專利名稱：基于視頻的入侵檢測方法及裝置的制作方法
技術領域：
本申請涉及入侵檢測領域，特別是涉及一種基于視頻的入侵檢測方法及裝置。
背景技術：
在智能視頻監(jiān)控系統(tǒng)中，入侵檢測被廣泛地用于保護重要區(qū)域和地點，一旦有目標非法入侵，視頻監(jiān)控系統(tǒng)會自動檢測到入侵事件并及時向有關人員報警?；谝曨l的入侵檢測主要是針對固定攝像機所拍攝的關鍵固定場景視頻進行實時分析，利用計算機視覺算法實現(xiàn)對進入場景中的運動目標的偵測和定位，并進一步觸發(fā)報警信號。由于固定場景視頻中的背景處于動態(tài)變化過程中，如光照、陰影、擺動的樹葉等干擾因素的影響，使得運動檢測成為一項極具挑戰(zhàn)性的工作，現(xiàn)有的視頻檢測方法包含多種，如幀差法、單高斯模型法、混合高斯模型法、光流法和基于圖像塊的背景建模法等。發(fā)明人經(jīng)過研究發(fā)現(xiàn)，上述多種視頻檢測方法中，如單高斯模型法，在進行視頻檢測時，假設視頻圖像中像素點的分布是單模分布的，應用這種方法，當遇到場景的像素點呈多模分布時，檢測性能會很大程度上降低；同樣對于上述其它方法也存在很多不完善的地方，造成視頻檢測過程中的檢測性能降低。

發(fā)明內(nèi)容
為解決上述技術問題，本申請實施例提供一種基于視頻的入侵檢測方法及裝置， 能夠準確的對待檢測視頻流中視頻幀中的前景進行分離，并提取團塊，通過比較匹配的方式，對待檢測視頻進行檢測，提高了檢測性能。技術方案如下一種基于視頻的入侵檢測方法，包括接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型；依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型；應用所述檢測模型分離出所述待檢測視頻幀中的前景；提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述檢測模型作為初始模型，獲取所述視頻流中新的待檢測視頻幀。上述的方法，優(yōu)選的，當所述目標團塊與所述初始模型對應視頻幀中的團塊不匹配時，對所述目標團塊進行目標更新并判斷所述目標團塊是否滿足告警條件，當滿足告警條件時，觸發(fā)告警。上述的方法，優(yōu)選的，在接收所述待檢測視頻流前，還包括對所述待檢測視頻流進行預處理；所述預處理包括調(diào)整視頻的尺寸及格式。上述的方法，優(yōu)選的，所述建立檢測模型并應用所述檢測模型分離前景的過程包括基于混合高斯方法建立所述視頻流中視頻幀的混合高斯模型，將所述混合高斯模型作為第一初始模型并依據(jù)所述第一初始模型建立所述視頻流中待檢測視頻幀的第一檢測模型；基于幀差方法建立所述視頻流中視頻幀的幀差模型，將所述幀差模型作為第二初始模型并依據(jù)所述第二初始模型建立所述視頻流中待檢測視頻幀的第二檢測模型；分別應用所述第一檢測模型與所述第二檢測模型對所述待檢測視頻幀中的前景進行分離，并將所述分離出的前景中相同的部分作為所述待檢測視頻中的標準前景。上述的方法，優(yōu)選的，在所述第一檢測模型與所述第二檢測模型建立完成后，還包括檢測所述第一檢測模型對應視頻幀中的前景是否發(fā)生變化，當所述第一檢測模型對應視頻幀中的前景未發(fā)生改變時，分別應用所述第一檢測模型與所述第二檢測模型對所述待檢測視頻幀中的前景進行分離；否則，返回重新建立所述視頻流中視頻幀的初始模型。上述的方法，優(yōu)選的，分離出所述前景后，在提取所述前景中的目標團塊前還包括對所述前景進行紋理分析去除所述前景中的偽前景。上述的方法，優(yōu)選的，所述提取前景中目標團塊的過程包括對所述經(jīng)過紋理分析的前景進行連通分量處理構成團塊并對所述團塊進行提取。一種基于視頻的入侵檢測裝置，包括接收單元，用于接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型；建立單元，用于依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型；分離單元，用于應用所述檢測模型分離出所述待檢測視頻幀中的前景；匹配單元，用于提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；控制單元，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時， 將所述建立單元建立的檢測模型作為初始模型，并獲取所述視頻流中新的待檢測視頻幀。上述的裝置，優(yōu)選的，還包括更新單元，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊不匹配時， 對所述目標團塊進行目標更新；判斷單元，用于當所述目標團塊與所述初始模塊對應視頻幀中的團塊不匹配時， 判斷所述目標團塊是否滿足告警條件，當滿足告警條件時，觸發(fā)告警。上述的裝置，優(yōu)選的，還包括預處理單元，用于在所述接收單元接收所述待檢測視頻流前，對所述待檢測視頻流進行預處理；所述預處理包括調(diào)整視頻的尺寸及格式。上述的裝置，優(yōu)選的，所述接收單元包括第一初始模型建立子單元，用于基于混合高斯方法建立所述視頻流中視頻幀的混合高斯模型，將所述混合高斯模型作為第一初始模型；第二初始模型建立子單元，用于基于幀差方法建立所述視頻流中視頻幀的幀差模型，將所述幀差模型作為第二初始模型；
所述建立單元包括第一檢測模型建立子單元，用于基于所述第一初始模型建立所述視頻流中待檢測視頻幀的第一檢測模型；第二檢測模型建立子單元，用于基于所述第二初始模型建立所述視頻流中待檢測視頻流的第二檢測模型；所述分離單元包括第一分離子單元，用于應用所述第一檢測模型對所述待檢測視頻幀中的前景進行分離；第二分離子單元，用于應用所述第二檢測模型對所述待檢測視頻幀中的前景進行分離；比較子單元，用于將所述第一分離子單元分離的前景與所述第二分離子單元分離的前景進行比較，獲取相同的部分作為所述待檢測視頻中的標準前景。上述的裝置，優(yōu)選的，還包括檢測單元，用于在所述第一檢測模型與所述第二檢測模型建立完成后，檢測所述第一檢測模型對應視頻幀中的前景是否發(fā)生變化，當所述第一檢測模型對應視頻幀中的前景未發(fā)生改變時，指示所述分離單元對所述待檢測視頻幀中的前景進行分離，否則，指示所述接收單元重新建立所述視頻流中視頻幀的初始模型。上述的裝置，優(yōu)選的，還包括紋理分析單元，用于在分離出所述前景后，在提取所述前景中的目標團塊前，對所述前景進行紋理分析去除所述前景中的偽前景。上述的裝置，優(yōu)選的，所述匹配單元包括連通分量處理子單元，用于對所述經(jīng)過紋理分析單元進行紋理分析的前景進行連通分量處理構成團塊。由以上本申請實施例提供的技術方案可見，本發(fā)明提供的基于視頻的入侵檢測方法及裝置，接收待檢測視頻流，對視頻流中的視頻幀進行初始建模，依據(jù)所述初始模型建立視頻流中待檢測視頻幀的檢測模型，應用檢測模型分離出所述待檢測視頻幀中的前景，然后對前景中的目標團塊進行提取，與初始模型對應視頻幀中的團塊進行匹配，從而根據(jù)匹配結果完成對待檢測視頻的檢測。本申請實施例提供的基于視頻的入侵檢測方法及裝置，對前景的分離過程中，綜合混合高斯模型和幀差模型，對提取的混合高斯前景和幀差前景進行相與操作，將其相同的部分作為標準前景，提高了提取的前景的精確度；同時基于相鄰兩視頻幀依次建模的方式，提高了建模的精度；同時在檢測過程中不斷檢測場景的變化及應用紋理分析技術對分離的前景進行處理，有效的提高了檢測的精準度，提高了檢測性能。


為了更清楚地說明本申請實施例中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請中記載的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
圖1為本申請實施例提供的一種基于視頻的入侵檢測方法實施例一的流程圖；圖2為本申請實施例提供的一種基于視頻的入侵檢測方法實施例二的流程圖；圖3為本申請實施例提供的一種基于視頻的入侵檢測方法實施例二中紋理分析過程一實例示意圖；圖4為本申請實施例提供的一種基于視頻的入侵檢測方法實施例二中紋理分析過程中一實例示意圖；圖5為本申請實施例提供的一種基于視頻的入侵檢測方法實施例二中紋理分析過程中一實例示意圖；圖6為本申請實施例提供的一種基于視頻的入侵檢測方法實施例二中連通分量處理過程中一實例示意圖；圖7為本申請實施例提供的一種基于視頻的入侵檢測裝置實施例一的結構示意圖；圖8為本申請實施例提供的一種基于視頻的入侵檢測裝置實施例二的結構示意圖。為了圖示的簡單和清楚，以上附圖示出了結構的普通形式，并且為了避免不必要的模糊本發(fā)明，可以省略已知特征和技術的描述和細節(jié)。另外，附圖中的單元不必要按照比例繪制。例如，可以相對于其他單元放大圖中的一些單元的尺寸，從而幫助更好的理解本發(fā)明的實施例。不同附圖中的相同標號表示相同的單元。說明書和權利要求書及上述附圖中的術語“第一”、“第二”、“第三” “第四”等(如果存在)是用于區(qū)別類似的單元，而不必用于描述特定的順序或先后次序。應該理解這樣使用的數(shù)據(jù)在適當情況下可以互換，以便這里描述的本發(fā)明的實施例例如能夠以除了在這里圖示的或否則描述的那些以外的順序?qū)嵤?。此外，術語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，以便包含一系列單元的過程、方法、系統(tǒng)、產(chǎn)品或設備不必限于那些單元，而是可以包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設備固有的其它單元。
具體實施例方式為了使本技術領域的人員更好地理解本申請方案。下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├绢I域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都應當屬于本申請保護的范圍。實施例一本申請實施例提供的一種基于視頻的入侵檢測方法的流程圖如圖1所示，包括步驟SlOl 接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型；接收待檢測的視頻流，視頻流中的視頻以一幀一幀的形式被接收，本申請實施例中提供的入侵檢測方法，首先對視頻流中的前N幀視頻進行初始建模，獲得視頻流中視頻幀的初始模型；初始建模的過程如下，從接收視頻流中第一幀視頻開始，依次選擇至預設個數(shù)N 的視頻幀，對前N幀視頻進行初始建模，所述N可以通過實際檢測需求進行提前預設，建模過程分別采用基于混合高斯方法和基于幀差方法；基于混合高斯方法建立所述前N幀視頻的混合高斯模型，將所述混合高斯模型作為視頻流中視頻幀的初始模型；基于幀差方法建立所述前N幀視頻的幀差模型，將所述幀差模型作為視頻流中視頻幀的初始模型；建立初始模型的過程中，對于前N幀視頻只進行建模操作，不具體進行分析操作， 建模的過程中，首先依據(jù)混合高斯方法建立第一幀視頻的混合高斯模型，在所述第一幀的混合高斯模型的基礎上，對第二幀視頻進行混合高斯模型建模，依次第三幀視頻在第二幀視頻混合高斯模型的基礎上進行混合高斯模型建模，直至第N幀視頻的混合高斯模型作為視頻流中視頻幀的初始模型，初始模型即為精度較高的優(yōu)化模型，其檢測精度準確；對于應用幀差法建立初始模型的過程與應用混合高斯方法建立初始模型的過程相類似，此處不在贅述；步驟S102 依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型；本申請實施例中提供的檢測方法，所述待檢測視頻幀即為第N+1幀視頻，建立所述待檢測視頻的檢測模型，所述檢測模型在所述第N幀視頻混合高斯模型或幀差模型的基礎上進行建立，其建立過程與步驟SlOl中建立初始模型的過程一致；步驟S103 應用所述檢測模型分離出所述待檢測視頻幀中的前景；對于待檢測視頻幀建立的檢測模型分為兩種，一種是基于在混合高斯初始模型建立的混合高斯檢測模型，一種是基于幀差初始模型建立的幀差檢測模型；分別應用混合高斯檢測模型和幀差檢測模型對待檢測視頻中的前景進行分離；此時，對應用混合高斯檢測模型分離出的前景與應用幀差檢測模型分離出的前景進行相與操作，獲取其中相同的部分作為待檢測視頻幀中的標準前景；步驟S104:提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；提取所述標準前景中的目標團塊，對初始模型所對應的視頻幀即第N幀視頻進行與所述第N+1幀相同的操作，獲取所述初始模型對應視頻幀中的團塊，將所述目標團塊與所述團塊進行匹配；匹配過程即計算兩個團塊中像素點之間的距離，當距離小于某一閾值時，則認為相匹配；步驟S105 當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述檢測模型作為初始模型，獲取所述視頻流中新的待檢測視頻幀；當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，表明待檢測視頻幀與其前面的視頻幀相匹配，未存在入侵危險，因此將當前待檢測視頻幀作為新的初始模型對應視頻幀，對其下一視頻幀進行入侵檢測。通過以上論述，本申請實施例提供的基于視頻的入侵檢測方法，分別基于混合高斯方法和幀差方法對對視頻流中視頻幀進行初始建模，建模過程中每一視頻幀的模型都是在其前一幀視頻模型的基礎上進行建立；待檢測視頻流中的每一幀視頻均經(jīng)過混合高斯建模和幀差建模，然后應用分別建立好的混合高斯模型和幀差模型對當前待檢測視頻幀的前景進行提取，將提取的兩個前景進行相與操作，獲得兩個前景中相同的部分，將所述相同部分作為待檢測視頻幀的標準前景，對標準前景中的目標團塊進行提取，將當前待檢測視頻幀中的目標團塊與所述當前視頻幀前一幀視頻中的團塊進行比較，當比較結果滿足相匹配的條件時，獲取當前待檢測視頻的下一視頻幀作為當前視頻幀，重新進行視頻檢測。
實施例二為了更加清晰的本申請實施例提供的基于視頻的入侵檢測方法進行描述，本申請實施例提供了一入侵檢測方法的詳細示意圖如圖2所示，包括步驟S201 接收待檢測視頻流，對待檢測視頻流中的視頻幀進行預處理操作；對待檢測視頻流中的視頻幀進行預處理操作，包括對輸入視頻的尺寸調(diào)整及視頻格式調(diào)整，將視頻數(shù)據(jù)轉(zhuǎn)換為CIF格式；視頻圖像輸入是RGB格式的，將數(shù)據(jù)視頻格式轉(zhuǎn)換為YUV格式；步驟S202 對經(jīng)過預處理的待檢測視頻基于混合高斯方法進行建模；對于圖2中，接收第N幀視頻，對第N幀視頻基于混合高斯方法進行建模，第N幀視頻的混合高斯模型在第N-I幀視頻的混合高斯模型的基礎上進行；混合高斯模型的建模過程中，把視頻流中每一幀視頻像素點都作為相互獨立的隨機變量，并且成混合高斯分布，即認為在某像素點位置歷史上出現(xiàn)的值可以用若干個高斯分布的混合形式來模擬；步驟S203 對經(jīng)過預處理的待檢測視頻基于幀差方法進行建模；步驟S203與步驟S202是并行進行的兩個步驟，其執(zhí)行過程與步驟S202相類似， 對第N幀視頻基于幀差方法進行建模，第N幀視頻的幀差模型在第N-I幀視頻的幀差模型的基礎上進行；步驟S204 判斷N是否小于預設數(shù)值TO ；如果是，返回重新執(zhí)行步驟S202及步驟 S203進行建模過程；如果否，執(zhí)行步驟S205 ；本申請實施例提供的視頻入侵檢測方法中，對于接收的待檢測視頻流中的前TO 幀視頻(TO為根據(jù)實際入侵檢測設置的預設數(shù)值)主要用于進行初始建模過程，從第TO幀開始對視頻幀中的前景進行分析；初始建模過程中前TO幀視頻中每一視頻幀的建模過程都是在其前一視頻幀的建模過程的基礎上進行的，當建模過程進行到第TO幀視頻時，對第TO幀視頻進行前景分離， 對于TO之后的下一視頻幀，在TO幀視頻模型的基礎上進行建模，此后的視頻幀依次在其前一視頻幀模型基礎上進行建模并進行前景分離；進行前景分離并進行入侵檢測分析的視頻幀所對應的建模模型相對于其前一幀視頻的建模模型即為當前視頻幀的檢測模型；接收的待檢測視頻流中每一幀視頻都進行混合高斯模型建模和幀差建模；其中 TO是一個閾值，可以根據(jù)檢測的實際過程進行設置，一般為100幀，這個判定意味著前100 幀都只是建模，只有第100幀進行前景分離并進行檢測分析；步驟S205 判斷基于混合高斯模型方法下進行建模過程中，接收的視頻流的場景是否發(fā)生變化；如果是，重新獲取視頻流，對視頻流進行預處理后執(zhí)行建模過程；如果否， 執(zhí)行步驟S206 ；場景是否變化是指提取混合高斯模型產(chǎn)生的前景，如果前景占整個畫面超過一定閾值(閾值可設置，一般為80% )，則認為場景發(fā)生變化；步驟S206 分離視頻幀中的前景；分別應用建立的混合高斯模型和幀差模型對待檢測視頻幀中的前景進行提取，然后將混合高斯模型的前景和幀差法的前景進行相與，即只有即是混合高斯模型產(chǎn)生前景，又是幀差法產(chǎn)生的前景，才是最終輸出的前景；步驟S207 對輸出的前景進行紋理分析；本申請實施例中，應用LBP (Local Binary I^attern)特征對光線變化的不敏感性來去除光照變化引起的偽前景。從混合高斯模型中得到整個場景的背景圖像，對于每個像素點，可以把混合高斯背景模型中權重最大的高斯分布的均值當做背景的值，也可以把背景模型中所有高斯分布的均值的加權和作為背景值；通過比較每個前經(jīng)典在當前輸入圖像計算得出LBP特征和在對應位置上背景圖像的LBP特征來對其屬性做出正確判斷，如果兩個LBP特征相似，說明此前景點是偽的，否則是真的；某點的LBP特征通過比較此點和鄰域點的大小而得出，可采用8鄰域LBP特征計算，也可以使用更大的鄰域，如本申請實施例提供的圖3至圖5所示，可比較當前點和以此點為圓心，半徑為R的圓上的點的大小；步驟S208 對經(jīng)過紋理分析的前景進行連通分量處理；通過連通分量處理，將相鄰的前景點組合起來構成團塊；具體實現(xiàn)為，在當前前景像素點的8鄰域像素尋找前景點，如本申請實施例提供的圖6所示，如果存在前景點，將其歸入同一團塊，然后對新檢測到的前景點的8鄰域像素進行同樣的檢測，知道所有檢測到的前景點的8鄰域像素無法再找到新的前景點位置，這樣檢測到的前景點就構成一個團塊；將小于目標大小閾值的團塊清除，保存符合要求的團塊，最后得出團塊列表，完成團塊檢測；步驟S209 對目標團塊進行提??；步驟S210 判斷提取得到的目標團塊是否為新目標團塊；如果是，執(zhí)行步驟S211 ； 否則，執(zhí)行步驟S212;將當前視頻幀中的目標團塊與所述當前視頻幀前一視頻幀中的目標團塊進行匹配，計算它們之間的距離，如果距離小于某一閾值，則認為它們是同一目標團塊，如果沒有發(fā)現(xiàn)匹配對象，則該目標團塊為新目標團塊；步驟S211 創(chuàng)建新目標，對所述獲取的新的目標團塊進行存儲；步驟S212 對所述新的目標團塊進行更新；目標團塊的參數(shù)產(chǎn)生變化，如坐標、軌跡、生命周期等；步驟S213 判斷所述新目標團塊是否滿足告警條件，如果滿足，執(zhí)行步驟S214 如所述新目標團塊是否在防區(qū)內(nèi)，其軌跡是否足夠長，生命周期是否足夠長等；步驟S241:觸發(fā)告警；以聲音或文字形式傳送給用戶，進行警報處理。以上是本申請實施例提供的基于視頻的入侵檢測方法實施例，針對該方法實施例本申請還提供了與其相對應的一種基于視頻的入侵檢測裝置，其結構示意圖如圖本申請實施例提供的圖7所示，包括接收單元301，用于接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型；建立單元302，用于依據(jù)所述接收單元301建立的初始模型建立所述視頻流中待檢測視頻幀的檢測模型；分離單元303，用于應用所述建立單元302建立的檢測模型分離出所述待檢測視
10頻幀中的前景；匹配單元304，用于提取所述分離單元303分離的前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；控制單元305，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述建立單元302建立的檢測模型作為初始模型，并獲取所述視頻流中新的待檢測視頻幀。本申請實施例還提供了基于視頻的入侵檢測裝置的一詳細示意圖如8所示在入侵檢測裝置中，還包括更新單元317，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊不匹配時，對所述目標團塊進行目標更新；判斷單元318，用于當所述目標團塊與所述初始模塊對應視頻幀中的團塊不匹配時，判斷所述目標團塊是否滿足告警條件，當滿足告警條件時，觸發(fā)告警。預處理單元306，用于在所述接收單元301接收所述待檢測視頻流前，對所述待檢測視頻流進行預處理；所述預處理包括調(diào)整視頻的尺寸及格式。對于本申請實施例提供的入侵檢測裝置中，接收單元301包括第一初始模型建立子單元307，用于基于混合高斯方法建立所述視頻流中視頻幀的混合高斯模型，將所述混合高斯模型作為第一初始模型；第二初始模型建立子單元308，用于基于幀差方法建立所述視頻流中視頻幀的幀差模型，將所述幀差模型作為第二初始模型；建立單元302包括第一檢測模型建立子單元309，用于基于所述第一初始模型建立所述視頻流中待檢測視頻幀的第一檢測模型；第二檢測模型建立子單元310，用于基于所述第二初始模型建立所述視頻流中待檢測視頻流的第二檢測模型；分離單元303包括第一分離子單元312，用于應用所述第一檢測模型對所述待檢測視頻幀中的前景進行分離；第二分離子單元313，用于應用所述第二檢測模型對所述待檢測視頻幀中的前景進行分離；比較子單元314，用于將所述第一分離子單元312分離的前景與所述第二分離子單元313分離的前景進行比較，獲取相同的部分作為所述待檢測視頻中的標準前景。所述入侵檢測裝置中，還包括檢測單元311，用于在所述第一檢測模型與所述第二檢測模型建立完成后，檢測所述第一檢測模型對應視頻幀中的前景是否發(fā)生變化，當所述第一檢測模型對應視頻幀中的前景未發(fā)生改變時，指示所述分離單元303對所述待檢測視頻幀中的前景進行分離，否則， 指示所述接收單元重新建立所述視頻流中視頻幀的初始模型。紋理分析單元315，用于在分離出所述前景后，在提取所述前景中的目標團塊前， 對所述前景進行紋理分析去除所述前景中的偽前景。所述入侵檢測裝置中，還包括
匹配單元304包括連通分量處理子單元316，用于對所述經(jīng)過紋理分析單元315進行紋理分析的前景進行連通分量處理構成團塊。本說明書中的各個實施例均采用遞進的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。以上所述僅是本申請的具體實施方式
，應當指出，對于本技術領域的普通技術人員來說，在不脫離本申請原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本申請的保護范圍。
權利要求
1.一種基于視頻的入侵檢測方法，其特征在于，包括接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型； 依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型； 應用所述檢測模型分離出所述待檢測視頻幀中的前景；提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述檢測模型作為初始模型，獲取所述視頻流中新的待檢測視頻幀。
2.根據(jù)權利要求1所述的方法，其特征在于，當所述目標團塊與所述初始模型對應視頻幀中的團塊不匹配時，對所述目標團塊進行目標更新并判斷所述目標團塊是否滿足告警條件，當滿足告警條件時，觸發(fā)告警。
3.根據(jù)權利要求1所述的方法，其特征在于，在接收所述待檢測視頻流前，還包括 對所述待檢測視頻流進行預處理；所述預處理包括調(diào)整視頻的尺寸及格式。
4.根據(jù)權利要求1所述的方法，其特征在于，所述建立檢測模型并應用所述檢測模型分離前景的過程包括基于混合高斯方法建立所述視頻流中視頻幀的混合高斯模型，將所述混合高斯模型作為第一初始模型并依據(jù)所述第一初始模型建立所述視頻流中待檢測視頻幀的第一檢測模型；基于幀差方法建立所述視頻流中視頻幀的幀差模型，將所述幀差模型作為第二初始模型并依據(jù)所述第二初始模型建立所述視頻流中待檢測視頻幀的第二檢測模型；分別應用所述第一檢測模型與所述第二檢測模型對所述待檢測視頻幀中的前景進行分離，并將所述分離出的前景中相同的部分作為所述待檢測視頻中的標準前景。
5.根據(jù)權利要求4所述的方法，其特征在于，在所述第一檢測模型與所述第二檢測模型建立完成后，還包括檢測所述第一檢測模型對應視頻幀中的前景是否發(fā)生變化，當所述第一檢測模型對應視頻幀中的前景未發(fā)生改變時，分別應用所述第一檢測模型與所述第二檢測模型對所述待檢測視頻幀中的前景進行分離；否則，返回重新建立所述視頻流中視頻幀的初始模型。
6.根據(jù)權利要求1所述的方法，其特征在于，分離出所述前景后，在提取所述前景中的目標團塊前還包括對所述前景進行紋理分析去除所述前景中的偽前景。
7.根據(jù)權利要求6所述的方法，其特征在于，所述提取前景中目標團塊的過程包括 對所述經(jīng)過紋理分析的前景進行連通分量處理構成團塊并對所述團塊進行提取。
8.一種基于視頻的入侵檢測裝置，其特征在于，包括接收單元，用于接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型； 建立單元，用于依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型； 分離單元，用于應用所述檢測模型分離出所述待檢測視頻幀中的前景； 匹配單元，用于提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；控制單元，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述建立單元建立的檢測模型作為初始模型，并獲取所述視頻流中新的待檢測視頻幀。
9.根據(jù)權利要求8所述的裝置，其特征在于，還包括更新單元，用于當所述目標團塊與所述初始模型對應視頻幀中的團塊不匹配時，對所述目標團塊進行目標更新；判斷單元，用于當所述目標團塊與所述初始模塊對應視頻幀中的團塊不匹配時，判斷所述目標團塊是否滿足告警條件，當滿足告警條件時，觸發(fā)告警。
10.根據(jù)權利要求7所述的裝置，其特征在于，還包括預處理單元，用于在所述接收單元接收所述待檢測視頻流前，對所述待檢測視頻流進行預處理；所述預處理包括調(diào)整視頻的尺寸及格式。
11.根據(jù)權利要求7所述的裝置，其特征在于，所述接收單元包括第一初始模型建立子單元，用于基于混合高斯方法建立所述視頻流中視頻幀的混合高斯模型，將所述混合高斯模型作為第一初始模型；第二初始模型建立子單元，用于基于幀差方法建立所述視頻流中視頻幀的幀差模型， 將所述幀差模型作為第二初始模型； 所述建立單元包括第一檢測模型建立子單元，用于基于所述第一初始模型建立所述視頻流中待檢測視頻幀的第一檢測模型；第二檢測模型建立子單元，用于基于所述第二初始模型建立所述視頻流中待檢測視頻流的第二檢測模型； 所述分離單元包括第一分離子單元，用于應用所述第一檢測模型對所述待檢測視頻幀中的前景進行分離 ；第二分離子單元，用于應用所述第二檢測模型對所述待檢測視頻幀中的前景進行分離 ；比較子單元，用于將所述第一分離子單元分離的前景與所述第二分離子單元分離的前景進行比較，獲取相同的部分作為所述待檢測視頻中的標準前景。
12.根據(jù)權利要求11所述的裝置，其特征在于，還包括檢測單元，用于在所述第一檢測模型與所述第二檢測模型建立完成后，檢測所述第一檢測模型對應視頻幀中的前景是否發(fā)生變化，當所述第一檢測模型對應視頻幀中的前景未發(fā)生改變時，指示所述分離單元對所述待檢測視頻幀中的前景進行分離，否則，指示所述接收單元重新建立所述視頻流中視頻幀的初始模型。
13.根據(jù)權利要求8所述的裝置，其特征在于，還包括紋理分析單元，用于在分離出所述前景后，在提取所述前景中的目標團塊前，對所述前景進行紋理分析去除所述前景中的偽前景。
14.根據(jù)權利要求13所述的裝置，其特征在于，所述匹配單元包括連通分量處理子單元，用于對所述經(jīng)過紋理分析單元進行紋理分析的前景進行連通分量處理構成團塊。
全文摘要
本發(fā)明公開了一種基于視頻的入侵檢測方法，包括接收待檢測的視頻流，建立所述視頻流中視頻幀的初始模型；依據(jù)所述初始模型建立所述視頻流中待檢測視頻幀的檢測模型；應用所述檢測模型分離出所述待檢測視頻幀中的前景；提取所述前景中的目標團塊并將所述目標團塊與所述初始模型對應視頻幀中的團塊進行匹配；當所述目標團塊與所述初始模型對應視頻幀中的團塊相匹配時，將所述檢測模型作為初始模型，獲取所述視頻流中新的待檢測視頻幀。通過本發(fā)明實施例提供的方法，有效的提高了分離前景的精確度，提供了入侵檢測的整體性能。
文檔編號G06K9/00GK102254396SQ20111018816
公開日2011年11月23日 申請日期2011年7月6日 優(yōu)先權日2011年7月6日
發(fā)明者張濤, 張超, 張鐸, 楊栩, 涂錦輝, 肖坦 申請人:北京國鐵華晨通信信息技術有限公司