CN114627079B - 基于人工智能的安防监控设备异常检测方法及系统 - Google Patents
基于人工智能的安防监控设备异常检测方法及系统 Download PDFInfo
- Publication number
- CN114627079B CN114627079B CN202210256785.3A CN202210256785A CN114627079B CN 114627079 B CN114627079 B CN 114627079B CN 202210256785 A CN202210256785 A CN 202210256785A CN 114627079 B CN114627079 B CN 114627079B
- Authority
- CN
- China
- Prior art keywords
- pixel
- image
- monitoring device
- value
- real
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及人工智能领域,具体为一种基于人工智能的安防监控设备异常检测方法及系统,该方法包括:确定目标监控设备,获取目标监控设备采集图像中每个像素位置的标准混合高斯模型;对于每帧图像中每个像素,将该像素的像素值输入相应的标准混合高斯模型计算概率值,基于概率值和相应的标准混合高斯模型的最大概率值得到概率偏差值;统计每帧图像的背景区域中每个像素的光照强度与概率偏差值的比值,得到标准比值;计算目标监控设备采集的实时图像背景区域中每个像素对应的光照强度与概率偏差值的实时比值,与标准比值对比,得到背景区域中每个像素对应的异常值,基于异常值进行目标监控设备的异常检测。本发明可保障安防系统的有效运行。
Description
技术领域
本发明涉及人工智能和智慧安防领域,具体涉及一种基于人工智能的安防监控设备异常检测方法及系统。
背景技术
安防监控在生产园区、校园、街道等很多场景下广泛应用,获得监控区域内实时的视频信息并将其储存,对实时采集到的视频信息进行分析处理借助安防系统实现安全事故的实时预警。故作为安防系统的眼睛,安防监控的正常运作对安防系统来说至关重要。目前对于安防设备的异常监测常常忽略的监控相机自身的异常监测,往往依靠定期维修来保证安防监控的正常运行,但该方法有一定的延时性,不能及时发现安防监控设备的异常。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的安防监控设备异常检测方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于人工智能的安防监控设备异常检测方法,该方法包括以下具体步骤:
监控区域中的每个安防监控设备分别为目标监控设备,基于预设时间段内目标监控设备采集的图像进行混合高斯背景建模,得到每个像素位置的标准混合高斯模型;
对于每帧图像中每个像素,将该像素的像素值输入相应的标准混合高斯模型计算概率值,进而基于所述概率值和所述相应的标准混合高斯模型的最大概率值得到概率偏差值;获取所述每帧图像的光照图;统计所述每帧图像的背景区域中每个像素对应的光照强度与概率偏差值的比值,得到标准比值;
对于目标监控设备采集的实时图像,获取实时图像中的背景区域,计算背景区域中每个像素对应的光照强度与概率偏差值的实时比值,与标准比值对比,得到背景区域中每个像素对应的异常值,基于所述异常值进行目标监控设备的异常检测。
进一步地,基于RetinexNet获取图像的光照图。
进一步地,所述背景区域中每个像素对应的异常值的获取具体为:γ=1-exp(-|α-α0|),α表示背景区域中一个像素对应的实时比值,α0表示标准比值,γ表示所述一个像素对应的异常值。
进一步地,实时图像的背景区域中所有像素对应的异常值的和与背景区域面积的比值为异常检测指标,基于所述异常检测指标检测目标监控设备是否异常。
进一步地,监控视野与目标监控设备有重叠的监控设备为关联监控设备,基于目标监控设备和关联监控设备在同一时刻采集的实时图像的异常检测指标的和,检测目标监控设备是否异常。
进一步地,为关联监控设备采集的实时图像的异常检测指标设置权重;目标监控设备和关联监控设备采集的实时图像中,监控视野重叠区域内背景的图像特征差异越大,所述权重越小;反之,权重越大。
第二方面,本发明另一个实施例提供了一种基于人工智能的安防监控设备异常检测系统,该系统具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于人工智能的安防监控设备异常检测方法的步骤。
本发明实施例至少具有如下有益效果:本发明将目标监控设备采集的图像中每个像素对应的光照强度与概率偏差值的比值和标准比值进行对比,得到异常检测指标;再结合监控视野与目标监控设备有重叠的监控设备即关联监控设备在相同时刻所采集图像对应的异常检测指标,进行目标监控设备的异常检测,得到准确的异常检测结果,保障安防系统的有效运行。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合较佳实施例,对依据本发明提出的一种基于人工智能的安防监控设备异常检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明的目的是:在监控区域内,对安防监控设备进行异常检测,优选地,监控区域可以是企业生产园区、校园等。
本发明一个实施例提供了一种基于人工智能的安防监控设备异常检测方法,该方法包括以下步骤:
步骤S1,监控区域中的每个安防监控设备分别为目标监控设备,基于预设时间段内目标监控设备采集的图像进行混合高斯背景建模,得到每个像素位置的标准混合高斯模型。
优选地,每个安防监控设备的位姿固定,且需要预先设置每个安防监控设备要监控的区域,即设置安防监控设备的监控视野。
优选地,每个像素位置的标准混合高斯模型的获取具体为:获取目标监控设备采集的时序上的图像序列,基于图像序列中的每帧图像进行混合高斯背景建模,可得到每帧图像中每个像素位置的混合高斯模型;对于每帧图像,基于该帧图像中每个像素位置的像素值和混合高斯模型可判断其是前景像素还是背景像素,进而得到该帧图像中的前景区域和背景区域。需要说明的是,每一个像素位置的混合高斯模型反应当前像素点的像素值在时间维度上获得的图像背景特征,因此,统计足够长时间的像素值的变化得到的混合高斯模型可以反应每一个像素位置固有的图像背景特征,优选地,实施例中预设时间段为6个月,对6个月内目标监控设备采集的图像进行混合高斯背景建模,得到每个像素位置的标准混合高斯模型;由于目标监控设备在不同时刻采集的图像中的前景不同,因此,最终可以得到目标监控设备所采集的图像中每个像素位置的标准混合高斯模型。
步骤S2,对于每帧图像中每个像素,将该像素的像素值输入相应的标准混合高斯模型计算概率值,进而基于所述概率值和所述相应的标准混合高斯模型的最大概率值得到概率偏差值;获取所述每帧图像的光照图;统计所述每帧图像的背景区域中每个像素对应的光照强度与概率偏差值的比值,得到标准比值;其中,每个像素位置对应的标准混合高斯模型的最大概率值可能不同。
当光照强度发生变化时,会影响背景区域的特征,使得像素值偏移标准混合高斯模型的最大概率值;具体地,概率值与标准混合高斯模型最大概率值的差值绝对值为概率偏差值;概率偏差值可以反应光照强度对背景区域特征的影响。预设时间段内目标监控设备采集的图像的背景区域中每个像素对应的光照强度与概率偏差值的比值的均值为标准比值。
优选地,实施例基于RetinexNet获取图像的光照图;具体地,基于RetinexNet中的拆解模型获取图像的光照图,光照图中像素值表示光照强度。
至此,得到了目标监控设备对应的标准比值和所采集图像中每个像素位置的标准混合高斯模型。
步骤S3,对于目标监控设备采集的实时图像,获取实时图像中的背景区域,计算背景区域中每个像素对应的光照强度与概率偏差值的实时比值,与标准比值对比,得到背景区域中每个像素对应的异常值,基于所述异常值进行目标监控设备的异常检测。需要说明,同一安防监控设备采集的图像在时序上呈现规律性,背景区域时序上的规律性变化体现在光照变化,因此,本发明根据同一安防监控设备采集图像的时序性得到异常检测指标,用于后续安防监控的异常检测。
以目标监控设备在T时刻采集的实时图像为例:
优选地,所述背景区域中每个像素对应的异常值的获取具体为:γ=1-exp(-|α-α0|),α表示背景区域中一个像素对应的实时比值,α0表示标准比值,γ表示所述一个像素对应的异常值。
优选地,实时图像的背景区域中所有像素对应的异常值的和与背景区域面积的比值为异常检测指标,基于所述异常检测指标检测目标监控设备是否异常;具体地,设置指标阈值,当基于目标监控设备在T时刻采集的图像得到的异常检测指标大于等于指标阈值时发出预警,说明T时刻目标监控设备出现异常。
优选地,为了提高本发明安防监控设备异常检测的准确率,在一种实施方式中,检测目标监控设备是否异常为:监控视野与目标监控设备有重叠的监控设备为关联监控设备,基于目标监控设备和关联监控设备在同一时刻采集的实时图像的异常检测指标的和,即基于目标监控设备和关联监控设备在T时刻采集的图像对应的异常检测指标的和,检测目标监控设备是否异常。
优选地,为关联监控设备采集的实时图像的异常检测指标设置权重;目标监控设备和关联监控设备在T时刻采集的实时图像中,监控视野重叠区域内背景的图像特征差异越大,所述权重越小;反之,权重越大;其中,获取监控视野重叠区域内背景的深度图,深度图中的像素梯度表征监控视野重叠区域内背景的图像特征。
具体地,权重的获取方法为:对于每个关联监控设备,分别在目标监控设备和关联监控设备在同一时刻即在T时刻采集的实时图像中分别截取监控视野重叠区域对应的第一图像和第二图像,基于标准混合高斯模型,确定第一图像和第二图像中的背景区域,判断第一图像和第二图像中的背景区域是否存在交集区域,若不存在,则权重为0;否则,在第一图像和第二图像中截取交集区域,并基于目标监控设备和关联监控设备的相机位姿进行投影变换,得到位于同一个成像平面上的交集区域第一图像和交集区域第二图像;当区域内背景为凹凸不平时,不同视角下采集的图像特征本身差异较大,投影变换至相同视角后图像特征差异也会较大;若区域内背景为高度值相同的水平区域时,则不同视角下的图像特征差异较小,则投影变换至相同视角后图像特征差异较小;因此,关联监控设备采集的图像对应的异常检测指标的权重的计算方法为:
利用双目相机原理,根据交集区域第一图像和交集区域第二图像,得到所述交集区域对应的深度图像,利用Canny算子获取深度图像中每个像素点的梯度值,梯度值反应了深度变化,数值越小表示对应区域越平坦,则权重值越大,具体地:其中,w表示关联监控设备采集的实时图像的异常检测指标的权重,tsi为深度图像中第i个像素点的梯度值,Xi、Yi分别为交集区域第一图像、交集区域第二图像中第i个像素点的像素值,I为所述交集区域中像素点的总个数。
具体地,为关联监控设备采集的实时图像的异常检测指标设置权重后,基于目标监控设备和关联监控设备在同一时刻采集的实时图像的异常检测指标,检测目标监控设备是否异常的方法为:S=(1/2)*(s0+∑Kk=1wk’*sk),S为目标监控设备的检测得分,S的取值范围为[0,1],S值越大,说明目标监控设备的异常程度越大,优选地,S对应的异常阈值为0.45,当S大于等于0.45时,说明目标监控设备发生异常;s0为目标监控设备在T时刻采集的一张实时图像对应的异常检测指标;sk为监控视野与目标监控设备有重叠的第k个关联监控设备在T时刻采集的一张实时图像对应的异常检测指标;wk’为wk归一化后的值,wk为第k个关联监控设备在T时刻采集的一张实时图像对应的异常检测指标的权重,wk’=wk/(∑Kkk=1wkk),K表示目标监控设备对应K个关联监控设备。
需要说明,对于目标监控设备,在每个检测时刻对目标监控设备进行异常检测时,要根据该检测时刻目标监控设备和关联监控设备所采集图像对应的异常检测指标以及相应的权重重新计算S,即目标监控设备每获取一张图像,重新计算一次S;其中,目标监控设备在各检测时刻对应的关联监控设备可能不同,因此,需要在每个时刻计算重新确定的关联监控设备对应的权重。
基于与上述方法实施例相同的发明构思,本发明一个实施例提供了一种基于人工智能的安防监控设备异常检测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序被处理器执行时实现一种基于人工智能的安防监控设备异常检测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的安防监控设备异常检测方法,其特征在于,该方法包括:
监控区域中的每个安防监控设备分别为目标监控设备,基于预设时间段内目标监控设备采集的图像进行混合高斯背景建模,得到每个像素位置的标准混合高斯模型;
对于每帧图像中每个像素,将该像素的像素值输入相应的标准混合高斯模型计算概率值,进而基于所述概率值和所述相应的标准混合高斯模型的最大概率值得到概率偏差值;获取所述每帧图像的光照图;统计所述每帧图像的背景区域中每个像素对应的光照强度与概率偏差值的比值的均值,得到标准比值;
对于目标监控设备采集的实时图像,获取实时图像中的背景区域,计算背景区域中每个像素对应的光照强度与概率偏差值的实时比值,与标准比值对比,得到背景区域中每个像素对应的异常值,基于所述异常值进行目标监控设备的异常检测。
2.如权利要求1所述的方法,其特征在于,基于RetinexNet获取图像的光照图。
3.如权利要求2所述的方法,其特征在于,所述背景区域中每个像素对应的异常值的获取具体为:γ=1-exp(-|α-α0|),α表示背景区域中一个像素对应的实时比值,α0表示标准比值,γ表示所述一个像素对应的异常值。
4.如权利要求3所述的方法,其特征在于,实时图像的背景区域中所有像素对应的异常值的和与背景区域面积的比值为异常检测指标,基于所述异常检测指标检测目标监控设备是否异常。
5.如权利要求4所述的方法,其特征在于,监控视野与目标监控设备有重叠的监控设备为关联监控设备,基于目标监控设备和关联监控设备在同一时刻采集的实时图像的异常检测指标的和,检测目标监控设备是否异常。
6.如权利要求5所述的方法,其特征在于,为关联监控设备采集的实时图像的异常检测指标设置权重;目标监控设备和关联监控设备采集的实时图像中,监控视野重叠区域内背景的图像特征差异越大,所述权重越小;反之,权重越大。
7.一种基于人工智能的安防监控设备异常检测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256785.3A CN114627079B (zh) | 2022-03-16 | 2022-03-16 | 基于人工智能的安防监控设备异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256785.3A CN114627079B (zh) | 2022-03-16 | 2022-03-16 | 基于人工智能的安防监控设备异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627079A CN114627079A (zh) | 2022-06-14 |
CN114627079B true CN114627079B (zh) | 2023-03-10 |
Family
ID=81902447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256785.3A Active CN114627079B (zh) | 2022-03-16 | 2022-03-16 | 基于人工智能的安防监控设备异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627079B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116112646B (zh) * | 2023-04-13 | 2023-06-20 | 河北远宏科技有限公司 | 一种污染源监测设备的智慧运维管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003312408A (ja) * | 2002-04-17 | 2003-11-06 | Toshiba Corp | 映像診断装置、車載型映像監視装置の映像診断システム、追越車両監視装置 |
CN1568619A (zh) * | 2001-11-15 | 2005-01-19 | 韩唯逻辑公司 | 使用图像信号边缘检测的保安系统和警报方法 |
CN101765025A (zh) * | 2008-12-23 | 2010-06-30 | 北京中星微电子有限公司 | 一种监控摄像设备异常检测的系统及方法 |
CN105184818A (zh) * | 2015-09-06 | 2015-12-23 | 山东华宇航天空间技术有限公司 | 一种视频监控异常行为检测方法及其检测系统 |
CN107292905A (zh) * | 2017-05-25 | 2017-10-24 | 西安电子科技大学昆山创新研究院 | 基于改进混合高斯模型的运动目标检测方法 |
CN113393490A (zh) * | 2020-03-12 | 2021-09-14 | 中国电信股份有限公司 | 目标检测方法及装置、计算机可存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384348B (zh) * | 2016-09-09 | 2019-06-14 | 海信集团有限公司 | 监控图像的异常检测方法及装置 |
-
2022
- 2022-03-16 CN CN202210256785.3A patent/CN114627079B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1568619A (zh) * | 2001-11-15 | 2005-01-19 | 韩唯逻辑公司 | 使用图像信号边缘检测的保安系统和警报方法 |
JP2003312408A (ja) * | 2002-04-17 | 2003-11-06 | Toshiba Corp | 映像診断装置、車載型映像監視装置の映像診断システム、追越車両監視装置 |
CN101765025A (zh) * | 2008-12-23 | 2010-06-30 | 北京中星微电子有限公司 | 一种监控摄像设备异常检测的系统及方法 |
CN105184818A (zh) * | 2015-09-06 | 2015-12-23 | 山东华宇航天空间技术有限公司 | 一种视频监控异常行为检测方法及其检测系统 |
CN107292905A (zh) * | 2017-05-25 | 2017-10-24 | 西安电子科技大学昆山创新研究院 | 基于改进混合高斯模型的运动目标检测方法 |
CN113393490A (zh) * | 2020-03-12 | 2021-09-14 | 中国电信股份有限公司 | 目标检测方法及装置、计算机可存储介质 |
Non-Patent Citations (1)
Title |
---|
考虑主动管理措施的配电网无功步长双层优化配置;严艺芬 等;《电力系统保护与控制》;20170614;1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN114627079A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635758B (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
US20190340446A1 (en) | Shadow removing method for color image and application | |
CN112102409B (zh) | 目标检测方法、装置、设备及存储介质 | |
US20060221181A1 (en) | Video ghost detection by outline | |
RU2009102124A (ru) | Устройство обработки видеоинформации системы охранной сигнализации | |
CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
RU2395787C2 (ru) | Способ обнаружения объектов | |
CN102147859A (zh) | 一种船舶监控方法 | |
CN104102069B (zh) | 一种成像系统的对焦方法及装置、成像系统 | |
CN112257669A (zh) | 行人重识别方法、装置及电子设备 | |
CN110197185B (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
CN114627079B (zh) | 基于人工智能的安防监控设备异常检测方法及系统 | |
DE112020005223T5 (de) | Objektverfolgungseinrichtung und Objektverfolgungsverfahren | |
CN110557628A (zh) | 一种检测摄像头遮挡的方法、装置及电子设备 | |
CN111967345A (zh) | 一种实时判定摄像头遮挡状态的方法 | |
CN116797977A (zh) | 巡检机器人动态目标识别与测温方法、装置和存储介质 | |
CN103607558A (zh) | 一种视频监控系统及其目标匹配方法和装置 | |
CN113808135B (zh) | 图像亮度异常检测方法、电子设备及存储介质 | |
JP5264457B2 (ja) | 物体検出装置 | |
TWI383690B (zh) | 影像處理的方法 | |
CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及系统 | |
JPH06308256A (ja) | 雲霧検出方法 | |
CN102853821A (zh) | 一种船舶gps定位核查方法及船舶gps交互系统 | |
TW201418671A (zh) | 水位量測方法 | |
CN116402784A (zh) | 基于机器视觉的辅助对中方法、系统、设备及存储介质 |
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 |