一种机房重地越界行为实时监测方法
技术领域
本发明属于图像处理与视频监测技术领域,更具体地说,涉及一种机房重地越界行为实时监测方法。
背景技术
作为现代安防的主要手段之一,智能视频监控技术有着非常良好的发展前景。随着监控***的普及化及庞大化,传统人为监控的局限性越来越突出。另外,监控***越来越庞大,如果全部采用人为监控,其人力成本也会非常昂贵。
智能视频监控技术(intelligent video surveillance)起源于计算机视觉技术(computer vision),它对视频进行分析,从视频中提取信息,发现感兴趣事件,从而可以在某些场合替代人为监控或者协助人为监控。智能视频监控技术的优势就在于它可以一天24小时不间断地对视频进行监控,一旦有事件发生可以及时报警,相对于人为监控来说,智能化监控可靠性更高,成本更加低廉。智能视频监控技术的市场需求正在不断上升,其产品形态也在不断丰富,其中,越界检测是智能视频监控技术的一个重要方面,对于小区安保、商场安全以及厂房管理等均具有重要的意义。
机房重地越界实时监测方法主要对服务器机房进行监测,能够实现对指定目标物体进行近距离持续动态跟踪,并可对视频中特定矩形区域进行越界实时监测,一旦出现越界行为,立即进行报警。它改变了传统监控***被动提供视频画面的状态,能够主动对视频监控中的人进行定位、跟踪、分析和判断,并以最快和最佳的方式发出警报、提供有用信息。但采用现有机房重地越界实时监测方法进行监测时,光照变化等自然条件及其他外界环境的变化易对检测造成干扰,从而影响运动目标的监测精度。
如,中国专利申请号:201410664953.8,申请日为:2014年11月20日,发明创造名称为:行人越界智能监控装置与检测方法,该申请案的越界行为智能视频监控方法处理流程分为五部分:背景建模、前景检测、监控区域的设定、前景匹配更新、越界事件判断,其采用高斯模型进行背景建模并对背景模型进行实时训练更新,并将当前帧图像的高斯模型与背景高斯模型进行对比,从而进行前景检测。该申请案采用的背景建模与前景检测方法简单易操作,算法执行速率高,每秒处理5帧图像,在一定程度上减少了噪声点对模型的影响,并且实时学习更新背景,具有较高的智能性,大大提高了越界检测过程的准确性与可靠程度。但采用该申请案的检测方法进行检测即易受光照变化等自然条件及其他外界环境变化的干扰,从而使其监测精度受到较大影响。
发明内容
1.发明要解决的技术问题
本发明的目的在于克服现有机房重地越界实时监测方法易受光照变化等自然条件及其他外界环境变化干扰的影响,从而导致其监测精度大大降低的不足,提供了一种机房重地越界行为实时监测方法。采用本发明的监测方法能够有效克服光照及外界环境变化等自然条件变化对监测的干扰,大大提高了机房重地越界行为的监测精度。
2.技术方案,
为达到上述目的,本发明提供的技术方案为:
本发明的一种机房重地越界行为实时监测方法,包括以下步骤:
A、创建显示窗口;
B、读入视频,用pFrame表示视频中的帧;
C、提取前景图,记为1–pFrShade,该前景图包括运动目标和阴影;
D、提取视频图像中的阴影区域,得到的阴影区域记为二值化图像Shadow;
E、将前景图1–pFrShade与阴影区域Shadow进行逻辑与运算,得到精确的运动目标前景图2–pFrImg;
F、创建用于画运动目标轮廓的内存存储器,从精确的运动目标前景图2–pFrImg中找到所有运动目标轮廓;
G、直接使用CONTOUR中的矩形来画运动目标轮廓,并将面积小的矩形抛弃掉;
H、确定矩形区域:摄像机拍摄的图像中物体容易发生畸变,服务器机房中待监测矩形区域在摄像机拍摄的视频里面发生畸变,成不规则四边形,通过透视变换将其转换为规则的矩形,得到矩形四个边的位置;
I、确定运动目标中脚的位置:取所有运动目标轮廓中位于最下方轮廓的底边中点作为脚的位置;通过反透视变换求脚的位置在待监测规则矩形里的位置,得到脚的位置;
J、用求出的脚的位置坐标和待监测规则矩形区的位置坐标进行比较,如果此点位于待监测规则矩形区域里面,则用绿色矩形框画出轮廓;反之,如果此点位于待监测规则矩形区域外面,则用红色矩形框来画出轮廓,并做出越界报警。
更进一步的,步骤C中使用混合高斯模型来提取前景图,其具体步骤为:
(1)在程序初始化部分定义混合高斯模型参数;
(2)读取视频的第一帧图像作为背景图像pBkImg,并进行高斯背景建模;
(3)用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点,且每隔n帧更新一次高斯模型,最终得到前景图1-pFrShade。
更进一步的,使用混合高斯模型来提取前景图时,n的取值范围为3<n<10。
更进一步的,步骤D中使用基于RGB色彩模型的阴影提取方法提取视频图像中的阴影区域。
更进一步的,步骤G中画运动目标轮廓时将面积小于1000的矩形抛弃掉。
更进一步的,步骤H中的透视变换公式为:
u,v为原始图片坐标,x,y为经透视变换后得到的图片坐标,为透视变换矩阵,由此得出:
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
本发明的一种机房重地越界行为实时监测方法,可以根据需要在特定的监测区域或界限内(如矩形区域或越界线),当发生越界行为时,能够实时发出警报。本发明无需进行区域界线检测,因此不受矩形区域颜色和畸变的影响,只需点击视频第一帧图像中特定区域的四个角点,即可在完成图像几何矫正的同时确定区域界线的位置;另外由于利用了逻辑与运算将混合高斯模型运动前景检测与阴影检测结合的技术,本发明能够克服光照的变化以及外界环境的影响,避免自然条件变化对监测的干扰,能够监测到精确的运动目标,提供有用信息并做出准确的越界警报。
附图说明
图1为本发明的混合高斯模型;
图2为本发明的机房重地越界行为实时监测方法的流程图。
具体实施方式
为进一步了解本发明的内容,现结合具体实施例对本发明作详细描述。
实施例1
本实施例的一种机房重地越界行为实时监测方法,其流程如图2所示,具体包括以下步骤:
A、创建显示窗口;
B、读入视频,用pFrame表示视频中的帧;
C、提取前景图,记为1–pFrShade,该前景图包括运动目标和阴影;本实施例中使用混合高斯模型(BackgroundSubtractorMOG2mog,如图1所示)来提取前景图,其具体步骤为:
(1)在程序初始化部分定义混合高斯模型参数(当前帧pFrame,背景图pBkImg,前景图1-pFrShade,学习速率0.001);
(2)读取视频的第一帧图像,申请内存,并进行初始化,作为背景图像pBkImg,并进行高斯背景建模;
(3)在混合高斯背景模型中,认为像素之间的颜色信息互不相关,对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点,其值在序列图像中的变化可看作是不断产生像素值的随机过程,即用高斯分布来描述每个像素点的颜色呈现规律。混合高斯模型使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点,且每隔n(3<n<10)帧更新一次高斯模型,最终得到前景图1-pFrShade。
D、使用基于RGB色彩模型的阴影提取方法提取视频图像中的阴影区域,得到的阴影区域记为二值化图像Shadow;具体步骤为:通过对基于RGB色彩模型的阴影提取方法分析可知,由于在阴影区域B通道灰度下降得最少,所以通过对B分量图采用阈值分割的方法,设置一个较高的阈值(本发明中阈值设为150)就可以得到精确的阴影区域。
E、将前景图1–pFrShade与阴影区域Shadow进行逻辑与运算,得到精确的运动目标前景图2–pFrImg;
F、创建用于画运动目标轮廓的内存存储器,从精确的运动目标前景图2–pFrImg中找到所有运动目标轮廓,此处运动目标轮廓是指运动目标前景图2–pFrImg中的各轮廓顶点与其相连的两个长度所组成的矩形区域,即运动目标前景图2–pFrImg中各轮廓顶点上、下、左、右各两个长度所组成的矩形区域;
G、直接使用CONTOUR(Opencv中使用轮廓的查找函数cvFindContours得到的轮廓)中的矩形来画运动目标轮廓,并将面积小于1000个像素点的矩形抛弃掉;
H、确定矩形区域:摄像机拍摄的图像中物体容易发生畸变,服务器机房中待监测矩形区域在摄像机拍摄的视频里面发生畸变,成不规则四边形,通过透视变换将其转换为规则的矩形,即得到机房重地待监测矩形区域四个边的位置。
上述透视变换公式为:
u,v为原始图片坐标,x,y为经透视变换后得到的图片坐标,为透视变换矩阵,由此得出:
I、确定运动目标中脚的位置:取所有运动目标轮廓中位于最下方轮廓的底边中点作为脚的位置;通过反透视变换求脚的位置在待监测规则矩形里的位置,得到脚的位置;
J、用求出的脚的位置坐标和待监测规则矩形区的位置坐标进行比较,如果此点位于待监测规则矩形区域里面,则用绿色矩形框画出轮廓;反之,如果此点位于待监测规则矩形区域外面,则用红色矩形框来画出轮廓,并做出越界报警。
采用本实施例的方法可以根据需要在特定的监测区域或界限内(如矩形区域或越界线),当发生越界行为时,能够实时发出警报。本实施例无需进行区域界线检测,因此不受矩形区域颜色和畸变的影响,只需点击视频第一帧图像中特定区域的四个角点,即可在完成图像几何矫正的同时确定区域界线的位置。此外,由于受灯光场景变化等外界环境的影响,例如,白天太阳照射,晚上存在照明灯,但两者亮度明显不同,本实施例采用了实时更新背景以及去除阴影的技术,从而能够克服光照的变化以及外界环境的影响,避免自然条件变化对监测的干扰。同时,结合监测区域的图像亮度变化调整高斯混合模型过程中的学习速率参数(手动更改学习速率的大小,根据效果确定最佳学习速率),将n帧取为5帧,从而使算法对运动目标检测的准确性以及算法的执行速率大大提高。