CN108629935A - 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 - Google Patents
一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 Download PDFInfo
- Publication number
- CN108629935A CN108629935A CN201810476223.3A CN201810476223A CN108629935A CN 108629935 A CN108629935 A CN 108629935A CN 201810476223 A CN201810476223 A CN 201810476223A CN 108629935 A CN108629935 A CN 108629935A
- Authority
- CN
- China
- Prior art keywords
- building
- moving target
- larceny
- theft
- climbing
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
- G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
- G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
- G08B13/19602—Image analysis to detect motion of the intruder, e.g. by frame subtraction
- G08B13/19613—Recognition of a predetermined image pattern or behaviour pattern indicating theft or intrusion
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统,方法包括运动目标检测、目标实时跟踪和爬楼盗窃行为判断预警,系统包括运动目标检测模块、目标实时跟踪模块和爬楼盗窃行为判断预警模块。本发明采用混合高斯背景建模对运动目标进行检测得到视频序列中的前景和背景,运用卡尔曼滤波器实时跟踪并用矩形框进行标定,然后根据卡尔曼滤波器计算出运动目标的重心坐标并根据此坐标计算出运动目标的速度和方向,最后对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为则发出警报,较好的检测出具有爬楼翻窗行为的运动目标,为保护居民的财产和人身安全、维护社会治安、打击和防止犯罪提供了科学依据,具备较大的实用价值。
Description
技术领域
本发明涉及一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统,属于人工智能和计算机视觉技术领域。
背景技术
近年来,安全的问题已经成为社会普遍所关注的话题,而且入室行窃的事件也屡见不鲜。这些事件产生了不良的后果,造成了居民们的财产损失,有时甚至会对居民的人身安全和精神健康造成不可挽回的伤害。为了维护社会治安,保障人民生活质量,加强居住区安全意识,保护居民的财产和人身安全,必须采取一些防范措施。例如,安装智能监控系统,以便实时掌握居民楼现状,如果该系统还有报警功能,则能更加充分的保障居民财产,对爬楼翻窗盗窃行为实施严厉的打击,能够有效的解决治安问题,有利于社会和谐。
虽然有不少监控系统,但它并没能发挥实时、高效、主动的检测作用,只是把异常的情况记录下来了。这种视频检测方法仍然需要较多的人为干预,也不够智能。消耗了许多的人力资源、物力资源和财力资源,还不能及时抓获偷盗者,这会增加警方的办案难度。而且,现如今,基于人体异常行分析的研究有很多,但是研究监控夜晚爬楼盗窃的系统方案却很少。如何有效检测夜间爬楼盗窃行为,保证居民的人身和财产安全一直是人们乃至社会所关注的一个问题。
目前,也有不少学者对视频序列的检测、运动的物体的检测和跟踪等做出了相关论述,比如,王亮等人研究的运动的视觉分析,倪洪等人讨论的人体检测与目标跟踪方法,汤一平等人的电梯内防暴力智能视频监控,这些研究论文都讨论了视频序列中如何检测运动目标并对其行为进行判断,具有良好的实验效果,但也有一些不足之处,比如在实际使用中难以达到预期效果。
事实上,拍摄视频进行监控的方式还存在一些不足,如大量信息冗余、传输流量消耗、不间断电力供应难等问题。针对这些不足,部分人开始改变思路,尝试间隔性拍摄图片来进行监控,该方式以牺牲部分实时性为代价减少了大量的冗余信息及流量、能源消耗,比视频监控模式具备更好的前景和应用价值。但是由于间隔拍摄的图片之间缺少连续性,缺少动态信息,原来基于视频的隐患检测算法就不再适用,需要设计新的基于间隔拍摄的图像相应检测算法,在这一方面,人们尚处于起步阶段,还没有成熟健全的检测方法。
