CN107705326A

CN107705326A - 一种安全敏感区域的越界入侵检测方法

Info

Publication number: CN107705326A
Application number: CN201710833558.1A
Authority: CN
Inventors: 李理敏; 张威; 曾国强; 陈孝敬; 阮秀凯; 朱欣; 林宇豪
Original assignee: Wenzhou University
Current assignee: Wenzhou University
Priority date: 2017-09-15
Filing date: 2017-09-15
Publication date: 2018-02-16

Abstract

本发明公开了一种安全敏感区域的越界入侵检测方法，属于视频安全监控领域，该方法包括以下步骤：1)摄像头实时采集图像，并对摄像头的采集区域设置安全敏感区域；2)通过背景减除法从采集到的视频流中提取运动目标信息；3)利用形态学滤波方法处理提取出来的前景图像，即运动目标；4)提取前景图像中连通区域轮廓，并筛选运动目标，将面积、尺寸或比例不合要求的连通域去除；5)利用向量叉积法判断运动目标是否进入预先设定的安全敏感区域。本发明方法能够有效地筛选出监控区域中的越界入侵事件，减轻监控人员的工作负担，避免由于监控人员工作疲劳引起的异常事件漏报。

Description

一种安全敏感区域的越界入侵检测方法

技术领域

本发明涉及视频安全监控领域，尤其涉及一种安全敏感区域的越界入侵检测方法。

背景技术

随着当今人口数量的增加和城市规模的不断扩大，现代社会所面临的突发、异常事件逐年增加，使得安全监控的难度与重要性也越来越突出。特别是对于某些安全敏感场合，如军事基地、监狱、供电站、医院、银行以及商场等区域，出于安全因素的考虑，管理人员必须了解是否有异常人物或车辆进入该场所。传统的视频安全监控都是以人为主，由安保人员直接查看监控画面。随着视频监控技术的迅速发展和普及，摄像头数量越来越多，加之人眼的易疲劳性，可能导致无法可靠地筛选出异常事件并及时进行处理。因此，采用一种有效的越界入侵检测方法显得尤为重要。

发明内容

针对上述不足，本发明提出一种安全敏感区域的越界入侵检测方法，首先通过背景减除法检测出视频中的运动目标，然后再进行形态学滤波和连通域分析，最后根据向量叉积法判断运动目标是否进入预先设定的安全敏感区域，该方法可以使监控***自动筛选出监控区域中的越界入侵事件，减轻监控人员的工作负担。

本发明所采用的技术方案如下：一种安全敏感区域的越界入侵检测方法，包括以下步骤：

1)摄像头实时采集图像，并对摄像头的采集区域设置安全敏感区域；

2)通过背景减除法从采集到的视频流中提取运动目标信息；

3)利用形态学滤波方法处理提取出来的前景图像，即运动目标；

4)提取前景图像中连通区域轮廓，并筛选运动目标，将面积、尺寸或比例不符合要求的连通域去除；

5)判断前景图像中的运动目标是否进入安全敏感区域，即判断一个点是否在一个四边形内，利用两个向量叉积的方向性来判断夹角是否超过了180度，若则表示两个向量的夹角小于180度，即点E在的顺时针方向；若则表示两个向量的夹角大于180度，即点E在的逆时针方向；由此可得，若则表示点E在向量和之间；因此，通过判断条件是否成立，可以得到目标点E是否已经进入由点A、B、C、D围成的四边形中间，点A、B、C、D围成的四边形为安全敏感区域。

进一步的，设定安全敏感区域的方式有以下几种：1)读取上次保存的参数配置文件；2) 由用户通过鼠标划定；3)由用户输入坐标值设定。

进一步的，所述背景减除法选自混合高斯模型法、VIBE算法、SACON算法、PBAS算法中的一种。

进一步的，采用PBAS算法来从视频流中提取运动目标信息，具体过程包括：

2.1)背景建模

收集前N帧图像的像素值作为背景模型的初始值：

B(x_i)＝{B₁(x_i),…,B_k(x_i),…,B_N(x_i)}

其中，B(x_i)表示像素x_i在当前时刻的背景模型，B_k(x_i)表示像素x_i历史k时刻的像素值；

2.2)前景检测

对于当前图像帧中的任意一个像素x_i，判定公式为：

其中，F(x_i)＝1表示x_i被判定为前景点，F(x_i)＝0表示x_i被判定为背景点，num(^.)表示满足括号内条件的次数，dist(^.)表示括号内两点之间的欧式距离；

2.3)背景更新

用被判别为背景的像素点来更新背景模型，背景更新分为以下三个步骤：

2.3.1)更新背景模型：从其背景模型B(x_i)中随机选择一个像素值，用I(x_i)替换，其替换概率为p(x_i)＝1/T(x_i)，T(x_i)表示背景更新率；

2.3.2)更新领域背景模型：从x_i的领域中随机选择像素点y_i，用其当前像素值V(y_i)替换其背景模型B(y_i)中随机选择一个像素值，其替换概率为p(x_i)＝1/T(x_i)；

2.3.3)自适应调整判断阈值R(x_i)和更新率T(x_i)：计算过去N帧图像中像素x_i与其对应背景样本最小距离的平均值来表示背景复杂度，根据背景复杂度自适应调整前景判断阈值 R(x_i)和背景模型更新率T(x_i)。

进一步的，所述利用形态学滤波方法处理检测出来的前景图像，具体如下：通过开运算即先腐蚀再膨胀，去除小噪点和平滑运动物体的轮廓；通过闭运算即先膨胀再腐蚀，填充前景目标内部细小的空洞。

本发明的有益效果是：

1.可以24小时无间断工作，监控人员只需要在报警提示的时候进行异常状况处理即可，有效地节省了人力资源，同时避免了由于监控人员工作疲劳引起的异常事件的遗漏；

2.采用基于像素的自适应分割(PBAS)算法来从视频流中提取运动目标信息，使得本发明方法能够适应复杂背景环境，鲁棒性较强，检测精度较高；

3.通过形态学滤波和连通域分析，进一步减少了噪声对模型的影响，使得本发明方法能够适用于各种复杂多变的场景。

附图说明

图1是本发明越界入侵检测方法的流程图；

图2是利用叉积法判断一个点是否进入四边形的原理图；

图3是一种越界入侵检测***结构框图；

图4是本发明的运动目标检测结果图；

图5是本发明的越界入侵检测结果图。

具体实施方式

以下结合附图和实施例对本发明作进一步的说明。

如图1所示，本发明提出一种安全敏感区域的越界入侵检测方法，主要包括以下步骤：

1)读入视频

视频数据可以是来自摄像头采集的实时图像，也可以是存储在本地的数据文件，可以根据实际情况对视频数据进行中值滤波等预处理。

2)安全敏感区域设置

对摄像头的采集区域进行安全敏感区域的设置，给用户提供3种方式设定安全敏感区域： 1)读取上次保存的参数配置文件；2)由用户通过鼠标划定；3)由用户输入坐标值设定。

3)运动目标检测

本发明利用背景减除法来检测运动目标。目前，常用的背景减除法有混合高斯模型法、 VIBE算法、SACON算法、PBAS算法等。考虑到室外监控容易受到光照变化、雨雪天气、画面抖动等不确定因素的影响，根据对各种算法的比较分析和测试，本发明采用PBAS算法来从视频流中提取运动目标信息，该算法结合了SACON和VIBE两种算法的优势，通过引入背景复杂程度的度量方法，根据背景复杂程度自适应调整前景判断阈值和背景模型更新率，具体过程包括：

3.1)背景建模

收集前N帧图像的像素值作为背景模型的初始值：

B(x_i)＝{B₁(x_i),…,B_k(x_i),…,B_N(x_i)}

其中，B(x_i)表示像素x_i在当前时刻的背景模型，B_k(x_i)表示像素x_i历史k时刻的像素值。

3.2)前景检测

对于当前图像帧中的任意一个像素x_i，如果其像素值I(x_i)与背景模型中N个像素值的欧式距离小于判断阈值R(x_i)的次数小于#min，则将该点判为前景点，否则将其判为背景点。

判定公式为：

其中，F(x_i)＝1表示x_i被判定为前景点，F(x_i)＝0表示x_i被判定为背景点，num(^.)表示满足括号内条件的次数，dist(^.)表示括号内两点之间的欧式距离。

3.3)背景更新

采用选择性更新的策略，即只有被判别为背景的像素点才能用来更新背景模型。如果像素x_i被判定为背景点，背景更新可分为以下三个步骤：

3.3.1)更新背景模型。从其背景模型B(x_i)中随机选择一个像素值，用I(x_i)替换，其替换概率为p(x_i)＝1/T(x_i)，T(x_i)表示背景更新率。

3.3.2)更新领域背景模型。从x_i的领域中随机选择像素点y_i，用其当前像素值V(y_i)替换其背景模型B(y_i)中随机选择一个像素值，其替换概率为p(x_i)＝1/T(x_i)。

3.3.3)自适应调整判断阈值R(x_i)和更新率T(x_i)。计算过去N帧图像中像素x_i与其对应背景样本最小距离的平均值来表示背景复杂度，根据背景复杂度自适应调整前景判断阈值 R(x_i)和背景模型更新率T(x_i)。

4)形态学滤波

利用形态学滤波方法处理检测出来的前景图像(即运动目标)：通过开运算即先腐蚀再膨胀，去除小噪点和平滑运动物体的轮廓；通过闭运算即先膨胀再腐蚀，填充前景目标内部细小的空洞。

5)连通域分析

提取前景图像中连通区域轮廓，并根据先验信息设置轮廓面积大小、长宽比等筛选运动目标，将面积、尺寸或比例不合要求的连通域去除，从而在一定程度上消除噪声干扰，提高检测准确率。

6)越界检测

越界检测主要是判断前景目标是否进入安全敏感区域，其核心部分就是判断一个点是否在一个四边形内。利用两个向量叉积的方向性来判断夹角是否超过了180度，如图2所示，若则表示两个向量的夹角小于180度，即点E在的顺时针方向；若则表示两个向量的夹角大于180度，即点E在的逆时针方向。由此可得，若则表示点E在向量和之间。因此，通过判断条件是否成立，可以得到目标点E是否已经进入由点A、B、C、D围成的四边形中间，其中点A、B、C、D围成的四边形为用户设定的安全敏感区域。

7)报警提醒

若检测到越界入侵事件，则保存画面，并向用户发送报警信息和画面。

针对以上检测方法，本发明还设计了一种越界入侵检测***，本发明的越界入侵检测方法在该越界入侵检测***中实现。

如图3所示，本发明设计的越界入侵检测***包括：n个摄像头、n个嵌入式处理器、一个服务器和m个客户端，其中n、m为正整数，一个摄像头与对应的一个嵌入式处理器通过数据线相连，所有嵌入式处理器均通过有线或无线与服务器相连，所有客户端均通过有线或无线与服务器相连；本发明的越界入侵检测方法可以在监控前端的嵌入式处理器上运行，也可以在客户端上运行。

摄像头实时采集监控区域的图像，并且将这些图像数据传递给监控前端与之相连的嵌入式处理器；

嵌入式处理器接收摄像头发送过来的图像数据，然后对图像数据进行一定的处理，并上传到服务器；

服务器接收各嵌入式处理器发送过来的图像数据，并且对这些数据进行分类存储，便于监控人员回放或取证；

客户端接收服务器发送过来的信息，然后监控人员通过查看图像来判断是否发生越界入侵事件；同时，监控人员亦可以通过客户端向服务器和各嵌入式处理器发送控制指令，用于修改、更新***配置和参数。

根据不同的网络环境和工作需求，该越界入侵检测***可以设定成两种工作模式：1.实时监控模式；2.非实时监控模式。

在实时监控模式中，嵌入式处理器只负责将摄像头采集的图像数据上传到服务器；服务器对图像分类存储，并将图像数据转发给客户端；客户端实时显示服务器发送过来的图像数据。在这种工作模式中，本发明的越界入侵检测方法在客户端中运行，可以部分替代监控人员的工作，实现越界入侵事件的自动检测，有效地节省了人力资源，避免了由于监控人员工作疲劳引起的异常事件漏报。

非实时监控模式中，嵌入式处理器将采用本发明方法对摄像头采集的图像数据进行越界入侵检测，如果检测到有目标入侵，则保存画面截图和检测结果，并上传到服务器；然后，服务器向客户端推送报警消息和画面。在这种工作模式中，客户端不需要实时接收来自摄像头的图像数据，只需在前端处理器检测到目标入侵时接收相关的报警信息即可，这大大减少了监控视频中的冗余信息，降低了视频监控对数据流量的要求。

本***启动时会自动读取并载入上次保存的配置参数信息；程序关闭的时候会自动保存***相关配置参数信息。

实施例：

以检测是否有目标非法穿越绿化带为例。如图4所示，本发明的运动目标检测方法准确检测出了监控场景中的三个运动目标。如图5所示，把检测出的运动目标分别标记为“1”、“2”、“3”，将中间四边形绿化带设为安全敏感区域，在视频中用虚线标注。由于1号运动目标在安全敏感区域左上方向，通过本发明的向量叉积法判断1号运动目标右下角点是否在四边形内部来判断该目标是否已经越界进入该安全敏感区域。从图5可以看出，当1号运动目标进入了预先设定的安全敏感区域时，***会向监控人员发送“Warning”报警信息和画面截图，监控人员接收到报警消息后再根据截图对异常事件进行核实和处理，这样可以避免监控人员一直紧盯屏幕，大大减轻监控人员的工作负担。

Claims

1.一种安全敏感区域的越界入侵检测方法，其特征在于，包括以下步骤：

2)通过背景减除法从采集到的视频流中提取运动目标信息；

4)提取前景图像中连通区域轮廓，并筛选运动目标，将面积、尺寸或比例不合要求的连通域去除。

2.根据权利要求1所述的一种安全敏感区域的越界入侵检测方法，其特征在于，设定安全敏感区域的方式有以下几种：1)读取上次保存的参数配置文件；2)由用户通过鼠标划定；3)由用户输入坐标值设定。

3.根据权利要求1所述的一种安全敏感区域的越界入侵检测方法，其特征在于，所述背景减除法选自混合高斯模型法、VIBE算法、SACON算法、PBAS算法中的一种。

4.根据权利要求3所述的一种安全敏感区域的越界入侵检测方法，其特征在于，采用PBAS算法来从视频流中提取运动目标信息，具体过程包括：

2.1)背景建模

收集前N帧图像的像素值作为背景模型的初始值：

B(x_i)＝{B₁(x_i),…,B_k(x_i),…,B_N(x_i)}

2.2)前景检测

对于当前图像帧中的任意一个像素x_i，判定公式为：

2.3)背景更新

2.3.2)更新领域背景模型：从x_i的领域中随机选择像素点y_i，用其当前像素值V(y_i)替换其背景模型B(y_i)中随机选择一个像素值，其替换概率为p(x_i)＝1/T(x_i)。

2.3.3)自适应调整判断阈值R(x_i)和更新率T(x_i)：计算过去N帧图像中像素x_i与其对应背景样本最小距离的平均值来表示背景复杂度，根据背景复杂度自适应调整前景判断阈值R(x_i)和背景模型更新率T(x_i)。

5.根据权利要求1所述的一种安全敏感区域的越界入侵检测方法，其特征在于，所述利用形态学滤波方法处理检测出来的前景图像，具体如下：通过开运算即先腐蚀再膨胀，去除小噪点和平滑运动物体的轮廓；通过闭运算即先膨胀再腐蚀，填充前景目标内部细小的空洞。