CN106384348A - 监控图像的异常检测方法及装置 - Google Patents

Abstract

本发明公开了一种监控图像的异常检测方法及装置，属于视频监控领域。所述方法包括：基于混合高斯背景模型，确定目标监控图像中的前景像素点；统计该目标监控图像中前景像素点的数量，得到第一像素数量；基于边缘检测算法，确定第二像素数量，该第二像素数量为该目标监控图像中边缘检测值大于第一预设阈值，且在该目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；将该第一像素数量和该第二像素数量进行加权合并，得到加权统计值；当该加权统计值大于第二预设阈值时，确定该目标监控图像为异常图像。本发明采用将前景信息和边缘信息相结合的方式来对监控图像进行异常检测，增加了异常检测的准确性和稳定性。

Description

监控图像的异常检测方法及装置

技术领域

本发明实施例涉及视频监控领域，特别涉及一种监控图像的异常检测方法及装置。

背景技术

随着科技的发展和人们对安全的关注，监控装置的应用越来越广泛，通过监控装置人们可以获取指定场景的监控视频，从而对该指定场景进行监控。另外在视频监控领域，还可以通过监控算法对监控视频中的监控图像进行异常检测，以自动识别监控图像中的异常。

现有技术中，通常采用背景建模算法针对某一位置区域构建背景模型，以对该位置区域的监控图像进行异常检测。具体地，可以先通过监控装置获取该位置区域在正常情况下的多张样本监控图像，从而通过该背景建模算法对该多张样本监控图像进行建模，即可构建出一个背景模型。之后，当对该位置区域的监控视频中的监控图像进行异常检测时，即可通过该背景模型，判断该监控图像中的每个像素点是背景像素点，还是前景像素点。其中，前景像素点是指与该背景模型不匹配的像素点。当确定出该监控图像中前景像素点的数量大于预设数量时，说明该监控图像相对于该背景模型所指示的图像出现了大量的不同，此时可能有外部物体进入了该位置区域，从而此时即可确定该监控图像为异常监控图像。

但是，由于通过背景建模算法构建的背景模型通常具有一定的颜色差别的容忍度，即在监控图像中与该位置区域中颜色相近的像素点通常都会被判断为背景像素点，因此，当有和位置区域颜色相近的外部物体进入该指定场景时，该背景模型往往起不到很好的异常检测效果，导致异常检测的准确性和稳定性较低。

发明内容

为了解决现有技术的问题，本发明实施例提供了一种监控图像的异常检测方法及装置。所述技术方案如下：

第一方面，提供了一种监控图像的异常检测方法，所述方法包括：

基于混合高斯背景模型，确定目标监控图像中的前景像素点，所述目标监控图像为监控视频中待检测的监控图像；

统计所述目标监控图像中前景像素点的数量，得到第一像素数量；

基于边缘检测算法，确定第二像素数量，所述第二像素数量为所述目标监控图像中边缘检测值大于第一预设阈值，且在所述目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值；

当所述加权统计值大于第二预设阈值时，确定所述目标监控图像为异常图像。

可选地，所述基于边缘检测算法，确定第二像素数量，包括：

基于所述边缘检测算法，确定所述目标监控图像中每个像素点的边缘检测值；

基于所述每个像素点的边缘检测值，从所述目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

从确定的像素点中，统计第一目标像素点的数量，得到所述第二像素数量，所述第一目标像素点为在所述目标监控图像中的位置不属于所述边缘模型中包括的所述多个指定位置的像素点。

可选地，所述基于边缘检测算法，确定第二像素数量之前，还包括：

获取多个样本监控图像，所述多个样本监控图像与所述目标监控图像为同一位置区域的监控图像；

基于所述边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

基于所述各个样本监控图像中每个像素点的边缘检测值，从所述多个样本监控图像中，确定多个第一位置对应的样本图像数量，所述多个第一位置为所述多个样本监控图像包括的任一样本监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

基于所述多个第一位置对应的样本图像数量，确定多个指定位置，所述多个指定位置为所述多个第一位置中样本图像数量大于第三预设阈值的位置；

将所述多个指定位置进行组合，得到所述边缘模型。

可选地，所述将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值之后，还包括：

从所述目标监控图像中确定多个第二位置，所述多个第二位置为所述目标监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

从所述多个第一位置对应的样本图像数量中，确定与所述多个第二位置相同的第一位置所对应的样本图像数量；

基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

基于更新后的所述与所述多个第二位置相同的第一位置对应的样本图像数量，从所述多个第一位置中选取对应的样本图像数量大于所述第三预设阈值的位置；

将所述边缘模型中的所述多个指定位置替换为选取的位置，以对所述边缘模型进行更新。

可选地，所述基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新，包括：

基于所述多个样本监控图像的数量和指定算法，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，所述指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，所述c_t为更新后的与所述多个第二位置相同的第一位置对应的样本图像数量，所述c_t-1为与所述多个第二位置相同的第一位置对应的样本图像数量，所述M为所述多个样本监控图像的数量。

可选地，所述从所述目标监控图像中确定多个第二位置之前，还包括：

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第四预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤。

可选地，所述从所述目标监控图像中确定多个第二位置之前，还包括：

当所述加权统计值小于或等于所述第二预设阈值时，确定所述目标监控图像为正常图像；

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第五预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤，所述第五预设阈值小于第四预设阈值。

第二方面，提供了一种监控图像的异常检测装置，所述装置包括：

第一确定模块，用于基于混合高斯背景模型，确定目标监控图像中的前景像素点，所述目标监控图像为监控视频中待检测的监控图像；

统计模块，用于统计所述目标监控图像中前景像素点的数量，得到第一像素数量；

第二确定模块，用于基于边缘检测算法，确定第二像素数量，所述第二像素数量为所述目标监控图像中边缘检测值大于第一预设阈值，且在所述目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

加权合并模块，用于将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值；

异常图像确定模块，用于当所述加权统计值大于第二预设阈值时，确定所述目标监控图像为异常图像。

可选地，所述第二确定模块包括：

第一确定单元，用于基于所述边缘检测算法，确定所述目标监控图像中每个像素点的边缘检测值；

第二确定单元，用于基于所述每个像素点的边缘检测值，从所述目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

统计单元，用于从确定的像素点中，统计第一目标像素点的数量，得到所述第二像素数量，所述第一目标像素点为在所述目标监控图像中的位置不属于所述边缘模型中包括的所述多个指定位置的像素点。

可选地，所述装置还包括：

获取模块，用于获取多个样本监控图像，所述多个样本监控图像与所述目标监控图像为同一位置区域的监控图像；

第三确定模块，用于基于所述边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

第四确定模块，用于基于所述各个样本监控图像中每个像素点的边缘检测值，从所述多个样本监控图像中，确定多个第一位置对应的样本图像数量，所述多个第一位置为所述多个样本监控图像包括的任一样本监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

第五确定模块，用于基于所述多个第一位置对应的样本图像数量，确定多个指定位置，所述多个指定位置为所述多个第一位置中样本图像数量大于第三预设阈值的位置；

组合模块，用于将所述多个指定位置进行组合，得到所述边缘模型。

可选地，所述装置还包括：

第六确定模块，用于从所述目标监控图像中确定多个第二位置，所述多个第二位置为所述目标监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

