CN103489202A - 基于视频的入侵检测方法 - Google Patents

Abstract

本发明公开了一种入侵检测方法。其中包括：建立监控场景的背景模型；提取监控场景的运动目标；分析运动目标的轨迹与形态，判定入侵目标。本发明设计合理，使用新型基于视频的入侵检测方法可以有效排除快速光线变化，相机晃动，动态背景等环境干扰，可实时可靠的自动检测入侵目标。

Description

基于视频的入侵检测方法

技术领域

本发明属于视频监控领域，尤其是一种实时的自动入侵检测方法。

技术背景

随着国家对于平安城市等安防项目的大力投入，视频监控得到了快速发展。目前的视频监控大多停留在人工进行查看的状况。人工查看实时的视频图像，由于长时间监控画面中没有入侵目标出现，而且一个安保人员要负责很多路监控画面，因此，非常容易导致安保人员的疲劳，真正出现危险入侵时，不能及时发现。人工监控的方式，导致视频监控系统变成了一种安全事件发生后的取证系统，而不是在安全事件发生前或发生时的预防系统。

随着智能视频监控技术的日益成熟，以人工智能与视频分析等技术为主的智能安防系统在一定程度上弥补了人工监控的不足。智能安防系统可以帮助安保人员快速分析大量现场传回的视频，并作出决策，极大的提高了视频监控系统的实际价值，因此有着广阔的发展空间和巨大的潜在市场。

智能入侵检测系统是指通过视频分析的方法，自动发现监控视频中的入侵目标，并且根据一定判定条件，确定是否自动报警。现有的智能入侵检测系统在目标提取上，大多使用混合高斯背景建模技术，对于普通的动态背景，如缓慢的光照变化，轻微的相机晃动等具有较好的处理效果。但对于快速的光照变化，剧烈相机抖动，较大幅度的树枝摆动等处理效果不理想，经常会产生错误报警，限制了其实际的使用范围。在入侵目标的报警条件判断上，大多采用轨迹跟踪，通过运动距离长度与一些预先训练好的模型匹配来实现报警。在实际使用过程中，由于相机实际安装角度与预先学习样本差异，受其他动态场景，影像噪声等因素影响会造成很多漏报，误报，造成在实际使用中的很多不便。

发明内容

本发明的目的在于解决上述的现有问题，提出一种视频监控领域的入侵检测方法，该方法可以适应多种恶劣监控环境，对相机安装角度无特殊要求，自动发现入侵目标准确快速，可以极大提高现有视频监控系统的安全防护效率。

本发明通过如下方案实现：

一种基于视频的入侵检测方法，以此通过视频数据采集，动态背景建模，运动目标提取，运动目标跟踪，轨迹分析，判定入侵目标。具体包括以下步骤：

A.建立以及更新背景模型，提取前景；

B.对前景进行形态学处理与目标提取；

C.使用目标跟踪算法对运动目标进行跟踪，获取目标坐标；

D.进行轨迹分析，包括分析目标轨迹以及形态，更新目标状态；

E.给出入侵报警信息。

其特征在于所述步骤A包括如下步骤：

A1.在跟踪算法启动时，进行一定时间的背景学习，此背景建模方法使用颜色编码表，但不限制于该方法，可以使用任何动态背景建模方法。

A2.根据背景建模方法，提取前景图像，并为前景图像建立历史运动模板，若当前一帧图像检测到前景的位置，此位置运动模板值为一个特定整数，若某一位置当前图像没有检测为前景，则减去1，若以及为0，则不进行操作。

A3.更新背景模型，历史运动模板不为0的位置不进行更新。

其特征在于所述步骤D包括如下步骤：

D1.分析目标形态，保存目标的历史形态特征，使用矩形区域表示，通过计算目标历史形态的长宽比，面积的方差判定目标形态是否稳定，稳定度小于一定阈值，则认为是噪声。

D2.分析轨迹长度，目标生存时间大于一定阈值并且轨迹起点距离终点长度如果大于与目标尺寸相关的一定长度阈值，并且在D1中没有被判定为噪声，则判定为入侵目标。

本发明的优点和积极效果是：

通过使用运动目标的历史运动模板来辅助颜色编码表进行监控场景逐帧的背景更新，使得背景模型可以适应快速变化的背景，并且不会影响到运动目标侦测的灵敏度，使得基于视频的入侵检测系统可以适应多种复杂监控环境，并且具有很高的运算效率。

通过使用基于形态和轨迹的入侵目标确认方法，可以有效的去除在目标提取阶段错误检测为前景的目标，极大提高了入侵目标检测的精确性，并且该方法构思简单，易于实现。

附图说明

图1是基于视频的入侵检测方法流程图。

图2是背景模型更新方法的实施例的流程示意图。

图3是轨迹分析方法实施例的流程示意图。

具体实施方式：

一种基于视频的入侵检测方法，其流程如图1所示。具体包括以下步骤：

A.建立以及更新背景模型，提取前景；

B.对前景进行形态学处理与目标提取；

C.使用目标跟踪算法对运动目标进行跟踪，获取目标坐标；

D.分析目标轨迹以及形态，更新目标状态；

E.给出入侵报警信息。

其特征在于所述步骤A包括如下步骤：

A1.在跟踪算法启动时，进行一定时间的背景学习，此背景建模方法使用颜色编码表，但不限制于该方法，可以使用任何动态背景建模方法。

A2.根据背景建模方法，提取前景图像，并为前景图像建立历史运动模板，若当前一帧图像检测到前景的位置，此位置运动模板值为一个特定整数，若某一位置当前图像没有检测为前景，则减去1，若以及为0，则不进行操作。

A3.更新背景模型，历史运动模板不为0的位置不进行更新。

其特征在于所述步骤D包括如下步骤：

D1.分析目标形态稳定性，保存目标的历史形态特征，使用矩形区域表示，通过计算目标历史形态的长宽比，面积的方差判定目标形态是否稳定，稳定度小于一定阈值，则认为是噪声。

D2.分析轨迹长度，目标生存时间大于一定阈值并且轨迹起点距离终点长度如果大于与目标尺寸相关的一定长度阈值，并且在D1中没有被判定为噪声，则判定为入侵目标。

下面以图2为例，具体说明背景建模算法的实现方法：

步骤201，在入侵检测算法初次启动时，开始学习背景模型。背景模型使用颜色编码表表示。背景模型中每个像素点使用20个编码节点表示。每个编码节点由三个颜色通道的最大最小值表示，使用RedMin，RedMax表示红色通道的最小值与最大值，GreenMin，GreenMax表示绿色通道的最小值与最大值，BlueMin，BlueMax表示蓝色通道的最小值与最大值，统一使用ColorMin，ColorMax表示。在背景学习阶段，背景模型有一个学习速率参数ColorMod，如果新一帧的图像颜色值R，G，B，统一使用Color表示。都满足ColorMin-ColorMod＜Color＜ColorMax+ColorMod，则更新该编码节点，ColorMin更新为Color与ColorMin-ColorMod中的较小值，ColorMax更新为Color与ColorMod中较大值。否则，产生新的编码节点，使得ColorMin与ColorMax值都为Color。在学习背景模型阶段，学习100-200帧图像。

步骤202，完成背景学习后，再新输入一帧图像，进入前景检测模块，对于背景模型，具有一个颜色补偿值Mod，设置为3至10之间，对于新输入图像的每一个像素点颜色值Color，使用在步骤201中学习的颜色编码表，从表中的第一个节点开始判定，依次遍历该像素点的所有颜色编码节点，如果某一个节点满足Color+Mod＞ColorMin并且Color-Mod＜ColorMax，则结束遍历，该像素点被判定为背景，如果遍历所有像素点都不满足，则该像素点被判定为前景。

步骤203，对于相邻两帧图像，对应像素点颜色差值的绝对值为ColorDiff＝abs(Color1-Color2)，历史差值均值表示为MeanColorDiff＝MeanColorDiff*0.95+ColorDiff*0.05，以更新率0.05进行更新。如果ColorDiff＞3*MeanColorDiff，则认为该像素点发生运动，在一幅与输入图像相同大小的前景图DiffFore中对应像素点赋值为1，否则赋值为0。

步骤204，建立与输入图像相同大小的运动历史模板图MotionFore，如果在步骤203中的DiffFore中像素点的值为1，则在MotionFore中将相应像素点赋值为M，M为一个整数，范围在10到100之间，根据实际使用场景决定，对于快速变化的场景，取值较小，慢速变化场景，取值较大。在步骤203中像素点如果值为0，则在MotionFore中对应的像素点的值减1，如果值为0，则不进行操作。

步骤205，更新背景模型，如果MotionFore对应像素点为0，更新该像素点背景模型，方法同步骤201。

步骤206，背景模型按照每个像素20个编码节点统一分配内存，当背景模型内存占用率超过90％，需要清理长时间没有出现的内存，防止内存占满，无法为新出现的颜色分配内存。

步骤207，清理背景模型，在步骤205中，记录了编码节点上一次出现时间，如果当前帧距离上次出现帧N-NPre＞Thres，Thres为背景模型清理阈值，设定为1000，则该编码节点被删除。

步骤201至步骤207描述了一种优选的背景模型更新方法。实验结果表明，使用本实施例进行背景模型更新以及前景提取，可以适应快速变化的监控环境，比直接使用动态背景模型进行背景更新检测到更加准确的前景。

下面以图3为例，具体说明轨迹分析的实施方法。

步骤301，判定目标形态，运动目标使用矩形区域描述，表示为Rect，矩形宽度RectWidth，矩形高度RectHeight，矩形面积RectArea＝RectWidth*RectHeight，矩形长宽比RectRatio＝RectWidth/RectHeight。目标会存储每一次检测到的矩形。要计算目标矩形长宽比与矩形面积的方差，RectRatioMean＝(RectRatio1+RectRatio2+…+RectRatioN)/N，RectAreaMean＝(RectArea1+RectArea2+…+RectAreaN)/N。RectRatioVar＝((RectRatio1-RectRatioMean)*(RectRatio1-RectRatioMean)+…+(RectRatioN-RectRatioMean)*(RectRatioN-RectRatioMean))/N，相同方法可计算RectAreaVar。如果目标的RectRatioVar＞0.1*RectRatioMean*RectRatioMean，则认为该目标不稳定，判定为噪声。如果目标的RectAreaVar＞0.1*RectAreaMean*RectAreaMean，则认为该目标不稳定，判定为噪声。

步骤302，判定目标轨迹长度，如果在步骤301中目标没有被判定为噪声，则计算目标尺寸TarSize，将目标宽度从小到大排序，取得中位数TarWidth，将目标高度从小到大排序，取得中位数TarHeight，目标尺寸使用TarWidth与TarHeight的较小值表示。目标的轨迹长度PathLen为目标起点距离终点的直线距离。如果PathLen＞10*TarSize并且目标产生的时间长度LiveTime＞5秒，则判定目标为激活状态。

步骤301至步骤302描述了轨迹分析的方法，实验结果表明，通过该实施例的方法，可以有效去除由于环境噪声以及相机晃动在背景建模中无法去掉的前景目标造成的错误触发。具有实现方式简单，效果良好的优点。

Claims (3)

1.一种基于视频的入侵检测方法，包括如下步骤：

A.建立以及更新背景模型，提取前景；

B.对前景进行形态学处理与目标提取；

C.使用目标跟踪算法对运动目标进行跟踪，获取目标坐标；

D.轨迹分析，包括分析目标轨迹以及形态，更新目标状态；

E.给出入侵报警信息；

其特征在于步骤A所使用的背景模型更新方法；

其特征在于步骤D所使用的轨迹分析方法。

2.根据权利要求1所述的基于视频的入侵检测方法，其特征在于所述步骤A包括如下步骤：

A1.在跟踪算法启动时，进行一定时间的背景学习，此背景建模方法使用颜色编码表，但不限制于该方法，可以使用任何动态背景建模方法；

A2.根据背景建模方法，提取前景图像，并为前景图像建立历史运动模板，若当前一帧图像检测到前景的位置，此位置运动模板值为一个特定整数，若某一位置当前图像没有检测为前景，则减去1，若以及为0，则不进行操作；

A3.更新背景模型，历史运动模板不为0的位置不进行更新。

3.根据权利要求1所述的基于视频的入侵检测方法，其特征在于所述步骤D包括如下步骤：

D1.分析目标形态，保存目标的历史形态特征，使用矩形区域表示，通过计算目标历史形态的长宽比，面积的方差判定目标形态是否稳定，稳定度小于一定阈值，则认为是噪声；

D2.分析轨迹长度，目标生存时间大于一定阈值并且轨迹起点距离终点长度如果大于与目标尺寸相关的一定长度阈值，并且在D1中没有被判定为噪声，则判定为入侵目标。

Images