CN103177237A - 一种基于在线激光的视频监测方法和装置 - Google Patents
一种基于在线激光的视频监测方法和装置 Download PDFInfo
- Publication number
- CN103177237A CN103177237A CN2011104367177A CN201110436717A CN103177237A CN 103177237 A CN103177237 A CN 103177237A CN 2011104367177 A CN2011104367177 A CN 2011104367177A CN 201110436717 A CN201110436717 A CN 201110436717A CN 103177237 A CN103177237 A CN 103177237A
- Authority
- CN
- China
- Prior art keywords
- image
- alarm
- feature
- vector
- video
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于在线激光的视频监测方法,包括:A、获取包含激光束的被监测区域的当前帧的视频图像以及背景图像;B、提取当前帧的视频图像和背景图像的图像灰度特征,并根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。本发明利用激光线亮度高、稳定性好、抗干扰能力强的特点设计了在静态背景下运用灰度信息的变化检测运动目标的方法,弥补了现有在静态背景下检测运动目标方法的不足,克服了现有技术容易受复杂背景的影响。此外,本发明还公开了一种基于在线激光的视频监测装置。
Description
技术领域
本发明公开了一种基于在线激光的视频监测方法,属于智能防盗监测技术。
背景技术
现有的智能防盗检测实质上是在静态背景下检测运动目标,目前所提出的运动目标检测算法按照原理可分为以下三类:帧间差分法、光流法和背景差分法。
帧间差分法是最为常用的运动目标检测和分割方法之一,基本原理就是在图像序列相邻两帧或三帧间采用基于像素的时间差分再通过二值化来提取图像中的运动区域。首先,将相邻帧图像对应像素值相减得到差分图像,然后对差分图像进行二值化,在环境亮度变化不大的情况下,如果对应像素值变化小于事先确定的阈值时,可以认为此处是背景像素;如果图像区域的像素变化很大,可以认为这是由于图像中运动的物体引起的,将这些区域标记为前景像素,利用标记的像素区域可以确定运动目标在图像中的位置。
光流法是基于对光流场的估计进行检测的分割方法,采用了运动目标随时变化的光流特性,研究图像灰度在时间上的变化与景象中物体结构和运动的关系。光流法的主要任务就是计算光流场,即在适当的平滑性约束条件下,根据图像序列的时空梯度估算运动场,通过分析运动场的变化对运动目标和场景进行检测和分割。通常有基于全局光流场和特征点光流场两种方法。全局光流场计算方法是得到全局光流场后通过比较运动目标与背景之间的运动差异对运动目标进行光流分割,缺点是计算量大。特征点光流法通过特征匹配求特征点处的流速,具有计算量小、快速灵活的特点,但稀疏的光流场很难精确地提取运动目标的形状。
背景差分法是一种有效的运动对象检测算法,基本思想是利用背景的参数模型来近似背景图像的像素值,将当前帧与背景图像进行差分比较实现对运动区域的检测,其中区别较大的像素区域被认为是运动区域,而区别较小的像素区被认为是背景区域。背景差分法必须要有背景图像,并且背景图像必须是随着光照或外部环境的变化而实时更新的,因此背景差分法的关键是背景建模及其更新,现常用的背景建模算法有非回归递归和回归递推两类。
现在最常用的方法是基于高斯混合模型(GMM)的背景差分目标检测方法。其中,图1是现有技术中的基于高斯混合模型的背景差分目标监测方法的示意图;其基本思想是将当前帧图像像素值与经过高斯混合模型建模得到的实时背景图像(背景模型)对应像素值相减,若差值大于某一阈值,则判定该像素点属于运动目标,否则判定此像素点属于场景背景,经过阈值分割处理并二值化后得到运动前景目标,再将不同的目标进行表征分析,实现特征的匹配跟踪,完成智能识别分析过程。这种方法可以获得关于运动目标区域完整而精确的描述,并且运算速度较快。高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。混合高斯模型是使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每隔像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。混合高斯模型作为当前背景建模最为成功的方法之一得到了广泛的应用。