第七确定模块，用于从所述多个第一位置对应的样本图像数量中，确定与所述多个第二位置相同的第一位置所对应的样本图像数量；

更新模块，用于基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

选取模块，用于基于更新后的所述与所述多个第二位置相同的第一位置对应的样本图像数量，从所述多个第一位置中选取对应的样本图像数量大于所述第三预设阈值的位置；

替换模块，用于将所述边缘模型中的所述多个指定位置替换为选取的位置，以对所述边缘模型进行更新。

可选地，所述更新模块用于：

基于所述多个样本监控图像的数量和指定算法，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，所述指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，所述c_t为更新后的与所述多个第二位置相同的第一位置对应的样本图像数量，所述c_t-1为与所述多个第二位置相同的第一位置对应的样本图像数量，所述M为所述多个样本监控图像的数量。

可选地，所述装置还包括：

第八确定模块，用于确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

第一触发模块，用于当所述间隔图像帧数量大于或等于第四预设阈值时，触发所述第六确定模块从所述目标监控图像中确定多个第二位置。

可选地，所述装置还包括：

正常图像确定模块，用于当所述加权统计值小于或等于所述第二预设阈值时，确定所述目标监控图像为正常图像；

第九确定模块，用于确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

第二触发模块，用于当所述间隔图像帧数量大于或等于第五预设阈值时，触发所述第六确定模块从所述目标监控图像中确定多个第二位置，所述第五预设阈值小于第四预设阈值。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例中，在对监控视频中待检测的目标监控图像进行检测时，可以基于混合高斯背景模型，确定目标监控图像中的前景像素点；统计该目标监控图像中前景像素点的数量，得到第一像素数量；基于边缘检测算法，确定第二像素数量，该第二像素数量为该目标监控图像中边缘检测值大于第一预设阈值，且在该目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；将该第一像素数量和该第二像素数量进行加权合并，得到加权统计值；当该加权统计值大于该第二预设阈值时，确定该目标监控图像为异常图像。由于通过混合高斯背景模型可以提取出该目标监控图像中的前景信息，通过边缘检测算法和边缘模型，可以提取出该目标监控图像中的异常边缘信息，且该异常边缘信息可以指示该目标监控图像中不同于边缘模型的异常轮廓信息，有助于提高异常检测的精确度，因此，本发明通过采用将前景信息和异常边缘信息相结合的方式，来对该目标监控图像进行异常检测，增加了异常检测的准确性和稳定性，进而提高了异常检测效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种监控图像的异常检测方法流程图；

图2是本发明实施例提供的一种监控图像的异常检测装置结构示意图；

图3是本发明实施例提供的一种用于对监控图像进行异常检测的终端300的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

在对本发明实施例进行详细的解释说明之前，先对本发明实施例的应用场景予以介绍。本发明实施例提供的方法应用于终端中，该终端可以为监控场景中的监控设备，具体可以为计算机、智能手机、平板电脑、笔记本电脑、超级移动个人计算机(英文：Ultra-mobile Personal Computer，简称：UMPC)、上网本、个人数字助理(英文：Personal DigitalAssistant，简称：PDA)、智能摄像头等，本发明实施例对此不做限定。进一步地，该终端至少具有异常检测功能，用于对目标监控图像进行异常检测和分析，以自动识别该目标监控图像中的异常。进一步地，该终端可以具有图像采集功能，用于从监控视频中采集视频帧图像，从而得到待检测的目标监控图像。进一步地，该终端还可以具有显示功能，用于显示目标监控图像或者监控视频。示例的，针对某一位置区域的监控视频，该终端可以通过监控软件对该监控视频进行异常检测，而该监控软件可以自动采集该监控视频中的目标监控图像，并对该目标监控图像进行异常检测。

图1是本发明实施例提供的一种监控图像的异常检测方法流程图，参见图1，该方法可以包括如下几个步骤：

步骤101：基于混合高斯背景模型，确定目标监控图像中的前景像素点，该目标监控图像为监控视频中待检测的监控图像。

需要说明的是，该监控视频为指定位置区域的监控视频，相应地，该目标监控图像为该指定位置区域的监控图像，且该指定位置区域可以为任一位置区域。

另外，该混合高斯背景模型为预先针对该指定位置区域构建的背景模型，可以指示该指定位置区域在正常情况下的场景图像，因此，基于该混合高斯背景模型即可提取该目标监控图像中的前景信息，该前景信息是指该目标监控图像中与该混合高斯背景模型不匹配的图像信息，可以在一定程度上指示该目标监控图像出现了异常。

实际应用中，终端可以从监控视频中采集得到目标监控图像。例如，针对某一待检测的监控视频，该终端可以每隔预设时长从监控视频中采集一张视频帧图像，作为目标监控图像；或者，每隔预设帧从监控视频中采集一张视频帧图像，作为目标监控图像；或者，从监控视频中采集每一帧视频帧图像，作为目标监控图像等，本发明实施例对此不做限定。其中，该预设时长和预设帧可以由终端默认设置，也可以由用户设置，本发明实施例对此也不做限定。

本发明实施例中，通常需要预先构建用于提取前景信息的混合高斯背景模型，也即是，在确定目标监控图像中的前景像素点之前，通常需要先采集该指定位置区域的多张样本监控图像，并采用混合高斯背景建模算法对该多张样本监控图像进行建模，得到该混合高斯背景模型，以便后续利用构建好的背景模型对目标监控图像进行异常检测。

具体地，构建该混合高斯背景模型的过程可以包括以下几个步骤：

1)获取多个样本监控图像，该多个样本监控图像与该目标监控图像为同一位置区域的监控图像。

其中，该多个样本监控图像可以从该同一位置区域的监控视频中采集得到，且可以由终端自动采集，也可以人为控制终端采集。

例如，该终端可以在较长一段时间内，每隔预设时长从该监控视频中采集一张视频帧图像，从而得到多个样本监控图像。再例如，用户可以在观看监控视频的过程中，通过指定操作触发终端进行采集，以保证所采集的样本监控图像均为正常情况下的监控图像，从而增加建模样本的准确度。

2)统计各个样本监控图像中每个像素点的像素值。

其中，每个像素点的像素值是指该像素点的颜色值，通常可以用0-255的数值来表示。

3)基于各个样本监控图像中每个像素点的像素值，确定各个样本监控图像中的多个位置分别对应的多个指定单高斯背景模型。

其中，该多个位置的数量与各个样本监控图像中像素点的数量相同，且由于该多个样本监控图像均为来自于同一监控视频的视频帧图像，因此每个样本监控图像的像素点数量也均相同，对应的位置也相同。

其中，每个位置是指各个样本监控图像中同一位置上的像素点所在的位置。具体地，每个位置可以用行列坐标来表示，比如，A(x，y)可以表示各个样本监控图像中第x+1行、第y+1列的像素点所在的位置。

在确定目标位置对应的多个指定单高斯背景模型的过程中，该终端可以先统计该各个样本监控图像在同一目标位置上的像素点的像素值，得到多个像素值，且该多个像素值的数量与该多个样本监控图像的数量相同，该目标位置为该多个位置中的任一位置。之后，可以按照像素值对该多个像素值进行分类，得到多个类别，且每个类别中的像素值大小相同；然后可以统计每个类别的像素值在该多个样本监控图像中的分布规律，得到每个类别的统计信息，该统计信息可以包括每个类别中像素值的数量、分布的均值和标准差等；从而根据每个类别的统计信息即可确定出每个类别的概率密度分布函数，即单高斯背景模型；将多个类别的概率密度分布函数进行组合，即可得到该目标位置对应的多个指定单高斯背景模型，且该多个指定单高斯背景模型的数量与该多个类别的数量相同。

