CN102254396A - 基于视频的入侵检测方法及装置 - Google Patents
基于视频的入侵检测方法及装置 Download PDFInfo
- Publication number
- CN102254396A CN102254396A CN2011101881667A CN201110188166A CN102254396A CN 102254396 A CN102254396 A CN 102254396A CN 2011101881667 A CN2011101881667 A CN 2011101881667A CN 201110188166 A CN201110188166 A CN 201110188166A CN 102254396 A CN102254396 A CN 102254396A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- prospect
- model
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种基于视频的入侵检测方法,包括:接收待检测的视频流,建立所述视频流中视频帧的初始模型;依据所述初始模型建立所述视频流中待检测视频帧的检测模型;应用所述检测模型分离出所述待检测视频帧中的前景;提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述检测模型作为初始模型,获取所述视频流中新的待检测视频帧。通过本发明实施例提供的方法,有效的提高了分离前景的精确度,提供了入侵检测的整体性能。
Description
技术领域
本申请涉及入侵检测领域,特别是涉及一种基于视频的入侵检测方法及装置。
背景技术
在智能视频监控系统中,入侵检测被广泛地用于保护重要区域和地点,一旦有目标非法入侵,视频监控系统会自动检测到入侵事件并及时向有关人员报警。
基于视频的入侵检测主要是针对固定摄像机所拍摄的关键固定场景视频进行实时分析,利用计算机视觉算法实现对进入场景中的运动目标的侦测和定位,并进一步触发报警信号。由于固定场景视频中的背景处于动态变化过程中,如光照、阴影、摆动的树叶等干扰因素的影响,使得运动检测成为一项极具挑战性的工作,现有的视频检测方法包含多种,如:帧差法、单高斯模型法、混合高斯模型法、光流法和基于图像块的背景建模法等。
发明人经过研究发现,上述多种视频检测方法中,如单高斯模型法,在进行视频检测时,假设视频图像中像素点的分布是单模分布的,应用这种方法,当遇到场景的像素点呈多模分布时,检测性能会很大程度上降低;同样对于上述其它方法也存在很多不完善的地方,造成视频检测过程中的检测性能降低。
发明内容
为解决上述技术问题,本申请实施例提供一种基于视频的入侵检测方法及装置,能够准确的对待检测视频流中视频帧中的前景进行分离,并提取团块,通过比较匹配的方式,对待检测视频进行检测,提高了检测性能。
技术方案如下:
一种基于视频的入侵检测方法,包括:
接收待检测的视频流,建立所述视频流中视频帧的初始模型;
依据所述初始模型建立所述视频流中待检测视频帧的检测模型;
应用所述检测模型分离出所述待检测视频帧中的前景;
提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述检测模型作为初始模型,获取所述视频流中新的待检测视频帧。
上述的方法,优选的,当所述目标团块与所述初始模型对应视频帧中的团块不匹配时,对所述目标团块进行目标更新并判断所述目标团块是否满足告警条件,当满足告警条件时,触发告警。
上述的方法,优选的,在接收所述待检测视频流前,还包括:
对所述待检测视频流进行预处理;
所述预处理包括:调整视频的尺寸及格式。
上述的方法,优选的,所述建立检测模型并应用所述检测模型分离前景的过程包括:
基于混合高斯方法建立所述视频流中视频帧的混合高斯模型,将所述混合高斯模型作为第一初始模型并依据所述第一初始模型建立所述视频流中待检测视频帧的第一检测模型;
基于帧差方法建立所述视频流中视频帧的帧差模型,将所述帧差模型作为第二初始模型并依据所述第二初始模型建立所述视频流中待检测视频帧的第二检测模型;
分别应用所述第一检测模型与所述第二检测模型对所述待检测视频帧中的前景进行分离,并将所述分离出的前景中相同的部分作为所述待检测视频中的标准前景。
上述的方法,优选的,在所述第一检测模型与所述第二检测模型建立完成后,还包括:
检测所述第一检测模型对应视频帧中的前景是否发生变化,当所述第一检测模型对应视频帧中的前景未发生改变时,分别应用所述第一检测模型与所述第二检测模型对所述待检测视频帧中的前景进行分离;否则,返回重新建立所述视频流中视频帧的初始模型。
上述的方法,优选的,分离出所述前景后,在提取所述前景中的目标团块前还包括:
对所述前景进行纹理分析去除所述前景中的伪前景。
上述的方法,优选的,所述提取前景中目标团块的过程包括:
对所述经过纹理分析的前景进行连通分量处理构成团块并对所述团块进行提取。
一种基于视频的入侵检测装置,包括:
接收单元,用于接收待检测的视频流,建立所述视频流中视频帧的初始模型;
建立单元,用于依据所述初始模型建立所述视频流中待检测视频帧的检测模型;
分离单元,用于应用所述检测模型分离出所述待检测视频帧中的前景;
匹配单元,用于提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
控制单元,用于当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述建立单元建立的检测模型作为初始模型,并获取所述视频流中新的待检测视频帧。
上述的装置,优选的,还包括:
更新单元,用于当所述目标团块与所述初始模型对应视频帧中的团块不匹配时,对所述目标团块进行目标更新;
判断单元,用于当所述目标团块与所述初始模块对应视频帧中的团块不匹配时,判断所述目标团块是否满足告警条件,当满足告警条件时,触发告警。
上述的装置,优选的,还包括:
预处理单元,用于在所述接收单元接收所述待检测视频流前,对所述待检测视频流进行预处理;所述预处理包括:调整视频的尺寸及格式。
上述的装置,优选的,所述接收单元包括:
第一初始模型建立子单元,用于基于混合高斯方法建立所述视频流中视频帧的混合高斯模型,将所述混合高斯模型作为第一初始模型;
第二初始模型建立子单元,用于基于帧差方法建立所述视频流中视频帧的帧差模型,将所述帧差模型作为第二初始模型;
所述建立单元包括:
第一检测模型建立子单元,用于基于所述第一初始模型建立所述视频流中待检测视频帧的第一检测模型;
第二检测模型建立子单元,用于基于所述第二初始模型建立所述视频流中待检测视频流的第二检测模型;
所述分离单元包括:
第一分离子单元,用于应用所述第一检测模型对所述待检测视频帧中的前景进行分离;
第二分离子单元,用于应用所述第二检测模型对所述待检测视频帧中的前景进行分离;
比较子单元,用于将所述第一分离子单元分离的前景与所述第二分离子单元分离的前景进行比较,获取相同的部分作为所述待检测视频中的标准前景。
上述的装置,优选的,还包括:
检测单元,用于在所述第一检测模型与所述第二检测模型建立完成后,检测所述第一检测模型对应视频帧中的前景是否发生变化,当所述第一检测模型对应视频帧中的前景未发生改变时,指示所述分离单元对所述待检测视频帧中的前景进行分离,否则,指示所述接收单元重新建立所述视频流中视频帧的初始模型。
上述的装置,优选的,还包括:
纹理分析单元,用于在分离出所述前景后,在提取所述前景中的目标团块前,对所述前景进行纹理分析去除所述前景中的伪前景。
上述的装置,优选的,所述匹配单元包括:
连通分量处理子单元,用于对所述经过纹理分析单元进行纹理分析的前景进行连通分量处理构成团块。
由以上本申请实施例提供的技术方案可见,本发明提供的基于视频的入侵检测方法及装置,接收待检测视频流,对视频流中的视频帧进行初始建模,依据所述初始模型建立视频流中待检测视频帧的检测模型,应用检测模型分离出所述待检测视频帧中的前景,然后对前景中的目标团块进行提取,与初始模型对应视频帧中的团块进行匹配,从而根据匹配结果完成对待检测视频的检测。
本申请实施例提供的基于视频的入侵检测方法及装置,对前景的分离过程中,综合混合高斯模型和帧差模型,对提取的混合高斯前景和帧差前景进行相与操作,将其相同的部分作为标准前景,提高了提取的前景的精确度;同时基于相邻两视频帧依次建模的方式,提高了建模的精度;同时在检测过程中不断检测场景的变化及应用纹理分析技术对分离的前景进行处理,有效的提高了检测的精准度,提高了检测性能。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于视频的入侵检测方法实施例一的流程图;
图2为本申请实施例提供的一种基于视频的入侵检测方法实施例二的流程图;
图3为本申请实施例提供的一种基于视频的入侵检测方法实施例二中纹理分析过程一实例示意图;
图4为本申请实施例提供的一种基于视频的入侵检测方法实施例二中纹理分析过程中一实例示意图;
图5为本申请实施例提供的一种基于视频的入侵检测方法实施例二中纹理分析过程中一实例示意图;
图6为本申请实施例提供的一种基于视频的入侵检测方法实施例二中连通分量处理过程中一实例示意图;
图7为本申请实施例提供的一种基于视频的入侵检测装置实施例一的结构示意图;
图8为本申请实施例提供的一种基于视频的入侵检测装置实施例二的结构示意图。
