CN102436661A - 移动光源侦测方法与应用的保全系统 - Google Patents

Abstract

一种移动光源侦测方法与应用的保全系统，其主要应用图像处理跟计算机视觉算法侦测移动光源，并引入具有数字监控统的保全系统中，根据实施例，方法是先利用动态背景更新算法分离输入图像的前景与背景，再对前景图像用二值化算法取得像素值较高的位置，以此视为光源的位置，之后由此光源的移动判断是否为入侵事件，进而发出警报，全程由后端保全系统录像与监视，并于判断有入侵事件后启动保全机制。

Description

移动光源侦测方法与应用的保全系统

技术领域

本发明涉及一种移动光源侦测方法与应用的保全系统，特别是提出一种利用图像处理与视觉判断的移动光源侦测方法，与应用此方法的保全系统。

背景技术

公知应用于特定空间(比如仓库、商店、住家)的保全系统通常设置有图像监控的设备，比如数字监控系统(DVR)，利用数字摄像机动态侦测判断入侵事件。此类公知技术可参考图1显示的设备示意图。

图中显示为一个保全系统，其中位于中央监控中心的计算机系统101通过连线(包括网络、专线、一般电路等)109连接于设置在不同位置的各种监控摄像机11，13，15与感知器12，14，16。举例来说，当某一位置的感知器12侦测到有异状，比如有人员非法进入所处位置，将产生警报给中央监控中心的计算机系统101，并同时驱动附近的监控摄像机11进行实时拍摄、录像，相关信息同样会通过连线109传递至中央监控中心。中央监控中心可同时连线有多个分处各地的保全单位102，104，106，启动相关保全机制，处理此警报信息。

但是，传统的监控摄像机在晚间、仅启动较低亮度的光源或是电灯关闭的环境将难以维持较好的运作效率，即使有感知器配合侦测，但仍可能无法具体拍摄或是判断出非法入侵的行为。另外，在特定空间于晚间、关灯或是仅启动较低亮度的光源时，若入侵人员以较低的姿态与缓慢的动作进入，亦可能回避掉数字监控系统的侦测。

在环境光线不足的状态下，除了利用特殊设备，如红外线摄像机外，更有公知技术提出夜间侦测手持光源的技术，如大叶大学于2006年(民国95年)提出的论文“夜间移动人类手持光源的侦测与分析”(全国博硕士论文系统编号：094DYU00396016)，其中主要利用前景与背景分离、图像背景模型建立、背景相减、前景物体类别判定、光源分类等技术建立移动光源的轨迹。

发明内容

有鉴于目前针对特定空间于晚间、关灯或是仅启动较低亮度的光源的状况下不易侦测出入侵行为，或是相关保全系统不足的问题，本发明特别提出一种实用、有效率，且不同于公知针对移动光源侦测的技术的移动光源侦测方法与应用的保全系统。其中应用特殊的演算方式，针对前后景分析、光源位置、图像像素、光源追踪到相关监控保全提出一个完整的解决方案。

根据实施例，移动光源侦测方法包括先由连接于保全系统的摄像机撷取图像，产生一连续图像，经必要的图像格式转换，比如由RGB空间转换为灰阶色度空间，储存在内存中，进行移动光源侦测的演算。

演算方法包括使用一种特征背景空间算法建立图像背景模型，特别是应用了一种统计学上的主成份分析法(Principal ComponentAnalysis，PCA)，先取得N张相同背景但不同时间甚至是不同亮度、照度的图像，经色度空间转换后，比对平均图像，经共变异数矩阵作奇异值分解后得出特征值与特征向量，借以得到背景图像特征以建立图像背景模型。

由于是连续接收图像，此图像背景模型应定时动态更新图像背景模型。

之后由输入图像减去背景图像，当可取得前景图像。接着对前景图像用二值化算法取得像素值较高的位置，以此判断为光源的位置。其中经二值化演算的图像可继续通过膨胀运算与侵蚀运算消除噪声，再经连通元件得出图像中像素之间的关系，由此找出可能是光源的候选区域，能以此判断为光源的位置。

光源位置得出后，可以累计一定时间的光源坐标，达到光源追踪的目的。经描绘出移动轨迹后，可继续判断是否为入侵事件，启动相关保全机制。

换句话说，本发明提供一种移动光源侦测方法，该方法包括：

应用一监控摄像机撷取一连续图像；

建立一图像背景模型；

由该连续图像分离出一背景图像与连续的前景图像；

利用一二值化算法在各前景图像中得出一像素值较高的区域；

利用一门槛判断该像素值较高的区域为一光源，或判断非光源，则重复该移动光源侦测方法的步骤；以及

纪录并追踪该光源的位置。

本发明还提供一种移动光源侦测方法，该方法包括：

a撷取出由一摄像机拍摄的图像，产生一输入图像，暂存于一存储媒体中；

b取得多张相同或接近的背景但不同时间的图像；

c执行一色度空间转换，转换该图像为一灰阶的色度空间；

d将转换后以矩阵表达的灰阶图像转变为一列的行向量；

e计算该多张图像的一平均值；

f不同时间的图像减去该平均值；

g计算一共变异数矩阵；

h对该共变异数矩阵作奇异值分解，计算出一特征值与一特征向量；

i选取小于该图像的张数的多个最大的特征向量；

j得到一背景图像特征；

k将该背景图像特征影回到原来的图像空间，建立一图像背景模型；

l以该输入图像减去该图像背景模型的一背景图像，取得多个前景图像；

m将各个前景图像的灰阶度分成两个不同的灰度值；

n根据该两个不同的灰度值分布的平均值与变异数得出一门槛值；

o消除各前景图像噪声；

p对各前景图像作连通元件，利用该前景图像中像素值较高的位置判断一光源的一候选区域；

q利用该候选区域的属性判断该光源的位置；

r得出每个时间片段的多个光源位置；以及

s描绘该光源的移动轨迹。

根据上述移动光源侦测方法，本发明提供一种移动光源侦测方法的保全系统，所述的保全系统包括有：

一或多个监控摄像机；以及

一保全主机，连接于该一或多个监控摄像机，并连线于一监控中心，该保全主机具有一数据处理单元与一存储媒体，该存储媒体储存有执行该移动光源侦测方法的程序码，该数据处理单元经载入该移动光源侦测方法的程序码后，执行该移动光源侦测方法。

本法明还提供一种移动光源侦测方法的保全系统，所述的保全系统包括有：

一监控摄像机，该监控摄像机具有一数据处理单元与一存储媒体，该存储媒体储存有执行该移动光源侦测方法的程序码，该数据处理单元经载入该移动光源侦测方法的程序码后，执行该移动光源侦测方法；以及

一保全主机，连接于该一或多个监控摄像机，并连线于一监控中心。

本发明所提出的移动光源侦测方法是于原有的数字监控统中，加入移动光源侦测的技术，主要应用图像处理与计算机视觉算法侦测移动光源，由此可有效判断手持光源时的移动轨迹，包括判断是否为非法入侵的行为，确认为入侵时，则发出警报。

附图说明

图1为公知技术录像监控设备的示意图；

图2为应用本发明移动光源侦测方法的保全系统的示意图；

图3为本发明移动光源侦测方法主要流程；

图4为本发明移动光源侦测方法实施例流程。

【主要元件附图标记说明】

计算机系统101          连线109

监控摄像机11，13，15   感知器12，14，16

保全单位102，104，106  监控摄像机201，202

手持光源205            保全主机21

监控中心设备23

步骤S301～S315移动光源侦测方法主要流程

步骤S401～S437移动光源侦测方法实施例流程

具体实施方式

本发明提出一种移动光源侦测方法与应用的保全系统，应用保全系统中监控摄像机拍摄图像，特别是在光线微弱、黑暗的环境，为了能判断出有入侵者手持光源进入特定空间的非法行为，即利用图像处理跟计算机视觉算法来侦测出图像中的移动光源。通过光源移动的侦测来判断是否有非法入侵的行为，进而启动保全机制。

状况可参考图2为应用本发明移动光源侦测方法的保全系统的示意图。

此图描绘一个空间，其中设置有监控摄像机201，202，特别可通过有线或无线手段连线一个保全主机21，此保全主机21可连线于后端的监控中心，如图示的监控中心设备23，由此提供一个完整的保全机制。

此空间在晚间关闭电源，或是仅开启微弱的光线，若有任何非法入侵者进入此空间，应可能携带如手电筒的手持光源205，本发明动机即针对这样的情况设计一个移动光源侦测方法，在监控摄像机201，202无法有效拍摄现场画面的情形下，能够判断出移动光源，并能排除其他亮光的干扰，准确找到光源位置，并描绘出移动轨迹，进而发出警报、启动保全机制。

实施例一：

一或多个监控摄像机201，202连线至保全主机21(或数字监控系统)，此类保全主机21具有数据处理单元(未显示于图中)与存储媒体，可储存由监控摄像机201，202所传递的图像数据，并且存储媒体亦储存有执行移动光源侦测方法的程序码，运作时，数据处理单元经载入移动光源侦测方法的程序码后，能执行本发明所提出的移动光源侦测方法。故本发明所提出的算法可于此保全主机21中执行。

实施例二：

此例中，保全系统可仅具有一个监控摄像机201或202，同理也可应用在多个监控摄像机，监控摄像机201或202中具有数据处理单元与图像储存的存储媒体，存储媒体储存有执行本发明移动光源侦测方法的程序码，当数据处理单元加载移动光源侦测方法的程序码后，可于摄像机本体中执行移动光源侦测方法。而其中算法能够部份或全部执行于监控摄像机201，202中。

系统具有保全主机或数字监控系统，连接于此例的监控摄像机，并连线于一监控中心。

实施例三：

应用于上述保全系统实施例的移动光源侦测方法的流程可参考图3所示的流程。在图2所示的保全系统中，保全主机、数字监控系统或是监控中心可以通过设置于特定空间的监控摄像机撷取一连续图像(步骤S301)。

在一实施例中，连续图像可通过网络或特定电路传递于后端的保全主机，经由保全主机执行本发明移动光源侦测的程序；或在另一实施例中，各监控摄像机本体即可执行初步图像处理，判断出光源，将轨迹坐标传递于保全主机中。

移动光源侦测的程序接着处理暂存于内存中的连续图像，包括由一定时间内的图像中取得无变动的背景图像，建立图像背景模型(步骤S303)，之后根据此图像背景模型，能有效分离出连续的前景图像(步骤S305)，比如通过一减法运算，将输入的连续图像减去图像背景模型所描绘的背景图像，即可分离得出连续的前景图像。

之后，如步骤S307，特别针对光线微弱或是黑暗的环境中，图像中的光亮处常常会被干扰而误判，故应用一种二值化算法(ThresholdingAlgorithm)，能够有效找出图像中像素值较高(或较亮)的区域，通过门槛比对找到光源的位置。

再如步骤S309，经噪声消除后，可以得出光源位置，比如可利用门槛设定，判断上述像素值较高的区域是否亮度有达到一定的程序，由此决定是否为光源，若非，则应继续上述步骤进行监控；若判断是光源，则继续步骤311，利用保全主机或是数字监控系统纪录各时间点的光源位置，并追踪此光源位置，进而可描绘出移动轨迹。

步骤S313则表示，通过移动轨迹可判断出可疑入侵的行为，进而能启动此移动光源侦测系统连线的保全机制。

其中特别的是，步骤S301撷取图像为持续运作的过程，监控摄像机可能会定时变换拍摄位置，故步骤S303所建立的图像背景模型则需要动态更新，以期准确判断移动光源。

实施例四：

上述各步骤的细节实施方式可参考图4所描述的流程，其中内容并非用来限制本案发明实施方式。以下描述包括如图3的主要步骤，与其中细节程序。

步骤一：撷取图像

先撷取出由摄像机拍摄的图像，产生一输入的连续图像(I)，经必要的图像格式转换后，储存在存储媒体中，若为实时监控的模式，则先将输入图像暂存于存储媒体中，数据处理单元再对其中数据进行演算(步骤S401)。

步骤二：建立图像背景模型

为了能追踪移动物体，特别是光点，根据一实施例，特别使用一种特征背景空间算法(Eigen Background Space Algorithm)建立图像背景模型。在这个特征背景空间算法中，由于像素数据过多，可先缩小图像后，使用统计学上的主成份分析法(Principal Component Analysis，PCA)建立图像背景模型。

其中细节包括，先取得多张(N)相同或接近的背景但不同时间甚至是不同亮度、照度的图像(步骤S403)，比如标示为：

I1，I2，I3，...，IN

其中Ii为摄像机所撷取的RGB图像矩阵，比如为640×480的图像。

再执行一色度空间转换，转换图像为一灰阶(Gray Level)的色度空间，比如由原摄像机所输入的图像为RGB色度空间，则将转换为灰阶色度空间(步骤S405)，即：

G＝[Gray(I₁)，Gray(I₂)，...，Gray(I_N)]＝[[g₁]_640x480，[g₂]_640x480，...，[g_N]_640x480]

其中gi为转换后的灰阶图像，且关系为：

$\mathrm{Gray}\left(\left[\begin{array}{c}r\\ g\\ b\end{array}\right]\right)=0.299\·r+0.587\·g+0.114\·b$

步骤接着将此转换后以矩阵表达的灰阶图像矩阵转变为一列的行向量(步骤S407)，以此例来说，640×480＝307200，也就是形成一组307200xN的图像空间，若为其他大小的图像数组，则会因应修改。

接着计算不同时间的N张图像的平均值(步骤S409)，平均图像

为：

$\stackrel{\‾}{X}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\stackrel{\→}{x}}_i$

再对每一张不同时间的图像减去平均图像(平均值)(步骤S411)，即：

$Z=X-\stackrel{\‾}{X}=[{\stackrel{\→}{x}}_1-\stackrel{\‾}{X},{\stackrel{\→}{x}}_2-\stackrel{\‾}{X},...,{\stackrel{\→}{x}}_N-\stackrel{\‾}{X}]$

其中Z为减去平均值后的图像空间。

下一步则是计算共变异数矩阵(Covariance Matrix)(步骤S413)，即：

$\mathrm{Covar}=\frac{1}{N}Z*Z^T$

再对共变异数矩阵作奇异值分解(Singular Value Decomposition，SVD)，计算出特征值(Eigen Value)与特征向量(Eigen Vector)(步骤S415)，即：

Co var*V＝V*λ

其中V为多个特征向量所形成的特征空间(Eigen space)，表示为：

$V=[{\stackrel{\→}{v}}_1,{\stackrel{\→}{v}}_2,...,{\stackrel{\→}{v}}_d]$

其中

即为特征向量(Eigen vector)。

λ为由特征值所组成的对角线矩阵，表示为：

$\mathrm{\λ}=\left[\begin{array}{cccc}{\mathrm{\λ}}_1& 0& 0& 0\\ 0& {\mathrm{\λ}}_2& 0& 0\\ 0& 0& ...& 0\\ 0& 0& 0& {\mathrm{\λ}}_d\end{array}\right]$

其中λ_i为特征值。

接着，本方法根据特征向量与特征值的对应关系，将特征向量作排序，相对特征值由大排到小，再选取前多个(小于输入图像的张数)最大的特征向量(步骤S417)，如k个，也就是k＜N，选取的特征向量表示为：

$K=[{\stackrel{\→}{v}}_1,{\stackrel{\→}{v}}_2,...,{\stackrel{\→}{v}}_k],$ 且λ₁＞λ₂＞...＞λ_k

之后，将图像投影到选取的k个特征向量所形成的特征空间，以得到背景图像特征(Y)(步骤S419)，即：

Y＝K^T*Z

其中T为矩阵的转置运算(Transpose)。

最后，则是把背景图像特征(Y)投影回到原来的图像空间，并加上背景平均图像

建立图像背景模型(B)(步骤S421)，B表示为：

$B=K*Y+\stackrel{\‾}{X}$

根据上述图像背景模型的建立，可以每撷取一定时间内一定数量的相同背景的图像后，获得图像背景模型，依此可定时动态更新图像背景模型。

特别的是，本发明在动态更新图像背景模型的算法部分并不限定上述的主成分分析法(PCA)，也可以单独或混合使用其它背景更新算法，例如画面差异(Frame Difference)、中位数逼近(ApproximatedMedian)、平均背景(Running Average)、平均高斯背景(Running GaussianAverage)、高斯混合模型(Mixture Of Gaussians)、非参数密度逼近法(Nonparametric Kernel Density Estimation)等。

步骤三：分离前景与背景

利用上述动态背景更新算法进行分离输入图像的前景与背景，也就是由步骤一取得的输入图像(I)，减去由步骤二得出的图像背景模型中的背景图像(B)，可取得一段时间内的多个前景图像(F)(步骤S423)：

F＝I-B

步骤四：图像二值化

接着对前景图像(F)用二值化算法(Thresholding Algorithm)取得像素值较高的位置，以此判断为光源的位置。

经步骤三取得前景图像(F)后，本方法对前景图像使用一种OTSU的图像二值化算法，此为一种计算机视觉与图像处理的程序，好处是能够自动选择二值化的最佳门槛值，减少人为的干预。找到此门槛值，能使得不同分布的变异数加权总和要最小，其作法如下：

假设大小为W(宽)×H(高)的图像有0至255的灰阶度，各灰阶度的像素点为n0，n1，...，n255，W为图像的宽，H为图像的高，故：

$W*H=\underset{i=1}{\overset{255}{\mathrm{\Σ}}}{n}_i$

对每一个灰阶度的机率Pi为：

$P_i=\frac{n_i}{W*H}$

举例来说，为简化复杂的图像，本方法可将前景图像的灰阶度分成两个不同的分布(灰度值)D1与D2(步骤S425)，D1代表灰阶度0～k的分布；D2代(k+1)～255的分布，其中k为一种门槛值(thresholdingvalue)，各分布机率假设为Q0与Q1，即：

$Q_0=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{P}_i$

$Q_1=\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{P}_i$

其中，对任一个k值的分布的平均值与变异数分别为：

$u_0\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}i*\frac{n_i}{Q_0*(W*H)}=\frac{1}{Q_0}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}i*P_i$

$u_1\left(k\right)=\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}i*\frac{n_i}{Q_1*(W*H)}=\frac{1}{Q_1}\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}i*P_i$

${\mathrm{\σ}}_0^2\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\left({i-u}_0\right)}^2*\frac{n_i}{Q_0*(W*H)}=\frac{1}{Q_0}\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\left({i-u}_0\right)}^2*P_i$

${\mathrm{\σ}}_1^2\left(k\right)=\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{\left({i-u}_1\right)}^2*\frac{n_i}{Q_1*(W*H)}=\frac{1}{Q_1}\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{\left({i-u}_1\right)}^2*P_i$

因此，不同分布的变异数加权总和为：

${\mathrm{\σ}}_w^2\left(k\right)=Q_0*{\mathrm{\σ}}_0^2\left(k\right)+Q_1*{\mathrm{\σ}}_1^2\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\Σ}}}{\left({i-u}_0\right)}^2{P}_i+\underset{i=k+1}{\overset{255}{\mathrm{\Σ}}}{\left({i-u}_2\right)}^2{P}_i$

由此得出让不同分布的变异数加权总和最小的k值，如：

$k=\mathrm{Minimum}\left(\underset{k}{\arg }\left({\mathrm{\σ}}_w^2\left(k\right)\right)\right)$

此k值就是能将图像的灰阶度分成两个不同的分布D1与D2的最佳门槛值(步骤S427)。

步骤五：光源侦测

在步骤四中，经二值化图像后，利用图像处理消除各前景图像噪声(步骤S429)，实施例比如应用膨胀运算(Dilation)与侵蚀运算(Erosion)，其中膨胀运算会将图像扩张，藉此可以去除图像中噪声，经过膨胀运算所扩张的图片，可通过侵蚀运算将图像恢复。

再对经上述二值化的前景图像作连通元件(connected component)，能够得出图像中像素之间的关系，有效找出前景图像中像素值较高(或较亮)的位置，通过门槛比对找到可能是光源的候选区域(步骤S431)，对每一个后选区域找回原来输入的图像，判断像素值范围是否达于特定门槛，若确实大于特定门槛，表示取得像素值较高的位置，能以此判断为光源的位置。

将上述像素值较高的部份计算区域的属性，包括面积、重心坐标等，面积可计算自区域内像素坐标，再根据面积与像素值较高的区域信息，得出此区域的重心(步骤S433)，此重心位置即可视为光源中心，重心坐标即为光源的位置坐标。

本发明将重复上述步骤，由此得出每个时间片段的光源位置，达到光源追踪的目的。

步骤六：追踪光源

当每次在每个时间片段中由光源的候选区域得出光源的位置后，可以得出每次光源的坐标，并进而描绘出移动轨迹(步骤S435)。

根据实施例一，以此判断出的光源为参考，使用一种卡尔曼滤波器(Kalman filter)进行位置追踪，并纪录轨迹。此卡尔曼滤波器是用来调校光源位置追踪的过程，其目的是为了解决当特定光源(如手电筒)照射到可反光物体表面时会产生多个反射光源，这些反射光源会干扰侦测，因为如果只有作光源侦测的话，可能会因为光源位置不规则而无法判断，因此卡尔曼滤波器可协助确保光源侦测的准确性。

本发明在光源追踪算法部分并不限定只能使用卡尔曼滤波器，也可以单独或混合使用其它追踪算法，例如隐藏马可夫模型(HiddenMarkov Models)、蒙地卡罗粒子滤波器(Monte Carlo Particle Filter)等。

最后再借助于光源位置的侦测与追踪来判断是否为入侵事件(步骤S437)，比如，光源的轨迹行为属于缓慢且连续移动，可判断为入侵事件，则发出警报。

综上所述，本发明所提出的移动光源侦测方法是于原有的数字监控系统中，加入移动光源侦测的技术，主要应用图像处理与计算机视觉算法侦测移动光源，由此可有效判断手持光源时的移动轨迹，包括判断是否为非法入侵的行为，确认为入侵时，则发出警报。

但是，以上所述仅为本发明的较佳可行实施例，非因此即局限本发明的权利要求保护范围，举运用本发明说明书及附图所为的等效结构变化，均同理包含于本发明保护范围内，特此声明。

Claims (10)

1.一种移动光源侦测方法，其特征在于所述的方法包括：

应用一监控摄像机撷取一连续图像；

建立一图像背景模型；

由该连续图像分离出一背景图像与连续的前景图像；

利用一二值化算法在各前景图像中得出一像素值较高的区域；

利用一门槛判断该像素值较高的区域为一光源，或判断非光源，则重复该移动光源侦测方法的步骤；以及

纪录并追踪该光源的位置。

2.如权利要求1所述移动光源侦测方法，其特征在于，由一定时间内的图像中取得无变动的背景图像，建立该图像背景模型，且该图像背景模型为动态更新。

3.如权利要求1所述移动光源侦测方法，其特征在于，通过一减法运算，将该连续图像减去该图像背景模型所描绘的背景图像，得出该连续的前景图像。

4.一种移动光源侦测方法，其特征在于所述的方法包括：

a撷取出由一摄像机拍摄的图像，产生一输入图像，暂存于一存储媒体中；

b取得多张相同或接近的背景但不同时间的图像；

c执行一色度空间转换，转换该图像为一灰阶的色度空间；

d将转换后以矩阵表达的灰阶图像转变为一列的行向量；

e计算该多张图像的一平均值；

f不同时间的图像减去该平均值；

g计算一共变异数矩阵；

h对该共变异数矩阵作奇异值分解，计算出一特征值与一特征向量；

i选取小于该图像的张数的多个最大的特征向量； 

j得到一背景图像特征；

k将该背景图像特征影回到原来的图像空间，建立一图像背景模型；

l以该输入图像减去该图像背景模型的一背景图像，取得多个前景图像；

m将各个前景图像的灰阶度分成两个不同的灰度值；

n根据该两个不同的灰度值分布的平均值与变异数得出一门槛值；

o消除各前景图像噪声；

p对各前景图像作连通元件，利用该前景图像中像素值较高的位置判断一光源的一候选区域；

q利用该候选区域的属性判断该光源的位置；

r得出每个时间片段的多个光源位置；以及

s描绘该光源的移动轨迹。

5.如权利要求4所述移动光源侦测方法，其特征在于，在建立该图像背景模型时，撷取一定时间内多个相同背景的图像，缩小该不同时间的图像，经步骤b至j，定时动态更新该图像背景模型。

6.如权利要求4所述移动光源侦测方法，其特征在于，所述的消除各前景图像噪声的步骤是利用一膨胀运算与一侵蚀运算。

7.如权利要求4所述移动光源侦测方法，其特征在于，所述的候选区域的属性包括该候选区域的面积与一重心坐标，该重心坐标为该光源的位置。

8.如权利要求4所述移动光源侦测方法，其特征在于，利用一卡尔曼滤波器、隐藏马可夫模型或蒙地卡罗粒子滤波器追踪该光源位置。

9.一种应用如权利要求1或4所述的移动光源侦测方法的保全系统，其特征在于所述的保全系统包括有：

一或多个监控摄像机；以及

一保全主机，连接于该一或多个监控摄像机，并连线于一监控中心，该保全主机具有一数据处理单元与一存储媒体，该存储媒体储存有执行该移动光源侦测方法的程序码，该数据处理单元经载入该移动 光源侦测方法的程序码后，执行该移动光源侦测方法。

10.一种应用如权利要求1或4所述的移动光源侦测方法的保全系统，其特征在于所述的保全系统包括有：

一监控摄像机，该监控摄像机具有一数据处理单元与一存储媒体，该存储媒体储存有执行该移动光源侦测方法的程序码，该数据处理单元经载入该移动光源侦测方法的程序码后，执行该移动光源侦测方法；以及

一保全主机，连接于该一或多个监控摄像机，并连线于一监控中心。 

Images