CN104658152A - 一种基于视频的运动物体入侵报警方法 - Google Patents

Abstract

一种基于视频的运动物体入侵报警方法，该方法涉及安防监控领域，通过不断采集室内实时监控图像，输入到场景模式计算算法中计算出场景复杂度，当场景复杂度大于阈值时，认为是复杂场景，否则为简单场景，针对不同的场景模式分别采用不同的背景参数估计算法，然后利用背景参数提取前景特征，计算前景特征复杂度，当前景复杂度大于阈值时，当判断有运动物体侵入室内时，发送报警信息，否则更新图像背景参数，继续进行以上步骤。本发明通过将室内的监控场景分为简单场景和复杂场景，针对不同的场景采用不同的检测算法，提高报警方法对不同室内场景的适应性，降低了监控虚假报警的概率。

Description

一种基于视频的运动物体入侵报警方法

技术领域

本发明属于安防监控领域，涉及室内运动物体入侵报警算法方法，具体涉及一种基于视频的运动物体入侵报警方法。

背景技术

随着中国城镇化的发展，人口不断聚集及个人财富的不断积累，社会治安压力不断增加，社会盗窃案件频发，怎样提高个人或者集体财产的防盗能力成为了研究热点，随着技术发展，各种电子监控系统应运而生，视频监控技术是其中发展迅猛的一项技术，视频监控技术在楼宇和家庭等监控应用非常广泛。但是现有的监控技术往往都是“监”而不“控”，当发生盗窃案时，录像可以做破案的依据，做到的只是事后提供破案证据，即用户的财产已经遭受损失然后才想到补救，因此发展一种以“防”为主的入侵检测方法是当前热点研究。

当前研究的热点主要有基于视频的运动检测、人脸检测、目标跟踪、行为理解等，这些技术均可以用来检测是否室内有人入侵，但是基于大多数家庭的需求是实时发现室内有入侵、实时报警，而人脸检测、目标跟踪及行为理解等相关方法虽然很新，但是目前较难做成产品，并且即使市场上有相关的产品，对一般的家庭来说，部署和实施起来较难，成本也是一般家庭很难承受的，因此，在室内监控中，只需要准确发现室内有运动物体入侵然后向用户发送报警消息就可以了，用户可根据远程视频监控查看室内的情况，当需要报警时，用户及时报警。

运动检测的方法很多，但是监控场景是多种多样的，每一种运动检测方法一般只适用于一种或仅有几种的监控场景，如果只用一种运动检测算法来检测运动报警的话，虚假报警的次数会非常多，因此，需要发展一种适用多种监控场景的运动检测方法，来提高运动检测的准确性，即提高报警的准确性。

发明内容

本发明的目的在于提供一种基于视频的运动物体入侵报警方法，该方法满足实时监控报警、降低监控系统的虚假报警概率及低的计算复杂度。

为达到上述目的，本发明采用了以下的技术方案：

一种基于视频的运动物体入侵报警方法，包括以下步骤：

1)连续采集室内实时监控图像，并存储；

2)将采集的室内实时监控图像通过场景模式计算算法计算场景复杂度；当场景复杂度大于阈值时，则为复杂场景，否则为简单场景；

3)针对不同的场景模式分别采用不同的背景参数估计算法估计背景参数，然后利用背景参数提取前景特征；

4)计算前景特征复杂度，当前景特征复杂度大于阈值时，则有运动物体侵入室内，发送报警信息，更新图像背景参数后进行步骤1)；当前景特征复杂度小于等于阈值时，则无运动物体侵入室内，更新图像背景参数后进行步骤1)。

所述步骤1)中连续采集室内实时监控图像的速率为每秒7.5帧-30帧。

所述计算场景复杂度的具体过程为，采集20-40秒的视频作为样本数据，在该20-40秒时间内视频含有300-600帧图片，按正态分布参数的计算公式计算场景复杂度；其中I_t为样本点像素值，N为样本集的大小，μ₀与σ₀分别为均值和场景复杂度。

步骤3)中，如果室内监控场景为复杂场景，则采用混合高斯背景模型法估计背景参数；若为简单场景，则采用单高斯背景模型法估计背景参数。

根据公式μ_t+1＝(1-α)·μ_t+α·I_t，计算简单场景的背景参数；其中，I_t为样本点像素值，α为学习率，μ_t为当前背景图像中像素点的灰度值，μ_t+1为简单场景的背景参数；

根据视频帧像素值将混合高斯模型的所有参数更新，然后将所有高斯函数的权值归一化，并把各个高斯分布按ω_i,t/σ_i,t从大到小排列，其中ω_i,t为第i个高斯分布在t时刻的权重，σ_i,t为第i个高斯函数在t时刻的标准差；设i₁,i₂,...,i_K是样本点像素值I_t各高斯分布在t时刻按ω_i,t/σ_i,t由大到小的排列次序，若前M₁个分布满足式M₁取值范围为1～K，其中τ是权重阈值，取值区间为[0.01,0.99]，则这M₁个高斯分布即为复杂场景的背景参数。

所述步骤3)中利用背景参数提取前景特征的具体过程为：

当为简单场景时，将单高斯背景模型估计法得到的背景参数与当前图像相减，获取前景特征；

当为复杂场景时，满足下面三个公式中任何一个公式的样本点像素值I_t为前景特征，

|I_t-μ_l,t-1|>D₂τ_l,t-1或I_t/μ_l,t-1>α₁或I_t/μ_l,t-1<β₁

其中l＝1,M₁,K，α₁,β₁为阈值，且α₁为1.1，β₁为0.9，u_l,t-1为每个背景高斯分布均值，D₂＝2.5，τ_l,t-1为高斯分布标准差。

与现有技术相比，本发明的有益效果体现在：

本发明根据采集存储的历史视频帧数据及当前的图像帧数据，通过场景模式计算算法实时检测当前监控场景分类是否发生变化，当监控场景发生变化时，实时调整入侵检测算法，即估计背景参数的算法，该方法实现了将不同的入侵检测算法有效的集成，适应了不同复杂度的监控场景，当监控场景发生变化时，该方法实现了监控系统对常见变化的自适应，不需要人为调整，通过实验发现本方法能满足实时监控报警需求，并且当监控系统在不同复杂度监控场景之间切换时，能在短时间内自适应切换合适的入侵检测算法，报警准确率在95％；并且本发明的方法计算量小，对硬件性能要求不高，在现有的视频监控系统中很容易实现，可靠性高，能用于室内实时视频监控报警系统中。

进一步的，本发明中将采集20-40秒的视频作为样本数据，所以当监控系统在不同复杂度监控场景之间切换时，能在短时间内自适应切换合适的入侵检测算法，有利于提高报警准确率。

附图说明

图1为本发明的方法流程图；

图2为简单场景的原图和算法处理后入侵检测效果图；其中，图2(a)为有运动的人入侵后的图像，图2(b)为简单场景的无入侵状态的监控图，图2(c)为前景二值化图像。

图3为复杂场景原图和算法处理后的入侵检测效果图。其中，图3(a)为摇摆的树图像，图3(b)为经过复杂场景背景建模算法后的背景图像，图3(c)为前景图像，图3(d)为没有检测到物体入侵图，图3(e)为通过复杂场景背景建模算法后的背景图像，图3(f)为提取的前景特征图。

具体实施方式

下面结合附图对本发明作进一步说明。

参见图1，基于视频的运动物体入侵报警方法包括：连续采集图像、场景模式计算、判断是否是复杂场景、单高斯背景模型估计背景参数、混合高斯背景模型估计背景参数、提取前景特征、判断是否有入侵，若是有入侵则报警，然后更新背景参数，继续采集室内实时监控图像。

下面将详细阐述每个步骤的详细实施方法：

1)连续采集室内实时监控图像

以每秒7.5帧-30帧的速率采集图像，采集图像的速率在简单场景下时，采用高速率15帧/秒-30帧/秒，当在复杂场景下时，采用低速率7.5帧/秒-15帧/秒采集；将连续采集的图像存储到图像缓冲区。

2)场景模式计算

该步骤主要计算场景复杂度，具体过程为：从图像缓冲区中取出20-40秒的视频作为样本数据，在这段时间内视频含有大约300-600帧图片，按正态分布参数的计算公式

${\mathrm{\&mu;}}_0=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{I}_t,{\mathrm{\&sigma;}}_0^2=\frac{1}{N}\underset{t=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{(I_t-{\mathrm{\&mu;}}_0)}^2,$

计算场景的复杂度；其中I_t为样本点像素值，N为样本集的大小，μ₀与分别为均值和方差，σ₀为场景复杂度。

3)判断是否是复杂场景

根据步骤2)中计算的场景复杂度σ₀，来判断是否是复杂场景，判断依据为：设置一个阈值T，T的取值区间为(0，625)，一般取值为220，当场景复杂度的大小大于T的时候，认为监控场景的背景属于复杂场景，否则认为监控场景属于简单场景，即，

如果σ₀>T，认为监控场景属于复杂场景；

如果σ₀≤T，认为监控场景属于简单场景。

4)针对不同的场景模式分别采用不同的背景参数估计算法估计背景

4.1 单高斯背景模型估计背景参数

如果室内监控场景为复杂场景，采用混合高斯背景模型法估计背景参数；如果为简单场景，采用单高斯背景模型法估计背景参数。

单高斯分布背景模型适用于简单场景，它把每个像素点的颜色值分布用单个高斯分布η(X_t,μ_t,∑_t)表示，在分布密度函数η(X_t,μ_t,∑_t)中下标t表示时间，X_t表示每个像素点颜色值，μ_t表示t时刻高斯分布的均值，∑_t为高斯分布的协方差。设样本点像素值为I_t，记d_t＝I_t-μ_t，若的值大于一定的阈值，该阈值取值区间为(0,1)，一般为0.1，则该点被判定为运动前景点，否则认为该点与高斯分布相匹配，该点为场景背景像素点，T表示转置。

单高斯分布背景模型的更新指描述场景背景的高斯函数参数的更新，引入学习率α，其表示参数的更新速度，则像素点高斯分布参数按如下公式更新：

μ_t+1＝(1-α)·μ_t+α·I_t

${\mathrm{\&Sigma;}}_{t+1}=(1-\mathrm{\&alpha;})\&CenterDot;{\mathrm{\&Sigma;}}_t+\mathrm{\&alpha;}\&CenterDot;d_t{d}_t^T$

其中d_t＝I_t-μ_t，μ_t为当前背景图像中像素点的灰度值，也是t时刻高斯分布的均值，I_t为样本点像素值，μ_t+1为参数更新背景图像的灰度值，∑_t+1为更新后的高斯分布协方差。α为学习率，当I_t被检测为运动前景时，α可以取值为0。背景模型参数α取经验值，若该值取太小，会使背景模型跟不上实际场景背景的更新速度，若α取值太大则可能将速度较慢的运动目标更新成为背景模型的一部分，使运动目标检测出现空洞与拖尾现象，甚至可能丢失运动前景目标，如果取更新率为100％，则单高斯背景模型法退化为帧间差分法。本发明中，α取经验值0.005。μ_t+1即为该步骤求出的背景参数。

4.2 混合高斯背景模型估计背景参数

混合高斯模型的基本思想是：对于图像中的每一个像素，定义K个状态来表示其所呈现的颜色，K值一般取3～5之间(取决于计算机内存及对算法的速度要求)，K值越大，处理波动能力越强，相应所需的处理时间也就越长。K个状态中每个状态用一个高斯函数表示，这些状态中的一部分表示背景的像素值。若每个像素点颜色取值用变量X_t表示，其近似的概率密度函数可用如下K个高斯函数表示：

$f\left(X_t\right)=\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}{w}_{i,t}\&CenterDot;\mathrm{\&eta;}(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})$

上式中η(X_t,μ_i,t,∑_i,t)是t时刻的第i个高斯分布，其均值为μ_i,t，协方差矩阵为∑_i，t，ω_i，t为第i个高斯分布在t时刻的权重，且有其中

$\mathrm{\&eta;}(X_t,{\mathrm{\&mu;}}_{i,t},{\mathrm{\&Sigma;}}_{i,t})=\frac{1}{{\left(2\mathrm{\&pi;}\right)}^{\frac{n}{2}}{\left|{\mathrm{\&Sigma;}}_{i,t}\right|}^{1/2}}{e}^{\frac{1}{2}{(X_t-{\mathrm{\&mu;}}_{i,t})}^T{\mathrm{\&Sigma;}}_{i,t}(X_t-{\mathrm{\&mu;}}_{i,t})}i=\mathrm{1,2},...,K$

