CN104504707A - 一种监控相机视频画面的异物遮挡检测方法 - Google Patents

Abstract

本发明公开了一种监控相机视频画面的异物遮挡检测方法，按照以下步骤实施：步骤1初始化；步骤2计算用以判断帧图像散焦程度的d近邻梯度值；步骤3根据d近邻梯度值计算渐变程度参数；步骤4判断算渐变统计变量k是否达到上限，以确定渐变程度参数的计算是否完成；步骤5对步骤3计算得到的渐变程度参数进行二值化处理；步骤6对步骤5得到的二值化结果进行分块统计；步骤7根据分块统计数据判断是否存在遮挡；步骤8输出该相机持续遮挡的状态结果。本发明方法，步骤简单，结果准确。

Description

一种监控相机视频画面的异物遮挡检测方法

技术领域

本发明属于智能监控视频处理技术领域，涉及一种监控相机视频画面的异物遮挡检测方法。

背景技术

目前，安防监控的摄像机使用越来越普及，由摄像机联网所构成的监控网络也越来越庞大，这就需要对摄像机的工作状态进行自动检测并对出现的异常情况进行报警。在监控视频画面出现异常的情况中，视频画面局部被遮挡，如果，入侵者将一个毛巾或者其他覆盖物对镜头进行遮挡，导致画面景物全部消失的情况是目前的视频质量监测系统可以完成的。但是，对于监控摄像机安放的位置被树的枝叶遮挡，或者被风刮过来的塑料袋等遮挡，由于这类非主观故意的遮挡仍旧会在视频画面中出现景物，而这个景物就包含有遮挡物。如果未被清除此障碍，会导致监控系统在无人知晓的情况下，使该摄像机处于无效监控状态，这类局部遮挡状态则目前尚无有效的办法来识别。

发明内容

本发明的目的是提供一种监控相机视频画面的异物遮挡检测方法，解决了现有技术中，由于室外监控视频画面的非主观故意导致的异物遮挡状态，系统无法进行自动检测的问题。

本发明所采用的技术方案是，一种监控相机视频画面的异物遮挡检测方法，按照以下步骤实施：

步骤1、初始化

1.1)初始化视频画面的被遮挡持续时间为time＝0；

1.2)令t＝time+1，读取当前的视频帧图像为[f_t(i,j)]_m×n，

其中，t表示检测遮挡的时刻，即第t帧视频图像画面，图像画面的大小为m×n，初始化判断散焦程度的渐变参数矩阵[g_t(i,j)]_m×n＝[0]_m×n，即为m×n的全0矩阵，令渐变统计变量k＝1；

步骤2、计算帧图像的d近邻梯度值▽_df_t(i,j)

帧图像的d近邻梯度值▽_df_t(i,j)的计算参照公式(1)：

▽_df_t(i,j)＝(f_t(i,j)-f_t(i+d,j+d))²+(f(i+d,j)-f(i,j+d))²，  (1)

其中，i＝1,2,...,m-d，j＝1,2,...,n-d，d＝k,k+1；

步骤3、计算渐变参数g_t(i,j)

该渐变参数g_t(i,j)中的i＝1,2,...,m-(k+1)，j＝1,2,...,n-(k+1)，进行下面的操作，如果按照公式(1)计算得到的▽_kf_t(i,j)及▽_k+1f_t(i,j)满足公式(2)：

▽_k+1f_t(i,j)≤▽_kf_t(i,j)，   (2)

满足公式(2)则表明散焦程度为k近邻的，则渐变参数g_t(i,j)＝k；

否则，表明散焦程度为大于k近邻的，则渐变参数g_t(i,j)＝k+1；

步骤4、判断算渐变统计变量k是否达到上限

判断k是否满足公式(3)：

k≤k_Th，   (3)

其中，k_Th为判断阈值，

如果是，则令k＝k+1，即渐变统计变量k的值加1，转步骤2；

否则，表明达到了上限，转步骤5；

步骤5、对步骤3计算得到的渐变程度参数[g_t(i,j)]_m×n进行二值化处理

参照公式(4)计算二值化结果[b_t(i,j)]_m×n：

其中，i＝1,2,...,m，j＝1,2,...,n，g_Th为判断阈值；

步骤6、对步骤5得到的二值化结果[b_t(i,j)]_m×n进行分块统计；

步骤7、判断是否存在遮挡；

步骤8、输出该相机持续遮挡的状态结果。

本发明的有益效果是，该方法根据画面的非全部遮挡仍旧画面中存在景物的情况，提取出异物以及监控实际画面的特性差异，判断出监控画面是否存在遮挡，方便系统对出现遮挡的监控点进行报警处理。

即使视频监控的环境各种各样，景物的特征也是丰富多彩的，遮挡物与监控环境明显的差异不大，例如，树木的枝叶，按照本发明方法仍旧能够检测出来遮挡物，这就大大提高了视频监控的正常运作率。

附图说明

图1视频帧画面的遮挡示例图；

图2是本发明方法中的散焦程度计算结果图；

图3是本发明方法中的疑似遮挡物的判别二值化结果及分块图；

图4是本发明方法中的遮挡物的检测结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，虽然局部遮挡出现的视频画面仍旧是有景物的，但遮挡物通常因为靠近镜头不在焦平面而出现散焦模糊，为此，判断是否有遮挡物，实际上就是判断是否有异常靠近镜头的散焦物体。

基于上述的原理，本发明方法按照以下步骤实施：

步骤1、初始化

1.1)初始化视频画面的被遮挡持续时间为time＝0；

1.2)令t＝time+1，读取当前的视频帧图像为[f_t(i,j)]_m×n，如图1所示，

其中，t表示检测遮挡的时刻，即第t帧视频图像画面，图像画面的大小为m×n，初始化判断散焦程度的渐变参数矩阵[g_t(i,j)]_m×n＝[0]_m×n，即为m×n的全0矩阵，令渐变统计变量k＝1；

步骤2、计算帧图像的d近邻梯度值▽_df_t(i,j)

帧图像的d近邻梯度值▽_df_t(i,j)的计算参照公式(1)：

▽_df_t(i,j)＝(f_t(i,j)-f_t(i+d,j+d))²+(f(i+d,j)-f(i,j+d))²，   (1)

其中，i＝1,2,...,m-d，j＝1,2,...,n-d，d＝k,k+1；

步骤3、计算渐变参数g_t(i,j)

该渐变参数g_t(i,j)中的i＝1,2,...,m-(k+1)，j＝1,2,...,n-(k+1)，进行下面的操作，对比按照公式(1)计算得到的▽_kf_t(i,j)及▽_k+1f_t(i,j)是否满足公式(2)：

▽_k+1f_t(i,j)≤▽_kf_t(i,j)，   (2)

满足公式(2)，则表明散焦程度为k近邻的，渐变参数g_t(i,j)＝k；

否则，表明散焦程度为大于k近邻的，则渐变参数g_t(i,j)＝k+1；

步骤4、判断渐变统计变量k是否达到上限

判断k是否满足公式(3)：

k≤k_Th，   (3)

其中，k_Th为判断阈值，对于图像大小m×n＝320×240分辨率的视频帧，优选经验值为k_Th＝20，

如果是，则令k＝k+1，即渐变统计变量k的值加1，转步骤2；

否则，表明达到了上限，转步骤5；

步骤5、对步骤3计算得到如图2所示的渐变程度参数[g_t(i,j)]_m×n进行二值化处理

参照公式(4)计算得到二值化结果[b_t(i,j)]_m×n：

其中，i＝1,2,...,m，j＝1,2,...,n，g_Th为判断阈值，用以判别是否为疑似遮挡物的点，对于图像大小m×n＝320×240分辨率的视频帧，优选经验值为g_Th＝5；

步骤6、对步骤5得到的二值化结果[b_t(i,j)]_m×n进行分块统计

6.1)如图3所示，将[b_t(i,j)]_m×n进行M×N等分，M、N的取值决定于对遮挡物的敏感程度，例如，如果要求画面遮挡不能超过10％，则建议M＝4，N＝4，即将画面分成了4×4个子图像块，每个子图像块的大小为M_s×N_s，则有：

M_s＝int(m/M)，   (5)

N_s＝int(n/N)，   (6)

其中，int()表示取整；

6.2)参照公式(7)计算分块统计矩阵[s_t(x,y)]_M×N：

$s_t(x,y)=\underset{p=(x-1)\·M_s}{\overset{x\·M_s}{\mathrm{\Σ}}}\underset{q=(y-1)\·N_s+1}{\overset{y\·N_s}{\mathrm{\Σ}}}{b}_t(p,q),---\left(7\right)$

其中，x＝1,2,...,M，y＝1,2,...,N；

步骤7、判断是否存在遮挡

7.1)参照公式(8)计算遮挡判别参数矩阵[r_t(x,y)]_M×N：

其中，p_s是遮挡判别阈值参数，决定于对遮挡物的敏感程度，优选经验值为p_s＝0.15；

7.2)判别是否有遮挡

参照公式(9)计算遮挡判别系数sh_t：

${\mathrm{sh}}_t=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{r}_t(x,y),---\left(9\right)$

如果sh_t＞0，则表明t时刻这帧画面出现了遮挡，如图4所示，画面中白色点表示的部分为遮挡物，time＝time+1，即表示持续时间累计加1，转步骤7.3)，否则表明不存在遮挡，转步骤1.1)；

7.3)判断是否持续遮挡

如果time≥Th_time，其中Th_time为持续时间判断阈值，按照每秒25帧的帧率计算，用户可根据需求设定，例如，设定持续时间不允许超过1分钟的话，Th_time＝25×60＝1500，则表明存在持续遮挡，转步骤8；否则，则表明持续时间未达到转步骤1.2)；

步骤8、输出该相机持续遮挡的状态结果，即成。

综上所述，即使视频监控的环境各种各样，景物的特征丰富多彩，遮挡物与监控环境明显的差异不大，例如，树木的枝叶，按照本发明方法仍旧能够检测出来遮挡物，这就大大提高了视频监控的正常运作率。

Claims (3)

1.一种监控相机视频画面的异物遮挡检测方法，其特点在于，按照以下步骤实施：

步骤1、初始化

1.1)初始化视频画面的被遮挡持续时间为time＝0；

1.2)令t＝time+1，读取当前的视频帧图像为[f_t(i,j)]_m×n，

其中，t表示检测遮挡的时刻，即第t帧视频图像画面，图像画面的大小为m×n，初始化判断散焦程度的渐变参数矩阵[g_t(i,j)]_m×n＝[0]_m×n，即为m×n的全0矩阵，令渐变统计变量k＝1；

步骤2、计算帧图像的d近邻梯度值▽_df_t(i,j)

帧图像的d近邻梯度值▽_df_t(i,j)的计算参照公式(1)：

▽_df_t(i,j)＝(f_t(i,j)-f_t(i+d,j+d))²+(f(i+d,j)-f(i,j+d))²，(1)

其中，i＝1,2,...,m-d，j＝1,2,...,n-d，d＝k,k+1；

步骤3、计算渐变参数g_t(i,j)

该渐变参数g_t(i,j)中的i＝1,2,...,m-(k+1)，j＝1,2,...,n-(k+1)，进行下面的操作，如果按照公式(1)计算得到的▽_kf_t(i,j)及▽_k+1f_t(i,j)满足公式(2)：

▽_k+1f_t(i,j)≤▽_kf_t(i,j)，    (2)

满足公式(2)则表明散焦程度为k近邻的，则渐变参数g_t(i,j)＝k；

否则，表明散焦程度为大于k近邻的，则渐变参数g_t(i,j)＝k+1；

步骤4、判断算渐变统计变量k是否达到上限

判断k是否满足公式(3)：

k≤k_Th，    (3)

其中，k_Th为判断阈值，

如果是，则令k＝k+1，即渐变统计变量k的值加1，转步骤2；

否则，表明达到了上限，转步骤5；

步骤5、对步骤3计算得到的渐变程度参数[g_t(i,j)]_m×n进行二值化处理

参照公式(4)计算二值化结果[b_t(i,j)]_m×n：

其中，i＝1,2,...,m，j＝1,2,...,n，g_Th为判断阈值；

步骤6、对步骤5得到的二值化结果[b_t(i,j)]_m×n进行分块统计；

步骤7、判断是否存在遮挡；

步骤8、输出该相机持续遮挡的状态结果。

2.根据权利要求1所述的监控相机视频画面的异物遮挡检测方法，其特点在于：所述的步骤6具体包括，

6.1)将[b_t(i,j)]_m×n进行M×N等分，M、N的取值决定于对遮挡物的敏感程度，每个子图像块的大小为M_s×N_s，则有：

M_s＝int(m/M)，    (5)

N_s＝int(n/N)，    (6)

其中，int()表示取整；

6.2)参照公式(7)计算分块统计矩阵[s_t(x,y)]_M×N：

$s_t(x,y)=\underset{p=(x-1)\·M_s+1}{\overset{x\·M_s}{\mathrm{\Σ}}}\underset{q=(y-1)\·N_s+1}{\overset{y\·N_s}{\mathrm{\Σ}}}{b}_t(p,q),---\left(7\right)$

其中，x＝1,2,...,M，y＝1,2,...,N。

3.根据权利要求2所述的监控相机视频画面的异物遮挡检测方法，其特点在于：所述的步骤7具体包括，

7.1)参照公式(8)计算遮挡判别参数矩阵[r_t(x,y)]_M×N：

其中，p_s是遮挡判别阈值参数，决定于对遮挡物的敏感程度；

7.2)判别是否有遮挡

参照公式(9)计算遮挡判别系数sh_t：

${\mathrm{sh}}_t=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{r}_t(x,y),---\left(9\right)$

如果sh_t＞0，则表明t时刻这帧画面出现了遮挡，time＝time+1，则转步骤7.3)，否则表明不存在遮挡，转步骤1.1)；

7.3)判断是否持续遮挡

如果time≥Th_time，其中Th_time为持续时间判断阈值，则表明存在持续遮挡，转步骤8；否则，则表明持续时间未达到转步骤1.2)。