帧间差分法是利用相邻两帧作为处理对象,相邻两帧时间间隔非常短,背景不用积累,更新速度快,算法简单、计算量小,对动态变化场景有较强的适应性,但对环境噪声较为敏感,因此阈值的选择也变得尤为关键,选择过低不足以抑制图像中的噪声,过高则忽略了图像中有用的变化信息。此外对于比较大的、颜色抑制的运动目标,有可能在目标内部产生空洞,无法完整地提取运动目标。
光流法不需要预先知道场景的任何信息,就能够检测到运动对象,可处理背景运动的情况,但噪声、多光源、阴影和遮挡等因素会对光流场分布的计算结果造成严重影响;而且光流法计算复杂,很难实现实时处理。
背景差分法一般能得到比较全面的特征数据,但对动态场景变化和光线变化等外界干扰非常敏感。基于高斯混合模型(GMM)的背景差分目标检测方法是背景差分算法中的经典代表,有着易于实现、对多峰分布背景建模以及背景模型自适应等优点,但其受复杂背景(光线突然变化,树叶摆动和雨雪天气,阴影等)的影响,对前景对象的分割效果并不理想,抗干扰能力差,这极大地制约了其应用适应性。
综上所述,现有的智能防盗检测方法受复杂环境的影响比较大,抗干扰能力比较差。
发明内容
本发明针对现有技术的缺点,提供了一种基于在线激光的视频监测方法和装置,所述方法和装置能够适应各种复杂的背景环境,不受突变光线、阴影以及雨雪天气的影响。
根据本发明的第一目的,提供了一种基于在线激光的视频监测方法,包括:A、获取包含激光束的被监测区域的当前帧的视频图像以及经过混合高斯模型处理的背景图像;
B、提取当前帧的视频图像和背景图像的图像灰度特征,并根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。
其中,优选的是,步骤B中,具体包括:
利用激光束的灰度特征对图像中的各个像素点进行二值化处理;
根据所述二值化处理结果获取到所述激光束的特征投影向量;
比较当前帧的视频图像和背景图像的激光束的特征投影向量,其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
其中,优选的是,还包括:
C、提取并比较所述视频图像和背景图像的图像纹理特征;
D、综合所述图像灰度特征和图像纹理特征的匹配度大小而判断是否产生告警。
其中,优选的是,步骤C中,具体包括:
分别采集图像检测区域各分块中各像素的梯度方向直方图;
分别提取所述各分块的梯度方向直方图特征,进行对比度归一化处理。
其中,优选的是,步骤C中,进一步包括:
按照梯度不同方向分别对各分块中每个像素点的梯度大小进行投票累加形成各分块的梯度方向直方图特征向量;
归并各分块的梯度方向直方图特征向量组成一个向量,并进行归一化处理,形成最终的梯度方向直方图特征向量。
进一步地,优选的是,步骤D中,具体包括:
比较当前帧的视频图像和背景图像的梯度方向直方图特征向量,并获取到两者的相关度大小;
综合所述激光束的特征投影向量的相关度大小以及所述图像的梯度方向直方图特征向量的相关度大小判断是否输出告警或者预警或者更新背景图像的信息。
本发明采取了上述技术方案以后,能够基于当前帧的视频图像和背景图像的图像灰度特征比较并进行告警,弥补了现有在静态背景下检测运动目标算法的不足,克服了现有技术容易受复杂背景的影响。
根据本发明的第二目的,提供了一种基于在线激光的视频监测装置,包括:视频提取单元,用于获取包含激光束的被监测区域的当前帧的视频图像以及经过混合高斯模型处理的背景图像;
第一特征提取单元,用于提取当前帧的视频图像和背景图像的图像灰度特征;第一特征告警单元,用于根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。
其中,优选的是,所述第一特征提取单元,包括:
二值化处理子单元,用于利用激光束的灰度特征对图像中的各个像素点进行二值化处理;
向量提取子单元,用于根据所述二值化处理结果获取到所述激光束的特征投影向量;
所述第一特征告警单元,包括:
特征比较子单元,用于比较当前帧的视频图像和背景图像的激光束的特征投影向量;
特征告警子单元,用于获取所述特征投影向量的相关度大小;其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
其中,优选的是,还包括:
第二特征提取单元,用于提取并比较所述视频图像和背景图像的图像纹理特征;
第二特征告警单元,用于综合所述图像灰度特征和图像纹理特征的匹配度大小而选取是否产生告警。
