CN101256626A - 基于计算机视觉的入侵监控方法 - Google Patents

Abstract

一种基于计算机视觉的入侵监控方法，用于智能视频监控领域。该方法事先通过监控摄像机采集若干帧的视频图像，以此建立基于非参数统计的场景模型。对于新的视频图像，用场景模型检测出前景点，并由形态学滤波进一步处理得到运动目标。接着对运动目标提取加权直方图特征，并采用直方图匹配方法跟踪运动目标，得到目标的运动轨迹。判断目标轨迹是否进入设定的警戒区域，从而决定是否发出警报。本入侵检监控方法，采用计算机视觉技术，利用计算机处理监控摄像机获取的视频信息，实现自动检测和报警，设备简单、容易实现，具有广阔的市场前景和应用价值。

Description

基于计算机视觉的入侵监控方法

技术领域

本发明涉及一种入侵监控方法，具体涉及一种基于计算机视觉技术的入侵监控方法。

背景技术

入侵监控系统指的利用摄像头判断目标与固定区域之间关系的系统，如判断警戒区域的闯入，危险地区的误入等。目前，该类系统主要由保安人员24小时肉眼观察监控屏幕来完成。这是一件非常繁重的工作，而且由于疲劳等原因，人的注意力很容易分散。所以由计算机来处理摄像头返回的视频信息，以代替人力进行监控将很有意义。

发明内容

本发明的目的在于提供一种基于计算机视觉的入侵监控方法，以改进现有方法中采用人力进行监控的不足。

本发明的基于计算机视觉的入侵监控方法，包括以下步骤：获取一定数量的连续帧视频图像，这些图像主要描述无运动目标存在时的场景信息；根据获取的多帧图像的像素值，用非参数统计方法建立背景模型；对于新获取的图像，利用得到的背景模型，估计图像中每个像素点隶属于背景的概率，和事先设定的域值比较，以此判断该点是否为前景点；对前景点进行形态学滤波处理得到前景区块，之后根据前景区块的面积大小决定是否为运动目标；采用加权直方图特征对运动目标建模，并采用直方图匹配方法跟踪上述运动目标；利用跟踪轨迹，判断运动目标有没有进入事先设定的敏感区域，若进入则报警

以下对该发明的每一步进行具体说明：

(1)背景建模

首先收集一定数量的背景图像。然后对背景图像中的每个像素点进行统计建模。得到的背景模型由图像中每个像素位置的背景颜色分布来描述，这些分布的非参数统计方法如下：

$p\left(x_t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{d}{\mathrm{\Π}}}\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_j^2}}\exp (-\frac{{(x_{t_j}-x_{i_j})}^2}{2{\mathrm{\σ}}_j^2})$

其中，x_t为时刻t某个像素位置的d维颜色特征观测值，{x_i}_{i＝1，...，N}表示事先收集的该像素点位置一组d维背景颜色观测值，exp(x)表示指数函数，σ_j是各维特征对应的方差，则p(x_t)为t时刻该像素值x_t属于背景的概率值。

(2)运动目标检测

得到背景统计模型之后，在某时刻t，图像中前景目标的检测可以通过比较概率值p(x_t)和某个阀值的大小来决定。对于图像中某个位置的像素值x_t，如果概率值p(x_t)小于某个设定的阀值，则当前相应的像素点为前景点，否则，相应的像素点为背景点。为了增加鲁棒性，对于背景模型检测出的前景点需要进一步进行数学形态学滤波处理。这些数学形态学滤波处理的步骤包括中值滤波、形态学腐蚀和形态学膨胀操作。对于处理后得到的前景区域，选取其中面积大于给定阈值的作为运动目标。

(3)运动目标建模

得到运动目标区域后，本方法采用加权颜色直方图模型来对运动目标建模。对于某个高度h，宽度w，中心点位置为y_c的前景运动目标区域，该区域的加权颜色直方图模型为

其中u为颜色空间量化后对应的量化序号，范围是1，...，m。每个

的计算方法如下：

${\hat{q}}_u=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left({\left|\right|\frac{y_i-y_c}{\sqrt{h^2+w^2}}\left|\right|}^2\right)\mathrm{\δ}[b\left(y_i\right)-u]$

其中，y_i表示该运动目标区域的某个像素点坐标，整个目标区域的像素个数为n，b(y_i)函数得到该像素位置像素值的量化序号，δ(x)函数示Kronecker函数，定义为：

C是归一化系数，使得

满足 ${\mathrm{\Σ}}_{u=1}^m{\hat{q}}_u=1$ 的要求。函数k(x)是Epanechnikov函数，形式为

其中d，c_d为常数

(4)运动跟踪及入侵判断

这里采用直方图特征匹配的方法来跟踪运动目标。在t时刻，某个运动目标A的加权直方图模型为在t+1时刻，为了确定目标A的新位置。首先在t+1的图像中，找到距目标A原位置较近的几个运动目标，计算它们的加权颜色模型，接着计算

和这些目标的相似度

则最大相似度对应的运动目标和目标A相匹配，从而得到目标A的新位置。

${\hat{q}}_A^{t+1}=arg\underset{{\hat{q}}_i^{t+1}}{\max }s({\hat{q}}_A^t,{\hat{q}}_i^{t+1})=\arg \underset{{\hat{q}}_i^{t+1}}{\max }\left({\mathrm{\Σ}}_{u=1}^m\sqrt{{\hat{q}}_A^u,{\hat{q}}_i^u}\right)$

通过连续匹配相邻帧的目标就可以实现运动目标的跟踪。当该目标轨迹落在事先由用户指定的警戒区域时，则系统判定入侵发生并报警。

本发明的基于计算机视觉的入侵监控方法，采用计算机视觉技术，利用监控摄像机和计算机来实现敏感区域的入侵监控，所需设备简单、容易实现而且成本较低，避免了人工监控的繁重工作量和疲劳问题。

附图说明

为了更好地理解本发明，下面结合附图对本发明进行详细的说明，其中：

图1是本发明的入侵监控方法的硬件系统框图；

图2是本发明的入侵监控方法的场景示意图。

图3是本发明的入侵监控方法的实现流程图。

具体实施方式

如图1所示，本发明的入侵监控方法的硬件系统包括：摄像机，用于采集视频图像；视频编解码器，用于对摄像机所采集的图像进行编解码处理及网络传输；计算机，用于接收来自视频编解码器的视频图像，然后利用本发明的入侵监控方法对所接收的视频图像进行处理。

下面结合图3说明本发明的基于计算机视觉的入侵监控方法。

首先建立初始背景模型，即利用摄像机采集视频图像，收集N帧的背景图像，并得到图像中每个像素点(i，j)位置的d维像素值。

然后，利用每个像素点位置的N个像素值建立非参数统计模型，该模型用一个概率函数表达：

$p\left(x_t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{d}{\mathrm{\Π}}}\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_j^2}}\exp (-\frac{{(x_{t_j}-x_{i_j})}^2}{2{\mathrm{\σ}}_j^2})$ (公式1)

其中，x_i为时刻t某个像素位置的d维颜色特征观测值，{x_i}_{i＝1，...，N}表示事先收集的该像素点位置一组d维背景颜色观测值，exp(x)表示指数函数，σ_j是各维特征对应的方差，则p(x_t)为时刻t像素值x_t属于背景的概率值。

在得到像素点(i，j)处的背景模型后，利用给定的阀值TH₁来检测前景点：在时刻t，对于像素点(i，j)的像素值x_t，如果p(x_t)≤TH₁，则像素点(i，j)为前景点，否者，像素点(i，j)为背景点。由于一般情况下图像的大部分点都是背景点，公式(1)中的求和项一般在还未计算完N项之前就已经超过了阀值，因此大部分点在很短时间内就可以处理完毕。

在检测了前景点后，需要对前景图像进行数学形态学处理以滤除噪声、填补空洞，具体来讲所述处理包括中值滤波、腐蚀操作以及膨胀操作。按以下步骤进行：对前景图像进行3×3的中值滤波，以去除孤立的噪声点；对滤波后得到的图像进行5×5的形态学膨胀操作；对膨胀后得到的图像进行边界跟踪或者边缘点连接，得到图像中每个连通区域的边界，从而获得每个连通区域的相关信息如大小、面积等，然后出去面积小于一定阀值TH₂或形状不规则的连通区域；将边界内部的像素点设置为前景点，以填充其中可能存在的空洞。经过后处理之后，面积大于给定阀值TH₃的区域被选定为运动目标。

接着采用加权颜色直方图来对运动目标进行建模，具体如下：

设{y_i}_{i＝1，2，...，n}是某个高度h，宽度w，中心点位置为y_c的前景运动目标区域中n个像素点的集合。b(y_i)表示该像素点在颜色量化空间中的量化序号，量化序号范围u＝0，1，…，m。则该区域的加权颜色直方图模型为

每个

的计算方法如下：

${\hat{q}}_u=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left({\left|\right|\frac{y_i-y_c}{\sqrt{h^2+w^2}}\left|\right|}^2\right)\mathrm{\δ}[b\left(y_i\right)-u]$ (公式2)

其中，y_i表示该运动目标区域的某个像素点坐标，C是归一化系数，使得

满足 ${\mathrm{\Σ}}_{u=1}^m{\hat{q}}_u=1$ 的要求。δ(x)函数示Kronecker函数，定义为：

(公式3)

函数k(x)是Epanechnikov函数，形式为

(公式4)

其中d，c_d为常数。

得到运动目标的颜色直方图模型之后，采用直方图特征匹配的方法来跟踪运动目标。在t时刻，某个运动目标A的加权直方图模型为在t+1时刻，为了确定目标A的新位置，首先在t+1的图像中，找到距目标A原位置较近的几个运动目标，并计算它们的加权颜色模型。

接着分别并且和

比较，求得相似度

这里采用Bhattacharyya系数来计算相似度：

$s=({\hat{q}}_A^t,{\hat{q}}_i^{t+1})={\mathrm{\Σ}}_{u=1}^m\sqrt{{\hat{q}}_A^u,{\hat{q}}_i^u}$ (公式5)

在满足 $s({\hat{q}}_A^t,{\hat{q}}_i^{t+1})\≥{\mathrm{TH}}_4$ 的所有目标中，找到和目标A相似度最大的运动目标，该目标位置就是目标A的新位置。

${\hat{q}}_A^{t+1}=arg\underset{{\hat{q}}_i^{t+1}}{\max }s({\hat{q}}_A^t,{\hat{q}}_i^{t+1})=\arg \underset{{\hat{q}}_i^{t+1}}{\max }\left({\mathrm{\Σ}}_{u=1}^m\sqrt{{\hat{q}}_A^u,{\hat{q}}_i^u}\right)$ (公式6)

如果目标A找不到某个目标使得 $s({\hat{q}}_A^t,{\hat{q}}_i^{t+1})\≥{\mathrm{TH}}_4,$ 则可能目标A已经离开了视野的目标和被其它目标遮挡，对于这种情况，将目标A予以保留，并在后面的若干帧图像中继续匹配，如果一直没有匹配，就认为该目标已经离开视野的目标，如果在后续的图像中有匹配目标，则重新建立A目标的跟踪轨迹。

通过连续匹配相邻帧的目标就可以得到运动目标的跟踪轨迹。当该目标轨迹落在事先由用户指定的警戒区域时，则系统判定入侵发生并报警。

Claims (6)

1、一种基于计算机视觉的入侵监控方法，其特征在于，包括以下步骤：获取一定数量的连续帧视频图像，这些图像主要描述无运动目标存在时的场景信息；根据获取的多帧图像的像素值，用非参数统计方法建立背景模型；对于新获取的图像，利用得到的背景模型，估计图像中每个像素点隶属于背景的概率，和事先设定的域值比较，以此判断该点是否为前景点；对前景点进行形态学滤波处理得到前景区块，之后根据前景区块的面积大小决定是否为运动目标；采用加权直方图特征对运动目标建模，并采用直方图匹配方法跟踪上述运动目标；利用跟踪轨迹，判断运动目标有没有进入事先设定的敏感区域，若进入则报警。

2、根据权利要求1所述的入侵监控方法，其特征在于，背景模型由图像中每个像素点位置的背景颜色分布来描述，这些分布通过多帧背景图像的非参数统计得到：

$p\left(x_t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\underset{j=1}{\overset{d}{\mathrm{\Π}}}\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_j^2}}\exp (-\frac{{(x_{t_j}-x_{i_j})}^2}{2{\mathrm{\σ}}_j^2})$

其中，x_t为时刻t某个像素位置的d维颜色特征观测值，{x_i}_{i＝1，...，N}表示建模期间该像素点位置观察到的一组d维颜色特征观测值，exp(x)表示指数函数，σ_j是每维特征对应的方差，则p(x_t)为t时刻像素值x_t属于背景的概率值。

3、根据权利要求1所述的入侵监控方法，其特征在于，该方法通过比较概率值p(x_t)和某个设定阀值的大小来决定t时刻该像素值x_t是否属于前景：如果概率值p(x_t)小于某个设定的阀值，则当前相应的像素点为前景点，否则，相应的像素点为背景点。

4、根据权利要求1所述的入侵监控方法，其特征在于，对背景模型检测出的前景点进行数学形态学滤波处理，这些数学形态学滤波处理的步骤包括中值滤波、形态学腐蚀和形态学膨胀操作，对于处理后的前景区域，选取区域面积大于给定阈值的作为运动目标。

5、根据权利要求1所述的入侵监控方法，其特征在于，采用加权颜色直方图模型来对运动目标建模。对于高度h，宽度w，中心点位置为y_c的前景运动目标区域，该区域的加权颜色直方图模型为

其中u为颜色空间量化后对应的量化序号，范围是1，...，m。则每个

的计算方法如下：

${\hat{q}}_u=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left({\left|\right|\frac{y_i-y_c}{\sqrt{h^2+w^2}}\left|\right|}^2\right)\mathrm{\δ}[b\left(y_i\right)-u]$

其中，y_i表示该运动目标区域的某个像素点坐标，目标区域的总像素个数为n，b(y_i)函数得到该像素位置像素值在量化空间里所属的量化序号，C是归一化系数，使得

满足 ${\mathrm{\Σ}}_{u=1}^m{\hat{q}}_u=1$ 的要求。δ(x)函数示Kronecker函数，定义为：

函数k(x)是Epanechnikov函数，形式为

其中d，c_d为常数。

6、根据权利要求1所述的入侵监控方法，其特征在于，采用基于直方图特征匹配的方法来跟踪运动目标。在t时刻，运动目标A的加权直方图模型为

在t+1时刻，计算目标A原位置附近的几个运动目标的特征模型

并和

比较求得相似度

则最大相似度对应的运动目标和目标A相匹配。

${\hat{q}}_A^{t+1}=arg\underset{{\hat{q}}_i^{t+1}}{\max }s({\hat{q}}_A^t,{\hat{q}}_i^{t+1})=\arg \underset{{\hat{q}}_i^{t+1}}{\max }\left({\mathrm{\Σ}}_{u=1}^m\sqrt{{\hat{q}}_A^u,{\hat{q}}_i^u}\right)$

通过连续匹配相邻帧的目标从而实现了运动目标的跟踪。对于跟踪上的运动目标，判断其运动轨迹是否落在事先指定的警戒区域内，以此来判定入侵是否发生和报警。

Images