CN1812570A - 基于全方位计算机视觉的车辆防盗装置 - Google Patents

Abstract

一种基于全方位计算机视觉的车辆防盗装置，该车辆防盗装置包括微处理器、用于监视车辆内外环境的全方位视觉传感器、安装于车内的悬挂物，用于与外界通信的通信模块；判断方法主要是利用了有外力作用必定会使车内的悬挂物产生运动、与亮度无关的(Cr，Cb)空间颜色特性以及车辆盗难发生在时空上的连续性特性，能排除其他因素而造成的对正确判断的影响；通过观测车内的悬挂物是否有摆动，摆动的持续时间以及摆动幅度的大小和摆动幅度变化速率，摆动的持续时间越长、摆动幅度越大、摆动幅度变化无规则表明发生车辆盗难的可能性越高，进一步根据车内有侵入物出现等情况作出综合判断。本发明误判率低、使用成本低、对环境依赖性低、安全性高。

Description

基于全方位计算机视觉的车辆防盗装置

(一)技术领域

本发明涉及全方位计算机视觉传感器技术、图像识别技术、计算机控制技术和通信技术在车辆防盗方面的应用，尤其是一种基于全方位计算机视觉的车辆防盗装置。

(二)背景技术

车辆是方便快捷的现代运输工具，随着国内目前消费水平的日益提高，拥有自己的车辆人数成比例增长，特别是一些中高级车辆受到车主尽心呵护，不可避免的也会被盗车贼们所关注。由于车辆的流动性大，是不可能时时处处在车主(或治安相关人员)的监控之下的，因此采用技术防范的方法已广为大众接受，也起到了明显的作用。但是目前我国的车辆防盗器材由于技术水平相对比较落后，盗车贼在熟知防盗器材性能后，找准目标想偷一辆车，从破坏防盗装置到开锁，乃至发动后开走汽车，最多不过两三分钟的时间......

国际标准IEC839-10-1定义的″车辆防盗报警系统″的定义是″预定安装在车辆上，在设置警戒状态下将企图侵入或侵扰车辆的行为表示出来的一种系统。″其英文名称(Vehicle security alarm systems)缩写为VSAS。VSAS的主要功能可以归纳为：设置警戒/解除警戒；止动；探测；报警；显示等五项主要功能。通俗地说，即①设置警戒/解除警戒--用密码操作和控制；②止动--防止未经许可使用车辆发动机移动车辆(至少两种独立的止动方法)；③探测--基本的是检测出车辆周边(车门、车盖)被打开，可选择的、附加的探测是探测到对车辆的其它侵扰(如探测侵入并在车内移动的物体，探测未经许可使用发动机、车窗被打破、外力抬高或降低车辆、外力移动车辆等行为)实现立体防护、空间防护；④实现探测就报警(可听声、可见光以及无线信号)，但不能误报警，另外可选择应急报警作为呼救手段；⑤显示--通常采用可见显示，指示出不同工作状态以及状态改变的信息(可以利用车灯显示)，但显示应限制时间，并且不能有任何显示解除密码的可见指示，不允许发出非报警的声音(以防止噪声扰民)。

关于止动英国保险业标准提出″软件锁止动″(software lock immobilization)，在车辆装备微处理器和计算机日益普及的情况下是一种值得重视的止动方法。

目前车辆防盗大致上可以分为机械防盗装置和电子(机电)防盗装置这两种车辆防盗装置，此外还有最近几年发展起来的联网的车辆防盗防抢报警(定位、跟踪)系统；作为机械防盗装置最常见的是车辆原装的锁具(如车门锁、车盖锁，点火开关锁)和车主可以后加的各种防盗锁(如锁住方向盘、排档杆、脚踏板等操纵部件的锁)，这些防盗锁的防范重点是防止使用发动机。我国的国家标准GB 15740-1995《汽车防盗装置性能要求》和公共安全行业标准GA/T73-1994《机械防盗锁》对机械防盗装置作出了基本要求。从作用上看，目前市售的机械防盗锁多为简单、价廉的装置，几乎人人会装、人人会用，对车辆本身的性能几乎没有任何影响，但它们仅能锁住车辆的局部，并且由于位置明显而又不能报警，防盗性能基本上取决于自身强度和被锁住的车辆部件的强度，使得作案机会增加(盗贼下手是毫不留情的，你锁方向盘，他用撬棍把方向盘撬变形，甚至用工具锯断方向盘就可取下防盗锁；你锁排档杆，他下力掰动，不惜损坏也要挂档开车)；作为电子(机电)防盗装置最常见的是各种电子防盗报警器。目前的电子防盗报警器既有简单的，又有复杂的，以市售的多种汽车防盗报警器为主。我国为了与国际水平接轨，等效采用了国际电工委员会IEC 839-10-1标准制定了GA2-1999《车辆防盗报警系统小客车》标准，取代了原GA/T2-1991《汽车防盗报警器通用技术条件》标准，于2000年开始实施，目前“车辆防盗报警系统”逐步在取代“汽车防盗报警器”；作为联网的车辆防盗防抢报警(定位、跟踪)系统，联网系统虽然在我国发展历史还不长，也已经出现了多种多样的体系，有的利用无线寻呼系统，有的利用公用有线和无线通信系统，有的建立专门的无线电发射接受系统，有的利用卫星全球定位系统(GPS)，等等。但是不论体系如何，它都必须至少具备网络中心、车载装置两大部分。网络中心是监控联网中的各车辆并且管理整个网络的，车载装置担任车辆的防范并且和网络中心保持联系(在防范要求上它应和上述车辆防盗报警系统的功能基本相同，而由于联网的需要，它必然还有信息收发和显示功能)。不言而喻，网络型系统的优势是“技防”加“人防”，也就是说，检测中的车辆可以随时随地被“关注”。在网络区域内，入网的车辆与网络中心之间保持着联系，车辆若发生警情便能够得到现场救援，具有定位、跟踪功能时不仅救援会及时，还能对车辆准确地实施追堵。

图像处理与计算机视觉是一个不断发展的新技术，原则上采用计算机视觉进行观测有四个目的，即预处理、最底层的特征提取、中级特征的辩识以及通过图像对高级情景的解释。一般来说，计算机视觉包括主要特征、图像处理以及图像理解。

图像是人类视觉的延伸。通过机器视觉，可以立即准确地发现车辆盗难的发生，这是不争的事实。图像监测快速性的基础是视觉所接受的信息以光为传播媒介；而图像信息的丰富和直观，是目前其他各种监测技术均不能提供如此丰富和直观的信息。

(三)发明内容

为了克服已有的车辆防盗装置误判率高、使用成本高、对环境依赖性强、安全性低的不足，本发明提供一种误判率低、使用成本低、对环境依赖性低、安全性高的基于全方位计算机视觉的车辆防盗装置。

本发明解决其技术问题所采用的技术方案是：

一种基于全方位计算机视觉的车辆防盗装置，该车辆防盗装置包括微处理器、用于监视车辆内外环境的全方位视觉传感器、安装于车内的悬挂物，用于与外界通信的通信模块；

所述的全方位视觉传感器包括用于反射监控领域中物体的外凸反射镜面、透明圆柱体、摄像头，所述的外凸反射镜面朝下，所述的透明圆柱体支撑外凸反射镜面，黑色圆锥体固定在折反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头位于透明圆柱体的内部，摄像头位于外凸反射镜面的虚焦点上；

所述的微处理器包括：

图像数据读取模块，用于读取从视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

图像展开处理模块，用于将采集的圆形视频图像展开为全景柱状图；

运动对象检测模块，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)             (1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

并将当前图像中与相邻K帧的图像相减计算公式如(2)所示：

f_d(X，t_i-k，t_i)＝f(X，t_i)-f(X，t_i-k)         (2)

上式中，f_d(X，t_i-k，t_i)是实时拍摄到图像与相邻K帧图像间进行图像相减的结果；f(X，t_i-k)是相邻K帧时的图像；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)≥阈值成立时，判定为有接近车辆事件；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)＜阈值，判定静止对象，并用式(3)来更新替换基准参考图像：

$f(X,t_0)\⇐f(X,t_{i-k})...\left(3\right)$

如f_d(X，t₀，t_i)＜阈值，判定为无接近车辆事件；

色彩空间转化模块，用于将图像RGB色彩空间转化到YUV空间；

连通区域计算模块，用于在判定有接近车辆事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

人脸颜色判断模块，用于取车门出入处的人脸区域计算(Cri，Cbi)的值，并用公式(4)进行色差分量矢量的比较：

${\mathrm{\ϵ}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}...\left(4\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入车内，否则无人侵入车内；将F_color设定为人脸颜色影响因子；

悬挂物摆动持续时间判断模块，用于监视车内的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(5)给出；

F_{pendulum time}＝K_time*time

                                    (5)

式(5)中，K_time是时间比例系数，time为车内的悬挂物摆动的持续时间；

悬挂物摆动强度判断模块，用于监视车内的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(6)给出；

F_{pendulum range}＝K_range*range       (6)

式(6)中，K_range是幅度比例系数，range为车内的悬挂物摆动的最大幅度值；

悬挂物摆动周期判断模块，用于监视车内的悬挂物的摆动周期，定义F_{pendulum period}为摆动的周期影响因子，计算公式由式(7)给出；

F_{pendulum Period}＝K_period           (7)

式(7)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

侵入对象判断模块，用于根据运动检测模块判断接近车辆事件发生，定义F_inbreak为侵入对象影响因子，其计算公式由式(8)给出，

F_inbreak＝1+K_inbreak*(times-1)      (8)

式(8)中，K_inbreak为入侵车内事件比例系数，times为检测到的侵入事件的次数；

加权综合判断模块，用于根据以上五种影响因子，综合判断公式由式(9)给出，综合判断中采用了加权方式：

$W_{\mathrm{guard\; alarm}}=K_{\mathrm{pt}}\×F_{\mathrm{pendulum\; time}}+K_{\mathrm{pr}}\×F_{\mathrm{pendulum}{\mathrm{range}}_s}+...\left(9\right)$

K_pp×F_{pendulum Period}+K_co+F_color+K_ib×F_inbreak

式中：

K_pt为车内摆子摆动的持续时间影响因子的加权系数；

K_pr为车内摆子摆动的强度影响因子的加权系数；

K_pp为车内摆子摆动的周期影响因子的加权系数；

K_co为车内侵入对象人脸颜色影响因子的加权系数；

K_ib为为车内侵入对象影响因子的加权系数；

并将异常量化值W_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向车主发送告警信息；否则，判断为正常。

进一步，所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值Kalarm1、确认盗难告警值Kalarm2，

若Kattention≤W_guard alarm≤Kalarm1，判断为有可疑侵入，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm1＜W_guard alarm≤Kalarm2，判断盗难早期警告，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知车主通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

再进一步，所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(10)所示：

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}...\left(10\right)$

式(11)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(11)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0                      (12)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(13)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)        (13)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(14)：

X_mix，bn+1(i)＝X_mix，cn(i)                  (14)。

再进一步，所述的微处理器还包括：

噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(15)所示：

h[i，j]＝(1/M)∑f[k，1]                     (15)

上式(15)中，M是邻域内的像素点总数。

更进一步，所述的图像展开处理模块，用于根据圆形全方位图像上的一个点(x^*，y^*)和矩形柱状全景图上的一个点(x^**，y^**)的对应关系，建立(x^*，y^*)与(x^**，y^**)的映射矩阵，式(16)所示：

P^**(x^**，y^**)← M× P^*(x^*，y^*)                (16)

上式中， M是映射矩阵， P^*(x^*，y^*)是圆形全方位图像上的像素矩阵，P^**(x^**，y^**)是矩形柱状全景图上的像素矩阵。

所述的色彩空间转化模块，从RGB色彩空间转换到YUV空间的关系式为式(17)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B          (17)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色。

所述的车辆防盗装置还包括软件锁止动控制器，用于自动产生识别码，并在识别码确认后启动或解除全方位视觉传感器，所述的软件锁止动控制器与全方位视觉传感器的启动模块无线通信连接。

本发明的工作原理是：所设计的车辆防盗报警系统在设置了设防功能后，采用计算机全方位视觉传感器能对监视车辆内外周围实现全方位实时图像防盗监控，从所拍摄的图像中识别出人体图像，计算并指示出侵入或干涉车辆的行为，并能防止未经许可使用车辆。全方位视觉传感器所拍摄的监控图像是一个立体的三维图像，在图像识别前首先要进行图像的标定，所述的标定就是要实现在图像帧中的一个确定的点按照坐标系映射到具有大小空间任何点的准确转换，图1表示了在计算机全方位视觉传感器中空间某个位置与图像帧中的点映射关系，对全方位视觉传感器9个参数都要按照坐标系进行标定，这些参数包括了地理位置、方向、焦点长度、非线形失真以及透镜失真，将全方位视觉传感器安装在监视空间的中央顶部就能监视所监控领域的所有部位的情况，而且不存在死角，同时所监视空间上的一个点与图像帧中的点成映射关系，通过这种映射关系可以计算出发生侵入或干涉车辆的行为所在空间位置，以实现对该侵入或干涉车辆的行为进行过程监控提高车辆防盗报警的准确率。

图1所示的全方位计算机视觉传感器系统，进入双曲面镜的中心的光，根据双曲面的镜面特性向着其虚焦点折射。实物图像经双曲面镜反射到聚光透镜中成像，在该成像平面上的一个点P1(x^*1，y^*1)对应着实物在空间上的一个点的坐标A(x1，y1，z1)。

图1中1-双曲线面镜，2-入射光线，3-双曲面镜的焦点Om(0，0，c)，4-双曲面镜的虚焦点即相机中心Oc(0，0，-c)，5-反射光线，6-成像平面，7-实物图像的空间坐标A(x1，y1，z1)，8-入射到双曲面镜面上的图像的空间坐标，9-反射在成像平面上的点P1(x^*1，y^*1)。

图1中所示的双曲面镜构成的光学系统可以由下面5个等式表示；

((X²+Y²)/a²)-(Z²/b²)＝-1  (Z＞0)               (18)

$c=\sqrt{a^2+b^2}...\left(19\right)$

β＝tan^-1(Y/X)                                 (20)

α＝tan^-1[(b²+c²)sinγ-2bc]/(b²+c²)cosγ       (21)

$y={\tan }^{-1}[f/\sqrt{(X^2+Y^2)}]...\left(22\right)$

式中X，Y，Z表示空间坐标，c表示双曲面镜的焦点，2c表示两个焦点之间的距离，a，b分别是双曲面镜的实轴和虚轴的长度，β表示入射光线在XY平面上的夹角-方位角，α表示入射光线在XZ平面上的夹角-俯角，f表示成像平面到双曲面镜的虚焦点的距离。

根据三维监视空间与图像像素的对应性关系把有存在的那些像素部分检测出来，首先要把参考图像存储在计算机的存储器里，通过实时拍摄到图像与参考图像间进行图像相减，相减的结果发生变化的区域亮度增强，也就是说有光点存在的那些像素区块的亮度增强，根据上述的空间几何关系式空间的像素点的对应性就能计算出来。

由于车辆防盗监控中全方位视觉传感器是相对固定在车辆内的中上部，通过全方位视觉传感器能够监视车辆内的侵入事件，同时也能通过车辆的前后左右玻璃车辆监视周边外围可能会发生的侵入事件，对于这两种不同的事件本发明中采用不同的处理方法；车辆发生盗难都会经历可能侵入事件到侵入事件这样一个过程，在时间和空间上都具有连续性，通过时间和空间上对侵入事件的判断有助于提高判断车辆盗难的准确性；

设置警戒后的静止停放着的车辆受到外力作用时(包括车窗被打破、外力抬高或降低车辆、外力移动车辆等行为，也包括了使用工具打开车门、车盖)都会造成悬挂在车辆中的物体产生摆动，摆动幅度的大小与所遭受到的外力有关，通过全方位视觉传感器观察悬挂物是否摆动也可以作为一种判断车辆盗难发生依据。

所述的悬挂物的摆动部分的设计必须比较灵敏，在车体的任何方向上受到1kg左右的外力时，悬挂物的摆动部分就会产生相应的摆动，同时悬挂物的摆动部分的颜色也必须是在(Cr，Cb)空间颜色上有比较明显的特征，以便机器视觉能容易的识别其产生摆动以及摆动幅度的大小和速率。悬挂物与全方位视觉传感器最好能设计成一体化，这样就能实现批量生产。

设置警戒后的静止停放着的车辆，全方位视觉传感器在车窗以下的监视部分一旦在颜色空间除了亮度指标外发现有运动变化的区域，同时根据车窗范围的监视部分所启动的监视线程，就可以立即判定为车辆内的侵入事件发生，判断方法主要是利用(Cr，Cb)空间颜色是与亮度无关的特性以及盗难发生在时空上的连续性特性，能将其他光线的照射影响排除；对于车窗范围的监视部分，车外的情况就比较复杂，可能会有行人的通过，也可能会有其他车辆的通过，这种情况下同时要观测车内的悬挂物是否有摆动，摆动的持续时间以及摆动幅度的大小和摆动幅度变化速率，摆动的持续时间越长、摆动幅度越大、摆动幅度变化无规则表明发生车辆盗难的可能性越高，一旦车窗范围的监视部分发现活动目标同时观测到车内的悬挂物有摆动就启动的监视线程。

全方位视觉传感器ODVS(OmniDirectional Vision Sensors)为实时获取场景的全景图像提供了一种新的解决方案。ODVS的特点是视野广(360度)，能把一个半球视野中的信息压缩成一幅图像，一幅图像的信息量更大；获取一个场景图像时，ODVS在场景中的安放位置更加自由；监视环境时ODVS不用瞄准目标；检测和跟踪监视范围内的运动物体时算法更加简单；可以获得场景的实时图像。因此基于ODVS的全方位视觉系统近几年迅速发展，正成为计算机视觉研究中的重要领域，IEEE从2000年开始举办每年一次的全方位视觉的专门研讨会(IEEE workshop on Omni-directional vision)。目前还没有检索到将全方位视觉传感器运用到车辆防盗报警技术领域的论文与专利。

因此，采用全方位视觉传感器ODVS并利用数字图像处理技术，找到合理的特征判据，结合车辆盗难发生的一些特征，特别是能从立体的、全方位时空连续性防护和软件锁止动等角度进一步提高车辆防盗安全性。解决目前各种车辆防盗装置中由于使用多种传感器随着各种环境的变化而造成误判率高、使用成本高、对环境依赖性强、职业盗车贼容易解破等突出缺点就成为车辆防盗技术领域的重点研究内容，并且具有明显的社会效益和经济效益。

本发明的有益效果主要表现在：1、误判率低；2、使用成本低；3、对环境依赖性低；4、安全性高。

(四)附图说明

图1是三维立体空间反射到全方位视觉平面成像示意图；

图2是全方位视觉光学配件与摄像头和配合使用的示意图；

图3是一种基于全方位计算机视觉传感器的车辆防盗报警系统的原理图；

图4是一种基于全方位计算机视觉传感器的车辆防盗报警系统的模块框图；

图5是连通图标记原理图；

图6是车内安装全方位计算机视觉传感器的车辆防盗装置示意图；

图7是悬挂在车辆中的悬挂物示意图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

参照图1、图2、图3、图4、图5、图6、图7，一种基于全方位计算机视觉的车辆防盗装置，该车辆防盗装置包括微处理器15、用于监视车辆内外环境的全方位视觉传感器13、安装于车内的悬挂物，用于与外界通信的通信模块26；

所述的全方位视觉传感器13包括用于反射监控领域中物体的外凸反射镜面1、透明圆柱体10、摄像11头，所述的外凸反射镜面1朝下，所述的透明圆柱体支撑外凸反射镜面，黑色圆锥体固定在折反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头位于透明圆柱体的内部，摄像头位于外凸反射镜面的虚焦点上；

所述的微处理器包括：

图像数据读取模块16，用于读取从视频传感器传过来的视频图像信息；

图像数据文件存储模块18，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块17，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

图像展开处理模块，用于将采集的圆形视频图像展开为全景柱状图，用于根据圆形全方位图像上的一个点(x^*，y^*)和矩形柱状全景图上的一个点(x^**，y^**)的对应关系，建立(x^*，y^*)与(x^**，y^**)的映射矩阵，式(16)所示：

P^**(x^**，y^**)← M× P^*(x^*，y^*)                 (16)

上式中， M是映射矩阵，P^*(x^*，y^*)是圆形全方位图像上的像素矩阵，P^**(x^**，y^**)是矩形柱状全景图上的像素矩阵；

运动对象检测模块20，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)             (1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

并将当前图像中与相邻K帧的图像相减计算公式如(2)所示：

f_d(X，t_i-k，t_i)＝f(X，t_i)-f(X，t_i-k)         (2)

上式中，f_d(X，t_i-k，t_i)是实时拍摄到图像与相邻K帧图像间进行图像相减的结果；f(X，t_i-k)是相邻K帧时的图像；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)≥阈值成立时，判定为有接近车辆事件；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)＜阈值，判定静止对象，并用式(3)来更新替换基准参考图像：

$f(X,t_0)\⇐f(X,t_{i-k})...\left(3\right)$

如f_d(X，t₀，t_i)＜阈值，判定为无接近车辆事件；

背景维护模块19，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(10)所示：

${\stackrel{\‾}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{H-1}{\mathrm{\Σ}}}(1-M_n(x,y))}...\left(10\right)$

式(11)中，Y n(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(11)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0                           (12)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(13)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)         (13)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(14)：

X_mix，bn+1(i)＝X_mix，cn(i)                   (14)。

图像预处理模块21包括噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(15)所示：

h[i，j]＝(1/M)∑f[k，1]                      (15)

上式(15)中，M是邻域内的像素点总数。

色彩空间转化模块22，用于将图像RGB色彩空间转化到YUV空间，从RGB色彩空间转换到YUV空间的关系式为式(17)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B        (17)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色；

连通区域计算模块，用于在判定有接近车辆事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

人脸颜色判断模块，用于取车门出入处的人脸区域计算(Cri，Cbi)的值，并用公式(4)进行色差分量矢量的比较：

${\mathrm{\ϵ}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}...\left(4\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入车内，否则无人侵入车内；将F_color设定为人脸颜色影响因子；

悬挂物摆动持续时间判断模块，用于监视车内的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(5)给出；

F_{pendulum time}＝K_time*time

                                           (5)

式(5)中，K_time是时间比例系数，time为车内的悬挂物摆动的持续时间；

悬挂物摆动强度判断模块，用于监视车内的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(6)给出；

F_{pendulum range}＝K_range*range              (6)

式(6)中，K_range是幅度比例系数，range为车内的悬挂物摆动的最大幅度值；

悬挂物摆动周期判断模块，用于监视车内的悬挂物的摆动周期，定义F_{pendulum period}为摆动的周期影响因子，计算公式由式(7)给出；

F_{pendulum Period}＝K_period               (7)

式(7)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

侵入对象判断模块，用于根据运动检测模块判断接近车辆事件发生，定义F_inbreak为侵入对象影响因子，其计算公式由式(8)给出，

F_inbreak＝1+K_inbreak*(times-1)          (8)

式(8)中，K_inbreak为入侵车内事件比例系数，times为检测到的侵入事件的次数；

加权综合判断模块24，用于根据以上五种影响因子，综合判断公式由式(9)给出，综合判断中采用了加权方式：

$W_{\mathrm{guard\; alarm}}=K_{\mathrm{pt}}\×F_{\mathrm{pendulum\; time}}+K_{\mathrm{pr}}\×F_{\mathrm{pendulum\; rang}{e}_s}+...\left(9\right)$

K_pp×F_{pendulum Period}+K_co×F_color+K_ib×F_inbreak

式中：

K_pt为车内摆子摆动的持续时间影响因子的加权系数；

K_pr为车内摆子摆动的强度影响因子的加权系数；

K_pp为车内摆子摆动的周期影响因子的加权系数；

K_co为车内侵入对象人脸颜色影响因子的加权系数；

K_ib为为车内侵入对象影响因子的加权系数；

并将异常量化值W_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向车主发送告警信息；否则，判断为正常。

所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值Kalarm1、确认盗难告警值Kalarm2，

若Kattention≤W_guard alarm≤Kalarm1，判断为有可疑侵入，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm1＜W_guard alarm≤Kalarm2，判断盗难早期警告，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若Kalarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知车主通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

结合图1并参照图2，本发明的全方位视觉功能的配件的结构为：双曲线面镜反射部件1、透明外罩圆柱体10、底座12所组成，所述的双曲线面镜1位于圆柱体10的上端，且反射镜面的凸面伸入圆柱体内向下；所述的双曲线面镜1、圆柱体10、底座12的旋转轴在同一中心轴线上；所述的数码摄像头11位于圆柱体10内的下方；所述的底座12上开有与所述的圆柱体10的壁厚相同的圆槽；所述的底座12上设有一个与数码摄像装置11的镜头一样大小的孔，所述的底座12的下部配置有嵌入式硬件和软件系统15。

结合图1并参照图4，本发明所述的全方位摄像时数码摄像装置13通过USB接口14连接到车辆防盗报警系统的微处理器15中，在按下设防键间隔一定时间后所述的微处理器15经图像数据读入模块16读入图像数据，为了得到车内外的环境图像，需要将该图像存入图像数据存储模块18中以便后面的图像识别及处理，同时为了识别运动和变化图像中物体，需要对空间坐标进行标定得到全方位图像系统的9个基本参数进行图像识别及处理，对于这个处理在本发明中的传感器标定模块17中进行。

所述的监视对象的图像识别及处理，首先要根据三维监视空间与图像像素的对应性关系把有存在的那些像素部分检测出来，因此要把参考图像存储在计算机的存储器里，通过实时拍摄到图像与参考图像间进行图像相减，相减的结果发生变化的区域亮度增强，也就是说有光点存在的那些像素区块的亮度增强，根据上述的空间几何关系式空间的像素点的对应性就能计算出来。所述的监视对象包括车辆的本身以及车辆内外的环境，如图6所示通过将全方位计算机视觉传感器安装在监视车辆内的中上部，即能监视车辆内的侵入事件，同时也能通过车辆的前后左右玻璃车辆监视周边外围可能会发生的侵入事件；

背景维护是基于背景减算法检测侵入事件的关键，它直接影响检测出侵入事件的完整性和准确性。背景维护模块19中采用了背景自适应法，其核心思想是对每一个背景像素使用1组矢量：RGB变化的当前混合值(X_mix，bi)来表示合法背景像素的允许取值(i为帧号)，并采用IIR滤波对其进行更新。

作为全方位视觉传感器有一个弱点就是在黑暗的环境下如果有一光线直接照射在发射镜面时，整个反射成像视频图像将会受到很大的干扰，可能会失去视频监控作用，因此在本发明中为了克服这个弱点，当检测到摄像监控中某个区域亮度远大于平均背景亮度时，并持续了一个规定时间以上时，系统自动接通在全方位视觉传感器上面的照明灯，同时用式(14)对当前帧背景进行重置，上述的功能也在背景维护模块19中完成。

上述经过全方位视觉传感器对监视图像采集后需经过下列模块几次处理，按照处理流程首先是求差影图处理模块20，在求差影图处理模块20主要是为了将运动变化的像素部分抽取出来；图像预处理模块21，在图像预处理模块21中主要完成边缘的探测和求连通区域等处理；颜色空间转化处理模块22，在颜色空间转化处理模块22中主要完成在上述所求得的连通区域内进行从RGB颜色空间到YCrCb颜色空间的转换，以便能根据一些颜色特征来判断是否是人脸以及车内悬挂物是否有摆动，为侵入检测作好准备；侵入检测处理模块23，在侵入检测处理模块23中主要检测是否有侵入事件的发生；车辆盗难发生综合判断模块24，在车辆盗难发生综合判断模块24主要根据上述模块23所计算的各项检测指标的数据然后进行加权计算，得到车辆盗难前兆、盗难发生中、盗车者已进入车内、盗车者设法移动车辆等判断结果。

所述的图像预处理模块21中进行了剔除由噪声所产生的图像边缘点和连通区域计算这两部分工作；实际图像信号中包含有噪声，而且一般都表现为高频信号，因此在识别过程中要剔除由噪声所产生的图像边缘点。

像素间的连通性是确定区域的一个重要概念。在二维图像中，假设目标像素周围有m(m＜＝8)个相邻的像素，如果该像素灰度与这m个像素中某一个点A的灰度相等，那么称该像素与点A具有连通性。常用的连通性有4连通和8连通。4连通一般选取目标像素的上、下、左、右四个点。8连通则选取目标像素在二维空间中所有的相邻像素。将所有具有连通性的像素作为一个区域则构成了一个连通区域。

所述的连通区域计算主要解决在图像处理过程中，一幅二值图像，其背景和目标分别具有灰度值0和1。对这样的二值图像，要对目标进行标记，计算每一目标的特征以进行识别，在多目标实时跟踪系统设计中，需要有一种快速而节省内存的连通区域标记算法。对于车辆窗口部分我们将像素为0的小区表示此小区无可疑入侵，若为1则表示此小区有可疑入侵，一般来说车辆盗难的发生是从可疑入侵到入侵这样一个过程，通过视频分割技术能够发现从可疑入侵到入侵这样一个过程。所以可以采用连通成分标记法进行缺陷区域的合并。连通标记算法可以找到图像中的所有连通成分，并对同一连通成分中的所有点分配同一标记。图5为连通标记原理图。下面是连通区域算法，

1)从左到右、从上到下扫描图像；

2)如果像素点为1，则：

·如果上面点和左面点有一个标记，则复制这一标记。

·如果两点有相同的标记，复制这一标记。

·如果两点有不同的标记，则复制上点的标记且将两个标记输入等价表中作为等价标记。

·否则给这个象素点分配新的标记并将这一标记输入等价表。

3)如果需考虑更多的点则回到第2步。

4)在等价表的每一等价集中找到最低的标记。

5)扫描图像，用等价表中的最低标记取代每一标记。

连通分量标记算法采用直线段作为连通体检测的基本处理单元，首先对原二值图像进行逐行扫描，每扫描出当前行的一条直线段(由连续的标记为I的象素点组成)，则与上一行已检测出的直线段进行连通体检测。算法利用一个线性分析表来记录标号的连通关系，采用标号的从大到小的传递关系来表示连通体的归属关系，并用函数递归的方法简单地实现标号的归并。

定义一个有序的标号序列：L＝{l₁，l₂，l₃，…，l_n}，满足：l₁＝0且l_i＜1且l_i＜l_i+1，i属于1到n的自然数。首先，将L中所有元素置为0，然后从上到下，逐行扫描图像。如果在当前行检测到有线段存在，则检测上一行的直线段的情况。如果上一行没有与之相连接的直线段，就给当前扫描到的直线段分配一个新的标号；若有5个与之相连接的直线段，则用具有最小标号的直线段的标号S_min。来标记当前的直线段，同时记录这S个标号的连通性，即将这S个标号分别与最小标号进行连通标记：

Connect(S_i，S_min)

其中，i从1到S，Connect为连通标记函数，其实现如下(23)：

$\mathrm{Connect}(a,b):\left\{\begin{array}{c}{l}_a=b,\mathrm{if}(l_a=a)\\ \mathrm{Connect}(l_a,b),\mathrm{if}(l_a>b)\\ \mathrm{Connect}(l_a,b),\mathrm{if}(l_a<b)\end{array}\right....\left(23\right)$

从左到右逐行扫描，直到完成整幅图像，完成所有的线段标记。最后，归并整个标号系列：

l_i＝Merge(i)

其中，i从1到整幅图像的标号总数n，Merge为归并函数(24)：

$\mathrm{Merge}\left(i\right)=\left\{\begin{array}{c}i,\mathrm{if}(l_i=i)\\ \mathrm{Merge}\left(l_i\right),\mathrm{otherwise}\end{array}\right....\left(24\right)$ 最后，对标记图像进行全局扫描，按归                                 并后的标号重新标记图像：

pixel(i，j)＝l_pixel(i，j)

式中，pixel(i，j)为标记图像中(i.j)位置的标号值。

算法对图像的标记情况参照图5。

在颜色空间转化模块22中只对上述模块21计算所得到的连通成分对其进行颜色空间转化处理，这样能减少系统运行时间。

在侵入检测处理模块23中主要检测车辆周边(车门、车盖)是否被打开，探测其它侵扰(如探测侵入并在车内移动的物体，探测未经许可使用发动机、车窗被打破、外力抬高或降低车辆、外力移动车辆等行为)，检测的手段主要由5项指标所构成，即；车内摆子摆动的持续时间、车内摆子摆动的强度、车内摆子摆动的周期、车内侵入对象人脸颜色、车内侵入对象，此外考虑了车辆发生盗难都会经历可能侵入事件到侵入事件这样一个过程，在时间和空间上都具有连续性；

由于车辆防盗监控中全方位视觉传感器是相对固定在车辆内的中上部，通过全方位视觉传感器能够监视车辆内的侵入事件，同时也能通过车辆的前后左右玻璃车辆监视周边外围可能会发生的侵入事件，对于这两种不同的事件本发明中采用不同的处理方法；车辆发生盗难都会经历可能侵入事件到侵入事件这样一个过程，在时间和空间上都具有连续性，通过时间和空间上对侵入事件的判断有助于提高判断车辆盗难的准确性；

设置警戒后的静止停放着的车辆受到外力作用时(包括车窗被打破、外力抬高或降低车辆、外力移动车辆等行为，也包括了使用工具打开车门、车盖)都会造成悬挂在车辆中的物体产生摆动，摆动幅度的大小与所遭受到的外力有关，通过全方位视觉传感器观察悬挂物是否摆动也可以作为一种判断车辆盗难发生依据。

所述的悬挂物的摆动部分的设计必须比较灵敏，如图7所示，当车体的任何方向上受到1kg左右的外力时，悬挂物的摆动部分就会产生相应的摆动，同时悬挂物的摆动部分的颜色也必须是在(Cr，Cb)空间颜色上有比较明显的特征，以便机器视觉能容易的识别其产生摆动以及摆动幅度的大小和速率。悬挂物与全方位视觉传感器最好能设计成一体化，这样就能实现批量生产。

设置警戒后的静止停放着的车辆，全方位视觉传感器在车窗以下的监视部分一旦在颜色空间除了亮度指标外发现有运动变化的区域，同时根据车窗范围的监视部分所启动的监视线程，就可以立即判定为车辆内的侵入事件发生，判断方法主要是利用(Cr，Cb)空间颜色是与亮度无关的特性以及盗难发生在时空上的连续性特性，能排除由其他光线的照射而产生的误识别；对于车窗范围的监视部分，车外的情况就比较复杂，可能会有行人的通过，也可能会有其他车辆的通过，这种情况下同时要观测车内的悬挂物是否有摆动，摆动的持续时间以及摆动幅度的大小和摆动幅度变化速率，摆动的持续时间越长、摆动幅度越大、摆动幅度变化无规则表明发生车辆盗难的可能性越高，一旦车窗范围的监视部分发现活动目标同时观测到车内的悬挂物有摆动就启动的监视线程。

为了提高车辆防盗水平，在本发明中设置了软件锁止动处理模块25和无线通讯处理模块26；

所述的软件锁止动是初始使用全方位计算机视觉的车辆防盗报警系统时自动产生一个识别码，该识别码存储在全方位计算机视觉的车辆防盗报警系统的存储单元中，同时将该识别码发送给车辆防盗报警系统的控制器，车辆防盗报警系统的控制器接受到该识别码时自动地将其保存在控制器的存储单元中，车辆防盗报警系统的控制器与全方位计算机视觉的车辆防盗报警系统采用无线通信方式，通过控制器可以对车辆防盗报警系统的设置警戒/解除警戒，解除警戒时需要验证识别码，只有两者的识别码相一致才能解除警戒并同时打开软件锁使得允许车辆的引擎工作，另一方面通过控制器对车辆防盗报警系统的设置警戒后用软件锁止动不允许引擎工作；

所述的无线通信方式是通过采用315M1z的无线遥控模块来实现。无线遥控模块的信号经PT2272解码后，由CPU读取PT2272的解码数据，然后根据不同的编码来实现对车辆的控制，所述的无线遥控功能由下列按键来实现；

1.“设定”按键：有声防盗设定。双蹦灯闪一次，喇叭短响两声，提示设防操作有效，用软件锁止动不允许引擎工作。

2.“解除”按键：在验证识别码正确后，解除声光寻车；同时解除灯闪烁和防盗。喇叭短响一声，提示操作有效。

3.“寻车”按键：声光寻车。喇叭鸣叫，双蹦灯闪烁。

4.“启动”按键：静音防盗。双蹦灯闪一次，提示操作有效。

5.二次设防：报警系统在设防状态，按解除功能键时，若在20秒之内没有上车行为(如开启车门或用车钥匙点火操作)，系统会再次回到设防状态。20秒后，汽车又进入设防状态，蹦灯闪一次。

6.开门闪灯：解除防盗状态时，车门打开后，汽车双蹦灯闪亮5次后停止，提示后面车辆注意。汽车双蹦灯闪5次。

7.点火报警：在设防状态下，用原车钥匙点火，会触发报警，由于软件锁止动作用，保证了不允许引擎工作。喇叭鸣叫，双蹦灯闪烁。

8.行车中控锁自动上锁：车门关好后，行车后踩脚刹，中控锁自动上锁。中控上锁指示灯点亮。

与车主的手机的通讯采用无线通讯系统，目前成本低廉、性能可靠的通讯方式采用GPRS模块。GPRS允许车主在端(手机)到端(全方位计算机视觉的车辆防盗报警系统)分组转移模式下发送和接收数据，而不需要利用电路交换模式的网络资源。从而提供了一种高效、低成本的无线分组数据业务。特别适用于间断的、突发性的和频繁的、少量的数据传输，也适用于偶尔的大数据量传输。使用GPRS技术实现数据分组发送和接收，车主永远在线且按流量计费，大大降低了车辆防盗报警系统的使用成本。

系统通过该模块与车主手机实现远程无线数据的传输。车主手机主要是获取车辆的状态信息，实现对车辆的远程防盗监视，根据式(21)计算出来的W_guard alarm的结果，车主的手机上会显示出相应的判断结果，以便车主能及时采取措施，保护好自己的财产免受损失。

所述的微处理器15是嵌入式系统，本发明中的实现算法是由Java语言实现的。

本实施例所产生的发明效果是通过车辆外部周围的视觉检测同时再检测车辆中悬挂摆动物体是否发生摆动，因此盗车者在盗窃车体外的部件(如轮胎等)时也同样具备防盗作用。

本实施例通过全方位的计算机视觉传感器、网络通信技术，图像处理技术以及检测车辆中悬挂摆动物体等手段，提供了一种快速准确可靠经济的、技防与人防紧密结合的车辆防盗报警系统。

Claims (7)

1、一种基于全方位计算机视觉的车辆防盗装置，其特征在于：该车辆防盗装置包括微处理器、用于监视车辆内外环境的全方位视觉传感器、安装于车内的悬挂物，用于与外界通信的通信模块；

所述的全方位视觉传感器包括用于反射监控领域中物体的外凸反射镜面、透明圆柱体、摄像头，所述的外凸反射镜面朝下，所述的透明圆柱体支撑外凸反射镜面，黑色圆锥体固定在折反射镜面外凸部的中心，用于拍摄外凸反射镜面上成像体的摄像头位于透明圆柱体的内部，摄像头位于外凸反射镜面的虚焦点上；

所述的微处理器包括：

图像数据读取模块，用于读取从视觉传感器传过来的视频图像信息；

图像数据文件存储模块，用于将读进来的视频图像信息通过文件方式保存在存储单元中；

传感器标定模块，用于对全方位视觉传感器的参数进行标定，建立空间的实物图像与所获得的视频图像的线性对应关系；

图像展开处理模块，用于将采集的圆形视频图像展开为全景柱状图；

运动对象检测模块，用于将所获得的当前帧现场视频图像与一个相对比较稳定的基准参考图像进行差值运算，图像相减的计算公式如式(1)表示：

f_d(X，t₀，t_i)＝f(X，t_i)-f(X，t₀)            (1)

上式中，f_d(X，t₀，t_i)是实时拍摄到图像与基准参考图像间进行图像相减的结果；f(X，t_i)是实时拍摄到图像；f(X，t₀)是基准参考图像；

并将当前图像中与相邻K帧的图像相减计算公式如(2)所示：

f_d(X，t_i-k，t_i)＝f(X，t_i)-f(X，t_i-k)            (2)

上式中，f_d(X，t_i-k，t_i)是实时拍摄到图像与相邻K帧图像间进行图像相减的结果；f(X，t_i-k)是相邻K帧时的图像；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)≥阈值成立时，判定为有接近车辆事件；

如f_d(X，t₀，t_i)≥阈值、f_d(X，t_i-k，t_i)＜阈值，判定静止对象，并用式(3)来更新替换基准参考图像：

$f(X,t_0)\&DoubleLeftArrow;f(X,t_{i-k})---\left(3\right)$

如f_d(X，t₀，t_i)＜阈值，判定为无接近车辆事件；

色彩空间转化模块，用于将图像RGB色彩空间转化到YUV空间；

连通区域计算模块，用于在判定有接近车辆事件后，对当前图像进行标记，像素灰度为0的小区表示此小区无可疑侵入，像素灰度为1则表示此小区有可疑侵入，计算当前图像中的像素是否与当前像素周围相邻的某一个点的像素相等，如灰度相等判断为具有连通性，将所有具有连通性的像素作为一个连通区域；

人脸颜色判断模块，用于取车门出入处的人脸区域计算(Cri，Cbi)的值，并用公式(4)进行色差分量矢量的比较：

${\mathrm{\&epsiv;}}_{\mathrm{color}}=\sqrt{{({\mathrm{Cr}}_i-150)}^2-{({\mathrm{Cb}}_i-120)}^2}---\left(4\right)$

若阈值1＜ε_color＜阈值2，判定该变化区域确认为有人侵入车内，否则无人侵入车内；将F_color设定为人脸颜色影响因子；

悬挂物摆动持续时间判断模块，用于监视车内的悬挂物的摆动持续时间，定义F_{pendulum time}为摆动的持续时间影响因子，计算公式由式(5)给出；

F_{pendulum time}＝K_time*t_ime          (5)

式(5)中，K_time是时间比例系数，time为车内的悬挂物摆动的持续时间；

悬挂物摆动强度判断模块，用于监视车内的悬挂物的摆动幅度，定义F_{pendulum range}为摆动的幅度影响因子，计算公式由式(6)给出；

F_{pendulum range}＝K _range *range    (6)

式(6)中，K_range是幅度比例系数，range为车内的悬挂物摆动的最大幅度值；

悬挂物摆动周期判断模块，用于监视车内的悬挂物的摆动周期，定义F_{pendulumperiod}为摆动的周期影响因子，计算公式由式(7)给出；

F_{pendulum Period}＝K _period         (7)

式(7)中，K_period是摆动的周期和摆动的方向发生变化时设定值；

侵入对象判断模块，用于根据运动检测模块判断接近车辆事件发生，定义F_inbreak为侵入对象影响因子，其计算公式由式(8)给出，

F_inbreak＝1+K_inbreak*(times-1)              (8)

式(8)中，K_inbreak为入侵车内事件比例系数，times为检测到的侵入事件的次数；

加权综合判断模块，用于根据以上五种影响因子，综合判断公式由式(9)给出，综合判断中采用了加权方式：

$W_{\mathrm{guardalarm}}=K_{\mathrm{pt}}\&times;F_{\mathrm{pendulumtime}}+K_{\mathrm{pr}}\&times;F_{\mathrm{pendulumrang}{e}_s}+$

$K_{\mathrm{pp}}\&times;F_{\mathrm{pendulumPeriod}}+K_{\mathrm{co}}\&times;F_{\mathrm{color}}+K_{\mathrm{ib}}\&times;F_{\mathrm{inbreak}}---\left(9\right)$

式中：

K_pt为车内摆子摆动的持续时间影响因子的加权系数；

K_pr为车内摆子摆动的强度影响因子的加权系数；

K_pp为车内摆子摆动的周期影响因子的加权系数；

K_co为车内侵入对象人脸颜色影响因子的加权系数；

K_ib为为车内侵入对象影响因子的加权系数；

并将异常量化值V_guard alarm与预设的告警值K_alarm比较，如果W_guard alarm≥K_alarm，判断为可疑侵入，通过通信模块向车主发送告警信息；否则，判断为正常。

2、如权利要求1所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的告警值K_alarm包括可疑侵入告警值Kattention、盗难早期告警值K alarm1、确认盗难告警值K alarm2，

若Kattention≤W_guard alarm≤K alarm1，判断为有可疑侵入，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若K alarm1＜W_guard alarm≤K alarm2，判断盗难早期警告，通过用户通信模块通知车主通过网络确认图像，启动图像数据文件存储模块记录现场视频数据；

若K alarm2＜W_guard alarm，判断为确认盗难发生，通过用户通信模块通知车主通过网络确认图像，并要求到现场进行确认，启动图像数据文件存储模块记录现场视频数据；通报公安机关110。

3、如权利要求1所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的微处理器还包括背景维护模块，所述的背景维护模块包括：

背景亮度计算单元，用于计算平均背景亮度Yb计算公式如式(10)所示：

${\stackrel{\&OverBar;}{Y}}_b=\frac{\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}{Y}_n(x,y)(1-M_n(x,y))}{\underset{x=0}{\overset{W-1}{\mathrm{\&Sigma;}}}\underset{y=0}{\overset{H-1}{\mathrm{\&Sigma;}}}(1-M_n(x,y))}---\left(10\right)$

式(11)中，Yn(x，y)为当前帧各像素的亮度，Mn(x，y)为当前帧的掩模表，所述的掩模表是用一个与视频帧尺寸相同的数组M来记录各像素点是否有运动变化，参见式(11)：

Yb0为判定为运动对象时前一帧的背景亮度，Yb1为判定为运动对象时第一帧的背景亮度，两帧平均亮度的变化为：

ΔY＝Yb1-Yb0                       (12)

如果ΔY大于上限值，则认为发生了开灯和照射事件；如果ΔY小于某个下限值，则认为发生了关灯事件；如ΔY介于上限值和下限值之间，则认为光线自然变化；

背景自适应单元，用于当光线自然变化时，按照下式(13)进行自适应学习：

X_mix，bn+1(i)＝(1-λ)X_mix，bn(i)+λX_mix，cn(i)        (13)

式中：X_mix，cn(i)为当前帧RGB向量，X_mix，bn(i)为当前帧背景RGB向量，X_mix，bn+1(i)为下一帧背景预测RGB向量，λ为背景更新的速度；λ＝0，使用固定不变的背景(初始背景)；λ＝1，使用当前帧作为背景；0＜λ＜1，背景由前一时刻的背景与当前帧混合而成；

当光线由开关灯引起的，背景像素按照当前帧重置，参见式(14)：

X_mix，n+1(i)＝X_mix，cn(i)              (14)。

4、如权利要求1-3之一所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的微处理器还包括：

噪声剔除模块，用于将每一个像素值用其局部邻域内所有值的均值置换，如公式(15)所示：

h[i，j]＝(1/M)∑f[k，1]          (15)

上式(15)中，M是邻域内的像素点总数。

5、如权利要求4所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的图像展开处理模块，用于根据圆形全方位图像上的一个点(x^*，y^*)和矩形柱状全景图上的一个点(x^**，y^**)的对应关系，建立(x^*，y^*)与(x^**，y^**)的映射矩阵，式(16)所示：

P^**(x^**，y^**)← M× P^*(x^*，y^*)                (16)

上式中， M是映射矩阵， P^*(x^*，y^*)是圆形全方位图像上的像素矩阵，P^**(x^**，y^**)是矩形柱状全景图上的像素矩阵。

6、如权利要求4所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的色彩空间转化模块，从RGB色彩空间转换到YUV空间的关系式为式(17)：

Y＝0.301*R+0.586*G+0.113*B

U＝-0.301*R-0.586*G+0.887*B    (17)

V＝0.699*R-0.586*G-0.113*B

上式中，Y代表YUV颜色模型的亮度，U、V是YUV颜色模型的两个彩色分量，表示色差；R表示RGB色彩空间的红色；G表示RGB色彩空间的绿色；B表示RGB色彩空间的蓝色。

7、如权利要求4所述的基于全方位计算机视觉的车辆防盗装置，其特征在于：所述的车辆防盗装置还包括软件锁止动控制器，用于自动产生识别码，并在识别码确认后启动或解除全方位视觉传感器，所述的软件锁止动控制器与全方位视觉传感器的启动模块无线通信连接。

Images