其中,优选的是,所述第二特征提取单元,具体包括:
特征获取子单元,采集图像检测区域各分块的梯度特征,并进行对比度归一化处理;
其中,优选的是,所述第二特征提取单元,进一步包括:
向量提取子单元,按照梯度不同方向分别对各分块中每个像素点的梯度大小进行投票累加形成各分块的梯度方向直方图特征向量;
归一化处理子单元,归并各分块的梯度方向直方图特征向量组成一个向量,并进行归一化处理,形成最终的梯度方向直方图特征向量。
其中,优选的是,所述第二特征告警单元,还包括:
特征比较子单元,比较当前帧的视频图像和背景图像的梯度方向直方图特征向量,并获取到两者的相关度大小;
策略判断告警子单元,用于综合所述激光束的特征投影向量的相关度大小以及所述图像的梯度方向直方图特征向量的相关度大小选取是否输出告警或者预警或者更新背景图像的信息。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
下面结合附图对本发明进行详细的描述,以使得本发明的上述优点更加明确。
图1是现有技术中基于高斯混合模型的背景差分目标监测方法的示意图;
图2是本发明基于在线激光的视频监测方法的实施例一的流程示意图;
图3是本发明方法中的提取图像灰度特征的流程示意图;
图4是本发明基于在线激光的视频监测方法的实施例二的流程示意图;
图5是本发明方法中提取图像纹理特征的流程示意图;
图6是本发明基于在线激光的视频监测装置的实施例一的结构示意图;
图7是本发明基于在线激光的视频监测装置的实施例二的结构示意图。
具体实施方式
以下对本发明的发明原理进行说明。
其中,由于现有技术中的背景差分法对图像进行特征分析时,其对动态场景变化和光线变化等外界干扰非常敏感,其容易受到复杂背景(例如,光线突然变化、树叶摆动和雨雪天气、阴影等)的影响,因此,其抗干扰性能力差。
本发明基于上述缺点,在被监测区域内设置一条稳定的激光束,由于激光不同于具有多波长向四面八方辐射的自然光源具有截然不同的特性,它只有一种精确的颜色(即只具有一种波长)、定向发光(光束的发散度极小)、亮度极高、能量密度极大等显著特点,且激光线在图像中的特点非常明显,并且环境的变化并不改变激光线在图像中的特性,因此可以改特征通过检测被监测区域内的激光线的存在及其连续性检测监测区域是否有可疑目标出现。
方法实施例一:
其中,图2是本发明基于在线激光的视频监测方法的流程示意图;
如图2所示,所述方法具体包括下列步骤:
S101:获取包含有用作参考依据的激光束的被监测区域的当前帧的视频图像;
S102:提取经过混合高斯模型处理的背景图像;
其中,混合高斯模型的基本思想是:使用K个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型。
通观整个高斯模型,主要是有方差和均值两个参数决定,对均值和方差的学习,采用不同的学习机制,将直接影响到模型的稳定性、精确性和收敛性。本方法中高斯模型的建立是选取M幅干净的视频图像,分别对M幅图像每个点进行正态分布统计,即可得到相应的方差和均值。
S103:提取当前帧的视频图像和背景图像的图像灰度特征;
S104:比较所述图像灰度特征是否匹配,并根据被监测区域的图像灰度特征的匹配大小产生告警信息或者输出更新背景信息。
其中,S105:如果两者的相关度低,则输出目标告警的信息。
S106:如果两者的相关度高,则不进行告警并输出更新背景图像的信息。
其中,在一个实施例中,如图3所示,所述步骤S103具体包括:
S1031:利用激光束的灰度特征对图像的分析区域或者整体区域进行二值化处理;其中,在该实施例中,采取自适应阈值二值化法进行处理。
根据所述自适应阈值二值化方法,所述阈值的选取是根据图像灰度值的均值进行调节的,其中,大于此阈值的认为是激光束像素点,小于此阈值的则认为是非激光束像素点。
通过此步骤可得到激光束的二值图,其中像素值为255(白色)的像素点为激光束,非激光束像素点的像素值均为0(黑色);
S1032:根据所述二值化处理结果获取到所述激光束的特征投影向量;
具体包括:分别对于已提取二值化的当前帧、背景帧激光束图像进行横向及纵向投影并生成投影向量。
其中,只有像素值为255的像素点才会对投影向量产生贡献,像素值为0的像素点不会对投影向量产生贡献。第i行j列的像素值为255的像素点对向量的第i项及(图像高度+j)项的贡献分别为N,N的大小决定了检测算法的灵敏度,N值越大灵敏度越高,反之亦然。
并且,从原理上可知,若图像中有目标遮挡激光束的连续性及形状一定会发生变化,从而引起投影向量发生变化,通过检测投影向量的变化量即可判断是否有潜在目标出现。