为了图示的简单和清楚,以上附图示出了结构的普通形式,并且为了避免不必要的模糊本发明,可以省略已知特征和技术的描述和细节。另外,附图中的单元不必要按照比例绘制。例如,可以相对于其他单元放大图中的一些单元的尺寸,从而帮助更好的理解本发明的实施例。不同附图中的相同标号表示相同的单元。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的单元,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示的或否则描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可以包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案。下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
实施例一
本申请实施例提供的一种基于视频的入侵检测方法的流程图如图1所示,包括:
步骤S101:接收待检测的视频流,建立所述视频流中视频帧的初始模型;
接收待检测的视频流,视频流中的视频以一帧一帧的形式被接收,本申请实施例中提供的入侵检测方法,首先对视频流中的前N帧视频进行初始建模,获得视频流中视频帧的初始模型;
初始建模的过程如下,从接收视频流中第一帧视频开始,依次选择至预设个数N的视频帧,对前N帧视频进行初始建模,所述N可以通过实际检测需求进行提前预设,建模过程分别采用基于混合高斯方法和基于帧差方法;基于混合高斯方法建立所述前N帧视频的混合高斯模型,将所述混合高斯模型作为视频流中视频帧的初始模型;基于帧差方法建立所述前N帧视频的帧差模型,将所述帧差模型作为视频流中视频帧的初始模型;
建立初始模型的过程中,对于前N帧视频只进行建模操作,不具体进行分析操作,建模的过程中,首先依据混合高斯方法建立第一帧视频的混合高斯模型,在所述第一帧的混合高斯模型的基础上,对第二帧视频进行混合高斯模型建模,依次第三帧视频在第二帧视频混合高斯模型的基础上进行混合高斯模型建模,直至第N帧视频的混合高斯模型作为视频流中视频帧的初始模型,初始模型即为精度较高的优化模型,其检测精度准确;
对于应用帧差法建立初始模型的过程与应用混合高斯方法建立初始模型的过程相类似,此处不在赘述;
步骤S102:依据所述初始模型建立所述视频流中待检测视频帧的检测模型;
本申请实施例中提供的检测方法,所述待检测视频帧即为第N+1帧视频,建立所述待检测视频的检测模型,所述检测模型在所述第N帧视频混合高斯模型或帧差模型的基础上进行建立,其建立过程与步骤S101中建立初始模型的过程一致;
步骤S103:应用所述检测模型分离出所述待检测视频帧中的前景;
对于待检测视频帧建立的检测模型分为两种,一种是基于在混合高斯初始模型建立的混合高斯检测模型,一种是基于帧差初始模型建立的帧差检测模型;分别应用混合高斯检测模型和帧差检测模型对待检测视频中的前景进行分离;此时,对应用混合高斯检测模型分离出的前景与应用帧差检测模型分离出的前景进行相与操作,获取其中相同的部分作为待检测视频帧中的标准前景;
步骤S104:提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
提取所述标准前景中的目标团块,对初始模型所对应的视频帧即第N帧视频进行与所述第N+1帧相同的操作,获取所述初始模型对应视频帧中的团块,将所述目标团块与所述团块进行匹配;匹配过程即计算两个团块中像素点之间的距离,当距离小于某一阈值时,则认为相匹配;
步骤S105:当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述检测模型作为初始模型,获取所述视频流中新的待检测视频帧;
当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,表明待检测视频帧与其前面的视频帧相匹配,未存在入侵危险,因此将当前待检测视频帧作为新的初始模型对应视频帧,对其下一视频帧进行入侵检测。
通过以上论述,本申请实施例提供的基于视频的入侵检测方法,分别基于混合高斯方法和帧差方法对对视频流中视频帧进行初始建模,建模过程中每一视频帧的模型都是在其前一帧视频模型的基础上进行建立;待检测视频流中的每一帧视频均经过混合高斯建模和帧差建模,然后应用分别建立好的混合高斯模型和帧差模型对当前待检测视频帧的前景进行提取,将提取的两个前景进行相与操作,获得两个前景中相同的部分,将所述相同部分作为待检测视频帧的标准前景,对标准前景中的目标团块进行提取,将当前待检测视频帧中的目标团块与所述当前视频帧前一帧视频中的团块进行比较,当比较结果满足相匹配的条件时,获取当前待检测视频的下一视频帧作为当前视频帧,重新进行视频检测。
实施例二
为了更加清晰的本申请实施例提供的基于视频的入侵检测方法进行描述,本申请实施例提供了一入侵检测方法的详细示意图如图2所示,包括:
步骤S201:接收待检测视频流,对待检测视频流中的视频帧进行预处理操作;
对待检测视频流中的视频帧进行预处理操作,包括对输入视频的尺寸调整及视频格式调整,将视频数据转换为CIF格式;视频图像输入是RGB格式的,将数据视频格式转换为YUV格式;
步骤S202:对经过预处理的待检测视频基于混合高斯方法进行建模;
对于图2中,接收第N帧视频,对第N帧视频基于混合高斯方法进行建模,第N帧视频的混合高斯模型在第N-1帧视频的混合高斯模型的基础上进行;
混合高斯模型的建模过程中,把视频流中每一帧视频像素点都作为相互独立的随机变量,并且成混合高斯分布,即认为在某像素点位置历史上出现的值可以用若干个高斯分布的混合形式来模拟;
步骤S203:对经过预处理的待检测视频基于帧差方法进行建模;
步骤S203与步骤S202是并行进行的两个步骤,其执行过程与步骤S202相类似,对第N帧视频基于帧差方法进行建模,第N帧视频的帧差模型在第N-1帧视频的帧差模型的基础上进行;
步骤S204:判断N是否小于预设数值T0;如果是,返回重新执行步骤S202及步骤S203进行建模过程;如果否,执行步骤S205;
本申请实施例提供的视频入侵检测方法中,对于接收的待检测视频流中的前T0帧视频(T0为根据实际入侵检测设置的预设数值)主要用于进行初始建模过程,从第T0帧开始对视频帧中的前景进行分析;
初始建模过程中前T0帧视频中每一视频帧的建模过程都是在其前一视频帧的建模过程的基础上进行的,当建模过程进行到第T0帧视频时,对第T0帧视频进行前景分离,对于T0之后的下一视频帧,在T0帧视频模型的基础上进行建模,此后的视频帧依次在其前一视频帧模型基础上进行建模并进行前景分离;
进行前景分离并进行入侵检测分析的视频帧所对应的建模模型相对于其前一帧视频的建模模型即为当前视频帧的检测模型;
接收的待检测视频流中每一帧视频都进行混合高斯模型建模和帧差建模;其中T0是一个阈值,可以根据检测的实际过程进行设置,一般为100帧,这个判定意味着前100帧都只是建模,只有第100帧进行前景分离并进行检测分析;
步骤S205:判断基于混合高斯模型方法下进行建模过程中,接收的视频流的场景是否发生变化;如果是,重新获取视频流,对视频流进行预处理后执行建模过程;如果否,执行步骤S206;
场景是否变化是指提取混合高斯模型产生的前景,如果前景占整个画面超过一定阈值(阈值可设置,一般为80%),则认为场景发生变化;
步骤S206:分离视频帧中的前景;
分别应用建立的混合高斯模型和帧差模型对待检测视频帧中的前景进行提取,然后将混合高斯模型的前景和帧差法的前景进行相与,即只有即是混合高斯模型产生前景,又是帧差法产生的前景,才是最终输出的前景;
步骤S207:对输出的前景进行纹理分析;
本申请实施例中,应用LBP(Local Binary Pattern)特征对光线变化的不敏感性来去除光照变化引起的伪前景。从混合高斯模型中得到整个场景的背景图像,对于每个像素点,可以把混合高斯背景模型中权重最大的高斯分布的均值当做背景的值,也可以把背景模型中所有高斯分布的均值的加权和作为背景值;
通过比较每个前经典在当前输入图像计算得出LBP特征和在对应位置上背景图像的LBP特征来对其属性做出正确判断,如果两个LBP特征相似,说明此前景点是伪的,否则是真的;
某点的LBP特征通过比较此点和邻域点的大小而得出,可采用8邻域LBP特征计算,也可以使用更大的邻域,如本申请实施例提供的图3至图5所示,可比较当前点和以此点为圆心,半径为R的圆上的点的大小;
步骤S208:对经过纹理分析的前景进行连通分量处理;
通过连通分量处理,将相邻的前景点组合起来构成团块;具体实现为,在当前前景像素点的8邻域像素寻找前景点,如本申请实施例提供的图6所示,如果存在前景点,将其归入同一团块,然后对新检测到的前景点的8邻域像素进行同样的检测,知道所有检测到的前景点的8邻域像素无法再找到新的前景点位置,这样检测到的前景点就构成一个团块;将小于目标大小阈值的团块清除,保存符合要求的团块,最后得出团块列表,完成团块检测;
步骤S209:对目标团块进行提取;
步骤S210:判断提取得到的目标团块是否为新目标团块;如果是,执行步骤S211;否则,执行步骤S212;
将当前视频帧中的目标团块与所述当前视频帧前一视频帧中的目标团块进行匹配,计算它们之间的距离,如果距离小于某一阈值,则认为它们是同一目标团块,如果没有发现匹配对象,则该目标团块为新目标团块;
步骤S211:创建新目标,对所述获取的新的目标团块进行存储;
步骤S212:对所述新的目标团块进行更新;
目标团块的参数产生变化,如坐标、轨迹、生命周期等;
步骤S213:判断所述新目标团块是否满足告警条件,如果满足,执行步骤S214:
如所述新目标团块是否在防区内,其轨迹是否足够长,生命周期是否足够长等;
步骤S241:触发告警;
以声音或文字形式传送给用户,进行警报处理。
以上是本申请实施例提供的基于视频的入侵检测方法实施例,针对该方法实施例本申请还提供了与其相对应的一种基于视频的入侵检测装置,其结构示意图如图本申请实施例提供的图7所示,包括:
接收单元301,用于接收待检测的视频流,建立所述视频流中视频帧的初始模型;
建立单元302,用于依据所述接收单元301建立的初始模型建立所述视频流中待检测视频帧的检测模型;