发明内容
为解决上述现有技术上的不足,本发明提供了一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统,其能够通过对整个小区居民楼进行监控拍摄,检测当前是否有人爬楼翻窗行窃,并及时的发出警报。
本发明解决其技术问题采取的技术方案是:
一方面,本发明实施例提供的一种基于视频监控检测爬楼翻窗盗窃行为的方法可以包括以下步骤:
步骤1,运动目标检测:采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景;
步骤2,目标实时跟踪:运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并计算出运动目标的重心坐标、运动速度和运动方向;
步骤3,爬楼盗窃行为判断预警:对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
作为本实施例一种可能的实现方式,所述步骤1具体包括以下步骤:
步骤11:获取监控建筑物的视频样本;
步骤12:将视频样本分成图像序列,对图像中每个像素点采用正态分布函数进行描述,其中每个像素服从的混合高斯分布概率密度函数如式(1.1)所示:
其中,k为高斯混合模型中用到的分布模式的个数,t表示处理时刻,i的含义是第i个正态分布,wi,t是权重,η(xt,μi,t,τi,t)为高斯分布,μi,t表示第i个分布的均值,δi,t为第i个分布的方差,τi,t为对应与第i个高斯分布的协方差矩阵,I为三位单位矩阵;
由图像所有像素的K个正态分布函数的描述得到一个混合高斯背景模型,如式(1.2)所示:
其中:Xt是像素在t时刻的值,由RGB三色分量组成;ωi,t表明时间t混合高斯模型中高斯分布的权系数的估计量;β表示高斯分布的概率密度函数,∑i,t表示高斯分布的协方差矩阵;
步骤13:随着视频序列的更新,高斯背景模型按照式(1.3)对背景模型进行更新,
其中:μ0和是每一个像素点的均值和方差,α是学习率;
步骤14:对视频序列中的当前帧图像与混合高斯背景图像进行差分处理,然后采用大津法对差分结果进行二值化处理,得到视频序列的前景图像,前景图像即运动目标。
作为本实施例一种可能的实现方式,所述视频样本包括录像文件和/或实时监控视频。
作为本实施例一种可能的实现方式,所述步骤2具体包括以下步骤:
步骤21:用外接矩形对运动目标进行标定,计算出运动目标的重心坐标;
步骤22:利用运动目标的重心坐标初始化卡尔曼滤波器,运动目标变化速率初始化为0;
步骤23:用卡尔曼滤波器对运动目标可能出现的下一个位置进行预估,当下一帧来到后,在预测的区域内匹配物体;
步骤24:如果匹配成功,则更新卡尔曼滤波器,并记住运动目标的位置信息;
步骤25:运动目标的速度和方向的计算公式如式(2.1)所示;
其中,t为记录运动目标的运行时间,v表示速度,α表示方向角,(x1,y1)为运动目标的重心坐标,(x2,y2)为运动目标可能出现的下一个位置坐标。
作为本实施例一种可能的实现方式,所述步骤3具体包括以下步骤:
步骤31:确定爬楼盗窃的三条规则:
(1)运动目标运动时的本地时间为0~6点;
(2)运动目标的运动速度为1.2m/s~1.5m/s;
(3)运动目标向上运动;
步骤32:根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
作为本实施例一种可能的实现方式,所述爬楼盗窃的三条规则中规则(1)的确定过程具体为:将一天的时间分为两个阶段:爬楼盗窃可能性很低的阶段和爬楼盗窃可能性很高的阶段;所述爬楼盗窃可能性很低的阶段为早上6点到24点,根据犯罪人的心理特征,该阶段爬楼盗窃的可能性很低,几乎没有;所述爬楼盗窃可能性很高的阶段为晚上0点到早上6点,该阶段爬楼盗窃的可能性很高,因此将运动目标运动时的本地时间确定为0~6点。
作为本实施例一种可能的实现方式,所述爬楼盗窃的三条规则中规则(2)的确定过程具体为:根据人类的爬楼速度将爬楼速度情况分为三类:1)速度小于1.2米每秒的爬楼速度,2)速度在1.2米每秒到1.5米每秒之间的爬楼速度,3)速度大于1.5米每秒的爬楼速度;由于人类最快的爬楼速度也只是在1.5米每秒之内,否则可视为非人类爬楼,因此将运动目标的运动速度控制在1.2米每秒到1.5米每秒之间。
作为本实施例一种可能的实现方式,所述爬楼盗窃的三条规则中规则(3)的确定过程具体为:
由于拍摄画面在计算机上显示为图像,可在二维空间内将图像方向定为上下左右四个方向,故将视频序列中图像方向定为上下左右四个方向,根据运动目标重心坐标的变化情况推测出运动目标的运动方向;由于爬楼的目标是向上运动,因此根据重心坐标求出目标运行的方向为向上时,即可判断有爬楼盗窃的可能性。
另一方面,本发明实施例提供的一种基于视频监控检测爬楼翻窗盗窃行为的系统可以包括:
运动目标检测模块:用于采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景;
目标实时跟踪模块:用于运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并根据此坐标计算出运动目标的速度和方向;
爬楼盗窃行为判断预警模块:用于对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
作为本实施例一种可能的实现方式,所述爬楼盗窃行为判断预警模块包括:
爬楼盗窃规则确定模块:用于确定爬楼盗窃的三条规则:(1)运动目标运动时的本地时间为0~6点;(2)运动目标的运动速度为1.2m/s~1.5m/s;(3)运动目标向上运动;
爬楼盗窃行为确定模块:用于根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
本发明实施例的技术方案可以具有的有益效果如下:
本发明的实施例技术方案的一种基于视频监控检测爬楼翻窗盗窃行为的方法主要包括运动目标检测、目标实时跟踪和爬楼盗窃行为判断预警三个步骤,主要用于自动检测视频监控中爬楼翻窗的运动目标。本发明的实施例技术方案首先采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景,其次运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,然后根据卡尔曼滤波器计算出运动目标的重心坐标,并根据此坐标计算出运动目标的速度和方向,最后对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报,本发明的实施例技术方案通过将混合高斯背景建模与卡尔曼滤波器用于夜晚爬楼翻窗盗窃行为的检测中,能够较好的检测出视频中具有爬楼翻窗行为的运动目标,及时发出警报,为保护居民的财产和人身安全、维护社会治安、打击和防止犯罪提供了科学依据,具备较大的实用价值。
本发明的实施例技术方案的一种基于视频监控检测爬楼翻窗盗窃行为的系统包括运动目标检测模块、目标实时跟踪模块和爬楼盗窃行为判断预警模块,所述运动目标检测模块用于采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景,所述目标实时跟踪模块用于运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并根据此坐标计算出运动目标的速度和方向;所述爬楼盗窃行为判断预警模块:用于对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。本发明的实施例技术方案将混合高斯背景建模和卡尔曼滤波器用于夜晚爬楼翻窗行窃行为检测中,得到了较好的检测效果,为保护居民的财产和人身安全、维护社会治安、打击和防止犯罪提供了科学依据,具备较大的实用价值。
附图说明
图1为根据一示例性实施例示出的一种基于视频监控检测爬楼翻窗盗窃行为的方法流程图;
图2为无爬楼翻窗盗窃行为时的建筑物楼面监控视频图像示意图;
图3为有爬楼翻窗盗窃行为时的建筑物楼面监控视频图像示意图;
图4为对图3进行运动目标检测和跟踪结果示意图,其中图4(a)为混合高斯背景模型图像示意图,图4(b)为当前帧差分结果图像示意图,图4(c)为视频检测结果图像示意图;
图5为根据一示例性实施例示出的一种基于视频监控检测爬楼翻窗盗窃行为的系统结构图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式并结合其附图对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
基于视频监测处理的爬楼翻窗监测研究是一个刚开始的领域,它联合了计算机科学、机械视觉、模式辨别、人工智能、图像处理等科目,具体包罗运动物体辨别、运动物体分割提取、运动物体的追踪以及行为举止判断理解,具有实际的应用代价。这不仅是对前期相关任务的相关总结,也是对今后此类方向研究的铺垫。因此,本发明提出基于视频处理对爬楼翻窗检测的方法进行研究,通过对整个小区进行的监控拍摄,检测当前是否有人爬楼翻窗行窃,并及时的发出警报。
图1为根据一示例性实施例示出的一种基于视频监控检测爬楼翻窗盗窃行为的方法流程图。如图1所示,该实施例的一种基于视频监控检测爬楼翻窗盗窃行为的方法可以包括以下步骤:
步骤1,运动目标检测:采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景,如图4(a)和图4(b)所示;
步骤2,目标实时跟踪:运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,如图4(c)所示,并计算出运动目标的重心坐标、运动速度和运动方向;
