技術(shù)特征：

1.一種實時監(jiān)測視頻對比度異常的方法，其特征在于：包括以下步驟：

(1)輸入圖像；

(2)計算圖像的平均梯度特征；

(3)計算圖像的Brenner梯度特征；

(4)計算圖像的結(jié)構(gòu)相似性特征；

(5)對步驟(2)-(4)中的各項特征進行SVM分類判別。

2.根據(jù)權(quán)利要求1所述的一種實時監(jiān)測視頻對比度異常的方法，其特征在于：步驟(2)中計算圖像的平均梯度特征的定義公式為：

$\stackrel{\‾}{Grad}=\frac{1}{M\×N}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\Σ}}_{n=1}^N\sqrt{\frac{{\left({\mathrm{\Δ}}_{m}f\right(m,n\left)\right)}^2+{\left({\mathrm{\Δ}}_{n}f\right(m,n\left)\right)}^2}{2}},$

其中，為圖像的平均梯度特征，M和N分別表示圖像的高度和寬度，Δ_mf(m，n)和Δ_nf(m，n)分別表示圖像在像素點(m，n)的m和n方向上的差分，而f(m，n)則代表像素點(m，n)處的圖像像素值，即：

Δ_mf(m，n)＝f(m，n)-f(m-1，n)，

Δ_nf(m，n)f(m，n)-f(m，n-1)。

3.根據(jù)權(quán)利要求1所述的一種實時監(jiān)測視頻對比度異常的方法，其特征在于：步驟(3)中圖像的Brenner梯度特征為：

$\begin{array}{c}{F}_{BrennerGrad}={\mathrm{\Σ}}_{x=1}^M{\mathrm{\Σ}}_{y=1}^N|f(x+1,y)-f(x,y)|-{\mathrm{\Σ}}_{x=1}^M{\mathrm{\Σ}}_{y=1}^N|f(x+2,y)-\\ fx,y;\end{array}$

其中，f(x，y)為該圖像的灰度圖像，M×N為該灰度圖像f(x，y)的大小，M和N分別為該灰度圖像f(x，y)的寬和高。

4.根據(jù)權(quán)利要求1所述的一種實時監(jiān)測視頻對比度異常的方法，其特征在于：步驟(4)中的計算圖像結(jié)構(gòu)相似性特征首先需要將原始圖像進行低通濾波，得到參考圖像，并計算參考圖像和原始圖像之間的結(jié)構(gòu)相似性，而該結(jié)構(gòu)相似性則是通過計算參考圖像和原始圖像之間的結(jié)構(gòu)相似度得到的，其中的結(jié)構(gòu)相似度既SSIM；SSIM將圖像分為亮度L，對比度C，結(jié)構(gòu)S三個部分并分別進行比較，然后加權(quán)乘積獲得最終的SSIM值，具體的計算公式為：

SSIM(x，y)＝[L(x，y)]^α[C(x，y)]^β[S(x，y)]^γ，

$L(x,y)=\frac{2u_x{u}_y+C_1}{u_x^2+u_y^2+C_1},$

$C(x,y)=\frac{2{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_2}{{\mathrm{\σ}}_x^2+{\mathrm{\σ}}_y^2+C_2},$

$S(x,y)=\frac{{\mathrm{\σ}}_{xy}+C_3}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y+C_3},$

其中，u_x和u_y分別為參考圖像和原始圖像的亮度平均值，σ_x和σ_y為標(biāo)準(zhǔn)差，σ_xy為協(xié)方差，C₁，C₂，C₃均為常數(shù)。

5.根據(jù)權(quán)利要求1所述的一種實時監(jiān)測視頻對比度異常的方法，其特征在于：步驟(5)中需要首先收集若干張對比度正常和異常的監(jiān)控視頻圖像作為正樣本和負(fù)樣本，并對正樣本和負(fù)樣本分別提取上述(2)-(4)步中的各項特征形成特征向量；接著利用SVM二元分類器進行學(xué)習(xí)訓(xùn)練成為分類器模型，其中，訓(xùn)練樣本為(x_i，y_i)，x_i代表特征向量，y_i代表對應(yīng)的類別，該對應(yīng)的類別是指對比度正?；虍惓?，那么相應(yīng)的分類函數(shù)則為：

$f\left(\stackrel{\→}{x}\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K\left({\stackrel{\→}{x}}_i,\stackrel{\→}{x}\right)+b^{*}),$

其中b^*是分類閾值，當(dāng)時，x就屬于該類，否則就不屬于該類。