分离单元303,用于应用所述建立单元302建立的检测模型分离出所述待检测视频帧中的前景;
匹配单元304,用于提取所述分离单元303分离的前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
控制单元305,用于当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述建立单元302建立的检测模型作为初始模型,并获取所述视频流中新的待检测视频帧。
本申请实施例还提供了基于视频的入侵检测装置的一详细示意图如8所示:
在入侵检测装置中,还包括:
更新单元317,用于当所述目标团块与所述初始模型对应视频帧中的团块不匹配时,对所述目标团块进行目标更新;
判断单元318,用于当所述目标团块与所述初始模块对应视频帧中的团块不匹配时,判断所述目标团块是否满足告警条件,当满足告警条件时,触发告警。
预处理单元306,用于在所述接收单元301接收所述待检测视频流前,对所述待检测视频流进行预处理;所述预处理包括:调整视频的尺寸及格式。
对于本申请实施例提供的入侵检测装置中,接收单元301包括:
第一初始模型建立子单元307,用于基于混合高斯方法建立所述视频流中视频帧的混合高斯模型,将所述混合高斯模型作为第一初始模型;
第二初始模型建立子单元308,用于基于帧差方法建立所述视频流中视频帧的帧差模型,将所述帧差模型作为第二初始模型;
建立单元302包括:
第一检测模型建立子单元309,用于基于所述第一初始模型建立所述视频流中待检测视频帧的第一检测模型;
第二检测模型建立子单元310,用于基于所述第二初始模型建立所述视频流中待检测视频流的第二检测模型;
分离单元303包括:
第一分离子单元312,用于应用所述第一检测模型对所述待检测视频帧中的前景进行分离;
第二分离子单元313,用于应用所述第二检测模型对所述待检测视频帧中的前景进行分离;
比较子单元314,用于将所述第一分离子单元312分离的前景与所述第二分离子单元313分离的前景进行比较,获取相同的部分作为所述待检测视频中的标准前景。
所述入侵检测装置中,还包括:
检测单元311,用于在所述第一检测模型与所述第二检测模型建立完成后,检测所述第一检测模型对应视频帧中的前景是否发生变化,当所述第一检测模型对应视频帧中的前景未发生改变时,指示所述分离单元303对所述待检测视频帧中的前景进行分离,否则,指示所述接收单元重新建立所述视频流中视频帧的初始模型。
纹理分析单元315,用于在分离出所述前景后,在提取所述前景中的目标团块前,对所述前景进行纹理分析去除所述前景中的伪前景。
所述入侵检测装置中,还包括:
匹配单元304包括:
连通分量处理子单元316,用于对所述经过纹理分析单元315进行纹理分析的前景进行连通分量处理构成团块。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种基于视频的入侵检测方法,其特征在于,包括:
接收待检测的视频流,建立所述视频流中视频帧的初始模型;
依据所述初始模型建立所述视频流中待检测视频帧的检测模型;
应用所述检测模型分离出所述待检测视频帧中的前景;
提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述检测模型作为初始模型,获取所述视频流中新的待检测视频帧。
2.根据权利要求1所述的方法,其特征在于,当所述目标团块与所述初始模型对应视频帧中的团块不匹配时,对所述目标团块进行目标更新并判断所述目标团块是否满足告警条件,当满足告警条件时,触发告警。
3.根据权利要求1所述的方法,其特征在于,在接收所述待检测视频流前,还包括:
对所述待检测视频流进行预处理;
所述预处理包括:调整视频的尺寸及格式。
4.根据权利要求1所述的方法,其特征在于,所述建立检测模型并应用所述检测模型分离前景的过程包括:
基于混合高斯方法建立所述视频流中视频帧的混合高斯模型,将所述混合高斯模型作为第一初始模型并依据所述第一初始模型建立所述视频流中待检测视频帧的第一检测模型;
基于帧差方法建立所述视频流中视频帧的帧差模型,将所述帧差模型作为第二初始模型并依据所述第二初始模型建立所述视频流中待检测视频帧的第二检测模型;
分别应用所述第一检测模型与所述第二检测模型对所述待检测视频帧中的前景进行分离,并将所述分离出的前景中相同的部分作为所述待检测视频中的标准前景。
5.根据权利要求4所述的方法,其特征在于,在所述第一检测模型与所述第二检测模型建立完成后,还包括:
检测所述第一检测模型对应视频帧中的前景是否发生变化,当所述第一检测模型对应视频帧中的前景未发生改变时,分别应用所述第一检测模型与所述第二检测模型对所述待检测视频帧中的前景进行分离;否则,返回重新建立所述视频流中视频帧的初始模型。
6.根据权利要求1所述的方法,其特征在于,分离出所述前景后,在提取所述前景中的目标团块前还包括:
对所述前景进行纹理分析去除所述前景中的伪前景。
7.根据权利要求6所述的方法,其特征在于,所述提取前景中目标团块的过程包括:
对所述经过纹理分析的前景进行连通分量处理构成团块并对所述团块进行提取。
8.一种基于视频的入侵检测装置,其特征在于,包括:
接收单元,用于接收待检测的视频流,建立所述视频流中视频帧的初始模型;
建立单元,用于依据所述初始模型建立所述视频流中待检测视频帧的检测模型;
分离单元,用于应用所述检测模型分离出所述待检测视频帧中的前景;
匹配单元,用于提取所述前景中的目标团块并将所述目标团块与所述初始模型对应视频帧中的团块进行匹配;
控制单元,用于当所述目标团块与所述初始模型对应视频帧中的团块相匹配时,将所述建立单元建立的检测模型作为初始模型,并获取所述视频流中新的待检测视频帧。
9.根据权利要求8所述的装置,其特征在于,还包括:
更新单元,用于当所述目标团块与所述初始模型对应视频帧中的团块不匹配时,对所述目标团块进行目标更新;
判断单元,用于当所述目标团块与所述初始模块对应视频帧中的团块不匹配时,判断所述目标团块是否满足告警条件,当满足告警条件时,触发告警。
10.根据权利要求7所述的装置,其特征在于,还包括:
预处理单元,用于在所述接收单元接收所述待检测视频流前,对所述待检测视频流进行预处理;所述预处理包括:调整视频的尺寸及格式。
11.根据权利要求7所述的装置,其特征在于,所述接收单元包括:
第一初始模型建立子单元,用于基于混合高斯方法建立所述视频流中视频帧的混合高斯模型,将所述混合高斯模型作为第一初始模型;
第二初始模型建立子单元,用于基于帧差方法建立所述视频流中视频帧的帧差模型,将所述帧差模型作为第二初始模型;
所述建立单元包括:
第一检测模型建立子单元,用于基于所述第一初始模型建立所述视频流中待检测视频帧的第一检测模型;
第二检测模型建立子单元,用于基于所述第二初始模型建立所述视频流中待检测视频流的第二检测模型;
所述分离单元包括:
第一分离子单元,用于应用所述第一检测模型对所述待检测视频帧中的前景进行分离;
第二分离子单元,用于应用所述第二检测模型对所述待检测视频帧中的前景进行分离;
比较子单元,用于将所述第一分离子单元分离的前景与所述第二分离子单元分离的前景进行比较,获取相同的部分作为所述待检测视频中的标准前景。
12.根据权利要求11所述的装置,其特征在于,还包括:
检测单元,用于在所述第一检测模型与所述第二检测模型建立完成后,检测所述第一检测模型对应视频帧中的前景是否发生变化,当所述第一检测模型对应视频帧中的前景未发生改变时,指示所述分离单元对所述待检测视频帧中的前景进行分离,否则,指示所述接收单元重新建立所述视频流中视频帧的初始模型。
13.根据权利要求8所述的装置,其特征在于,还包括:
纹理分析单元,用于在分离出所述前景后,在提取所述前景中的目标团块前,对所述前景进行纹理分析去除所述前景中的伪前景。
14.根据权利要求13所述的装置,其特征在于,所述匹配单元包括:
连通分量处理子单元,用于对所述经过纹理分析单元进行纹理分析的前景进行连通分量处理构成团块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110188166.7A CN102254396B (zh) | 2011-07-06 | 2011-07-06 | 基于视频的入侵检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110188166.7A CN102254396B (zh) | 2011-07-06 | 2011-07-06 | 基于视频的入侵检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102254396A true CN102254396A (zh) | 2011-11-23 |
CN102254396B CN102254396B (zh) | 2014-06-04 |
Family
ID=44981635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110188166.7A Active CN102254396B (zh) | 2011-07-06 | 2011-07-06 | 基于视频的入侵检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102254396B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821056A (zh) * | 2015-04-30 | 2015-08-05 | 湖南华诺星空电子技术有限公司 | 基于雷达与视频融合的智能警戒方法 |