所述步骤S104具体包括:
S1041:比较当前帧的视频图像和背景图像的激光束的特征投影向量,其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
具体来说,该步骤之中,将当前帧与背景帧的特征投影向量进行匹配,比较两者的相关度,其中,若相关度很高,则当前帧和背景帧灰度特征相似度高。若二者的相关度很低,则认为当前帧和背景帧相似度很低。通过二者的匹配度结果能够决定当前帧是否需要输出目标告警及当前帧对背景帧是否有贡献。
本发明采取了上述技术方案以后,利用激光束的特征进行告警信息的采集,因此,具有很好的报警效果。并且,该方法弥补了现有在静态背景下检测运动目标算法的不足,克服了现有技术容易受复杂背景的影响。
方法实施例二:
由于在图像中激光线会随着周围环境光线的变化发生微变(在不同的光照条件下激光束线条宽度不同),仅仅采用灰度特征信息判断是否有目标出现会有偏差。
因此,在本实施例中,还需要进行图像纹理特征的匹配,如图4所示,具体包括下列步骤:
S201:获取包含激光束的被监测区域的当前帧的视频图像;
S202:获取混合高斯模型处理的背景图像;
S203:提取当前帧的视频图像和背景图像的图像灰度特征;
S204:获取图像灰度特征的相关度大小;
S205:提取当前帧的视频图像和背景图像的图像纹理特征,其中,在具体的实施例中,包括:
S2051:采集图像的梯度方向直方图特征描述子;
具体包括:将图像的全部或者待分析的区域分成小的叫做方格单元连通区域;然后采集方格单元中各像素点的梯度方向或边缘方向直方图;
为了提高精确度,如图5所示,所述方法还可以进一步包括:
S2052:对图像方格单元的梯度方向直方图特征进行对比度归一化处理;
即将所述局部直方图在图像的更大的区间(block)中进行对比度归一化(contrast-normalized),例如,在实施例中,通过先计算各直方图在这个区间(block)中的密度,然后根据这个密度值对区间中的各个方格单元做归一化。通过归一化处理后,能对光照变化和阴影获得更好的稳定性。
S2053:按照梯度不同方向分别对各方格单元中每个像素点的梯度大小进行投票累加形成各方格单元的梯度方向直方图特征向量,归并各方格单元的梯度方向直方图特征向量组成一个向量并进行归一化处理,形成最终的梯度方向直方图特征向量。
具体来说,在一个实施例中,进行上述分析时,将图像检测区域分成4个cell块,对每个cell进行梯度方向直方图特征的提取组成一个梯度方向直方图特征,例如,计算灰度图的一阶梯度(包含大小及方向),将所有点的一阶梯度方向按照选取的12个方向(360度平分12份,每30度为一个方向)对其梯度大小进行投票累加);
然后,再把每个cell的梯度方向直方图特征(HOG特征)向量进行归一化处理之后拼接起来,组成最终的区域的梯度方向直方图特征向量。
S206:获取图像纹理特征的相关度大小;
S207:结合所述图像灰度特征和图像纹理特征的相关度大小进行策略决定;具体来说,由于本实施例中,运用了图像的灰度信息及纹理信息分别对激光束进行分析,两种方法根据不同的特征分别得到了不同的匹配信息,因此,需要根据具体的策略分析进行最终的结果输出。
具体来说,在实施例中,设置了学习阈值(更新图像阈值)以及告警阈值,并进行以下策略分析和判断:
1)当激光束特征与梯度方向直方图特征二者匹配度都高于学习阈值的时候,则认为当前无目标、无告警信息、背景图像需要更新。
2)当激光束特征与梯度方向直方图特征二者匹配度都低于告警阈值的时候,则认为当前有目标、对外输出告警信息,背景图像不进行更新。
3)当激光束特征匹配度高于告警阈值、低于学习阈值,梯度方向直方图特征高于学习阈值认为当前无目标。
4)当梯度方向直方图特征匹配度高于告警阈值、低于学习阈值,激光束特征高于学习阈值时认为当前无目标。
5)当激光束特征匹配度高于告警阈值、低于学习阈值,梯度方向直方图特征低于告警阈值时认为当前有目标。
6)当梯度方向直方图特征匹配度高于告警阈值、低于学习阈值,激光束特征低于告警阈值时认为当前无目标。
7)其余情况均认为是预警状态,不对外发出告警,背景图像不更新。其具体的策略判断表格见下表所示:
表一:决策判断表:
激光束特征匹配状态 | 梯度方向直方图 | 告警状态 |
LF>LF_THL | HOGF>HOGF_THL | 无目标,不告警,背景学习 |
LF>LF_THL | HOGF_THW<HOGF<HOGF_THL | 无目标,不告警,背景学习 |
LF>LF_THL | HOGF<HOGF_THW | 预警,背景停止学习 |