步骤3,爬楼盗窃行为判断预警:对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
在一种可能的实现方式中,所述步骤1具体包括以下步骤:
步骤11:获取监控建筑物的视频样本;所述视频样本包括录像文件和/或实时监控视频,如图2和图3所示;
步骤12:将视频样本分成图像序列,对图像中每个像素点采用正态分布函数进行描述,其中每个像素服从的混合高斯分布概率密度函数如式(1.1)所示:
其中,k为高斯混合模型中用到的分布模式的个数,t表示处理时刻,i的含义是第i个正态分布,wi,t是权重,η(xt,μi,t,τi,t)为高斯分布,μi,t表示第i个分布的均值,δi,t为第i个分布的方差,τi,t为对应与第i个高斯分布的协方差矩阵,I为三位单位矩阵;
由图像所有像素的K个正态分布函数的描述得到一个混合高斯背景模型,如式(1.2)所示:
其中:Xt是像素在t时刻的值,由RGB三色分量组成;ωi,t表明时间t混合高斯模型中高斯分布的权系数的估计量;β表示高斯分布的概率密度函数,∑i,t表示高斯分布的协方差矩阵;
步骤13:随着视频序列的更新,将如图4(a)所示的高斯背景模型按照式(1.3)对背景模型进行更新,
其中:μ0和是每一个像素点的均值和方差,α是学习率;α体现了当前的每一个像素加入到背景模型的速度,若是值越小,则参数改变越慢,α的取值会影响到差分的效果,必需有充分的时间来使模型顺应环境的变换,由此不断地更新高斯背景的模型;
步骤14:对视频序列中的当前帧图像与混合高斯背景图像进行差分处理,然后采用大津法对差分结果进行二值化处理,得到视频序列的前景图像,前景图像即运动目标,如图4(b)所示。
在一种可能的实现方式中,所述步骤2具体包括以下步骤:
步骤21:用外接矩形对运动目标进行标定,如图4(c)所示,计算出运动目标的重心坐标;
步骤22:利用运动目标的重心坐标初始化卡尔曼滤波器,由于目标变化速率在初始时刻未知,因此运动目标变化速率初始化为0;
步骤23:用卡尔曼滤波器对运动目标可能出现的下一个位置进行预估,当下一帧来到后,在预测的区域内匹配物体;
步骤24:如果匹配成功,则更新卡尔曼滤波器,并记住运动目标的位置信息;
步骤25:运动目标的速度和方向的计算公式如式(2.1)所示;
其中,t为记录运动目标的运行时间,v表示速度,α表示方向角,(x1,y1)为运动目标的重心坐标,(x2,y2)为运动目标可能出现的下一个位置坐标。
在一种可能的实现方式中,所述步骤3具体包括以下步骤:
步骤31:确定爬楼盗窃的三条规则:
(1)运动目标运动时的本地时间为0~6点;
(2)运动目标的运动速度为1.2m/s~1.5m/s;
(3)运动目标向上运动;
步骤32:根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
在一种可能的实现方式中,所述爬楼盗窃的三条规则中规则(1)的确定过程具体为:将一天的时间分为两个阶段:爬楼盗窃可能性很低的阶段和爬楼盗窃可能性很高的阶段;所述爬楼盗窃可能性很低的阶段为早上6点到24点,根据犯罪人的心理特征,该阶段爬楼盗窃的可能性很低,几乎没有;所述爬楼盗窃可能性很高的阶段为晚上0点到早上6点,该阶段爬楼盗窃的可能性很高,因此将运动目标运动时的本地时间确定为0~6点。
在一种可能的实现方式中,所述爬楼盗窃的三条规则中规则(2)的确定过程具体为:根据人类的爬楼速度将爬楼速度情况分为三类:1)速度小于1.2米每秒的爬楼速度,2)速度在1.2米每秒到1.5米每秒之间的爬楼速度,3)速度大于1.5米每秒的爬楼速度;由于人类最快的爬楼速度也只是在1.5米每秒之内,否则可视为非人类爬楼,因此将运动目标的运动速度控制在1.2米每秒到1.5米每秒之间,作为判断该目标是否行窃的第二个规则。
在一种可能的实现方式中,所述爬楼盗窃的三条规则中规则(3)的确定过程具体为:
由于拍摄画面在计算机上显示为图像,可在二维空间内将图像方向定为上下左右四个方向,故将视频序列中图像方向定为上下左右四个方向,根据运动目标重心坐标的变化情况推测出运动目标的运动方向;由于爬楼的目标是向上运动,因此根据重心坐标求出目标运行的方向为向上时,即可判断有爬楼盗窃的可能性。
本实施例首先采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景,其次运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,然后根据卡尔曼滤波器计算出运动目标的重心坐标,并根据此坐标计算出运动目标的速度和方向,最后对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报;本实施例通过将混合高斯背景建模与卡尔曼滤波器用于夜晚爬楼翻窗盗窃行为的检测中,能够较好的检测出视频中具有爬楼翻窗行为的运动目标,及时发出警报,为保护居民的财产和人身安全、维护社会治安、打击和防止犯罪提供了科学依据,具备较大的实用价值。
