CN103473791A - 监控视频中异常速度事件自动识别方法 - Google Patents

Abstract

本发明公开了一种监控视频中异常速度事件自动识别方法，包括步骤：(1)从监控视频中读取帧图像，并进行图像处理，从而获得需要的图像序列；(2)采用统计平均法和混合高斯背景建模建立背景模型，并运用背景差分法检测出前景目标集合；(3)结合交叉匹配检测方法与Mean-shift算法，对所述前景目标集合中的每一前景目标所对应的运动目标进行跟踪，以获取每一运动目标的位置信息；(4)计算所述每一运动目标的速度，当所述每一运动目标的速度超过预设阈值时，则发出报警；否则返回执行步骤（1）。采用本发明，能够比较精确地检测出运动目标对应的前景目标，并最大限度地利用前景目标来保证运动目标的位置不出现较大的偏差，比较准确地识别出异常速度事件。

Description

监控视频中异常速度事件自动识别方法

技术领域

本发明涉及计算机智能监控视频处理领域，尤其涉及监控视频中异常速度事件自动识别方法。

背景技术

近年来，随着社会的不断进步和发展，越来越多的公共场所甚至私人场所都开始装配监控设备。而伴随着人们对安全防范的意识在不断地增强，市场对记录与报警***的需求也与日俱增，这使得视频监控在生产生活各方面得到了非常广泛的应用。但是一般的视频监控***需要较多的人工完成，所以经常会因为监控人员的疲劳而出现疏漏，甚至实际上大部分视频监控***并没有人员在场进行监控，这种视频监控***只是录制视频图像，只能用作事后取证，并没有充分发挥监控的实时性和主动性。另一方面，在现在的视频监控领域中，特别是公共场合的监控，一般都是全天候24小时地进行监控，并且由于监控设备成本的不断降低，监控的数量也在不断地提升，普通的人工监控已经难以满足日益增长的需求，因此需要视频监控能够自动识别异常事件达到监控的实时性和主动性。

通常智能监控是通过对运动目标进行跟监测和跟踪来得到运动目标的运动信息，其中，运动目标是视频中的运动实体，前景目标是运动目标在某一帧图像中的前景。

相对于人工监控，智能视频监控有三个优点：一是不会出现由于工作人员疲劳而引起的监控失误；二是可以快速查询以及统计；三是可以快速地发现异常事件，提供实时报警，使监控人员第一时间反应并处理。将传统监控的“记录事情发生”转变为“主动防护”，可以为社会稳定提供更加可靠的保障。利用计算机的强大计算能力，我们不但可以提供事前趋势预测、实时报警，还可以实现事后快速查询的功能。

随着监控行业的不断发展，智能监控应用必定会渗透到各行各业中，大到银行重要地点的监控，小到家庭防盗监控，智能监控都可以发挥其特有的作用。毫无疑问，智能化监控将为创建安全社会环境，保障社会和平提供更加有力的支持。

但是，目前的智能视频监控还存在一定的不足，无法有效准确地识别出异常速度事情的发生。

发明内容

本发明实施例所要解决的技术问题在于，提供一种监控视频中异常速度事件自动识别方法。本发明的目的在于对监控视频里面的运动目标进行检测和跟踪，提取运动目标信息，能够自动识别异常速度事件并发出警示，充分发挥监控的实时性和主动性。

为了解决上述技术问题，本发明实施例使用混合高斯背景建模和背景差分法对前景目标集合进行检测，并运用交叉匹配检测方法与Mean-shift算法结合来实现对所述前景目标集合中每一前景目标对应的运动目标的跟踪，最后识别异常速度事件并发出警报，具体包括步骤：

(1)从监控视频中读取帧图像，对所述帧图像进行图像处理，从而获得需要的图像序列；

(2)利用获得的所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型，并基于所述背景模型和所述帧图像运用背景差分法检测出前景目标集合，并存储所述前景目标集合；

(3)结合交叉匹配检测方法与Mean-shift算法，对所述前景目标集合中的每一前景目标所对应的运动目标进行跟踪，以获取每一运动目标的位置信息；

(4)通过获取的所述每一运动目标的位置信息，计算所述每一运动目标的速度，当所述每一运动目标的速度超过预设阈值时，则发出报警；否则返回执行步骤(1)。

进一步的，步骤(1)具体包括步骤：

(1-1)从监控视频中读取帧图像，所述帧图像为RGB图像；

(1-2)将所述RGB图像转化为HSV图像，并提取所述HSV图像中的H信息，以建立H图像；

(1-3)使用高斯滤波去除所述H图像噪声，得到所述图像序列。

其中，步骤(1-1)具体为：将所述RGB图像转化为HSV图像，并使用掩膜图像mask对所述HSV图像进行处理，以去掉V亮度值过低的像素点。

进一步的，步骤(2)具体包括以下步骤：

(2-1)针对所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型；

(2-2)针对所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来；

(2-3)对所述前景目标像素集合采用指定精度进行轮廓的多边形逼近，提取出前景目标轮廓；

(2-4)遍历所述前景目标轮廓图像像素点，并扩散来寻找与所述前景目标轮廓图像像素点相连通的像素集合，所述像素集合即为当前帧图像中的前景目标集合。

进一步的，所述步骤(2)在步骤(2-4)后还包括步骤：

(2-5)检测所述前景目标集合边缘部分的像素是否发生变化，若是，则返回将所述步骤(1)读取的帧图像首先进行高斯模糊处理后再进行图像处理，并继续执行步骤(2)，直至检测到所述前景目标集合边缘部分的像素没有发生变化为止。

其中，步骤(2-2)具体包括：基于所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来，并对所述前景目标像素集合使用形态学操作中的开操作和闭操作以消除噪声。

进一步的，步骤(3)具体包括以下步骤：

(3-1)从步骤(2)获取存储的上一帧图像中前景目标集合和当前帧图像中前景目标集合；

(3-2)遍历上一帧图像中前景目标集合和当前帧图像中前景目标集合，查找相互交叉的数量，即每一前景目标窗口重叠的情况；

(3-3)针对每一前景目标的窗口重叠的情况，采用交叉匹配检测方法与Mean-shift算法，对所述每一前景目标对应的运动目标进行跟踪。

其中，步骤(3-3)具体包括步骤：

(3-3-1)当所述上一帧图像中的前景目标集合中没有前景目标与当前前景目标相交叉时，则认为出现新的运动目标，并且确定所述当前前景目标为所述新的运动目标在当前帧中的位置；

(3-3-2)当所述上一帧图像中的前景目标集合中有且只有一个前景目标与当前前景目标相交叉时，则测量这两个前景目标的直方图的匹配值，如果高于阈值，则确定所述当前前景目标为其对应的运动目标在当前帧中的位置；其中，所述直方图表示前景目标所对应的运动目标的色彩信息，并使用巴氏距离进行测量两个前景目标的直方图的匹配值，巴氏距离越小，匹配值越大。

(3-3-3)当所述上一帧图像中的前景目标集合中有多个前景目标与当前前景目标相交叉时，则审视每一个与其相交的前景目标，通过Mean-shift算法，查找其匹配的前景目标，以确定所述当前前景目标对应的运动目标在当前帧中的位置。

进一步的，步骤(3-3)还包括步骤：

(3-3-4)当所述上一帧图像中的前景目标集合中存在剩余未匹配到的前景目标时，针对所述剩余未匹配到的前景目标，使用Mean-shift算法进行寻找，提取寻找到的区域的直方图，并测量所述区域的直方图和所述剩余未匹配到的前景目标直方图的匹配值，低于阈值时认为所述前景目标对应的运动目标消失，否则认为静止。

进一步的，步骤(4)具体包括步骤：

(4-1)提取所述运动目标的质心进行速度检测，并采用帧间差v_n作为所述运动目标在n帧的速度，帧间差v_n的计算公式为：v_n=︱s_n+1–s_n︱；

其中，s_n为所述运动目标在t帧的位置，s_n+1为所述运动目标在t+1帧的位置；

(4-2)计算所述运动目标两秒之间的速度之差，当大于预设阈值时，判断为异常速度事件发生，并发出警报；其中，所述运动目标两秒之间的速度之差通过以下公式计算：

︱v_t+1–v_t︱>h

其中，v_t为所述运动目标在t秒的速度，v_t+1为所述运动目标在t+1秒的速度；h为预设阈值，且由视频的宽高比决定。

实施本发明实施例，具有如下有益效果：

1、本发明实施例可以进行实时监控，不会出现由于工作人员疲劳而引起的监控失误；

2、本发明实施例可以快速地发现异常事件，提供实时报警，使监控人员第一时间反应并处理；

3、本发明能比较精确地检测出运动目标对应的前景目标，并最大限度地利用前景目标来保证运动目标的位置不出现较大的偏差，比较准确地识别出异常速度事件。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的监控视频中异常速度事件自动识别方法的流程图；

图2是图1中步骤S1的具体流程图；

图3是图1中步骤S2的具体流程图；

图4是图1中步骤S3的具体流程图；

图5是图1中步骤S4的具体流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示：本发明实施例提供的监控视频中异常速度事件自动识别方法包括步骤：

S1：从监控视频中读取帧图像，对所述帧图像进行图像处理，从而获得需要的图像序列；

S2：利用获得的所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型，并基于所述背景模型和所述帧图像运用背景差分法检测出前景目标集合，并存储所述前景目标集合；

S3：结合交叉匹配检测方法与Mean-shift算法，对所述前景目标集合中的每一前景目标所对应的运动目标进行跟踪，以获取每一运动目标的位置信息；

S4：通过获取的所述每一运动目标的位置信息，计算所述每一运动目标的速度，当所述每一运动目标的速度超过预设阈值时，则发出报警；否则返回执行步骤S1。

进一步的，如图2所示，步骤S1具体包括步骤：

S11：从监控视频中读取帧图像，所述帧图像为RGB图像；

S12：将所述RGB图像转化为HSV图像，并提取所述HSV图像中的H信息，以建立H图像；

S13：使用高斯滤波去除所述H图像噪声，得到所述图像序列。

优选的，使用openCV库中的cvCvtColor函数先将RGB图像转为HSV图像，然后再使用cvSplit方法分离提取出H信息以建立H图像。

其中，步骤S11具体为：将所述RGB图像转化为HSV图像，并使用掩膜图像mask对所述HSV图像进行处理，以去掉V亮度值过低的像素点。采用掩膜图像mask对所述HSV图像处理可以减小阴影对前景目标集合检测的干扰。

进一步的，如图3所示，步骤S2具体包括以下步骤：

S21：针对所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型；

统计平均法和混合高斯背景建模建立背景模型是通过对连续的图像序列进行统计，并获取平均值来建立背景模型，同时需要建立一个多元的模型，把原像素的独立模型扩展为包含相邻像素的复合模型；因为针对每一帧图像都要重新建立背景模型，所以背景模型会不断更新；

S22：针对所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来；

其中，背景差分法，就是利用已经建立好的背景模型与当前帧图像进行差分，值相同的像素视为背景，值不同的视为前景，即可区分出前景目标像素集合；具体的，在该步骤中，基于所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来，并对所述前景目标像素集合使用形态学操作中的开操作和闭操作以消除噪声。使用开操作可以使较小的像素集群消失掉，但这样也会使需要的目标的边缘消失掉，因此再使用闭操作来重建由于开操作丢失的那部分；

S23：对所述前景目标像素集合采用指定精度进行轮廓的多边形逼近，提取出前景目标轮廓；

优选的，多边形逼近采用openCV库中的cvApproxPoly方法；

S24：遍历所述前景目标轮廓图像像素点，并扩散来寻找与所述前景目标轮廓图像像素点相连通的像素集合，所述像素集合即为当前帧图像中的前景目标集合；

S25：检测所述前景目标集合边缘部分的像素是否发生变化，若是，则返回将所述步骤S1读取的帧图像首先进行高斯模糊处理后再进行图像处理，并继续执行步骤S2，直至检测到所述前景目标集合边缘部分的像素没有发生变化为止。

进一步的，如图4所示，步骤S3具体包括以下步骤：

S31：从步骤S2获取存储的上一帧图像中前景目标集合和当前帧图像中前景目标集合；

S32：遍历上一帧图像中前景目标集合和当前帧图像中前景目标集合，查找相互交叉的数量，即每一前景目标窗口重叠的情况；

S33：针对每一前景目标的窗口重叠的情况，采用交叉匹配检测方法与Mean-shift算法，对所述每一前景目标对应的运动目标进行跟踪。

其中，在步骤S33，对于每一个前景目标，窗口重叠的情况可能包括以下三种情况：

1、当所述上一帧图像中的前景目标集合中没有前景目标与当前前景目标相交叉时，则认为出现新的运动目标，并且确定所述当前前景目标为所述新的运动目标在当前帧中的位置；

2、当所述上一帧图像中的前景目标集合中有且只有一个前景目标与当前前景目标相交叉时，则测量这两个前景目标的直方图的匹配值，如果高于阈值，则确定所述当前前景目标为其对应的运动目标在当前帧中的位置；其中，所述直方图表示前景目标所对应的运动目标的色彩信息，并使用巴氏距离进行测量两个前景目标的直方图的匹配值，巴氏距离越小，匹配值越大；

3、当所述上一帧图像中的前景目标集合中有多个前景目标与当前前景目标相交叉时，则审视每一个与其相交的前景目标，通过Mean-shift算法，查找其匹配的前景目标，以确定所述当前前景目标对应的运动目标在当前帧中的位置；

另外，当所述上一帧图像中的前景目标集合中存在剩余未匹配到的前景目标时，针对所述剩余未匹配到的前景目标，使用Mean-shift算法进行寻找，提取寻找到的区域的直方图，并测量所述区域的直方图和所述剩余未匹配到的前景目标直方图的匹配值，低于阈值时认为所述前景目标对应的运动目标消失，否则认为静止。

进一步的，如图5所示，步骤S4具体包括步骤：

S41：提取所述运动目标的质心进行速度检测，并采用帧间差v_n作为所述运动目标在n帧的速度，帧间差v_n的计算公式为：v_n=︱s_n+1–s_n︱；

其中，s_n为所述运动目标在t帧的位置，s_n+1为所述运动目标在t+1帧的位置；

S42：计算所述运动目标两秒之间的速度之差，当大于预设阈值时，判断为异常速度事件发生，并发出警报；其中，所述运动目标两秒之间的速度之差通过以下公式计算：

︱v_t+1–v_t︱>h

其中，v_t为目标在t秒的速度，v_t+1为目标在t+1秒的速度；h为预设阈值，且由视频的宽高比决定。

实施本发明实施例，具有如下有益效果：

1、本发明实施例可以进行实时监控，不会出现由于工作人员疲劳而引起的监控失误；

2、本发明实施例可以快速地发现异常事件，提供实时报警，使监控人员第一时间反应并处理；

3、本发明能比较精确地检测出运动目标对应的前景目标，并最大限度地利用前景目标来保证运动目标的位置不出现较大的偏差，比较准确地识别出异常速度事件。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种监控视频中异常速度事件自动识别方法，其特征在于，包括步骤：

(1)从监控视频中读取帧图像，对所述帧图像进行图像处理，从而获得需要的图像序列；

(2)利用获得的所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型，并基于所述背景模型和所述帧图像运用背景差分法检测出前景目标集合，并存储所述前景目标集合；

(3)结合交叉匹配检测方法与Mean-shift算法，对所述前景目标集合中的每一前景目标所对应的运动目标进行跟踪，以获取每一运动目标的位置信息；

(4)通过获取的所述每一运动目标的位置信息，计算所述每一运动目标的速度，当所述每一运动目标的速度超过预设阈值时，则发出报警；否则返回执行步骤（1）。

2.如权利要求1所述的监控视频中异常速度事件自动识别方法，其特征在于，步骤(1)具体包括步骤：

(1-1)从监控视频中读取帧图像，所述帧图像为RGB图像；

(1-2)将所述RGB图像转化为HSV图像，并提取所述HSV图像中的H信息，以建立H图像；

(1-3)使用高斯滤波去除所述H图像噪声，得到所述图像序列。

3.如权利要求2所述的监控视频中异常速度事件自动识别方法，其特征在于，步骤(1-1)具体为：将所述RGB图像转化为HSV图像，并使用掩膜图像mask对所述HSV图像进行处理，以去掉V亮度值过低的像素点。

4.如权利要求1所述的监控视频中异常速度事件自动识别方法，其特征在于，步骤(2)具体包括以下步骤：

(2-1)针对所述图像序列，采用统计平均法和混合高斯背景建模建立背景模型；

(2-2)针对所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来；

(2-3)对所述前景目标像素集合采用指定精度进行轮廓的多边形逼近，提取出前景目标轮廓；

(2-4)遍历所述前景目标轮廓图像像素点，并扩散来寻找与所述前景目标轮廓图像像素点相连通的像素集合，所述像素集合即为当前帧图像中的前景目标集合。

5.如权利要求4所述的监控视频中异常速度事件自动识别方法，其特征在于，所述步骤(2)在步骤(2-4)后还包括步骤：

(2-5)检测所述前景目标集合边缘部分的像素是否发生变化，若是，则返回将所述步骤(1)读取的帧图像首先进行高斯模糊处理后再进行图像处理，并继续执行步骤(2)，直至检测到所述前景目标集合边缘部分的像素没有发生变化为止。

6.如权利要求4所述的监控视频中异常速度事件自动识别方法，其特征在于，步骤(2-2)具体包括：基于所述背景模型和所述帧图像选用背景差分法将前景目标像素集合分割出来，并对所述前景目标像素集合使用形态学操作中的开操作和闭操作以消除噪声。

7.如权利要求1所述监控视频中异常速度事件自动识别方法，其特征在于，步骤(3)具体包括以下步骤：

(3-1)从步骤(2)获取存储的上一帧图像中前景目标集合和当前帧图像中前景目标集合；

(3-2)遍历上一帧图像中前景目标集合和当前帧图像中前景目标集合，查找相互交叉的数量，即每一前景目标窗口重叠的情况；

(3-3)针对每一前景目标的窗口重叠的情况，采用交叉匹配检测方法与Mean-shift算法，对所述每一前景目标对应的运动目标进行跟踪。

8.如权利要求7所述监控视频中异常速度事件自动识别方法，其特征在于，步骤(3-3)具体包括步骤：

(3-3-1)当所述上一帧图像中的前景目标集合中没有前景目标与当前前景目标相交叉时，则认为出现新的运动目标，并且确定所述当前前景目标为所述新的运动目标在当前帧中的位置；

(3-3-2)当所述上一帧图像中的前景目标集合中有且只有一个前景目标与当前前景目标相交叉时，则测量这两个前景目标的直方图的匹配值，如果高于阈值，则确定所述当前前景目标为其对应的运动目标在当前帧中的位置；其中，所述直方图表示前景目标所对应的运动目标的色彩信息，并使用巴氏距离进行测量两个前景目标的直方图的匹配值，巴氏距离越小，匹配值越大；

(3-3-3)当所述上一帧图像中的前景目标集合中有多个前景目标与当前前景目标相交叉时，则审视每一个与其相交的前景目标，通过Mean-shift算法，查找其匹配的前景目标，以确定所述当前前景目标对应的运动目标在当前帧中的位置。

9.如权利要求8所述监控视频中异常速度事件自动识别方法，其特征在于，步骤(3-3)还包括步骤：

(3-3-4)当所述上一帧图像中的前景目标集合中存在剩余未匹配到的前景目标时，针对所述剩余未匹配到的前景目标，使用Mean-shift算法进行寻找，提取寻找到的区域的直方图，并测量所述区域的直方图和所述剩余未匹配到的前景目标直方图的匹配值，低于阈值时认为所述前景目标对应的运动目标消失，否则认为静止。

10.如权利要求1所述监控视频中异常速度事件自动识别方法，其特征在于，步骤(4)具体包括步骤：

(4-1)提取所述运动目标的质心进行速度检测，并采用帧间差v_n作为所述运动目标在n帧的速度，帧间差v_n的计算公式为：v_n=︱s_n+1–s_n︱；

其中，s_n为所述运动目标在t帧的位置，s_n+1为所述运动目标在t+1帧的位置；

(4-2)计算所述运动目标两秒之间的速度之差，当大于预设阈值时，判断为异常速度事件发生，并发出警报；其中，所述运动目标两秒之间的速度之差通过以下公式计算：

︱v_t+1–v_t︱>h

其中，v_t为所述运动目标在t秒的速度，v_t+1为所述运动目标在t+1秒的速度；h为预设阈值，且由视频的宽高比决定。

Images