LF_THW<LF<LF_THL | HOGF>HOGF_THL | 无目标,不告警,背景学习 |
LF_THW<LF<LF_THL | HOGF_THW<HOGF<HOGF_THL | 预警,背景停学习 |
LF_THW<LF<LF_THL | HOGF<HOGF_THW | 有目标,告警,背景停止学习 |
LF<LF_THW | HOGF>HOGF_THL | 预警,背景停止学习 |
LF<LF_THW | HOGF_THW<HOGF<HOGF_THL | 有目标,告警,背景停止学习 |
LF<LF_THW | HOGF<HOGF_THW | 有目标,告警,背景停止学习 |
其中:
LF为激光束特征匹配值,HOGF为梯度方向直方图匹配值;
LF_THW为激光束特征告警阈值,HOGF_THW为梯度方向直方图特征告警阈值;
LF_THL为激光束特征学习阈值,HOGF_THL为梯度方向直方图特征学习阈值;
S208:根据上述分析结果输出告警或者预警或者更新背景图像的信息。
本发明采取了上述方案以后,集合图像的灰度特征和纹理特征进行综合分析,其在实施例一的基础上进一步地使得本发明的监测方法精确,且该方法弥补了现有在静态背景下检测运动目标算法的不足,降低了现有技术受复杂背景(光线变化,树叶摆动和雨雪天气)的影响,并且该方法简单实用,大大增加了其应用的适应性。
装置实施例一:
以下结合图6和具体实施例对本发明进行详细的说明,其中,所述基于在线激光的视频监测装置,包括:
视频提取单元,用于获取包含激光束的被监测区域的当前帧的视频图像以及背景图像;
第一特征提取单元,用于提取当前帧的视频图像和背景图像的图像灰度特征;第一特征告警单元,用于根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。
其中,所述第一特征提取单元,包括:
二值化处理子单元,用于利用激光束的灰度特征对图像进行二值化处理;
向量提取子单元,用于根据所述二值化处理结果获取到所述激光束的特征投影向量;
所述第一特征告警单元,包括:
特征比较子单元,用于比较当前帧的视频图像和背景图像的激光束的特征投影向量;
特征告警子单元,用于获取所述特征投影向量的相关度大小;其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
装置实施例二:
在一个优选的实施例之中,如图7所示,所述装置还包括:
第二特征提取单元,用于提取并比较所述视频图像和背景图像的图像纹理特征;
第二特征告警单元,用于综合所述图像灰度特征和图像纹理特征的匹配度大小而选取是否产生告警。
其中,所述第二特征提取单元,具体包括:
特征获取子单元,采集图像检测区域各分块的梯度方向直方图特征,并进行对比度归一化处理;
向量提取子单元,按照梯度不同方向分别对各分块中每个像素点的梯度大小进行投票累加形成各分块的梯度方向直方图特征向量。
其中,所述第二特征告警单元,进一步包括:
归一化处理子单元,归并各分块的梯度方向直方图特征向量组成一个大向量,并进行归一化处理,形成最终的梯度方向直方图特征向量。
此外,所述第二特征告警单元,还包括:
特征比较子单元,比较当前帧的视频图像和背景图像的梯度方向直方图特征向量,并获取到两者的相关度大小;
策略判断告警子单元,用于综合所述激光束的特征投影向量的相关度大小以及所述图像的梯度方向直方图特征向量的相关度大小选取是否输出告警或者预警或者更新背景图像的信息。
本发明具有前述方法实施例的优点,即本装置利用激光线亮度高、稳定性好、抗干扰能力强的特点设计了在静态背景下运用灰度及纹理信息的变化检测运动目标的方法,弥补了现有在静态背景下检测运动目标方法的不足,降低了受复杂背景(光线变化,树叶摆动和雨雪天气)的影响,并且本发明简单实用,大大增加了其应用的适应性。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于在线激光的视频监测方法,包括:
A、获取包含激光束的被监测区域的当前帧的视频图像以及经过混合高斯模型处理的背景图像;
B、提取当前帧的视频图像和背景图像的图像灰度特征,并根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。
2.根据权利要求1所述的基于在线激光的视频监测方法,其特征在于,步骤B中,具体包括:
利用激光束的灰度特征对图像中的各个像素点进行二值化处理;
根据所述二值化处理结果获取到所述激光束的特征投影向量;
比较当前帧的视频图像和背景图像的激光束的特征投影向量,其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
3.根据权利要求1或2所述的基于在线激光的视频监测方法,其特征在于,还包括:
C、提取并比较所述视频图像和背景图像的图像纹理特征;
D、综合所述图像灰度特征和图像纹理特征的匹配度大小而判断是否产生告警。
4.根据权利要求3所述的基于在线激光的视频监测方法,其特征在于,步骤C中,具体包括:
分别采集图像检测区域各分块中各像素的梯度方向直方图;
分别提取所述各分块的梯度方向直方图特征,进行对比度归一化处理。
5.根据权利要求4所述的基于在线激光的视频监测方法,其特征在于,步骤C中,进一步包括:
按照梯度不同方向分别对各分块中每个像素点的梯度大小进行投票累加形成各分块的梯度方向直方图特征向量;
归并各分块的梯度方向直方图特征向量组成一个向量,并进行归一化处理,形成最终的梯度方向直方图特征向量。
6.根据权利要求4所述的基于在线激光的视频监测方法,其特征在于, 步骤D中,具体包括:
比较当前帧的视频图像和背景图像的梯度方向直方图特征向量,并获取到两者的相关度大小;
综合所述激光束的特征投影向量的相关度大小以及所述图像的梯度方向直方图特征向量的相关度大小判断是否输出告警或者预警或者更新背景图像的信息。
7.一种基于在线激光的视频监测装置,包括:
视频提取单元,用于获取包含激光束的被监测区域的当前帧的视频图像以及经过混合高斯模型处理的背景图像;
第一特征提取单元,用于提取当前帧的视频图像和背景图像的图像灰度特征;第一特征告警单元,用于根据被监测区域的图像灰度特征的匹配大小而确定是否产生告警信息。
8.根据权利要求1所述的基于在线激光的视频监测装置,其特征在于,所述第一特征提取单元,包括:
二值化处理子单元,用于利用激光束的灰度特征对图像中的各个像素点进行二值化处理;
向量提取子单元,用于根据所述二值化处理结果获取到所述激光束的特征投影向量;
所述第一特征告警单元,包括:
特征比较子单元,用于比较当前帧的视频图像和背景图像的激光束的特征投影向量;
特征告警子单元,用于获取所述特征投影向量的相关度大小;其中,如果两者的相关度高,则不进行告警并输出更新背景图像的信息;如果两者的相关度低,则输出目标告警的信息。
9.根据权利要求7或8所述的基于在线激光的视频监测装置,其特征在于,还包括:
第二特征提取单元,用于提取并比较所述视频图像和背景图像的图像纹理特征;
第二特征告警单元,用于综合所述图像灰度特征和图像纹理特征的匹配 度大小而选取是否产生告警。
10.根据权利要求9所述的基于在线激光的视频监测装置,其特征在于,所述第二特征提取单元,具体包括:
特征获取子单元,采集图像检测区域各分块的梯度特征,并进行对比度归一化处理。
11.根据权利要求10所述的基于在线激光的视频监测装置,其特征在于,所述第二特征提取单元,进一步包括:
向量提取子单元,按照梯度不同方向分别对各分块中每个像素点的梯度大小进行投票累加形成各分块的梯度方向直方图特征向量;
归一化处理子单元,归并各分块的梯度方向直方图特征向量组成一个向量,并进行归一化处理,形成最终的梯度方向直方图特征向量。
12.根据权利要求10所述的基于在线激光的视频监测装置,其特征在于,所述第二特征告警单元,还包括:
特征比较子单元,比较当前帧的视频图像和背景图像的梯度方向直方图特征向量,并获取到两者的相关度大小;
策略判断告警子单元,用于综合所述激光束的特征投影向量的相关度大小以及所述图像的梯度方向直方图特征向量的相关度大小选取是否输出告警或者预警或者更新背景图像的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104367177A CN103177237A (zh) | 2011-12-22 | 2011-12-22 | 一种基于在线激光的视频监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104367177A CN103177237A (zh) | 2011-12-22 | 2011-12-22 | 一种基于在线激光的视频监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103177237A true CN103177237A (zh) | 2013-06-26 |
Family
ID=48637080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104367177A Pending CN103177237A (zh) | 2011-12-22 | 2011-12-22 | 一种基于在线激光的视频监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103177237A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463253A (zh) * | 2015-01-06 | 2015-03-25 | 电子科技大学 | 基于自适应背景学习的消防通道安全检测方法 |
CN104613892A (zh) * | 2014-12-31 | 2015-05-13 | 中国铁路总公司 | 融合视频检测技术和激光测距技术的复合雪深监测系统 |
CN105181082A (zh) * | 2015-04-30 | 2015-12-23 | 湖南大学 | 一种基于可见激光和图像处理的液位检测方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178812A (zh) * | 2007-12-10 | 2008-05-14 | 北京航空航天大学 | 一种结构光光条中心线提取的混合图像处理方法 |
CN101446483A (zh) * | 2008-12-30 | 2009-06-03 | 重庆大学 | 光电跟踪宏像素迭代质心法 |
CN101655347A (zh) * | 2009-08-20 | 2010-02-24 | 浙江工业大学 | 基于激光二极管光源的主动三维立体全方位视觉传感器 |
CN101739827A (zh) * | 2009-11-24 | 2010-06-16 | 北京中星微电子有限公司 | 一种车辆检测跟踪方法和装置 |
US20110050899A1 (en) * | 2008-01-15 | 2011-03-03 | Marcel Merkel | Surveillance module for a video surveillance system, method for monitoring the state of a surveillance region, and computer program |
CN102221937A (zh) * | 2010-04-15 | 2011-10-19 | 上海天派无线科技有限公司 | 实时视频图像坐标识别系统及其方法 |
-
2011
- 2011-12-22 CN CN2011104367177A patent/CN103177237A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178812A (zh) * | 2007-12-10 | 2008-05-14 | 北京航空航天大学 | 一种结构光光条中心线提取的混合图像处理方法 |
US20110050899A1 (en) * | 2008-01-15 | 2011-03-03 | Marcel Merkel | Surveillance module for a video surveillance system, method for monitoring the state of a surveillance region, and computer program |
CN101446483A (zh) * | 2008-12-30 | 2009-06-03 | 重庆大学 | 光电跟踪宏像素迭代质心法 |
CN101655347A (zh) * | 2009-08-20 | 2010-02-24 | 浙江工业大学 | 基于激光二极管光源的主动三维立体全方位视觉传感器 |
CN101739827A (zh) * | 2009-11-24 | 2010-06-16 | 北京中星微电子有限公司 | 一种车辆检测跟踪方法和装置 |
CN102221937A (zh) * | 2010-04-15 | 2011-10-19 | 上海天派无线科技有限公司 | 实时视频图像坐标识别系统及其方法 |
Non-Patent Citations (1)
Title |
---|
杨红丽: "目标识别与跟踪在激光主动侦查中的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104613892A (zh) * | 2014-12-31 | 2015-05-13 | 中国铁路总公司 | 融合视频检测技术和激光测距技术的复合雪深监测系统 |
