CN117557969B - 遮挡监控的实时检测方法 - Google Patents
遮挡监控的实时检测方法 Download PDFInfo
- Publication number
- CN117557969B CN117557969B CN202410044845.4A CN202410044845A CN117557969B CN 117557969 B CN117557969 B CN 117557969B CN 202410044845 A CN202410044845 A CN 202410044845A CN 117557969 B CN117557969 B CN 117557969B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- real
- time image
- gradient
- time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011897 real-time detection Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims description 39
- 238000001514 detection method Methods 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000000903 blocking effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229940112822 chewing gum Drugs 0.000 description 1
- 235000015218 chewing gum Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种遮挡监控的实时检测方法，包括以下步骤：步骤（A）：获取监控实时图像，对监控实时图像进行灰度化；步骤（B）：计算灰度化后的监控实时图像的清晰度评价值或对焦评价值；步骤（C）：计算监控实时图像梯度的离散程度；步骤（D）：判断监控实时图像视野中是否存在移动目标；步骤（E）：根据步骤（B）、步骤（C）以及步骤（D）的结果判定监控是否被遮挡。
Description
技术领域
本发明涉及实时报警技术领域，尤其涉及一种遮挡监控的实时检测方法。
背景技术
监控被遮挡会导致监控视频的有效性被降低，调查取证时，一旦现场视频证据受损，缺失判断依据，会使得各类突发事件得不到公平公正的解决，为公共安全起见，需保障监控视频的完整性和有效性，即保障监控不被遮挡，能够正常运作。
监控被遮挡可分为以下两类情况：自然遮挡，如树叶，镜头脏污等带来的视频画面缺失等；非自然遮挡，指人为恶意行为，如镜头沾口香糖、喷漆或者障碍物遮蔽等类似行为引起。现有的监控被遮挡检测技术分为人工检测和算法自动检测，如下：人工检测，即人工观察监控画面是否发生障碍物的遮挡或者视频信号的缺失，较为费时费力，工作人员易产生视觉疲劳，导致疏忽大意，不能及时发现问题；算法自动检测，采用视频分析来实现自动检测，基于背景建模，通过建立背景模型，区分背景和前景来判断监控是否存在遮挡行为，缺点是背景与前景的特征区分难易程度不同，以及模型建立的复杂度较高，导致存在着较大的误报率以及较大的算力消耗。
发明内容
本发明的一个目的在于提供一种遮挡监控的实时检测方法，采用对焦评价值、梯度离散变异程度与运动检测的方法来检测并判定监控是否被遮挡，误报率较低，具有较小的计算量和内存占用，实时性得到很大程度的提升，从而保障监控被遮挡时能够即时报警，保障正常运作状态，维护监控视频的完整性和有效性。
本发明的其它优势和特点通过下述的详细说明得以充分体现并可通过所附权利要求中特地指出的手段和装置的组合得以实现。
依本发明的一个方面，能够实现前述目的和其他目的和优势的本发明的一种遮挡监控的实时检测方法，包括以下步骤：
步骤（A）：获取监控实时图像，对监控实时图像进行灰度化；
步骤（B）：计算灰度化后的监控实时图像的清晰度评价值或对焦评价值；
步骤（C）：计算监控实时图像梯度的离散程度；
步骤（D）：判断监控实时图像视野中是否存在移动目标；
步骤（E）：根据步骤（B）、步骤（C）以及步骤（D）的结果判定监控是否被遮挡。
根据本发明的一个实施例，所述步骤（E）包括子步骤（E1）：满足对焦评价值小于对焦评价值预设阈值，同时离散程度大于离散程度预设阈值；
子步骤（E2）：视野中没有检测到移动目标；
子步骤（E3）：遮挡时间超过预设时间阈值；
其中，判定报警，必须同时满足子步骤（E1）子步骤（E2）子步骤（E3），如有任一子步骤不成立，则判定不进行报警。
根据本发明的一个实施例，所述步骤（A）包括子步骤（A1）：在计算监控实时图像梯度前，需要对数据流进行判断，若是灰度图，则直接将数据流传出供后续梯度计算，若非灰度图，则将进行灰度转换，将数据转化为灰度图。
根据本发明的一个实施例，所述步骤（B）包括子步骤（B1）：基于频率域特征的计算评价方法，执行二维傅里叶变换，中心化频谱，计算监控实时图像清晰度，计算公式为
，
其中，表示权重系数（像素到中心的距离），M为监控实时图像的宽，N为监控实时图像的高，单位均为像素， />和/>为分别表示像素点的列位置和行位置，/>为监控实时图像的频谱的平方。
根据本发明的一个实施例，所述步骤（B）包括子步骤（B2）：基于统计特征的计算评价方法，计算公式为
，
其中，是监控实时图像中灰度值为i的像素出现的频率，L为灰度级总数，M为监控实时图像的宽，N为监控实时图像的高，单位均为像素，sharpness越大，表明监控实时图像越清晰。
根据本发明的一个实施例，所述步骤（B）包括子步骤（B3）：基于监控实时图像梯度的计算评价方法，计算XY方向的梯度值，通过步骤一获得的灰度图，通过Sobel算法提取灰度图的水平方向和垂直方向的梯度信息，计算综合梯度，求取水平方向和垂直方向的平方根，将平方根作为像素点的梯度grad，计算公式为
，
其中，为水平方向的梯度信息，/>为垂直方向的梯度信息，
计算清晰度，通过最大值归一化梯度值，并计算归一化后的梯度总和，并求取平均值，平均值定义为对焦清晰度评价值，评价值越大，代表监控实时图像清晰度越高，计算公式为
，
其中，sharpness为评价值，M为分块的行数量，N为分块的列数量， 为每块的梯度值，由S2中得到，/>为分块中最大的梯度值。
根据本发明的一个实施例，所述步骤（C）包括子步骤（C1）：监控实时图像预处理，监控实时图像梯度提取，梯度计算，离散程度计算，计算公式为
，
其中，stdValue为标准差，meanValue为均值，scattervalue为特征表达值。
根据本发明的一个实施例，所述步骤（D）包括子步骤（D1）：将移动侦测模块的结果作为输入传入到算法判定模块中作为辅助判定，若画面在预设时间阈值范围内存在移动的物体，则判断为没有发生遮挡，反之，则判断为发生了遮挡。
根据本发明的一个实施例，所述步骤（B）包括子步骤（B4）：通过离散余弦变换或者小波变换得到监控实时图像清晰度的评价效果。
根据本发明的一个实施例，所述步骤（E）包括子步骤（E4）：监控摄像头可外接感应装置，当发生遮挡时，感应装置触发报警，进而辅助判断遮挡是否成立。
本发明的有益效果是：采用梯度分布离散程度、对焦程度、运动检测结合判断是否遮挡，能够降低误报率，通过对焦评价、梯度分布评价以及自带的移动侦测结果的计算量的方式，具有较小的计算量和较少的内存占用，实时性得到很大程度的提升。
附图说明
图1为本发明的一个实施例的遮挡监控的实时检测方法的算法流程图。
图2为本发明的上述实施例的遮挡监控的实时检测方法的步骤流程图。
实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或者两个以上。
在本发明的描述中，需要理解的是，属于“第一”、“第二”等仅用于描述目的，而不能理解为指示或者暗示相对重要性。本发明的描述中，需要说明的是，除非另有明确的规定和限定，属于“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接或者一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以是通过媒介间接连结。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
如图1至2所示，揭露了本发明的一个实施例的遮挡监控的实时检测方法，所述遮挡监控的实时检测方法能够检测并判断监控是否被遮挡，误报率较低，具有较小的计算量和内存占用，实时性得到很大程度的提升，在监控被遮挡时能够即时报警，保障监控的正常运作状态，维护监控视频的完整性和有效性。
在判定监控摄像头被遮挡时，画面需具有如下特征：遮挡物距离监控摄像头较近、遮挡物阻挡了监控摄像头的视野、遮挡区域视野内部不存在运动区域。
当遮挡物距离监控摄像头较近时，可以理解的是，当遮挡物靠近监控摄像头进行遮挡动作时，被遮挡的监控实时图像会产生模糊，虚化等情况，即监控实时图像出现虚焦状态，因此可通过监控实时图像的对焦状态来反映出是否存在遮挡，进一步地，对焦清晰度能够反应出监控实时图像的成像质量，同时也能够从侧面反应出前景距离监控摄像头的远近程度；当遮挡物阻挡了监控摄像头的视野，也就是，监控摄像头前方有遮挡物时，由于遮挡物与监控摄像头的距离较近，导致监控摄像头的画面虚焦，遮挡区域内部梯度变化缓慢，遮挡区域各部分的梯度较为接近，呈现出较低的离散程度；反之未被遮挡时，各个区域的灰度变换较强，具有较高的梯度离散程度；监控摄像头的移动侦测功能为检测监控画面视野中是否存在运动物体，当监控设备视野中存在障碍物遮挡时，被遮挡的视野中是不会存在着运动物体的，因此遮挡区域视野内部不存在运动区域时，移动侦测可以反馈出监控实时图像是否发生遮挡。
其中，监控实时图像的梯度即监控实时图像灰度的变换剧烈程度，当灰度变化剧烈时，监控实时图像会突出明显的轮廓和较高的对比度，反之灰度变化平缓时，监控实时图像就会出现单一的背景，显示为平缓的纯色区域，同时具有较低的层次感。
简而言之，本发明的所述遮挡监控的实时检测方法，提取视频流数据后进行预处理，计算监控实时图像的整体清晰度，计算监控实时图像的梯度信息，分块统计区域梯度的离散程度，通过比对得出的监控实时图像清晰度值、监控实时图像梯度离散程度与视野运动检测结果，从而判定监控摄像头是否被遮挡。
详而言之，所述遮挡监控的实时检测方法包括如下步骤：
步骤一：获取监控实时图像，对监控实时图像进行灰度化，监控实时图像梯度的计算需要用到像素的明暗信息，监控实时图像的灰度图能够直观反映监控实时图像像素的明暗信息，因此本发明中将采用灰度监控实时图像来计算监控实时图像的梯度信息，由于不同型号的监控设备所传输的实时视频流的监控实时图像格式可能不一致，数据格式可能是YUV、RGB或者其他类型的数据流，因此在计算监控实时图像梯度前，需要对数据流进行判断，若是灰度图，则直接将数据流传出供下一步梯度计算，若非灰度图，则将进行灰度转换，将数据转化为灰度图；
步骤二：计算监控实时图像的清晰度评价值或对焦评价值，监控实时图像的模糊是由于监控实时图像信号的高频信号损失所致，对焦清晰的监控实时图像比对焦模糊的监控实时图像具备更多的监控实时图像细节，常见的监控实时图像清晰度评价函数主要分为以下几类：
（1）基于频率域特征的计算评价方法
根据傅里叶光学理论，监控实时图像灰度变化越剧烈的区域反应在频域中表现为信号频率越高，因此监控实时图像的清晰度可由监控实时图像中的高频分量来表征，具体步骤如下：
步骤S1：执行二维傅里叶变换，对获取的灰度监控实时图像执行二维傅里叶变换，得到变换后的频谱监控实时图像；
步骤S2：频谱中心化，经过变换后的频谱监控实时图像的四角为监控实时图像的低频分量，中心区域为高频分量，为了方便计算，将四角区域的低频分量移至中心区域，将中心区域的高频分量挪到四角区域，使得越高频的分量距离中心区域越远；
步骤S3：监控实时图像清晰度计算，由步骤S2可得，越高频的分量距离中心区域越远，因此可将距离作为权重来评价监控实时图像清晰度，监控实时图像清晰度的计算评价公式如下：
，
其中，表示权重系数（像素到中心的距离），M为监控实时图像的宽，N为监控实时图像的高，单位均为像素， />和/>为分别表示像素点的列位置和行位置，/>为监控实时图像的频谱的平方；
优选地，在本发明的变形实施例中，能够通过离散余弦变换或者小波变换得到监控实时图像清晰度的评价效果；
（2）基于统计特征的计算评价方法
图像像素的分布越广，图像灰度值之间的差异越大，计算的熵越大，熵能够反馈信息的丰富程度，对焦清晰的图像比对焦模糊的图像的灰度层次感会更强，因此可通过熵函数的评价方法来评判监控实时图像的清晰度，计算评价公式如下：
，
其中，是监控实时图像中灰度值为i的像素出现的频率，L为灰度级总数，M为监控实时图像的宽，N为监控实时图像的高，单位均为像素，sharpness越大，表明监控实时图像越清晰；
（3）基于监控实时图像梯度的计算评价方法
对焦清晰的图像的边缘比对焦模糊的图像的边缘更锐利，而图像边缘灰度值变化越大，会具有更大的梯度值，图像看作二维的离散数据，利用梯度函数来计算图像梯度，并以此来评判图像的清晰度，常见的梯度函数，如Sobel、Laplace，Roberts等，下面用Sobel函数为例来描述清晰度的评价，如下：
S1：计算XY方向的梯度值，通过步骤一获得的灰度图，通过Sobel算法提取灰度图的水平方向和垂直方向的梯度信息；
S2：计算综合梯度，求取水平方向和垂直方向的平方根，将平方根作为像素点的梯度grad，公式如下：
，
其中，为水平方向的梯度信息，/>为垂直方向的梯度信息；
S3：计算清晰度，通过最大值归一化梯度值，并计算归一化后的梯度总和，并求取平均值，平均值定义为对焦清晰度评价值，评价值越大，代表监控实时图像清晰度越高，公式如下：
，
，
其中，sharpness为评价值，M为分块的行数量，N为分块的列数量， 为每块的梯度值，由S2中得到，/>为分块中最大的梯度值；
步骤三：计算监控实时图像梯度的离散程度，详细步骤如下：
（A）：监控实时图像预处理，为了防止局部的噪声对后期梯度过于敏感，在梯度提取前需要对监控实时图像进行滤波降噪，本发明中采用的是均值滤波，滤波窗口是3*3；
（B）：监控实时图像梯度提取，采用Sobel算法提取监控实时图像在水平方向和垂直方向的提取值，取绝对值，并权重各赋予一半作为像素点的梯度值；
（C）：梯度计算，将步骤（B）中最终计算的监控实时图像梯度值分为N*N块，计算每一块中的梯度均值作为块梯度值；
（D）：离散程度计算，通过（C）中的N*N块梯度数据，分别计算N*N块梯度值的标准差以及均值，通过标准差与均值的关系计算变异系数，令该变异系数作为监控实时图像梯度离散程度的特征表达值，公式如下：
，
其中，stdValue为标准差，meanValue为均值，scattervalue为特征表达值；
步骤四：判断是否监控实时图像视野中是否存在移动目标，监控摄像头被遮挡后，理论上监控画面中将不再存在移动的目标物，因此在本发明中将移动侦测模块的结果作为输入传入到算法判定模块中作为辅助判定，若画面在预设时间阈值范围内存在移动的物体，则判断为没有发生遮挡，反之，则判断为发生了遮挡；
步骤五：判定监控是否报警，评价策略如下：
条件一：满足对焦评价值小于对焦评价值预设阈值，同时离散程度大于离散程度预设阈值；
条件二：视野中没有检测到移动目标；
条件三：遮挡时间超过预设时间阈值，其中遮挡时间为监控摄像头被遮挡的时长；
其中，判定报警，必须同时满足条件一、二和三，如有任一条件不成立，则判定不进行报警。
优选地，对焦评价值阈值设为125，离散程度阈值设为0.56。
本发明的所述遮挡监控的实时检测方法的算法流程步骤，如图1所示，在开始检测后，首先获取数据；然后检测颜色通道数量是否为1，若数量为1，则直接转化为灰度监控实时图像，若数量不为1，则将三个颜色通道变化为一个颜色通道，将彩色图转化为灰度图，再转化为灰度监控实时图像；进行对焦评价值计算和梯度离散程度计算，若对焦评价值小于对焦阈值并且离散程度大于离散程度阈值并且未发生移动侦测告警，则时间计数＋1，若上述三个条件有任一不满足，则判定为未发生遮挡，时间计数置，并回到开始步骤，获取数据，继续检测；在时间计数+1后，若累计时间大于时间阈值，则进行发生遮挡告警，本轮结束，若累计时间小于或等于时间阈值，则未发生遮挡告警，回到开始步骤，获取数据，继续检测。其中，时间计数+1或时间计数置0，是基于误报的可能性，设置一个等待时间计数，若连续检测出遮挡时长达到阈值，才会触发报警，从而降低误报率。
优选地，监控摄像头可增加光线感应或者超声波装置，当发生遮挡时，光线传感器或者超声波传感器触发报警，进而辅助判断遮挡是否成立。
本发明的所述遮挡监控的实时检测方法，采用对焦评价值、梯度离散变异程度与运动检测的方法来判定遮挡检测。详而言之，当监控摄像头存在遮挡时，画面通常会呈现出模糊或者虚化状态，监控实时图像的梯度值可以反馈出监控实时图像灰度的变化剧烈程度，当灰度变化剧烈时，能够突出更多的监控实时图像轮廓以及梯度，监控实时图像模糊时，灰度变化平缓，会突出更少的轮廓与梯度，因此能够采用梯度来反馈出监控实时图像是否模糊，进而实现监控设备的遮挡检测。首先，梯度反馈的是画面中物体轮廓的灰度变化情况，不必依赖于外部环境，可以较好的避免环境光和一些噪声的干扰；其次，单纯用梯度来评价，可能受制于纯色的背景画面，当出现纯色背景时，梯度分布离散程度会出现较多的误报，结合对焦程度可以判别出障碍物距离摄像头的远近程度，从而降低误报率；为了避免一些纹理较粗糙的物体既满足对焦清晰，又满足纹理清晰的情况，进一步引入了运动检测，当发生遮挡时，视野内部不会再出现运动的区域，通过判定视野内部是否含有运动区域便可以进一步的减少遮挡误报情况的发生；此外，在实时性方面，本发明利用的对焦评价、梯度分布评价的方法以及自带的移动侦测结果的计算量相对于传统的自动遮挡检测方法来说，不必通过建立背景模型和更新模型的方法来识别遮挡，具有较小的计算量和较少的内存占用，实时性得到很大程度的提升。
Claims (8)
1.一种遮挡监控的实时检测方法，其特征在于，包括以下步骤：
步骤（A）：获取监控实时图像，对监控实时图像进行灰度化；
步骤（B）：计算灰度化后的监控实时图像的清晰度评价值或对焦评价值，基于频率域特征的计算评价方法，执行二维傅里叶变换，中心化频谱，计算监控实时图像清晰度，计算公式为
，
其中，表示权重系数，M为监控实时图像的宽，N为监控实时图像的高，单位均为像素，/> 和/>为分别表示像素点的列位置和行位置，/>为监控实时图像的频谱的平方，
基于统计特征的计算评价方法，计算公式为
，
其中，是监控实时图像中灰度值为i的像素出现的频率，L为灰度级总数，M为监控实时图像的宽，N为监控实时图像的高，单位均为像素，sharpness越大，表明监控实时图像越清晰；
步骤（C）：计算监控实时图像梯度的离散程度；
步骤（D）：判断监控实时图像视野中是否存在移动目标；
步骤（E）：根据步骤（B）、步骤（C）以及步骤（D）的结果判定监控是否被遮挡。
2.根据权利要求1所述的遮挡监控的实时检测方法，其特征在于，所述步骤（E）包括子步骤（E1）：满足对焦评价值小于对焦评价值预设阈值，同时离散程度大于离散程度预设阈值；
子步骤（E2）：视野中没有检测到移动目标；
子步骤（E3）：遮挡时间超过预设时间阈值；
其中，判定报警，必须同时满足子步骤（E1）子步骤（E2）子步骤（E3），如有任一子步骤不成立，则判定不进行报警。
3.根据权利要求2所述的遮挡监控的实时检测方法，其特征在于，所述步骤（A）包括子步骤（A1）：在计算监控实时图像梯度前，需要对数据流进行判断，若是灰度图，则直接将数据流传出供后续梯度计算，若非灰度图，则将进行灰度转换，将数据转化为灰度图。
4.根据权利要求3所述的遮挡监控的实时检测方法，其特征在于，所述步骤（B）包括子步骤（B3）：基于监控实时图像梯度的计算评价方法，计算XY方向的梯度值，通过步骤一获得的灰度图，通过Sobel算法提取灰度图的水平方向和垂直方向的梯度信息，计算综合梯度，求取水平方向和垂直方向的平方根，将平方根作为像素点的梯度grad，计算公式为
，
其中，为水平方向的梯度信息，/>为垂直方向的梯度信息，
计算清晰度，通过最大值归一化梯度值，并计算归一化后的梯度总和，并求取平均值，平均值定义为对焦清晰度评价值，评价值越大，代表监控实时图像清晰度越高，计算公式为
，
其中，sharpness为评价值，M为分块的行数量，N为分块的列数量， 为每块的梯度值，由S2中得到，/>为分块中最大的梯度值。
5.根据权利要求4所述的遮挡监控的实时检测方法，其特征在于，所述步骤（C）包括子步骤（C1）：监控实时图像预处理，监控实时图像梯度提取，梯度计算，离散程度计算，计算公式为
，
其中，stdValue为标准差，meanValue为均值，scattervalue为特征表达值。
6.根据权利要求5所述的遮挡监控的实时检测方法，其特征在于，所述步骤（D）包括子步骤（D1）：将移动侦测模块的结果作为输入传入到算法判定模块中作为辅助判定，若画面在预设时间阈值范围内存在移动的物体，则判断为没有发生遮挡，反之，则判断为发生了遮挡。
7.根据权利要求6所述的遮挡监控的实时检测方法，其特征在于，所述步骤（B）包括子步骤（B4）：通过离散余弦变换或者小波变换得到监控实时图像清晰度的评价效果。
8.根据权利要求7所述的遮挡监控的实时检测方法，其特征在于，所述步骤（E）包括子步骤（E4）：监控摄像头可外接感应装置，当发生遮挡时，感应装置触发报警，进而辅助判断遮挡是否成立。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044845.4A CN117557969B (zh) | 2024-01-12 | 2024-01-12 | 遮挡监控的实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044845.4A CN117557969B (zh) | 2024-01-12 | 2024-01-12 | 遮挡监控的实时检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117557969A CN117557969A (zh) | 2024-02-13 |
| CN117557969B true CN117557969B (zh) | 2024-05-03 |
Family
ID=89817056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410044845.4A Active CN117557969B (zh) | 2024-01-12 | 2024-01-12 | 遮挡监控的实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557969B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598706A (zh) * | 2018-11-26 | 2019-04-09 | 安徽嘉拓信息科技有限公司 | 一种摄像机镜头遮挡检测方法及系统 |
| CN110636281A (zh) * | 2019-09-23 | 2019-12-31 | 江西憶源多媒体科技有限公司 | 一种基于背景模型的监控摄像头遮挡实时检测方法 |
| CN113793294A (zh) * | 2021-08-03 | 2021-12-14 | 广州傲视物联网信息技术有限公司 | 一种含有抖动及电磁干扰检测的视频监控质量评估方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010134700A (ja) * | 2008-12-04 | 2010-06-17 | Toshiba Corp | 画像評価装置および画像評価方法 |
| WO2013148566A1 (en) * | 2012-03-26 | 2013-10-03 | Viewdle, Inc. | Image blur detection |
-
2024
- 2024-01-12 CN CN202410044845.4A patent/CN117557969B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598706A (zh) * | 2018-11-26 | 2019-04-09 | 安徽嘉拓信息科技有限公司 | 一种摄像机镜头遮挡检测方法及系统 |
| CN110636281A (zh) * | 2019-09-23 | 2019-12-31 | 江西憶源多媒体科技有限公司 | 一种基于背景模型的监控摄像头遮挡实时检测方法 |
| CN113793294A (zh) * | 2021-08-03 | 2021-12-14 | 广州傲视物联网信息技术有限公司 | 一种含有抖动及电磁干扰检测的视频监控质量评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 图像清晰度检测方法;李峰;陈志刚;储金宇;;计算机工程与设计;20060516(09);第41-42页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117557969A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020073686A1 (zh) | 基于图像识别的基坑自动监测数据筛选方法及系统 | |
| US7822275B2 (en) | Method for detecting water regions in video | |
| CN108596169B (zh) | 基于视频流图像的分块信号转换与目标检测方法及装置 | |
| JP5715863B2 (ja) | 画像処理装置 | |
| CN110287791B (zh) | 一种用于人脸图片的筛选方法和系统 | |
| CN111310733B (zh) | 基于监控视频的人员进出检测方法、装置和设备 | |
| CN115171218A (zh) | 一种基于图像识别技术的物资送样异常行为识别系统 | |
| CN101316371A (zh) | 火焰侦测方法及装置 | |
| CN114708532A (zh) | 一种监控视频质量评估方法、系统及存储介质 | |
| CN115861915A (zh) | 消防通道监控方法、消防通道监控装置以及存储介质 | |
| CN116403377A (zh) | 一种公共场所异常行为与隐患检测装置 | |
| CN110728212B (zh) | 一种基于计算机视觉的道路井盖监控装置及监控方法 | |
| CN115631191A (zh) | 一种基于灰度特征和边缘检测的堵煤检测算法 | |
| KR101581162B1 (ko) | 실시간 영상 기반의 화염, 연기 및 물체 움직임 자동 감지 방법, 장치 및 시스템 | |
| CN111860326B (zh) | 一种建筑工地物品移动检测方法、装置、设备及存储介质 | |
| CN117557969B (zh) | 遮挡监控的实时检测方法 | |
| WO2012081969A1 (en) | A system and method to detect intrusion event | |
| CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
| CN110407045B (zh) | 一种展示电梯内部人员分布信息的方法及智能电梯系统 | |
| CN116704440A (zh) | 基于大数据的智能综合采集分析系统 | |
| TWI381735B (zh) | 影像監視設備之影像處理系統及其影像解析自動調適之方法 | |
| CN114205578A (zh) | 基于频域偏度和频域峰值的视频模糊异常检测方法和系统 | |
| CN115423861A (zh) | 气体泄露检测方法及装置、设备、存储介质 | |
| US6944343B2 (en) | Image analyzing method for detecting significant changes in a time sequence of images | |
| JP3963789B2 (ja) | 眼検出装置、眼検出プログラム、そのプログラムを記録する記録媒体及び眼検出方法 |
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 |