CN104392464A - 一种基于彩色视频图像的人为入侵检测方法 - Google Patents

Abstract

一种基于彩色视频图像的人为入侵检测方法。其包括基于建模点的背景建模；利用建模点与对应背景点及其邻接点的高斯模型的对比机制进行前景检测；根据监控场景需求灵活设定监控区域；先进行所有运动前景的提取，再经过多重筛选机制保留有效前景信息；输出报警框协助监控人员进行异常行为处理。本发明所述的人为入侵检测方法不仅在很大程度上避免了漏报和误报现象，同时为监控人员处理危机提供了便利。

Description

一种基于彩色视频图像的人为入侵检测方法

技术领域

本发明属于智能视频分析监控领域，涉及图像处理、视频分析、模式识别、智能监控等技术。

背景技术

在工作和生活中，有很多人体不宜接触的区域（如高压、高辐射区等）和需要避免人为入侵破坏的区域（如绿化带、重要文档存放区等），因而入侵检测成为安防系统的一个重要子系统。目前常用的入侵检测方法有微波、红外、视频、震动和探测雷达等多种方法。然而，微波、红外和震动的方法易受周围电磁场、温度等的影响，误报率高；探测雷达方法虽然能达到满意的效果，但是成本较高；视频方法能够自动识别人体入侵，但是需要消耗大量的人力，且效果不尽人意。在这种大背景下，智能视频监控方法应用而生。基于智能视频监控的人为入侵检测系统具有一下优点：它能够对监控区域实施24小时的全天候的监控，彻底改变了以往完全由监控人员对监控画面进行监控和分析的模式；能够以比较直观的形式将异常事件以特殊画面的形式呈现出来，为安全工作人员处理危机提供了便利。然而，目前的人为入侵智能监控设备还存在着许多的弊端：处理速度慢、实时性差，误报、漏报比较严重，对环境的鲁棒性较差等。由于监控场所环境复杂程度不同，设备的晃动、场景的光照变化、目标运动的复杂性都会给报警带来很大影响，造成大量的误报、漏报现象。

发明内容

为解决上述问题，本发明的目的在于提供一种基于彩色视频图像的人为入侵检测方法，本方法能够完美地应用于嵌入式的智能视频监控系统且处理速度快、实时性好，对误报和漏报现象控制良好、检测精度高、对环境中的突发情况具有良好的鲁棒性。为了达到上述目的，本发明提供的基于彩色视频图像的人为入侵检测方法主要包括五部分：背景建模、前景检测、监控区域的设定及有效前景信息的筛选、运动目标的匹配跟踪、入侵检测事件判断。

所述的背景建模是指对输入的CIF 352×288 YUV420 格式的视频图像进行背景建模，本发明中建模点为2×2大小的区域，利用Y、U、V三个分量为每个建模点分配一个高斯模型，每个模型有三个参数：模型均值、模型方差和模型权重。为适用于嵌入式系统，本发明采用的是全整型的参数类型。首先用当前图像的建模点数据初始化第一帧数据，各建模点数据包括：颜色信息、模型均值、模型方差和模型梯度；接着利用采集的场景视频图像对背景模型进行实时的匹配和更新，模型均值、方差和权重，模型均值更新策略为：

Y_i=Y_i’*(1-α)+α*Y_cur

Ui=Ui’ *(1-α)+α*U_cur

V_i=V_i’*(1-α)+α*V_cur

其中，Y_i，U_i，V_i 分别表示建模点的灰度和颜色分量模型的均值，i表示匹配的模型索引， Y_cur，U_cur，V_cur分别表示前一帧图像匹配后的各分量模型均值，为模型均值更新因子。

 模型方差更新策略：

θ_i=θ_i’*(1-β)+β*｜Y_cur-Y_i｜

其中，θ_i表示模型方差，i表示相匹配的模型索引，θ_i’ 表示上一次匹配后的模型方差， 表示方差更新因子，Y_cur、Y_i分别表示建模点的平均灰度和模型均值。

所述的前景检测的检测范围包括场景中运动的目标和新进入到场景中静止的物体。本发明利用建模点与对应背景点及其邻接点的高斯模型的对比机制进行前景检测，首先将该建模点与其对应的背景模型进行匹配，当该建模点与对应的背景模型无法匹配时说明该点为可疑的前景点，然后，再拿该建模点与其四邻域点的背景模型做匹配，若也不能匹配则说明该点为前景点，反之，说明该点可能是由于树叶晃动造成的假前景。前景点检测完毕之后，需要采用全局递归搜索方法进行前景目标标记、前景轮廓标记及前景目标参数计算。标记的目的是将同属一个目标的前景点连接成统一的前景块。前景目标参数包括：前景个数、前景块标记、面积、周长、重心、大小和边框信息。

所述的监控区域的设定是指根据监控场景的需求，自行设置需要保护的防区，并可调整想要监控的目标大小和检测灵敏度等设置。由于上述提取的前景信息不一定都符合入侵前景的条件，因而需要进行行人判决分析初步筛选出符合条件的前景目标信息，主要利用前景的高宽比、面积大小及边缘梯度特征。

所述的运动目标的匹配跟踪是对筛选出的运动目标前景进行匹配跟踪，匹配过程是在当前的前景中寻找与之前保存的历史前景数据的质心最近的那个前景，若质心距离在允许的范围内，则比较两个前景的面积大小，面积的变化大说明不是同一个目标，反之，进入平均灰度的比较，若灰度差异大说明不是同一目标，反之，是同一个目标前景，则将当前前景的参数信息更细与之匹配的那个历史前景。这样，就可以对特定目标在每一帧视频图像的位置信息进行跟踪。

所述的入侵检测事件判断是对进入预先设定的防区的目标进行跟踪判断，若跟踪帧数满足设定的阈值，则判定该目标有入侵异常行为，触发报警，系统根据报警信息，捕捉报警时刻的视频帧，并用红色方框标示出入侵者的信息。

本发明的有益效果是：背景建模更新方法不但保障了背景模型的建模速度，使整体算法执行效率得到显著提高，而且可以减少各种前景运动物和噪声点对背景模型的影响，使检测的前景更加完整；前景检测机制很好地解决了由树叶晃动或者光线的渐变造成的前景混乱现象，增强了前景检测的鲁棒性和对环境的适应能力；在筛选前景阶段加入边缘梯度特征能够有效屏蔽由光照变化造成的虚假前景，进而大大提高了入侵报警的准确性。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1 是本发明的方法逻辑框图。

具体实施方式

下面结合具体实例来说明本发明技术方案所涉及到的各个细节问题。应指出的是，所描述的实例仅旨在便于对本发明的理解，并不因此而限定本发明的保护范围。

如图1所示，本实例的具体实施分为五部分：背景建模、前景检测、监控区域的设定及有效前景信息的筛选、运动目标的匹配跟踪、入侵检测事件判断。

所述的背景建模是指对输入的CIF 352×288 YUV420 格式的视频图像进行背景建模，本发明中建模点为2×2大小的区域，利用Y、U、V三个分量为每个建模点分配一个高斯模型，每个模型有三个参数：模型均值、模型方差和模型权重。为适用于嵌入式系统，本发明采用的是全整型的参数类型。对于第一帧数据利用当前图像的建模点数据初始化最先分配的高斯模型的模型均值，并初始化其他模型参数，之后，依据建模点的数据不断训练对应的模型均值、方差和权重。模型均值更新策略为：

Y_i=Y_i’*(1-α)+α*Y_cur

Ui=Ui’ *(1-α)+α*U_cur

V_i=V_i’*(1-α)+α*V_cur

其中，Y_i，U_i，V_i 分别表示建模点的灰度和颜色分量模型的均值，i表示匹配的模型索引， Y_cur，U_cur，V_cur分别表示前一帧图像匹配后的各分量模型均值，为模型均值更新因子。

 模型方差更新策略：

θ_i=θ_i’*(1-β)+β*｜Y_cur-Y_i｜

其中，θ_i表示模型方差，i表示相匹配的模型索引，θ_i’ 表示上一次匹配后的模型方差， 表示方差更新因子，Y_cur、Y_i分别表示建模点的平均灰度和模型均值。模型权重是指建模点模型匹配成功次数。当建模点权重达到设定的建模成功阈值，说明该建模点建模成功，反之继续学习，直到权重满足阈值。通过对建模点高斯模型参数不断的训练和学习，越来越多的建模点建模成功，然后，统计该帧图像中建模成功的建模点数量，若达到整幅图像建模点总数的1/5，则背景学习成功，另外，在背景模型中若背景模型没有建模成功，则默认为该建模点为背景点。然后，进入前景检测阶段，并对检测到的前景点和背景点分别以不同速率更新背景模型，以提高背景模型的适应性。

所述的前景检测的检测范围包括场景中运动的目标和新进入到场景中静止的物体。本发明利用建模点与对应背景点及其邻接点的高斯模型的对比机制进行前景检测，首先将该建模点与其对应的背景模型进行匹配，当该建模点与对应的背景模型无法匹配时说明该点为可疑的前景点，然后，再拿该建模点与其四邻域点的背景模型做匹配，若也不能匹配则说明该点为前景点，反之，说明该点可能是由于树叶晃动造成的假前景。前景点检测完毕之后，采用全局前景点搜索的方法，以堆栈的方式遍历前景种子点，寻找与其相连的前景点，同时进行标记。在搜索过程中同时统计前景块的面积、周长、中心及边框大小的信息，将该前景的数据保存到前景检测模块的前景数据结构中，以便智能侦测模块对运动目标的匹配跟踪等操作。

所述的监控区域的设定及有效前景信息的筛选是在嵌入式智能监控系统中，根据场景情况设置合理的监控区域，并可调整监控目标大小及报警灵敏度等参数。设置完成后，采集的实时视频图像会经过背景建模和前景检测，检测出场景中的新目标。在入侵事件前景检测过程中，首先，将背景学习完毕后的第一帧图像中的前景数据进行行人判决分析，主要利用前景的高宽比、面积大小及边缘梯度特征，同时将行人前景信息保存至历史数据；接着，对后续输入的视频图像进行同样的行人判决分析，将检测到的符合条件的前景数据与历史前景数据做匹配，匹配成功则跟踪帧加1，并以当前帧数据更新历史数据，以便下一帧的跟踪。

所述的入侵检测事件判断是指若目标运动过程中进入了设置的监控区域，且跟踪满足设定阈值则触发报警。系统根据报警信息，捕捉报警时刻的视频帧，并用红色方框标示出入侵者的信息。

Claims (6)

1.一种基于彩色视频图像的人为入侵检测方法，其特征在于：所述的方法包括五部分：背景建模、前景检测、监控区域的设定及有效前景信息的筛选、运动目标的匹配跟踪、入侵检测事件判断。

2.根据权利要求1所述的方法，其特征在于：所述的背景建模是指对输入的CIF 352×288 YUV420 格式的视频图像进行背景建模，建模点为2×2大小的区域，其包括：

利用Y、U、V三个分量为每个建模点分配一个高斯模型，每个模型有三个参数：模型均值、模型方差和模型权重，为适用于嵌入式系统，本发明采用的是全整型的参数类型，建模过程为：首先用当前图像的建模点数据初始化第一帧数据，接着利用采集的场景视频图像对背景模型进行实时的匹配和更新，模型均值、方差和权重，模型均值更新策略为：

 Y_i=Y_i’*(1-α)+α*Y_cur

Ui=Ui’ *(1-α)+α*U_cur

V_i=V_i’*(1-α)+α*V_cur

其中，Y_i，U_i，V_i 分别表示建模点的灰度和颜色分量模型的均值，i表示匹配的模型索引， Y_cur，U_cur，V_cur分别表示前一帧图像匹配后的各分量模型均值，为模型均值更新因子；

 模型方差更新策略：

θ_i=θ_i’*(1-β)+β*｜Y_cur-Y_i｜

其中，θ_i表示模型方差，i表示相匹配的模型索引，θ_i’表示上一次匹配后的模型方差， 表示方差更新因子，Y_cur、Y_i分别表示建模点的平均灰度和模型均值。

3.根据权利要求1所述的方法，其特征在于：所述的前景检测为利用建模点与对应背景点及其邻接点的高斯模型的对比机制进行前景检测，首先将该建模点与其对应的背景模型进行匹配，当该建模点与对应的背景模型无法匹配时说明该点为可疑的前景点，然后，再拿该建模点与其四邻域点的背景模型做匹配，若也不能匹配则说明该点为前景点，反之，说明该点可能是由于树叶晃动造成的假前景，前景点检测完毕之后，需要采用全局递归搜索方法进行前景目标标记、前景轮廓标记及前景目标参数计算，前景目标参数包括：前景个数、前景块标记、面积、周长、重心、大小和边框信息。

4.根据权利要求1所述的方法，其特征在于：所述的监控区域的设定及有效信息的筛选是指根据监控场景的需求，自行设置需要保护的防区，并可调整想要监控的目标大小和检测灵敏度设置，同时进行行人判决分析初步筛选出符合条件的前景目标信息，主要利用前景的高宽比、面积大小及边缘梯度特征。

5.根据权利要求1所述的方法，其特征在于：所述的运动目标的匹配跟踪是对筛选出的运动目标前景进行匹配跟踪，匹配过程是在当前的前景中寻找与之前保存的历史前景数据的质心最近的那个前景，若质心距离在允许的范围内，则比较两个前景的面积大小，面积的变化大说明不是同一个目标，反之，进入平均灰度的比较，若灰度差异大说明不是同一目标，反之，是同一个目标前景，则将当前前景的参数信息更细与之匹配的那个历史前景。

6.根据权利要求1所述的方法，其特征在于：所述的入侵检测事件判断是对进入预先设定的防区的目标进行跟踪判断，若跟踪帧数满足设定的阈值，则判定该目标有入侵异常行为，触发报警，系统根据报警信息，捕捉报警时刻的视频帧，并用红色方框标示出入侵者的信息。