CN103152558B - 基于场景识别的入侵检测方法 - Google Patents

Abstract

本发明提供了一种基于场景识别的入侵检测方法，属于智能视频监控技术领域。该方法有效解决了在动态背景下视频区域实时入侵检测的问题。本发明包括如下步骤：初始化：将整个视频区域划分为N×N个图像块，并计算每个图像块的均值和标准差。输入监控区域视频图像：输入的图像是通过监控摄像头实时采集得到的视频图像，也可以是由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入图像；场景识别和入侵区域分析与处理：根据场景已有的正常模式，当前场景首先被有效的识别和匹配，然后通过计算每个图像块的模式偏差并与阈值比较，得到被入侵的视频区域，从而实现对监控视频的入侵检测。主要用于入侵检测。

Description

基于场景识别的入侵检测方法

技术领域

本发明属于智能视频监控技术领域。

背景技术

入侵检测是智能安防***的重要组成部分，被广泛应用于对重点区域的监视和防护，如军事重地，铁路，博物馆，试验场，危险区，警戒区等。与安装特殊的传感器设备相比（如红外线、声控设备），基于视频图像的入侵检测具有检测覆盖范围大，安装简单，维护方便，工程造价低，适用面广等特点，因而成为目前入侵检测技术研究的热点。

基于视频图像的入侵检测是利用计算机视觉技术对监控场景的视频图像内容进行分析，自动检测监控画面中的异常情况，并警报和提供有用信息，从而能够更加有效地提醒安防人员及时处理非法入侵。目前，基于视频图像的入侵检测方法主要有基于灰度比较法、背景差法、帧间差法和光流法，这些方法都是通过从视频序列中检测出运动目标来实现入侵检测和报警功能。灰度比较法采用对背景和目标的灰度统计值来检测运动目标，但它对环境光线的变化十分敏感。背景差法通过计算当前输入帧图像与背景图像的差值以提取运动目标，但背景图像需实时刷新，其检测精度很大程度上依赖于背景图像的可靠性。帧间差法是将相邻两帧或者多帧相减，对保留的运动目标信息进行检测。尽管该方法受环境光变化影响小，但是当摄像头的抖动而引起相邻两帧背景点的相应“抖动”时，该方法不能完全将背景滤除，从而引起误判；此外，该方法对于静止或运动速度过慢的目标，不能有效检测。光流法是通过对图像像素点的运动场进行分析，进而提取运动目标，该方法同样难以处理动态背景下的目标检测问题。以上这些方法均无法有效解决动态背景下的入侵检测问题，如移动的摄像头，场景切换等，且适应能力差，扩展性不强。

鉴于此，本发明提出了一种基于场景识别的入侵检测方法。该方法将整个视频场景划分为多个子区域，即图像块，然后根据各个图像块的均值和标准差建立场景的各种正常模式（非入侵模式），接着在运行时对当前场景的模式进行识别，即将其与这些正常模式进行匹配，最后通过计算当前模式与对应匹配模式中各个图像块的偏差并比较阈值，得到被入侵的视频区域（由多个图像块组成），从而实现实时地入侵检测。

发明内容

本发明的目的是提供一种基于场景识别的入侵检测方法，它能有效地实现实时的视频区域入侵检测。由于随着视频流的输入，该入侵区域将根据各图像块被入侵情况动态地加以更新，因此该过程自动地实现了对入侵目标的运动跟踪。因此，本发明的方法可以用于不管是静态还是动态背景，固定摄像头还是移动摄像头的入侵检测任务，不仅检测更加准确，适应和扩展能力强，且结构简单，易于实现。

本发明的目的是通过以下技术方案来实现的：所述技术方案包括如下步骤：

（1）初始化

将整个视频区域划分为N×N个图像块，N的大小可根据视频所覆盖的实际区域范围设置，如N=30.根据图像的像素亮度值，计算每个图像块的均值和标准差。设第i个图像块的均值和标准差分别为μ_i和σ_i，则整个场景的模式Z为这N×N个图像块对应的均值和标准差组成的向量，即：

Z=（μ₁,σ₁,μ₂,σ₂,…,μ_i,σ_i,…,μ_N×N,σ_N×N）.

对于动态场景，各个图像块在不同情况下将具有不同的均值和标准差，因此动态场景将具有多个不同的模式。设Z_k表示场景的第K个模式，该模式对应的第i个图像块的均值和标准差分别表示为μ_k,i和σ_k,i，则：

Z_k=（μ_k,1,σ_k,1,μ_k,2,σ_k,2,…,μ_k,i,σ_k,i,…,μ_k,N×N,σ_k,N×N）.

对于固定的摄像头，场景的变化主要来自光照变化（如白天，夜间，灯光）和背景运动（如树木摇摆）；而对于移动的摄像头，场景的变化将更多，即场景将具有更多的模式。在监控开始之前，获取场景可能的模式。具体为，对于固定摄像头，在多个时刻和各种天气情况下采集具有代表性的视频图像；对于移动摄像头，当摄像头每移动一定的角度（如每移动1度）则采集一组视频图像，这一组图像指在多个时刻和各种天气情况下采集得到的具有代表性的视频图像。根据以上得到的图像，计算场景的各个模式，这些模式均为尚未有入侵发生时场景的正常模式。

（2）输入监控区域视频图像

进行入侵检测的视频图像输入，输入的图像是通过监控摄像头实时采集得到的视频图像，也可以是由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入的图像。如果输入图像为空，则整个流程中止。

（3）场景识别

按照与初始化中相同的方法，计算当前时刻t监控图像的场景模式Z^t，即：

$Z^t=({\mathrm{\μ}}_1^t,{\mathrm{\σ}}_1^t,{\mathrm{\μ}}_2^t,{\mathrm{\σ}}_2^t,...,{\mathrm{\μ}}_i^t,{\mathrm{\σ}}_i^t,...,{\mathrm{\μ}}_{N\×N}^t,{\mathrm{\σ}}_{N\×N}^t),$

其中，和分别表示场景模式Z^t的第i个图像块的均值和标准差。设表示当前场景模式Z^t与场景第K个正常模式的距离，则计算为：

$d_K^t=\sqrt{\underset{i=1}{\overset{N\×N}{\mathrm{\Σ}}}({({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{k,i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{k,i})}^2)}.$

计算并比较当前场景模式Z^t与场景的所有正常模式的距离，设为所有距离中最小距离对应的场景正常模式的序号，即：

$\hat{K}=\arg \underset{K\∈H}{\min }{d}_K^t$

其中，H为场景所有正常模式序号的集合。因此，场景识别的结果为，将场景的第个正常模式 $Z_{\hat{K}}=({\mathrm{\μ}}_{\hat{k},1},{\mathrm{\σ}}_{\hat{k},1}\text{,}{\mathrm{\μ}}_{\hat{k},2},{\mathrm{\σ}}_{\hat{k},2},...,{\mathrm{\μ}}_{\hat{k},i}\text{,}{\mathrm{\σ}}_{\hat{k},i},...,{\mathrm{\μ}}_{\hat{k},N\×N},{\mathrm{\σ}}_{\hat{k},N\×N})$ 作为当前场景Z^t所属的模式，其中和分别表示场景模式的第i个图像块的均值和标准差。

（4）入侵区域分析与处理

根据当前场景模式Z^t与其所属的模式，计算每个图像块对应的模式偏差。设e_i为第i个图像块对应的模式偏差，则e_i计算为：

$e_i=\sqrt{{({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{\hat{k},i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{\hat{k},i})}^2}.$

对所有N×N个图像块，如果其偏差值大于阈值θ_e，则将该图像块标记为有入侵，否则为没有入侵。θ_e值可根据具体情况按照应用测试结果加以选择和设置。

因此，如果有一个及以上的图像块被标记为有入侵，则认为整个场景为被入侵状态，否则认为场景未被入侵。对于固定摄像头情形，在场景被入侵时可直接突出显示入侵区域（由多个图像块组成）并进行报警提示；对于移动摄像头，在场景被入侵时，首先应停止摄像头移动，然后突出显示入侵区域并报警。随着视频流的输入，入侵区域将根据各图像块被入侵情况动态地加以更新，因此该过程自动地实现了对入侵目标的运动跟踪。

如果继续进行入侵检测，则跳转到（2），否则整个流程中止。

本发明的方法经过以上（1）～（4）的处理后，根据场景已有的正常模式，当前场景首先被有效的识别和匹配，然后通过计算每个图像块的模式偏差并与阈值比较，得到被入侵的视频区域，从而实现对监控视频的入侵检测。

本发明与现有技术相比的优点和积极效果：该方法通过对视频场景建立相应的模式，然后在运行时进行场景模式的识别和匹配，进而提取被入侵的视频区域，从而实现实时地入侵检测和跟踪。因此，本发明的方法可用于不管是静态还是动态背景，固定摄像头还是移动摄像头的入侵检测任务，不仅检测更加准确，适应和扩展能力强，且结构简单，易于实现。

附图说明

图1为本发明视频区域划分为图像块示意图

图2为本发明技术流程图

具体实施方式

下面根据附图对本发明做进一步描述：

根据本发明技术流程图的逻辑过程以及发明内容所描述的步骤即可实施本发明。本发明的方法可用于视频图像下入侵检测的各种场合。在用于入侵检测之前，首先通过处理不同时刻不同条件下具有代表性的场景图像，建立场景可能的各种正常模式或将视频区域划分为图像块；并且将视频监控摄像头安装在合适的位置，使视频范围可以覆盖所需的监控区域；然后采用合适的视频传输手段，如有线或者无线方式，在入侵检测过程中提取摄像头实时采集的视频图像，接着对这些图像按照本发明的方法对其进行场景识别和匹配，最后通过对场景中各图像块进行入侵分析，得到区域入侵检测结果。按照本发明的方法，可用于不管是静态还是动态背景，固定摄像头还是移动摄像头的入侵检测任务，不仅检测更加准确，适应和扩展能力强，且结构简单，易于实现。

本发明技术方案包括如下步骤：

（1）初始化

将整个视频区域划分为N×N个图像块，N的大小可根据视频所覆盖的实际区域范围设置，如N=30.根据图像的像素亮度值，计算每个图像块的均值和标准差。设第i个图像块的均值和标准差分别为μ_i和σ_i，则整个场景的模式Z为这N×N个图像块对应的均值和标准差组成的向量，即：

Z=（μ₁,σ₁,μ₂,σ₂,…,μ_i,σ_i,…,μ_N×N,σ_N×N）.

对于动态场景，各个图像块在不同情况下将具有不同的均值和标准差，因此动态场景将具有多个不同的模式。设Z_k表示场景的第K个模式，该模式对应的第i个图像块的均值和标准差分别表示为μ_k,i和σ_k,i，则：

Z_k=（μ_k,1,σ_k,1,μ_k,2,σ_k,2,…,μ_k,i,σ_k,i,…,μ_k,N×N,σ_k,N×N）.

对于固定的摄像头，场景的变化主要来自光照变化（如白天，夜间，灯光）和背景运动（如树木摇摆）；而对于移动的摄像头，场景的变化将更多，即场景将具有更多的模式。在监控开始之前，获取场景可能的模式。具体为，对于固定摄像头，在多个时刻和各种天气情况下采集具有代表性的视频图像；对于移动摄像头，当摄像头每移动一定的角度（如每移动1度）则采集一组视频图像，这一组图像指在多个时刻和各种天气情况下采集得到的具有代表性的视频图像。根据以上得到的图像，计算场景的各个模式，这些模式均为尚未有入侵发生时场景的正常模式。

（2）输入监控区域视频图像

进行入侵检测的视频图像输入，输入的图像是通过监控摄像头实时采集得到的视频图像，也可以是由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入的图像。如果输入图像为空，则整个流程中止。

（3）场景识别

按照与初始化中相同的方法，计算当前时刻t监控图像的场景模式Z^t，即：

$Z^t=({\mathrm{\μ}}_1^t,{\mathrm{\σ}}_1^t,{\mathrm{\μ}}_2^t,{\mathrm{\σ}}_2^t,...,{\mathrm{\μ}}_i^t,{\mathrm{\σ}}_i^t,...,{\mathrm{\μ}}_{N\×N}^t,{\mathrm{\σ}}_{N\×N}^t),$

其中，和分别表示场景模式Z^t的第i个图像块的均值和标准差。设表示当前场景模式Z^t与场景第K个正常模式的距离，则计算为：

$d_K^t=\sqrt{\underset{i=1}{\overset{N\×N}{\mathrm{\Σ}}}({({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{k,i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{k,i})}^2)}.$

计算并比较当前场景模式Z^t与场景的所有正常模式的距离，设为所有距离中最小距离对应的场景正常模式的序号，即：

$\hat{K}=\arg \underset{K\∈H}{\min }{d}_K^t$

其中，H为场景所有正常模式序号的集合。因此，场景识别的结果为，将场景的第个正常模式 $Z_{\hat{K}}=({\mathrm{\μ}}_{\hat{k},1},{\mathrm{\σ}}_{\hat{k},1}\text{,}{\mathrm{\μ}}_{\hat{k},2},{\mathrm{\σ}}_{\hat{k},2},...,{\mathrm{\μ}}_{\hat{k},i}\text{,}{\mathrm{\σ}}_{\hat{k},i},...,{\mathrm{\μ}}_{\hat{k},N\×N},{\mathrm{\σ}}_{\hat{k},N\×N})$ 作为当前场景Z^t所属的模式，其中和分别表示场景模式的第i个图像块的均值和标准差。

（4）入侵区域分析与处理

根据当前场景模式Z^t与其所属的模式计算每个图像块对应的模式偏差。设e_i为第i个图像块对应的模式偏差，则e_i计算为：

$e_i=\sqrt{{({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{\hat{k},i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{\hat{k},i})}^2}.$

对所有N×N个图像块，如果其偏差值大于阈值θ_e，则将该图像块标记为有入侵，否则为没有入侵。θ_e值可根据具体情况按照应用测试结果加以选择和设置。

因此，如果有一个及以上的图像块被标记为有入侵，则认为整个场景为被入侵状态，否则认为场景未被入侵。对于固定摄像头情形，在场景被入侵时可直接突出显示入侵区域（由多个图像块组成）并进行报警提示；对于移动摄像头，在场景被入侵时，首先应停止摄像头移动，然后突出显示入侵区域并报警。随着视频流的输入，入侵区域将根据各图像块被入侵情况动态地加以更新，因此该过程自动地实现了对入侵目标的运动跟踪。

如果继续进行入侵检测，则跳转到（2），否则整个流程中止。

本发明的方法经过以上（1）～（4）的处理后，根据场景已有的正常模式，当前场景首先被有效的识别和匹配，然后通过计算每个图像块的模式偏差并与阈值比较，得到被入侵的视频区域，从而实现对监控视频的入侵检测。

本发明方法可通过任何计算机程序设计语言（如C语言）编程实现，基于本发明方法实现的***软件可在任何PC或者嵌入式***中实现实时的区域入侵检测应用。

Claims (1)

1.一种基于场景识别的入侵检测方法，包括如下步骤：

(1)初始化

将整个视频区域划分为N×N个图像块，根据图像的像素亮度值，计算每个图像块的均值和标准差，设第i个图像块的均值和标准差分别为μ_i和σ_i，则整个场景的模式Z为这N×N个图像块对应的均值和标准差组成的向量，即：

Z＝(μ₁,σ₁,μ₂,σ₂,…,μ_i,σ_i,…,μ_N×N,σ_N×N).

对于动态场景，各个图像块在不同情况下将具有不同的均值和标准差，因此动态场景将具有多个不同的模式，设Z_k表示场景的第K个模式，该模式对应的第i个图像块的均值和标准差分别表示为μ_k,i和σ_k,i，则：

Z_k＝(μ_k,1,σ_k,1,μ_k,2,σ_k,2,…,μ_k,i,σ_k,i,…,μ_k,N×N,σ_k,N×N).

在监控开始之前，获取场景模式，具体方法为：1)对于固定摄像头，在多个时刻和各种天气情况下采集具有代表性的视频图像；2)对于移动摄像头，当摄像头每移动一定的角度，则采集一组视频图像，该图像为在多个时刻和各种天气情况下采集得到的具有代表性的视频图像；根据以上得到的图像，计算场景的各个模式，该模式均为尚未有入侵发生时场景的正常模式；

(2)输入监控区域视频图像

进行入侵检测的视频图像输入，输入的图像是通过监控摄像头实时采集得到的视频图像，也可以是由已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序逐个输入图像；如果输入图像为空，则整个流程中止；

(3)场景识别

按照与初始化中相同的方法，计算当前时刻t监控图像的场景模式Z^t，即：

$Z^t=({\mathrm{\μ}}_1^t,{\mathrm{\σ}}_1^t,{\mathrm{\μ}}_2^t,{\mathrm{\σ}}_2^t,...,{\mathrm{\μ}}_i^t,{\mathrm{\σ}}_i^t,...,{\mathrm{\μ}}_{N\×N}^t,{\mathrm{\σ}}_{N\×N}^t),$

其中，和分别表示场景模式Z^t的第i个图像块的均值和标准差；设表示当前场景模式Z^t与场景第K个正常模式的距离，则计算为：

$d_K^t=\sqrt{\underset{i=1}{\overset{N\×N}{\mathrm{\Σ}}}({({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{k,i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{k,i})}^2)}.$

计算并比较当前场景模式Z^t与场景的所有正常模式的距离，设为所有距离中最小距离对应的场景正常模式的序号，即：

$\hat{K}=\arg \underset{K\∈H}{\min }{d}_K^t$

其中，H为场景所有正常模式序号的集合；因此，场景识别的结果为，将场景的第个正常模式 $Z_{\hat{K}}=({\mathrm{\μ}}_{\hat{k},1},{\mathrm{\σ}}_{\hat{k},1},{\mathrm{\μ}}_{\hat{k},2},{\mathrm{\σ}}_{\hat{k},2},...,{\mathrm{\μ}}_{\hat{k},i},{\mathrm{\σ}}_{\hat{k},i},...,{\mathrm{\μ}}_{\hat{k},N\×N},{\mathrm{\σ}}_{\hat{k},N\×N})$ 作为当前场景Z^t所属的模式，其中和分别表示场景模式的第i个图像块的均值和标准差；

(4)入侵区域分析与处理

根据当前场景模式Z^t与其所属的模式计算每个图像块对应的模式偏差，设e_i为第i个图像块对应的模式偏差，则e_i计算为：

$e_i=\sqrt{{({\mathrm{\μ}}_i^t-{\mathrm{\μ}}_{\hat{k},i})}^2+{({\mathrm{\σ}}_i^t-{\mathrm{\σ}}_{\hat{k},i})}^2}.$

对所有N×N个图像块，如果其偏差值大于阈值θ_e，则将该图像块标记为有入侵，否则为没有入侵，θ_e值可根据具体情况按照应用测试结果加以选择和设置；

经过以上(1)～(4)的处理后，根据场景已有的正常模式，当前场景首先被有效的识别和匹配，然后通过计算每个图像块的模式偏差并与阈值比较，得到被入侵的视频区域，从而实现对监控视频的入侵检测。