示例的，目标位置A(x，y)对应的多个指定单高斯背景模型可以用下列公式(1)表示：

${\mathrm{\η}}_i(x,y,{\mathrm{\μ}}_i,{\mathrm{\σ}}_i)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_i}{e}^{\frac{{(x-{\mathrm{\μ}}_i)}^2}{2{\left({\mathrm{\σ}}_i\right)}^2}}---\left(1\right)$

其中，η_i(x,y,μ_i,σ_i)为目标位置A(x，y)对应的第i个指定单高斯背景模型，且i≤K，K为目标位置A(x，y)对应的多个指定单高斯背景模型的数量，μ_i为该第i个指定单高斯背景模型的期望值，σ_i为该第i个指定单高斯背景模型的标准差。

4)针对目标位置对应的多个指定单高斯背景模型，确定各个指定单高斯背景模型的加权系数和标准差。

得到该目标位置对应的多个指定高斯背景模型之后，可以为该多个指定高斯背景模型分别分配一个加权系数，即权重。

需要说明的是，建模过程中为每个指定单高斯背景模型分配的加权系数均相同，且该多个指定高斯背景模型分配的加权系数和值为1，而后续更新过程中，每个指定高斯背景模型分配的加权系数可能会发生变化。

示例的，基于上述公式(1)，该第i个指定单高斯背景模型η_i(x,y,μ_i,σ_i)的加权系数可以用ω_i表示，且预先分配的ω_i＝1/K。

5)将该多个指定高斯背景模型，按照各个指定高斯背景模型的加权系数和标准差之间的比值的大小进行排序，并按照排序从该多个指定高斯背景模型中选取预设数目的指定高斯背景模型，作为该目标位置对应的多个单高斯背景模型。

例如，基于上述公式(1)，对于目标位置A(x，y)对应的多个指定单高斯背景模型，可以先将该多个指定高斯背景模型按照对应ω_i/σ_i的值的大小进行

排序，再按照排序从中选取前B个指定单高斯背景模型，作为该目标位置A(x，y)对应的多个单高斯背景模型。

其中，针对不同的位置，该预设数目可以统一设置，也可以根据预设比例进行确定，本发明实施例对此不做限定。例如，该终端可以预先设置一个选取比例，在选取过程中，则可以先根据该多个指定高斯背景模型的数量和该选取比例确定需要选取的数目，再按照确定的数目进行选取。

示例的，该预设数目可以为2、3、5等，该预设比例可以为30％、50％等。

进一步地，为了提高准确性，该预设数目还可以根据加权系数进行确定。例如，该预设数目需要满足以下公式(2)，以保证所选取的多个指定高斯背景模型的加权系数之和大于指定加权阈值：

$B=\arg \min \{{\mathrm{\Σ}}_{i=1}^B{\mathrm{\ω}}_i>T\}---\left(2\right)$

其中，B为预设数目，ω_i为加权系数，T为加权阈值。

6)将该多个位置分别对应的多个单高斯背景模型进行组合，得到该混合高斯背景模型。

因此，最终构建的混合高斯背景模型中将存储多个位置以及每个位置对应的多个单高斯背景模型。

其中，基于该混合高斯背景模型，确定目标监控图像中的前景像素点的过程可以包括以下几个步骤：

1)获取目标像素点的像素值和该目标像素点在该目标监控图像中的位置，该目标像素点为该目标监控图像中的任一像素点。

2)基于该目标像素点在该目标监控图像中的位置，确定该混合高斯背景模型中与该目标像素点对应的多个单高斯背景模型。

得到该目标像素点在该目标监控图像中的目标位置之后，该终端即可从该混合高斯背景模型中存储的多个位置中查找该目标位置，并确定与该目标位置对应的多个单高斯背景模型，作为与该目标像素点对应的多个单高斯背景模型。

3)判断该目标像素点的像素值是否与该多个单高斯背景模型中的每个单高斯背景模型匹配。

4)当该目标像素点的像素值不与该多个单高斯背景模型中的任一单高斯背景模型匹配时，确定该目标像素点为该目标监控图像中的前景像素点。

另外，当该目标像素点的像素值与该多个单高斯背景模型中的任一单高斯背景模型匹配时，还可以确定该目标像素点为该目标监控图像中的背景像素点。

示例的，假设将目标位置A(x，y)上的像素点的像素值用I(x，y)来表示，且该混合高斯背景模型中目标位置A(x，y)对应B个单高斯背景模型，若I(x，y)与该B个单高斯背景模型中的第K(K≤B)个单高斯背景模型匹配，即I(x,y)∈[μ_k-λσ_k,μ_k+λσ_k]，则即可确定该目标像素点为背景像素点；若I(x，y)与该B个单高斯背景模型中的任一单高斯背景模型匹配均不匹配，则即可确定该目标像素点为前景像素点。

需要说明的是，在确定目标监控图像中的前景像素点的过程中所利用的混合高斯背景模型，可以为通过样本监控图像初始建模得到的混合高斯背景模型，也可以为后续更新参数后的混合高斯背景模型，且无论是初始的混合高斯背景模型还是更新的混合高斯背景模型，利用该混合高斯背景模型确定目标监控图像中前景像素点的过程均相同。

步骤102：统计该目标监控图像中前景像素点的数量，得到第一像素数量。

由于前景像素点即为该目标监控图像的前景信息，在一定程度上可以指示该目标监控图像出现了异常，因此，为了提高异常检测的准确性，可以将该前景像素点的数量作为一种异常因素，来对目标监控图像进行异常检测。

步骤103：基于边缘检测算法，确定第二像素数量，该第二像素数量为该目标监控图像中边缘检测值大于第一预设阈值，且在该目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量。

需要说明的是，该边缘模型也为预先针对该指定位置区域构建的边缘模型，可以指示该指定位置区域在正常情况下的场景图像的轮廓信息，即背景轮廓信息。

本发明实施例中，通常需要预先构建用于提取目标监控图像中异常边缘信息的边缘模型，也即是，在基于边缘检测算法，确定第二像素数量之前，通常需要先采集该指定位置区域的多张样本监控图像，并采用边缘检测算法从该多张样本监控图像中提取边缘信息，以构建边缘模型。具体地，构建该边缘模型的过程可以包括以下几个步骤：

1)获取多个样本监控图像，该多个样本监控图像与该目标监控图像为同一位置区域的监控图像。

其中，获取该多个样本监控图像的具体实现过程可以参考上述步骤101的相关描述，本发明实施例在此不再赘述。

另外，为了提高建模效率和建模准确性，还可以直接利用上述已经采集的用于构建混合高斯背景模型的多个样本监控图像，来构建该边缘模型。

2)基于边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值。

其中，该边缘检测算法用于边缘检测，通过边缘检测可以提取样本监控图像中的轮廓信息。且该边缘检测算法具体可以为Sobel边缘检测算法，也可以为其他边缘检测算法，本发明实施例对此不做限定。

其中，每个像素点的边缘检测值用于指示该像素点的像素值与该像素点周围各个像素点的像素值之间的变化量，当边缘检测值较大时，说明该像素点可能处于该样本监控图像的轮廓中。

以Sobel边缘检测算法为例，边缘检测过程中，通常采用Sobel算子与每个样本监控图像进行平面卷积运算，得到每张样本监控图像中各个像素点的边缘检测值。由于Sobel算子通常包括横向算子和纵向算子，且每个算子均为3x3的矩阵，因此采用Sobel算子与每张样本监控图像进行平面卷积运算过程中，可以先将横向算子和纵向算子分别与每个样本监控图像进行平面卷积运算，得到每个样本监控图像的横向亮度差分近似值和纵向差分近似值，然后再基于该横向亮度差分近似值和纵向差分近似值确定每个样本监控图像的边缘检测值。

其中，横向算子可以为纵向算子可以为

示例的，可以采用如下公式(3)对样本监控图像进行平面卷积运算，得到该样本监控图像的横向亮度差分近似值和纵向差分近似值：

$G_x=S_x\⊗A,G_y=S_y\⊗A---\left(3\right)$

其中，A表示样本监控图像，为平面卷积符号，G_x、G_y分别表示样本监控图像A的横向亮度差分近似值和纵向差分近似值，S_x、S_y分别表示横向算子和纵向算子。

需要说明的是，A也为矩阵，比如，当该样本监控图像为1700*800的图像时，A为1700×800的矩阵，且每个矩阵元素代表了对应位置处像素点的像素值。

得到样本监控图像的横向亮度差分近似值和纵向差分近似值之后，即可采用如下公式(4)计算该样本监控图像中每个像素点的边缘检测值：

$G=\sqrt{G_x^2+G_y^2}---\left(4\right)$

其中，G表示样本监控图像中各个像素点的边缘检测值，G_x、G_y分别表示该样本监控图像的横向亮度差分近似值和纵向差分近似值。

需要说明的是，G也为矩阵，比如，当样本监控图像为1700*800的图像时，G为1700×800的矩阵，且每个矩阵元素代表了对应位置处像素点的边缘检测值。

3)基于该各个样本监控图像中每个像素点的边缘检测值，从该多个样本监控图像中，确定多个第一位置对应的样本图像数量，该多个第一位置为该多个样本监控图像包括的任一样本监控图像中边缘检测值大于该第一预设阈值的像素点所在的位置。

其中，该第一预设阈值为边缘检测阈值，可以预先设置，且当样本监控图像中某一像素点的边缘检测值大于该第一预设阈值，表示该像素点处于该样本监控图像中物体的轮廓中。

需要说明的是，该多个第一位置即为各个样本监控图像中包括的多个像素点所在的位置，该终端可以基于该各个样本监控图像中每个像素点的边缘检测值，统计每个第一位置上边缘检测值大于第一预设阈值的像素点所在样本监控图像的数量，得到每个第一位置对应的样本图像数量。

4)基于该多个第一位置对应的样本图像数量，确定多个指定位置，该多个指定位置为该多个第一位置中样本图像数量大于第三预设阈值的位置。

其中，该第三预设阈值可以由终端默认设置，也可以由用户设置，本发明实施例对此不做限定。

该终端可以根据该多个第一位置对应的样本图像数量，从该多个第一位置中选取对应的样本图像数量大于第三预设阈值的位置，作为该多个指定位置。

5)将该多个指定位置进行组合，得到该边缘模型。

也即是，该边缘模型中存储了多个指定位置，且该多个指定位置为该多个样本监控图像中整体处于物体的轮廓边缘的像素点所在的位置，可以指示该指定场景区域中各个物体的轮廓信息。

其中，基于边缘检测算法，确定第二像素数量的过程可以包括以下几个步骤：

1)基于该边缘检测算法，确定该目标监控图像中每个像素点的边缘检测值。

其中，基于该边缘检测算法，确定该目标监控图像中每个像素点的边缘检测值的具体实现过程可以参考步骤103中上述步骤(2)的相关描述，本发明实施例在此不再赘述。

2)基于该每个像素点的边缘检测值，从该目标监控图像中确定边缘检测值大于第一预设阈值的像素点。

也即是，基于该每个像素点的边缘检测值和第一预设阈值，从该目标监控图像中提取出当前处于物体轮廓边缘的像素点。

3)从确定的像素点中，统计第一目标像素点的数量，得到该第二像素数量，该第一目标像素点为在该目标监控图像中的位置不属于该边缘模型中包括的该多个指定位置的像素点。

当该第一目标像素点的位置在该目标监控图像中的物体轮廓边缘，但却不在该边缘模型中包括的该多个指定位置中时，说明该第一目标像素点所指示的轮廓为新的物体轮廓，此时可能有新的物体进入了该指定位置区域。

本发明实施例中，确定出的边缘检测值大于第一预设阈值的像素点为该目标监控图像的边缘信息，该边缘模型中包括的该多个指定位置为该指定位置区域的背景边缘信息，则该第一目标像素点即为该目标监控图像中不同于背景边缘信息的异常边缘信息，也即是不在该边缘模型所指示的背景轮廓中的轮廓信息，可以在一定程度上指示有新物体进入了该指定位置区域。因此，可以将第一目标像素点的数量作为一个异常因素，来对目标监控图像进行异常检测。

需要说明的是，确定目标监控图像中的第二像素数量时所利用的边缘模型，可以为通过样本监控图像初始建模得到的边缘模型，也可以为后续更新参数后的边缘模型，且无论是初始的边缘模型还是更新后的边缘模型，利用该边缘模型确定目标监控图像中第二像素数量的过程均相同。

步骤104：将该第一像素数量和该第二像素数量进行加权合并，得到加权统计值。

本发明实施例中，可以预先分别为第一像素数量和该第二像素数量设置一个对应权重，即第一权重和第二权重，则在加权合并时，可以将第一像素数量与第一权重进行相乘，并将第二像素数量与第二权重进行相乘，再将两个乘积进行相加，即可得到该加权统计值。

需要说明的是，由于第二像素数量可以指示该目标监控图像出现异常的准确度要高于第一像素数量，因此在设置权重时，第二权重通常大于第一权重。

需要说明的另一点是，该第一权重和第二权重可以采用归一化的方式进行设置，即第一权重和第二权重之和等于1，当然也可以不采用归一化的方式进行设置，即第一权重和第二权重之和可以小于1，也可以大于1，本发明实施例对权重的设置方式不做限定。

示例的，当采用归一化的方式设置权重时，该第一权重和该第二权重可以分别为0.3和0.7、0.4和0.6等；当不采用归一化的方式设置权重时，该第一权重和该第二权重可以分别为0.2和0.6、或者分别为1和4等，本发明实施例对此不做限定。

步骤105：当该加权统计值大于第二预设阈值时，确定该目标监控图像为异常图像。

其中，该第二预设阈值为预先设置的异常检测阈值，用于指示该目标监控图像是否为异常监控图像。当该加权统计值大于该第二预设阈值时，表示该目标监控图像为异常图像；当该加权统计值小于或等于该第二预设阈值时，表示该目标监控图像为正常图像。

示例的，假设第一权重为1、第二权重为θ(θ>1)、第二预设阈值为且从目标监控图像中确定出的第一像素数量和第二像素数量分别为N₁和N₂，则如果即可确定该目标监控图像为异常图像；如果即可确定该目标监控图像为正常图像。

现有技术中，当仅采用背景模型进行异常检测时，如果有和目标位置区域颜色相近的外部物体进入该目标位置区域，则通过背景模型很可能会将目标监控图像中与该位置区域颜色相近的像素点判断为背景像素点，从而无法进行有效的检测。而本发明通过采用将背景模型和边缘模型相结合的方式，当出现上述情况时，在基于背景模型提取出目标监控图像的前景信息之后，还可以基于边缘模型提取出该目标监控图像的异常边缘信息，即提取出新进入的外部物体的轮廓信息，从而结合该前景信息和异常边缘信息，综合来判断该目标监控图像是否出现了异常，提高了异常检测的准确度和稳定性。

进一步地，为了保证该混合高斯背景模型和该边缘模型的有效性，该终端还可以在采集到目标监控图像后，基于该目标监控图像对该混合高斯背景模型和该边缘模型进行更新。

本发明实施例中，基于该目标监控图像对该混合高斯背景模型和该边缘模型进行更新，包括以下两种情形：

第一种情形：当该混合高斯背景模型和该边缘模型为通过对多个样本监控图像进行建模得到后，还未基于目标监控图像进行更新过的模型时，该终端可以基于该目标监控图像，对该混合高斯背景模型和该边缘模型进行首次更新。

其中，进行首次更新时，可以在首次从监控视频中采集到目标监控图像时，即基于该目标监控图像进行更新，也可以在确定该目标监控图像满足一定的更新条件时，才基于该目标监控图像进行更新，本发明实施例对此不做限定。

例如，该终端可以在确定采集该目标监控图像的时间与采集指定样本监控图像之间相距的时长大于预设时长时，确定该目标监控图像满足更新条件；再例如，该终端还可以在确定该目标监控图像与该指定样本监控图像在该监控视频中相隔的视频帧数量大于预设数量时，确定该目标监控图像满足更新条件。其中，该指定样本监控图像是指该多个样本监控图像中采集时间与当前时间之间的相距时长最短的样本监控视频。

其中，基于该目标监控图像对该混合高斯背景模型进行更新的过程可以包括以下几个步骤：

1)对于该目标监控图像中的每个背景像素点，采用第一更新算法对该背景像素点所在位置对应的多个指定单高斯背景模型的加权系数进行更新。

其中，该第一更新算法为：

${\mathrm{\ω}}_i^t=(1-\mathrm{\α})\×{\mathrm{\ω}}_i^{t-1}+\mathrm{\α}\×D_{i,t}---\left(5\right)$

其中，为更新后的指定单高斯背景模型的加权系数，且i≤N，N为该背景像素点所在位置对应的多个指定单高斯背景模型的数量；α为学习率，且α∈[0,1]；为更新前的指定单高斯背景模型的加权系数；D_i,t为0或1。

其中，当该背景像素点的像素值与该指定单高斯背景模型匹配时，D_i,t＝1；当该背景像素点的像素值与该指定单高斯背景模型不匹配时，D_i,t＝0。

需要说明的是，该背景像素点所在位置对应的多个指定单高斯背景模型，可以从建模过程中得到的各个样本监控图像中多个位置分别对应的多个指定高斯背景模型中确定得到。进一步地，为了提高更新效率，该终端还可以在构建该混合高斯背景模型的过程中，记录各个样本监控图像中多个位置分别对应的多个指定高斯背景模型，并记录各个位置对应的多个指定单高斯背景模型的加权系数，之后，在更新过程中，即可直接获取已记录的各个位置对应的多个指定高斯背景模型和已记录的加权系数，并基于该目标监控图像对已记录的各个位置对应的多个指定高斯背景模型和加权系数进行更新，进而对该混合高斯背景模型进行更新。

2)对于该背景像素点所在位置对应的多个指定单高斯背景模型，采用第二更新算法对与该背景像素点的像素值匹配的第一指定单高斯背景模型进行更新。

具体地，可以采用该第二更新算法对该第一指定单高斯背景模型的期望值和标准差进行更新，以对该第一指定单高斯背景模型进行更新。

其中，该第二更新算法为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_i^t=(1-\mathrm{\β}){\mathrm{\μ}}_i^{t-1}+\mathrm{\β}I(x,y)\\ {\mathrm{\σ}}_i^t=\sqrt{(1-\mathrm{\β}){\left({\mathrm{\σ}}_i^{t-1}\right)}^2+\mathrm{\β}{\left(I\right(x,y)-{\mathrm{\μ}}_i^t)}^2}\end{array}\right.---\left(6\right)$

其中，该为更新后的该第一指定单高斯背景模型的期望值，更新前的该第一指定单高斯背景模型的期望值，β为更新权重，I(x,y)为该背景像素点的像素值，为更新后的该第一指定单高斯背景模型的标准差，为更新前的该第一指定单高斯背景模型的标准差。

3)对于该目标监控图像中的每个前景像素点，确定该前景像素点所在位置对应的多个第三指定单高斯背景模型，并判断该前景像素点的像素值是否与该多个第三指定单高斯背景模型中的每个第三指定单高斯背景模型匹配。

其中，该多个第三指定单高斯背景模型是指该前景像素点所在位置对应的多个指定单高斯背景模型中，除该混合高斯背景模型中存储的与该前景像素点所在位置对应的多个单高斯背景模型之外的多个指定单高斯背景模型。

4)当该前景像素点的像素值不与该多个第三指定单高斯背景模型中的任一第三指定单高斯背景模型匹配时，基于该前景像素点的像素值构建第四指定单高斯背景模型，并基于该第四指定单高斯背景模型对该背景像素点所在位置对应的多个指定单高斯背景模型进行更新。

在构建第四指定单高斯背景模型时，可以将该背景像素点的像素值作为期望值，并取一个较小的方差值作为标准差，之后即可基于该期望值和标准差确定该第四指定单高斯背景模型。

而在对该背景像素点所在位置对应的多个指定单高斯背景模型进行更新时，可以将该背景像素点对应的多个指定单高斯背景模型中，加权系数最小的指定单高斯背景模型替换为该第一单高斯背景模型，以对该像素点所在位置对应的多个指定单高斯背景模型进行更新。

5)将更新后的目标位置对应的多个指定高斯背景模型，按照各个指定高斯背景模型的加权系数和标准差之间的比值的大小进行排序，并按照排序从该多个指定高斯背景模型中选取预设数目的指定高斯背景模型，作为更新后的该目标位置对应的多个单高斯背景模型。该目标位置为该多个位置中的任一位置。

6)将该混合高斯背景模型中该目标位置对应的多个单高斯背景模型，替换为更新后的该目标位置对应的多个单高斯背景模型，以对该混合高斯背景模型进行更新。

另外，基于该目标监控图像对该边缘模型进行更新的过程可以包括以下几个步骤：

1)从该目标监控图像中确定多个第二位置，该多个第二位置为该目标监控图像中边缘检测值大于该第一预设阈值的像素点所在的位置。

2)从该多个第一位置对应的样本图像数量中，确定与该多个第二位置相同的第一位置所对应的样本图像数量。

需要说明的是，该多个第一位置对应的样本图像数量，可以从构建该边缘模型的过程中确定得到。进一步地，为了提高更新效率，该终端还可以在构建该边缘模型的过程中，记录各个样本监控图像中多个第一位置对应的样本图像数量，之后，在更新过程中，即可直接获取已记录多个第一位置对应的样本图像数量，并基于该目标监控图像对已记录多个第一位置对应的样本图像数量进行更新，进而对该边缘模型进行更新。

3)基于该多个样本监控图像的数量，对与该多个第二位置相同的第一位置对应的样本图像数量进行更新。

其中，基于该多个样本监控图像的数量，对与该多个第二位置相同的第一位置对应的样本图像数量进行更新的过程可以包括：

基于该多个样本监控图像的数量和指定算法，对与该多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，该指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M}---\left(7\right)$

其中，该c_t为更新后的与该多个第二位置相同的第一位置对应的样本图像数量，该c_t-1为与该多个第二位置相同的第一位置对应的样本图像数量，该M为该多个样本监控图像的数量。

4)基于更新后的该与该多个第二位置相同的第一位置对应的样本图像数量，从该多个第一位置中选取对应的样本图像数量大于该第三预设阈值的位置。

5)将该边缘模型中的该多个指定位置替换为选取的位置，以对该边缘模型进行更新。

进一步地，为了提高更新的准确性，步骤(3)之后还可以包括：基于该多个样本监控图像的数量，对与该多个第二位置不同的第一位置对应的样本图像数量进行更新。具体地，对于这些与该多个第二位置不同的第一位置，也即是，该目标监控图像中边缘检测值小于或等于该第一预设阈值的像素点所在的位置，可以基于该多个样本监控图像的数量和第一指定算法，对与该多个第二位置不同的第一位置对应的样本图像数量进行更新。

其中，该第一指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}---\left(8\right)$

其中，该c_t为更新后的与该多个第二位置不同的第一位置对应的样本图像数量，该c_t-1为与该多个第二位置不同的第一位置对应的样本图像数量，该M为该多个样本监控图像的数量。

相应地，步骤(4)即可替代为基于更新后的第一位置对应的样本图像数量，即更新后的与该多个第二位置相同的第一位置对应的样本图像数量和与该多个第二位置不同的第一位置对应的样本图像数量，从该多个第一位置中选取对应的样本图像数量大于该第三预设阈值的位置。

第二种情形：当该混合高斯背景模型和该边缘模型为通过对多个样本监控图像进行建模得到后，还基于指定监控图像进行更新过的模型时，该终端还可以基于该目标监控图像，对该混合高斯背景模型和该边缘模型进行再次更新。其中，该指定监控图像为在该监控视频中用于更新得到该混合高斯背景模型和该边缘模型的监控图像。

其中，基于该目标监控图像对该混合高斯背景模型和该边缘模型进行再次更新的具体实现过程，可以参考上述第一种情形的更新步骤，本发明在此不再赘述。

进一步地，在基于该目标监控图像对该混合高斯背景模型和该边缘模型进行更新之前，该终端还可以先判断该目标监控图像是否满足更新条件，当确定该目标监控图像满足更新条件时，再进行更新。具体可以包括以下两种方式：

第一种方式，当该目标监控图像为异常图像时，该终端可以确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量；当该间隔图像帧数量大于或等于第四预设阈值时，再执行更新步骤。

第二种方式，当该目标监控图像为正常图像时，该终端可以确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量；当该间隔图像帧数量大于或等于第五预设阈值时，再执行更新步骤。其中，该第五预设阈值小于第四预设阈值。

示例的，以基于该目标监控图像对该边缘模型进行再次更新为例，从该目标监控图像中确定多个第二位置之前，该终端还可以确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量，当该间隔图像帧数量大于或等于第四预设阈值时，执行从该目标监控图像中确定多个第二位置的步骤。或者，从该目标监控图像中确定多个第二位置之前，该终端还可以当该加权统计值小于或等于该第二预设阈值时，确定该目标监控图像为正常图像；确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量；当该间隔图像帧数量大于或等于第五预设阈值时，执行从该目标监控图像中确定多个第二位置的步骤。

需要说明的一点是，本发明实施例中仅是以采用混合高斯背景建模算法构建混合高斯背景模型，并通过该混合高斯背景模型提取该目标监控图像的前景信息以进行异常检测为例进行说明，而实际应用中，该终端还可以采用单高斯背景建模算法对该多个样本监控图像进行建模，构建指定单高斯背景模型，并通过该指定单高斯背景模型提取该目标监控图像的前景信息以进行异常检测，再基于该目标监控图像对该单混合高斯背景模型进行更新，本发明实施例对此不做限定。

需要说明的另一点时，现有技术中，在仅基于背景建模算法对监控视频中的监控图像进行异常检测时，从监控视频中所采集的目标监控图像必须是连续的，且相邻两个目标监控图像的采集时间之间的间隔时长不能太长，一般需要控制在3-20秒之间。如果间隔时间太长，监控场景内的光照和背景的变化较大，但该背景模型仍为场景变化前的背景模型，因此，如果仍基于该背景模型对场景变化后的目标监控图像进行异常检测，将非常容易出错，检测准确度较低，而且对于新采集的目标监控图像是否能用于对该背景模型进行更新，也比较难以判断和分析。同理，在构建背景模型的过程中，所采集的多个样本监控图像中采集间隔时间也不能太长，一般也需要控制在3-20秒之间，否则所构建的背景模型将不够精确。

而本发明实施例中，由于采用了将混合高斯背景模型和边缘模型相结合的方式，来对目标监控图像进行异常检测，因此，即使相邻两个目标监控图像的采集时间之间的间隔时长过长，当基于混合高斯背景模型对场景变化后的目标监控图像进行异常检测容易出错时，还可以基于边缘模型提取该目标监控图像的异常边缘信息，以对该目标监控图像作进一步的验证检测，从而提高了异常检测的准确度和稳定性。同理，由于针对多个样本监控图像分别构建了混合高斯背景模型和边缘模型，因此，即使所采集的多个样本监控图像中采集间隔时间过长，结合所构建的两种模型也能够实现对目标监控图像的精确检测。

实际应用中，本发明的采集间隔时长可以长达半小时、一小时、2小时等，本发明对此不做限定。因此，本发明针对采集间隔时间较长的目标监控图像和样本监控图像，有较大的检测优势，扩大了应用场景。

综上所述，本发明实施例中，在对监控视频中待检测的目标监控图像进行检测时，可以基于混合高斯背景模型，确定目标监控图像中的前景像素点；统计该目标监控图像中前景像素点的数量，得到第一像素数量；基于边缘检测算法，确定第二像素数量，该第二像素数量为该目标监控图像中边缘检测值大于第一预设阈值，且在该目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；将该第一像素数量和该第二像素数量进行加权合并，得到加权统计值；当该加权统计值大于该第二预设阈值时，确定该目标监控图像为异常图像。由于通过混合高斯背景模型可以提取出该目标监控图像中的前景信息，通过边缘检测算法和边缘模型，可以提取出该目标监控图像中的异常边缘信息，且该异常边缘信息可以指示该目标监控图像中不同于边缘模型的异常轮廓信息，有助于提高异常检测的精确度，因此，本发明通过采用将前景信息和异常边缘信息相结合的方式，来对该目标监控图像进行异常检测，可以增加异常检测的准确性和稳定性，进而提高异常检测效果。

图2是本发明实施例提供的一种监控图像的异常检测装置结构示意图，参见图2，该装置包括：

第一确定模块201，用于基于混合高斯背景模型，确定目标监控图像中的前景像素点，该目标监控图像为监控视频中待检测的监控图像；

统计模块202，用于统计该目标监控图像中前景像素点的数量，得到第一像素数量；

第二确定模块203，用于基于边缘检测算法，确定第二像素数量，该第二像素数量为该目标监控图像中边缘检测值大于第一预设阈值，且在该目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

加权合并模块204，用于将该第一像素数量和该第二像素数量进行加权合并，得到加权统计值；

异常图像确定模块205，用于当该加权统计值大于第二预设阈值时，确定该目标监控图像为异常图像。

可选地，该第二确定模块包括：

第一确定单元，用于基于该边缘检测算法，确定该目标监控图像中每个像素点的边缘检测值；

第二确定单元，用于基于该每个像素点的边缘检测值，从该目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

统计单元，用于从确定的像素点中，统计第一目标像素点的数量，得到该第二像素数量，该第一目标像素点为在该目标监控图像中的位置不属于该边缘模型中包括的该多个指定位置的像素点。

可选地，该装置还包括：

获取模块，用于获取多个样本监控图像，该多个样本监控图像与该目标监控图像为同一位置区域的监控图像；

第三确定模块，用于基于该边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

第四确定模块，用于基于该各个样本监控图像中每个像素点的边缘检测值，从该多个样本监控图像中，确定多个第一位置对应的样本图像数量，该多个第一位置为该多个样本监控图像包括的任一样本监控图像中边缘检测值大于该第一预设阈值的像素点所在的位置；

第五确定模块，用于基于该多个第一位置对应的样本图像数量，确定多个指定位置，该多个指定位置为该多个第一位置中样本图像数量大于第三预设阈值的位置；

组合模块，用于将该多个指定位置进行组合，得到该边缘模型。

可选地，该装置还包括：

第六确定模块，用于从该目标监控图像中确定多个第二位置，该多个第二位置为该目标监控图像中边缘检测值大于该第一预设阈值的像素点所在的位置；

第七确定模块，用于从该多个第一位置对应的样本图像数量中，确定与该多个第二位置相同的第一位置所对应的样本图像数量；

更新模块，用于基于该多个样本监控图像的数量，对与该多个第二位置相同的第一位置对应的样本图像数量进行更新；

选取模块，用于基于更新后的该与该多个第二位置相同的第一位置对应的样本图像数量，从该多个第一位置中选取对应的样本图像数量大于该第三预设阈值的位置；

替换模块，用于将该边缘模型中的该多个指定位置替换为选取的位置，以对该边缘模型进行更新。

可选地，该更新模块用于：

基于该多个样本监控图像的数量和指定算法，对与该多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，该指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，该c_t为更新后的与该多个第二位置相同的第一位置对应的样本图像数量，该c_t-1为与该多个第二位置相同的第一位置对应的样本图像数量，该M为该多个样本监控图像的数量。

可选地，该装置还包括：

第八确定模块，用于确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量，该指定监控图像为在该监控视频中用于更新得到该混合高斯背景模型和该边缘模型的监控图像；

第一触发模块，用于当该间隔图像帧数量大于或等于第四预设阈值时，触发该第六确定模块从该目标监控图像中确定多个第二位置。

可选地，该装置还包括：

正常图像确定模块，用于当该加权统计值小于或等于该第二预设阈值时，确定该目标监控图像为正常图像；

第九确定模块，用于确定该目标监控图像与指定监控图像在该监控视频中的间隔图像帧数量，该指定监控图像为在该监控视频中用于更新得到该混合高斯背景模型和该边缘模型的监控图像；

第二触发模块，用于当该间隔图像帧数量大于或等于第五预设阈值时，触发该第六确定模块从该目标监控图像中确定多个第二位置，该第五预设阈值小于第四预设阈值。

需要说明的是：上述实施例提供的监控图像的异常检测装置在对监控图像进行异常检测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的监控图像的异常检测装置实施例与监控图像的异常检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

图3是本发明实施例提供的一种用于对监控图像进行异常检测的终端300的结构示意图。例如，终端300可以是移动电话，计算机，平板电脑或者CT机等。

参照图3，终端300可以包括以下一个或多个组件：处理组件302，存储器304，电源组件306，多媒体组件308，音频组件310，输入/输出(I/O)的接口312，传感器组件314，以及通信组件316。

处理组件302通常控制终端300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。

存储器304被配置为存储各种类型的数据以支持在终端300的操作。这些数据的示例包括用于在终端300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件306为终端300的各种组件提供电源。电源组件306可以包括电源管理系统，一个或多个电源，及其他与为终端300生成、管理和分配电源相关联的组件。

多媒体组件308包括在所述终端300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当终端300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。例如，前置摄像头和/或后置摄像头可以获取手势信息，并将手势信息发送至处理器320，由处理器对获取到的手势信息进行识别，并查找与识别到的手势信息匹配的操作规则，按照该操作规则进行操作。

音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当终端300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。

I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件314包括一个或多个传感器，用于为终端300提供各个方面的状态评估。例如，传感器组件314可以检测到终端300的打开/关闭状态，组件的相对定位，例如所述组件为终端300的显示器和小键盘，传感器组件314还可以检测终端300或终端300一个组件的位置改变，用户与终端300接触的存在或不存在，终端300方位或加速/减速和终端300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件316被配置为便于终端300和其他设备之间有线或无线方式的通信。终端300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，终端300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器304，上述指令可由终端300的处理器320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行一种监控图像的异常检测方法，所述方法包括：

基于混合高斯背景模型，确定目标监控图像中的前景像素点，所述目标监控图像为监控视频中待检测的监控图像；

统计所述目标监控图像中前景像素点的数量，得到第一像素数量；

基于边缘检测算法，确定第二像素数量，所述第二像素数量为所述目标监控图像中边缘检测值大于第一预设阈值，且在所述目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值；

当所述加权统计值大于第二预设阈值时，确定所述目标监控图像为异常图像。

可选地，所述基于边缘检测算法，确定第二像素数量，包括：

基于所述边缘检测算法，确定所述目标监控图像中每个像素点的边缘检测值；

基于所述每个像素点的边缘检测值，从所述目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

从确定的像素点中，统计第一目标像素点的数量，得到所述第二像素数量，所述第一目标像素点为在所述目标监控图像中的位置不属于所述边缘模型中包括的所述多个指定位置的像素点。

可选地，所述基于边缘检测算法，确定第二像素数量之前，还包括：

获取多个样本监控图像，所述多个样本监控图像与所述目标监控图像为同一位置区域的监控图像；

基于所述边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

基于所述各个样本监控图像中每个像素点的边缘检测值，从所述多个样本监控图像中，确定多个第一位置对应的样本图像数量，所述多个第一位置为所述多个样本监控图像包括的任一样本监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

基于所述多个第一位置对应的样本图像数量，确定多个指定位置，所述多个指定位置为所述多个第一位置中样本图像数量大于第三预设阈值的位置；

将所述多个指定位置进行组合，得到所述边缘模型。

可选地，所述将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值之后，还包括：

从所述目标监控图像中确定多个第二位置，所述多个第二位置为所述目标监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

从所述多个第一位置对应的样本图像数量中，确定与所述多个第二位置相同的第一位置所对应的样本图像数量；

基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

基于更新后的所述与所述多个第二位置相同的第一位置对应的样本图像数量，从所述多个第一位置中选取对应的样本图像数量大于所述第三预设阈值的位置；

将所述边缘模型中的所述多个指定位置替换为选取的位置，以对所述边缘模型进行更新。

可选地，所述基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新，包括：

基于所述多个样本监控图像的数量和指定算法，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，所述指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，所述c_t为更新后的与所述多个第二位置相同的第一位置对应的样本图像数量，所述c_t-1为与所述多个第二位置相同的第一位置对应的样本图像数量，所述M为所述多个样本监控图像的数量。

可选地，所述从所述目标监控图像中确定多个第二位置之前，还包括：

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第四预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤。

可选地，所述从所述目标监控图像中确定多个第二位置之前，还包括：

当所述加权统计值小于或等于所述第二预设阈值时，确定所述目标监控图像为正常图像；

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第五预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤，所述第五预设阈值小于第四预设阈值。

需要说明的是，上述实施例提供的终端，与监控图像的异常检测方法实施例以及监控图像的异常检测装置实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种监控图像的异常检测方法，其特征在于，所述方法包括：

基于混合高斯背景模型，确定目标监控图像中的前景像素点，所述目标监控图像为监控视频中待检测的监控图像；

统计所述目标监控图像中前景像素点的数量，得到第一像素数量；

基于边缘检测算法，确定第二像素数量，所述第二像素数量为所述目标监控图像中边缘检测值大于第一预设阈值，且在所述目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值；

当所述加权统计值大于第二预设阈值时，确定所述目标监控图像为异常图像。

2.如权利要求1所述的方法，其特征在于，所述基于边缘检测算法，确定第二像素数量，包括：

基于所述边缘检测算法，确定所述目标监控图像中每个像素点的边缘检测值；

基于所述每个像素点的边缘检测值，从所述目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

从确定的像素点中，统计第一目标像素点的数量，得到所述第二像素数量，所述第一目标像素点为在所述目标监控图像中的位置不属于所述边缘模型中包括的所述多个指定位置的像素点。

3.如权利要求1或2所述的方法，其特征在于，所述基于边缘检测算法，确定第二像素数量之前，还包括：

获取多个样本监控图像，所述多个样本监控图像与所述目标监控图像为同一位置区域的监控图像；

基于所述边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

基于所述各个样本监控图像中每个像素点的边缘检测值，从所述多个样本监控图像中，确定多个第一位置对应的样本图像数量，所述多个第一位置为所述多个样本监控图像包括的任一样本监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

基于所述多个第一位置对应的样本图像数量，确定多个指定位置，所述多个指定位置为所述多个第一位置中样本图像数量大于第三预设阈值的位置；

将所述多个指定位置进行组合，得到所述边缘模型。

4.如权利要求3所述的方法，其特征在于，所述将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值之后，还包括：

从所述目标监控图像中确定多个第二位置，所述多个第二位置为所述目标监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

从所述多个第一位置对应的样本图像数量中，确定与所述多个第二位置相同的第一位置所对应的样本图像数量；

基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

基于更新后的所述与所述多个第二位置相同的第一位置对应的样本图像数量，从所述多个第一位置中选取对应的样本图像数量大于所述第三预设阈值的位置；

将所述边缘模型中的所述多个指定位置替换为选取的位置，以对所述边缘模型进行更新。

5.如权利要求4所述的方法，其特征在于，所述基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新，包括：

基于所述多个样本监控图像的数量和指定算法，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，所述指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，所述c_t为更新后的与所述多个第二位置相同的第一位置对应的样本图像数量，所述c_t-1为与所述多个第二位置相同的第一位置对应的样本图像数量，所述M为所述多个样本监控图像的数量。

6.如权利要求4所述的方法，其特征在于，所述从所述目标监控图像中确定多个第二位置之前，还包括：

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第四预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤。

7.如权利要求4所述的方法，其特征在于，所述从所述目标监控图像中确定多个第二位置之前，还包括：

当所述加权统计值小于或等于所述第二预设阈值时，确定所述目标监控图像为正常图像；

确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

当所述间隔图像帧数量大于或等于第五预设阈值时，执行所述从所述目标监控图像中确定多个第二位置的步骤，所述第五预设阈值小于第四预设阈值。

8.一种监控图像的异常检测装置，其特征在于，所述装置包括：

第一确定模块，用于基于混合高斯背景模型，确定目标监控图像中的前景像素点，所述目标监控图像为监控视频中待检测的监控图像；

统计模块，用于统计所述目标监控图像中前景像素点的数量，得到第一像素数量；

第二确定模块，用于基于边缘检测算法，确定第二像素数量，所述第二像素数量为所述目标监控图像中边缘检测值大于第一预设阈值，且在所述目标监控图像中的位置不属于边缘模型中包括的多个指定位置的像素点的数量；

加权合并模块，用于将所述第一像素数量和所述第二像素数量进行加权合并，得到加权统计值；

异常图像确定模块，用于当所述加权统计值大于第二预设阈值时，确定所述目标监控图像为异常图像。

9.如权利要求8所述的装置，其特征在于，所述第二确定模块包括：

第一确定单元，用于基于所述边缘检测算法，确定所述目标监控图像中每个像素点的边缘检测值；

第二确定单元，用于基于所述每个像素点的边缘检测值，从所述目标监控图像中确定边缘检测值大于第一预设阈值的像素点；

统计单元，用于从确定的像素点中，统计第一目标像素点的数量，得到所述第二像素数量，所述第一目标像素点为在所述目标监控图像中的位置不属于所述边缘模型中包括的所述多个指定位置的像素点。

10.如权利要求8或9所述的装置，其特征在于，所述装置还包括：

获取模块，用于获取多个样本监控图像，所述多个样本监控图像与所述目标监控图像为同一位置区域的监控图像；

第三确定模块，用于基于所述边缘检测算法，确定各个样本监控图像中每个像素点的边缘检测值；

第四确定模块，用于基于所述各个样本监控图像中每个像素点的边缘检测值，从所述多个样本监控图像中，确定多个第一位置对应的样本图像数量，所述多个第一位置为所述多个样本监控图像包括的任一样本监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

第五确定模块，用于基于所述多个第一位置对应的样本图像数量，确定多个指定位置，所述多个指定位置为所述多个第一位置中样本图像数量大于第三预设阈值的位置；

组合模块，用于将所述多个指定位置进行组合，得到所述边缘模型。

11.如权利要求10所述的装置，其特征在于，所述装置还包括：

第六确定模块，用于从所述目标监控图像中确定多个第二位置，所述多个第二位置为所述目标监控图像中边缘检测值大于所述第一预设阈值的像素点所在的位置；

第七确定模块，用于从所述多个第一位置对应的样本图像数量中，确定与所述多个第二位置相同的第一位置所对应的样本图像数量；

更新模块，用于基于所述多个样本监控图像的数量，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

选取模块，用于基于更新后的所述与所述多个第二位置相同的第一位置对应的样本图像数量，从所述多个第一位置中选取对应的样本图像数量大于所述第三预设阈值的位置；

替换模块，用于将所述边缘模型中的所述多个指定位置替换为选取的位置，以对所述边缘模型进行更新。

12.如权利要求11所述的装置，其特征在于，所述更新模块用于：

基于所述多个样本监控图像的数量和指定算法，对与所述多个第二位置相同的第一位置对应的样本图像数量进行更新；

其中，所述指定算法为：

$c_t=\frac{c_{t-1}(M-1)}{M}+\frac{1}{M};$

其中，所述c_t为更新后的与所述多个第二位置相同的第一位置对应的样本图像数量，所述c_t-1为与所述多个第二位置相同的第一位置对应的样本图像数量，所述M为所述多个样本监控图像的数量。

13.如权利要求11所述的装置，其特征在于，所述装置还包括：

第八确定模块，用于确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

第一触发模块，用于当所述间隔图像帧数量大于或等于第四预设阈值时，触发所述第六确定模块从所述目标监控图像中确定多个第二位置。

14.如权利要求4所述的装置，其特征在于，所述装置还包括：

正常图像确定模块，用于当所述加权统计值小于或等于所述第二预设阈值时，确定所述目标监控图像为正常图像；

第九确定模块，用于确定所述目标监控图像与指定监控图像在所述监控视频中的间隔图像帧数量，所述指定监控图像为在所述监控视频中用于更新得到所述混合高斯背景模型和所述边缘模型的监控图像；

第二触发模块，用于当所述间隔图像帧数量大于或等于第五预设阈值时，触发所述第六确定模块从所述目标监控图像中确定多个第二位置，所述第五预设阈值小于第四预设阈值。