基于視頻的入侵檢測方法
【專利摘要】本發(fā)明公開了一種入侵檢測方法。其中包括：建立監(jiān)控場景的背景模型；提取監(jiān)控場景的運動目標；分析運動目標的軌跡與形態(tài)，判定入侵目標。本發(fā)明設計合理，使用新型基于視頻的入侵檢測方法可以有效排除快速光線變化，相機晃動，動態(tài)背景等環(huán)境干擾，可實時可靠的自動檢測入侵目標。
【專利說明】基于視頻的入侵檢測方法
【技術領域】
[0001]本發(fā)明屬于視頻監(jiān)控領域，尤其是一種實時的自動入侵檢測方法。
技術背景
[0002]隨著國家對于平安城市等安防項目的大力投入，視頻監(jiān)控得到了快速發(fā)展。目前的視頻監(jiān)控大多停留在人工進行查看的狀況。人工查看實時的視頻圖像，由于長時間監(jiān)控畫面中沒有入侵目標出現(xiàn)，而且一個安保人員要負責很多路監(jiān)控畫面，因此，非常容易導致安保人員的疲勞，真正出現(xiàn)危險入侵時，不能及時發(fā)現(xiàn)。人工監(jiān)控的方式，導致視頻監(jiān)控系統(tǒng)變成了一種安全事件發(fā)生后的取證系統(tǒng)，而不是在安全事件發(fā)生前或發(fā)生時的預防系統(tǒng)。
[0003]隨著智能視頻監(jiān)控技術的日益成熟，以人工智能與視頻分析等技術為主的智能安防系統(tǒng)在一定程度上彌補了人工監(jiān)控的不足。智能安防系統(tǒng)可以幫助安保人員快速分析大量現(xiàn)場傳回的視頻，并作出決策，極大的提高了視頻監(jiān)控系統(tǒng)的實際價值，因此有著廣闊的發(fā)展空間和巨大的潛在市場。
[0004]智能入侵檢測系統(tǒng)是指通過視頻分析的方法，自動發(fā)現(xiàn)監(jiān)控視頻中的入侵目標，并且根據(jù)一定判定條件，確定是否自動報警?，F(xiàn)有的智能入侵檢測系統(tǒng)在目標提取上，大多使用混合高斯背景建模技術，對于普通的動態(tài)背景，如緩慢的光照變化，輕微的相機晃動等具有較好的處理效果。但對于快速的光照變化，劇烈相機抖動，較大幅度的樹枝擺動等處理效果不理想，經(jīng)常會產(chǎn)生錯誤報警，限制了其實際的使用范圍。在入侵目標的報警條件判斷上，大多采用軌跡跟蹤，通過運動距離長度與一些預先訓練好的模型匹配來實現(xiàn)報警。在實際使用過程中，由于相機實際安裝角度與預先學習樣本差異，受其他動態(tài)場景，影像噪聲等因素影響會造成很多漏報，誤報，造成在實際使用中的很多不便。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于解決上述的現(xiàn)有問題，提出一種視頻監(jiān)控領域的入侵檢測方法，該方法可以適應多種惡劣監(jiān)控環(huán)境，對相機安裝角度無特殊要求，自動發(fā)現(xiàn)入侵目標準確快速，可以極大提高現(xiàn)有視頻監(jiān)控系統(tǒng)的安全防護效率。
[0006]本發(fā)明通過如下方案實現(xiàn):
[0007]—種基于視頻的入侵檢測方法，以此通過視頻數(shù)據(jù)采集，動態(tài)背景建模，運動目標提取，運動目標跟蹤，軌跡分析，判定入侵目標。具體包括以下步驟:
[0008]A.建立以及更新背景模型，提取前景；
[0009]B.對前景進行形態(tài)學處理與目標提?。?br> [0010]C.使用目標跟蹤算法對運動目標進行跟蹤，獲取目標坐標；
[0011]D.進行軌跡分析，包括分析目標軌跡以及形態(tài)，更新目標狀態(tài)；
[0012]E.給出入侵報警信息。
[0013]其特征在于所述步驟A包括如下步驟:[0014]Al.在跟蹤算法啟動時，進行一定時間的背景學習，此背景建模方法使用顏色編碼表，但不限制于該方法，可以使用任何動態(tài)背景建模方法。
[0015]A2.根據(jù)背景建模方法，提取前景圖像，并為前景圖像建立歷史運動模板，若當前一幀圖像檢測到前景的位置，此位置運動模板值為一個特定整數(shù)，若某一位置當前圖像沒有檢測為前景，則減去1，若以及為0，則不進行操作。
[0016]A3.更新背景模型，歷史運動模板不為0的位置不進行更新。
[0017]其特征在于所述步驟D包括如下步驟:
[0018]Dl.分析目標形態(tài)，保存目標的歷史形態(tài)特征，使用矩形區(qū)域表示，通過計算目標歷史形態(tài)的長寬比，面積的方差判定目標形態(tài)是否穩(wěn)定，穩(wěn)定度小于一定閾值，則認為是噪聲。
[0019]D2.分析軌跡長度，目標生存時間大于一定閾值并且軌跡起點距離終點長度如果大于與目標尺寸相關的一定長度閾值，并且在Dl中沒有被判定為噪聲，則判定為入侵目標。
[0020]本發(fā)明的優(yōu)點和積極效果是:
[0021]通過使用運動目標的歷史運動模板來輔助顏色編碼表進行監(jiān)控場景逐幀的背景更新，使得背景模型可以適應快速變化的背景，并且不會影響到運動目標偵測的靈敏度，使得基于視頻的入侵檢測系統(tǒng)可以適應多種復雜監(jiān)控環(huán)境，并且具有很高的運算效率。
[0022]通過使用基于形態(tài)和軌跡的入侵目標確認方法，可以有效的去除在目標提取階段錯誤檢測為前景的目標，極大提高了入侵目標檢測的精確性，并且該方法構思簡單，易于實現(xiàn)。
【專利附圖】

【附圖說明】
[0023]圖1是基于視頻的入侵檢測方法流程圖。
[0024]圖2是背景模型更新方法的實施例的流程示意圖。
[0025]圖3是軌跡分析方法實施例的流程示意圖。
【具體實施方式】:
[0026]一種基于視頻的入侵檢測方法，其流程如圖1所示。具體包括以下步驟:
[0027]A.建立以及更新背景模型，提取前景；
[0028]B.對前景進行形態(tài)學處理與目標提??；
[0029]C.使用目標跟蹤算法對運動目標進行跟蹤，獲取目標坐標；
[0030]D.分析目標軌跡以及形態(tài)，更新目標狀態(tài)；
[0031]E.給出入侵報警信息。
[0032]其特征在于所述步驟A包括如下步驟:
[0033]Al.在跟蹤算法啟動時，進行一定時間的背景學習，此背景建模方法使用顏色編碼表，但不限制于該方法，可以使用任何動態(tài)背景建模方法。
[0034]A2.根據(jù)背景建模方法，提取前景圖像，并為前景圖像建立歷史運動模板，若當前一幀圖像檢測到前景的位置，此位置運動模板值為一個特定整數(shù)，若某一位置當前圖像沒有檢測為前景，則減去1，若以及為0，則不進行操作。[0035]A3.更新背景模型，歷史運動模板不為0的位置不進行更新。
[0036]其特征在于所述步驟D包括如下步驟:
[0037]Dl.分析目標形態(tài)穩(wěn)定性，保存目標的歷史形態(tài)特征，使用矩形區(qū)域表示，通過計算目標歷史形態(tài)的長寬比，面積的方差判定目標形態(tài)是否穩(wěn)定，穩(wěn)定度小于一定閾值，則認為是噪聲。
[0038]D2.分析軌跡長度，目標生存時間大于一定閾值并且軌跡起點距離終點長度如果大于與目標尺寸相關的一定長度閾值，并且在Dl中沒有被判定為噪聲，則判定為入侵目標。
[0039]下面以圖2為例，具體說明背景建模算法的實現(xiàn)方法:
[0040]步驟201，在入侵檢測算法初次啟動時，開始學習背景模型。背景模型使用顏色編碼表表示。背景模型中每個像素點使用20個編碼節(jié)點表示。每個編碼節(jié)點由三個顏色通道的最大最小值表示，使用RedMin，RedMax表示紅色通道的最小值與最大值，GreenMin, GreenMax表示綠色通道的最小值與最大值，BlueMin, BlueMax表示藍色通道的最小值與最大值，統(tǒng)一使用ColorMin, ColorMax表示。在背景學習階段,背景模型有一個學習速率參數(shù)ColorMod，如果新一幀的圖像顏色值R，G，B，統(tǒng)一使用Color表示。都滿足ColorMin-ColorMod < Color < ColorMax+ColorMod,則更新該編碼節(jié)點，ColorMin 更新為Color 與 ColorMin-ColorMod 中的較小值，ColorMax 更新為 Color 與 ColorMod 中較大值。否則，產(chǎn)生新的編碼節(jié)點，使得ColorMin與ColorMax值都為Color。在學習背景模型階段，學習100-200幀圖像。
[0041]步驟202，完成背景學習后，再新輸入一幀圖像，進入前景檢測模塊，對于背景模型，具有一個顏色補償值Mod，設置為3至10之間，對于新輸入圖像的每一個像素點顏色值Color,使用在步驟201中學習的顏色編碼表，從表中的第一個節(jié)點開始判定，依次遍歷該像素點的所有顏色編碼節(jié)點，如果某一個節(jié)點滿足Color+Mod > ColorMin并且Color-Mod< ColorMax,則結束遍歷，該像素點被判定為背景，如果遍歷所有像素點都不滿足，則該像素點被判定為前景。
[0042]步驟203，對于相鄰兩幀圖像，對應像素點顏色差值的絕對值為ColorDifT =ab s (Co I or 1-Co I or 2)，歷史差值均值表不為 MeanColorDiff = MeanCo I orD i f f *0.95+ColorDiff*0.05，以更新率0.05進行更新。如果ColorDiff > 3*MeanColorDiff，則認為該像素點發(fā)生運動，在一幅與輸入圖像相同大小的前景圖DiffFore中對應像素點賦值為1，否則賦值為O。
[0043]步驟204,建立與輸入圖像相同大小的運動歷史模板圖MotionFore,如果在步驟203中的DiffFore中像素點的值為I，則在MotionFore中將相應像素點賦值為M，M為一個整數(shù)，范圍在10到100之間，根據(jù)實際使用場景決定，對于快速變化的場景，取值較小，慢速變化場景，取值較大。在步驟203中像素點如果值為0，則在MotionFore中對應的像素點的值減1，如果值為0，則不進行操作。
[0044]步驟205，更新背景模型，如果MotionFore對應像素點為0，更新該像素點背景模型，方法同步驟201。
[0045]步驟206，背景模型按照每個像素20個編碼節(jié)點統(tǒng)一分配內(nèi)存，當背景模型內(nèi)存占用率超過90%，需要清理長時間沒有出現(xiàn)的內(nèi)存，防止內(nèi)存占滿，無法為新出現(xiàn)的顏色分配內(nèi)存。
[0046]步驟207，清理背景模型，在步驟205中，記錄了編碼節(jié)點上一次出現(xiàn)時間，如果當前中貞距離上次出現(xiàn)幀N-NPre > Thres, Thres為背景模型清理閾值,設定為1000,則該編碼節(jié)點被刪除。
[0047]步驟201至步驟207描述了一種優(yōu)選的背景模型更新方法。實驗結果表明，使用本實施例進行背景模型更新以及前景提取，可以適應快速變化的監(jiān)控環(huán)境，比直接使用動態(tài)背景模型進行背景更新檢測到更加準確的前景。
[0048]下面以圖3為例，具體說明軌跡分析的實施方法。