图5为根据一示例性实施例示出的一种基于视频监控检测爬楼翻窗盗窃行为的系统结构图。如图5所示,该实施例的一种基于视频监控检测爬楼翻窗盗窃行为的系统可以包括:
运动目标检测模块:用于采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景;
目标实时跟踪模块:用于运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并根据此坐标计算出运动目标的速度和方向;
爬楼盗窃行为判断预警模块:用于对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
在一种可能的实现方式中,所述爬楼盗窃行为判断预警模块包括:
爬楼盗窃规则确定模块:用于确定爬楼盗窃的三条规则:(1)运动目标运动时的本地时间为0~6点;(2)运动目标的运动速度为1.2m/s~1.5m/s;(3)运动目标向上运动;
爬楼盗窃行为确定模块:用于根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
本实施例将混合高斯背景建模和卡尔曼滤波器用于夜晚爬楼翻窗行窃行为检测中,得到了较好的检测效果,为保护居民的财产和人身安全、维护社会治安、打击和防止犯罪提供了科学依据,具备较大的实用价值。
此外,本发明的应用范围不局限于说明书中描述的特定实施例的工艺、机构、制造、物质组成、手段、方法及步骤。从本发明的公开内容,作为本领域的普通技术人员将容易地理解,对于目前已存在或者以后即将开发出的工艺、机构、制造、物质组成、手段、方法或步骤,其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果,依照本发明可以对它们进行应用。因此,本发明所附权利要求旨在将这些工艺、机构、制造、物质组成、手段、方法或步骤包含在其保护范围内。
Claims (10)
1.一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,包括以下步骤:
步骤1,运动目标检测:采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景;
步骤2,目标实时跟踪:运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并计算出运动目标的重心坐标、运动速度和运动方向;
步骤3,爬楼盗窃行为判断预警:对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
2.根据权利要求1所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述步骤1具体包括以下步骤:
步骤11:获取监控建筑物的视频样本;
步骤12:将视频样本分成图像序列,对图像中每个像素点采用正态分布函数进行描述,其中每个像素服从的混合高斯分布概率密度函数如式(1.1)所示:
其中,k为高斯混合模型中用到的分布模式的个数,t表示处理时刻,i的含义是第i个正态分布,wi,t是权重,η(xt,μi,t,τi,t)为高斯分布,μi,t表示第i个分布的均值,δi,t为第i个分布的方差,τi,t为对应与第i个高斯分布的协方差矩阵,I为三位单位矩阵;
由图像所有像素的K个正态分布函数的描述得到一个混合高斯背景模型,如式(1.2)所示:
其中:Xt是像素在t时刻的值,由RGB三色分量组成;ωi,t表明时间t混合高斯模型中高斯分布的权系数的估计量;β表示高斯分布的概率密度函数,∑i,t表示高斯分布的协方差矩阵;
步骤13:随着视频序列的更新,高斯背景模型按照式(1.3)对背景模型进行更新,
其中:μ0和是每一个像素点的均值和方差,α是学习率;
步骤14:对视频序列中的当前帧图像与混合高斯背景图像进行差分处理,然后采用大津法对差分结果进行二值化处理,得到视频序列的前景图像,前景图像即运动目标。
3.根据权利要求2所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述视频样本包括录像文件和/或实时监控视频。
4.根据权利要求2所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述步骤2具体包括以下步骤:
步骤21:用外接矩形对运动目标进行标定,计算出运动目标的重心坐标;
步骤22:利用运动目标的重心坐标初始化卡尔曼滤波器,运动目标变化速率初始化为0;
步骤23:用卡尔曼滤波器对运动目标可能出现的下一个位置进行预估,当下一帧来到后,在预测的区域内匹配物体;
