CN105139016B - 监控摄像头的干扰检测系统及其应用方法 - Google Patents
监控摄像头的干扰检测系统及其应用方法 Download PDFInfo
- Publication number
- CN105139016B CN105139016B CN201510489878.0A CN201510489878A CN105139016B CN 105139016 B CN105139016 B CN 105139016B CN 201510489878 A CN201510489878 A CN 201510489878A CN 105139016 B CN105139016 B CN 105139016B
- Authority
- CN
- China
- Prior art keywords
- region
- monitoring camera
- image
- frame
- edge feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Abstract
本发明提供了一种监控摄像头的干扰检测系统及其应用方法,通过状态识别模块根据边缘特征检测模块及梯度直方图生成模块输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。无需投入过多的人力物力来对监控摄像头的状态进行实时的监控,根据状态识别模块识别监控摄像头的工作状态可以获知哪些监控摄像头处于被干扰的状态,从而有针对性的对存在被干扰的监控摄像头进行检测处理,降低了检测监控摄像头的投入成本,提高了监控摄像头状态识别的精准度,降低了误报率。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种监控摄像头的干扰检测系统及其应用方法。
背景技术
安全问题是人们普遍比较关心的一个问题,特别是一些公共场所,人员比较复杂,流动性也很大,为了保证大家的安全,安装监控摄像头也是非常有好处的,一个清晰的监控设备,不仅可以帮助预防一些事情的发生,还可以为其他事情的处理提供一些线索。
比如,工厂生产车间安装监控摄像头有利于及时了解情况便于高效管理。管理人员可以及时、直观的通过监控摄像头了解生产第一线的情况,便于指挥与管理工作的实施。还可以让工厂更加安全,例如,在发生事故后容易还原事故真相,帮助相关机关根据监控摄像头的录像信息侦破案件。对于安防人员来说,多数情况下完全靠人来保证安全是一件很困难的事情,很多事情需要电子保安器材(如监视器、报警器)辅助才更完美。在一些恶劣条件下(高热、寒冷、封闭等),人很难用肉眼观察清楚,或者环境根本不适合人的停留,因此必须使用电子安防设备-监控摄像头。
上述情景均需要监控摄像头在正常的条件下进行工作,才能很好地起到辅助效果,监控摄像头一旦被遮挡,则通过监控摄像头无法观察监控对象,虽然现在已经有一些用于检测监控摄像头是否被遮挡的方法,但是还存在一些问题,比如,无法识别画面较复杂的遮挡物、无法识别亮度不均匀的遮挡物、无法识别动态遮挡等,导致误报率极高。
发明内容
本发明的目的在于提供一种监控摄像头的干扰检测系统及其应用方法,以克服现有技术中检测监控摄像头被干扰的方法所存在的不足与缺陷。
为解决上述技术问题,本发明提供一种监控摄像头的干扰检测系统,所述监控摄像头的干扰检测系统包括:
参考帧选择模块,用于选择监控摄像头未被遮挡时的一帧图像作为参考帧;
图像划分模块,用于将所述参考帧和当前帧的图像均划分为N个区域,N≥1,所述参考帧与所述当前帧的图像划分位置一致;
边缘特征检测模块,用于检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;
梯度直方图生成模块,用于根据所述边缘特征检测模块检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;
状态识别模块,用于根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。
可选的,在所述的监控摄像头的干扰检测系统中,所述状态识别模块自身的工作状态包括稳定状态、变化状态及报警状态,
在所述状态识别模块的工作状态为稳定状态时,所述参考帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征与所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征一致,所述监控摄像头处于未被干扰状态;
在所述状态识别模块的工作状态为变化状态时,监控摄像头被遮挡的置信度值小于第一预设阈值和/或监控摄像头被转向的置信度值小于第二预设阈值,所述监控摄像头处于过渡状态;
在所述状态识别模块的工作状态为报警状态时,监控摄像头被遮挡的置信度值大于第一预设阈值和/或监控摄像头被转向的置信度值大于第二预设阈值,所述监控摄像头处于被干扰状态。
可选的,在所述的监控摄像头的干扰检测系统中,所述监控摄像头的被干扰状态为被遮挡状态和/或被转向状态。
可选的,在所述的监控摄像头的干扰检测系统中,所述监控摄像头被遮挡的置信度值采用如下公式计算:
X=(a1-b1)+(a2-b2)+(a3-b3)+…+(an-bn),
其中,X为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被遮挡的置信度值,n为帧序号,n≥1,an为帧序号为n时当前帧的图像划分的N个区域中判定为模糊区域的数量,bn为帧序号为n时参考帧的图像划分的N个区域中判定为模糊区域的数量。
可选的,在所述的监控摄像头的干扰检测系统中,判定当前帧和或参考帧的图像划分的区域是否为模糊区域的方法如下:
根据每个区域的水平方向的边缘特征和垂直方向的边缘特征,统计每个区域的细节信息量;所述细节信息量为每个区域中所有像素点的水平方向边缘强度值的平均值和垂直方向边缘强度值的平均值;
将N个区域的细节信息量与各区域的参考阈值作比较;
若所述区域的细节信息量小于该区域的参考阈值,则该区域为模糊区域;
若所述区域的细节信息量大于等于该区域的参考阈值,则该区域为清楚区域。
可选的,在所述的监控摄像头的干扰检测系统中,所述监控摄像头被转向的置信度值采用如下公式计算:
Y=y1+y2+y3+…+yn,
其中,Y为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,yn为帧序号为n时当前帧的图像划分的N个区域区别于帧序号为n时参考帧的图像划分的N个区域的区域数量,判定当前帧的图像划分的第i个区域是否区别于参考帧的图像划分的第i个区域采用如下方法:通过将当前帧的图像划分的第i个区域的梯度直方图中的向量与参考帧的图像划分的第i个区域的梯度直方图中的对应向量做差取绝对值,将梯度直方图中所有向量做差取绝对值进行累加,若累加的值大于预定阈值,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域有区别,反之,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域无区别,1≤i≤N。
本发明还提供一种监控摄像头的干扰检测系统的应用方法,所述监控摄像头的干扰检测系统的应用方法包括如下步骤:
利用参考帧选择模块选择监控摄像头未被遮挡时的一帧图像作为参考帧;
利用图像划分模块将所述参考帧和当前帧的图像均划分为N个区域,N≥1,所述参考帧与所述当前帧的图像划分位置一致;
利用边缘特征检测模块检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;
梯度直方图生成模块根据所述边缘特征检测模块检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;
状态识别模块根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较所述当前帧和所述参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。
可选的,在所述的监控摄像头的干扰检测系统的应用方法中,所述状态识别模块的工作状态包括稳定状态、变化状态及报警状态,
在所述状态识别模块的工作状态为稳定状态时,所述参考帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征与所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征一致,所述监控摄像头处于未被干扰状态;
在所述状态识别模块的工作状态为变化状态时,监控摄像头被遮挡的置信度值小于第一预设阈值和/或监控摄像头被转向的置信度值小于第二预设阈值,所述监控摄像头处于过渡状态;
在所述状态识别模块的工作状态为报警状态时,监控摄像头被遮挡的置信度值大于第一预设阈值和/或监控摄像头被转向的置信度值大于第二预设阈值,所述监控摄像头处于被干扰状态。
可选的,在所述的监控摄像头的干扰检测系统的应用方法中,所述监控摄像头的被干扰状态为被遮挡状态和/或被转向状态。
可选的,在所述的监控摄像头的干扰检测系统的应用方法中,所述监控摄像头被遮挡的置信度值采用如下公式计算:
X=(a1-b1)+(a2-b2)+(a3-b3)+…+(an-bn),
其中,X为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,an为帧序号为n时当前帧的图像划分的N个区域中判定为模糊区域的数量,bn为帧序号为n时参考帧的图像划分的N个区域中判定为模糊区域的数量。
可选的,在所述的监控摄像头的干扰检测系统的应用方法中,判定当前帧和或参考帧的图像划分的区域是否为模糊区域的方法如下:
根据每个区域的水平方向的边缘特征和垂直方向的边缘特征,统计每个区域的细节信息量;所述细节信息量为每个区域中所有像素点的水平方向边缘强度值的平均值和垂直方向边缘强度值的平均值;
将N个区域的细节信息量与各区域的参考阈值作比较;
若所述区域的细节信息量小于该区域的参考阈值,则该区域为模糊区域;
若所述区域的细节信息量大于等于该区域的参考阈值,则该区域为清楚区域。
可选的,在所述的监控摄像头的干扰检测系统的应用方法中,所述监控摄像头被转向的置信度值采用如下公式计算:
Y=y1+y2+y3+…+yn,
其中,Y为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,yn为帧序号为n时当前帧的图像划分的N个区域区别于帧序号为n时参考帧的图像划分的N个区域的区域数量,判定当前帧的图像划分的第i个区域是否区别于参考帧的图像划分的第i个区域采用如下方法:通过将当前帧的图像划分的第i个区域的梯度直方图中的向量与参考帧的图像划分的第i个区域的梯度直方图中的对应向量做差取绝对值,将梯度直方图中所有向量做差取绝对值进行累加,若累加的值大于预定阈值,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域有区别,反之,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域无区别,1≤i≤N。
在本发明所提供的监控摄像头的干扰检测系统及其应用方法中,通过状态识别模块根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。无需投入过多的人力物力来对监控摄像头的状态进行实时的监控,根据状态识别模块识别监控摄像头的工作状态可以获知哪些监控摄像头处于被干扰的状态,从而有针对性的对存在被干扰的监控摄像头进行检测处理,降低了检测监控摄像头的投入成本,提高了监控摄像头状态识别的精准度,降低了误报率。
附图说明
图1是本发明一实施例中监控摄像头的干扰检测系统的结构示意图;
图2是本发明一实施例中状态识别模块的工作状态转化示意图;
图3是本发明另一实施例中监控摄像头的干扰检测系统的应用方法的流程图。
图1中,参考帧选择模块-10;图像划分模块-11;边缘特征检测模块-12;梯度直方图生成模块-13;状态识别模块-14。
具体实施方式
以下结合附图和具体实施例对本发明提出的监控摄像头的干扰检测系统及其应用方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1,其为本发明一实施例中监控摄像头的干扰检测系统的示意图,如图1所示,所述监控摄像头的干扰检测系统包括:参考帧选择模块10,用于选择监控摄像头未被遮挡时的一帧图像作为参考帧;图像划分模块11,用于将所述参考帧和当前帧的图像均划分为N个区域,N为大于等于1的整数,所述参考帧与所述当前帧的图像划分位置一致;边缘特征检测模块12,用于检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;梯度直方图生成模块13,用于根据所述边缘特征检测模块12检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;状态识别模块14,用于根据所述边缘特征检测模块12及所述梯度直方图生成模块13输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。
请参考图1及图2,其中,图2为本发明一实施例中状态识别模块14的工作状态转化示意图。如图2所示,所述状态识别模块14自身的工作状态包括稳定状态、变化状态及报警状态,状态识别模块14直接表征监控摄像头当前时刻所处的状态,通过状态识别模块14的识别以判断监控摄像头当前是否处于被干扰状态,识别判断出监控摄像头的工作状态是有个过程的,这就体现为状态识别模块14的三个工作状态。这里所述监控摄像头的被干扰状态为被遮挡状态和/或被转向状态。其中,监控摄像头被遮挡时监控摄像头所显示的图像的部分区域会模糊,这里用图像的水平方向的边缘特征和垂直方向的边缘特征来表征判断;监控摄像头被转向时,监控摄像头所显示的图像会与参考帧有所不同,这里用图像的梯度直方图的数据来表征判断。
具体的,在所述状态识别模块14的工作状态为稳定状态时,所述参考帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征与所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征一致,所述监控摄像头处于未被干扰状态;在所述状态识别模块14的工作状态为变化状态时,监控摄像头被遮挡的置信度值小于第一预设阈值和/或监控摄像头被转向的置信度值小于第二预设阈值,所述监控摄像头处于过渡状态;如果监控摄像头的干扰检测系统中状态识别模块14处于变化状态下一定时间后仍没有触及第二预设阈值,也就是没有转化为报警状态,则说明监控摄像头当前的变化较为缓慢,状态识别模块14回归到稳定状态下;在所述状态识别模块14的工作状态为报警状态时,监控摄像头被遮挡的置信度值大于第一预设阈值和/或监控摄像头被转向的置信度值大于第二预设阈值,所述监控摄像头处于被干扰状态,此时监控摄像头的干扰检测系统进入报警状态,提醒工作人员该监控摄像头出现异常。
本实施例中,所述监控摄像头被遮挡的置信度值采用如下公式计算:
X=(a1-b1)+(a2-b2)+(a3-b3)+…+(an-bn),
其中,X为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被遮挡的置信度值,n为帧序号,n≥1,an为帧序号为n时当前帧的图像划分的N个区域中判定为模糊区域的数量,bn为帧序号为n时参考帧的图像划分的N个区域中判定为模糊区域的数量。
其中,判定当前帧和或参考帧的图像划分的区域是否为模糊区域的方法如下:根据每个区域的水平方向的边缘特征和垂直方向的边缘特征,统计每个区域的细节信息量;所述细节信息量为每个区域中所有像素点的水平方向边缘强度值的平均值和垂直方向边缘强度值的平均值;将N个区域的细节信息量与各区域的参考阈值作比较;若所述区域的细节信息量小于该区域的参考阈值,则该区域为模糊区域;若所述区域的细节信息量大于等于该区域的参考阈值,则该区域为清楚区域。
进一步地,所述监控摄像头被转向的置信度值采用如下公式计算:
Y=y1+y2+y3+…+yn,
其中,Y为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,yn为帧序号为n时当前帧的图像划分的N个区域区别于帧序号为n时参考帧的图像划分的N个区域的区域数量,判定当前帧的图像划分的第i个区域是否区别于参考帧的图像划分的第i个区域采用如下方法:通过将当前帧的图像划分的第i个区域的梯度直方图中的向量与参考帧的图像划分的第i个区域的梯度直方图中的对应向量做差取绝对值,将梯度直方图中所有向量做差取绝对值进行累加,若累加的值大于预定阈值,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域有区别,反之,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域无区别,1≤i≤N。
本申请文件中,所提及的第一预定阈值、第二预定阈值、参考阈值等于阈值有关概念,其实际数值都是基于本领域工作人员的训练数据实验得出,其对于本领域技术人员来说为公知常识,在此不再赘述。
相应的,本实施例还提供了一种监控摄像头的干扰检测系统的应用方法。下面参考图3详细说明本实施例所述监控摄像头的干扰检测系统的应用方法。
首先,执行步骤S1,利用参考帧选择模块10选择监控摄像头未被遮挡时的一帧图像作为参考帧;
接着,执行步骤S2,利用图像划分模块11将所述参考帧和当前帧的图像均划分为N个区域,所述参考帧与所述当前帧的图像划分位置一致;
接着,执行步骤S3,利用边缘特征检测模块12检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;
接着,执行步骤S4,梯度直方图生成模块13根据所述边缘特征检测模块12检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;
对于每个区域,根据步骤S3已经计算出每个区域的水平方向的边缘特征和垂直方向的边缘特征,例如用(x,y)代表像素点坐标,fx(x,y)为该像素点的水平方向边缘强度,fy(x,y)为垂直方向上边缘强度,可以计算出位于(x,y)点的梯度方向与水平方向夹角为:
θ(x,y)=arctan[fy(x,y)/fx(x,y)]。
将0°~180°分成N个角度区间,对图像上的任意区域,统计出在每个梯度方向区间上的像素点个数,生成梯度直方图。这个一维N个元素的向量可以用来描述该区域的边缘方向的统计特征。进行梯度直方图统计时,每个像素点在其梯度方向对应的直方图角度区间上加一,或者可以把边缘强度值累加。
接着,执行步骤S5,状态识别模块14根据所述边缘特征检测模块12及所述梯度直方图生成模块13输出的结果,比较所述当前帧和所述参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。
综上,在本发明所提供的监控摄像头的干扰检测系统及其应用方法中,通过状态识别模块根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应。无需投入过多的人力物力来对监控摄像头的状态进行实时的监控,根据状态识别模块识别监控摄像头的工作状态可以获知哪些监控摄像头处于被干扰的状态,从而有针对性的对存在被干扰的监控摄像头进行检测处理,降低了检测监控摄像头的投入成本,提高了监控摄像头状态识别的精准度,降低了误报率。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种监控摄像头的干扰检测系统,其特征在于,包括:
参考帧选择模块,用于选择监控摄像头未被遮挡时的一帧图像作为参考帧;
图像划分模块,用于将所述参考帧和当前帧的图像均划分为N个区域,N≥1,所述参考帧与所述当前帧的图像划分位置一致;
边缘特征检测模块,用于检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;
梯度直方图生成模块,用于根据所述边缘特征检测模块检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;
状态识别模块,用于根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较当前帧和参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应;
所述状态识别模块自身的工作状态包括稳定状态、变化状态及报警状态,
在所述状态识别模块的工作状态为稳定状态时,所述参考帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征与所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征一致,所述监控摄像头处于未被干扰状态;
在所述状态识别模块的工作状态为变化状态时,监控摄像头被遮挡的置信度值小于第一预设阈值和监控摄像头被转向的置信度值小于第二预设阈值,所述监控摄像头处于过渡状态;
在所述状态识别模块的工作状态为报警状态时,监控摄像头被遮挡的置信度值大于第一预设阈值和监控摄像头被转向的置信度值大于第二预设阈值,所述监控摄像头处于被干扰状态。
2.如权利要求1所述的监控摄像头的干扰检测系统,其特征在于,所述监控摄像头的被干扰状态为被遮挡状态和/或被转向状态。
3.如权利要求1所述的监控摄像头的干扰检测系统,其特征在于,所述监控摄像头被遮挡的置信度值采用如下公式计算:
X=(a1-b1)+(a2-b2)+(a3-b3)+…+(an-bn),
其中,X为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被遮挡的置信度值,n为帧序号,n≥1,an为帧序号为n时当前帧的图像划分的N个区域中判定为模糊区域的数量,bn为帧序号为n时参考帧的图像划分的N个区域中判定为模糊区域的数量。
4.如权利要求3所述的监控摄像头的干扰检测系统,其特征在于,判定当前帧和或参考帧的图像划分的区域是否为模糊区域的方法如下:
根据每个区域的水平方向的边缘特征和垂直方向的边缘特征,统计每个区域的细节信息量;所述细节信息量为每个区域中所有像素点的水平方向边缘强度值的平均值和垂直方向边缘强度值的平均值;
将N个区域的细节信息量与各区域的参考阈值作比较;
若所述区域的细节信息量小于该区域的参考阈值,则该区域为模糊区域;
若所述区域的细节信息量大于等于该区域的参考阈值,则该区域为清楚区域。
5.如权利要求1所述的监控摄像头的干扰检测系统,其特征在于,所述监控摄像头被转向的置信度值采用如下公式计算:
Y=y1+y2+y3+…+yn,
其中,Y为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,yn为帧序号为n时当前帧的图像划分的N个区域区别于帧序号为n时参考帧的图像划分的N个区域的区域数量,判定当前帧的图像划分的第i个区域是否区别于参考帧的图像划分的第i个区域采用如下方法:通过将当前帧的图像划分的第i个区域的梯度直方图中的向量与参考帧的图像划分的第i个区域的梯度直方图中的对应向量做差取绝对值,将梯度直方图中所有向量做差取绝对值进行累加,若累加的值大于预定阈值,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域有区别,反之,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域无区别,1≤i≤N。
6.一种监控摄像头的干扰检测系统的应用方法,其特征在于,包括如下步骤:
利用参考帧选择模块选择监控摄像头未被遮挡时的一帧图像作为参考帧;
利用图像划分模块将所述参考帧和当前帧的图像均划分为N个区域,N≥1,所述参考帧与所述当前帧的图像划分位置一致;
利用边缘特征检测模块检测所述参考帧的图像划分的N个区域和所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征;
梯度直方图生成模块根据所述边缘特征检测模块检测的水平方向的边缘特征和垂直方向的边缘特征,统计出每个区域在每个梯度方向区间上的像素点个数,以生成每个区域的梯度直方图;
状态识别模块根据所述边缘特征检测模块及所述梯度直方图生成模块输出的结果,比较所述当前帧和所述参考帧的图像的异同,以识别监控摄像头当前的工作状态并作出相应的响应;
所述状态识别模块的工作状态包括稳定状态、变化状态及报警状态,
在所述状态识别模块的工作状态为稳定状态时,所述参考帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征与所述当前帧的图像划分的N个区域的水平方向的边缘特征和垂直方向的边缘特征一致,所述监控摄像头处于未被干扰状态;
在所述状态识别模块的工作状态为变化状态时,监控摄像头被遮挡的置信度值小于第一预设阈值和监控摄像头被转向的置信度值小于第二预设阈值,所述监控摄像头处于过渡状态;
在所述状态识别模块的工作状态为报警状态时,监控摄像头被遮挡的置信度值大于第一预设阈值和监控摄像头被转向的置信度值大于第二预设阈值,所述监控摄像头处于被干扰状态。
7.如权利要求6所述的监控摄像头的干扰检测系统的应用方法,其特征在于,所述监控摄像头的被干扰状态为被遮挡状态和/或被转向状态。
8.如权利要求6所述的监控摄像头的干扰检测系统的应用方法,其特征在于,所述监控摄像头被遮挡的置信度值采用如下公式计算:
X=(a1-b1)+(a2-b2)+(a3-b3)+…+(an-bn),
其中,X为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,an为帧序号为n时当前帧的图像划分的N个区域中判定为模糊区域的数量,bn为帧序号为n时参考帧的图像划分的N个区域中判定为模糊区域的数量。
9.如权利要求8所述的监控摄像头的干扰检测系统的应用方法,其特征在于,判定当前帧和或参考帧的图像划分的区域是否为模糊区域的方法如下:
根据每个区域的水平方向的边缘特征和垂直方向的边缘特征,统计每个区域的细节信息量;所述细节信息量为每个区域中所有像素点的水平方向边缘强度值的平均值和垂直方向边缘强度值的平均值;
将N个区域的细节信息量与各区域的参考阈值作比较;
若所述区域的细节信息量小于该区域的参考阈值,则该区域为模糊区域;
若所述区域的细节信息量大于等于该区域的参考阈值,则该区域为清楚区域。
10.如权利要求6所述的监控摄像头的干扰检测系统的应用方法,其特征在于,所述监控摄像头被转向的置信度值采用如下公式计算:
Y=y1+y2+y3+…+yn,
其中,Y为所述状态识别模块的工作状态进入变化状态后统计的监控摄像头被转向的置信度值,n为帧序号,n≥1,yn为帧序号为n时当前帧的图像划分的N个区域区别于帧序号为n时参考帧的图像划分的N个区域的区域数量,判定当前帧的图像划分的第i个区域是否区别于参考帧的图像划分的第i个区域采用如下方法:通过将当前帧的图像划分的第i个区域的梯度直方图中的向量与参考帧的图像划分的第i个区域的梯度直方图中的对应向量做差取绝对值,将梯度直方图中所有向量做差取绝对值进行累加,若累加的值大于预定阈值,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域有区别,反之,则当前帧的图像划分的第i个区域与参考帧的图像划分的第i个区域无区别,1≤i≤N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510489878.0A CN105139016B (zh) | 2015-08-11 | 2015-08-11 | 监控摄像头的干扰检测系统及其应用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510489878.0A CN105139016B (zh) | 2015-08-11 | 2015-08-11 | 监控摄像头的干扰检测系统及其应用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105139016A CN105139016A (zh) | 2015-12-09 |
CN105139016B true CN105139016B (zh) | 2018-11-09 |
Family
ID=54724359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510489878.0A Active CN105139016B (zh) | 2015-08-11 | 2015-08-11 | 监控摄像头的干扰检测系统及其应用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139016B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740788B (zh) * | 2016-01-25 | 2018-11-16 | 大连楼兰科技股份有限公司 | 一种基于帧间直方图扰动检测的车内异常防盗方法 |
CN105744268A (zh) * | 2016-05-04 | 2016-07-06 | 深圳众思科技有限公司 | 摄像头遮挡检测方法及装置 |
CN106210695A (zh) * | 2016-07-18 | 2016-12-07 | 四川君逸数码科技股份有限公司 | 一种智慧金睛识别镜头异常报警方法和装置 |
CN107248160B (zh) * | 2017-05-31 | 2020-08-11 | 浙江远望信息股份有限公司 | 视频监控图像失真检测方法及系统 |
CN108391036B (zh) * | 2018-03-28 | 2023-07-11 | 东风商用车有限公司 | 一种可检测感知功能降级的车载摄像装置及其检测方法 |
CN108773748B (zh) * | 2018-04-19 | 2020-03-13 | 浙江新再灵科技股份有限公司 | 一种电梯轿厢内监控相机被移动的检测方法 |
CN112400315A (zh) * | 2018-07-13 | 2021-02-23 | Abb瑞士股份有限公司 | 拍摄装置监测方法 |
CN110211316B (zh) * | 2019-06-05 | 2021-12-21 | 深圳市梦网视讯有限公司 | 一种监控预警方法和系统 |
CN112291551A (zh) * | 2020-06-23 | 2021-01-29 | 广州红贝科技有限公司 | 一种基于图像处理的视频质量检测方法、存储设备及移动终端 |
CN111967345B (zh) * | 2020-07-28 | 2023-10-31 | 国网上海市电力公司 | 一种实时判定摄像头遮挡状态的方法 |
CN113163104B (zh) * | 2020-12-31 | 2022-11-01 | 深圳市微网力合信息技术有限公司 | 基于wifi6的摄像头控制方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101207803A (zh) * | 2006-12-20 | 2008-06-25 | 安讯士有限公司 | 相机篡改检测 |
WO2010066124A1 (zh) * | 2008-12-10 | 2010-06-17 | 东软集团股份有限公司 | 一种障碍物分割方法及装置 |
CN102231223A (zh) * | 2011-06-02 | 2011-11-02 | 深圳中兴力维技术有限公司 | 一种用于摄像机的异物遮挡告警方法 |
CN103139547A (zh) * | 2013-02-25 | 2013-06-05 | 昆山南邮智能科技有限公司 | 基于视频图像信号判定摄像镜头遮挡状态的方法 |
-
2015
- 2015-08-11 CN CN201510489878.0A patent/CN105139016B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101207803A (zh) * | 2006-12-20 | 2008-06-25 | 安讯士有限公司 | 相机篡改检测 |
WO2010066124A1 (zh) * | 2008-12-10 | 2010-06-17 | 东软集团股份有限公司 | 一种障碍物分割方法及装置 |
CN102231223A (zh) * | 2011-06-02 | 2011-11-02 | 深圳中兴力维技术有限公司 | 一种用于摄像机的异物遮挡告警方法 |
CN103139547A (zh) * | 2013-02-25 | 2013-06-05 | 昆山南邮智能科技有限公司 | 基于视频图像信号判定摄像镜头遮挡状态的方法 |
Non-Patent Citations (1)
Title |
---|
一种改进的摄像机干扰检测方法;姬贯新 等;《信息工程大学学报》;20111231;第12卷(第6期);第724-727页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105139016A (zh) | 2015-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139016B (zh) | 监控摄像头的干扰检测系统及其应用方法 | |
CN104240235B (zh) | 一种检测摄像头被遮挡的方法及系统 | |
CN104123544B (zh) | 基于视频分析的异常行为检测方法及系统 | |
CN100555331C (zh) | 一种用于煤矿的矿工出入自动监测的方法 | |
CN107948465B (zh) | 一种检测摄像头被干扰的方法和装置 | |
CN105426820B (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN104966304B (zh) | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 | |
CN102673979B (zh) | 输送带跑偏判断方法及判断装置 | |
CN103763515A (zh) | 一种基于机器学习的视频异常检测方法 | |
CN110458157B (zh) | 一种电力电缆生产过程智能监控系统 | |
CN108596028B (zh) | 一种基于视频录像中的异常行为检测算法 | |
CN104700534B (zh) | 核电厂监控系统的报警方法、装置及系统 | |
CN103514694A (zh) | 一种入侵检测监控系统 | |
EP2874100B1 (en) | Slow change detection system | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及系统 | |
CN104284143A (zh) | 图像监控系统及其方法 | |
CN109460787A (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN104392573A (zh) | 一种基于视频的智能偷盗检测方法 | |
CN109409243A (zh) | 一种移动目标中人体视觉检测方法 | |
CN103996045A (zh) | 一种基于视频的多种特征融合的烟雾识别方法 | |
CN108288361A (zh) | 一种消防通道门状态检测方法 | |
CN116416577A (zh) | 一种用于施工监控系统的异常识别方法 | |
CN103475800A (zh) | 图像序列中前景的检测方法和装置 | |
CN107509059A (zh) | 摄像机镜头遮挡检测方法 | |
JP6214426B2 (ja) | 物体検出装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |