CN109151376B - 一种智能视频分析监控方法 - Google Patents

Abstract

本发明公开了一种智能视频分析监控方法，属于图像处理技术领域，首先从视频信息中的多个图像中选出一张图像作为背景图像，然后在将被检测的图像与背景图像进行差值运算，最后判断出被检测的图像上是否有运动的目标，解决了在视频图像中进行判断移动物体的技术问题，本发明在选取背景图像时从鲁棒性的角度来生成背景，考虑了噪声因素，能适应光照的逐渐变化，能适应噪声环境，或者说能对噪声进行抑制。

Description

一种智能视频分析监控方法

技术领域

本发明属于图像处理技术领域，特别涉及一种智能视频分析监控方法。

背景技术

目前，对视频图像进行处理，从而达到目标物体的识别、跟踪等各种监控目的，已经在诸多领域得到普及应用。现有技术中对视频图像中移动目标进行检测比较常用的方法是背景减法，但是在实际应用中一幅“纯净”的背景图像总是不容易得到的。

发明内容

本发明的目的是提供一种智能视频分析监控方法，解决了在视频图像中进行判断移动物体的技术问题。

为实现上述目的，本发明采用以下技术方案：

一种智能视频分析监控方法，包括如下步骤：

步骤1：建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统；所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器；

步骤2：监控中心服务器获取任意一个摄像头的视频信息后，从视频信息中的多个图像中选出一张图像作为背景图像，其具体步骤如下：

步骤S1：从视频信息中读入M张图片数据，M至少为2张；

步骤S2：将每一个图片栅格化，分成D×F大小的区域；所述D×F大小的区域内至少包含1个像素；根据D×F的区域的大小，将图片分成Z个区域，即，将图片栅格化；将Z个区域内的所有区域均进行编号，设定任意一个区域为k，0<i<Z；

步骤S3：计算每张图片第k个区域的均值μ_k和方差σ_k,并作为描述该区域的矢量,保存在相应的内存单元；

步骤S4：对于某一图片来说,有Z个矢量(μ_k,σ_k)，该图片的矢量个数总数计为Z,k＝1,……Z,求出平均矢量(A,B),

和

步骤S5：在所有的矢量(μ_k,σ_k)中寻找到一个矢量(μ_m,σ_m),k＝1,……Z,m＝1,……Z,使得它与平均矢量(A,B)的距离为最短距离；

设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像；如果d大于一个阈值T,就认为没有找到,沿用原来的该区域的背景图像；

步骤3：根据背景图像差分法来判定背景图像中的目标和运动的阴影，运动的目标；

步骤4：监控中心服务器在显示屏上标明运动的目标。

执行所述步骤3时，其具体步骤如下：

步骤S6:设定图像的噪声的像素为n(R,G,B)，图像信号本身的像素为g(R,G,B)，噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关，则噪声假设模型为：f(R,G,B)＝g(R,G,B)+n(R,G,B)；式中，f(R,G,B)为含噪声的图像，R、G和B表示三原色；

步骤S7：设定前景图为f_F，背景图片为f_B，差分图为f_D；则在差分图上某点(x,y)处，差分后得的值为：

f_D＝f_F-f_B＝g_F(R,G,B)-g_B(R,G,B)+n_F(R,G,B)-n_B(R,G,B)；

其中，g_F(R，G，B)为前景图中该点位置的图像信号本身的像素，n_F(R，G，B)为前景图中该点位置的噪声的像素；g_B(R，G，B)为背景图中该点位置的图像信号本身的像素，n_B(R，G，B)为背景图中该点位置的噪声的像素；

如果该点为运动的目标上的点，则有：

f_D＝f_F-f_B＝n_F(R,G,B)-n_B(R,G,B)；

其中，f_D的值为运动的目标点的判断的依据。

执行所述步骤2时，阈值T的选取看所获得的背景图象是否清晰真实可靠而取得的一个最小数字；首次运行时,在获取一张图像后，由于没有以前的该区域的背景,所以直接使用该图片的数据作为背景图像,不再作阈值T比较。

本发明所述的一种智能视频分析监控方法，解决了在视频图像中进行判断移动物体的技术问题，本发明在选取背景图像时从鲁棒性的角度来生成背景，考虑了噪声因素，能适应光照的逐渐变化，能适应噪声环境，或者说能对噪声进行抑制。

附图说明

图1是本发明的流程图。

具体实施方式

如图1所示的一种智能视频分析监控方法，包括如下步骤：

步骤1：建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统；所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器；