上式中n表示X_t的维数。当对灰度图像用混合高斯模型进行背景建模时，取n＝1，处理起来比较容易。

当得到新的视频帧图像后，根据视频帧像素值将混合高斯模型的所有参数更新，然后将所有高斯函数的权值归一化，并把各个高斯分布按ω_i,t/σ_i,t从大到小排列，其中ω_i,t为第i个高斯分布在t时刻的权重，σ_i,t为第i个高斯函数在t时刻的标准差。设i₁,i₂,...,i_K是样本点像素值I_t各高斯分布在t时刻按ω_i,t/σ_i,t由大到小的排列次序，若前M₁个分布满足式M₁取值范围为1～K，其中τ是权重阈值，取值区间为[0.01,0.99]，一般取值0.6，则这M₁个高斯分布为该步骤求出的背景参数。

5)提取前景特征

当为简单场景时，将单高斯背景模型估计法得到的背景参数与当前图像相减，获取前景特征；当为复杂场景时，根据步骤4)求出的M₁个背景高斯分布，若当前样本点像素值I_t和每个背景高斯分布均值μ_l,t-1之差的绝对值都大于该背景高斯分布标准差τ_l,t-1的D₂倍，则I_t被认为是运动前景，否则I_t被判为背景像素。I_t只要与一个背景高斯分布匹配，就判定I_t为背景像素。参数D₂的选取通过实验凭经验得到，一般取2.5。

具体的，根据当前像素值与混合高斯模型中背景高斯分布均值的比值来判定当前值是否为前景特征，即满足下式中之一就认为该像素为运动前景。

|I_t-μ_l,t-1|>D₂τ_l,t-1或I_t/μ_l,t-1>α₁或I_t/μ_l,t-1<β₁

其中l＝1,M₁,K，α₁,β₁为阈值，且α₁为1.1，β₁为0.9，μ_l,t-1为每个背景高斯分布均值，D₂＝2.5，τ_l,t-1为高斯分布标准差。。

满足以上三个公式中任何一个公式的I_t，即为本步骤求出的前景特征。

6)判断是否有入侵

将前景特征的像素灰度归一化处理，然后计算所有像素的和，设定阈值T，阈值T取值区间为[0.01，0.1]，一般取0.05，当所有像素的平方和大于阈值T时，将入侵标志设为“真”，则进行步骤7)，当小于等于阈值T时，认定无移动物体入侵，将入侵标志设置为“假”，则进行步骤8)。

7)报警

向用户发送报警短信、邮件或者拨打报警电话。然后，进行步骤8)；

8)更新背景参数

根据步骤4)计算的当前的背景参数μ_t+1更新背景参数，即u_t＝u_t+1。更新背景参数后，进行步骤1)，形成一个循环的过程。

本发明的效果说明如下：

本发明基于标准测试视频数据，测试场景分类及分类后前景特征的图像提取的效果，效果图如图2和图3所示；如图2所示，图片2(b)为简单场景的无入侵状态的监控图，图2(a)为有运动的人入侵后的图像，经过本发明的方法处理后的前景特征为图2(c)；如图3所示，图3(a)为摇摆的树图像，属于复杂场景，图3(b)经过复杂场景背景建模算法后的背景图像，提取前景特征图3(c)，即使树一直摇摆，但是并没有检测到物体入侵，不会引起报警，如图3(d)，当有人入侵后，通过复杂场景背景建模算法后的背景图像为图3(e)，提取的前景特征为图3(f)。

在室内监控中，现有的入侵检测报警的方法往往采用单一的入侵检测算法，通过实验发现，每一种入侵目标算法只适用于特定的一种或者简单的几种监控场景，当监控场景发生变化时，将会产生的虚假报警几率约为平均约为45％，因而人们往往将室内监控入侵算法设计为人脸识别、目标跟踪等算法，但是人脸检测、目标跟踪等算法巨大的计算量对监控平台的计算性能要求很高，因而成本剧增是一般家庭不能接受的，并且人脸识别、目标跟踪算法本身要求监控环境非常苛刻且仍在发展之中，距离实用于家庭室内监控还很遥远。而本发明通过采集室内的监控图像，然后根据图像计算场景的复杂度，根据是复杂场景还是简单场景，采用不同的背景参数估计算法估计背景参数，然后利用背景参数提取前景特征，当前景特征复杂度大于阈值时，则有运动物体侵入室内，发送报警信息，更新图像背景参数后进行步骤1)；当前景特征复杂度小于等于阈值时，则无运动物体侵入室内，更新图像背景参数后进行步骤1)，形成一个循环过程。

本发明通过将室内的监控场景分为简单场景和复杂场景，针对不同的场景采用不同的检测算法，提高报警方法对不同室内场景的适应性，该方法实现了监控系统对常见变化的自适应，自适应是通过场景分类算法，即计算场景复杂度将场景分类，然后根据不同的场景分类，采用不同的背景参数的算法，降低了监控虚假报警的概率；本发明的方法易于实现，算法计算量小，可靠性高，能用于室内实时视频监控报警系统中。

Claims (6)

1.一种基于视频的运动物体入侵报警方法，其特征在于，包括以下步骤：

1)连续采集室内实时监控图像，并存储；

2)将采集的室内实时监控图像通过场景模式计算算法计算场景复杂度；当场景复杂度大于阈值时，则为复杂场景，否则为简单场景；

3)针对不同的场景模式分别采用不同的背景参数估计算法估计背景参数，然后利用背景参数提取前景特征；

4)计算前景特征复杂度，当前景特征复杂度大于阈值时，则有运动物体侵入室内，发送报警信息，更新图像背景参数后进行步骤1)；当前景特征复杂度小于等于阈值时，则无运动物体侵入室内，更新图像背景参数后进行步骤1)。

2.根据权利要求1所述的基于视频的运动物体入侵报警方法，其特征在于，所述步骤1)中连续采集室内实时监控图像的速率为每秒7.5帧-30帧。

3.根据权利要求1所述的基于视频的运动物体入侵报警方法，其特征在于，所述计算场景复杂度的具体过程为，采集20-40秒的视频作为样本数据，在该20-40秒时间内视频含有300-600帧图片，按正态分布参数的计算公式 计算场景复杂度；其中I_t为样本点像素值，N为样本集的大小，μ₀与σ₀分别为均值和场景复杂度。

4.根据权利要求1所述的基于视频的运动物体入侵报警方法，其特征在于，步骤3)中，如果室内监控场景为复杂场景，则采用混合高斯背景模型法估计背景参数；若为简单场景，则采用单高斯背景模型法估计背景参数。

5.根据权利要求3所述的基于视频的运动物体入侵报警方法，其特征在于，根据公式μ_t+1＝(1-α)·μ_t+α·I_t，计算简单场景的背景参数；其中，I_t为样本点像素值，α为学习率，μ_t为当前背景图像中像素点的灰度值，μ_t+1为简单场景的背景参数；

根据视频帧像素值将混合高斯模型的所有参数更新，然后将所有高斯函数的权值归一化，并把各个高斯分布按ω_i,t/σ_i,t从大到小排列，其中ω_i,t为第i个高斯分布在t时刻的权重，σ_i,t为第i个高斯函数在t时刻的标准差；设i₁,i₂,...,i_K是样本点像素值I_t各高斯分布在t时刻按ω_i,t/σ_i,t由大到小的排列次序，若前M₁个分布满足式M₁取值范围为1～K，其中τ是权重阈值，取值区间为[0.01,0.99]，则这M₁个高斯分布即为复杂场景的背景参数。

6.根据权利要求1所述的基于视频的运动物体入侵报警方法，其特征在于，所述步骤3)中利用背景参数提取前景特征的具体过程为：

当为简单场景时，将单高斯背景模型估计法得到的背景参数与当前图像相减，获取前景特征；

当为复杂场景时，满足下面三个公式中任何一个公式的样本点像素值I_t为前景特征，

|I_t-μ_l,t-1|>D₂τ_l,t-1或I_t/μ_l,t-1>α₁或I_t/μ_l,t-1<β₁

其中l＝1,M₁,K，α₁,β₁为阈值，且α₁为1.1，β₁为0.9，u_l,t-1为每个背景高斯分布均值，D₂＝2.5，τ_l,t-1为高斯分布标准差。