CN116597370A - 一种基于模式匹配的船舶监控入侵检测方法 - Google Patents
一种基于模式匹配的船舶监控入侵检测方法 Download PDFInfo
- Publication number
- CN116597370A CN116597370A CN202310393244.XA CN202310393244A CN116597370A CN 116597370 A CN116597370 A CN 116597370A CN 202310393244 A CN202310393244 A CN 202310393244A CN 116597370 A CN116597370 A CN 116597370A
- Authority
- CN
- China
- Prior art keywords
- difference
- block
- images
- vector
- intrusion detection
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000005192 partition Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 abstract description 3
- 230000009545 invasion Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 239000003305 oil spill Substances 0.000 description 2
- KLPWJLBORRMFGK-UHFFFAOYSA-N Molindone Chemical compound O=C1C=2C(CC)=C(C)NC=2CCC1CN1CCOCC1 KLPWJLBORRMFGK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229940028394 moban Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于模式匹配的船舶监控入侵检测方法。本发明方法,包括:根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量;将结构模式子向量作为特征向量,计算模式距离;根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物。本发明的技术方案因无入侵情况下场景长时间保持静态,可以在不同光照条件、不同气象条件等情况下记录若干观测图像并存入数据库,并在后期计算最新观测与数据库中历史图像的模式距离判定是否存在入侵物。
Description
技术领域
本发明涉及监控入侵检测技术,特别是船舶甲板等固定场景下的监控入侵检测技术领域,具体而言,尤其涉及一种基于模式匹配的船舶监控入侵检测方法。
背景技术
最近几年来,世界贸易量正在显著增加,海运规模增长,海面溢油问题不断凸显严重,海面溢油问题对环境影响愈演愈烈,对近海环境及其平衡的生态造成了不可逆的影响。即使海洋对海面溢油污染可以进行自净,但程度是一定的,每升的溢油被完全分解需要将每万升海洋中的溶解氧消耗。当大量溢出的油污流入大海后,其对海洋生态环境及海洋生物资源的造成的伤害是不可逆的。
发明内容
根据上述提出的技术问题,提供一种基于模式匹配的船舶监控入侵检测方法。本发明因无入侵情况下场景长时间保持静态,可以在不同光照条件、不同气象条件等情况下记录若干观测图像并存入数据库,并在后期计算最新观测与数据库中历史图像的模式距离判定是否存在入侵物。
本发明采用的技术手段如下:
一种基于模式匹配的船舶监控入侵检测方法,包括:
根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量;
将结构模式子向量作为特征向量,计算模式距离;
根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物。
进一步地,所述根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量,包括:
对于两张w×h×c的图像,将两张w×h×c的图像各自分为m×n块,在每一块内计算亮度差异、对比度差异和伽马差异三种结构模式差异,最终得到一个m×n×3的结构模式子向量。
进一步地,所述对于两张w×h×c的图像,将两张w×h×c的图像各自分为m×n块,在每一块内计算亮度差异、对比度差异和伽马差异三种结构模式差异,最终得到一个m×n×3的结构模式子向量,具体包括:
对于每一个分块,为一w'×h'×c的张量,其中:
上式中,w为图像像素宽度,h为图像像素高度,c为色彩通道数,m为横向分块数量,n为纵向分块数量,w'每个分块内的像素宽度,h'为每个分块内的像素高度;
计算亮度差异度:设历史观测图像为xi,j,k,最新观测图像为yi,j,k,对于第(m',n')个分块,分块的亮度差异度为:
其中,m'为分块横坐标,n'为分块纵坐标,i表示像素横向索引,j表示像素纵向索引,k表示通道索引,xi,j,k为历史观测图像,yi,j,k为最新观测图像,为特征值,由公式计算得出,ε为一实数,防止除零;
计算对比度差异度:对于第(m',n')个分块,分块的对比度差异度为:
其中,为特征值,由公式计算得出;
计算伽马差异度:对于第(m',n')个分块,分块的伽马差异度为:
其中,为特征值,由公式计算得出;
基于计算的亮度差异度、对比度差异度和伽马差异度,得到结构模式子向量为:
进一步地,所述将结构模式子向量作为特征向量,计算模式距离,计算公式如下:
进一步地,所述根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物,包括:
在同一监控视角下,预先收集K张w×h×c的观测图像,将观测图像各自分为m×n块,由人工对各分块进行标定,标定结果如下:
当阈值为变量α时,设定损失函数:
其中,
依据最优化理论,最佳阈值αbest为:
若模式距离Distm',n'>αbest,则判定当前观测的第(m',n')块存在入侵物。
较现有技术相比,本发明具有以下优点:
1、本发明提供的基于模式匹配的船舶监控入侵检测方法,因无入侵情况下场景长时间保持静态,可以在不同光照条件、不同气象条件等情况下记录若干观测图像并存入数据库,并在后期计算最新观测与数据库中历史图像的模式距离判定是否存在入侵物。
2、本发明提供的基于模式匹配的船舶监控入侵检测方法,使用简单,相比深度学习,只需收集少量图片,就可正常工作。
3、本发明提供的基于模式匹配的船舶监控入侵检测方法,所需算力较小,可以在嵌入式设备正常工作。可解释性强,出现异常结果方便排查。
4、本发明提供的基于模式匹配的船舶监控入侵检测方法,准确率较高,识别准确率可达89.72%。
基于上述理由本发明可在监控入侵等领域广泛推广。
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做以简单地介绍,显而易见地,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时,应当清楚,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中,任向具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
在本发明的描述中,需要理解的是,方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,在未作相反说明的情况下,这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制:方位词“内、外”是指相对于各部件本身的轮廓的内外。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
此外,需要说明的是,使用“第一”、“第二”等词语来限定零部件,仅仅是为了便于对相应零部件进行区别,如没有另行声明,上述词语并没有特殊含义,因此不能理解为对本发明保护范围的限制。
如图1所示,本发明提供了一种基于模式匹配的船舶监控入侵检测方法,包括:
S1、根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量;
S2、将结构模式子向量作为特征向量,计算模式距离;
S3、根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物。
具体实施时,作为本发明优选的实施方式,所述步骤S1中,根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量,包括:
对于两张w×h×c的图像,将两张w×h×c的图像各自分为m×n块,在每一块内计算亮度差异、对比度差异和伽马差异三种结构模式差异,最终得到一个m×n×3的结构模式子向量。其具体包括:
S11、对于每一个分块,为一w'×h'×c的张量,其中:
上式中,w为图像像素宽度,h为图像像素高度,c为色彩通道数,m为横向分块数量,n为纵向分块数量,w'每个分块内的像素宽度,h'为每个分块内的像素高度;
S12、计算亮度差异度:设历史观测图像为xi,j,k,最新观测图像为yi,j,k,对于第(m',n')个分块,分块的亮度差异度为:
其中,m'为分块横坐标,n'为分块纵坐标,i表示像素横向索引,j表示像素纵向索引,k表示通道索引,xi,j,k为历史观测图像,yi,j,k为最新观测图像,为特征值,由公式计算得出,ε为一实数,防止除零;
S13、计算对比度差异度:对于第(m',n')个分块,分块的对比度差异度为:
其中,为特征值,由公式计算得出;
S14、计算伽马差异度:对于第(m',n')个分块,分块的伽马差异度为:
其中,为特征值,由公式计算得出;
S15、基于计算的亮度差异度、对比度差异度和伽马差异度,得到结构模式子向量为:
具体实施时,作为本发明优选的实施方式,所述步骤S2中,将结构模式子向量作为特征向量,计算模式距离,计算公式如下:
具体实施时,作为本发明优选的实施方式,所述步骤S3中,根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物,包括:
S31、在同一监控视角下,预先收集K张w×h×c的观测图像,将观测图像各自分为m×n块,由人工对各分块进行标定,标定结果如下:
S32、当阈值为变量α时,设定损失函数:
其中,
S33、依据最优化理论,最佳阈值αbest为:
S34、若模式距离Distm',n'>αbest,则判定当前观测的第(m',n')块存在入侵物。
实施例
步骤1、使用船舶甲板上搭载的监控摄像头,预先拍摄一段较长的录像。
步骤2、从录像的不同时间段,挑选较为典型的片段,导出为图像序列,由人工对其进行标定。具体的数据采集与标定流程如下:
在同一监控视角下,预先收集K张w×h×c的观测图像;
将所有观测图像各自分为m×n块;
根据公式对所有观测图像进行人工标定。
步骤3、利用标定的图像优化阈值,在本实施例中,采用遍历方法,优化最佳阈值αbest,优化阈值流程具体如下:
设定遍历分辨率τ,初始化α=0、Lmin:=INF以及αbest:=INF;
在当前α下,计算损失函数L(α),
若L(α)<Lmin,则Lmin:=L(α),αbest:=α,否则α:=α+τ;
若α≤Distmax,则重新计算损失函数L(α),否则确定出最佳阈值。
步骤4、投入运行,船舶监控摄像头每隔一段时间抓拍一张图像,进行入侵检测,入侵检测流程如下:
选取P张无入侵物的图像,作为模板;
由传感器采集观测图像;
由分块的亮度差异度公式、分块的对比度差异度公式、分块的伽马差异度公式以及结构模式子向量公式计算观测图像与P张模板图像的结构模式子向量;
由结构模式子向量计算模式距离Distp,m',n';
若Distp,m',n'>αbest,判定当前观测的第(m',n')块存在入侵物。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于模式匹配的船舶监控入侵检测方法,其特征在于,包括:
根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量;
将结构模式子向量作为特征向量,计算模式距离;
根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物。
2.根据权利要求1所述的基于模式匹配的船舶监控入侵检测方法,其特征在于,所述根据亮度差异、对比度差异和伽马差异,得到两图像之间的结构模式子向量,包括:
对于两张w×h×c的图像,将两张w×h×c的图像各自分为m×n块,在每一块内计算亮度差异、对比度差异和伽马差异三种结构模式差异,最终得到一个m×n×3的结构模式子向量。
3.根据权利要求2所述的基于模式匹配的船舶监控入侵检测方法,其特征在于,所述对于两张w×h×c的图像,将两张w×h×c的图像各自分为m×n块,在每一块内计算亮度差异、对比度差异和伽马差异三种结构模式差异,最终得到一个m×n×3的结构模式子向量,具体包括:
对于每一个分块,为一w'×h'×c的张量,其中:
上式中,w为图像像素宽度,h为图像像素高度,c为色彩通道数,m为横向分块数量,n为纵向分块数量,w'每个分块内的像素宽度,h'为每个分块内的像素高度;
计算亮度差异度:设历史观测图像为xi,j,k,最新观测图像为yi,j,k,对于第(m',n')个分块,分块的亮度差异度为:
其中,m'为分块横坐标,n'为分块纵坐标,i表示像素横向索引,j表示像素纵向索引,k表示通道索引,xi,j,k为历史观测图像,yi,j,k为最新观测图像,为特征值,由公式计算得出,ε为一实数,防止除零;
计算对比度差异度:对于第(m',n')个分块,分块的对比度差异度为:
其中,为特征值,由公式计算得出;
计算伽马差异度:对于第(m',n')个分块,分块的伽马差异度为:
其中,为特征值,由公式计算得出;
基于计算的亮度差异度、对比度差异度和伽马差异度,得到结构模式子向量为:
4.根据权利要求1所述的基于模式匹配的船舶监控入侵检测方法,其特征在于,所述将结构模式子向量作为特征向量,计算模式距离,计算公式如下:
5.根据权利要求1所述的基于模式匹配的船舶监控入侵检测方法,其特征在于,所述根据模式距离,通过优化方法得出最佳决策阈值,从而判断是否存在入侵物,包括:
在同一监控视角下,预先收集K张w×h×c的观测图像,将观测图像各自分为m×n块,由人工对各分块进行标定,标定结果如下:
当阈值为变量α时,设定损失函数:
其中,
依据最优化理论,最佳阈值αbest为:
若模式距离Distm',n'>αbest,则判定当前观测的第(m',n')块存在入侵物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393244.XA CN116597370A (zh) | 2023-04-13 | 2023-04-13 | 一种基于模式匹配的船舶监控入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310393244.XA CN116597370A (zh) | 2023-04-13 | 2023-04-13 | 一种基于模式匹配的船舶监控入侵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597370A true CN116597370A (zh) | 2023-08-15 |
Family
ID=87603414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310393244.XA Pending CN116597370A (zh) | 2023-04-13 | 2023-04-13 | 一种基于模式匹配的船舶监控入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913134A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
-
2023
- 2023-04-13 CN CN202310393244.XA patent/CN116597370A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116913134A (zh) * | 2023-09-13 | 2023-10-20 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
CN116913134B (zh) * | 2023-09-13 | 2023-11-14 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN111361700A (zh) | 基于机器视觉的船舶空重载识别方法 | |
CN116597370A (zh) | 一种基于模式匹配的船舶监控入侵检测方法 | |
EP3151160B1 (en) | Visual attention detector and visual attention detection method | |
CN109711322A (zh) | 一种基于rfcn的人车分离方法 | |
CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
CN113808282A (zh) | 一种多通航要素数据融合方法 | |
CN112183470B (zh) | 一种船舶水尺识别方法、设备及存储介质 | |
CN108009556A (zh) | 一种基于定点图像分析的河道漂浮物检测方法 | |
CN111521245A (zh) | 基于视觉分析的液位控制方法 | |
CN110718068B (zh) | 一种道路监控摄像机安装角度估计方法 | |
CN117237369B (zh) | 一种基于计算机视觉的高炉铁口开口深度测量方法 | |
CN112818789A (zh) | 一种船只进出港的检测方法及装置 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN114332682B (zh) | 一种海上全景去雾目标识别方法 | |
CN114913439B (zh) | 一种基于无人机遥感影像的湖面蓝藻浓度检测的补偿方法 | |
CN114863373B (zh) | 一种海上无人平台监控方法及海上无人监控平台 | |
CN112991342B (zh) | 基于水位尺图像的水位线检测方法、装置与系统 | |
CN110533698B (zh) | 一种基于视觉检测的基坑施工桩检测控制方法 | |
CN114494342A (zh) | 一种同步轨道卫星可见光序列图像海上目标检测跟踪方法 | |
CN112598738A (zh) | 一种基于深度学习的人物定位方法 | |
CN109886133A (zh) | 一种基于光学遥感图像的船只检测方法及系统 | |
CN117788463B (zh) | 基于视频ai与多模态数据融合的船舶吃水深度检测方法 |
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 |