CN105046682B - 一种基于本地计算的视频监控方法 - Google Patents

Abstract

本发明公开了一种基于本地计算的视频监控方法，包括如下步骤：S1，实时读取局域网内的视频流，将读取的视频流分解成多帧图像；S2，计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，对两帧的帧差图像进行边缘提取，如果不能提取出边缘，忽略所述帧差，否则触发报警，报警次数加1；S3，根据监控视频采集单位时间内发生报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地，同时传到云端备份，并向用户推送报警；如果判定不推送报警，则仅将视频片段保存在本地。本发明同时实现了及时准确报警和安全有效视频存储，不仅保护了引发报警的视频片段，而且节省大量云端存储成本，能有效地满足人们的监控需求。

Description

一种基于本地计算的视频监控方法

技术领域

本发明涉及一种视频监控方法，尤其涉及一种基于本地计算的视频监控方法，属于机器视觉技术领域。

背景技术

随着社会生产力的发展，社会财富日益增加，人们对财产安全以及人身安全提出了更高的要求。在人眼视力范围之外，能够有效地监视财产及人身安全成为人们的迫切需求。于是，各种监控技术应运而生。

监控技术应用的功能一般包括监控视频查看、紧急事件报警以及视频存储三部分。其中，监控视频查看包括查看实时视频(live view)和查看历史记录视频(historicalfootage)。紧急事件报警指的是对于入侵发生或者在其他紧急事件发生时，能够主动向外报警(用户、警局、警铃)，视频存储只将视频片段(video clips)或者连续视频(continuousfootage)进行存储。

目前，对于监控视频查看功能，绝大部分厂商都已经可以通过云服务器进行协调，使得手机可以远程观看。

对于紧急报警功能，有若干技术方案，但实际使用的技术大都基于移动侦测(motion detection)。最简单的移动侦测是对比前后两帧图片的变化，如果变化超过某一个阈值，则报警。另一类稍微复杂点的算法是分区域移动侦测，将整个监控区域划分成不同的小的监控区域，只有小监控区域内检测到移动才报警。还有若干报警如入侵报警、绊线报警等，都是基于移动侦测衍生而来。原因是移动侦测的计算量小，可以进行实时监控。然而这类检测算法过于简单，无法处理如光线变化、树影移动以及来往车辆等情景，误报频发。

另一类技术方案是通过使用视觉算法进行比较复杂的计算，如行人识别、人脸识别等技术，然而此类技术计算量大，如果需要实时计算，则需要配置昂贵的硬件，无法普及应用。此外，此类算法对环境要求较高，很难适用于任何类型的环境，应用范围较窄。

对于视频存储功能，传统的DVR或NVR将视频存在本地，然而一旦发生入室盗窃，则视频证据容易被毁掉。云监控服务商将所有视频内容传到云端，会导致严重的隐私泄露问题，而且大量的视频文件上传，不仅占用带宽资源，用户还需要向云监控服务商支付高昂的费用。

所以，如何很好地解决现有的紧急报警功能和视频存储功能所存在的问题，实现及时准确报警以及安全有效视频存储，成为人们最关注的问题。

发明内容

针对现有技术的不足，本发明所要解决的技术问题在于提供一种基于本地计算的视频监控方法。

为实现上述发明目的，本发明采用下述的技术方案：

一种基于本地计算的视频监控方法，包括如下步骤：

S1，实时读取局域网内的视频流，将读取的视频流分解成多帧图像；

S2，计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，对两帧的帧差图像进行边缘提取，如果不能提取出边缘，忽略所述帧差，否则触发报警，报警次数加1；

S3，根据监控视频采集单位时间内发生报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地，同时传到云端备份，并向用户推送报警；如果判定不推送报警，则仅将视频片段保存在本地。

其中较优地，在步骤S2中，计算当前帧和上一帧的帧差，根据帧差判断是否触发报警，包括如下步骤：

S21，将整个监控区域分解成多个栅格；

S22，为每个栅格赋予活性，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，如果前后两帧图像栅格变化数量小于设定的阈值，则不触发报警；否则，转向步骤S23；

S23，对两帧图像的帧差进行边缘提取，如果不能提取出所述边缘，则不触发报警；否则触发报警。

其中较优地，在步骤S22中，为每个栅格赋予活性，并实时判断栅格的活性状态，包括如下步骤：

为每个栅格设定状态值，当栅格处于激活状态时，状态值为1，当栅格处于失活状态时，状态值为0；

当在本地实时读取局域网内的视频流时，将整个监控区域内的栅格的状态值调整为1，使每个栅格处于激活状态；

判断距离上一次栅格的活性状态发生变化的时间，如果时间小于更新间隔时间，则栅格活性状态不发生变化；

如果时间大于或等于更新间隔时间，判断更新间隔时间内栅格变化次数，如果栅格变化次数大于阈值，则改变栅格的活性状态。

其中较优地，在步骤S22中，根据栅格的变化情况判断是否触发报警，包括如下步骤：

S221，当读入一帧图像时，根据所述图像的颜色通道判断摄像机的状态，如果三通道数值相同则监控时间是夜晚，否则监控时间是白天；

S222，根据摄像机的状态选择要更新和计算的权重和休眠时间；

S223，根据栅格像素变化比例判断栅格的变化，当栅格变化时，栅格变化次数加1，并统计总的激活区域变化栅格数量以及总的变化栅格数量，其中，总的激活区域变化栅格数量＝总的变化栅格数量-处于失活状态的栅格数量；

S224，如果总的激活区域变化栅格数量小于设定的报警阈值，则不触发报警。

其中较优地，在步骤S223判断栅格的状态是否发生变化之前，将读入的一帧图像转换为单通道灰度图像。

其中较优地，在步骤S3中，根据监控视频采集单位时间内发生报警的次数判断是否推送报警，判断过程包括如下步骤：

S31，监控视频采集单位时间内触发报警的次数，如果触发报警的次数小于等于噪点干扰阈值，则判定不推送报警；如果触发报警的次数大于噪点干扰阈值，则转向步骤S32；

S32，进一步判断是否是由于摄像机状态切换引起的报警，如果是则判定不推送报警；否则转向步骤S33；

S33，如果报警次数大于噪点干扰阈值小于等于推送报警阈值，则判定不推送报警，将该视频片段保存在本地，如果大于推送报警阈值则判定推送报警，将引发报警的视频片段保存在本地，同时传到云端备份，并向用户推送报警。

其中较优地，在步骤S32中，进一步判断是否是由于摄像机状态切换引起的报警，包括如下步骤：

获取视频采集单位时间内所有视频帧的颜色通道，并对相邻两帧的颜色通道值进行比较；

如果在视频采集单位时间内仅有一组相邻两帧图像的颜色通道值不同，并且颜色通道值不同的两帧图像在所述视频采集单位时间的前20帧内，则判定是由于摄像机状态切换引起的报警，忽略此次报警；

否则，判定不是由于摄像机状态切换引起的报警。

其中较优地，在步骤S3中，根据监控视频采集单位时间内发生报警的次数判断是否报警还包括如下步骤：

S34，每进行一个更新间隔时间后，更新每个栅格的权重以及休眠时间状态。

其中较优地，在步骤S34中，每进行一个更新间隔时间后，更新每个栅格的权重以及休眠时间状态，包括如下步骤：

S341，对于任意一个栅格，判断所述格栅的休眠时间，如果所述休眠时间不为0，则所述休眠时间减去一个更新间隔的时间；

S342，栅格的休眠时间为0，或者经过步骤S341后休眠时间为0，则判断格栅的变化次数，并根据栅格的变化次数调整权重和休眠时间；如果所述栅格的变化次数小于periodUpThres*2^|weight|，则权重加1；所述栅格休眠时间延长baseTime*2^|weight|；如果所述栅格的变化次数大于periodDownThres*2^|weight|，则权重减1，所述栅格休眠时间增加baseTime*2^|weight|；

S343，如果所述栅格的权重为0，则将所述栅格的休眠时间也置为0；否则，延长所述栅格的休眠时间为2^|weight|*baseTime*unitSize，并将所述栅格的变化次数置为0；

其中，weight为权重，其值小于等于0；periodUpThres为基础权重上升阈值；periodDownThres为基础权重下降阈值；baseTime为基础休眠时间；unitSize为更新间隔。

其中较优地，当用户走入监控区域后，报警监控关闭，包括如下步骤：

当用户允许通过手机接收报警时，记录手机的MAC地址；

当启动视频监控后，扫描路由器内网的设备的MAC地址；

当用户返回时，手机连接Wi-Fi，此时，检测到所述手机的MAC地址，关闭报警监控。

本发明所提供的视频监控方法，对采集的实时视频流在本地进行间隔采样提取多帧图像，通过智能算法对视频采集单位时间内的图像进行提取和分析，排出了常态性干扰和非常态性干扰引起的误报，提高了报警的准确性。

此外，本发明只将引发报警的视频片段传到云端备份，并向用户推送报警。对于非重要报警视频只保存在本地，供用户远程查看。这样不仅保护了引发报警的视频片段，而且节省大量的云端存储成本，同时实现及时准确报警和安全有效视频存储，充分满足人们对视频监控提出的新需求。

附图说明

图1为本发明所提供的基于本地计算的视频监控方法的流程图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行进一步的详细说明。

如图1所示，本发明所提供的基于本地计算的视频监控方法，包括如下步骤：首先，在本地实时读取局域网内的视频流，将读取的视频流分解成多帧图像。其次，在本地进一步计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，对两帧的帧差图像进行边缘提取，如果不能提取出边缘，忽略该次帧差，否则触发报警，报警次数加1。从第一次触发报警开始，根据监控视频采集单位时间内触发报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地SD卡等存储介质中，同时传到云端备份，并通过手机app(应用程序)向用户推送报警；如果判定不推送报警，则将该视频片段保存在本地SD卡等存储介质中。下面对这一过程做详细具体的说明。

S1，在本地实时读取局域网内的视频流，将读取的视频流分解成多帧图像。

在本地实时读取局域网内的视频流，根据采样间隔sampleInterval将读取的视频流分解成多帧图像，便于后续根据前后帧图像的对比，判断是否触发报警。在本发明所提供的实施例中，根据多次监测实验，将采样间隔sampleInterval设置为4帧，每隔4帧获取一帧图像，在保证不漏掉入侵事件报警的基础上降低采样频率，进而降低计算量，能有效地提高工作效率。在将读取的视频流分解成多帧图像之后，采用智能算法对视频采集单位时间内的多帧图像进行分析，判断是否对视频流中记录的行为推送报警。在本发明所提供的实施例中，实时读取局域网内的视频流后对视频流的分解及处理过程均在本地进行，只有判定推送报警的视频片段才上传至云端备份。这样，在保证重要视频片段安全的情况下，节省了大量的云端存储成本。

S2，计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，对两帧的帧差图像进行边缘提取，如果不能提取出边缘，忽略该次帧差，否则触发报警，报警次数加1。

计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，说明摄像机捕捉到了移动物体，产生推送报警的条件，即触发报警。当视频采集单位时间内触发报警达到一定次数时，向用户推送报警。对于摄像机捕捉到的移动物体，本发明通过智能算法进行过滤。通过对移动事件的分析判断其性质，进而判断其是否对监控区域的安全造成威胁。在本发明所提供的实施例中，将移动事件分为三种：常态性干扰、非常态性干扰和入侵事件。在户外监控过程中，常态性干扰一般包括远处的树枝和树叶随风移动、路上来往人和车辆等；非常态性干扰一般包括飞入监控视野的落叶、小动物等。入侵事件一般包括有人走近摄像机。而在室内监控过程中，一般不包含非常态性干扰，常态性干扰一般包括光线干扰、风吹百叶窗等；入侵事件一般包括有人走进监控区域。只有当监控区域内发生入侵事件时才触发报警，当监控区域内发生常态性干扰和非常态性干扰时，不触发报警。而移动事件是否为入侵事件，通过对获取的多帧图像进行分析获得。其中，将读取的视频流分解成多帧图像之后，计算当前帧和上一帧的帧差，根据帧差判断是否触发报警，具体包括如下步骤：

S21，将整个监控区域分解成多个栅格，使整个监控区域网格化。

将整个监控区域分解成若干栅格(grid)，从而将整个监控区域网格化。在本发明所提供的实施例中，该栅格的单边长度范围介于5pixel～50pixel之间，该栅格是活性最小单元。通过统计一段时间(视频采集单位时间)内的视频图像中，相邻前后两帧中栅格的变化数量，分析判定视频图像是否发生入侵事件。

S22，为每个栅格赋予活性，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，如果前后两帧图像栅格变化数量小于设定的阈值，则其为非常态性干扰，不触发报警；否则，转向步骤S23。

将整个监控区域网格化之后，为每个栅格赋予活性，并实时判断栅格的活性状态。具体包括如下步骤：

为每个栅格设定状态值，包括激活状态值和失活状态值。在本发明所提供的实施例中，当栅格处于激活状态时，状态值为1，当栅格处于失活状态时，状态值为0。当在本地实时读取局域网内的视频流时，将整个监控区域内的每个栅格的状态值调整为1，使每个栅格处于激活状态，以便于及时感应对入侵行为，进行报警。

判断距离上一次栅格的活性状态发生变化的时间，如果该时间小于更新间隔时间，则栅格活性状态不发生变化；如果时间大于或等于更新间隔时间，判断更新间隔时间内栅格变化次数，如果栅格变化次数大于阈值，则改变栅格的活性状态。如果变化前栅格处于激活状态，则栅格变为失活状态，处于失活状态的栅格不再参与报警。其中，判断栅格发生变化的过程在下面的描述中进行进一步的说明，在此不进行详述。

为每个栅格赋予活性之后，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，根据栅格的变化情况判断是否触发报警，具体包括如下步骤：

S221，根据获取的多帧图像，当读入一帧时，根据其颜色通道判断摄像机的状态，如果三通道数值相同则监控时间是夜晚，否则监控时间是白天。

每个图像都有一个或多个颜色通道，图像中默认的颜色通道数取决于其颜色模式，即一个图像的颜色模式将决定其颜色通道的数量。根据图像颜色模式的不同，颜色通道的种类也各异。在本发明所提供的实施例中，采用RGB color模式就是利用“Red，Green，Blue”3种基本色调来表现繁多的颜色的，将基本色相混合成各种浓度，可以表现出多姿多彩的彩色图像。根据三通道数值的差异便可以判断监控时间是白天还是夜晚。如果三通道数值相同则监控时间是夜晚，否则监控时间是白天。

S222，根据摄像机的状态选择要更新和计算的权重和休眠时间。

由于白天和晚上情景不同，白天相对光线要明亮，人的活动性要强，光线、车辆、人、树等常态性或非常态性干扰较多；而晚上光线较暗，人的活动明显减少，常态性或非常态性干扰降低。所以，在本发明所提供的实施例中，单独为白天和晚上设置了两套栅格的参数和阈值，在白天夜间切换的时候，两套栅格的参数和阈值互相切换，同时栅格的失活状态和时间分开保存。

在实时读取视频流之后，对摄像机进行初始化，包含三方面内容：

1)加载白天以及夜晚的权重以及休眠时间文件，如果没有则相应地初始化为0。

2)设定相关参数：栅格大小gridsize、采样间隔sampleInterval、更新间隔unitSize、权重上升变化阈值upThres、权重下降变化阈值downThres、单次帧差报警阈值actionThres、栅格变化比例阈值threshold、白天基础休眠时间baseTimeDay、晚上基础休眠时间baseTimeNight、基础休眠时间baseTime、基础权重上升阈值periodUpThres和基础权重下降阈值periodDownThres等相关参数。关于相关参数的介绍在下文中进行详细描述。

3)初始化统计量：栅格的变化次数数组varTimes。

其中，采样间隔sampleInterval、更新间隔unitSize、权重变化阈值upThres等参数的设定根据实验数据获取最佳数值。摄像机进行初始化之后，根据摄像机所处的状态选择要更新和计算的权重和休眠时间。

S223，根据栅格像素变化比例判断栅格的变化，当栅格变化时，栅格的变化次数数组varTimes中该栅格变化次数加1，并统计总的激活区域变化栅格数量varNum以及总的变化栅格数量totalNum，其中，总的激活区域变化栅格数量＝总的变化栅格数量-处于失活状态的栅格数量。

在判断栅格是否发生变化之前，将该帧图像转换为单通道灰度图像，以降低计算量。

根据栅格像素变化比例判断栅格的变化，在本发明所提供的实施例中，通过统计每个栅格中的像素变化比例，来判断栅格是否发生变化，当栅格中的像素变化比例超过栅格变化比例阈值threshold时，则判定该栅格发生变化。当栅格发生变化时，栅格的变化次数数组varTimes中该栅格变化次数加1，并统计总的激活区域变化栅格数量varNum以及总的变化栅格数量totalNum，其中，总的激活区域变化栅格数量＝总的变化栅格数量-处于失活状态的栅格数量，处于失活状态的栅格数量通过统计此刻活性状态为失活状态的栅格得到。

S224，如果总的激活区域变化栅格数量varNum小于设定的报警阈值，则其为非常态性干扰，不触发报警。

如果总的激活区域变化栅格数量varNum小于设定的报警阈值，则其为非常态性干扰，不触发报警。如果对于视频采集单位时间内的任意一帧图像，栅格的状态的变化的总数都小于设定的报警阈值。则该视频采集单位时间内多帧图像组成的视频为静止视频。该静止视频对于监控分析不产生意义，经过读取分析确定后，直接舍弃，并不进行任何存储，节省无效的视频空间占用。

S23，对两帧的帧差采用边缘算法进行边缘提取，如果不能提取出两帧帧差的边缘，则说明其为光照变化引发的干扰，不触发报警；如果能提取出两帧帧差的边缘，则其为入侵事件，触发报警。

在现实情况中，误报的主要来源是：光线、树叶摇晃、车辆或其他移动物体带来的影响，总结起来有两种：1)光线引起的部分或全局变化；2)物体在一定空间范围内不规律移动。对于物体在一定空间范围内不规律移动造成的误报，在后边的论述中加以排除。对于光线引起的误报，通过采用简单高效的算法进行过滤。

通过大量的实验发现，对于光线引起部分或全局变化的问题，通过移动物体的边缘检测(edge detection)提取可以加以解决。在发现移动物体时，如果是在光线变化下的移动物体(光线)，通过边缘提取算法提取的结果是没有发现任何边缘。而在有人移动时，边缘提取的结果是发现轮廓清晰可见。通过对两帧的帧差采用边缘算法进行边缘提取，可以去除光线等常态性干扰造成的误报。其中，进行边缘提取的算法可以是任何现有的边缘提取算法。在本发明所提供的实施例中，可以采用OpenCV默认的边缘提取算法库对两帧的帧差进行边缘提取，在此便不再赘述了。

S3，根据监控视频采集单位时间内触发报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地SD卡等存储介质中，同时传到云端备份，并通过手机app向用户发出报警；如果判定不报警，则将该视频片段保存在本地SD卡等存储介质中。

视频采集单位时间是一次视频片段采集需要的时间，经过大量的实验，在本发明所提供的实施例中，视频采集单位时间取能获取50帧图像的时间，在保证不会漏掉入侵事件的基础上，最大限度的延长一次视频片段采集需要的时间，提高视频片段的处理效率。从第一次触发报警开始，根据监控视频采集单位时间内发生报警的次数判断是否报警，具体判断过程包括如下步骤：

S31，采用步骤S1～S2的过程监控视频采集单位时间内触发报警的次数，如果触发报警的次数小于等于噪点干扰阈值，则判定不报警；如果触发报警的次数大于等于噪点干扰阈值，则转向步骤S32。

从第一次触发报警开始，监控视频采集单位时间内触发报警的次数，如果触发报警的次数小于噪点干扰阈值，则认为是图像噪点干扰，判定不报警；对图像噪声干扰引起的误报进行排除，有效地提高了报警的准确性。其视频片段也不进行存储，有效地节省了存储空间。如果触发报警的次数大于等于噪点干扰阈值，则证明该报警不是光线变化引起的，则进行进一步的处理。其中，噪点干扰阈值是为了防止图像噪点干扰产生误报而设定的界限值，在本发明所提供的实施例中，当视频采集单位时间内触发报警的次数小于等于噪点干扰阈值时，则认为是图像噪声干扰引起的触发报警，不推送报警。

S32，进一步判断是否是由于摄像机状态切换引起的报警，如果是则判定不报警；否则转向步骤S33。

当排除了报警是由于图像噪点干扰引起的误报之后，进一步判断是否是由于摄像机状态切换引起的报警，具体包括如下步骤：

获取视频采集单位时间内所有视频帧的颜色通道，并对相邻两帧的颜色通道进行比较；如果在视频采集单位时间内仅有一组相邻两帧图像的颜色通道值不同，且这两帧图像在该视频采集单位时间的前20帧内，则判定是由于摄像机状态切换引起的报警，忽略此次报警；否则，判定不是由于摄像机状态切换引起的报警，进入步骤S33进行进一步的判断。

S33，如果报警次数大于噪点干扰阈值小于等于推送报警阈值(非重要报警视频)，则判定不推送报警，将该视频片段保存在本地SD卡等存储介质中，如果大于推送报警阈值则判定推送报警，将引发报警的视频片段保存在本地SD卡等存储介质中，同时传到云端备份，并通过手机app向用户推送报警。

如果报警次数大于噪点干扰阈值小于等于推送报警阈值(非重要报警视频)，则说明在监控区域出现了非常态性干扰，有移动物体闯入了监控区域，但是闯入时间较短，按时间计算并不构成入侵事件。所以判定不推送报警，但是为了防止此短时间内的闯入造成用户的财产或者人身安全，将该视频片段保存到本地SD卡等存储介质中，用户可以通过手机app远程查看，但是不传送到云端备份，也不推送报警。如果大于推送报警阈值则说明有入侵事件，判定推送报警，将引发报警的视频片段保存在本地SD卡等存储介质中，同时传到云端备份，并通过手机app向用户推送报警。其中，推送报警阈值是为了判定视频采集单位时间内触发报警次数是否构成推送报警而设定的界限值，在本发明所提供的实施例中，当视频采集单位时间内触发报警的次数大于推送报警阈值时，则认为是有入侵事件发生，推送报警。

S34，每进行一个更新间隔unitSize时间后，更新每个栅格的权重以及休眠时间状态。

每进行一个更新间隔unitSize时间后，更新每个栅格的权重以及休眠时间状态，以保证每个栅格能实时对图像变化做出最准确的反应，具体包括如下步骤：

S341，对于任意一个栅格，判断此时该格栅的休眠时间，如果该栅格的休眠时间不为0，则该栅格的休眠时间减一个更新间隔unitSize时间。

S342，如果在此时，栅格的休眠时间为0，或者经过步骤S341后休眠时间为0，则判断格栅的变化次数，并根据栅格的变化次数调整权重和休眠时间；如果该栅格的变化次数小于权重上升变化阈值periodUpThres*2^|weight|，则权重weight加1(最大不超过0)；该栅格休眠时间延长baseTime*2^|weight|。如果该栅格的变化次数大于权重下降变化阈值periodDownThres*2^|weight|，则权重weight减1，该栅格休眠时间增加baseTime*2^|weight|。

对于任意一个栅格，如果其休眠时间为0，或者经过步骤S341后休眠时间为0，则该格栅当前阶段的休眠时间已经结束，进一步判断格栅的变化次数，并根据栅格的变化次数调整权重和休眠时间；如果该栅格的变化次数小于权重上升变化阈值periodUpThres*2^|weight|，说明不需要增加惩罚时间，则权重weight加1(最大为0)，该栅格休眠时间延长baseTime*2^|weight|。如果该栅格的变化次数大于权重下降变化阈值periodDownThres*2^|weight|，说明需要增加惩罚时间，则该栅格的权重weight减1，该栅格休眠时间增加baseTime*2^|weight|。其中，periodUpThres和periodDownThres为基础权重上升和下降阈值。baseTime是基础休眠时间。periodUpThres和periodDownThres以及baseTime根据白天和夜晚的时间段不同进行不同的设置。

S343，如果经过步骤S342，该栅格的权重为0，则将其休眠时间也置为0；否则，延长其休眠时间为2^|weight|*baseTimeDay(如果是晚上则为2^|weight|*baseTimeNight)个更新间隔unitSize的时间，并将该栅格的变化次数置为0。

根据监控视频采集单位时间内触发报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地SD卡等存储介质中，同时传到云端备份，并通过手机app向用户推送报警；即使本地的设备被破坏，云端的视频片段依然得以保留，为用户提供了法律证据。此外，因为经过算法过滤后，重要的视频数量相当少，因此占用云端资源少，服务提供商可以向用户提供免费的服务。如果判定不推送报警，则将该视频片段保存在本地SD卡等存储介质中。用户可以通过手机app远程查看，但是，不通过手机app推送报警。此类视频并不会上传到云端服务器，因此会节省大量云端存储成本，并且因为非重要视频意味着并没有人入侵，因此这些视频片段可以安全地保存在SD卡等存储介质中。

除此之外，当用户自身走入监控区域后，为了保护用户隐私，报警监视自动关闭，具体包括如下步骤：

当用户允许通过手机app接收报警信息时，记录手机的MAC地址；然后扫描路由器内网的设备的MAC地址；当用户带着手机回家时，手机会自动连上家里的Wi-Fi，而这时通过检测这个MAC地址可以确定是用户回到了家中，然后自动关闭报警监控，最大限度的保护了用户的隐私，也防止了误报的发生。

综上所述，本发明所提供的基于本地计算的视频监控方法，在本地实时读取局域网内的视频流，将读取的视频流分解成多帧图像。通过对视频采集单位时间内的图像进行提取和分析，判断是否触发报警。由于在监控过程中，会产生一些常态性干扰和非常态性干扰，所以不能保证每次帧差产生的报警都是准确地报警。本发明通过智能算法对视频采集单位时间内的每帧图像进行网格化分析，通过每帧图像中栅格变化次数和变化数量，确定是否需要触发报警。而对两帧的帧差图像进行边缘提取，进一步排除了光线等常态性干扰对报警准确性的影响，提高了报警的准确率。除此之外，视频的采集处理均在本地进行，只有判定推送报警的视频片段在保存在本地SD卡的基础上，上传至云端备份，即使本地的设备被破坏，云端的视频片段依然得以保留，为用户提供了法律证据，在保证重要视频片段安全的情况下，节省了大量云端存储成本。将非重要报警视频保存在本地SD卡等存储介质中。供用户可以通过手机app远程查看，会节省大量云端存储成本。

上面对本发明所提供的基于本地计算的视频监控方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质精神的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (10)

1.一种基于本地计算的视频监控方法，其特征在于包括如下步骤：

S1，实时读取局域网内的视频流，将读取的视频流分解成多帧图像；

S2，将整个监控区域分解成多个栅格，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，计算当前帧和上一帧的帧差，当帧差大于单次帧差报警阈值时，对两帧的帧差图像进行边缘提取，如果不能提取出边缘，忽略所述帧差，否则触发报警，报警次数加1；

S3，根据监控视频采集单位时间内发生报警的次数判断是否推送报警，如果推送报警，则将引发报警的视频片段保存在本地，同时传到云端备份，并向用户推送报警；如果判定不推送报警，则仅将视频片段保存在本地。

2.如权利要求1所述的基于本地计算的视频监控方法，其特征在于在步骤S2中，将整个监控区域分解成多个栅格，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，计算当前帧和上一帧的帧差，根据帧差判断是否触发报警，包括如下步骤：

S21，将整个监控区域分解成多个栅格；

S22，为每个栅格赋予活性，根据获取的图像，判断监控区域中的栅格变化，并统计其变化数量，如果前后两帧图像栅格变化数量小于设定的阈值，则不触发报警；否则，转向步骤S23；

S23，对两帧图像的帧差进行边缘提取，如果不能提取出所述边缘，则不触发报警；否则触发报警。

3.如权利要求2所述的基于本地计算的视频监控方法，其特征在于在步骤S22中，为每个栅格赋予活性，并实时判断栅格的活性状态，包括如下步骤：

为每个栅格设定状态值，当栅格处于激活状态时，状态值为1，当栅格处于失活状态时，状态值为0；

当在本地实时读取局域网内的视频流时，将整个监控区域内的栅格的状态值调整为1，使每个栅格处于激活状态；

判断距离上一次栅格的活性状态发生变化的时间，如果时间小于更新间隔时间，则栅格活性状态不发生变化；

如果时间大于或等于更新间隔时间，判断更新间隔时间内栅格变化次数，如果栅格变化次数大于阈值，则改变栅格的活性状态。

4.如权利要求3所述的基于本地计算的视频监控方法，其特征在于在步骤S22中，根据栅格的变化情况判断是否触发报警，包括如下步骤：

S221，当读入一帧图像时，根据所述图像的颜色通道判断摄像机的状态，如果三通道数值相同则监控时间是夜晚，否则监控时间是白天；

S222，根据摄像机的状态选择要更新和计算的权重和休眠时间；

S223，根据栅格像素变化比例判断栅格的变化，当栅格变化时，栅格变化次数加1，并统计总的激活区域变化栅格数量以及总的变化栅格数量，其中，总的激活区域变化栅格数量＝总的变化栅格数量-处于失活状态的栅格数量；所述激活区域为处于激活状态的栅格所组成的区域；

S224，如果总的激活区域变化栅格数量小于设定的报警阈值，则不触发报警。

5.如权利要求4所述的基于本地计算的视频监控方法，其特征在于：

在步骤S223判断栅格的状态是否发生变化之前，将读入的一帧图像转换为单通道灰度图像。

6.如权利要求1所述的基于本地计算的视频监控方法，其特征在于在步骤S3中，根据监控视频采集单位时间内发生报警的次数判断是否推送报警，判断过程包括如下步骤：

S31，监控视频采集单位时间内触发报警的次数，如果触发报警的次数小于等于噪点干扰阈值，则判定不推送报警；如果触发报警的次数大于噪点干扰阈值，则转向步骤S32；

S32，进一步判断是否是由于摄像机状态切换引起的报警，如果是则判定不推送报警；否则转向步骤S33；

S33，如果报警次数大于噪点干扰阈值小于等于推送报警阈值，则判定不推送报警，将该视频片段保存在本地，如果大于推送报警阈值则判定推送报警，将引发报警的视频片段保存在本地，同时传到云端备份，并向用户推送报警。

7.如权利要求6所述的基于本地计算的视频监控方法，其特征在于在步骤S32中，进一步判断是否是由于摄像机状态切换引起的报警，包括如下步骤：

获取视频采集单位时间内所有视频帧的颜色通道，并对相邻两帧的颜色通道值进行比较；

如果在视频采集单位时间内仅有一组相邻两帧图像的颜色通道值不同，并且颜色通道值不同的两帧图像在所述视频采集单位时间的前20帧内，则判定是由于摄像机状态切换引起的报警，忽略此次报警；

否则，判定不是由于摄像机状态切换引起的报警。

8.如权利要求6所述的基于本地计算的视频监控方法，其特征在于在步骤S3中，根据监控视频采集单位时间内发生报警的次数判断是否报警还包括如下步骤：

S34，每进行一个更新间隔时间后，更新每个栅格的权重以及休眠时间状态。

9.如权利要求8所述的基于本地计算的视频监控方法，其特征在于在步骤S34中，每进行一个更新间隔时间后，更新每个栅格的权重以及休眠时间状态，包括如下步骤：

S341，对于任意一个栅格，判断所述栅格的休眠时间，如果所述休眠时间不为0，则所述休眠时间减去一个更新间隔的时间；

S342，栅格的休眠时间为0，或者经过步骤S341后休眠时间为0，则判断栅格的变化次数，并根据栅格的变化次数调整权重和休眠时间；如果所述栅格的变化次数小于periodUpThres*2^|weight|，则权重加1；所述栅格休眠时间延长baseTime*2^|weight|；如果所述栅格的变化次数大于periodDownThres*2^|weight|，则权重减1，所述栅格休眠时间增加baseTime*2^|weight|；

S343，如果所述栅格的权重为0，则将所述栅格的休眠时间也置为0；否则，延长所述栅格的休眠时间为2^|weight|*baseTime*unitSize，并将所述栅格的变化次数置为0；

其中，weight为权重，其值小于等于0；periodUpThres为基础权重上升阈值；periodDownThres为基础权重下降阈值；baseTime为基础休眠时间；unitSize为更新间隔。

10.如权利要求1所述的基于本地计算的视频监控方法，其特征在于当用户走入监控区域后，报警监控关闭，包括如下步骤：

当用户允许通过手机接收报警时，记录手机的MAC地址；

当启动视频监控后，扫描路由器内网的设备的MAC地址；

当用户返回时，手机连接Wi-Fi，此时，检测到所述手机的MAC地址，关闭报警监控。