TWI476735B - 攝影機異常種類辨識方法及可偵測攝影異常的監視主機 - Google Patents

Description

攝影機異常種類辨識方法及可偵測攝影異常的監視主機

本發明與監視攝影系統有關，特別是一種攝影機異常種類辨識方法及可偵測攝影異常的監視主機。

目前市面上的監視攝影系統，可擷取監視場景之影像，並同步地顯示於顯示器，以供人員即時由顯示器觀看一個或多個場景之影像。監視攝影系統所擷取之影像可以進一步記錄於錄影帶或電腦硬碟等儲存媒體，以在特定事件(如竊盜事件)發生之後，重新播放該影像以確認事件發生過程。

然而，為了避免宵小在為犯罪行為之前先對攝影機施以斷線/轉向/失焦/噴漆/以物遮蔽等手法，造成監視系統錄下無效的影像。現有防範方式之一是對攝影機加裝偵測回路，以偵測攝影機是否與監視系統之間保持連線。但此偵測回路只能達成攝影機與錄影機之影像傳輸線遭剪斷的警示。

為了偵測攝影機是否被轉向，另一種防範方式是將位移感應器(如三軸陀螺儀或三軸加速規)裝設於攝影機，藉由位移感應器偵測攝影機是否有位移的情形。然而，此種方法只能支援攝影機轉向，若攝影機遭受遮蔽、失焦等情況，此方法將無法偵測出此異常狀態。

鑒於以上的問題，本發明提供一種攝影機的異常種類辨識方法及可偵測攝影異常的監視主機，藉以區分攝影機的異常種類。

本發明之一實施例提供一種攝影機異常種類辨識方法，係先取得攝影機所拍攝的即時影像及背景影像；儲存一時間區間內各連續時間點的即時影像；再於背景影像中平均選取複數取樣點，以取樣點的強度建立邊緣特徵模型；接著，將背景影像切割為二維分佈的複數場景區塊而形成一場景結構模型；續而，偵測攝影機是否發生一異常事件；最後，根據包含邊緣特徵模型及場景結構模型的背景模型，綜合比對時間區間內各連續時間點的即時影像，以判定異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者。

本發明之一實施例另提供一種可偵測攝影異常的監視主機，電連接於攝影機。監視主機包含影像輸入模組、儲存單元及異常偵測模組。異常偵測模組電連接影像輸入模組。

影像輸入模組用以接收攝影機拍攝的擷取影像及背景影像。儲存單元儲存一時間區間內各連續時間點的即時影像。異常偵測模組於背景影像中平均選取複數取樣點，以取樣點的強度建立邊緣特徵模型，並將背景影像切割為二維分佈的複數場景區塊而形成場景結構模型。異常偵測模組根據包含邊緣特徵模型及場景結構模型的背景模型，綜合比對時間區間內各連續時間點的即時影像，以判定異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者。

根據本發明之攝影機異常種類辨識方法及可偵測攝影異常的監視主機，可結合邊緣特徵及場景結構，做為偵測異常事件的背景模型(即邊緣特徵模型與場景結構模型)。由於邊緣特徵在不同光源下具有強健性，即使在低光源環境下，透過紅外線影像仍可保有邊緣特徵，因此本發明之攝影機異常種類辨識方法及可偵測攝影異常的監視主機可適用於任何光強度的環境，並可抵抗劇烈光線變化，避免誤報情形。再者，本發明之攝影機異常種類辨識方法儲存最近數張攝影機影像於影像池中，當偵測到攝影機異常時，可進一步根據影像池內的影像與邊緣特徵模型與場景結構模型分析異常事件的類型，而可區分出失焦事件、遮蔽事件、轉向事件及震動事件(微幅轉向)等。

第1圖為根據本發明一實施例之監視攝影系統100的架構示意圖。

如第1圖所示，監視攝影系統100包含監視主機110及攝影機130。監視主機110包含彼此電連接的影像輸入模組112及異常偵測模組114。影像輸入模組112用以接收攝影機130拍攝的擷取影像及背景影像。異常偵測模組114於背景影像中平均選取複數取樣點，以此些取樣點的強度建立一邊緣特徵模型，並將背景影像切割為二維分佈的複數場景區塊而形成一場景結構模型。異常偵測模組114根據包含前述邊緣特徵模型及前述場景結構模型的 一背景模型，綜合比對擷取影像，以判定是否發生異常事件；並進一步據以判定所述異常事件為遮蔽事件、轉向事件、失焦事件或開關燈事件。

第2圖為根據本發明一實施例之監視攝影系統100的另一架構示意圖。

如第2圖所示，監視攝影系統100更可包含錄影機150及顯示器170。攝影機130可設置於監視區域而朝特定方向攝影，視使用需求可設置一個或多個攝影機130。於此，攝影機130可為數位式攝影機，而訊號連接於影像輸入模組112，使監視主機110可接收攝影機130拍攝的影像。攝影機130亦可為類比式攝影機，將擷取的影像以類比訊號方式輸出至錄影機150(如經由同軸電纜線訊號連接於攝影機130與錄影機150之間)。錄影機150可為數位視訊錄放影機(Digital video recorder，DVR)，用以即時備份所連接的攝影機130的擷取影像，並訊號連接於影像輸入模組112，以將此擷取影像進一步轉換為數位訊號後傳送至監視主機110。

監視主機110更可包含影像輸出模組116。影像輸出模組116用於輸出攝影機130所擷取的影像，例如影像輸出模組116可訊號連接於顯示器170，以於顯示器170顯示攝影機130所擷取的影像。於此，顯示器170可為陰極射線管顯示器或液晶顯示器等。監視主機110實質可為電腦主機(如基於x86架構之電腦系統)或嵌入式主機(如基於進階精簡指令集機器(ARM)、系統單晶片(SoC)或數位訊號處理器(DSP)架構之嵌入式系統)，用以運 行一影像分析軟體，並可接收來自攝影機130及錄影機150的影像訊號，而將此些影像訊號輸出至顯示器170顯示。

影像輸出模組116實質可為顯示卡；影像輸入模組112實質可為影像擷取卡或網路卡等連接介面。異常偵測模組114實質可為中央處理器或/及影音編解碼器。

於此，本發明實施例所指之攝影機130可為紅外線攝影機，係具有紅外線攝影功能。透過紅外線攝影功能的啟用與否，可獲得紅外線攝影影像或彩色攝影影像。並且，攝影機130具有光偵測器，可偵測環境光強度，以於環境亮度不足時，自動啟用紅外線攝影功能，藉以克服亮度不足造成擷取影像不清晰的問題。

換言之，本發明實施例所指之攝影機130具有日間拍攝模式及夜間拍攝模式，於日間拍攝模式可擷取彩色影像，當進入夜間拍攝模式時，攝影機130將開啟其內的紅外線裝置而拍攝紅外線影像。

第3圖為根據本發明一實施例之異常偵測模組114的概要示意圖。如第3圖所示，異常偵測模組114包含異常偵測器310、異常種類偵測器330及儲存單元350。

異常偵測器310及異常種類偵測器330可以中央處理器或/及數位訊號處理器實現，用以運行影像分析軟體。該影像分析軟體可儲存於儲存單元350內。儲存單元350實質可為硬碟、非揮發式記憶體(如EEPROM)、記憶卡(如SD卡)等儲存媒體。

異常偵測器310電連接影像輸入模組112，以接收攝影機130 所擷取的影像，並分析該影像，而判斷攝影機130是否發生異常。當發生異常時，由異常種類偵測器330判定異常事件的種類。儲存單元350電連接異常偵測器310，異常偵測器310將來自影像輸入模組112的影像儲存至儲存單元350。儲存單元350還電連接異常種類偵測器330，以提供異常種類偵測器330用來分析的影像。異常偵測器310還電連接影像輸出模組116，以將攝影機130所擷取的影像，輸出至影像輸出模組116而顯示。

第4圖為根據本發明一實施例之攝影機130異常種類辨識方法流程圖。藉由監視主機110運行的影像分析軟體及攝影機130，執行第4圖所示的攝影機130的異常種類辨識方法。

請參照第4圖。首先，經由影像輸入模組110，異常偵測模組114可取得攝影機130所拍攝的即時影像及背景影像(步驟S510)。於此，即時影像係指監視攝影系統100執行監視功能時，攝影機130不斷擷取的影像。背景影像係指在監視攝影系統100執行監視功能之前的設定狀態下，攝影機130所擷取的影像。

於步驟S510之後，進入步驟S520：儲存一時間區間內各連續時間點的即時影像400。也就是說，最新的複數訊框(frame)的即時影像400將被暫存，以利後續步驟利用此些即時影像400辨識攝影機130異常種類。

於步驟S520之後，可先利用邊緣資訊建立場景結構模型並採用混合式高斯模型(Gaussian mixture model)建立邊緣特徵模型。因此，在步驟S530中，異常偵測模組114於背景影像400中平均 選取複數取樣點410，以該些取樣點410的強度建立邊緣特徵模型。換言之，邊緣特徵模型係包含背景影像中平均取樣的各個取樣點的邊緣強度，如第5A圖所示。

第5A圖為根據本發明一實施例之邊緣特徵模型的示意圖。第5A圖所示之取樣點410數量及分布僅為示意，本發明之實施例非以此為限。混合式高斯模型僅更新平均選取之取樣點410，藉此可減少運算量，而可加速獲得運算結果。

於此，取樣點410的邊緣強度的偵測可以使用索貝爾(Sobel)影像邊緣偵測法實現，但本發明之實施例非以此為限，亦可由其他邊緣偵測法(如Robert算子、Prewitt算子或Laplacian算子等)實現。在執行影像邊緣偵測法之後，還可對背景影像中各點之邊緣強度進行二值化(如Otsu演算法)演算，以判定哪些取樣點410屬於邊緣點。也就是說，經由二值化，可將該些取樣點410中邊緣強度大於特定值的點視為邊緣點。

復參閱第4圖所示。於步驟S530之後，進入步驟S550，異常偵測模組114將背景影像400切割為二維分佈的複數場景區塊420，而形成一場景結構模型。其中，各場景區塊420與鄰近的場景區塊420部分重疊，如第5B圖所示。

第5B圖為根據本發明一實施例之場景結構模型的示意圖。背景影像400可分割為m×n個場景區塊420(m、n為正整數)，第4B圖所示之場景區塊420數量僅為示意，本發明之實施例非以此為限。於此，由於相鄰的場景區塊420彼此部分重疊，因此可減 低攝影機130晃動所造成的誤報。

將背景影像400切割為複數個場景區塊420之後，可進一步建立各場景區塊420的區域性特徵，區域性特徵可為此場景區塊420中的邊緣分布與數量，利用場景區塊420的區域性特徵可組成前述的場景結構模型。

經過步驟S530及步驟S550，異常偵測模組114完成背景模型(包含邊緣特徵模型及場景結構模型)的預先設定。接著，於步驟S570，異常偵測模組114根據即時影像持續偵測攝影機130是否發生異常事件。

於步驟S570後，根據包含邊緣特徵模型及場景結構模型的背景模型，綜合比對擷取影像，以判定異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者(步驟S590)。

第6圖為根據本發明一實施例之攝影機130異常種類辨識方法之異常事件偵測流程圖。

在一實施例中，如第6圖所示，於前述步驟S550至步驟S570之間，更包含下列步驟：

步驟S610：異常偵測模組114根據攝影機130分別於日間拍攝模式及夜間拍攝模式所拍攝的背景影像，建立背景模型。換言之，異常偵測模組114以日間模式拍攝的背景影像建立對應日間模式的背景模型(包含邊緣特徵模型及場景結構模型)；並利用於夜間模式拍攝的背景影像建立對應夜間模式的背景模型(包含邊緣特徵模型及場景結構模型)。

步驟S630：異常偵測模組114偵測攝影機130進入夜間拍攝模式或日間拍攝模式。於此，異常偵測模組114係偵測即時影像的色彩飽和度，當即時影像的色彩飽和度相較於所選擇的背景模型的色彩飽和度之間的差異大於一第一門檻值時，則判定攝影機130發生異常事件。也就是說，當原攝影機130處於日間模式下，而異常偵測模組114偵測到即時影像的色彩飽和度降低時，可能係因攝影機13啟動紅外線裝置，使得即時影像轉變為紅外線影像，造成色彩飽和度降低的幅度超過第一門檻值。相反地，當原攝影機130處於夜間模式下，異常偵測模組114因偵測到即時影像的色彩飽和度增加的幅度超過第一門檻值時，可能係攝影機130自動關閉紅外線裝置的功能。

步驟S650：當攝影機130進入日間拍攝模式時，選擇對應日間拍攝模式的背景模型，當攝影機130進入夜間拍攝模式時，選擇對應夜間拍攝模式的背景模型。藉此，可於步驟S570中，針對即時影像係為夜間拍攝模式或日間拍攝模式之影像，而選擇對應的背景模型，以正確地偵測攝影機130是否發生異常。

於此，如前所述，攝影機130可為紅外線攝影機，而可自動偵測環境光強度。當攝影機130於日間拍攝模式偵測到環境光強度低於第二門檻值(如10勒克司(Lux))時，攝影機130自動切換至紅外線攝影模式(即夜間拍攝模式)，以取得為紅外線影像的擷取影像。反之，攝影機130則自夜間拍攝模式切換至日間拍攝模式。

也就是說，當監視區域光線不足時(如關燈時)，攝影機130切換至紅外線攝影模式，攝影機130的擷取影像因此為紅外線影像，擷取影像的色彩飽和度也隨之降低。為了進一步區別鏡頭遮蔽事件、鏡頭轉向事件、鏡頭失焦事件或開關燈事件等異常事件，除了色彩飽和度必須低於第一門檻值，場景結構與邊緣資訊也需要符合特定條件，才能正確區分攝影機日間與夜間之切換或鏡頭失焦、遮蔽等異常事件。

因此，於步驟S570中，異常偵測模組114可根據前述背景模型比對即時影像400，而可判定是否發生異常。於此，第6圖僅示例偵測攝影機130是否發生異常事件之一偵測流程，本發明並非以此為限。在一些實施例中，亦可使用其他的攝影機130異常偵測方法，續而進行前述步驟S590的異常種類辨識步驟。

第7圖為根據本發明一實施例之異常種類偵測器330之概要示意圖。

如第7圖所示，異常種類偵測器330可包含子區塊相似性比對器332、移動動量分析器334及影像失焦偵測器336。儲存單元350包含影像池352，用以儲存最新的一段時間內的連續N張影像(N為正整數)。子區塊相似性比對器332、移動動量分析器334及影像失焦偵測器336可根據影像池352內的影像確認攝影機130異常類型。

於前述步驟S590中，影像失焦偵測器336根據邊緣特徵模型判定即時影像400的取樣點410的邊緣特徵是否存在。若取樣點 410的邊緣特徵均不存在(即取樣點邊緣強度衰減)，則判定發生失焦事件。也就是說，影像失焦偵測器336比對一時間區間內各連續時間點的即時影像400(即影像池352內的即時影像)的取樣點410的邊緣特徵。若取樣點410的邊緣特徵衰減比例超過一閥值，則判定發生失焦事件。

在一實施例中，可利用小波轉換演算法對即時影像400進行處理，例如：將即時影像400進行三階層的小波轉換，取得各階層i (i =1~3)的四張影像HHi、HLi、LHi、LLi，如第8圖所示。第8圖為根據本發明一實施例之一階小波轉換示意圖。將各取樣點於小波轉換各階層的結果進行比對。對一取樣點f(x,y )而言，以下列演算式計算出其於各階層i 之強度Ei (x,y)：Ei (x,y)=(HHi(x,y)² +HLi(x,y)² +LHi(x,y)² )^1/2

當第一階層的強度E₁ (x,y)大於第二階層的強度E₂ (x,y)，且當第二階層的強度E₂ (x,y)大於第三階層的強度E₃ (x,y)時，可認定該取樣點f(x,y )為衰弱的取樣點。當衰弱的取樣點占原本取樣點數量超過特定比例時，可認定發生失焦事件。

移動動量分析器334可偵測影像池352內二相鄰連續時間點的即時影像400間之對應取樣點410的移動方向，並判斷其移動是否一致。若為一致，則可判定發生轉向事件。詳言之，如第9圖所示，移動動量分析器334可以各取樣點410為中心，分別向外展開一搜尋框430。接著，於影像池352內的連續影像中，於對應的搜尋框430中尋找該取樣點410’(或包含該取樣點410’的特 徵區塊)，據以辨識該取樣點410’(或特徵區塊)的移動方向及移動距離。於此，特徵區塊為自該取樣點410向外展開的影像區塊，其大小較搜尋框小。

在一些實施例中，第n+1個訊框的搜尋框430可較第n個訊框的搜尋框430大。因移動的取樣點410’或其特徵區塊會於連續訊框下移動，因此時間點較後的訊框的搜尋框與時間點較先的訊框的搜尋框的中心可為相同，而其尺寸增加下，仍可搜尋到移動的取樣點410’或其特徵區塊。

經前述判斷，若非失焦或轉向事件，則又子區塊相似性比對器332利用影像池352內的各張影像之邊緣特徵判定是否為遮蔽事件。各張影像之邊緣特徵可透過去光線變化處理步驟，並接續特徵擷取(如LBP(Local Binary Pattern)或UDP(Unsupervised Discriminant Projection)等演算處理)等步驟後獲得。再將影像池352的各影像的邊緣特徵與背景邊緣特徵相比，如透過距離轉換(Distance Transform)演算處理，求出其邊緣特徵的相似性。最後，將各邊緣特徵的演算結果與預設閥值相比。當影像池352內各張影像(即一時間區間內各連續時間點的即時影像400)與背景模型相似性逐漸超過預設閥值，且有局部區域與背景邊緣特徵仍然相似，則判定發生遮蔽事件。也就是說，子區塊相似性比對器332根據邊緣特徵模型判定影像池內各影像400的取樣點410的邊緣特徵是否存在，若部分取樣點410的邊緣特徵仍然存在，則判定發生遮蔽事件。

在一實施例中，子區塊相似性比對器332可比對即時影像400的複數個連續訊框中分別對應的場景區塊420是否相似，當不相似的場景區塊420於各連續訊框中的對應位置為連續變化，則判定發生遮蔽事件。換言之，子區塊相似性比對器232分辨不相似的場景區塊420是否在連續訊框內沿著相鄰的場景區塊420變化，以判定是否為遮蔽物遮蔽鏡頭所造成的遮蔽事件。藉此，可於遮蔽物掩蓋鏡頭的過程中偵測到此遮蔽事件。

若前述三種事件(遮蔽、轉向、失焦)均未發生，則異常種類偵測器330進一步可根據邊緣特徵模型，判定即時影像400的取樣點410的邊緣特徵是否存在。若取樣點410的邊緣特徵均存在，則進一步判定影像池352內之即時影像400(即一時間區間內各連續時間點的即時影像400)的色彩飽和度是否有一明顯的變化(即變化超過一範圍)，若是則可認定發生開關燈事件。

於此，於影像持內的各影像若其之色彩或亮度為實質相同者或一致性之雜訊，則可認定發生斷訊事件，也就是說，即時影像400為全黑、全藍或雜訊等畫面。

若攝影機130無異常，異常種類偵測器330將背景模型中背景影像的取樣點410的邊緣特徵及場景區塊420更新為當前的即時影像400中的取樣點410的邊緣特徵及場景區塊420。藉此，不斷更新背景模型(即學習背景影像)，而可繼續偵測下一時間點的即時影像400是否異常。

根據本發明之攝影機130異常種類辨識方法及可偵測攝影異 常的監視主機110，可依輸入影像自動判定攝影機130的紅外線模式是否開啟，進而比對日間或夜間之邊緣特徵及場景結構，做為偵測異常事件的背景模型(即邊緣特徵模型與場景結構模型)。由於邊緣特徵在不同光源下具有強健性，即使在低光源環境下，透過紅外線影像仍可保有邊緣特徵，因此本發明之攝影機130的異常種類辨識方法及可偵測攝影異常的監視主機110可適用於任何光強度的環境，並可抵抗劇烈光線變化，避免誤報情形。再者，本發明之攝影機130的異常種類辨識方法及可偵測攝影異常的監視主機110進一步根據邊緣特徵模型與場景結構模型分析異常事件的類型，而可區分出失焦事件、遮蔽事件、轉向事件及震動事件(微幅轉向)等。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。

100‧‧‧監視攝影系統

110‧‧‧監視主機

112‧‧‧影像輸入模組

114‧‧‧異常偵測模組

116‧‧‧影像輸出模組

130‧‧‧攝影機

150‧‧‧錄影機

170‧‧‧顯示器

310‧‧‧異常偵測器

330‧‧‧異常種類偵測器

332‧‧‧子區塊相似性比對器

334‧‧‧移動動量分析器

336‧‧‧影像失焦偵測器

350‧‧‧儲存單元

352‧‧‧影像池

400‧‧‧背景影像

410、410’‧‧‧取樣點

420‧‧‧場景區塊

430‧‧‧搜尋框

第1圖為根據本發明一實施例之監視攝影系統的架構示意圖。

第2圖為根據本發明一實施例之監視攝影系統的另一架構示意圖。

第3圖為根據本發明一實施例之異常偵測模組的概要示意圖。

第4圖為根據本發明一實施例之攝影機異常種類辨識方法流程圖。

第5A圖為根據本發明一實施例之邊緣特徵模型的示意圖。

第5B圖為根據本發明一實施例之場景結構模型的示意圖。

第6圖為根據本發明一實施例之攝影機異常種類辨識方法之異常事件偵測流程圖。

第7圖為根據本發明一實施例之異常種類偵測器之概要示意圖。

第8圖為根據本發明一實施例之一階小波轉換示意圖。

第9圖為根據本發明一實施例之動量分析示意圖。

100‧‧‧監視攝影系統

110‧‧‧監視主機

112‧‧‧影像輸入模組

114‧‧‧異常偵測模組

130‧‧‧攝影機

Claims (13)

1. 一種攝影機異常種類辨識方法，包含：取得該攝影機所拍攝的一即時影像及一背景影像；儲存一時間區間內各連續時間點的該即時影像；於該背景影像中平均選取複數取樣點，以該些取樣點的強度建立邊緣特徵模型；將該背景影像切割為二維分佈的複數場景區塊而形成一場景結構模型，其中各該場景區塊與鄰近的該場景區塊部分重疊；偵測該攝影機是否發生一異常事件；及根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該時間區間內各連續時間點的該即時影像，以判定該異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者。
2. 如請求項1所述之攝影機異常種類辨識方法，其中該攝影機具有一日間拍攝模式及一夜間拍攝模式，該攝影機異常種類辨識方法更包含：根據該攝影機分別於該日間拍攝模式及該夜間拍攝模式所拍攝的該背景影像，建立該背景模型；偵測該攝影機進入該夜間拍攝模式或該日間拍攝模式；及當該攝影機進入日間拍攝模式時，選擇對應該日間拍攝模式的該背景模型，當該攝影機進入夜間拍攝模式時，選擇對應該夜間拍攝模式的該背景模型；其中，偵測該攝影機是否發生異常事件之步驟，包含：偵測 該即時影像的色彩飽和度，當該即時影像的色彩飽和度相較於所選擇的該背景模型的色彩飽和度之間的差異大於一門檻值時，則判定該攝影機發生該異常事件。
3. 如請求項1所述之攝影機異常種類辨識方法，其中於根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該即時影像，以判定該異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者之步驟中，包含：比對該時間區間內各連續時間點的該即時影像的該些取樣點的邊緣特徵；及若該些取樣點的邊緣特徵的衰減比例超過一閥值，則判定發生失焦事件。
4. 如請求項1所述之攝影機異常種類辨識方法，其中於根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該時間區間內各連續時間點的該即時影像，以判定該異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者之步驟中，包含：當該時間區間內各連續時間點的該即時影像與背景模型的相似性逐漸超過預設閥值，且有部分取樣點的邊緣特徵與該背景模型的邊緣特徵相符，則判定發生遮蔽事件。
5. 如請求項1所述之攝影機異常種類辨識方法，其中於根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該時間區間內各連續時間點的該即時影像，以判定該異常事件為 遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者之步驟中，包含：比對該時間區間內各連續時間點的該即時影像的色彩飽和度之間的差異是否大於一門檻值，若是則判定發生開關燈事件。
6. 如請求項1所述之攝影機異常種類辨識方法，其中於根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該時間區間內各連續時間點的該即時影像，以判定該異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者之步驟中，包含：偵測該時間區間內二相鄰連續時間點的該即時影像間對應的該些取樣點的移動方向；若該些取樣點的移動方向一致，則判定發生轉向事件。
7. 一種可偵測攝影異常的監視主機，電連接於一攝影機，該監視主機包含：一影像輸入模組，用以接收該攝影機拍攝的一擷取影像及一背景影像；一儲存單元，儲存一時間區間內各連續時間點的該即時影像；及一異常偵測模組，電連接該影像輸入模組，於該背景影像中平均選取複數取樣點，以該些取樣點的強度建立一邊緣特徵模型，並將該背景影像切割為二維分佈的複數場景區塊而形成一場景結構模型，其中各該場景區塊與鄰近的該場景區塊部分重疊， 該異常偵測模組根據包含該邊緣特徵模型及該場景結構模型的一背景模型，綜合比對該時間區間內各連續時間點的該即時影像，以判定該異常事件為遮蔽事件、轉向事件、失焦事件及開關燈事件中之一者。
8. 如請求項7所述之可偵測攝影異常的監視主機，其中該異常偵測模組根據該攝影機分別於該日間拍攝模式及該夜間拍攝模式所拍攝的該背景影像，建立該背景模型，並於該攝影機進入日間拍攝模式時，選擇對應該日間拍攝模式的該背景模型，當該攝影機進入夜間拍攝模式時，選擇對應該夜間拍攝模式的該背景模型。
9. 如請求項8所述之可偵測攝影異常的監視主機，其中該異常偵測模組偵測該即時影像的色彩飽和度，當該即時影像的色彩飽和度相較於所選擇的該背景模型的色彩飽和度之間的差異大於一門檻值時，則判定該攝影機發生該異常事件。
10. 如請求項7所述之可偵測攝影異常的監視主機，其中該異常偵測模組比對該時間區間內各連續時間點的該即時影像的該些取樣點的邊緣特徵，若該些取樣點的邊緣特徵的衰減比例超過一閥值，則判定發生失焦事件。
11. 如請求項7所述之可偵測攝影異常的監視主機，其中該異常偵測模組判定該即時影像與背景模型的相似性逐漸超過預設閥值，且有部分取樣點的邊緣特徵與該背景模型的邊緣特徵相符，則判定發生遮蔽事件。
12. 如請求項7所述之可偵測攝影異常的監視主機，其中該異常偵測模組比對該時間區間內各連續時間點的該即時影像的色彩飽和度之間的差異是否大於一門檻值，若是則判定發生開關燈事件。
13. 如請求項7所述之可偵測攝影異常的監視主機，其中該異常偵測模組偵測該時間區間內二相鄰連續時間點的該即時影像間對應的該些取樣點的移動方向，若該些取樣點的移動方向一致，則判定發生轉向事件。