步骤24:如果匹配成功,则更新卡尔曼滤波器,并记住运动目标的位置信息;
步骤25:运动目标的速度和方向的计算公式如式(2.1)所示;
其中,t为记录运动目标的运行时间,v表示速度,α表示方向角,(x1,y1)为运动目标的重心坐标,(x2,y2)为运动目标可能出现的下一个位置坐标。
5.根据权利要求1至4任意一项所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述步骤3具体包括以下步骤:
步骤31:确定爬楼盗窃的三条规则:
(1)运动目标运动时的本地时间为0~6点;
(2)运动目标的运动速度为1.2m/s~1.5m/s;
(3)运动目标向上运动;
步骤32:根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
6.根据权利要求5所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述爬楼盗窃的三条规则中规则(1)的确定过程具体为:将一天的时间分为两个阶段:爬楼盗窃可能性很低的阶段和爬楼盗窃可能性很高的阶段;所述爬楼盗窃可能性很低的阶段为早上6点到24点,根据犯罪人的心理特征,该阶段爬楼盗窃的可能性很低,几乎没有;所述爬楼盗窃可能性很高的阶段为晚上0点到早上6点,该阶段爬楼盗窃的可能性很高,因此将运动目标运动时的本地时间确定为0~6点。
7.根据权利要求5所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述爬楼盗窃的三条规则中规则(2)的确定过程具体为:根据人类的爬楼速度将爬楼速度情况分为三类:1)速度小于1.2米每秒的爬楼速度,2)速度在1.2米每秒到1.5米每秒之间的爬楼速度,3)速度大于1.5米每秒的爬楼速度;由于人类最快的爬楼速度也只是在1.5米每秒之内,否则可视为非人类爬楼,因此将运动目标的运动速度控制在1.2米每秒到1.5米每秒之间。
8.根据权利要求5所述的一种基于视频监控检测爬楼翻窗盗窃行为的方法,其特征是,所述爬楼盗窃的三条规则中规则(3)的确定过程具体为:
由于拍摄画面在计算机上显示为图像,可在二维空间内将图像方向定为上下左右四个方向,故将视频序列中图像方向定为上下左右四个方向,根据运动目标重心坐标的变化情况推测出运动目标的运动方向;由于爬楼的目标是向上运动,因此根据重心坐标求出目标运行的方向为向上时,即可判断有爬楼盗窃的可能性。
9.一种基于视频监控检测爬楼翻窗盗窃行为的系统,其特征是,包括:
运动目标检测模块:用于采用混合高斯背景建模对运动目标进行检测,得到视频序列中的前景和背景;
目标实时跟踪模块:用于运用卡尔曼滤波器对运动目标实时跟踪,并用矩形框进行标定,并根据此坐标计算出运动目标的速度和方向;
爬楼盗窃行为判断预警模块:用于对运动目标与爬楼盗窃行为规则进行匹配,若符合爬楼盗窃行为,则发出警报。
10.根据权利要求9所述的一种基于视频监控检测爬楼翻窗盗窃行为的系统,其特征是,所述爬楼盗窃行为判断预警模块包括:
爬楼盗窃规则确定模块:用于确定爬楼盗窃的三条规则:(1)运动目标运动时的本地时间为0~6点;(2)运动目标的运动速度为1.2m/s~1.5m/s;(3)运动目标向上运动;
爬楼盗窃行为确定模块:用于根据运动目标的重心坐标、运动速度和运动方向特征信息,与爬楼盗窃的三条规则进行匹配,如果三条规则均符合,则判断此运动目标在爬楼盗窃,并调用报警器报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810476223.3A CN108629935B (zh) | 2018-05-17 | 2018-05-17 | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810476223.3A CN108629935B (zh) | 2018-05-17 | 2018-05-17 | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629935A true CN108629935A (zh) | 2018-10-09 |
CN108629935B CN108629935B (zh) | 2020-03-24 |
Family
ID=63693604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810476223.3A Active CN108629935B (zh) | 2018-05-17 | 2018-05-17 | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629935B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754411A (zh) * | 2018-11-22 | 2019-05-14 | 济南艾特网络传媒有限公司 | 基于光流法目标跟踪的爬楼翻窗盗窃行为检测方法及系统 |
CN111091048A (zh) * | 2019-10-31 | 2020-05-01 | 中科智云科技有限公司 | 密封失效监测方法、装置、服务器及存储介质 |
CN111382708A (zh) * | 2020-03-11 | 2020-07-07 | 广东工业大学 | 一种爬楼翻窗盗窃行为实时检测方法和装置 |
CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
CN111768586A (zh) * | 2020-07-21 | 2020-10-13 | 佛山市海协科技有限公司 | 一种小区无线视频监控系统 |
CN113365026A (zh) * | 2021-05-24 | 2021-09-07 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
CN113989719A (zh) * | 2021-10-30 | 2022-01-28 | 福州大学 | 一种工地盗窃监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN101324956A (zh) * | 2008-07-10 | 2008-12-17 | 上海交通大学 | 基于均值漂移的抗遮挡运动目标跟踪方法 |
CN101324958A (zh) * | 2008-06-25 | 2008-12-17 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
CN102706345A (zh) * | 2012-06-11 | 2012-10-03 | 杭州电子科技大学 | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 |
US8295547B1 (en) * | 2010-05-26 | 2012-10-23 | Exelis, Inc | Model-based feature tracking in 3-D and 2-D imagery |
CN102982635A (zh) * | 2012-11-26 | 2013-03-20 | 中国科学院合肥物质科学研究院 | 一种力防盗系统及信号处理方法 |
CN107542317A (zh) * | 2016-06-23 | 2018-01-05 | 姜浙伟 | 一种防盗防攀爬的围墙 |
-
2018
- 2018-05-17 CN CN201810476223.3A patent/CN108629935B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
CN101324958A (zh) * | 2008-06-25 | 2008-12-17 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
CN101324956A (zh) * | 2008-07-10 | 2008-12-17 | 上海交通大学 | 基于均值漂移的抗遮挡运动目标跟踪方法 |
CN101339655A (zh) * | 2008-08-11 | 2009-01-07 | 浙江大学 | 基于目标特征和贝叶斯滤波的视觉跟踪方法 |
US8295547B1 (en) * | 2010-05-26 | 2012-10-23 | Exelis, Inc | Model-based feature tracking in 3-D and 2-D imagery |
CN102706345A (zh) * | 2012-06-11 | 2012-10-03 | 杭州电子科技大学 | 一种基于衰减记忆序贯检测器的机动目标跟踪方法 |
CN102982635A (zh) * | 2012-11-26 | 2013-03-20 | 中国科学院合肥物质科学研究院 | 一种力防盗系统及信号处理方法 |
CN107542317A (zh) * | 2016-06-23 | 2018-01-05 | 姜浙伟 | 一种防盗防攀爬的围墙 |
Non-Patent Citations (1)
Title |
---|
徐勇等: "运动目标视频检测与跟踪方法", 《指挥控制与仿真》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754411A (zh) * | 2018-11-22 | 2019-05-14 | 济南艾特网络传媒有限公司 | 基于光流法目标跟踪的爬楼翻窗盗窃行为检测方法及系统 |
CN111091048A (zh) * | 2019-10-31 | 2020-05-01 | 中科智云科技有限公司 | 密封失效监测方法、装置、服务器及存储介质 |
CN111382708A (zh) * | 2020-03-11 | 2020-07-07 | 广东工业大学 | 一种爬楼翻窗盗窃行为实时检测方法和装置 |
CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
CN111768586A (zh) * | 2020-07-21 | 2020-10-13 | 佛山市海协科技有限公司 | 一种小区无线视频监控系统 |
CN113365026A (zh) * | 2021-05-24 | 2021-09-07 | 广州智慧城市发展研究院 | 一种小区监控视频目标跟踪安防预警方法和装置 |
CN113989719A (zh) * | 2021-10-30 | 2022-01-28 | 福州大学 | 一种工地盗窃监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108629935B (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629935A (zh) | 一种基于视频监控检测爬楼翻窗盗窃行为的方法及系统 | |
CN106980829B (zh) | 基于视频分析的打架斗殴异常行为自动检测方法 | |
CN106241533B (zh) | 基于机器视觉的电梯乘员综合安全智能监控方法 | |
Yogameena et al. | Computer vision based crowd disaster avoidance system: A survey | |
CN101908141B (zh) | 一种基于混合高斯模型和形态特征的视频烟雾检测方法 | |
CN101464944B (zh) | 一种基于统计特征的人群密度分析方法 | |
CN106571014A (zh) | 一种在视频中识别异常动作的方法和系统 | |
Andrade et al. | Hidden markov models for optical flow analysis in crowds | |
CN106241534B (zh) | 多人乘梯异常活动智能监控方法 | |
CN107729799A (zh) | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 | |
CN109309811A (zh) | 一种基于计算机视觉的高空抛物检测系统与方法 | |
CN110425005A (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
Kumar et al. | Study of robust and intelligent surveillance in visible and multi-modal framework | |
CN101188745B (zh) | 游泳池智能溺水视频监控系统及方法 | |
CN100565557C (zh) | 基于粒子动态采样模型的红外人体目标跟踪系统 | |
Yu et al. | Railway obstacle detection algorithm using neural network | |
Eng et al. | DEWS: A live visual surveillance system for early drowning detection at pool | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN109558785A (zh) | 安防监控系统及应用其的无人便利店 | |
CN109996037A (zh) | 一种水域的安全监控方法、装置、设备及系统 | |
CN113963301A (zh) | 一种时空特征融合的视频火灾烟雾探测方法及系统 | |
CN109754411A (zh) | 基于光流法目标跟踪的爬楼翻窗盗窃行为检测方法及系统 | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及系统 | |
CN107590936A (zh) | 一种基于视频监控的仓库报警系统 | |
Park et al. | A track-based human movement analysis and privacy protection system adaptive to environmental contexts |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |