为摆动(振动)的幅度影响因子，摆动(振动)的幅度越大表明建筑物受到的外力就越大，计算公式由式(3)给出；

F_{pendulum range}＝K_range*range    (3)

式(4)K_range是幅度比例系数，range为悬挂物摆动(振动)的最大幅度值；

进一步，本发明中定义F_{pendulum period}为摆动(振动)的周期影响因子，摆动(振动)的周期有变化表明建筑物受到的多次复杂外力作用，一旦发现摆动(振动)的周期和摆动的方向发生变化就设定

F_{pendulum Period}＝K_period  (4)

式(4)K_period是摆动(振动)的周期和摆动(振动)的方向发生变化时设定值；

所述的悬挂物采用的是悬索结构，它是一种大跨度空间结构，这类结构的一个显著特点是索不具有弯曲刚度，结构对外荷载的抵抗是通过改变自身形状来实现的，所以结构的变形比较明显，而且结构刚度与变形有关，表现出明显的几何非线性特点。此外，此类结构的质量比较轻。这些特点决定了悬索结构对外荷载的作用十分敏感。为了说明将图6、7简化成图8的悬索结构，图8中共有5个索的固定点，它们分别固定在东墙(E点)、南墙(S点)、西墙(W点)、北墙(N点)和天花板(C点)，三条索以中间悬挂点(H点)连接起来；悬挂物(suspender)通过一个具有弹性的索与悬挂点连接；东墙面、南墙面、西墙面、北墙面和天花板上的任何一个面受到机械应力时都会通过相应的点将力传递给悬挂点(H点)，这时悬挂点(H点)会由于受到力的作用产生相应的位移，由于所受到力的方向是全方位的，悬挂物(suspender)可以不同的方式振动：(1)半径R维持恒定，绕悬挂点作简单摆动；(2)在半径R方向作上下振荡；(3)扭转或(4)复合振形；如果将悬索结构的系统固有频率设计成与人为的机械冲击振动基频相近的频率，所述的悬挂物的振动放大作用就越显著。

进一步，对被设置为防盗建筑物内的区域计算(Cri，Cbi)的值，如果符合人脸的颜色特征就进一步确认了窃贼已经进入了建筑物内部，如式(5)所计算得到的ε_color在阈值1＜ε_color＜阈值2范围内，本发明将F_color设定为K_color。

进一步，用区域大小属性判断是否有侵入发生，本发明中是根据上述标记过的每个连通区域求出其面积Si，有下面判断规则：

若Si＜阈值1，则该变化区域为噪声点，或者是小动物如老鼠等；

若阈值1＜Si，则该变化区域可疑为有人，这时设定区域大小影响因子Fs为1。

阈值1的取值范围的大小是根据从上往下看(俯视)一个成年人的平均截面积在0.12m²左右，然后通过全方位视觉系统的标定结果来决定阈值1的大小，即像素值的大小。

在上述的五种分项信息判断的基础上，接着进行综合判断以减少误判断率，加权综合判断计算在模块中进行，综合判断公式由式(6)给出，综合判断中采用了加权方式，

$W_{\mathrm{guardalarm}}=K_{\mathrm{pt}}\&times;F_{\mathrm{pendulumtime}}+K_{\mathrm{pr}}\&times;F_{\mathrm{pendulumrang}{e}_S}+---\left(6\right)$

$K_{\mathrm{pp}}\&times;F_{\mathrm{pendulumPeriod}}+K_{\mathrm{co}}\&times;F_{\mathrm{color}}+K_s\&times;\mathrm{Fs}$

式中：

K_pt为建筑物内悬挂物摆动(振动)的持续时间影响因子的加权系数。

K_pr为建筑物内悬挂物摆动(振动)的强度影响因子的加权系数。

K_pp为建筑物内悬挂物摆动(振动)的周期影响因子的加权系数。

K_co为建筑物内侵入对象人脸颜色影响因子的加权系数。

K_s为建筑物内侵入对象影响因子的加权系数。

根据式(9)计算出来的W_guard alarm的结果，首先要根据量化值的大小不同，作出如下不同的输出结果；

若Kattention≤W_guard alarm≤Kalarm1，则判断为有可疑侵入，提醒注意，系统自动通过用户通信模块26发送短消息、语音电话或者电子邮件通知警备人员通过网络确认图像，启动图像数据文件存储模块18记录现场视频数据，在这种情况下警备人员可以通过网络选择继续观测还是从新开始计算；

若Kalarm1＜W_guard alarm≤Kalarm2，则盗难早期警告，通过用户通信模块26发送短消息、语音电话或者电子邮件通警备人员通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块18记录现场视频数据；

若Kalarm2＜W_guard alarm，除了上述动作以外，装置要自动通报公安机关110，通报的信息包含有盗警发生的地点(属于什么区、什么地段、门牌号码)，上述的报警的地点等信息从用户基本数据信息模块27中得到，如果公安机关有地理位置信息系统的话，按照系统的要求发送所需要的信息。

在实际实施过程中，由于墙体构成的材料有所不同，建筑物的房间大小也有所差异，因此悬挂物对同样大小的人为的机械冲击振动的灵敏度是不同的，因此需要在软件中进行调整对人为的机械冲击振动的灵敏度，本发明中通过调整K_pt建筑物内悬挂物摆动(振动)的持续时间、K_pr建筑物内悬挂物摆动(振动)的强度和K_pp建筑物内悬挂物摆动(振动)的周期等三种影响因子的加权系数的方法来调整对人为的机械冲击振动的灵敏度，具体做法是测试人员(参考体重为60公斤+2公斤)用钢锤(重1kg)打任一面墙2-3次即可报警为标准，所述的报警标准是Kalarm2，如果测试结果的计算值超过Kalarm2的情况同时降低上述三种影响因子，以便与Kalarm2的值相等；如果测试结果的计算值小过Kalarm2的情况同时增加上述三种影响因子使其与Kalarm2的值相等。

所述的微处理器15是嵌入式系统，本发明中的实现算法是由Java语言实现的。

实施例2

上述的实施例1所产生的发明效果是同样适用与弹药库和博物馆的防盗，弹药库的墙一般为砖墙，房子也比较大，门窗设施比较简单，安装的办法与实施例一样。博物馆古建筑物多，很容易被破坏，打洞挖墙比较容易，更应引起用户的警觉。安装振动探测器的方法与弹药库、金库相似，可参考上述办法进行安装。由于门窗多是薄弱环节，因此在实施2中对全方位视觉传感器的安装要对门窗设施都能在监视范围内，同时要调高K_co建筑物内侵入对象人脸颜色和K_ib建筑物内侵入对象这两个影响因子的加权系数的大小。

上述的实施例1、2所产生的发明效果是通过全方位的计算机视觉传感器、网络通信技术，图像处理技术以及检测建筑物内悬挂摆动物体(全方位振动传感)等手段，提供了一种快速准确可靠经济的、技防与人防紧密结合的入侵防盗探测器。

Claims (7)

1. 一种基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：该入侵图像探测器包括微处理器、用于监视室内入侵防盗情况的全方位视觉传感器、安装于室内的悬挂物、用于与外界通信的通信模块；

所述的全方位视觉传感器包括用于反射监控领域中物体的外凸反射镜面、透明圆柱体、摄像头，所述的外凸反射镜面朝下，所述的透明圆柱体支撑外凸反射镜面，黑色圆锥体固定在外凸反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头位于透明圆柱体的内部，摄像头位于外凸反射镜面的虚焦点上；

所述的微处理器包括：

图像数据读取模块，用于读取从视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

运动对象检测模块，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)        (1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

如f_d(X，t₀，t_i)≥阈值时，判定为可疑入侵事件；

如f_d(X，t₀，t_i)＜阈值时，判定为无可疑入侵事件；

色彩空间转化模块，用于将图像RGB色彩空间转化到YUV空间；

连通区域计算模块，用于在判定有可疑入侵事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

侵入检测处理模块，用于检测建筑物周边是否有人为的机械冲击振动；所述的侵入检测处理模块包括：

悬挂物摆动持续时间检测单元，用于监视所述的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(2)给出；

F_{pendulum time}＝K_time*time        (2)

式(2)中，K_time是时间比例系数，time为室内的悬挂物摆动的持续时间；悬挂物摆动强度检测单元，用于监视所述的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(3)给出；

F_{pendulum range}＝K_range*range        (3)

式(3)中，K_range是幅度比例系数，range为室内的悬挂物摆动的最大幅度值；

悬挂物摆动周期检测单元，用于监视所述的悬挂物的摆动周期，定义F_{pendulum period}为摆动的周期影响因子，计算公式由式(4)给出；

F_{pendulum Period}＝K_period        (4)

式(4)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

人脸颜色检测单元，用于取人脸区域计算(Cri，Cbi)的值，并用公式(5)进行色差分量矢量的比较：

${\mathrm{\&epsiv;}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}---\left(5\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入室内，否则无人侵入室内，将F_color设定为人脸颜色影响因子；

侵入对象检测单元，用于设定从上往下看一个成年人的平均截面的面积阈值，将每个连通区域求出其面积Si与面积阈值作比较：

若Si＜面积阈值，则该变化区域为噪声点，设定区域大小影响因子Fs为0；

若Si≥面积阈值，则该变化区域为可疑有人，设定区域大小影响因子Fs为1；

加权综合判断模块，用于根据以上五种影响因子，综合判断公式由式(6)给出，综合判断中采用了加权方式：

W_guard alarm＝K_pt×F_{pendulum time}+K_pr×F_{pendulum ranges}+

K_pp×F_{pendulum Period}+K_co×F_color+K_s×F_s                            (6)

式中：

K_pt为室内悬挂物摆动的持续时间影响因子的加权系数；

K_pr为室内悬挂物摆动的强度影响因子的加权系数；

K_pp为室内悬挂物摆动的周期影响因子的加权系数；

K_co为室内侵入对象人脸颜色影响因子的加权系数；

K_s为为室内侵入对象影响因子的加权系数；

并将异常量化值W_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向管理人员发送告警信息；否则，判断为正常。

2. 如权利要求1所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值Kalarm1、确认盗难告警值Kalarm2，

若Kattention≤W_guard alarm≤Kalarm1，判断为有可疑侵入，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm1＜W_guard alarm≤Kalarm2，判断盗难早期警告，通过用户通信模块通知管理人员通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知管理人员通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

3. 如权利要求1所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(7)所示：

${\stackrel{\&OverBar;}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}(1-M_n(x,y))}---\left(7\right)$

式(7)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(8)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0        (9)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(10)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)        (10)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(11)：

X_mix，bn+1(i)＝X_mix，cn(i)        (11)。

4. 如权利要求1-3之一所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的微处理器还包括：

噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(12)所示：

h[i，j]＝(1/M)∑f[k，1]        (12)

上式(12)中，M是邻域内的像素点总数。

5. 如权利要求4所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的色彩空间转化模块，从RGB色彩空间转换到YUV空间的关系式为式(13)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B                (13)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色。

6. 如权利要求4所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的悬挂物为悬索结构，共有5个索的固定点，5个固定点分别固定在室内的东墙E点、南墙S点、西墙W点、北墙N点和天花板C点，5个固定点的三条索以中间悬挂H点连接起来；悬挂物通过一个具有弹性的索与中间悬挂H点连接。

7. 如权利要求4所述的基于机器视觉的全方位可视化振动入侵图像探测器，其特征在于：所述的微处理器还包括灵敏度调整模块，用于根据需要调整室内悬挂物摆动的持续时间影响因子的加权系数K_pt、室内悬挂物摆动的强度影响因子的加权系数K_pr、室内悬挂物摆动的周期影响因子的加权系数K_pp。

Images