CN113936242B - 一种视频图像干扰检测方法、系统、设备以及介质 - Google Patents

一种视频图像干扰检测方法、系统、设备以及介质 Download PDF

Info

Publication number
CN113936242B
CN113936242B CN202111524219.8A CN202111524219A CN113936242B CN 113936242 B CN113936242 B CN 113936242B CN 202111524219 A CN202111524219 A CN 202111524219A CN 113936242 B CN113936242 B CN 113936242B
Authority
CN
China
Prior art keywords
image
current frame
frame image
edge
threshold
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.)
Active
Application number
CN202111524219.8A
Other languages
English (en)
Other versions
CN113936242A (zh
Inventor
张永兴
吴睿振
陈静静
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202111524219.8A priority Critical patent/CN113936242B/zh
Publication of CN113936242A publication Critical patent/CN113936242A/zh
Application granted granted Critical
Publication of CN113936242B publication Critical patent/CN113936242B/zh
Priority to PCT/CN2022/095383 priority patent/WO2023109016A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种视频图像干扰检测方法、系统、计算机设备以及介质，所述方法包括以下步骤：获取背景图像和当前帧图像；分别构建所述背景图像和所述当前帧图像的边缘图；对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。本发明提出的方案可以对视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，并及时将干扰行为报警。

Description

一种视频图像干扰检测方法、系统、设备以及介质
技术领域
本发明涉及视频检测领域，具体涉及一种视频图像干扰检测方法、系统、设备以及存储介质。
背景技术
近年来，随着对视频监控要求的不断提高，视频监控的智能化需求也越来越多，人们提出了智能视频监控的概念，智能视频监控技术逐渐发展起来。然而随着智能视频监控技术的不断发展和应用需求的不断增加，智能视频监控系统面临的挑战也在不断地增多，许多新的现实问题又相继被提出来和研究，干扰检测问题就是其中之一。
在实际应用中，由于客观环境、人为因素或者其它原因导致监控系统中出现了大量的各种各样的干扰。这些干扰使得监控系统采集的视频出现异常，甚至使整个监控系统失去作用。尤其是在大型监控系统中，摄像机的数目较多，采集的视频数据量也非常大。当一个或多个摄像机采集的视频中出现严重的干扰时，很难被工作人员及时发现。
一般来说，当监控系统中出现干扰时，监控画面会产生剧烈的变化，并且会持续一定的时间，从而影响监控系统的作用。通过大量的研究发现，干扰主要来自三个方面：一是监控系统中视频信号本身在采集、传输等过程中产生的噪声或监控系统出现故障而产生的异常干扰；二是摄像机所监控场景的客观环境如天气、光照等条件变化引起的干扰；三是不法分子为了达到一些不可告人的目的而进行的蓄意破坏或干扰，导致监控系统不能正常工作，失去监控作用。
在智能视频监控系统中，除了工作人员主动控制摄像机运动之外，一般来说摄像机的位置和方向是固定不变的，换言之每一个摄像机的监控场景是固定不变的，其采集的视频内容比较相似，当出现干扰时视频内容则产生剧烈的变化。基于这个特点，主要的干扰检测方法有帧差法和背景减法等。
其中，帧差法是当监控视频中没有干扰时，连续多帧图像的内容变化不大，它们之间的差异相对较小并且比较稳定；当干扰发生时这个差异变化较为明显。帧间差法就是利用这个原理来检测干扰是否发生的。帧间差法的原理复杂度较低，运算速度相对较快，能够快速地检测出干扰，实时性较好，但对监控视频中短暂的偶然变化比较敏感，容易出现虚警现象。
而背景减法为：每个摄像机的监控场景是固定不变的，监控视频的每一帧图像内容可以分成变化和不变两部分。通常将不变的部分称之为背景，而变化的部分则称之为前景或者目标。一般而言，前景或者目标部分在监控图像中占的比例较小，所以监控视频中的背景图像与含有前景目标的图像有较高的相似程度。当监控系统正常时，背景图像与当前帧图像差异较小，图像内容相似；当监控系统中存在干扰时，背景图像与当前帧图像有明显的差异，图像内容变化剧烈。背景减法利用一定的方法获取背景图像，通过提取合适的图像特征对比当前帧图像与背景图像之间的差异进而检测干扰是否发生。背景减法的关键是背景模型的建立和背景更新。恰当的背景模型能够在客观环境复杂的场景中获取高质量的背景图像；更新过程能够使背景图像适应监控场景的各种客观变化和干扰，如外界光照变化、天气变化等，从而使检测的效果更为准确。背景减法的背景模型建立和背景更新一般较为复杂，计算量比较大，运算速度相对较慢。如何建立合适的背景模型，选择恰当的背景更新方法，减小计算量，提高运算速度是背景减法的难点。
发明内容
有鉴于此，为了克服上述问题的至少一个方面，本发明实施例提出一种视频图像干扰检测方法，包括以下步骤：
获取背景图像和当前帧图像；
分别构建所述背景图像和所述当前帧图像的边缘图；
对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
在一些实施例中，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰，进一步包括：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
在一些实施例中，还包括：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
在一些实施例中，分别构建所述背景图像和所述当前帧图像的边缘图，进一步包括：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种视频图像干扰检测系统，包括：
获取模块，配置为获取背景图像和当前帧图像；
构建模块，配置为分别构建所述背景图像和所述当前帧图像的边缘图；
提取模块，配置为对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
统计模块，配置为统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
判断模块，配置为根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
在一些实施例中，判断模块还配置为：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
在一些实施例中，判断模块还配置为：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，判断模块还配置为：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
在一些实施例中，还包括阈值设置模块，配置为：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
在一些实施例中，构建模块还配置为：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如上所述的任一种视频图像干扰检测方法的步骤。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种视频图像干扰检测方法的步骤。
本发明具有以下有益技术效果之一：本发明提出的方案可以对视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，并及时将干扰行为报警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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实施例。
图1为本发明的实施例提供的视频图像干扰检测方法的流程示意图；
图2为针对一种背景图像提取到的边缘图；
图3为针对一种出现遮挡干扰后的图像提取到的边缘图；
图4为针对一种出现转向干扰后的图像提取到的边缘图；
图5为针对一种出现失焦干扰后的图像提取到的边缘图；
图6为一种背景图像的示意图；
图7为图6所示的背景图像出现遮挡干扰后的图像的示意图；
图8为图6所示的背景图像出现转向干扰后的图像的示意图；
图9为图6所示的背景图像出现转向失焦后的图像的示意图；
图10为本发明的实施例提供的视频图像干扰检测系统的结构示意图；
图11为本发明的实施例提供的计算机设备的结构示意图；
图12为本发明的实施例提供的计算机可读存储介质的结构示意图。
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明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
根据本发明的一个方面，本发明的实施例提出一种视频图像干扰检测方法，如图1所示，其可以包括步骤：
S1，获取背景图像和当前帧图像；
S2，分别构建所述背景图像和所述当前帧图像的边缘图；
S3，对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
S4，统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
S5，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
本发明提出的方案可以对视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，并及时将干扰行为报警。
在一些实施例中，步骤S1，获取背景图像中，具体的，背景可以采用平均背景模型计算得出，监控视频的每一帧都会用更新背景，假设背景图像为 Background，当前帧的图像为 Current-frame: 那么更新后的背景计算公式为：
Backgroud=α*Current_frame+(1-α)* Backgroud
上式中的α为更新系数，α的取值在0至1之间的。
在一些实施例中，步骤S2，分别构建所述背景图像和所述当前帧图像的边缘图，进一步包括：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
具体的，图像边缘是指图像中物体的边界，边缘是图像中的重要的结构性特征，边缘往往存在于目标和背景之间，不同的区域之间，因此它可以作为图像分割的重要依据。在图像中物体的边缘的像素点存在急剧的灰度变化，例如如图2-5所示的提取到的边缘图，边缘区域的灰度剖面可以看作是一个阶跃，即图像的灰度在一个很小的区域内变化到另一个相差十分明显的区域，常规图片中边缘信息图像，边界位置像素值为“1”。常见的边缘算法都是通过计算图像中像素值的梯度实现的，例如常见的Roberts、Prewitt、Sobel、Lapaciancanny 算子。
在利用边缘检测算法提取当前帧图像(current-frame)的边缘图（Frame-Edge）和获取背景图像(Back-ground)的边缘图(BG-Edge)时，需要利用相同的算子，并且参数一致，以保证不会出现强边界或自边界的情况，从而影响后续相同边界的比对。
在一些实施例中，步骤S3中，对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图中，具体的，当前帧图像的边缘图为Current-Edge，背景图像的边缘图为BG-Edge，那么相同边界(Static-Edge)可以由Current-Edge 跟BG-Edge计算得到，即通过对两个边缘图中相同坐标对应的位置上是否有像素点来确定相同边界，遍历整个坐标后，即可得到相同边界图。
在一些实施例中，步骤S4中，统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数，具体的，当得到相同边界图后，可以遍历相同边界图中每一个坐标，从而统计出相同边界图中像素点的数目，利用同样的方法即可得到背景图像的边缘图中的像素点数。
在一些实施例中，S5，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰，进一步包括：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
具体的，当计算相同边界图的像素数目与背景图像的边缘图中像素数目的比值P后，即可根据比值P的取值范围来判断以及甄别干扰行为。
由比值计算公式可知，比值越大则说明当前帧图像与背景图像越相似，也可以说明干扰出现的概率越低。
在一些实施例中，干扰可以包括转向、遮挡和失焦。
其中，遮挡指由于客观环境或人为因素使摄像机镜头表面被异物覆盖，如长时间的灰尘积累、被喷漆、被刻意遮挡等，导致监控视频中场景信息急剧变少或者全部消失，例如对于图6所示的背景图像，图7所示的图像即为遮挡后的图像。因此，遮挡是指部分遮挡，通常遮挡面积不大于画面的30%。对于遮挡相机的行为，此时画面可以划分为正常区域和遮挡区域。正常区域与背景毫无区别，遮挡区域的边缘与背景几乎没有交集，总体下来，此时的P值大致在50。
转向指因人为刻意破坏或其它原因导致摄像机转动了一定的角度，偏离了正常的监控位置，致使监控场景发生错误，漏掉监控场所的场景信息，例如对于图6所示的背景图像，图8所示的图像即为转向后的图像。因此转向后的相机，由于虽然大部分画面可能相同，但是画面中的物体统一产生位移，因此两幅边缘图的共同边缘数目有限。此时P的取值接近于0。
失焦指由各种原因导致摄像机的焦距产生变化，造成对焦不准，导致监控视频质量下降，模糊不清，例如对于图6所示的背景图像，图9所示的图像即为失焦后的图像。因此失焦后的相机，成像画面内容比较模糊。失焦画面与背景画面的成像内容相同，但是失焦画面中的图像细节会比背景图片细节少很多。边缘图体现画面的细节，所以失焦画面的边缘会比背景画面的边缘数目少，残余的边缘与背景画面的边缘基本一致。所以P值介于转向与遮挡之间。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
具体的，由于转向、遮挡、失焦三种干扰行为会引发监控画面的边缘发生变化，并且三种行为的相同边界占比也不相同，因此可以通过比对当前帧图像与背景图像的相同边界中像素点的数量来判断及甄别干扰行为。三种干扰行为画面与背景画面的相同边界占比满足如下关系：P转向＜P失焦＜P遮挡＜P正常。
因此，为了量化三者之间的边界，设三者间的阈值分别为Th1、Th2、Th3，即满足如下关系：P转向≤Th3＜P失焦≤Th2＜P遮挡≤Th1＜P正常。
这样，当P的取值大于Th1，可以判定当前帧图像不存在干扰行为，此时无需报警。如果P的数值小于Th1，说明存在干扰,需要根据P 判别干扰行为。如果P的取值在Th2与Th1之间，那么可以判定此种干扰行为是遮挡行为。如果P的取值在Th3与Th2之间，那么可以判定此种干扰行为是失焦行为。如果P的取值在0与Th3之间，那么可以判定此种干扰行为是转向行为。
在一些实施例中，还包括：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
具体的，可以针对不同的场景设置不同的第一阈值、第二阈值、第三阈值的大小，例如可以针对某一场景的干扰视频训练集中上百个典型干扰视频的相同边缘占比P的取值进行统计，从而确定出一组比较有效的阈值： Th1 = 45，Th2 = 25，Th3 = 13。
本发明提出的方案通过采用边缘对比算法识别干扰行为，可以用于视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，从而及时将干扰行为报警。
基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种视频图像干扰检测系统400，如图10所示，包括：
获取模块401，配置为获取背景图像和当前帧图像；
构建模块402，配置为分别构建所述背景图像和所述当前帧图像的边缘图；
提取模块403，配置为对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
统计模块404，配置为统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
判断模块405，配置为根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
在一些实施例中，判断模块405还配置为：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
在一些实施例中，判断模块405还配置为：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，判断模块405还配置为：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
在一些实施例中，还包括阈值设置模块，配置为：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
在一些实施例中，构建模块402还配置为：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
本发明提出的方案通过采用边缘对比算法识别干扰行为，可以用于视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，从而及时将干扰行为报警。
基于同一发明构思，根据本发明的另一个方面，如图11所示，本发明的实施例还提供了一种计算机设备501，包括：
至少一个处理器520；以及
存储器510，存储器510存储有可在处理器上运行的计算机程序511，处理器520执行程序时执行以下步骤：
S1，获取背景图像和当前帧图像；
S2，分别构建所述背景图像和所述当前帧图像的边缘图；
S3，对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
S4，统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
S5，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
在一些实施例中，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰，进一步包括：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
在一些实施例中，还包括：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
在一些实施例中，分别构建所述背景图像和所述当前帧图像的边缘图，进一步包括：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
本发明提出的方案通过采用边缘对比算法识别干扰行为，可以用于视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，从而及时将干扰行为报警。
基于同一发明构思，根据本发明的另一个方面，如图12所示，本发明的实施例还提供了一种计算机可读存储介质601，计算机可读存储介质601存储有计算机程序指令610，计算机程序指令610被处理器执行时执行以下步骤：
S1，获取背景图像和当前帧图像；
S2，分别构建所述背景图像和所述当前帧图像的边缘图；
S3，对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
S4，统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
S5，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
在一些实施例中，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰，进一步包括：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
在一些实施例中，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
在一些实施例中，还包括：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
在一些实施例中，分别构建所述背景图像和所述当前帧图像的边缘图，进一步包括：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
本发明提出的方案通过采用边缘对比算法识别干扰行为，可以用于视频监控系统中的干扰行为检测，可以快速的甄别视频监控中的干扰行为，从而及时将干扰行为报警。
最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
此外，应该明白的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开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，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。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种视频图像干扰检测方法，其特征在于，包括以下步骤：
获取背景图像和当前帧图像；
分别构建所述背景图像和所述当前帧图像的边缘图；
对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
2.如权利要求1所述的方法，其特征在于，根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰，进一步包括：
响应于所述比值大于第一阈值，确定所述当前帧图像未受到干扰；
响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰。
3.如权利要求2所述的方法，其特征在于，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第一阈值且大于第二阈值，确定所述帧图像受到的干扰为遮挡。
4.如权利要求3所述的方法，其特征在于，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第二阈值且大于第三阈值，确定所述帧图像受到的干扰为失焦。
5.如权利要求4所述的方法，其特征在于，响应于所述比值不大于所述第一阈值，确定所述当前帧图像受到干扰，进一步包括：
响应于所述比值不大于所述第三阈值，确定所述帧图像受到的干扰为转向。
6.如权利要求5所述的方法，其特征在于，还包括：
根据不同场景设置不同的第一阈值、第二阈值、第三阈值的大小。
7.如权利要求1所述的方法，其特征在于，分别构建所述背景图像和所述当前帧图像的边缘图，进一步包括：
通过边缘检测算法使用相同的算子和参数构建所述背景图像的边缘图和所述当前帧图像的边缘图。
8.一种视频图像干扰检测系统，其特征在于，包括：
获取模块，配置为获取背景图像和当前帧图像；
构建模块，配置为分别构建所述背景图像和所述当前帧图像的边缘图；
提取模块，配置为对所述背景图像的边缘图和所述当前帧图像的边缘图取交集以得到所述背景图像的边缘图和所述当前帧图像的边缘图之间的相同边界图；
统计模块，配置为统计所述背景图像的边缘图中的第一像素点数和所述相同边界图中的第二像素点数；
判断模块，配置为根据所述第一像素点数和所述第二像素点数的比值确定所述当前帧图像是否受到干扰。
9.一种计算机设备，包括：
至少一个处理器；以及
存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行如权利要求1-7任意一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-7任意一项所述的方法的步骤。
CN202111524219.8A 2021-12-14 2021-12-14 一种视频图像干扰检测方法、系统、设备以及介质 Active CN113936242B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111524219.8A CN113936242B (zh) 2021-12-14 2021-12-14 一种视频图像干扰检测方法、系统、设备以及介质
PCT/CN2022/095383 WO2023109016A1 (zh) 2021-12-14 2022-05-26 一种视频图像干扰检测方法、系统、设备以及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111524219.8A CN113936242B (zh) 2021-12-14 2021-12-14 一种视频图像干扰检测方法、系统、设备以及介质

Publications (2)

Publication Number Publication Date
CN113936242A CN113936242A (zh) 2022-01-14
CN113936242B true CN113936242B (zh) 2022-03-11

Family

ID=79288936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111524219.8A Active CN113936242B (zh) 2021-12-14 2021-12-14 一种视频图像干扰检测方法、系统、设备以及介质

Country Status (2)

Country Link
CN (1) CN113936242B (zh)
WO (1) WO2023109016A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936242B (zh) * 2021-12-14 2022-03-11 苏州浪潮智能科技有限公司 一种视频图像干扰检测方法、系统、设备以及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599175A (zh) * 2009-06-11 2009-12-09 北京中星微电子有限公司 确定拍摄背景发生改变的检测方法及图像处理设备
CN111598906A (zh) * 2020-03-31 2020-08-28 广州杰赛科技股份有限公司 车辆检测方法、系统、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7024039B2 (en) * 2002-04-25 2006-04-04 Microsoft Corporation Block retouching
CN111898486B (zh) * 2020-07-14 2024-05-10 浙江大华技术股份有限公司 监控画面异常的检测方法、装置及存储介质
CN113936242B (zh) * 2021-12-14 2022-03-11 苏州浪潮智能科技有限公司 一种视频图像干扰检测方法、系统、设备以及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101599175A (zh) * 2009-06-11 2009-12-09 北京中星微电子有限公司 确定拍摄背景发生改变的检测方法及图像处理设备
CN111598906A (zh) * 2020-03-31 2020-08-28 广州杰赛科技股份有限公司 车辆检测方法、系统、设备和存储介质

Also Published As

Publication number Publication date
WO2023109016A1 (zh) 2023-06-22
CN113936242A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
JP4668921B2 (ja) 画像中のオブジェクト検出
EP2549738B1 (en) Method and camera for determining an image adjustment parameter
US8494267B2 (en) Image processing device, image processing method, and program for normalizing a histogram
CN111723644A (zh) 一种监控视频遮挡检测方法及系统
US20060056702A1 (en) Image processing apparatus and image processing method
KR20090043416A (ko) 카메라 이동 영향을 검출하고 억제하는 감시 카메라 장치및 그 제어 방법
JP2001357484A (ja) 道路異常検出装置
JP5762250B2 (ja) 画像信号処理装置および画像信号処理方法
CN108280386B (zh) 监控场景检测方法及装置
CN106599783B (zh) 一种视频遮挡检测方法及装置
CN111932596B (zh) 摄像头遮挡区域的检测方法、装置、设备和存储介质
WO2017047494A1 (ja) 画像処理装置
CN108198208B (zh) 一种基于目标跟踪的移动侦测方法
CN110610150A (zh) 一种目标运动物体的跟踪方法、装置、计算设备和介质
CN112561946B (zh) 一种动态目标检测方法
JP7449507B2 (ja) カメラストリームのためのマスクを生成する方法、コンピュータープログラム製品およびコンピューター可読媒体
Gruenwedel et al. An edge-based approach for robust foreground detection
CN113936242B (zh) 一种视频图像干扰检测方法、系统、设备以及介质
JP7125843B2 (ja) 障害検知システム
US9652854B2 (en) System and method for identifying an object in an image
Tsesmelis et al. Tamper detection for active surveillance systems
JP5710230B2 (ja) 監視システムおよび監視方法
CN106780646B (zh) 一种适用多场景的无参数背景建模方法
CN115661194A (zh) 一种运动目标提取方法、系统、电子设备及介质
CN114359183A (zh) 图像质量评估方法及设备、镜头遮挡的确定方法

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
GR01 Patent grant
GR01 Patent grant