CN105208325B - 基于图像定点抓拍及比对分析的国土资源监控预警方法 - Google Patents

Abstract

本发明公开了一种基于图像定点抓拍及比对分析的国土资源监控预警方法，本发明能够结合用户的实际环境和经验，设定识别的灵敏度和特定的区域，针对一段时间定点采集的图片进行建模后在后续即可有针对性的识别出该区域是否增加了新的建筑以提醒管理人员进行甄别；本发明所采用的技术方案可以进一步将所有监控点按照视频源的ID进行分组，识别处理过程相对独立，适于系统进行统一调度，最后只需将有效识别结果记录并返回，特别适用于监控点很多的情况下进行大规模的预警识别。

Description

基于图像定点抓拍及比对分析的国土资源监控预警方法

技术领域

本发明涉及计算机应用技术领域，尤其是基于图像定点抓拍及比对分析的国土资源监控预警方法。

技术背景

目前在国土资源监测方面，我国近年来主要利用卫星遥感监测等技术手段制作的叠加监测信息及有关要素后形成的专题影像图片(简称：卫片)反应土地利用变化情况，通过不同年度前后时相土地遥感图斑变化，结合土地审批情况，客观核查出各地方违法用地状况。国土资源部通过土地卫片执法检查，形成全国一张图管理国土资源，建立了相应的监管体系，有效遏制土地违法行为。但是卫片执法更多的是从国家层面进行宏观监管，涉及到某区域性资源监控，则更多的是采用通过建视频监控点来进行监管。近年来，各地各级国土资源管理部门都在积极探索重点区域的视频监测与卫片执法的关系，使点上视频监控与面上卫片监控形成一个有机结合的监控体系。

作为现有成熟网络视频监控技术的一种行业应用，国土资源的视频监控体系一般也包含了前端视频信息采集，视频编码网络传输，信息中心的操控管理，其体系如附图1所示。通过对现有系统的运行进行分析，存在两个方面的主要问题。首先，由于监控点的行业特殊性，大都选址野外，有线网络建设成本太高，一般选择基于无线网络的视频编码传输。由此带来的问题是后期运营因巨大的流量费用使得管理部门普遍采用选择性查看视频，从而使得应用效果也大打折扣。其次，随着建设监控点的数量迅速增多，对于人工值守盯看将面临海量的视频信息，监管人员面临数量众多的监控图像难免会疏忽遗漏重要的信息，视觉疲劳也会使得监管效果不如人意。

基于图像分析与处理的智能监控是未来视频监控的发展方向，可以早发现、早预警，同时可实现大范围监控的无人值守。对于国土资源的视频监控系统而言，现有基于无线网络实时视频的监控系统中存在的两个显著问题，亟待出现相应解决方案。

发明内容

本发明的目的是针对现有视频监控系统在国土资源监测中的应用，提供一种基于图像定点抓拍及比对分析的国土资源监控预警方法，从而达到早期预警的效果。

一种基于图像定点抓拍及比对分析的国土资源监控预警方法，包括下述步骤；

步骤1：按序选取一张图片，将图片均匀分割成宽为W，高为H的图片块B(W，H)，下述的识别基于图片块B(W，H)进行；若图片中有监测区域，只考虑该区域分割的图片块B(W，H)，选取Z时间内的图片作为背景建模用，所述的Z为设定的可变参数；作为标准样本；若没有监测区域就更换其他的抓拍点，直至有检测区域再进行建模；

步骤2：背景建模；

步骤3：根据三个预设时间点对应的隶属函数值来对三个高斯背景建模求加权和，计算公式为：Q前＝Q1×w1+Q2×w2+Q3×w3；其中，w1、w2、w3分别表示三个预定时间点对应的隶属函数值，且三个隶属函数的权值和为1；Q1、Q2、Q3分别表示三个预定时间点的高斯背景建模矩阵；Q前代表通过对三个高斯背景建模融合后的高斯背景建模矩阵；

步骤4：去抖动处理；将图片的上下边界和左右边界各取误差阈值p1、p2，步长为pb，取待检测图像上的一个子图，子图大小为((1280-2×p1)×(1800-2×p2))，左上角的坐标为(pb×i，pb×j)(pb×i<2×p1，pb×j<2×p2)，然后再取高斯建模的图像的中心区域，大小也是((1280-2×p1)×(1800-2×p2))，左上角的坐标为(p1，p2)，其中i,j＝0,1,2,3...；

步骤5：结合背景帧差分方法，将步骤4中计算得到的所有子图对应的每一个像素点的值依次进行差分和滤波来检测当前图片块B(W，H)是否含有异常像素点，如果某个像素点的值在差分计算的结果中的变化超过阈值T，所述的阈值T为经验值，则判定这一像素点为异常像素点，如果没有超过阈值T，则判定该点为正常像素点。

所述的像素点的值在差分计算的结果中的变化与阈值T的比较，具体的是：

(|Bn(W，H)-B0(W，H)|>T)，则该像素点为异常像素点，其中，Bn(W，H)为当前图片块所对应的像素点；B0(W，H)为背景图片块所对应的像素点；计算当前帧中的异常像素点数目Nn在当前帧总像素点数目W×H所占的百分比；

p＝Nn/(W×H)，然后求所有子图百分比的最小值，为最佳匹配，当异常像素所占百分比p超过阈值Pm，所述的阈值Pm为经验值，则判定此处有明显的变动，如果没有超过阈值Pm，则判定此处正常，没有明显的变动；

步骤6：通过扫描将上步检测到的明显的变动区域进行区域标记。

进一步的，所述的步骤2包括如下步骤：

步骤2.1：取Y张连续图片，如果某个像素点的变化超过阈值那么剔除此像素点，否则作为背景；

步骤2.2：假定图像像素点R、G、B三色通道相互独立并具有相同的方差，进行高斯混合建模；通过图像的每个像素点按照不同权值的多个高斯分布的叠加建模，对于随机变量X的观测数据集{x₁,x₂,..x_n}，x_t＝(r_t,g_t,b_t)为t时刻像素点R、G、B三色通道在t时刻像素点各自的样本，则单个采样点x_t服从的混合高斯分布概率密度：

τ_i,t＝δ_i,t2×I

其中，k为分布模式总数，I为三维单位矩阵，η(x_t，μ_i,t，τ_i,t)为t时刻第i个高斯分布，μ_i,t为其均值，τ_i,t为其协方差矩阵，δ_i,t2为方差，w_i,t为t时刻第i个高斯分布的权重；

步骤2.3：引入环境适应度学习因子，各个高斯分布的权值和分布参数随时间更新，模式权值更新公式如下：

W_k,t＝(1-α)×W_k,t-1+α×M_k,t

其中，α为学习因子，W_k,t为t时刻第i个高斯分布的权重,W_k,t-1为t-1时刻第i个高斯分布的权重,对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后各模式的权重进行归一化处理。

进一步的，所述的步骤2.1中的阈值是像素点2倍的方差。

进一步的，所述的步骤6中的区域标记采用四邻域标记算法，步骤如下：

步骤6.1，判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始；

步骤6.2，如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值；

步骤6.3，如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。

优选的，所述的阈值T的取值范围是30<T<120。

优选的，所述的阈值Pm的取值范围是0.01<Pm<0.1。

优选的，所述的取Y张连续图片，所述的Y的取值范围是：10<Y<100。

本发明提供了一种基于图像定点抓拍及比对分析的国土资源监控预警方法，本发明能够结合用户的实际环境和经验，设定识别的灵敏度和特定的区域，针对一段时间定点采集的图片进行建模后在后续即可有针对性的识别出该区域是否增加了新的建筑以提醒管理人员进行甄别；本发明所采用的技术方案可以进一步将所有监控点按照视频源的ID进行分组，识别处理过程相对独立，适于系统进行统一调度，最后只需将有效识别结果记录并返回，特别适用于监控点很多的情况下进行大规模的预警识别。

附图说明

图1为本发明实施例的应用系统架构模型；

图2为本发明算法中用于模糊控制的隶属函数图；

图3为本发明的流程图。

具体实施方式

本发明为针对国土视频监测系统，采用特定的图像采集策略获取相应的图片集以后，再基于混合高斯建模对各个点位的图片序列进行违章建筑识别的方法。

一种基于图像定点抓拍及比对分析的国土资源监控预警方法，通过在前端对监控云台进行设定，每天在固定的角度，以固定的摄像参数在预设的特定时间点进行图片抓拍回传。在连续采集定点抓拍图片之后，系统将针对此图片序列进行基于以下算法的比对分析，在所有图片序列中找出可能有违章建筑的图片进行标记，作为系统输出，形成预警依据。

输入：在某个待识别的固定预置位，在预定时间点(如6:00、14:00、22:00)依次抓拍图片回传(也可录制一段视频，然后对视频流按一定的间隔频率，如每隔5帧截取一帧，进行截取，并对各个前端监控点的来源分配唯一的ID号作为分组依据，同时加盖时间戳以区分同一ID下不同时间节点的视频帧组)，把前面一定时间的采集信息作为建模数据输入。

输出：在数据集基础上找出背景发生显著变化的图片，并标记出来作为算法的输出。

步骤1：按序选取一张图片，将图片均匀分割成宽为W，高为H的图片块B(W，H)，以后的识别都是基于块来进行。若图像中有重点需要监测的区域，可只考虑该区域分割的图片块，这样可以简化后续的背景建模数据量。根据图片时间戳，选取Z时间(可设定为可变参数来调节识别效果)内的图片作为背景建模用，此段时间的背景建模用于后续时间的违章建筑检测与标识，不参与识别检测，只作为标准样本，即假设前Z时间内采集的图片没有违章建筑；若没有监测区域就更换其他的抓拍点，直至有检测区域再进行建模，否则就不需要在改点处安置摄像头。

步骤2：背景建模。

步骤2.1：取Y张连续的图片，图片上的每个像素的变化遵循高斯分布(二次分布)，如果某个像素点的变化超过了一定的阈值(比如是2倍的方差)，那么这个点就把剔除，其他变化在阈值内的就当作是背景。(10<Y<100)

步骤2.2：一般情况下，一个像素点在两种或多种颜色间来回变化，假定图像像素点R、G、B三色通道相互独立并具有相同的方差，进行高斯混合建模。通过图像的每个像素点按照不同权值的多个高斯分布的叠加来建模，每种高斯分布对应一个可能产生像素点所呈现颜色的状态。对于随机变量X的观测数据集{x₁,x₂,..x_n}，x_t＝(r_t,g_t,b_t)为t时刻像素点R、G、B三色通道在t时刻像素点各自的样本，则单个采样点x_t服从的混合高斯分布概率密度：

τ_i,t＝δ_i,t2×I

其中，k为分布模式总数，I为三维单位矩阵，η(x_t，μ_i,t，τ_i,t)为t时刻第i个高斯分布，μ_i,t为其均值，τ_i,t为其协方差矩阵，δ_i,t2为方差，w_i,t为t时刻第i个高斯分布的权重。

步骤2.3：由于环境也会在一定限度内缓慢变化，不可能一成不变，因此引入了环境适应度学习因子，各个高斯分布的权值和分布参数随时间更新，模式权值更新公式如下：

W_k,t＝(1-α)×W_k,t-1+α×M_k,t

其中，α为学习因子，W_k,t为t时刻第i个高斯分布的权重。对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后个模式的权重进行归一化。至此，通过混合高斯背景建模可以完美的找到图片中的背景，为下面违章建筑的识别打好了根基。

步骤3：假设当天待识别的图像的拍摄时间为t＝14:00，那么根据三个预设时间点(例如：6:00、14:00、22:00)对应的隶属函数值来对三个高斯背景建模求加权和，这样做的目的是在一定限度内解决光照对识别的影响。计算公式为：Q前＝Q1×w1+Q2×w2+Q3×w3。w1、w2、w3分别表示三个预定时间点对应的隶属函数值(也即权值)，且任何时间t的三个隶属函数的权值和为1；Q1、Q2、Q3分别表示三个预定时间点的高斯背景建模矩阵；Q前代表通过对三个高斯背景建模融合后的高斯背景建模矩阵，用于之后的背景差分、图像识别做对比用的。该模糊控制的隶属函数图如附图2所示。

步骤4：去抖动处理。将图片的上下边界和左右边界各取误差阈值p1、p2，步长为pb。取待检测图像上的一个子图，子图大小为((1280-2×p1)×(1800-2×p2))，左上角的坐标为(pb×i，pb×j)(pb×i<2×p1，pb×j<2×p2)，然后再取高斯建模的图像的中心区域，大小也是((1280-2×p1)×(1800-2×p2))，左上角的坐标为(p1，p2)，其中，i,j＝0,1,2,3...。

步骤5：结合背景帧差分的方法，将步骤4中计算得到的所有子图对应的每一个像素点的值依次进行差分和滤波来检测当前图片块或者视频块B(W，H)是否含有异常像素点，即违章建筑。如果某个像素点的值在差分计算的结果中的变化超过某一阈值T(经验值)，则判定这一像素点为异常像素点；如果没有超过阈值T，则判定该点为正常像素点。(30<T<120)

即如果像素点的值满足以下条件：

(|Bn(W，H)-B0(W，H)|>T)，则该像素点为异常像素点；其中，Bn(W，H)为当前图片块或者视频块所对应的像素点；B0(W，H)为背景图片块(背景建模得到的图片块)所对应的像素点；所谓异常像素点就是像素点异常变动，不在它所定的阈值范围内。如果异常点很多超过一定的范围就可以认为环境有明显的变化(可能是有违章建筑)。

计算当前帧中的异常像素点数目Nn在当前帧总像素点数目W×H所占的百分比，即：

p＝Nn/(W×H)，然后求所有子图百分比的最小值，即为最佳匹配，当异常像素所占百分比p超过某一阈值Pm(经验值)，即p>Pm，则判定此处有明显的变动，即可能有违章建筑。

(0.01<Pm<0.1)

如果没有超过阈值Pm，则判定此处正常，没有明显的变动。

步骤6：通过扫描将上步的检测到的可能有违章建筑的区域进行区域标记。区域标记采用四邻域标记算法，步骤如下：

a、判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始。

b、如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值。

c、如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。

基于图1的架构建立国土资源的视频监控网络，通过在前端监控点架设摄像机进行图像信息采集，然后通过无线视频服务器将图像信息进行回传。由于野外监控点的采电及有线网络的铺设条件大多不具备，因此一般都通过无线网络进行信息回传，在信息中心通过网关进行接收并通过架设服务器进行信息处理。在传统的应用模式下，大多仅仅用来进行视频信息的采集与查看，本发明的实施例将在此基础上做进一步的处理以达到智能化监控的目的，提高系统效率，自动预警。

在本发明的实施例中，首先对监控云台设置预置位，并通过嵌入式日程安排，在每天的固定时刻进行各个预置位的图片抓拍，再通过无线网络回传至存储服务器。比如监控站点A设置8个预置位，基本涵盖该点位的全方位视角。针对抓拍功能，设置相应的日程安排，比如每天8点、14点、22点，会在每个预置位进行图片抓拍并通过网络回传。对回传的每幅图片进行ID分配并加盖时间戳，其中ID是用于标识图片序列来源的识别码，同一ID号的图片序列构成一个图片数组。正常运行时，每天只需传输各个预置位抓拍的图片，减少无线传输流量的消耗。监控点预置位的设定，可根据实际监测的需求，把重点监测区域设定为预置位，也可根据覆盖范围要求及每个预置位所覆盖的区域，进行360度全覆盖。

基于上述定点图像抓拍的信息采集之后，针对某一特定的区域，会形成以特定的角度、焦距等参数采集到一系列的抓拍证据图片，正常情况下，该区域每一天都会至少有一张图片信息进行保存。

对得到的某站点的所有图片数组分别进行特征识别处理，并返回识别结果作为预警依据；识别的算法流程如图3所示。

本发明设计的方法适合于大规模部署的监控系统应用场景。在基于无线网络传输的应用情况下，大规模的实时且长时间的视频传输将耗费巨大的流量，监控成本非常高。监控的效果仅靠人眼观察视频来判断，不仅效率低下，而且收效甚微。本发明所设计的方法仅需定点、定时抓拍图片回传，节省了流量开支；再通过对传回的图片序列进行智能化比对分析，实现早期预警，大大提升了系统的运营效能。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，例如各阈值可由本领域技术人员自行根据具体情况设定，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于，包括下述步骤；

步骤1：按序选取一张图片，将图片均匀分割成宽为W，高为H的图片块B(W，H)，下述的识别基于图片块B(W，H)进行；若图片中有监测区域，只考虑该区域分割的图片块B(W，H)，选取Z时间内的图片作为背景建模用，所述的Z为设定的可变参数；作为标准样本；若没有监测区域就更换其他的抓拍点，直至有检测区域再进行建模；

步骤2：背景建模；

步骤3：根据三个预设时间点对应的隶属函数值来对三个高斯背景建模求加权和，计算公式为：Q前＝Q1×w1+Q2×w2+Q3×w3；其中，w1、w2、w3分别表示三个预定时间点对应的隶属函数值，且三个隶属函数的权值和为1；Q1、Q2、Q3分别表示三个预定时间点的高斯背景建模矩阵；Q前代表通过对三个高斯背景建模融合后的高斯背景建模矩阵；

步骤4：去抖动处理；将图片的上下边界和左右边界各取误差阈值p1、p2，步长为pb，取待检测图像上的一个子图，子图大小为((1280-2×p1)×(1800-2×p2))，左上角的坐标为(pb×i，pb×j)(pb×i<2×p1，pb×j<2×p2)，然后再取高斯建模的图像的中心区域，大小也是((1280-2×p1)×(1800-2×p2))，左上角的坐标为(p1，p2)，其中i,j＝0,1,2,3...；

步骤5：结合背景帧差分方法，将步骤4中计算得到的所有子图对应的每一个像素点的值依次进行差分和滤波来检测当前图片块B(W，H)是否含有异常像素点，如果某个像素点的值在差分计算的结果中的变化超过阈值T，则判定这一像素点为异常像素点，如果没有超过阈值T，则判定该点为正常像素点；

所述的像素点的值在差分计算的结果中的变化与阈值T的比较，具体的是：

(|Bn(W，H)-B0(W，H)|>T)，则该像素点为异常像素点，其中，Bn(W，H)为当前图片块所对应的像素点；B0(W，H)为背景图片块所对应的像素点；计算当前帧中的异常像素点数目Nn在当前帧总像素点数目W×H所占的百分比；

p＝Nn/(W×H)，然后求所有子图百分比的最小值，为最佳匹配，当异常像素所占百分比p超过阈值Pm，所述的阈值Pm为经验值，则判定此处有明显的变动，如果没有超过阈值Pm，则判定此处正常，没有明显的变动；

步骤6：通过扫描将上步检测到的明显的变动区域进行区域标记。

2.根据权利要求1所述的一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于，所述的步骤2包括如下步骤：

步骤2.1：取Y张连续图片，如果某个像素点的变化超过阈值那么剔除此像素点，否则作为背景；

步骤2.2：假定图像像素点R、G、B三色通道相互独立并具有相同的方差，进行高斯混合建模；通过图像的每个像素点按照不同权值的多个高斯分布的叠加建模，对于随机变量X的观测数据集{x₁,x₂,..x_n}，x_t＝(r_t,g_t,b_t)为t时刻像素点R、G、B三色通道在t时刻像素点各自的样本，则单个采样点x_t服从的混合高斯分布概率密度：

τ_i,t＝δ_i,t2×I

其中，k为分布模式总数，I为三维单位矩阵，η(x_t，μ_i,t，τ_i,t)为t时刻第i个高斯分布，μ_i,t为其均值，τ_i,t为其协方差矩阵，δ_i,t2为方差，w_i,t为t时刻第i个高斯分布的权重；

步骤2.3：引入环境适应度学习因子，各个高斯分布的权值和分布参数随时间更新，模式权值更新公式如下：

W_k,t＝(1-α)×W_k,t-1+α×M_k,t

其中，α为学习因子，W_k,t为t时刻第i个高斯分布的权重,W_k,t-1为t-1时刻第i个高斯分布的权重,对于匹配的模式M_k,t＝1，否则M_k,t＝0，然后各模式的权重进行归一化处理。

3.根据权利要求1所述的一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于：所述的步骤6中的区域标记采用四邻域标记算法，步骤如下：

步骤6.1，判断此点四邻域中的最左，最上有没有点，如果都没有点，则表示一个新的区域的开始；

步骤6.2，如果此点四邻域中的最左有点，最上没有点，则标记此点为最左点的值；如果此点四邻域中的最左没有点，最上有点，则标记此点为最上点的值；

步骤6.3，如果此点四邻域中的最左有点，最上都有点，则标记此点为这两个中的最小的标记点，并修改大标记为小标记。

4.根据权利要求1所述的一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于：所述的阈值T的取值范围是30<T<120。

5.根据权利要求1所述的一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于：所述的阈值Pm的取值范围是0.01<Pm<0.1。

6.根据权利要求2所述的一种基于图像定点抓拍及比对分析的国土资源监控预警方法，其特征在于，所述的取Y张连续图片，所述的Y的取值范围是：10<Y<100。