CN104168462A - 基于图像角点集特征的摄像头场景变换检测方法 - Google Patents

Abstract

一种基于图像角点集特征的摄像头场景变换检测方法，包括如下步骤：步骤一、获取图像角点集信息；步骤二、训练角点集匹配模板；步骤三、判断场景是否变换。本发明将图像角点集信息特征和数学统计概率模板结合在一起，用于评判摄像头监控范围是否产生场景变换，处理时采用图像角点集信息，相对于现有的仅仅采用角点信息，不但有着缓解偶然因素造成的伪角点的干扰，而且角点集信息本身具有统计学上的概率稳定性，也便于后续角点匹配工作；而预先训练的全局角点集概率匹配模板，在本质上也是利用角点出现区域的统计学概率事件而制作的；因此，本发明能在很大程度上排除外界偶然因素的影响，能够适应实际工程应用的环境，并且能取得精确的检测效果。

Description

基于图像角点集特征的摄像头场景变换检测方法

技术领域

本发明属于图像处理技术领域，具体的为一种基于图像角点集特征的摄像头场景变换检测方法，主要用于对视频监控中场景变换这一情况进行实时监控，从而判断监控摄像头的监控状态是否符合要求。

背景技术

随着视频监控技术的广泛应用，基于图像处理的异常事件自动检测技术成为了研究热点。目前大多数视频自动检测技术是基于特定检测区域来进行异常事件检测的，一旦摄像头监控范围变化或场景变换，必然使得检测区域出现错位，从而影响事件自动检测的结果。因此，研究如何及时、准确地检测出视频监控设备监控范围场景变换事件，能够有效地为视频监控系统的运行提供可靠保障，具有重要的社会意义和应用前景。

视频监控技术被广泛应用于生活的各个角落，是现代生活管理中一个有力工具。在公共安保中，随着社会的发展以及公共安全形势的日益复杂，许多城市都不同程度地加大了对视频监控系统的投入，视频监控系统正成为安保行业必不可少的环节，由其组成的“天网”在协助安保部门有效预防违法犯罪、保护公共财产、营造安定和谐的社会环境等方面发挥着重要作用；在生产作业中，视频监控技术的引进在节约了大量人力资源的同时，有效防止了安全事故的发生，保障了工业生产的安全进行，减少了经济损失；在交通管理中，视频监控系统能够帮助交通管理部门实时监控道路车辆和人员信息，实现快速、准确的交通指挥调度，确保道路安全畅通，同时视频监控可以准确记录各类车辆信息，为违章处罚、案件侦破等提供科学、有效的依据。

然而，由于监控摄像头反馈的数据众多，传统的人工处理方式已不能胜任，因此，目前视频监控异常事件自动检测技术正逐步代替传统的人工处理技术。然而，自动检测技术的准确性是基于正确的检测场景的基础上的，监控场景的变换可能有以下两类原因：一是前端摄像头受外界因素影响造成大幅偏移，二是监控中心终端监控器与前端摄像头之间的对应关系受操作人员无意的切换。这些监控场景的变换对于目前已有的异常事件检测算法是无法感知的，而监控场景变换后，现有的视频监控异常事件自动检测技术无法保证准确性要求。

摄像头的场景变换，其本质上也体现在摄像头所捕捉的图像的特征信息是否发生了变化。目前，基于图像处理的场景特征提取与匹配的相关方法主要有基于图像像素域特征的视频场景检测和基于图像内容特征的视频场景检测两种方法。视频像素域特征主要体现在视频的颜色值、灰度值等像素特征方面，并结合阈值标定技术来实现偏差检测的，此类特征忽略了图像全局信息，而且很大程度上依赖于合适的阈值，检测精度不高。图像内容特征是基于图像像素规则排列的，由于场景图像中的物体与物体、物体与背景之间的颜色值存在差异，物体的纹理、边缘、角点等信息便通过像素颜色值的突变得以表现出来。

现有文献中提到的场景变化检测方法都是在理想环境下单纯地针对图像特征的提取与匹配，没有考虑到外界因素的干扰以及噪点的影响，直接应用于现实环境下的检测效果不佳，尤其是要在干扰因素众多、环境条件不佳的高速公路等环境下实现较为准确的场景变换的检测，是亟需解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于图像角点集特征的摄像头场景变换检测方法，其能够克服现实工程应用环境中存在的干扰因素众多、环境条件不佳等困难，实现对视频监控中场景变换这一情况进行实时监控。

为达到上述目的，本发明提供如下技术方案：

一种基于图像角点集特征的摄像头场景变换检测方法，包括如下步骤：

步骤一、获取图像角点集信息

(1)在待检测视频图像中选取合适的感兴趣区域，并制作蒙版，得到屏蔽感兴趣区域以外图像信息的感兴趣区域灰度图；

(2)利用统计直方图设置所述感兴趣区域灰度图的自适应二值分割阈值，提取感兴趣区域灰度图的角点；

(3)对提取的角点进行去伪降噪处理，获取稳定可靠的角点集信息；

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则执行步骤三，否则执行步骤二；

步骤二、训练角点集匹配模板

(1)确定训练角点集匹配模板的样本阀值；

(2)选取训练角点集匹配模板时的角点活跃区域尺寸阈值；

(3)利用获取的角点集信息训练角点集匹配模板，角点集匹配模板的训练次数加一；

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则角点集匹配模板训练完成，确定角点高频区阈值，最终得到全局概率角点集匹配模板，并执行步骤一；

步骤三、判断场景是否变换

(1)设定未匹配角点的梯度阈值、连续异常帧数的阀值、总角点数浮动阈值上限和总角点数浮动阈值下限；

(2)将所述步骤一获取的待检测视频图像的角点集与所述步骤二训练得到的角点集匹配模板进行角点集匹配，读取角点集匹配模板中与待检测视频图像的角点集对应位置的像素信息，得到匹配角点与未匹配角点的数目，若待检测视频图像的角点集同时满足：

未匹配角点的数目<未匹配角点的梯度阈值

和

总角点数浮动阈值下限<角点集的总角点数<总角点数浮动阈值上限

则连续异常帧数值归零，执行步骤一；否则连续异常帧数值加一；

若

连续异常帧数值≥连续异常帧数的阀值

则判定摄像头场景发生变换，连续异常帧数值归零，角点集匹配模板的训练次数归零，并执行步骤一。

进一步，所述步骤二中，对角点进行去伪降噪处理的方法为：

a.排除伪角点：设定角点与所述感兴趣区域边缘之间的距离阀值，排除与所述感兴趣区域边缘的距离小于所述距离阀值的角点；

b.排除噪点：采用聚类算法对提取的角点聚类，当某一类的元素数量少于设定的元素数量阀值时，则予以剔除。

进一步，所述聚类算法的目标函数为：

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j\&Element;\{\mathrm{1,2},...,k\}}{\min }{\left|\right|x_i-p_j\left|\right|}^2\&DoubleRightArrow;{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&Sigma;}}_{j=1,p_{\mathrm{ji}}\&Element;C_j}^m\min {\left|\right|x_i-p_{\mathrm{ji}}\left|\right|}^2$

其中，对于左式，i表示元素标号，j表示类别标号，x_i代表待聚类的点，p_j代表聚类中心；

对于右式，i表示元素标号，j表示类别标号，则x_i表示待聚类元素，p_ji表示该类中一个元素，C_j表示该类的点的集合。

进一步，所述步骤二中，采用Harris角点检测方法提取感兴趣区域灰度图的角点。

本发明的有益效果在于：

本发明基于图像角点集特征的摄像头场景变换检测算法主要是根据前端监控摄像头所捕获的场景图像，提取其中的角点特征信息，并通过去伪与降噪处理后得到较为可靠的角点集信息；然后利用变换前的场景图像训练全局角点集概率匹配模板，再根据匹配模板实现角点集的匹配，最后通过匹配相关阈值，判断摄像头场景是否发生偏差；

本发明将图像角点集信息特征和数学统计概率模板结合在一起，用于评判摄像头监控范围是否产生场景变换，处理时采用图像角点集信息，相对于现有的仅仅采用角点信息，不但有着缓解偶然因素造成的伪角点的干扰，而且角点集信息本身具有统计学上的概率稳定性，也便于后续角点匹配工作；而预先训练的全局角点集概率匹配模板，在本质上也是利用角点出现区域的统计学概率事件而制作的；因此，本发明能在很大程度上排除外界偶然因素的影响，能够适应现实工程应用的环境，并且能在该环境下取得精确的检测效果，即能够克服现实工程应用环境中存在的干扰因素众多、环境条件不佳等困难，实现对视频监控中场景变换这一情况进行实时监控。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于图像角点集特征的摄像头场景变换检测方法实施例的流程图；

图2为场景变换角点数据统计图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，为本发明基于图像角点集特征的摄像头场景变换检测方法实施例的流程图。本实施例基于图像角点集特征的摄像头场景变换检测方法，包括如下步骤：

步骤一、获取图像角点集信息

(1)在待检测视频图像中选取合适的感兴趣区域，并制作蒙版，得到屏蔽感兴趣区域以外图像信息的感兴趣区域灰度图。具体的，根据不同场景的需要，选取合适的感兴趣区域；然后，新建一幅灰度值全0(即全黑)的IplImage类型的图像，将处于感兴趣区域中的像素灰度值置255，得到了蒙版图像；再将待检测视频图像的灰度图与蒙版图像位与操作，即可得到屏蔽感兴趣区域以外信息的感兴趣区域灰度图。在选取感兴趣区域时，尽量选取物体相对静止且运动物体一般不会闯入的区域。

(2)利用统计直方图设置所述感兴趣区域灰度图的自适应二值分割阈值，提取感兴趣区域灰度图的角点。本实施例采用Harris角点检测方法提取感兴趣区域灰度图的角点。为了能够更好的提取角点，需要对图像进行二值化处理，这里对感兴趣区域灰度图采用统计直方图的形式统计出该灰度图像中的像素灰度分布情况；由于感兴趣区域外的像素灰度全为0，而感兴趣区域内的像素灰度基本不为0，因此在排除灰度值为0的统计项后，取得像素灰度平均值，即为自适应二值分割阈值；在此基础上，利用Harris角点检测方法提取角点。

(3)对提取的角点进行去伪降噪处理，获取稳定可靠的角点集信息。本实施例对角点进行去伪降噪处理的方法为：

a.排除伪角点：设定角点与所述感兴趣区域边缘之间的距离阀值，排除与感兴趣区域边缘的距离小于所述距离阀值的角点。由于画感兴趣区域时，感兴趣区域斜线边缘处可能导致像素级的锯齿点，从而出现了伪角点，本实施例通过设置角点与感兴趣区域边缘之间的距离限制，得以排除伪角点。

b.排除噪点：采用聚类算法对提取的角点聚类，当某一类的元素数量少于设定的元素数量阀值时，则予以剔除。在高速公路这样多变复杂的环境下，噪点因素的干扰不可避免；一般情况下，噪点是以少量单个的形式存在的，因此这里通过聚类方法对检测到的角点聚类，当某一类元素个数少于一定设定的元素数量阀值时，则予以剔除，从而达到排除部分噪点的效果。

本实施例的聚类算法的目标函数为：

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j\&Element;\{\mathrm{1,2},...,k\}}{\min }{\left|\right|x_i-p_j\left|\right|}^2\&DoubleRightArrow;{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&Sigma;}}_{j=1,p_{\mathrm{ji}}\&Element;C_j}^m\min {\left|\right|x_i-p_{\mathrm{ji}}\left|\right|}^2$

其中，对于左式，i表示元素标号，j表示类别标号，x_i代表待聚类的点，p_j代表聚类中心；

对于右式，i表示元素标号，j表示类别标号，则x_i表示待聚类元素，p_ji表示该类中一个元素，C_j表示该类的点的集合。

即本实施例的聚类算法为基于传统的ISODATA聚类算法的基础上根据需要改进得来的，传统的ISODATA聚类算法原则为：当某一点距离某一类的类心满足一定距离约束时，就将其归为该类(合并操作)；当某一类中元素的均方差超过一定阈值时，则将该类重新分为两类(分裂操作)，此即为类心距离标准。本实施例根据聚类需要，将聚类标准改为当某一点距离某一类中任一元素满足一定距离约束时，则将其归为该类，即类元素距离标准。

利用该改进后的ISODATA聚类算法对角点进行聚类操作，并统计每一类中元素的数目，通过设置一定的类元素数目阈值排除因噪点而产生的角点或角点簇，从而达到筛选的目的。这样一来，便可以得到较为稳定可靠地角点集信息。

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则执行步骤三，判断场景是否变换；否则执行步骤二，训练角点集匹配模板。

步骤二、训练角点集匹配模板

(1)确定训练角点集匹配模板的样本阀值。训练角点集匹配模板的样本量越大，固然能够统计出未发生场景变换时可能出现的多种情况，能够使得检测的精度大大提高；但是，训练样本越大，耗时越多，当发生场景变换后再次训练角点集匹配模板的时间要求也越高，影响了其连续检测的灵敏度。因此，本实施例通过大量实验检测的统计结果分析权衡，取样本阀值为30。

(2)选取训练角点集匹配模板时的角点活跃区域尺寸阈值。角点活跃区是指角点由于受到外部干扰因素的影响，其位置可能浮动的范围区域。根据统计的相关数据，以及视觉上的可视要求，最终确定角点活跃区域为角点周围半径为6的区域。

(3)利用获取的角点集信息训练角点集匹配模板，角点集匹配模板的训练次数加一。

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则角点集匹配模板训练完成，确定角点高频区阈值，最终得到全局概率角点集匹配模板，并执行步骤一。

本实施例的角点集匹配模板训练过程如下：首先，初始化一个灰度值全0的图像模板，利用训练样本的角点集信息，确定每一个角点的活跃区域，对于活跃区域的每一个像素每标记一次为活跃区，将其像素灰度值自加一；当训练样本量达到样本阈值时，则停止训练；然后，根据角点高频区域阈值，对模板中灰度值小于高频区域阈值的像素位置信息予以剔除，全部置0；对于灰度值大于高频区域阈值的像素则将其灰度值置为255。这样便得到了全局概率角点集匹配模板，可以用于后续的检测匹配，本实施例的高频区域阈值设定为80％的样本阀值。

步骤三、判断场景是否变换

(1)设定未匹配角点的梯度阈值、连续异常帧数的阀值、总角点数浮动阈值上限和总角点数浮动阈值下限。本实施例1)通过大量实验，采用数学统计方法确定连续异常帧数的阀值设置为15、总角点数浮动阈值上限为150％、总角点数浮动阈值下限为30％，未匹配角点的梯度阈值如表1所示：

表1：未匹配角点的梯度阈值

表1中的PtNum为待检测视频图像去伪降噪筛选后的总角点数目，本实施例中最多只是提取100个角点，故没有设置总角点数目大于100时的梯度阈值，但总角点数目的提取数量可根据需要调整。

(2)将所述步骤一获取的待检测视频图像的角点集与所述步骤二训练得到的角点集匹配模板进行角点集匹配，读取角点集匹配模板中与待检测视频图像的角点集对应位置的像素信息，得到匹配角点与未匹配角点的数目。由于训练好的角点集匹配模板中，角点高频区域以外的像素值全为0，故判断一个角点是否匹配，即判断其是否在角点高频区内，而如果其在角点高频区内，其模板上对应的坐标位置上的像素值应该为255，因此可以根据该原理快速判断角点的匹配情况。

若待检测视频图像的角点集同时满足：

未匹配角点的数目<未匹配角点的梯度阈值

和

总角点数浮动阈值下限<角点集的总角点数<总角点数浮动阈值上限

则连续异常帧数值归零，执行步骤一，直至视频完毕；否则连续异常帧数值加一；

若

连续异常帧数值≥连续异常帧数的阀值

则判定摄像头场景发生变换，连续异常帧数值归零，角点集匹配模板的训练次数归零，并执行步骤一，直至视频完毕。

本实施例基于图像角点集特征的摄像头场景变换检测算法主要是根据前端监控摄像头所捕获的场景图像，提取其中的角点特征信息，并通过去伪与降噪处理后得到较为可靠的角点集信息；然后利用变换前的场景图像训练全局角点集概率匹配模板，再根据匹配模板实现角点集的匹配，最后通过匹配相关阈值，判断摄像头场景是否发生偏差；

本实施例将图像角点集信息特征和数学统计概率模板结合在一起，用于评判摄像头监控范围是否产生场景变换，处理时采用图像角点集信息，相对于现有的仅仅采用角点信息，不但有着缓解偶然因素造成的伪角点的干扰，而且角点集信息本身具有统计学上的概率稳定性，也便于后续角点匹配工作；而预先训练的全局角点集概率匹配模板，在本质上也是利用角点出现区域的统计学概率事件而制作的；因此，本发明能在很大程度上排除外界偶然因素的影响，能够适应现实工程应用的环境，并且能在该环境下取得精确的检测效果，即能够克服现实工程应用环境中存在的干扰因素众多、环境条件不佳等困难，实现对视频监控中场景变换这一情况进行实时监控。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种基于图像角点集特征的摄像头场景变换检测方法，其特征在于：包括如下步骤：

步骤一、获取图像角点集信息

(1)在待检测视频图像中选取合适的感兴趣区域，并制作蒙版，得到屏蔽感兴趣区域以外图像信息的感兴趣区域灰度图；

(2)利用统计直方图设置所述感兴趣区域灰度图的自适应二值分割阈值，提取感兴趣区域灰度图的角点；

(3)对提取的角点进行去伪降噪处理，获取稳定可靠的角点集信息；

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则执行步骤三，否则执行步骤二；

步骤二、训练角点集匹配模板

(1)确定训练角点集匹配模板的样本阀值；

(2)选取训练角点集匹配模板时的角点活跃区域尺寸阈值；

(3)利用获取的角点集信息训练角点集匹配模板，角点集匹配模板的训练次数加一；

(4)若

角点集匹配模板的训练次数≥训练角点集匹配模板的样本阀值

则角点集匹配模板训练完成，确定角点高频区阈值，最终得到全局概率角点集匹配模板，并执行步骤一；

步骤三、判断场景是否变换

(1)设定未匹配角点的梯度阈值、连续异常帧数的阀值、总角点数浮动阈值上限和总角点数浮动阈值下限；

(2)将所述步骤一获取的待检测视频图像的角点集与所述步骤二训练得到的角点集匹配模板进行角点集匹配，读取角点集匹配模板中与待检测视频图像的角点集对应位置的像素信息，得到匹配角点与未匹配角点的数目，若待检测视频图像的角点集同时满足：

未匹配角点的数目<未匹配角点的梯度阈值

和

总角点数浮动阈值下限<角点集的总角点数<总角点数浮动阈值上限

则连续异常帧数值归零，执行步骤一；否则连续异常帧数值加一；

若

连续异常帧数值≥连续异常帧数的阀值

则判定摄像头场景发生变换，连续异常帧数值归零，角点集匹配模板的训练次数归零，并执行步骤一。

2.根据权利要求1所述基于图像角点集特征的摄像头场景变换检测方法，其特征在于：所述步骤二中，对角点进行去伪降噪处理的方法为：

(1)排除伪角点：设定角点与所述感兴趣区域边缘之间的距离阀值，排除与所述感兴趣区域边缘的距离小于所述距离阀值的角点；

(2)排除噪点：采用聚类算法对提取的角点聚类，当某一类的元素数量少于设定的元素数量阀值时，则予以剔除。

3.根据权利要求2所述基于图像角点集特征的摄像头场景变换检测方法，其特征在于：所述聚类算法的目标函数为：

$\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j\&Element;\{\mathrm{1,2},...,k\}}{\min }{\left|\right|x_i-p_j\left|\right|}^2\&DoubleRightArrow;{\mathrm{\&Sigma;}}_{i=1}^n{\mathrm{\&Sigma;}}_{j=1,p_{\mathrm{ji}}\&Element;C_j}^m\min {\left|\right|x_i-p_{\mathrm{ji}}\left|\right|}^2$

其中，对于左式，i表示元素标号，j表示类别标号，x_i代表待聚类的点，p_j代表聚类中心；

对于右式，i表示元素标号，j表示类别标号，则x_i表示待聚类元素，p_ji表示该类中一个元素，C_j表示该类的点的集合。

4.根据权利要求2所述基于图像角点集特征的摄像头场景变换检测方法，其特征在于：所述步骤二中，采用Harris角点检测方法提取感兴趣区域灰度图的角点，并采用角点集作为图像特征的信息载体。