[0049]步驟301，判定目標形態(tài)，運動目標使用矩形區(qū)域描述，表示為Rect，矩形寬度Rectffidth,矩形高度 RectHeight,矩形面積 RectArea = Rectffidth^RectHeight,矩形長寬比RectRatio = RectWidth/RectHeight。目標會存儲每一次檢測到的矩形。要計算目標矩形長寬比與矩形面積的方差，RectRatioMean = (RectRatiol+RectRatio2+...+RectRatioN)/N, RectAreaMean = (RectAreal+RectArea2+…+RectAreaN)/N。RectRatioVar = ((RectRatiol-RectRatioMean) * (RectRatiol-RectRatioMean)+…+ (RectRatioN-RectRatioMean) * (RectRatioN-RectRatioMean))/N，相同方法可計算RectAreaVar0 如果目標的 RectRatioVar > 0.l*RectRatioMean*RectRatioMean,則認為該目標不穩(wěn)定，判定為噪聲。如果目標的RectAreaVar > 0.l*RectAreaMean*RectAreaMean,則認為該目標不穩(wěn)定，判定為噪聲。
[0050]步驟302，判定目標軌跡長度，如果在步驟301中目標沒有被判定為噪聲，則計算目標尺寸TarSize，將目標寬度從小到大排序，取得中位數(shù)TarWidth，將目標高度從小到大排序，取得中位數(shù)TarHeight,目標尺寸使用TarWidth與TarHeight的較小值表示。目標的軌跡長度PathLen為目標起點距離終點的直線距離。如果PathLen > IO^TarSize并且目標產(chǎn)生的時間長度LiveTime > 5`秒，則判定目標為激活狀態(tài)。
[0051]步驟301至步驟302描述了軌跡分析的方法，實驗結果表明，通過該實施例的方法，可以有效去除由于環(huán)境噪聲以及相機晃動在背景建模中無法去掉的前景目標造成的錯誤觸發(fā)。具有實現(xiàn)方式簡單，效果良好的優(yōu)點。
【權利要求】
1.一種基于視頻的入侵檢測方法，包括如下步驟: A.建立以及更新背景模型，提取前景； B.對前景進行形態(tài)學處理與目標提??； C.使用目標跟蹤算法對運動目標進行跟蹤，獲取目標坐標； D.軌跡分析，包括分析目標軌跡以及形態(tài)，更新目標狀態(tài)； E.給出入侵報警信息； 其特征在于步驟A所使用的背景模型更新方法； 其特征在于步驟D所使用的軌跡分析方法。
2.根據(jù)權利要求1所述的基于視頻的入侵檢測方法，其特征在于所述步驟A包括如下步驟: Al.在跟蹤算法啟動時，進行一定時間的背景學習，此背景建模方法使用顏色編碼表，但不限制于該方法，可以使用任何動態(tài)背景建模方法； A2.根據(jù)背景建模方法，提取前景圖像，并為前景圖像建立歷史運動模板，若當前一幀圖像檢測到前景的位置，此位置運動模板值為一個特定整數(shù)，若某一位置當前圖像沒有檢測為前景，則減去1，若以及為O，則不進行操作； A3.更新背景模型，歷史運動模板不為O的位置不進行更新。
3.根據(jù)權利要求1所述的基于視頻的入侵檢測方法，其特征在于所述步驟D包括如下步驟: Dl.分析目標形態(tài)，保存目標的歷史形態(tài)特征，使用矩形區(qū)域表示，通過計算目標歷史形態(tài)的長寬比，面積的方差判定目標形態(tài)是否穩(wěn)定，穩(wěn)定度小于一定閾值，則認為是噪聲； D2.分析軌跡長度，目標生存時間大于一定閾值并且軌跡起點距離終點長度如果大于與目標尺寸相關的一定長度閾值，并且在Dl中沒有被判定為噪聲，則判定為入侵目標。
【文檔編號】G06T7/40GK103489202SQ201310027564
【公開日】2014年1月1日 申請日期:2013年1月15日 優(yōu)先權日:2013年1月15日
【發(fā)明者】張德峰 申請人:上海盈覺智能科技有限公司