步骤2：监控中心服务器获取任意一个摄像头的视频信息后，从视频信息中的多个图像中选出一张图像作为背景图像，其具体步骤如下：

本发明主要从鲁棒性的角度来生成背景，要能满足以下的要求：

(1)要能适应光照的逐渐变化；

(2)能适应背景中景物的变化，包括场景中景物的移入移出，景物自身形状的变化等；

(3)能适应由于光照的突然变化或由于云层遮挡而引入的场景内的光照变化；

(4)能适应噪声环境，或者说要能对噪声进行抑制；

具体的思想是首先获取M张图片,将图像栅格化，分成D×F大小的块,计算出第i个区域的均值μ_i和方差σ_i,用一个矢量(μ_i,σ_i)来描述。把每张图片在该相应区域的矢量计算出来,对结果进行统计。大部分矢量分布相对集中,这可以认为是背景区域引起的,通过这种方法找到背景区域。

步骤S1：从视频信息中读入M张图片数据，M至少为2张；

步骤S2：将每一个图片栅格化，分成D×F大小的区域；所述D×F大小的区域内至少包含1个像素；根据D×F的区域的大小，将图片分成Z个区域，即，将图片栅格化；将Z个区域内的所有区域均进行编号，设定任意一个区域为k，0<i<Z；

步骤S3：计算每张图片第k个区域的均值μ_k和方差σ_k,并作为描述该区域的矢量,保存在相应的内存单元；

步骤S4：对于某一图片来说,有Z个矢量(μ_k,σ_k)，该图片的矢量个数总数计为Z,k＝1,……Z,求出平均矢量(A,B),

和

步骤S5：在所有的矢量(μ_k,σ_k)中寻找到一个矢量(μ_m,σ_m),k＝1,……Z,m＝1,……Z,使得它与平均矢量(A,B)的距离为最短距离；

设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像；如果d大于一个阈值T,就认为没有找到,沿用原来的该区域的背景图像；

步骤3：根据背景图像差分法来判定背景图像中的目标和运动的阴影，运动的目标；

步骤4：监控中心服务器在显示屏上标明运动的目标。

执行所述步骤3时，其具体步骤如下：

步骤S6:设定图像的噪声的像素为n(R,G,B)，图像信号本身的像素为g(R,G,B)，噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关，则噪声假设模型为：f(R,G,B)＝g(R,G,B)+n(R,G,B)；式中，f(R,G,B)为含噪声的图像，R、G和B表示三原色；n(x,y)服从N(0,σ²)分布，其中σ²是矢量：

通常情况下，可以认为是σ_R,σ_G,σ_B相等的。

取两幅时间间隔较小的纯背景，

f₁(R,G,B)＝g(R,G,B)+n₁(R,G,B)；

f₂(R,G,B)＝g(R,G,B)+n₁(R,G,B)；

进行差分运算，得到：

N(R,G,B)＝f₁(R,G,B)-f₂(R,G,B)＝n₁(R,G,B)-n₂(R,G,B)；

则N(R,G,B)服从N(0,2σ²)分布。对差分图进行极大似然估计，得到2σ²的估计值。

步骤S7：设定前景图为f_F，背景图片为f_B，差分图为f_D；则在差分图上某点(x,y)处，差分后得的值为：

f_D＝f_F-f_B＝g_F(R,G,B)-g_B(R,G,B)+n_F(R,G,B)-n_B(R,G,B)；

其中，g_F(R，G，B)为前景图中该点位置的图像信号本身的像素，n_F(R，G，B)为前景图中该点位置的噪声的像素；g_B(R，G，B)为背景图中该点位置的图像信号本身的像素，n_B(R，G，B)为背景图中该点位置的噪声的像素；

如果该点为运动的目标上的点，则有：

f_D＝f_F-f_B＝n_F(R,G,B)-n_B(R,G,B)；

其中，f_D的值为运动的目标点的判断的依据；也可以根据以下公式进行判定CD＝|f_Dsinθ_B|＝|(n_F(R,G,B)-n_B(R,G,B))sinθ_B|；其中CD的值为运动的目标点的判断的依据。

执行所述步骤2时，阈值T的选取看所获得的背景图象是否清晰真实可靠而取得的一个最小数字；首次运行时,在获取一张图像后，由于没有以前的该区域的背景,所以直接使用该图片的数据作为背景图像,不再作阈值T比较。

实际采集到的图像中不可避免地混有噪声，其来源于如下几个方面：敏感器件内部噪声、照相底片上感光材料的颗粒、传输通道的干扰及噪声等。噪声产生的原因决定了噪声的分布特性及它和图像信号的关系。在本系统中，噪声n(x,y)的产生与图像信号本身g(x,y)无关，这种情况下，含噪声图像f(x,y)可表示为：

f(x,y)＝g(x,y)+n(x,y)；

对于大多数传感器而言，与信号伴生的传感器噪声可以模拟为高斯分布或泊松分布的随机过程。其中泊松分布的随机过程仅仅出现在照度非常小及用高倍电子线路放大的情况下，于是大多数情况下可以认为是加性高斯白噪声，并且是各态遍历的。

根据定理：设(X₁,X₂,X₃,......X_n)是来自正态总体N(μ,σ²)的一个样本，a₁,a₂,a₃,......a_n是已知的常数，则统计量

服从正态分布

对两幅在同一场景连续拍摄得到时间间隔很小的背景图进行差分运算，在各态遍历性假设下，差分后的图像的噪声方差为原噪声方差的2倍，均值为0。

高斯分布的随机变量还有三个重要数据：

P{μ-σ＜X≤μ+σ}＝φ(1)-φ(-1)＝0.6826；

P{μ-2σ＜X≤μ+2σ}＝φ(2)-φ(-2)＝0.9524；

P{μ-3σ＜X≤μ+3σ}＝φ(3)-φ(-3)＝0.9974；

可以看到，对于高斯分布的随机变量而言，它的值落在区间

[μ-3σ,μ+3σ]的概率接近100％，这也就是所谓的“3σ规则”。

本发明所述的一种智能视频分析监控方法，解决了在视频图像中进行判断移动物体的技术问题，本发明在选取背景图像时从鲁棒性的角度来生成背景，考虑了噪声因素，能适应光照的逐渐变化，能适应噪声环境，或者说能对噪声进行抑制。

Claims (2)

1.一种智能视频分析监控方法，其特征在于：包括如下步骤：

步骤1：建立由数个摄像头、显示屏和监控中心服务器组成的视频监控系统；所有摄像头均用于获取视频信息并将视频信息发送给监控中心服务器；

步骤2：监控中心服务器获取任意一个摄像头的视频信息后，从视频信息中的多个图像中选出一张图像作为背景图像，其具体步骤如下：

步骤S1：从视频信息中读入M张图片数据，M至少为2张；

步骤S2：将每一个图片栅格化，分成D×F大小的区域；所述D×F大小的区域内至少包含1个像素；根据D×F的区域的大小，将图片分成Z个区域，即，将图片栅格化；将Z个区域内的所有区域均进行编号，设定任意一个区域为k，0<k<Z；

步骤S3：计算每张图片第k个区域的均值μ_k和方差σ_k,并作为描述该区域的矢量，保存在相应的内存单元；

步骤S4：对于某一图片来说,有Z个矢量(μ_k,σ_k)，该图片的矢量个数总数计为Z,k＝1,……Z,求出平均矢量(A,B),

和

步骤S5：在所有的矢量(μ_k,σ_k)中寻找到一个矢量(μ_m,σ_m),k＝1,……Z,m＝1,……Z,使得它与平均矢量(A,B)的距离为最短距离；

设最短的距离为d,如果d不大于一个阈值T,就认为此张图片的该区域是背景图像；反之，就认为没有找到,沿用原来的该区域的背景图像；

步骤3：根据背景图像差分法来判定背景图像中的目标和运动的阴影，运动的目标；

步骤4：监控中心服务器在显示屏上标明运动的目标。

2.如权利要求1所述的一种智能视频分析监控方法，其特征在于：执行所述步骤3时，其具体步骤如下：

步骤S6:设定图像的噪声的像素为n(R,G,B)，图像信号本身的像素为g(R,G,B)，噪声n(R,G,B)的产生与图像信号本身g(R,G,B)无关，则噪声假设模型为：f(R,G,B)＝g(R,G,B)+n(R,G,B)；式中，f(R,G,B)为含噪声的图像，R、G和B表示三原色；

步骤S7：设定前景图为f_F，背景图片为f_B，差分图为f_D；则在差分图上某点(x,y)处，差分后得的值为：

f_D＝f_F-f_B＝g_F(R,G,B)-g_B(R,G,B)+n_F(R,G,B)-n_B(R,G,B)；

其中，g_F(R，G，B)为前景图中该点位置的图像信号本身的像素，n_F(R，G，B)为前景图中该点位置的噪声的像素；g_B(R，G，B)为背景图中该点位置的图像信号本身的像素，n_B(R，G，B)为背景图中该点位置的噪声的像素；

如果该点为运动的目标上的点，则有：

f_D＝f_F-f_B＝n_F(R,G,B)-n_B(R,G,B)；

其中，f_D的值为运动的目标点的判断的依据。

Images