CN103761516A

CN103761516A - 基于视频监控的atm机异常人脸检测方法

Info

Publication number: CN103761516A
Application number: CN201410051985.0A
Authority: CN
Inventors: 李作进; 陈刘奎
Original assignee: Chongqing University of Science and Technology
Current assignee: Chongqing University of Science and Technology
Priority date: 2014-02-14
Filing date: 2014-02-14
Publication date: 2014-04-30
Anticipated expiration: 2034-02-14
Also published as: CN103761516B

Abstract

本发明公开一种基于视频监控的ATM机异常人脸检测方法，先通过肤色模型对视频图像进行二值化处理；然后通过选定有效团块区域和眼睛/嘴巴区域并计算其平均每行白点个数N，Ne，Nm；然后判断N-Ne或N-Nm是否大于阈值N’；如果N-Ne或N-Nm大于N’，进一步判断对称性指标是否大于阈值R；如果对称性指标大于阈值R，则人脸异常标志位置位；最后通过统计人脸异常标志位数据来确定是否进行人脸异常报警。其显著效果是：基于人眼或人嘴的形状特征进行分类识别，而是通过人眼或人嘴被遮挡后本身的像素值发生改变而进行判断，大大提高了异常人脸的鲁棒性，而且算法简单，运算量小，在ATN环境下具有较低的漏检率和误检率。

Description

基于视频监控的ATM机异常人脸检测方法

技术领域

发明涉及视频监控中的图像检测技术，具体地讲，是一种基于视频监控的ATM机异常人脸检测方法。

背景技术

随着银行业的快速发展，ATM机（Automated Tellermachine，即自动柜员机）呈现迅猛发展之势，然而，ATM给我们生活带来方便的同时，也暴露出一些安全上的问题。近年来针对ATM的安全事故时有发生，比如蒙面盗取他人非法钱财等事件。因此，如何减少ATM安全事故的发生逐渐成为人们普遍关注的话题，尤其是如何借助现代防范技术将安全事件遏制在萌芽状态是一个亟待解决的问题。

视频监控作为一种图像数据存贮与再现技术，目前已成为提高ATM安全防范能力的重要工具。现有ATM视频监控系统实现了实时监视、视频保存以及长时间存贮等基本功能，但由于均是采用半人工值守方式，往往容易出现报警不准确、不及时甚至错报、漏报等现象，因而现有的视频监控系统通常适用于事后查证，而无法实现实时分析与及时提醒功能，即无法起到进一步减少安全事件发生的作用。

ATM机前的异常人脸往往存在盗取他人钱财事件的潜在危险，但现有视频监控技术只是实现图像数据的记录，而无法做到及时提醒与预警。因此，如何有效、实时地监控ATM用户环境以及分析判断是否有异常人脸发生并及时发出警报信息是减少此类事件发生的关键所在。由于异常人脸出现较突然，具有高度的隐蔽性，而且所发生的环境较为复杂，现有的智能视频技术借助于人眼与人嘴形状特征分类器实现异常人脸检测，在ATM环境下存在较高的误检率与漏检率，从而导致犯罪分子得以成功盗取他人钱财。

发明内容

为了克服现有技术对于ATM机前异常人脸检测误检率和漏检率高的缺陷，本发明提供了一种基于视频监控的ATM机异常人脸检测方法，主要针对ATM环境下戴墨镜与戴口罩的人脸进行检测并及时输出报警信息，从而简化计算量，提高运算速率，降低漏检率。

为了达到上述目的，本发明所采用的具体技术方案如下：

一种基于视频监控的ATM机异常人脸检测方法，其关键在于包括以下步骤：

步骤1：初始化系统参数，包括设置平均每行白点个数判定阈值N’，对称性指标判定阈值R以及人脸异常标志位置位总数判定阈值n；

步骤2：采集一帧视频图像；

步骤3：通过肤色模型对步骤2所采集的图像进行二值化处理；

步骤4：选定有效团块区域和眼睛/嘴巴区域；

步骤5：计算有效团块区域、眼睛区域以及嘴巴区域平均每行白点个数；其中有效团块区域平均每行白点个数记为N，眼睛区域平均每行白点个数记为Ne，嘴巴区域平均每行白点个数记为Nm；

步骤6：判断N-Ne或N-Nm是否大于阈值N’；

如果N-Ne或N-Nm大于阈值N’，则进入步骤7；否则进入步骤8’；

步骤7：判断对称性指标是否大于阈值R；如果对称性指标大于阈值R，则进入步骤8，否则进入步骤8’；

步骤8：人脸异常标志位置位；

步骤8’：人脸异常标志位清零；

步骤9：统计人脸异常标志位数据；

步骤10：判断人脸异常标志位置位总数是否大于阈值n，如果人脸异常标志位置位总数大于阈值n，则进行人脸异常报警，否则，返回步骤2采集下一帧视频图像。

基于上述方法可以发现，人脸异常检测过程中，计算量较大的仅仅在于利用肤色模型对视频图像进行二值化处理，经过该步骤后，视频图像中为皮肤裸露的区域其像素点为1，相当于白点，被墨镜或口罩遮挡的区域其像素点为0，从而可以确定人脸轮廓，根据正常人的眼睛和嘴巴分布情况可以选定眼睛/嘴巴区域；通过统计各个区域平均每行白点个数即可判定是否出现佩戴墨镜或口罩的情况，为了保证获取的视频图像是正面图像，该方法中采用了对称性指标，当连续几帧图像都判定出人脸异常时，则系统发出异常报警，保证ATM机的安全运行。

为了便于数据处理，所述步骤2中采集的一帧视频图像按照320*240像素大小进行标准化处理。

结合ATM视频监控系统的配置情况，所述步骤3中的肤色模型选用YCbCr颜色空间进行计算，二值化处理时Cb取值为140-190，Cr取值为140-180。

结合人脸面部特征，所述步骤4中选定有效团块的方法是从视频图像的顶部开始，选择二值化处理后像素点为1且相邻区域面积大于100的团块作为有效团块区域；将有效团块区域中行数上边1/3的区域作为眼睛区域，将有效团块区域中行数下边1/3的区域作为嘴巴区域。

作为优选，步骤5中按照

计算有效团块区域平均每行白点个数N，其中K为平均行缩放因子。

作为优选，所述步骤7中对称性指标为视频图像中左右两边像素点二值化处理后的相关系数。

通过采用以上技术方案，本发明的显著效果是：算法并非基于人眼或人嘴的形状特征进行分类识别，而是通过人眼或人嘴被遮挡后本身的像素值发生改变而进行判断，大大提高了异常人脸的鲁棒性，而且算法简单，运算量小，在ATN环境下具有较低的漏检率和误检率。

附图说明

图1是本发明的方法步骤流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图及具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用于解释本发明，并不用于限定本发明。

如图1所示的一种基于视频监控的ATM机异常人脸检测方法的步骤流程图，主要包括：

步骤2：采集一帧视频图像，并按照320*240像素大小进行标准化处理；

步骤3：通过肤色模型对步骤2所采集的图像进行二值化处理，这里的肤色模型选用YCbCr颜色空间进行计算，二值化处理时Cb取值为140-190，Cr取值为140-180；

步骤4：选定有效团块区域和眼睛/嘴巴区域，其中选定有效团块的方法是从视频图像的顶部开始，选择二值化处理后像素点为1且相邻区域面积大于100的团块作为有效团块区域；将有效团块区域中行数上边1/3的区域作为眼睛区域，将有效团块区域中行数下边1/3的区域作为嘴巴区域；因为正常人的眼睛分布在整个人脸图像的上边1/3区域内，嘴巴分布在整个人脸图像的下边1/3区域内，接着利用步骤5对眼睛区域和嘴巴区域的平均每行白点个数进行统计，从而判断是否存在异常；

步骤5：计算有效团块区域、眼睛区域以及嘴巴区域平均每行白点个数；其中有效团块区域平均每行白点个数记为N，并按照

计算，其中K为平均行缩放因子，通常设为0.2，眼睛区域平均每行白点个数记为Ne，嘴巴区域平均每行白点个数记为Nm；

步骤6：判断N-Ne或N-Nm是否大于阈值N’，如果N-Ne或N-Nm大于阈值N’，则进入步骤7；否则进入步骤8’；通常平均每行白点个数判定阈值N’设为2，相当于眼睛区域或者嘴巴区域平均每行白色点的个数比整个有效团块区域平均每行白色点的个数少2个时，则认定为出现人脸异常情况，进一步通过步骤7进行视频图像对称性判断；否则，人脸图像正常，通过步骤8’对人脸异常标志位清零；

步骤7：判断对称性指标是否大于阈值R；如果对称性指标大于阈值R，则进入步骤8，否则进入步骤8’；这里的对称性指标为视频图像中左右两边像素点二值化处理后的相关系数，通过相关系数计算公式

R_{XY} = \frac{Σ_{i = 1}^{M} (X_{i} - \overset{&OverBar;}{X}) (Y_{i} - \overset{&OverBar;}{Y})}{\sqrt{Σ_{i = 1}^{M} {(X_{i} - \overset{&OverBar;}{X})}^{2}} \sqrt{Σ_{i = 1}^{M} {(Y_{i} - \overset{&OverBar;}{Y})}^{2}}}

进行计算，其中X_i表示视频图像中左边各个像素点的像素值，

为其平均，Y_i表示视频图像中右边各个像素点的像素值，

为其平均，M为左右两边像素点的个数，阈值R通常设为0.8，当R_XY小于0.8时，说明视频图像相关性不高，对称性不强，即使判断为人脸异常，有可能存在扭头或者转身等特殊情况，只有当R_XY大于或等于0.8时，才认定属于人脸正面图像，同时满足步骤6和步骤7的判断标准，才确定存在人脸异常，从而利于步骤8进行人脸异常标志位置位。

为了便于统计，步骤8：人脸异常标志位置位；步骤8’：人脸异常标志位清零；

步骤9：统计人脸异常标志位数据；

通常阈值n设为5，相当于在监控时间内如果有5帧视频图像存在人脸异常，则进行异常报警，如果仅仅只有一两帧图像出现这种情况，有可能是其它偶然因素造成，从而提高算法的鲁棒性。

通过上述步骤可以看出，采用该方法对ATM机的视频监控图像进行处理，可以有效检测佩戴墨镜或口罩等异常情况，对蒙面盗取他人非法钱财等事件能够做到即时预警，提高ATM机的安全性能。

Claims

1.一种基于视频监控的ATM机异常人脸检测方法，其特征在于包括以下步骤：

步骤2：采集一帧视频图像；

步骤4：选定有效团块区域和眼睛/嘴巴区域；

步骤6：判断N-Ne或N-Nm是否大于阈值N’；

步骤8：人脸异常标志位置位；

步骤8’：人脸异常标志位清零；

步骤9：统计人脸异常标志位数据；

2.根据权利要求1所述的基于视频监控的ATM机异常人脸检测方法，其特征在于：所述步骤2中采集的一帧视频图像按照320*240像素大小进行标准化处理。

3.根据权利要求1所述的基于视频监控的ATM机异常人脸检测方法，其特征在于：所述步骤3中的肤色模型选用YCbCr颜色空间进行计算，二值化处理时Cb取值为140-190，Cr取值为140-180。

4.根据权利要求3所述的基于视频监控的ATM机异常人脸检测方法，其特征在于：所述步骤4中选定有效团块的方法是从视频图像的顶部开始，选择二值化处理后像素点为1且相邻区域面积大于100的团块作为有效团块区域；将有效团块区域中行数上边1/3的区域作为眼睛区域，将有效团块区域中行数下边1/3的区域作为嘴巴区域。

5.根据权利要求4所述的基于视频监控的ATM机异常人脸检测方法，其特征在于：步骤5中按照

6.根据权利要求1所述的基于视频监控的ATM机异常人脸检测方法，其特征在于：所述步骤7中对称性指标为视频图像中左右两边像素点二值化处理后的相关系数。