CN104202559A - 一种基于旋转不变特征的智能监控系统及方法 - Google Patents

Abstract

本发明公开了一种基于旋转不变特征的智能监控系统及方法。所述系统包括：数据采集终端和流媒体服务器，数据采集终端首先采集原始视频数据，并对采集到的原始视频数据进行伽马矫正、调节白平衡、色彩矫正处理，以消除噪声和畸变因素使得视频图像适用于信道传输。接下来编解码模块对视频数据进行编解码。流媒体服务器主要由解码模块、目标跟踪模块以及行为分析与预警模块组成。核心模块目标检测与跟踪模块采用基于旋转不变特征的智能监控方法进行目标跟踪。本发明技术方案能够有效地对目标进行单跟踪和多目标跟踪，进行关键行为语义分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

Description

一种基于旋转不变特征的智能监控系统及方法

技术领域

本发明涉及智能监控技术领域，具体涉及一种基于旋转不变特征的智能监控系统及方法。

背景技术

视频监控系统的发展过程是从模拟闭路电视监控系统到数模结合视频监控系统进而出现数字视频监控系统。数字视频监控系统根据技术的发展又分为本地数字视频监控系统和网络数字视频监控系统。数字家庭网络与多媒体技术的高速发展使得安防监控已经逐步走进家庭，成为数字家庭的一个新应用热点。

数字监控系统(DVR)是以数字摄录像机为核心的模拟与数字结合的解决方案。相对于上一代视频监控系统，数字化本地视频监控系统借助多媒体监控主机使监控系统结构大为简化，但是数字视频监控系统传输线缆布建比较复杂，同时数字监控系统采用磁盘进行数据的保存，一旦磁盘损坏则数据难以恢复，这是限制数字监控系统发展的主要因素。

网络视频监控系统(IPVS)是未来的视频监控的发展方向。IPVS基于IP网络，从根本的层面改变了监控系统的架构形态。网络视频监控解决方案与之前的几代视频监控方案的根本区别是，网络视频监控系统使用以太网或者光纤网络作为网络流媒体的传输介质，视频信息可以通过广域网和局域网传播，只要有网络的地方都可以观看视频。监控源由网络摄像机提供，并且直接提供以太网端端口，使用点对点、单播、组播等多种传输方式。网络监控系统方案包括由网络(IP)摄像机组成的采集前端，由主机控制设备和监控软硬件系统组成的中心控制平台、以及由存储器、显示设备和分控点设备组成的管理后端。相对于前两种监控方案，网络视频监控有以下优势：

通过IP网络的接入，网络视频监控系统可以方便的实现高效的跨地域远程监控。传统监控系统需要设置监控中心，网络视频监控系统的管理者可以自己在本地实时监控画面或查看路线资料。传统的监控系统采用集中式架构，将视音频控制线连接到监控系统中，增加了网络布线的复杂度。网络视频监控系统采用分布式架构，对各个网络摄像机和视频服务器单独进行管理，使系统已安装和扩展。网络视频监控系统不仅可以传输音视频等多媒体文件，还可以集合监听、广播、对讲、报警以及远程控制等多项功能。

在对此方法的研究和实践过程中，本发明的发明人发现：由于节约视频存储空间、实时监控、多目标检测与跟踪的现实需要，本发明提供一种基于旋转不变特征的视频监控系统及方法，从而实现实时监控。

发明内容

本发明提供一种基于旋转不变特征的智能监控系统及方法，能够有效地对目标进行单跟踪和多目标跟踪，进行关键行为语义分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

本发明提供一种基于旋转不变特征的智能监控系统及方法，包括：

数据采集端，主要由数据采集模块、视频数据预处理模块和编码模块三部分组成。通过数字家庭社区各个角落的摄像头的灵活布放，数据采集模块可以方便灵活地获取到原始视频数据。接下来，视频数据预处理模块将对采集模块获得的原始数据进行诸如伽马矫正、调节白平衡、色彩矫正等处理，以消除噪声和其他影响因素使得视频图像适用于信道传输。编解码模块主要是对视频数据进行编解码。

流媒体服务器，主要由解码模块、目标跟踪模块以及行为分析与预警模块。其中，目标跟踪模块为流媒体服务器的核心模块，解码模块与编码模块相对应。目标检测与跟踪模块采用基于旋转不变特征的目标跟踪算法进行目标跟踪。行为分析及预警模块则将对跟踪进行语义分析，判断目标行为是否存在危害。本发明技术方案有效地对目标进行单跟踪和多目标跟踪，最后进行关键行为分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

所述的数据采集模块考虑镜头的焦距及分辨率、感光芯片性能、接收器大小因素而采用的是彩色CCD摄像头，通过数字家庭社区诸如楼梯、电梯、社区内花园及地下车库等各个角落的摄像头的灵活布放，摄像头实时采集监控现场的视频数据。

所述的视频数据预处理模块将对采集模块获得的原始数据进行诸如伽马矫正、调节白平衡、色彩矫正等处理，以消除噪声和其他影响因素使得视频图像适用于信道传输。

所述的编解码模块采用基于H.264标准的视频编解码算法对经预处理模块处理的视频数据进行编解码。

所述的目标检测与跟踪模块采用基于旋转不变特征的智能监控方法进行目标跟踪。

所述的行为分析及预警模块则将对跟踪进行语义分析，判断目标行为是否存在危害，并进行关键行为分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

相应的，本发明还提供了一种基于旋转不变特征的智能监控方法，包括：

方法输入：当前帧图像，上一帧目标特征集上一帧目标轮廓，背景分布；

方法输出：当前帧目标轮廓，目标特征集

步骤1：建立混合高斯模型，初始化权重、均值和协方差矩阵参数；

步骤2：根据输入的当前帧图像判断每一个像素点是否与背景高斯分布相匹配，如果匹配，更新模型的各项参数；如果不匹配，降低其权重；

步骤3：根据更新后的背景模型提取前景；

步骤4：在前景区域内提取旋转不变特征点集S_t；

步骤5：在描述子空间内与上一帧t-1时刻的目标物体的旋转不变特征点集相匹配产生当前帧的特征集

步骤6：根据上一帧目标所在的位置运用随机抽样一致和多重变换模型相结合的方法计算出跟踪目标的运动变换模型T_t；

步骤7：最后通过不断加入新的特征点和裁剪离群值来更新产生最终当前帧t时刻合适的目标特征集得到当前帧的目标轮廓；

步骤8：将目标轮廓和混合高斯模型的背景分布输出，用于下一帧的处理，转到步骤2。

上述技术方案可以看出，由于本发明实施例将基于旋转不变特征的智能监控方法应用于视频处理模块搭建家庭内部或社区周界的智能监控系统，实现实时监控，异动触发报警。因此该系统继承了流媒体技术的连续性、实时性和时序性特点，具有节约视频存储空间、实时监控、多目标检测与跟踪的优点，突破了其他传输方式的局限性，回避了信道传输的负载问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的基于旋转不变特征的智能监控系统结构图；

图2是本发明实施例中的基于旋转不变特征的智能监控系统拓扑图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例提供一种基于旋转不变特征的智能监控系统及方法，能够能够有效地对目标进行单跟踪和多目标跟踪，进行关键行为语义分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。以下分别进行详细说明。

本发明实施例中的一种基于旋转不变特征的智能监控系统结构如附图1所示，采用数字家庭智能盒作为数字家庭网络的节点，主要功能包括：支持上网浏览、E-mail、下载、娱乐、家居内部的安防报警，在社区中全面带动家居内部的安全防范和小区公共监控系统的融合。

(1)通过通过数字家庭社区诸如楼梯、电梯、社区内花园及地下车库等各个角落的摄像头的灵活布放，摄像头实时采集监控现场的视频数据。

(2)视频数据预处理模块将对采集模块获得的原始数据进行诸如伽马矫正、调节白平衡、色彩矫正等处理，以消除噪声和其他影响因素使得视频图像适用于信道传输。

(3)编解码模块采用基于H.264标准的视频编解码算法对经预处理模块处理的视频数据进行编解码。

(4)目标检测与跟踪模块采用基于旋转不变特征的智能监控方法进行目标跟踪。

(5)行为分析及预警模块则将对跟踪进行语义分析，判断目标行为是否存在危害，并进行关键行为分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

本发明实施例中的一种基于旋转不变特征的智能监控系统拓扑如附图2所示，整个智能监控系统由后台服务群、家庭网络、互联网及接警中心有机整合，通过对数字家庭进行监控设计，把视频信号转换为流媒体信号，形成一个完整的频道信号源、用户可以用数字家庭智能盒的遥控器，上下左右切换不同的监控镜头，浏览不同的界面，在电视画面上观看到的实时监控画面。通过系统优化和功能改进完成数字家庭视频监控服务的建设工作。

通过社区综合安防监控系统控制网络与社区物业管理信息网络融合，建立社区公共安防、家庭安防及城市报警联防联动集成系统，提供视频监控、门禁、防火、防盗、防灾服务，进行统一的数据处理和操作管理，多级安防系统之间信息共享，提高小区综合安全防范报警监控的准确性和可靠性，确保社区居民生命财产的安全。

基于旋转不变特征的智能监控方法首先对原始视频图像帧采用混合高斯模型进行背景建模，通过背景模型的建立和迭代更新，利用原始图像减除逐帧学习到的背景提取出目标前景区域，并在前景区域内抓取旋转不变特征点。由于混合高斯模型对于前景的提取是针对除背景外整个运动目标区域的，因将该发明方法能够解决多目标跟踪问题。具体包括：

方法输入：当前帧图像，上一帧目标特征集上一帧目标轮廓，背景分布

方法输出：当前帧目标轮廓，目标特征集

步骤1：建立混合高斯模型，初始化权重、均值和协方差矩阵参数。

步骤2：根据输入的当前帧图像判断每一个像素点是否与背景高斯分布相匹配，如果匹配，更新模型的各项参数；如果不匹配，降低其权重。

步骤3：根据更新后的背景模型提取前景。

步骤4：在前景区域内提取旋转不变特征点集S_t。

步骤5：在描述子空间内与上一帧t-1时刻的目标物体的旋转不变特征点集相匹配产生当前帧的特征集

步骤6：根据上一帧目标所在的位置运用随机抽样一致和多重变换模型相结合的方法计算出跟踪目标的运动变换模型T_t。

步骤7：最后通过不断加入新的特征点和裁剪离群值来更新产生最终当前帧t时刻合适的目标特征集得到当前帧的目标轮廓。

步骤8：将目标轮廓和混合高斯模型的背景分布输出，用于下一帧的处理，转到步骤2。

本发明所述的基于旋转不变特征的智能监控方法应用于视频处理模块搭建家庭内部或社区周界的智能监控系统，实现实时监控，异动触发报警。本发明系统继承了流媒体技术的连续性、实时性和时序性特点，具有节约视频存储空间、实时监控、多目标检测与跟踪的优点，突破了其他传输方式的局限性，回避了信道传输的负载问题。

需要说明的是，上述装置和系统内的各单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。

以上对本发明实施例所提供的一种基于旋转不变特征的智能监控系统及方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种基于旋转不变特征的智能监控系统，其特征在于，包括：

数据采集端，主要由数据采集模块、视频数据预处理模块和编码模块三部分组成；数据采集模块通过数字家庭社区各个角落的摄像头的灵活布放，方便灵活地获取到原始视频数据；视频数据预处理模块将对采集模块获得的原始数据进行诸如伽马矫正、调节白平衡、色彩矫正处理，以消除噪声和其他影响因素使得视频图像适用于信道传输；编解码模块主要是对视频数据进行编解码；

流媒体服务器，由解码模块、目标跟踪模块以及行为分析与预警模块；其中，目标跟踪模块为流媒体服务器的核心模块，解码模块与编码模块相对应；目标检测与跟踪模块采用基于旋转不变特征的目标跟踪算法进行目标跟踪；行为分析及预警模块则将对跟踪进行语义分析，判断目标行为是否存在危害。

2.根据权利要求1所述的基于旋转不变特征的智能监控系统，其特征在于：所述的数据采集模块采用的是彩色CCD摄像头，通过数字家庭社区各个角落的摄像头的灵活布放，摄像头实时采集监控现场的视频数据。

3.根据权利要求1所述的基于旋转不变特征的智能监控系统，其特征在于：所述的视频数据预处理模块将对采集模块获得的原始数据进行诸如伽马矫正、调节白平衡、色彩矫正处理，以消除噪声和其他影响因素使得视频图像适用于信道传输。

4.根据权利要求1所述的基于旋转不变特征的智能监控系统，其特征在于：所述的编解码模块采用基于H.264标准的视频编解码算法对经预处理模块处理的视频数据进行编解码。

5.根据权利要求1所述的基于旋转不变特征的智能监控系统，其特征在于：所述的目标检测与跟踪模块采用基于旋转不变特征的智能监控方法进行目标跟踪。

6.根据权利要求5所述的基于旋转不变特征的智能监控系统，其特征在于：所述的行为分析及预警模块则将对跟踪进行语义分析，判断目标行为是否存在危害，并进行关键行为分析，一旦检测到任何异动，便立即触发报警，最终实现实时监控。

7.一种基于旋转不变特征的智能监控方法，其特征在于，包括：

方法输入：当前帧图像，上一帧目标特征集上一帧目标轮廓，背景分布；

方法输出：当前帧目标轮廓，目标特征集

步骤1：建立混合高斯模型，初始化权重、均值和协方差矩阵参数；

步骤2：根据输入的当前帧图像判断每一个像素点是否与背景高斯分布相匹配，如果匹配，更新模型的各项参数；如果不匹配，降低其权重；

步骤3：根据更新后的背景模型提取前景；

步骤4：在前景区域内提取旋转不变特征点集S_t；

步骤5：在描述子空间内与上一帧t-1时刻的目标物体的旋转不变特征点集相匹配产生当前帧的特征集

步骤6：根据上一帧目标所在的位置运用随机抽样一致和多重变换模型相结合的方法计算出跟踪目标的运动变换模型T_t；

步骤7：最后通过不断加入新的特征点和裁剪离群值来更新产生最终当前帧t时刻合适的目标特征集得到当前帧的目标轮廓；

步骤8：将目标轮廓和混合高斯模型的背景分布输出，用于下一帧的处理，转到步骤2。