CN104613892B (zh) * | 2014-12-31 | 2017-12-12 | 中国铁路总公司 | 融合视频检测技术和激光测距技术的复合雪深监测系统 |
CN104463253A (zh) * | 2015-01-06 | 2015-03-25 | 电子科技大学 | 基于自适应背景学习的消防通道安全检测方法 |
CN104463253B (zh) * | 2015-01-06 | 2018-02-02 | 电子科技大学 | 基于自适应背景学习的消防通道安全检测方法 |
CN105181082A (zh) * | 2015-04-30 | 2015-12-23 | 湖南大学 | 一种基于可见激光和图像处理的液位检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9652863B2 (en) | Multi-mode video event indexing | |
Rakibe et al. | Background subtraction algorithm based human motion detection | |
CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
CN101957997B (zh) | 一种动态场景中基于区域均值核密度估计的运动目标检测方法 | |
US8744125B2 (en) | Clustering-based object classification | |
López-Rubio et al. | Foreground detection in video sequences with probabilistic self-organizing maps | |
CN103077423B (zh) | 基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN114419825B (zh) | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 | |
CN103942557B (zh) | 一种煤矿井下图像预处理方法 | |
CN110532889A (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
Liu et al. | Moving detection research of background frame difference based on Gaussian model | |
Wang | Joint random field model for all-weather moving vehicle detection | |
CN104766099A (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
CN109376736A (zh) | 一种基于深度卷积神经网络的视频小目标检测方法 | |
CN115761537A (zh) | 一种面向动态特征补充机制的输电线路异物入侵识别方法 | |
CN106326850A (zh) | 快速车道线检测方法 | |
Ham et al. | Vision based forest smoke detection using analyzing of temporal patterns of smoke and their probability models | |
CN103177237A (zh) | 一种基于在线激光的视频监测方法和装置 | |
Liu et al. | Video monitoring of Landslide based on background subtraction with Gaussian mixture model algorithm | |
Ma et al. | Vessel motion pattern recognition based on one-way distance and spectral clustering algorithm | |
Elbaşi | Fuzzy logic-based scenario recognition from video sequences | |
CN109636834A (zh) | 基于tld改进算法的视频车辆目标跟踪算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130626 |