CN106875385A - 一种高鲁棒性区域入侵检测算法 - Google Patents

一种高鲁棒性区域入侵检测算法 Download PDF

Info

Publication number
CN106875385A
CN106875385A CN201710072833.2A CN201710072833A CN106875385A CN 106875385 A CN106875385 A CN 106875385A CN 201710072833 A CN201710072833 A CN 201710072833A CN 106875385 A CN106875385 A CN 106875385A
Authority
CN
China
Prior art keywords
frame difference
frame
intrusion detection
detection algorithm
high robust
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.)
Pending
Application number
CN201710072833.2A
Other languages
English (en)
Inventor
崔莹
陈升东
袁峰
李引
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Software Application Technology Guangzhou GZIS of CAS
Original Assignee
Institute of Software Application Technology Guangzhou GZIS of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Software Application Technology Guangzhou GZIS of CAS filed Critical Institute of Software Application Technology Guangzhou GZIS of CAS
Priority to CN201710072833.2A priority Critical patent/CN106875385A/zh
Publication of CN106875385A publication Critical patent/CN106875385A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明涉及一种高鲁棒性区域入侵检测算法，包括获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；开始检测，提取前景图像B；检测团块，得到集合C；逻辑保存“参考帧”D；计算得到帧间差值图的集合E；计算得到闭合帧间差值图的集合F；判断入侵情况；本发明对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。

