CN110363186A - 一种异常检测方法、装置及计算机存储介质、电子设备 - Google Patents
一种异常检测方法、装置及计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN110363186A CN110363186A CN201910767685.5A CN201910767685A CN110363186A CN 110363186 A CN110363186 A CN 110363186A CN 201910767685 A CN201910767685 A CN 201910767685A CN 110363186 A CN110363186 A CN 110363186A
- Authority
- CN
- China
- Prior art keywords
- region
- background image
- image
- spectral
- target
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Burglar Alarm Systems (AREA)
Abstract
一种异常检测方法、装置及计算机存储介质、电子设备,包括:利用高光谱相机获取监控区域内的高光谱图像;将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。采用本申请中的方案,基于高光谱的防闯入监控,对重要敏感区域进行自动监控,对闯入目标进行检测并提示,与现有的监控方案相比,本申请不但能发现闯入的无伪装目标,还可以对有伪装的目标进行揭露,防闯入监控效果更佳。
Description
技术领域
本申请涉及目标监控技术,具体地,涉及一种异常检测方法、装置及计算机存储介质、电子设备。
背景技术
基于视频数据的区域入侵检测在监狱、野外营地、重要仓库、电网基地、军事基地等重要敏感区域有着广阔的应用前景,普通的视频监控,无论是人工还是智能视频分析使用的计算机图形学技术,都是利用目标和背景的差别进行检测,对与周围背景融为一体的入侵物,现有手段很难将目标检测出来。近年来随着各种高仿伪装物的出现,对重要场所的安全,已经不满足于仅靠一般光电传感器的视频监控。
目前的监控系统主要有人工和智能监控两种方式,人工通过肉眼对视频图像进行判断,智能监控是通过计算机图像处理,并应用相关的目标检测、识别、分类、跟踪等算法,对监控区域的实时视频进行分析和理解,从而在一定程度上代替了传统的人眼对场景的监控。但是现在智能监控的虚警率较高,且一般只是对移动物体和近景人脸等进行侦测报警,对静态威胁目标或极慢速移动目标检测效果有限。特别是一般的传感器监控模式下,较难发现与周围背景基本融为一体的目标。
现有技术中存在的问题:
视频监控领域的入侵检测的虚警率较高、检测效果不佳。
发明内容
本申请实施例中提供了一种异常检测方法、装置及计算机存储介质、电子设备,以解决上述技术问题。
根据本申请实施例的第一个方面,提供了一种异常检测方法,包括:
利用高光谱相机获取监控区域内的高光谱图像;
将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
根据本申请实施例的第二个方面,提供了一种异常检测装置,包括:
获取模块,用于利用高光谱相机获取监控区域内的高光谱图像;
匹配模块,用于将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
检测确定模块,用于在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
根据本申请实施例的第三个方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述异常检测方法的步骤。
根据本申请实施例的第四个方面,提供了一种电子设备,包括存储器、以及一个或多个处理器,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如上所述的异常检测方法。
采用本申请实施例中提供的异常检测方法、装置及计算机存储介质、电子设备,基于高光谱的防闯入监控,对重要敏感区域进行自动监控,对闯入目标进行检测并提示,与现有的监控方案相比,本申请实施例所提供的方案不但能发现闯入的无伪装目标,还可以对有伪装的目标进行揭露,防闯入监控效果更佳,准确率较高、虚警率低。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例一中异常检测方法实施的流程示意图;
图2示出了本申请实施例二中异常检测装置的结构示意图;
图3示出了本申请实施例四中电子设备的结构示意图;
图4示出了本申请实施例五中初始图像对应的三个波段合成图像的示意图;
图5示出了本申请实施例五中初始图像对应的可见光图像的示意图;
图6示出了本申请实施例五中区域分割的结果示意图;
图7示出了本申请实施例五中区域分割后的某区域的异常检测结果;
图8示出了本申请实施例五中二值化处理及虚警提出后目标提示的示意图。
具体实施方式
发明人在发明过程中注意到:
高光谱成像技术已被广泛应用在星载、机载等平台,高光谱成像因其具有在可见光/近红外波域内精细光谱检测能力,相比较其它传感器(全色、多光谱、红外、成象雷达等)可以快速发现自然背景中的人造目标和异常目标。常规可见光、红外传感器主要基于目标的大小、形状、亮度等特性及目标像元与背景的空间差异来探测目标,而高光谱传感器获得的数据是一个光谱图像立方体,其主要特点是将传统的图像空间维与光谱维信息融为一体,与常规单波段图像相比,多出一维光谱信息,在获取空间图像的同时,得到每个像元对应的地物光谱信息。在场景监控方面,高光谱探测具有较强的目标提示能力,可为图像判读人员提供疑似目标提示;特别是针对伪装目标,高光谱具有较强的伪装揭露能力。目前高光谱检测方法在监控领域应用较少,既能判别无伪装的人或物也能检测出有伪装的人和物,将该技术应用在监控领域,弥补目前视频监控中对伪装入侵物不能判别的不足。采用此手段,既能检测出普通入侵,也能够抵抗有伪装的入侵。
因此,针对现有技术存在的技术问题,本申请实施例提出了一种通过高光谱检测方法来实现入防闯入监控技术。
本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
图1示出了本申请实施例一中异常检测方法实施的流程示意图。
如图所示,所述异常检测方法包括:
步骤101、利用高光谱相机获取监控区域内的高光谱图像;
步骤102、将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
步骤103、在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
具体实施时,所述高光谱相机可以采用现有的高光谱相机,具体的,可以采用红外高光谱相机、无人机高光谱相机、不同波长的高光谱相机(例如:高光谱相机1000-2500nm、高光谱相机900-1700nm)等。本申请实施例所述的高光谱相机可以在光谱维度上对图像进行分割,得到N个通道,例如:可以把400-1000nm分为300个通道,采集到的高光谱图像不仅包括图像上每个点的光谱数据,还包括任一个谱段的影像信息。
本申请实施例可以预先对监控区域的背景进行训练,得到背景图像。本申请实施例所述的背景图像与现有技术的背景图像不同,现有技术的背景图像通常是一个整幅图像,描述有整个监控区域的背景事物,例如:在一幅图像中既有墙壁、5张桌椅、3盆不同摆放位置的花草等背景,而本申请实施例所述的背景图像在训练过程中实现根据监控区域内的地物种类划分为多个区域,具体实施时,每种地物对应一个区域,例如:一幅图像中通过不同光谱颜色区分出墙壁的位置区域(假设红色显示)、5张桌椅的位置区域(假设每张桌椅的位置区域都是黄色显示)、3盆花草的位置区域(假设每盆花草的位置区域都是蓝色区域显示)等。
进一步的,在进行异常检测时,可以将获取到的高光谱图像内的每个区域与背景图像中相对应的区域进行匹配,例如:高光谱图像中的墙壁区域与背景图像中的墙壁区域进行匹配,从而避免了现有技术中整幅图像进行异常检测容易出现检测误报等问题,采用本申请实施例的区域检测方式可以提高检测的准确率。
在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标,具体的,由于本申请实施例是针对区域与区域之间的检测,因为,可以直接检测得到某个区域内是否存在不匹配的位置点,例如:在3个花盆位置区域(蓝色区域)存在一张纸屑在叶子上,通过本申请实施例则可以直接准确的检测出花盆区域存在纸屑这一异常目标。而通过现有技术进行异常检测,很有可能因为叶子上的纸屑与墙壁颜色相同且位置相邻接,而被认为是正常的背景事物,从而无法检测到异常。
本申请实施例所提供的异常检测方法,利用高光谱相机,对监控场景进行360度推扫成像,对保护区域进行监控,对闯入的有伪装\无伪装的人或物进行检测,从而发现异常目标,高光谱目标识别技术可以利用自然物/人造物和辐射谱段光谱特性之间的关联性,揭示物质组成成分,弥补了普通监控无法检测到有伪装的物体入侵的不足,而且本申请实施例利用区域划分的方式进行异常检测,如果某区域一旦有不同种类的地物(有伪装或无伪装)出现,都可以通过异常检测迅速发现入侵物,与全局的异常检测相比,大大提高了准确率。
在一种实施方式中,所述利用高光谱相机获取监控区域内的高光谱图像,包括:
将所述高光谱相机采用转台推扫方式进行360°环形区域扫描;
在扫描过程中利用所述高光谱相机前端的滤光片将光波按需求划分多个谱段,每个谱段进行积分成像。
具体实施时,本申请实施例在利用高光谱相机获取监控区域内的高光谱图像时,可以采用转台推扫方式进行360°的环形扫描。具体的,可以将所述高光谱相机置于一维或二维的转台上,采用转台推扫方式进行360°环形区域扫描,实现对环形区域高光谱扫描成像获取。所述转台可以是一维转台(实现水平方向上360°环形扫描、或者竖直方向上360°环形扫描),也可以是二维转台(实现水平方向上360°环形扫描、以及竖直方向上360°环形扫描),本领域技术人员可以根据实际需要进行设置,本申请对此不作限制。
所述转台可以内置于高光谱相机,也可以位于高光谱相机外部与所述高光谱相机连接。具体的,位于高光谱相机外部与所述高光谱相机连接可以采用机械转动连接或绳索连接,只要能够实现转动高光谱相机的目的即可,本申请对转台与高光谱相机的连接方式不作限制。
本申请实施例还可以进一步采用滤光片,置于所述高光谱相机前端,配合所述高光谱相机连续推扫形成高光谱图像。所述滤光片可以将一定波长范围内的光波按需求划分为多个谱段,每个谱段进行积分成像。
在一种实施方式中,所述滤光片为线性渐变滤光片。
具体实施时,本申请实施例可以采用基于线性渐变滤光片形式的高光谱相机,利用线性连续渐变滤光片的分光方式,将将线性渐变滤光片置于探测器的前端,由二维转动机构配合相机连续推扫形成高光谱图像。
具体的,线性渐变滤光片的分光方式具体可以采用如下公式描述:
其中,x0(λ0)=k0λ0+b0为工作波长λ0的光峰值透过率对应在滤光片上的位置;A(λ0)为波长λ0处光的最大透过率,δ2(λ0)为谱线宽度,x0、A和δ2均为工作波长λ0的函数。
在一种实施方式中,高光谱相机采用两片高灵敏度的互补金属氧化物半导体(COMS,Complementary Metal Oxide Semiconductor)图像传感器(探测器),传感器的像元数为2048×2048个。所述滤光片将400-1000nm的光波划分为32个谱段。
具体实施时,所述滤光片可以将400-1000nm的光波根据用户设置划分为32个谱段,两片COMS图像传感器每片为32/2=16个谱段,每个谱段在所述高光谱相机上大约占2048/16=128行。
考虑到计算量庞大的问题,本申请还可以采用如下方式实施。
在一种实施方式中,在划分多个谱段之后,进一步包括:
对所述多个谱段进行降维处理,保留其中部分谱段。
具体实施时,本申请实施例可以对得到的多个谱段进行降维处理,保留其中部分谱段,例如:将400-1000nm的光波分为32个谱段后,采取线性投影的方法将数据投影到新的坐标空间中,从而使得新的成分按信息量分布,保留前5个主成分,从而极大的减少了计算量。
在一种实施方式中,所述背景图像的训练过程包括:
确定监控区域内的地物种类;
选取每种地物对应的训练样本,提取每个样本的光谱特征曲线;
根据每个样本的光谱特征曲线,对监控区域内的地物种类进行区域分割,得到分类后的包括多个区域的背景图像。
具体实施时,由于每种地物都有其相应的光谱特征,例如:天空的光谱特征和花草的光谱特征是不同的,本申请实施例可以预先构建标准光谱特征库,在所述标准光谱特征库中预先存有若干地物对应的光谱特征曲线数据。
另外,本申请实施例还可以先确定监控区域内的地物种类,然后,选取每种地物对应的训练样本,例如:首先确定监控区域内包括天空和树木两种地物,然后针对天空这一地物选取训练样本,例如不同位置或不同时刻的天空图像,提取不同位置或不同时刻的天空图像的光谱特征曲线进行训练,得到的光谱特征曲线作为天空的光谱特征曲线,根据所述天空的光谱特征曲线可以用来确定拍摄的监控区域内天空的区域。
具体实施时,光谱特征曲线的横坐标可以为400-1000nm光波不同的谱段,纵坐标可以为光谱的反射率。
在得到分类后的包括多个区域的背景图像后,可以将区域空间信息保存,存储对应的地物种类的数据,例如:墙壁区域对应的空间位置赋值为1,花草区域对应的空间位置赋值为2等等。
在一种实施方式中,所述将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配,具体采用下式计算:
y=DRXD(x)=(x-μ0)TΣ-1(x-μ0)
其中,所述x为待检测图像的信号,μ0为背景图像均值,Σ为背景图像所述区域内的所有像元的协方差矩阵。
具体的,本申请实施例中监控得到的高光谱图像为待检测图像,将待检测图像的某个区域内的每个位置点的特征值与背景图像内该区域的特征均值进行匹配,若上述公式的y值超过预设阈值,则确定该区域存在异常目标,若y值低于预设阈值,则确定该区域没有异常目标出现。
本申请实施例通过上述公式以实现在该区域存在与背景图像中该区域的光谱不一致的光谱特征(例如天空区域出现除天空光谱外的其他光谱特征)时,确定该区域是否存在异常目标。
为了进一步降低虚警率,本申请实施例还可以采用如下方式实施。
在一种实施方式中,所述方法进一步包括:
根据预先设置的目标的光谱特征曲线,将所述异常目标中剔除所述预先设置的目标;和/或,
根据预先设置的几何特征,将所述异常目标中剔除满足所述几何特征的目标。
具体实施时,对于图像中的噪声、特殊地物(例如:阴影等)以及特殊光谱混合方式(例如:非线性混合方式)造成的光谱异常现象,本申请实施例统称为不感兴趣的像元,视为虚警。具体的,本申请实施例采用光谱特征、和/或几何特征的鉴别方式来进行虚警剔除。
其中,光谱鉴别可以指利用预先设置的目标的光谱特征曲线,将异常目标中剔除所述预先设置的目标,本申请实施例针对由特定地物类型以及特殊光谱混合方式产生的光谱异常点,利用光谱曲线具有能量较高或较低的特点,建立光谱能量剔除算子(例如:设置纸片的光谱特征为剔除算子),鉴别目标与虚警(剔除纸片这一虚警)。
几何特征鉴别可以指利用异常检测所提取图像基元的几何尺寸,对异常目标进行筛选。感兴趣目标与无意义目标在空间几何特性(尺寸、形状等)上有较大差异,例如:由两类地物边界光谱混合(例如:树木和天空之间的天际线)造成的异常通常具有线状特点,而部分特殊地物在面积上会过大或过小。通过提取图像基元的几何特征,实现虚警鉴别。
在一种实施方式中,所述方法进一步包括:
将所述异常目标对应的空间采用标注的方式进行提醒。
具体实施时,本申请实施例在确定异常目标后,可以在异常目标对应的空间采用标注的方式进行提醒。具体的,可以将高光谱图像进行二值化处理,得到黑色背景的图像,所述异常目标对应的空间以白色进行区别显示。
实施例二
基于同一发明构思,本申请实施例提供了一种异常检测装置,该装置解决技术问题的原理与一种异常检测方法相似,重复之处不再赘述。
图2示出了本申请实施例二中异常检测装置的结构示意图。
如图所示,所述异常检测装置包括:
获取模块201,用于利用高光谱相机获取监控区域内的高光谱图像;
匹配模块202,用于将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
检测确定模块203,用于在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
本申请实施例所提供的异常检测装置,利用高光谱相机,对监控场景进行360度推扫成像,对保护区域进行监控,对闯入的有伪装\无伪装的人或物进行检测,从而发现异常目标,高光谱目标识别技术可以利用自然物/人造物和辐射谱段光谱特性之间的关联性,揭示物质组成成分,弥补了普通监控无法检测到有伪装的物体入侵的不足,而且本申请实施例利用区域划分的方式进行异常检测,如果某区域一旦有不同种类的地物(有伪装或无伪装)出现,都可以通过异常检测迅速发现入侵物,与全局的异常检测相比,大大提高了准确率。
在一种实施方式中,所述获取模块,包括:
高光谱相机,用于拍摄监控场景内的高光谱图像;
转台,用于转动所述高光谱相机采用推扫方式进行360°环形区域扫描;
滤光片,安装于所述高光谱相机前端,用于在扫描过程中将光波按需求划分多个谱段,每个谱段进行积分成像;
电机,用于控制所述转台转动。
在一种实施方式中,所述获取模块进一步包括:
处理模块,用于在划分多个谱段之后,对所述多个谱段进行降维处理,保留其中部分谱段。
在一种实施方式中,所述装置进一步包括:背景训练模块,所述背景训练模块包括:
种类确定单元,用于确定监控区域内的地物种类;
样本确定单元,用于选取每种地物对应的训练样本,提取每个样本的光谱特征曲线;
训练单元,用于根据每个样本的光谱特征曲线,对监控区域内的地物种类进行区域分割,得到分类后的包括多个区域的背景图像。
在一种实施方式中,所述匹配模块具体采用下式计算:
y=DRXD(x)=(x-μ0)TΣ-1(x-μ0)
其中,所述x为待检测图像的信号,μ0为背景图像均值,Σ为背景图像所述区域内的所有像元的协方差矩阵。
在一种实施方式中,所述装置进一步包括:
虚警剔除模块,用于根据预先设置的目标的光谱特征曲线,将所述异常目标中剔除所述预先设置的目标;和/或,根据预先设置的几何特征,将所述异常目标中剔除满足所述几何特征的目标。
在一种实施方式中,所述装置进一步包括:
标注提醒模块,用于将所述异常目标对应的空间采用标注的方式进行提醒。
实施例三
基于同一发明构思,本申请实施例还提供一种计算机存储介质,下面进行说明。
所述计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一所述异常检测方法的步骤。
本申请实施例所提供的计算机存储介质,利用高光谱相机,对监控场景进行360度推扫成像,对保护区域进行监控,对闯入的有伪装\无伪装的人或物进行检测,从而发现异常目标,高光谱目标识别技术可以利用自然物/人造物和辐射谱段光谱特性之间的关联性,揭示物质组成成分,弥补了普通监控无法检测到有伪装的物体入侵的不足,而且本申请实施例利用区域划分的方式进行异常检测,如果某区域一旦有不同种类的地物(有伪装或无伪装)出现,都可以通过异常检测迅速发现入侵物,与全局的异常检测相比,大大提高了准确率。
实施例四
基于同一发明构思,本申请实施例还提供一种电子设备,下面进行说明。
图3示出了本申请实施例四中电子设备的结构示意图。
如图所示,所述电子设备包括存储器301、以及一个或多个处理器302,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如实施例一所述的异常检测方法。
本申请实施例所提供的电子设备,利用高光谱相机,对监控场景进行360度推扫成像,对保护区域进行监控,对闯入的有伪装\无伪装的人或物进行检测,从而发现异常目标,高光谱目标识别技术可以利用自然物/人造物和辐射谱段光谱特性之间的关联性,揭示物质组成成分,弥补了普通监控无法检测到有伪装的物体入侵的不足,而且本申请实施例利用区域划分的方式进行异常检测,如果某区域一旦有不同种类的地物(有伪装或无伪装)出现,都可以通过异常检测迅速发现入侵物,与全局的异常检测相比,大大提高了准确率。
实施例五
为了便于本申请的实施,本申请实施例以一具体实例进行说明。
本申请实施例通过高光谱相机对需要监控保护的区域进行推扫成像,高光谱防闯入方法流程如下:
1、场景初始化
11)高光谱相机扫描成像,获取监控区域全景初始图像;
高光谱环形场景扫描,将高光谱相机置于二维转台上,采用转台推扫方式进行360°环形区域扫描,实现对环形区域高光谱扫描成像获取。
基于渐变滤光片形式的高光谱相机,利用线性连续渐变滤光片的分光方式,将线性渐变滤光片置于探测器的前端,由二维转动机构配合相机连续推扫形成高光谱图像。图像传感器前端装置滤光片,将400~1000nm的光波按需求分为32个谱段,每个谱段在传感器上约占2048/16=128行,每个谱段采用8行像素来进行8级积分成像。初始图像对应的三个波段合成后的图像如图4所示。
12)按照地物种类进行分类将场景分为N个子区域。
区域划分:根据光谱特性对区域内的地物种类进行区域分割,首先确定监控区域内的地物种类,选取每种地物对应的训练样本,提取样本光谱信息特征,通过光谱特征匹配的方法进行分类,得到分类后的区域块图像,如图5所示,其中深灰色表示天空,黑色表示树木,浅灰色表示草坪。
子区域空间信息保存:存储对应地物种类的数据,区域1对应空间位置赋1,区域2对应空间位置赋2,......,以此类推。
2、实时监控高光谱图像异常检测
21)采用步骤1中11)所述方式对监控场景进行实时图像采集。
22)子区域异常检测
异常检测可以实现在没有先验光谱信息条件下的波段数据投影,即,在不知道或没有异常目标的光谱信息的情况下通过不同波段的光波对比,其目的是突出与自然背景存在光谱差异的目标点,并通过光谱降维等方式抑制背景能量;图像目标检测是利用目标或背景先验光谱信息进行匹配滤波定位目标。
根据步骤1中12)所述的子区域空间位置信息,将监控区域的数据分割成N个子区域,对每个子区域利用异常检测算法对区域内的异常目标进行检测,由于在前期分类的基础上每个区域对应的是一种地物,一旦有不属于该区域的目标进入该区域(例如:人、汽车、有伪装措施的人或物),通过异常检测的探测算法进行计算:
y=DRXD(x)=(x-μ0)TΣ-1(x-μ0),
通过计算来DRXD(x)来寻找异常目标,如果图像中存在异常目标,那么它相应的能量将会很小,并且与协方差矩阵的小特征值相对应,而特征值越小,DRXD(x)则越大。
假设针对树木区域的异常检测过程中,有一些能量较小的位置点,如图6所示的白色区域。
23)光谱与几何相结合的虚警剔除算法
对于噪声、特殊地物(例如:树木的阴影)以及特殊光谱混合(非线性混合)方式造成的光谱异常,这些可以视为虚警。对于步骤12)中异常检测的结果采用光谱与几何特征相结合的鉴别方式可以剔除虚警。
光谱鉴别是利用光谱曲线所携带的特征来鉴别目标与虚警。针对由特定地物类型以及特殊光谱混合方式产生的光谱异常点,利用光谱曲线具有能量较高或较低的特点,建立光谱能量剔除算子,鉴别目标与虚警。
几何特征鉴别是利用异常检测所提取图像基元的几何尺寸,对目标进行筛选。感兴趣目标与无意义目标在空间几何特性(尺寸、形状等)上有较大差异,如由两类地物边界光谱混合造成的异常通常具有线状特点,而部分特殊地物在面积上会过大或过小。通过提取图像基元的几何特征实现鉴别。
如图7所示,在剔除一些几何形状或阴影等白点区域(虚警)后,剩下一个异常目标(树木中藏了一个人),图中以白色区域显示。
24)异常目标提示
将有虚警剔除后的异常目标对应的空间采用标注的方式进行提示,目标提示结果如图8所示。
本申请实施例具备以下优点:
1、本申请实施例提出利用高光谱相机,对监控场景进行360度推扫成像,对保护区域进行监控,对闯入的有伪装\无伪装的人或物进行检测,如发现异常目标则将目标上报。通过分辨目标与背景光谱特性的细微差异,特别是通过多个光谱段的信息对比与分析,高光谱从背景中区分目标的能力大大提高。高光谱目标识别技术可以利用自然物/人造物和辐射谱段光谱特性之间的关联性,揭示物质组成成分,弥补了普通监控无法检测到有伪装的物体入侵的不足;
2、本申请实施例采用子区域的方式进行异常检测,由于子区域只存在一种地物,对该区域一旦有不同种类的地物(有伪装或无伪装)出现,通过异常检测能迅速发现入侵物,与全局的异常检测相比,大大提高了准确率;
3、本申请实施例采用光谱和几何相结合的方法剔除虚警,根据感兴趣的目标的光谱特性和几何特性对子区域异常检测的结果进行虚警剔除,能大大降低虚警率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
利用高光谱相机获取监控区域内的高光谱图像;
将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
2.根据权利要求1所述的方法,其特征在于,所述利用高光谱相机获取监控区域内的高光谱图像,包括:
将所述高光谱相机采用转台推扫方式进行360°环形区域扫描;
在扫描过程中利用所述高光谱相机前端的滤光片将光波按需求划分多个谱段,每个谱段进行积分成像。
3.根据权利要求2所述的方法,其特征在于,在划分多个谱段之后,进一步包括:
对所述多个谱段进行降维处理,保留其中部分谱段。
4.根据权利要求1所述的方法,其特征在于,所述背景图像的训练过程包括:
确定监控区域内的地物种类;
选取每种地物对应的训练样本,提取每个样本的光谱特征曲线;
根据每个样本的光谱特征曲线,对监控区域内的地物种类进行区域分割,得到分类后的包括多个区域的背景图像。
5.根据权利要求1所述的方法,其特征在于,所述将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配,具体采用下式计算:
y=DRXD(x)=(x-μ0)TΣ-1(x-μ0)
其中,所述x为待检测图像的信号,μ0为背景图像均值,Σ为背景图像所述区域内的所有像元的协方差矩阵。
6.根据权利要求1所述的方法,其特征在于,进一步包括:
根据预先设置的目标的光谱特征曲线,将所述异常目标中剔除所述预先设置的目标;和/或,
根据预先设置的几何特征,将所述异常目标中剔除满足所述几何特征的目标。
7.根据权利要求1所述的方法,其特征在于,进一步包括:
将所述异常目标对应的空间采用标注的方式进行提醒。
8.一种异常检测装置,其特征在于,包括:
获取模块,用于利用高光谱相机获取监控区域内的高光谱图像;
匹配模块,用于将所述高光谱图像内每个区域与预先训练得到的背景图像相对应的区域进行匹配;所述背景图像根据监控区域内的地物种类划分为多个区域;
检测确定模块,用于在所述区域与背景图像相对应的区域存在不匹配的位置点时,确定该区域存在异常目标。
9.一种计算机存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一所述方法的步骤。
10.一种电子设备,其特征在于,包括存储器、以及一个或多个处理器,所述存储器用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767685.5A CN110363186A (zh) | 2019-08-20 | 2019-08-20 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910767685.5A CN110363186A (zh) | 2019-08-20 | 2019-08-20 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363186A true CN110363186A (zh) | 2019-10-22 |
Family
ID=68224113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910767685.5A Pending CN110363186A (zh) | 2019-08-20 | 2019-08-20 | 一种异常检测方法、装置及计算机存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363186A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
CN112950455A (zh) * | 2021-02-09 | 2021-06-11 | 维沃移动通信有限公司 | 图像显示方法及装置 |
CN112989882A (zh) * | 2019-12-16 | 2021-06-18 | 陈军 | 入侵物种类型识别系统 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN113688845A (zh) * | 2021-08-19 | 2021-11-23 | 南京诺源医疗器械有限公司 | 适用于高光谱遥感图像的特征提取方法、装置及存储介质 |
WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390170A (zh) * | 2013-07-22 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 |
CN103606157A (zh) * | 2013-11-28 | 2014-02-26 | 中国科学院光电研究院 | 高光谱图像处理方法及装置 |
CN106101732A (zh) * | 2016-07-05 | 2016-11-09 | 重庆邮电大学 | 快速压缩高光谱信号的矢量量化方案 |
CN107704802A (zh) * | 2017-08-24 | 2018-02-16 | 西安电子科技大学 | 高光谱图像杂波的度量及异常检测算法的性能预测方法 |
CN107798345A (zh) * | 2017-10-20 | 2018-03-13 | 西北工业大学 | 基于块对角与低秩表示的高光谱伪装目标检测方法 |
-
2019
- 2019-08-20 CN CN201910767685.5A patent/CN110363186A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390170A (zh) * | 2013-07-22 | 2013-11-13 | 中国科学院遥感与数字地球研究所 | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 |
CN103606157A (zh) * | 2013-11-28 | 2014-02-26 | 中国科学院光电研究院 | 高光谱图像处理方法及装置 |
CN106101732A (zh) * | 2016-07-05 | 2016-11-09 | 重庆邮电大学 | 快速压缩高光谱信号的矢量量化方案 |
CN107704802A (zh) * | 2017-08-24 | 2018-02-16 | 西安电子科技大学 | 高光谱图像杂波的度量及异常检测算法的性能预测方法 |
CN107798345A (zh) * | 2017-10-20 | 2018-03-13 | 西北工业大学 | 基于块对角与低秩表示的高光谱伪装目标检测方法 |
Non-Patent Citations (2)
Title |
---|
张星: "组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
相里斌 等: "连续推扫计算光谱成像技术", 《光谱学与光谱分析》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021036267A1 (zh) * | 2019-08-23 | 2021-03-04 | 华为技术有限公司 | 一种图像检测方法及相关设备 |
CN112989882A (zh) * | 2019-12-16 | 2021-06-18 | 陈军 | 入侵物种类型识别系统 |
CN113260882A (zh) * | 2020-07-20 | 2021-08-13 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN113260882B (zh) * | 2020-07-20 | 2024-03-12 | 深圳大学 | 金属异物检测方法、装置及终端设备 |
CN112950455A (zh) * | 2021-02-09 | 2021-06-11 | 维沃移动通信有限公司 | 图像显示方法及装置 |
CN113688845A (zh) * | 2021-08-19 | 2021-11-23 | 南京诺源医疗器械有限公司 | 适用于高光谱遥感图像的特征提取方法、装置及存储介质 |
WO2023098187A1 (zh) * | 2021-11-30 | 2023-06-08 | 联想(北京)有限公司 | 一种处理方法及处理装置、处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363186A (zh) | 一种异常检测方法、装置及计算机存储介质、电子设备 | |
Simonse et al. | Automatic determination of forest inventory parameters using terrestrial laser scanning | |
Acito et al. | Hyperspectral airborne “Viareggio 2013 Trial” data collection for detection algorithm assessment | |
US20110279682A1 (en) | Methods for Target Tracking, Classification and Identification by Using Foveal Sensors | |
CN106915462A (zh) | 基于多源影像信息的林业病虫害智能识别系统 | |
Hassaan et al. | Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle | |
Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
CN112200787B (zh) | 光学遥感影像的云检测方法、存储介质及系统 | |
US20150235102A1 (en) | Detecting a target in a scene | |
US20150241563A1 (en) | Monitoring of people and objects | |
WO2020072947A1 (en) | Spectral object detection | |
Iyer et al. | Hyperspectral image analysis techniques on remote sensing | |
Ozdil et al. | Representative signature generation for plant detection in hyperspectral images | |
CN111353350A (zh) | 一种基于组合传感器图像融和技术的火焰检测与定位方法 | |
Connor et al. | Discriminative imaging using a LWIR polarimeter | |
Gonzalez et al. | The detection of concealed targets in woodland areas using hyperspectral imagery | |
Hytla et al. | Anomaly detection in hyperspectral imagery: a comparison of methods using seasonal data | |
GB2506688A (en) | Detection of a target in a scene using hyperspectral imaging | |
Özdil et al. | Generating Spectral Signature Library for Patterned Object in Hyperspectral Images | |
McFee et al. | Detection of surface-laid minefields using a hierarchical image processing algorithm | |
Acito et al. | Validation of forward modeling target detection approach on a new hyperspectral data set featuring an urban scenario and variable illumination conditions | |
Gross et al. | Experimental Approach to Camouflaged Target Detection and Camouflage Evaluation | |
Wolff et al. | Image fusion of shortwave infrared (SWIR) and visible for detection of mines, obstacles, and camouflage | |
Katkovsky et al. | Remote spectral methods for detecting stress coniferous | |
Katsch et al. | Forest inventory in the digital remote sensing age |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |