CN103067692B - 基于网络硬盘录像机危险入侵的后处理检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于网络硬盘录像机危险入侵的后处理检测方法及系统，方法包括步骤：读取网络硬盘录像机的监控视频文件，对图像帧序列进行开始帧至结束帧的扫描；获取所有图像帧，通过遍历对比获取背景模型图；以背景模型图为参考图，提取监控视频中的运动物体图；提取运动物体图的运动特征，以场景建立直角坐标系，对运动物体不分先后进行三种算法模型检测；输出三种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。采用本方法或系统，通过三种算法模型为网络硬盘录像机的视频回放提供了危险入侵的后处理检测，能够并行检测入侵行为的多种特征，有效发挥后处理的非实时优势，提高识别准确度。

Description

基于网络硬盘录像机危险入侵的后处理检测方法及系统

技术领域

本发明涉及安防监控视频图像处理技术领域，尤其是一种基于网络硬盘录像机危险入侵的后处理检测方法及系统。

背景技术

随着IP网络的快速发展，视频监控行业也进入了全网络化时代，在安防监控领域，网络硬盘录像机已经取代了传统的模拟视频录像机。在银行、商场、小区等场所，网络硬盘录像机配合图像处理技术很好地威慑着危险行为的入侵。

目前大部分安防监控图像处理，都是基于实时分析处理，即当监控到场景里发生不符合预设的安全策略的行为时，通过报警系统实时报警，比如在申请号为200810037789.2的中国发明专利申请文件中，公开了一种基于视频监控入侵物体的检测方法，其通过储存非禁止物体模型，将检测到的非背景物体的特征量与非禁止物体模型进行匹配，如果匹配，该非背景物体为非禁止物体，如果不匹配，该非背景物体为禁止物体，进行报警处理。然而，现有的这种危险入侵实时检测的方法只能采用较低的分析精度，其识别危险入侵行为的准确度不高，比如在小区里，由于进出小区人流的不可控制性，不可能只为业主家庭成员建立精确的非禁止人体模型，因此，如果要建立非禁止人体模型，也只能建立兼容性高的模糊模型，使业主家庭成员以外的人也包含在非禁止人体模型内，能进出小区，不会启动实时报警机制。

综上所述，当有人进行危险入侵行为时，采用危险入侵实时检测的方法往往因为安全策略的局限性，识别不出危险入侵行为正在发生，而当需要对监控视频进行回放分析时，缺少一种能为网络硬盘录像机的视频回放提供危险入侵的后处理检测方法。

发明内容

针对现有技术的不足，本发明的目的旨在于提供一种基于网络硬盘录像机危险入侵的后处理检测方法及系统，为网络硬盘录像机的视频回放提供危险入侵的后处理检测，以提高对危险入侵行为的识别准确度。

为实现上述目的，本发明采用如下技术方案：

基于网络硬盘录像机危险入侵的后处理检测方法，包括如下步骤：

a、读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描；

b、获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图；

c、以背景模型图为参考图，提取监控视频中的运动物体图；

d、提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点（0,0），对运动物体不分先后进行以下三种算法模型检测：

（1）异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_Δ、y_Δ为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_Δ<0,y_Δ<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_Δ或y_Δ值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

（2）逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点（x_n,y_n）,f(x_Δ,y_Δ),β_逆行阈值)

其中，θ_场景起点（x_n,y_n）为运动物体进入场景的起点区域，f(x_Δ,y_Δ)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点（x_n,y_n）与f(x_Δ,y_Δ)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

（3）速度异常入侵算法模型检测，算法模型为：

其中，f(x_ts,y_ts)为ts时刻运动物体所在的坐标位置，f(x_tΔ，y_tΔ)为tΔ时刻运动物体所在的坐标位置，Δt为ts与tΔ的时间差，υ_移动速度为计算出的移动速度，υ_高速阈值为设定的超过正常移动速度的阈值，υ_低速阈值为设定的低于正常移动速度的阈值，当υ_低速阈值<υ_移动速度<υ_高速阈值时，υ_移动速度为正常速度，否则检测存在速度异常入侵行为，记录入侵开始时间和入侵结束时间；

e、输出三种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。

基于网络硬盘录像机危险入侵的后处理检测系统，包括：

读取装置，用于读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描；

获取装置，用于获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图；

提取装置，用于以背景模型图为参考图，提取监控视频中的运动物体图；

检测装置，用于提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点（0,0），对运动物体不分先后进行以下三种算法模型检测：

（1）异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_Δ、y_Δ为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_Δ<0,y_Δ<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_Δ或y_Δ值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

（2）逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点（x_n,y_n）,f(x_Δ,y_Δ),β_逆行阈值)

其中，θ_场景起点（x_n,y_n）为运动物体进入场景的起点区域，f(x_Δ,y_Δ)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点（x_n,y_n）与f(x_Δ,y_Δ)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

（3）速度异常入侵算法模型检测，算法模型为：

其中，f(x_ts,y_ts)为ts时刻运动物体所在的坐标位置，f(x_tΔ，y_tΔ)为tΔ时刻运动物体所在的坐标位置，Δt为ts与tΔ的时间差，υ_移动速度为计算出的移动速度，υ_高速阈值为设定的超过正常移动速度的阈值，υ_低速阈值为设定的低于正常移动速度的阈值，当υ_低速阈值<υ_移动速度<υ_高速阈值时，υ_移动速度为正常速度，否则检测存在速度异常入侵行为，记录入侵开始时间和入侵结束时间；

输出装置，用于输出三种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。

本发明所阐述的一种基于网络硬盘录像机危险入侵的后处理检测方法及系统，其有益效果在于：

采用本方法或系统，通过三种算法模型为网络硬盘录像机的视频回放提供了危险入侵的后处理检测，能够并行检测入侵行为的多种特征，有效发挥后处理的非实时优势，提高识别准确度。

附图说明

图1是本发明基于网络硬盘录像机危险入侵的后处理检测方法的流程图；

图2是本发明中获取背景模型图时的图像处理过程示意图;

图3为本发明中提取运动物体图的图像处理过程示意图；

图4为本发明中异常徘徊入侵算法模型检测示意图；

图5为本发明中逆向行走入侵算法模型检测示意图；

图6为本发明中速度异常入侵算法模型检测示意图。

具体实施方式

下面结合附图与具体实施例来对本发明作进一步描述。

请参照图1所示，其显示出了本发明基于网络硬盘录像机危险入侵的后处理检测方法的主要流程，在步骤a中，读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描。

进行到步骤b，获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图。具体包括：如图2，采用通用的多帧差法（最少3帧），对连续帧图像的灰度图中的每个像素点进行均方差计算，排除突变的像素点，将开始帧到结束帧保持微小变化的像素值，作为背景模型的像素值，进而获取背景模型图。

进行到步骤c，以背景模型图为参考图，提取监控视频中的运动物体图。具体包括：如图3，将任意帧的场景与背景模型图进行方差匹配对比，获取对比帧与背景模型图的初始变化值区域，设定一背景变化阈值，通过背景变化阈值滤除干扰值，得到最终变化值区域，该最终变化值区域就是需要提取的运动物体图形。

进行到步骤d，提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点（0,0），对运动物体不分先后进行以下三种算法模型检测：

（1）异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_Δ、y_Δ为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_Δ<0,y_Δ<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_Δ或y_Δ值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

（2）逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点（x_n,y_n）,f(x_Δ,y_Δ),β_逆行阈值)

其中，θ_场景起点（x_n,y_n）为运动物体进入场景的起点区域，f(x_Δ,y_Δ)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点（x_n,y_n）与f(x_Δ,y_Δ)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

（3）速度异常入侵算法模型检测，算法模型为：

其中，f(x_ts,y_ts)为ts时刻运动物体所在的坐标位置，f(x_tΔ，y_tΔ)为tΔ时刻运动物体所在的坐标位置，Δt为ts与tΔ的时间差，υ_移动速度为计算出的移动速度，υ_高速阈值为设定的超过正常移动速度的阈值，υ_低速阈值为设定的低于正常移动速度的阈值，当υ_低速阈值<υ_移动速度<υ_高速阈值时，υ_移动速度为正常速度，否则检测存在速度异常入侵行为，记录入侵开始时间和入侵结束时间。

采用上述的三种算法模型，在监控视频场景中，如果运动物体在场景中反复运动，比如危险人员的“踩点”、观察地形，则其运动特征符合异常徘徊危险入侵行为，如果运动物体在场景中出现在逆向行走方向，则其运动特征符合逆向行走危险入侵行为，如果运动物体在场景中的移动速度过快（大于υ_高速阈值）或过慢（小于υ_低速阈值），比如小偷偷了大件物品，行动不便导致移动速度过慢，或者偷了小件物品急于离开现场，导致移动速度过快，则其运动特征符合速度异常危险入侵行为。

进行到步骤e，输出三种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。

为了更好地理解上述三种算法模型检测的处理过程，如图4，其显示出了异常徘徊入侵算法模型检测的处理过程，从图4可看出，在时间周期T_时间周期内，运动物体在场景中反复运动，属于异常徘徊入侵行为；如图5，其显示出了逆向行走入侵算法模型检测的处理过程，从图5可看出，设定坐标系原点为运动物体的起始区域，该运动物体在场景中从右端向左逆行，属于逆向行走入侵行为；如图6，其显示出了速度异常入侵算法模型检测的处理过程，从图6可看出，通过对比运动物体在场景中的不同位置可获取运动物体的运动距离S_运动距离和时间差Δt，进而计算出运动物体的移动速度υ_移动速度（s/Δt），再将移动速度υ_移动速度和设定的υ_高速阈值、υ_低速阈值比较，可得出该运动物体是否具有速度异常入侵行为。在三种算法模型中，对运动特征值的计算为有限元计算，主要包括对于时间、距离的计算频率和次数，例如运动物体在进入场景到离开场景的时间周期T_时间周期、运动距离S_运动距离是一定的，如果Δt的采样时间越短或Δs的采样距离越短，则计算次数越多，反之则计算次数越少，因此在T_时间周期、S_运动距离一定的情况下，Δt、Δs值的大小构成了有限元的复杂度。

本发明还提供了一种基于网络硬盘录像机危险入侵的后处理检测系统，包括：

读取装置，用于读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描；

获取装置，用于获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图；

提取装置，用于以背景模型图为参考图，提取监控视频中的运动物体图；

检测装置，用于提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点（0,0），对运动物体不分先后进行以下三种算法模型检测：

（1）异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_Δ、y_Δ为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_Δ<0,y_Δ<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_Δ或y_Δ值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

（2）逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点（x_n,y_n）,f(x_Δ,y_Δ),β_逆行阈值)

其中，θ_场景起点（x_n,y_n）为运动物体进入场景的起点区域，f(x_Δ,y_Δ)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点（x_n,y_n）与f(x_Δ,y_Δ)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

（3）速度异常入侵算法模型检测，算法模型为：

其中，f(x_ts,y_ts)为ts时刻运动物体所在的坐标位置，f(x_tΔ，y_tΔ)为tΔ时刻运动物体所在的坐标位置，Δt为ts与tΔ的时间差，υ_移动速度为计算出的移动速度，υ_高速阈值为设定的超过正常移动速度的阈值，υ_低速阈值为设定的低于正常移动速度的阈值，当υ_低速阈值<υ_移动速度<υ_高速阈值时，υ_移动速度为正常速度，否则检测存在速度异常入侵行为，记录入侵开始时间和入侵结束时间；

输出装置，用于输出三种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。

本系统的具体实施方式与上述方法的具体实施方式相同，因而在此不再详述。

以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (2)

1.基于网络硬盘录像机危险入侵的后处理检测方法，其特征在于，包括如下步骤：

a、读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描；

b、获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图；

c、以背景模型图为参考图，提取监控视频中的运动物体图；

d、提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点(0,0)，对运动物体不分先后进行以下二种算法模型检测：

(1)异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_△、y_△为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_△<0,y_△<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_△或y_△值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

(2)逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点(x_n,y_n),f(x_△,y_△),β_逆行阈值)

其中，θ_场景起点(x_n,y_n)为运动物体进入场景的起点区域，f(x_△,y_△)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点(x_n,y_n)与f(x_△,y_△)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

e、输出二种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。

2.基于网络硬盘录像机危险入侵的后处理检测系统，其特征在于，包括：

读取装置，用于读取网络硬盘录像机的监控视频文件，对监控视频中的图像帧序列进行开始帧至结束帧的扫描；

获取装置，用于获取监控视频的所有图像帧，通过遍历对比获取监控视频的背景模型图；

提取装置，用于以背景模型图为参考图，提取监控视频中的运动物体图；

检测装置，用于提取运动物体图的运动特征，以场景建立直角坐标系，横向为x轴，纵向为y轴，左下角为坐标系原点(0,0)，对运动物体不分先后进行以下二种算法模型检测：

(1)异常徘徊入侵算法模型检测，算法模型为:

其中，x_进入值、y_进入值为运动物体进入场景的坐标初始值，x_n、y_n为运动物体进入场景后任一时刻的坐标值，x_△、y_△为瞬时运动距离，c_{出现次数阈值}为设定的次数阈值，f(x_△<0,y_△<0,c_{出现次数阈值})为检测是否存在异常徘徊入侵行为的检测公式，当x_△或y_△值小于0，且出现次数大于c_{出现次数阈值}时，R_徘徊值为1，检测存在异常徘徊入侵行为，记录入侵开始时间和入侵结束时间，否则R_徘徊值为0，检测不存在异常徘徊入侵行为；

(2)逆向行走入侵算法模型检测，算法模型为：

F(θ_场景起点(x_n,y_n),f(x_△,y_△),β_逆行阈值)

其中，θ_场景起点(x_n,y_n)为运动物体进入场景的起点区域，f(x_△,y_△)为瞬时运动物体位置，β_逆行阈值为设定的逆向行走距离阈值，当θ_场景起点(x_n,y_n)与f(x_△,y_△)之间的距离小于β_逆行阈值时，检测存在逆向行走入侵行为，记录入侵开始时间和入侵结束时间，否则，检测不存在逆向行走入侵行为；

输出装置，用于输出二种算法模型的检测结果，检测结果包含入侵类型、入侵开始时间和入侵结束时间。