Description

一种高鲁棒性区域入侵检测算法
技术领域
本发明涉及目标检测技术领域，具体涉及一种高鲁棒性区域入侵检测算法。
背景技术
在社会生活中，看守所、监狱、银行、仓库等一直是安防监控的重点场所，尤其是其中的重要敏感区域对视频监控的要求较高。传统的视频监控消耗大量的人力物力却效果不好，采用计算机视觉技术的智能视频监控方法正在得到越来越多的应用。
智能视频监控中的区域入侵检测算法一般由两个部分组成：第一部分是对视频进行运动目标检测；第二部分是对检测到的运动目标进行过滤，筛除检测到的非人目标，如果检测成功则发出警报。
常用的运动目标检测方法有：背景差分法、帧间差分法、光流法、单高斯背景建模法、混合高斯背景建模法等。
背景差分法没有背景更新机制，不适合背景变化较大的情况；帧间差分法依赖于帧间时间的选取和物体的移动速度，提取运动过慢的目标可能产生空洞，提取运动过快的目标可能区域过大，这两种方法均不适用于复杂环境下的运动物体检测。
光流法利用随时间变化的光流特性检测运动目标，但是其计算复杂度过高，难以实时检测。
单高斯背景建模法适用于环境变化很小的情况，对光线变化比较敏感。
高斯混合背景建模法能够处理一定限度的光线变化以及背景的变化。但是当光线突变或背景变化较大时，虚警率仍然很高。
目前对运动目标的过滤方法比较少，主要有两种：运动区域斜率法和人体骨骼模型法。
运动区域斜率法难以区分与人体比例相似的物体，而这种物体在复杂环境中并不少见；人体骨骼模型法建模困难，效果并不理想。此外这两种方法均无法处理多人交错的情况。
在复杂环境中采用以上的运动目标检测方法与过滤方法相结合的方法进行区域入侵检测，虽然具有较高的检出率，但是却具有更高的虚警率，尤其是在具有频繁的风吹草动、光照变化以及飞虫、动物经过等情况发生的复杂环境中会产生很多的误报，不利于复杂环境的区域入侵监测工作。
发明内容
有鉴于此，有必要针对现有技术存在的问题，提供一种高鲁棒性区域入侵检测算法，对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
为了实现上述目的，本发明的技术方案如下：
一种高鲁棒性区域入侵检测算法，包括以下步骤：
步骤S1，获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；
步骤S2，开始检测，提取前景图像B；
步骤S3，检测团块，得到集合C；
步骤S4，逻辑保存“参考帧”D；
步骤S5，计算得到帧间差值图的集合E；
步骤S6，计算得到闭合帧间差值图的集合F；
步骤S7，判断入侵情况；
进一步地，步骤S2中，对每一帧图像A计算背景，更新背景模型，从而提取前景图像B；
进一步地，步骤S3中，从前景图像B中检测所有团块，如果团块面积小于阈值N则删除，得到前景目标检测图的集合C；
进一步地，步骤S4中，包括：
步骤S41，当检测不到前景目标时更新当前帧为参考帧D，否则执行步骤S42；
步骤S42，当连续M帧检测到前景目标时，每隔M帧将当前帧更新为参考帧D；
进一步地，步骤S5中，在前景目标检测图的集合C中，包括：
步骤S51，根据前景目标的区域坐标，从参考帧D中裁剪对应区域图像集合X；
步骤S52，计算每一个前景目标图与其对应区域图像的帧间差值图，得到帧间差值图的集合E；
进一步地，步骤S6中，在帧间差值图集合E中，包括：
步骤S61，对于每一个帧间差值图进行膨胀，填充图像中的空洞；
步骤S62，对于每一个膨胀后的图像进行腐蚀，得到闭合帧间差值图的集合F；
进一步地，步骤S7中，在闭合帧间差值图集合F中，对于每一个闭合帧间差值图提取HOG特征，并将提取的特征通过SVM判断是否为行人，如果是则检测区域存在入侵情况。
与现有技术相比，本发明的有益效果在于：本发明对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
附图说明
图1是本发明的一种高鲁棒性区域入侵检测算法的工作流程。
具体实施方式
下面结合附图和实施例对本发明所述的一种高鲁棒性区域入侵检测算法作进一步说明。
如图1所示，为本发明的一种高鲁棒性区域入侵检测算法的工作流程，具体包括以下步骤：
步骤S1，获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；
步骤S2，开始检测，提取前景图像B；
步骤S3，检测团块，得到集合C；
步骤S4，逻辑保存“参考帧”D；
步骤S5，计算得到帧间差值图的集合E；
步骤S6，计算得到闭合帧间差值图的集合F；
步骤S7，判断入侵情况；
步骤S2中，对每一帧图像A计算背景，更新背景模型，从而提取前景图像B；
步骤S3中，从前景图像B中检测所有团块，如果团块面积小于阈值N则删除，得到前景目标检测图的集合C；
步骤S4中，包括：
步骤S41，当检测不到前景目标时更新当前帧为参考帧D，否则执行步骤S42；
步骤S42，当连续M帧检测到前景目标时，每隔M帧将当前帧更新为参考帧D；
步骤S5中，在前景目标检测图的集合C中，包括：
步骤S51，根据前景目标的区域坐标，从参考帧D中裁剪对应区域图像集合X；
步骤S52，计算每一个前景目标图与其对应区域图像的帧间差值图，得到帧间差值图的集合E；
步骤S6中，在帧间差值图集合E中，包括：
步骤S61，对于每一个帧间差值图进行膨胀，填充图像中的空洞；
步骤S62，对于每一个膨胀后的图像进行腐蚀，得到闭合帧间差值图的集合F；
步骤S7中，在闭合帧间差值图集合F中，对于每一个闭合帧间差值图提取HOG特征，并将提取的特征通过SVM判断是否为行人，如果是则检测区域存在入侵情况。
综上所述，本发明对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种高鲁棒性区域入侵检测算法，其特征在于，包括以下步骤：
步骤S1，获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；
步骤S2，开始检测，提取前景图像B；
步骤S3，检测团块，得到集合C；
步骤S4，逻辑保存“参考帧”D；
步骤S5，计算得到帧间差值图的集合E；
步骤S6，计算得到闭合帧间差值图的集合F；
步骤S7，判断入侵情况。
2.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S2中，对每一帧图像A计算背景，更新背景模型，从而提取前景图像B。
3.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S3中，从前景图像B中检测所有团块，如果团块面积小于阈值N则删除，得到前景目标检测图的集合C。
4.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S4中，包括：
步骤S41，当检测不到前景目标时更新当前帧为参考帧D，否则执行步骤S42；
步骤S42，当连续M帧检测到前景目标时，每隔M帧将当前帧更新为参考帧D。
5.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S5中，在前景目标检测图的集合C中，包括：
步骤S51，根据前景目标的区域坐标，从参考帧D中裁剪对应区域图像集合X；
步骤S52，计算每一个前景目标图与其对应区域图像的帧间差值图，得到帧间差值图的集合E。
6.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S6中，在帧间差值图集合E中，包括：
步骤S61，对于每一个帧间差值图进行膨胀，填充图像中的空洞；
步骤S62，对于每一个膨胀后的图像进行腐蚀，得到闭合帧间差值图的集合F。
7.根据权利要求1所述的一种高鲁棒性区域入侵检测算法，其特征在于：步骤S7中，在闭合帧间差值图集合F中，对于每一个闭合帧间差值图提取HOG特征，并将提取的特征通过SVM判断是否为行人，如果是则检测区域存在入侵情况。
CN201710072833.2A 2017-02-09 2017-02-09 一种高鲁棒性区域入侵检测算法 Pending CN106875385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710072833.2A CN106875385A (zh) 2017-02-09 2017-02-09 一种高鲁棒性区域入侵检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710072833.2A CN106875385A (zh) 2017-02-09 2017-02-09 一种高鲁棒性区域入侵检测算法

Publications (1)

Publication Number Publication Date
CN106875385A true CN106875385A (zh) 2017-06-20

Family

ID=59165687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710072833.2A Pending CN106875385A (zh) 2017-02-09 2017-02-09 一种高鲁棒性区域入侵检测算法

Country Status (1)

Country Link
CN (1) CN106875385A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694718A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于感兴趣区域的遥感图像变化检测方法
CN101835035A (zh) * 2010-06-04 2010-09-15 天津市亚安科技电子有限公司 实时区域入侵检测方法
CN102254396A (zh) * 2011-07-06 2011-11-23 北京国铁华晨通信信息技术有限公司 基于视频的入侵检测方法及装置
CN104021570A (zh) * 2014-06-04 2014-09-03 电子科技大学 一种视频中有方向的越界和拌线检测方法
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
CN105243395A (zh) * 2015-11-04 2016-01-13 东方网力科技股份有限公司 一种人体图像比对方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101694718A (zh) * 2009-10-13 2010-04-14 西安电子科技大学 基于感兴趣区域的遥感图像变化检测方法
CN101835035A (zh) * 2010-06-04 2010-09-15 天津市亚安科技电子有限公司 实时区域入侵检测方法
CN102254396A (zh) * 2011-07-06 2011-11-23 北京国铁华晨通信信息技术有限公司 基于视频的入侵检测方法及装置
CN104021570A (zh) * 2014-06-04 2014-09-03 电子科技大学 一种视频中有方向的越界和拌线检测方法
CN104200490A (zh) * 2014-08-14 2014-12-10 华南理工大学 一种复杂环境下的快速逆行检测跟踪监控方法
CN105243395A (zh) * 2015-11-04 2016-01-13 东方网力科技股份有限公司 一种人体图像比对方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓锦豪: "基于视频图像的行人检测算法研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Similar Documents

Publication Publication Date Title
Gong et al. A real-time fire detection method from video with multifeature fusion
WO2020206861A1 (zh) 基于YOLO v3的针对交通枢纽关键物体的检测方法
CN103729858B (zh) 一种视频监控系统中遗留物品的检测方法
CN101794385B (zh) 用于视频序列的多角度多目标快速人脸跟踪方法
El Baf et al. A fuzzy approach for background subtraction
CN102332167A (zh) 一种智能交通监控中车辆和行人的目标检测方法
CN109359563A (zh) 一种基于数字图像处理的占道现象实时检测方法
CN106682635A (zh) 一种基于随机森林特征选择的烟雾检测方法
CN104866842B (zh) 一种人体目标入侵检测方法
KR20060031832A (ko) 실시간 행위분석 및 상황인지 기반 스마트 영상 보안시스템
Wang et al. Fire detection based on flame color and area
CN110309765B (zh) 一种视频运动目标高效检测方法
CN104766079A (zh) 一种远距离红外弱小目标检测方法
CN111696135A (zh) 基于交并比的违禁停车检测方法
Wang et al. Rapid early fire smoke detection system using slope fitting in video image histogram
Zhan et al. Pedestrian detection and behavior recognition based on vision
Xia et al. Automatic multi-vehicle tracking using video cameras: An improved CAMShift approach
WO2023273010A1 (zh) 高空抛物检测方法和装置、设备，及计算机存储介质
CN110688896A (zh) 一种行人徘徊检测方法
CN110991245A (zh) 一种基于深度学习与光流法的实时烟雾检测方法
KR20200060868A (ko) 객체 탐지 및 자동 추적이 가능한 다시점 영상 감시 시스템
CN107729811B (zh) 一种基于场景建模的夜间火焰检测方法
CN101848369A (zh) 一种基于自适应双背景模型的视频禁停事件检测方法
CN113887372A (zh) 目标聚集检测方法及计算机可读存储介质
CN108765829A (zh) 一种基于智能视频分析的市政物品失窃检测与报警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170620

RJ01 Rejection of invention patent application after publication