CN102364944A - 一种预防人员聚集的视频监控方法 - Google Patents

Abstract

一种预防人员聚集的视频监控方法，属于图像处理技术领域，应用于特殊场合(比如：戒毒场所、监狱等)下预防人员聚集的视频监控。包括1)采集视频监控图像；2)确定当前帧的背景；3)计算当前帧与其背景之间的差分图像、并二值化；4)对二值化差分图像进行形态学处理、并提取出运动目标；5)确定运动目标的位置、大小以及几何中心位置；6)计算并判断任意两个运动目标几何中心之间的距离是否小于距离阈值L，若小于距离阈值L，则发出预警信号。本发明对需要预防人员聚集的场合进行视频监控，通过计算机图像处理技术实现自动检测和判断人员聚集情况，克服了由人的主观经验来判断的缺陷，同时能够提高预警准确率和提高视频监控工作人员的效率。

Description

一种预防人员聚集的视频监控方法

技术领域

本发明属于图像处理技术领域，涉及一种在特殊场合(比如：戒毒场所、监狱等)下预防人员聚集的视频监控方法。

背景技术

在某些特殊场合(如戒毒所、监狱等)，人员聚集的状况相当频繁，在聚集过程中，戒毒人员或犯罪人员很可能会因为忍受不了长期的关押，而在一起讨论如何结束目前这种自由受限的状况，如果不对这些人员进行监控，就很容易出现一些意想不到的事故。

因此对这种特殊场合下的人群进行有效的监控和管理是亟待解决的问题。目前主要的视频方法还停留在人工监控阶段，虽然视频监控早已实现，但是否发生人员聚集主要还是靠监控值班工作人员的主观经验来判断。这种人工方法存在以下缺点：1)很难承受长时间的繁重工作以及眼睛很容易疲劳；2)主要凭监控人员的主观经验来判断，容易发生误判。

发明内容

本发明的目的在于提供一种预防人员聚集的视频监控方法，通过计算机图像处理技术实现自动检测和判断人员聚集情况，克服了由人的主观经验来判断的缺陷，同时提高了视频监控工作人员的效率。

本发明的技术方案为：

一种预防人员聚集的视频监控方法，如图1所示，包括以下步骤：

步骤1：实时采集目标监控场景的视频监控图像，获得目标监控场景的视频监控图像序列；

步骤2：确定步骤1所得视频监控图像序列中当前帧的背景图像；

步骤3：计算当前帧视频监控图像与其背景图像之间的差分图像、并二值化处理；

步骤4：对步骤3二值化后的差分图像进行形态学处理、并提取出运动目标；

步骤5：确定运动目标的位置、大小以及几何中心位置；

步骤6：计算并判断任意两个运动目标几何中心之间的距离是否小于距离阈值L，若小于距离阈值L，则发出预警信号；若不小于阈值L，则不发出预警信号。

本发明提供的一种预防人员聚集的视频监控方法，对需要预防人员聚集的特定场合(比如：戒毒场所、监狱等)进行视频监控，通过计算机图像处理技术实现自动检测和判断人员聚集情况，克服了由人的主观经验来判断的缺陷，同时能够提高预警准确率和提高视频监控工作人员的效率。

附图说明

图1是本发明流程示意图。

具体实施方式

下面结合具体实施方式，对本发明作进一步说明。

一种预防人员聚集的视频监控方法，如图1所示，包括以下步骤：

步骤1：实时采集目标监控场景的视频监控图像，获得目标监控场景的视频监控图像序列；

步骤2：确定步骤1所得视频监控图像序列中当前帧的背景图像；

步骤3：计算当前帧视频监控图像与其背景图像之间的差分图像、并二值化处理；

步骤4：对步骤3二值化后的差分图像进行形态学处理、并提取出运动目标；

步骤5：确定运动目标的位置、大小以及几何中心位置；

步骤6：计算并判断任意两个运动目标几何中心之间的距离是否小于距离阈值L，若小于距离阈值L，则发出预警信号；若不小于阈值L，则不发出预警信号。

步骤2确定步骤1所得视频监控图像序列中当前帧的背景图像时，采用了改进的surendra背景更新算法提取背景。改进的surendra背景更新算法首先通过求平均的方法求出初始背景，然后根据初始背景利用卡尔曼滤波器，进行更新。具体过程为：

步骤2-1：取视频序列的前N(N一般取大于20的自然数)帧图像为I₀，I₁，I₂...I_N，对其求平均值得到均值图像Mean(x，y)：

Mean(x，y)＝1/N(I₀(x，y)+I₁(x，y)+I₂(x，y)+...I_N(x，y))

步骤2-1：计算N帧图像总差值Td(x，y)：

$\mathrm{Td}(x,y)=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}|I_i(x,y)-\mathrm{Mean}(x,y)|$

步骤2-3：计算N帧图像平均差值Md(x，y)：

Md(x，y)＝Td(x，y)/N

步骤2-4：去除变化比较大的像素点后，生成图像Img_i(x，y)

Img_i(x，y)＝|I_i(x，y)||I_i(x，y)-Mean(x，y)|＜βMd(x，y)

其中β＝1.1，为经验系数。

步骤2-5：对Img_i(x，y)求平均值，记为Avg(x，y)，并将Avg(x，y)作为初始背景BG₀

$\mathrm{Avg}(x,y)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{Img}}_i(x,y)/N$

步骤2-6：利用卡尔曼滤波模型更新背景图像

BG_i(x，y)＝αI_i(x，y)+(1-α)BG_i-1(x，y)

其中，I_i(x，y)为当前帧监控图像，BG_i-1为前一帧背景图像，α为更新速度(α＝0.12，为经验值系数)。

采用平均法的背景更新算法主要可用来解决如果初始第一帧中就有运动目标出现的情况。如果采用第一帧作为初始背景，那么该运动目标就将成为背景，虽然后面的背景更新会逐渐将此掩盖掉，恢复背景，但却要在很多帧之后才能完成，而采用求平均的方法避免了这个现象的发生。

步骤3计算当前帧视频监控图像与其背景图像之间的差分图像、并二值化处理时，具体方法包括以下步骤：

步骤3-1：根据当前帧视屏监控图像I_i(x，y)和当前帧视屏监控图像I_i(x，y)的背景图像BG_i(x，y)，计算二者之间的差分图像Diff_i(x，y)：

Diff_i(x，y)＝|I_i(x，y)-BG_i(x，y)|

步骤3-2：采用最大类间方差法获取差分图像Diff_i(x，y)中运动目标和背景的二值化分割阈值Threshold，具体过程为：

设差分图像Diff_i(x，y)小为M×N，其中运动目标像素点个数为N₀，背景像素点个数为N₁，则有：

$w_0=\frac{N_0}{M\×N}$

$w_1=\frac{N_1}{M\×N}$

N₀+N₁＝M ×N

其中，w₀为运动目标像素个数所占的比例，w₁为背景像素个数所占的比例；

进而有：

μ＝w₀μ₀+w₁μ₁

g＝w₀(μ₀-u)²+w₁(μ₁-μ)²

其中，μ为差分图像Diff_i(x，y)的灰度均值，μ₀为差分图像Diff_i(x，y)中运动目标像素点的灰度均值，μ₁为差分图像Diff_i(x，y)中背景像素点的灰度均值，g为方差。

将方差g的最大值g_max作为差分图像Diff_i(x，y)中运动目标和背景的二值化分割阈值Threshold。

步骤3-3：由步骤3-2确定的二值化分割阈值Threshold，对差分图像Diff_i(x，y)进行二值化，生成二值化差分图像Binary(x，y)，

步骤4对步骤3所得二值化差分图像Binary(x，y)进行形态学处理、并提取出运动目标时，首先对步骤3所得二值化差分图像Binary(x，y)进行形态学滤波，然后进行腐蚀操作(以去除图像中不相关的细节、消除小的孔洞)和膨胀操作(将图像中的裂缝连通)，从而使运动目标区域的轮廓线变得更加光滑。经形态学处理后既保持了，目标的完整性，避免了噪声前景点的影响，又保留了目标的边缘细节部分，进而可得到运动目标的分割结果。

步骤6中所述距离阈值L根据实际情况可设置为运动目标的最小宽度、最大宽度或平均宽度，或者是这三者乘以一定倍数作为距离阈值L。

上述实施例是提供给本领域普通技术人员来实现或使用本发明的，本领域普通技术人员可在不脱离本发明的发明思想情况下，对上述实施例做出修改或变化，因而本发明的保护的保护范围不被上述实施例所限。

Claims (5)

1.一种预防人员聚集的视频监控方法，包括以下步骤：

步骤1：实时采集目标监控场景的视频监控图像，获得目标监控场景的视频监控图像序列；

步骤2：确定步骤1所得视频监控图像序列中当前帧的背景图像；

步骤3：计算当前帧视频监控图像与其背景图像之间的差分图像、并二值化处理；

步骤4：对步骤3二值化后的差分图像进行形态学处理、并提取出运动目标；

步骤5：确定运动目标的位置、大小以及几何中心位置；

步骤6：计算并判断任意两个运动目标几何中心之间的距离是否小于距离阈值L，若小于距离阈值L，则发出预警信号；若不小于阈值L，则不发出预警信号。

2.根据权利要求1所述的预防人员聚集的视频监控方法，其特征在于，步骤2确定步骤1所得视频监控图像序列中当前帧的背景图像时，采用了改进的surendra背景更新算法提取背景；改进的surendra背景更新算法首先通过求平均的方法求出初始背景，然后根据初始背景利用卡尔曼滤波器，进行更新；具体过程为：

步骤2-1：取视频序列的前N(N取值一般大于20)帧图像为I₀，I₁，I₂...I_N，其中N取大于20的自然数，对其求平均值得到均值图像Mean(x，y)：

Mean(x，y)＝1/N(I₀(x，y)+I₁(x，y)+I₂(x，y)+...I_N(x，y))

步骤2-1：计算N帧图像总差值Td(x，y)：

$\mathrm{Td}(x,y)=\underset{i=0}{\overset{N}{\mathrm{\Σ}}}|I_i(x,y)-\mathrm{Mean}(x,y)|$

步骤2-3：计算N帧图像平均差值Md(x，y)：

Md(x，y)＝Td(x，y)/N

步骤2-4：去除变化比较大的像素点后，生成图像Img_i(x，y)

Img_i(x，y)＝|I_i(x，y)||I_i(x，y)-Mean(x，y)|＜βMd(x，y)

其中β＝1.1，为经验系数。

3.根据权利要求1所述的预防人员聚集的视频监控方法，其特征在于，步骤3计算当前帧视频监控图像与其背景图像之间的差分图像、并二值化处理时，具体方法包括以下步骤：

步骤3-1：根据当前帧视屏监控图像I_i(x，y)和当前帧视屏监控图像I_i(x，y)的背景图像BG_i(x，y)，计算二者之间的差分图像Diff_i(x，y)：

Diff_i(x，y)＝|I_i(x，y)-BG_i(x，y)|

步骤3-2：采用最大类间方差法获取差分图像Diff_i(x，y)中运动目标和背景的二值化分割阈值Threshold，具体过程为：

设差分图像Diff_i(x，y)小为M×N，其中运动目标像素点个数为N₀，背景像素点个数为N₁，则有：

$w_0=\frac{N_0}{M\×N}$

$w_1=\frac{N_1}{M\×N}$

N₀+N₁＝M×N

其中，w₀为运动目标像素个数所占的比例，w₁为背景像素个数所占的比例；

进而有：

μ＝w₀μ₀+w₁μ₁

g＝w₀(μ₀-u)²+w₁(μ₁-μ)²

其中，μ为差分图像Diff_i(x，y)的灰度均值，μ₀为差分图像Diff_i(x，y)中运动目标像素点的灰度均值，μ₁为差分图像Diff_i(x，y)中背景像素点的灰度均值，g为方差；

将方差g的最大值g_max作为差分图像Diff_i(x，y)中运动目标和背景的二值化分割阈值Threshold；

步骤3-3：由步骤3-2确定的二值化分割阈值Threshold，对差分图像Diff_i(x，y)进行二值化，生成二值化差分图像Binary(x，y)，

4.根据权利要求1所述的预防人员聚集的视频监控方法，其特征在于，步骤4对步骤3所得二值化差分图像Binary(x，y)进行形态学处理、并提取出运动目标时，首先对步骤3所得二值化差分图像Binary(x，y)进行形态学滤波，然后进行腐蚀操作和膨胀操作。

5.根据权利要求1所述的预防人员聚集的视频监控方法，其特征在于，步骤6中所述距离阈值L设置为运动目标的最小宽度、最大宽度或平均宽度，或者是这三者乘以一定倍数作为距离阈值L。

Images