WO2015117461A1 (zh) * | 2014-08-25 | 2015-08-13 | 中兴通讯股份有限公司 | 一种周围环境的反馈方法及终端、计算机存储介质 |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN106875385A (zh) * | 2017-02-09 | 2017-06-20 | 广州中国科学院软件应用技术研究所 | 一种高鲁棒性区域入侵检测算法 |
CN109359573A (zh) * | 2018-09-30 | 2019-02-19 | 天津天地伟业投资管理有限公司 | 一种基于准确人车分离的警戒方法及装置 |
CN112183337A (zh) * | 2020-09-28 | 2021-01-05 | 华北电力大学(保定) | 一种输电线路防机械入侵的检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05300516A (ja) * | 1992-04-24 | 1993-11-12 | Toshiba Corp | 動画処理装置 |
US7227893B1 (en) * | 2002-08-22 | 2007-06-05 | Xlabs Holdings, Llc | Application-specific object-based segmentation and recognition system |
CN101221663A (zh) * | 2008-01-18 | 2008-07-16 | 电子科技大学中山学院 | 一种基于运动目标检测的智能监控报警方法 |
CN101599175A (zh) * | 2009-06-11 | 2009-12-09 | 北京中星微电子有限公司 | 确定拍摄背景发生改变的检测方法及图像处理设备 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
CN102034240A (zh) * | 2010-12-23 | 2011-04-27 | 北京邮电大学 | 一种静态前景检测和跟踪方法 |
CN102096977A (zh) * | 2010-11-26 | 2011-06-15 | 上海电力带电作业技术开发有限公司 | 一种入侵外力视频监控及预警的方法 |
-
2011
- 2011-07-06 CN CN201110188166.7A patent/CN102254396B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05300516A (ja) * | 1992-04-24 | 1993-11-12 | Toshiba Corp | 動画処理装置 |
US7227893B1 (en) * | 2002-08-22 | 2007-06-05 | Xlabs Holdings, Llc | Application-specific object-based segmentation and recognition system |
CN101221663A (zh) * | 2008-01-18 | 2008-07-16 | 电子科技大学中山学院 | 一种基于运动目标检测的智能监控报警方法 |
CN101599175A (zh) * | 2009-06-11 | 2009-12-09 | 北京中星微电子有限公司 | 确定拍摄背景发生改变的检测方法及图像处理设备 |
CN101887587A (zh) * | 2010-07-07 | 2010-11-17 | 南京邮电大学 | 视频监控中基于运动目标检测的多目标跟踪方法 |
CN102096977A (zh) * | 2010-11-26 | 2011-06-15 | 上海电力带电作业技术开发有限公司 | 一种入侵外力视频监控及预警的方法 |
CN102034240A (zh) * | 2010-12-23 | 2011-04-27 | 北京邮电大学 | 一种静态前景检测和跟踪方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015117461A1 (zh) * | 2014-08-25 | 2015-08-13 | 中兴通讯股份有限公司 | 一种周围环境的反馈方法及终端、计算机存储介质 |
CN104821056A (zh) * | 2015-04-30 | 2015-08-05 | 湖南华诺星空电子技术有限公司 | 基于雷达与视频融合的智能警戒方法 |
CN104821056B (zh) * | 2015-04-30 | 2018-03-20 | 湖南华诺星空电子技术有限公司 | 基于雷达与视频融合的智能警戒方法 |
CN106845890A (zh) * | 2016-12-23 | 2017-06-13 | 济南博图信息技术有限公司 | 一种基于视频监控的仓储监控方法及装置 |
CN106875385A (zh) * | 2017-02-09 | 2017-06-20 | 广州中国科学院软件应用技术研究所 | 一种高鲁棒性区域入侵检测算法 |
CN109359573A (zh) * | 2018-09-30 | 2019-02-19 | 天津天地伟业投资管理有限公司 | 一种基于准确人车分离的警戒方法及装置 |
CN112183337A (zh) * | 2020-09-28 | 2021-01-05 | 华北电力大学(保定) | 一种输电线路防机械入侵的检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102254396B (zh) | 2014-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100545867C (zh) | 航拍交通视频车辆快速检测方法 | |
TWI430212B (zh) | 利用多特徵自動集群法之異常行為偵測系統與方法 | |
CN103246896B (zh) | 一种鲁棒性车辆实时检测与跟踪方法 | |
CN101587622B (zh) | 基于视频图像智能分析的森林烟火检测与识别方法及设备 | |
KR101822924B1 (ko) | 영상기반 화재 감지 시스템, 방법 및 프로그램 | |
CN102307274B (zh) | 基于边缘检测和帧差法的运动检测方法 | |
CN102254396B (zh) | 基于视频的入侵检测方法及装置 | |
CN111800507A (zh) | 一种交通监控方法及交通监控系统 | |
CN102164270A (zh) | 具有异常事件发掘功能的智能视频监控方法及系统 | |
KR101935010B1 (ko) | 영상 기반 차량 번호판 인식 장치 및 방법 | |
CN102903124A (zh) | 一种运动目标检测方法 | |
CN102902960B (zh) | 基于高斯建模与目标轮廓的遗留物检测方法 | |
CN101325690A (zh) | 监控视频流中人流分析与人群聚集过程的检测方法及系统 | |
CN101727672A (zh) | 一种物体滞留/偷窃事件的检测、跟踪、识别方法 | |
CN106339657B (zh) | 基于监控视频的秸秆焚烧监测方法、装置 | |
CN103366565A (zh) | 一种基于Kinect的行人闯红灯检测方法及其系统 | |
CN105046719B (zh) | 一种视频监控方法及系统 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN102663362B (zh) | 一种基于灰度特征的运动目标检测方法 | |
CN102034240A (zh) | 一种静态前景检测和跟踪方法 | |
CN103729858A (zh) | 一种视频监控系统中遗留物品的检测方法 | |
CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
CN104616006A (zh) | 一种面向监控视频的胡须人脸检测方法 | |
CN102867175A (zh) | 一种基于立体视觉的atm机行为分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C53 | Correction of patent of invention or patent application | ||
CB02 | Change of applicant information |
Address after: 100070 Beijing Fengtai District Branch Road No. 9 room 113 Applicant after: CRSC Communication &Information Corporation Address before: 100070 No. 11 East Fengtai Road, Beijing, Fengtai District Applicant before: Beijing China Railway Huachen Communication Information Technology Co., Ltd. |
|
COR | Change of bibliographic data |
Free format text: CORRECT: APPLICANT; FROM: BEIJING CHINA RAILWAY HUACHEN COMMUNICATION INFORMATION TECHNOLOGY CO.,LTD. TO: TONGHAO COMMUNICATION INFORMATION GROUP CO., LTD. |
|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |