CN112465870A - 一种复杂背景下热像报警入侵检测方法及装置 - Google Patents

一种复杂背景下热像报警入侵检测方法及装置 Download PDF

Info

Publication number
CN112465870A
CN112465870A CN202011437523.4A CN202011437523A CN112465870A CN 112465870 A CN112465870 A CN 112465870A CN 202011437523 A CN202011437523 A CN 202011437523A CN 112465870 A CN112465870 A CN 112465870A
Authority
CN
China
Prior art keywords
target
motion
moving
alarm
track
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011437523.4A
Other languages
English (en)
Other versions
CN112465870B (zh
Inventor
周昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan Hope Wish Photoelectronic Technology Co ltd
Original Assignee
Jinan Hope Wish Photoelectronic Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jinan Hope Wish Photoelectronic Technology Co ltd filed Critical Jinan Hope Wish Photoelectronic Technology Co ltd
Priority to CN202011437523.4A priority Critical patent/CN112465870B/zh
Publication of CN112465870A publication Critical patent/CN112465870A/zh
Application granted granted Critical
Publication of CN112465870B publication Critical patent/CN112465870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Burglar Alarm Systems (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明提供一种复杂背景下热像报警入侵检测方法及装置，所述方法包括如下步骤：S1.获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；S2.采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；S3.根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；S4.根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。本发明提供的复杂背景下热像报警入侵检测方法及装置，有效地过滤掉大量误报，在保持较高灵敏度的同时，实现了较小的虚警率。

Description

一种复杂背景下热像报警入侵检测方法及装置
技术领域
本发明属于热像周界入侵检测技术领域，具体涉及一种复杂背景下热像报警入侵检测方法及装置。
背景技术
GMM，是Gauss ian Mixture Model的简称，高斯混合模型，也可检测为MOG，高斯模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物，将一个事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型。
KNN，是K-NearestNeighbor的简称，指邻近算法，或者说K最近邻分类算法，是数据挖掘分类技术中最简单的方法之一。
边防的环境，具有视野宽广，环境复杂的特点，移动的目标往往很小，一般在15像素以下。为了检测出小的运动目标，必须保持较高的灵敏度，而在较高灵敏度下，因为环境的复杂性，会导致大量误报，如风吹草动，麦浪形成的热浪，云在地面的投影等。常规的报警入侵，一般基于GMM进行运动背景建模，检测出运动目标，然后提取单个运动目标的特征，进行过滤。但边防环境的目标非常小，特征不明显，单个目标的特征有很大的随机性，往往无法与大量的误报点区分开来。
此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种复杂背景下热像报警入侵检测方法及装置，是非常有必要的。
发明内容
针对现有技术的上述边防环境的目标非常小，特征不明显，单个目标的特征有很大的随机性，往往无法与大量的误报点区分开来的缺陷，本发明提供一种复杂背景下热像报警入侵检测方法及装置，以解决上述技术问题。
第一方面，本发明提供一种复杂背景下热像报警入侵检测方法，包括如下步骤：
S 1.获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；
S2.采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；
S3.根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；
S4.根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。
进一步地，步骤S1具体步骤如下：
S 11.通过热成像设备获取热成像视频帧；
S 12.基于KNN算法进行运动背景建模，生成KNN运动背景模型；
S 13.将热成像视频帧输入KNN运动背景模型，提取出运动目标。
进一步地，步骤S2具体步骤如下:
S21.采用KNN算法进行运动目标检测；
S22.基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；
S23.统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
S24.将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹。
进一步地，步骤S3具体步骤如下：
S31.设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
S32.记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
S33.记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
S34.运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离。
进一步地，步骤S4具体步骤如下：
S41.调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
S42.调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
S43.将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
S44.将过滤的报警设为误报，输出剩余的真实警报。
进一步地，步骤S41具体步骤如下：
S411.设定运动轨迹持续时间阈值为第一阈值；
S412.判断运动轨迹的持续时间是否大于第一阈值；
若是，进入步骤S413；
若否，进入步骤S42；
S413.将该运动轨迹对应报警进行过滤。
进一步地，步骤S42具体步骤如下：
S421.根据运动轨迹上记录的运动目标的历史信息，计算目标形态特征的离散度和目标移动速度特征的离散度；
S422.设置目标形态特征的离散度阈值为第二阈值，目标移动速度的离散度阈值为第三阈值；
S423.判断运动轨迹的目标形态特征的离散度是否大于第二阈值；
若是，进入步骤S424；
若否，进入步骤S43；
S424.目标移动速度的离散度是否分别大于第三阈值；
若是，进入步骤S425；
若否，进入步骤S43；
S425.将该运动轨迹对应报警进行过滤。
进一步地，步骤S43具体步骤如下：
S431.设定目标移动的直线像素距离为第四阈值；
S432.运动轨迹持续设定时间段后，获取运动目标移动的直线像素距离；
S433.判断运动目标移动的直线像素距离是否小于第四阈值；
若是，进入步骤S434；
若否，进入步骤S44；
S434.将该运动轨迹对应报警进行过滤。
第二方面，本发明提供一种复杂背景下热像报警入侵检测装置，包括：
运动目标提取模块，用于获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；
运动轨迹生成模块，用于采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；
运动轨迹特征提取模块，用于根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；
误报过滤模块，用于根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。
进一步地，运动目标提取模块包括：
热成像视频帧获取单元，用于通过热成像设备获取热成像视频帧；
运动背景模型生成单元，用于基于KNN算法进行运动背景建模，生成KNN运动背景模型；
运动目标提取单元，用于将热成像视频帧输入KNN运动背景模型，提取出运动目标；
运动轨迹生成模块包括：
运动目标检测单元，用于采用KNN算法进行运动目标检测；
初期轨迹生成单元，用于基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；
初期轨迹平滑单元，用于统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
历史帧匹配及运动轨迹生成单元，用于将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹；
运动轨迹特征提取模块包括：
历史目标提取单元，用于设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
形态特征记录单元，用于记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
运动特征记录单元，用于记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
特征统计单元，用于在运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离；
误报过滤模块包括：
短促误报过滤单元，用于调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
大尺度误报过滤单元，用于调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
小形变误报过滤单元，用于将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
真警输出单元，用于将过滤的报警设为误报，输出剩余的真实警报。
本发明的有益效果在于，
本发明提供的复杂背景下热像报警入侵检测方法及装置，基于KNN算法进行运动目标检测，融合匈牙利匹配算法和目标前后帧交并比方式生成运动目标的轨迹，采用卡尔曼滤波算法进行轨迹平滑和目标运动状态预测，同时对构成轨迹的各个历史目标的形态特征和运动特征进行特征统计，有效地过滤掉大量误报，在保持较高灵敏度的同时，实现了较小的虚警率。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
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，对于本领域普通技术人员而言，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是本发明的方法流程示意图一；
图2是本发明的方法流程示意图二；
图3为本发明的装置示意图；
图中，1-运动目标提取模块；1.1-热成像视频帧获取单元；1.2-运动背景模型生成单元；1.3-运动目标提取单元；2-运动轨迹生成模块；2.1运动目标检测单元-；2.2-初期轨迹生成单元；2.3-初期轨迹平滑单元；2.4-历史帧匹配及运动轨迹生成单元；3-运动轨迹特征提取模块；3.1-历史目标提取单元；3.2-形态特征记录单元；3.3-运动特征记录单元；3.4-特征统计单元；4-误报过滤模块；4.1-短促误报过滤单元；4.2-大尺度误报过滤单元；4.3-小形变误报过滤单元；4.4-真警输出单元。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
实施例1：
如图1所示，本发明提供一种复杂背景下热像报警入侵检测方法，包括如下步骤：
S 1.获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；
S2.采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；
S3.根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；
S4.根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。
实施例2：
如图2所示，本发明提供一种复杂背景下热像报警入侵检测方法，包括如下步骤：
S 1.获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；具体步骤如下：
S 11.通过热成像设备获取热成像视频帧；
S 12.基于KNN算法进行运动背景建模，生成KNN运动背景模型；
S 13.将热成像视频帧输入KNN运动背景模型，提取出运动目标；
S2.采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；具体步骤如下:
S21.采用KNN算法进行运动目标检测；
S22.基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；基于最大交并比生成的初期轨迹提高了后期匈牙利匹配的成功率；
S23.统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
S24.将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹；
S3.根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；具体步骤如下：
S31.设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
S32.记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
S33.记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
S34.运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离；
S4.根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报；具体步骤如下：
S41.调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
S42.调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
S43.将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
S44.将过滤的报警设为误报，输出剩余的真实警报。
在上述实施例中，交并比是目标检测中的一个概念，是产生的候选框与原标记框的交叠率，即他们交集与并集的比值，最理想情况是完全重叠，即比值为1，也就是当前帧与历史帧完全匹配最理想。
在某些实施例中，步骤S41具体步骤如下：
S411.设定运动轨迹持续时间阈值为第一阈值；
S412.判断运动轨迹的持续时间是否大于第一阈值；
若是，进入步骤S413；
若否，进入步骤S42；
S413.将该运动轨迹对应报警进行过滤；
步骤S41实现的是短促误报的过滤，短促误报的主要来源于阳光下裸露的岩石，草木的抖动等，特点是持续时间短，一般在毫秒的级别，目标尺寸小；
该种误报可以通过调整轨迹的持续时间来过滤，只有持续时间达到一定程度后，才会形成真警。
在某些实施例中，步骤S42具体步骤如下：
S421.根据运动轨迹上记录的运动目标的历史信息，计算目标形态特征的离散度和目标移动速度特征的离散度；
S422.设置目标形态特征的离散度阈值为第二阈值，目标移动速度的离散度阈值为第三阈值；
S423.判断运动轨迹的目标形态特征的离散度是否大于第二阈值；
若是，进入步骤S424；
若否，进入步骤S43；
S424.目标移动速度的离散度是否分别大于第三阈值；
若是，进入步骤S425；
若否，进入步骤S43；
S425.将该运动轨迹对应报警进行过滤；
步骤S42实现的是大形变误报的过滤，大形变误报通常持续时间长，形变尺度大，该误报主要来源于麦浪，云影，尤其在白天，有风的时候，在热像上会形成一波一波的浪，经过KNN算法处理后形成持续时间较长的运动目标，持续时间在1秒到8秒不等；另外，山上有云的时候，在云的边缘也会形成持续时间较长的运动目标，这些运动目标的特点是形变尺度大；
根据轨迹上记录的目标的历史信息，计算目标形态特征和速度特征的离散度，发现该种误报的离散度都比较大，根据这个特点，调整离散度的阈值，可以过滤掉上述大尺度误报。
在某些实施例中，步骤S43具体步骤如下：
S431.设定目标移动的直线像素距离为第四阈值；
S432.运动轨迹持续设定时间段后，获取运动目标移动的直线像素距离；
S433.判断运动目标移动的直线像素距离是否小于第四阈值；
若是，进入步骤S434；
若否，进入步骤S44；
S434.将该运动轨迹对应报警进行过滤；
步骤S43实现的是小形变误报的过滤，该种误报持续时间长，形变小，这种误报较少，多存在于麦浪中，特点是目标经常在一个点附近徘徊；
在运动轨迹持续一段时间后，如果发现目标移动的直线距离很短，或没有移动，可以判定为此种小形变误报。
实施例3：
如图3所示，本发明提供一种复杂背景下热像报警入侵检测装置，包括：
运动目标提取模块1，用于获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；运动目标提取模块1包括：
热成像视频帧获取单元1.1，用于通过热成像设备获取热成像视频帧；
运动背景模型生成单元1.2，用于基于KNN算法进行运动背景建模，生成KNN运动背景模型；
运动目标提取单元1.3，用于将热成像视频帧输入KNN运动背景模型，提取出运动目标；
运动轨迹生成模块2，用于采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；运动轨迹生成模块2包括：
运动目标检测单元2.1，用于采用KNN算法进行运动目标检测；
初期轨迹生成单元2.2，用于基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；
初期轨迹平滑单元2.3，用于统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
历史帧匹配及运动轨迹生成单元2.4，用于将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹；
运动轨迹特征提取模块3，用于根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；运动轨迹特征提取模块3包括：
历史目标提取单元3.1，用于设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
形态特征记录单元3.2，用于记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
运动特征记录单元3.3，用于记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
特征统计单元3.4，用于在运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离；
误报过滤模块4，用于根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报；误报过滤模块4包括：
短促误报过滤单元4.1，用于调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
大尺度误报过滤单元4.2，用于调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
小形变误报过滤单元4.3，用于将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
真警输出单元4.4，用于将过滤的报警设为误报，输出剩余的真实警报。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种复杂背景下热像报警入侵检测方法，其特征在于，包括如下步骤：
S1.获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；
S2.采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；
S3.根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；
S4.根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。
2.如权利要求1所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S1具体步骤如下：
S11.通过热成像设备获取热成像视频帧；
S12.基于KNN算法进行运动背景建模，生成KNN运动背景模型；
S13.将热成像视频帧输入KNN运动背景模型，提取出运动目标。
3.如权利要求1所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S2具体步骤如下:
S21.采用KNN算法进行运动目标检测；
S22.基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；
S23.统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
S24.将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹。
4.如权利要求1所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S3具体步骤如下：
S31.设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
S32.记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
S33.记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
S34.运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离。
5.如权利要求4所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S4具体步骤如下：
S41.调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
S42.调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
S43.将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
S44.将过滤的报警设为误报，输出剩余的真实警报。
6.如权利要求5所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S41具体步骤如下：
S411.设定运动轨迹持续时间阈值为第一阈值；
S412.判断运动轨迹的持续时间是否大于第一阈值；
若是，进入步骤S413；
若否，进入步骤S42；
S413.将该运动轨迹对应报警进行过滤。
7.如权利要求5所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S42具体步骤如下：
S421.根据运动轨迹上记录的运动目标的历史信息，计算目标形态特征的离散度和目标移动速度特征的离散度；
S422.设置目标形态特征的离散度阈值为第二阈值，目标移动速度的离散度阈值为第三阈值；
S423.判断运动轨迹的目标形态特征的离散度是否大于第二阈值；
若是，进入步骤S424；
若否，进入步骤S43；
S424.目标移动速度的离散度是否分别大于第三阈值；
若是，进入步骤S425；
若否，进入步骤S43；
S425.将该运动轨迹对应报警进行过滤。
8.如权利要求7所述的复杂背景下热像报警入侵检测方法，其特征在于，步骤S43具体步骤如下：
S431.设定目标移动的直线像素距离为第四阈值；
S432.运动轨迹持续设定时间段后，获取运动目标移动的直线像素距离；
S433.判断运动目标移动的直线像素距离是否小于第四阈值；
若是，进入步骤S434；
若否，进入步骤S44；
S434.将该运动轨迹对应报警进行过滤。
9.一种复杂背景下热像报警入侵检测装置，其特征在于，包括：
运动目标提取模块(1)，用于获取热成像视频帧，创建运动背景模型，将热成像视频帧输入运动背景模型，提取运动目标；
运动轨迹生成模块(2)，用于采用KNN算法进行运动目标检测，并根据运动目标的当前帧与历史帧的交并比生成初期轨迹，再通过滤波算法进行初期轨迹平滑和目标运动状态预测，完成历史帧匹配，生成运动轨迹；
运动轨迹特征提取模块(3)，用于根据运动轨迹设置采样点，对采样点历史目标的形态特征和运动特征进行提取和统计；
误报过滤模块(4)，用于根据运动轨迹的形态特征和运动特征进行误报过滤，输出真实警报。
10.如权利要求9所述的复杂背景下热像报警入侵检测装置，其特征在于，运动目标提取模块(1)包括：
热成像视频帧获取单元(1.1)，用于通过热成像设备获取热成像视频帧；
运动背景模型生成单元(1.2)，用于基于KNN算法进行运动背景建模，生成KNN运动背景模型；
运动目标提取单元(1.3)，用于将热成像视频帧输入KNN运动背景模型，提取出运动目标；
运动轨迹生成模块(2)包括：
运动目标检测单元(2.1)，用于采用KNN算法进行运动目标检测；
初期轨迹生成单元(2.2)，用于基于运动目标的当前帧与历史帧的最大交并比生成初期轨迹；
初期轨迹平滑单元(2.3)，用于统计运动目标的速度信息，并根据运动目标的速度信息构建卡尔曼滤波算法的初始状态矩阵和运动方程，完成初期轨迹平滑和目标运动状态预测；
历史帧匹配及运动轨迹生成单元(2.4)，用于将平滑后初期轨迹进行基于匈牙利算法的历史帧匹配，生成运动轨迹；
运动轨迹特征提取模块(3)包括：
历史目标提取单元(3.1)，用于设置采用频率，根据采用频率提取出运动轨迹中对应历史目标；
形态特征记录单元(3.2)，用于记录历史目标的形态特征，所述形态特征包括宽高比和目标像素面积；
运动特征记录单元(3.3)，用于记录历史目标的运动特征，所述运动特征包括目标移动速度、目标在相邻帧的移动距离；
特征统计单元(3.4)，用于在运动轨迹生成设定时间段后，统计速度、宽高比、目标像素面积、目标移动速度的离散度以及运动目标在轨迹结束后目标移动的直线像素距离；
误报过滤模块(4)包括：
短促误报过滤单元(4.1)，用于调整运动轨迹的持续时间，将持续时间不满足阈值的报警进行过滤；
大尺度误报过滤单元(4.2)，用于调整离散度阈值，将目标形态特征和目标移动速度的离散度均大于离散度阈值的报警进行过滤；
小形变误报过滤单元(4.3)，用于将运动目标在轨迹结束后目标移动的直线像素距离小于阈值的报警进行过滤；
真警输出单元(4.4)，用于将过滤的报警设为误报，输出剩余的真实警报。
CN202011437523.4A 2020-12-10 2020-12-10 一种复杂背景下热像报警入侵检测方法及装置 Active CN112465870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011437523.4A CN112465870B (zh) 2020-12-10 2020-12-10 一种复杂背景下热像报警入侵检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011437523.4A CN112465870B (zh) 2020-12-10 2020-12-10 一种复杂背景下热像报警入侵检测方法及装置

Publications (2)

Publication Number Publication Date
CN112465870A true CN112465870A (zh) 2021-03-09
CN112465870B CN112465870B (zh) 2023-07-14

Family

ID=74800793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011437523.4A Active CN112465870B (zh) 2020-12-10 2020-12-10 一种复杂背景下热像报警入侵检测方法及装置

Country Status (1)

Country Link
CN (1) CN112465870B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238214A (zh) * 2021-04-14 2021-08-10 杭州萤石软件有限公司 目标对象检测方法、装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739691A (zh) * 2009-12-04 2010-06-16 北京智安邦科技有限公司 视频虚警目标检测方法及装置
CN103413330A (zh) * 2013-08-30 2013-11-27 中国科学院自动化研究所 一种复杂场景下可靠的视频摘要生成方法
CN103489202A (zh) * 2013-01-15 2014-01-01 上海盈觉智能科技有限公司 基于视频的入侵检测方法
CN104574340A (zh) * 2013-10-18 2015-04-29 上海睿穹信息科技有限公司 一种基于历史图像的视频入侵检测方法
CN105141903A (zh) * 2015-08-13 2015-12-09 中国科学院自动化研究所 一种基于颜色信息的在视频中进行目标检索的方法
CN110866943A (zh) * 2019-11-21 2020-03-06 无锡中科水质环境技术有限公司 用于水质监测的鱼类位置跟踪方法
CN111507235A (zh) * 2020-04-13 2020-08-07 北京交通大学 基于视频的铁路周界异物入侵检测方法
CN111582060A (zh) * 2020-04-20 2020-08-25 浙江大华技术股份有限公司 自动划线周界报警方法、计算机设备及存储装置
CN111932580A (zh) * 2020-07-03 2020-11-13 江苏大学 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739691A (zh) * 2009-12-04 2010-06-16 北京智安邦科技有限公司 视频虚警目标检测方法及装置
CN103489202A (zh) * 2013-01-15 2014-01-01 上海盈觉智能科技有限公司 基于视频的入侵检测方法
CN103413330A (zh) * 2013-08-30 2013-11-27 中国科学院自动化研究所 一种复杂场景下可靠的视频摘要生成方法
CN104574340A (zh) * 2013-10-18 2015-04-29 上海睿穹信息科技有限公司 一种基于历史图像的视频入侵检测方法
CN105141903A (zh) * 2015-08-13 2015-12-09 中国科学院自动化研究所 一种基于颜色信息的在视频中进行目标检索的方法
CN110866943A (zh) * 2019-11-21 2020-03-06 无锡中科水质环境技术有限公司 用于水质监测的鱼类位置跟踪方法
CN111507235A (zh) * 2020-04-13 2020-08-07 北京交通大学 基于视频的铁路周界异物入侵检测方法
CN111582060A (zh) * 2020-04-20 2020-08-25 浙江大华技术股份有限公司 自动划线周界报警方法、计算机设备及存储装置
CN111932580A (zh) * 2020-07-03 2020-11-13 江苏大学 一种基于卡尔曼滤波与匈牙利算法的道路3d车辆跟踪方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RAVI VAISHNAVI.ET AL: "Implementation of algorithms for Point target detection and tracking in Infrared image sequences", 《IEEE》 *
任珈民等: "基于YOLOv3与卡尔曼滤波的多目标跟踪算法", 计算机应用与软件, no. 05 *
刘峰等: "一种低复杂度的监控视频异物入侵检测算法", 南京邮电大学学报(自然科学版), no. 01 *
诸葛琳娜: "基于移动平台热成像的行人检测与跟踪研究", 《中国优秀硕士学位论文全文数据库 信息科技》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238214A (zh) * 2021-04-14 2021-08-10 杭州萤石软件有限公司 目标对象检测方法、装置、电子设备和存储介质
CN113238214B (zh) * 2021-04-14 2024-03-19 杭州萤石软件有限公司 目标对象检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112465870B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN110853295A (zh) 一种高空抛物预警方法和装置
CN109872483B (zh) 一种入侵警戒光电监测***及方法
CN109101944B (zh) 一种识别向河道内抛投垃圾的实时视频监控方法
CN109905675A (zh) 一种基于计算机视觉的矿山人员监控***及方法
CN101167086A (zh) 用于安全应用的人体检测和跟踪
Kato et al. An HMM/MRF-based stochastic framework for robust vehicle tracking
CN109218667B (zh) 一种公共场所安全预警***和方法
CN110490043A (zh) 一种基于区域划分和特征提取的森林烟火检测方法
CN103593679A (zh) 一种基于在线机器学习的视觉人手跟踪方法
CN113362374A (zh) 一种基于目标跟踪网络的高空抛物检测方法及***
CN106709938A (zh) 基于改进tld的多目标追踪方法
CN111814635A (zh) 基于深度学习的烟火识别模型建立方法和烟火识别方法
CN112465870B (zh) 一种复杂背景下热像报警入侵检测方法及装置
CN108921826A (zh) 超像素分割与深度学习相结合的输电线路入侵物检测方法
JP2024514175A (ja) 鳥の検出および種決定
Tang et al. Background subtraction using running Gaussian average and frame difference
CN110796682A (zh) 运动目标的检测识别方法及检测识别***
CN103679172A (zh) 一种通过转动红外探测器检测地面远距离运动目标的方法
CN113283330A (zh) 基于深度学习与多目标跟踪算法的视频sar动目标检测方法
Wei et al. A Markov random field approach for sidescan sonar change detection
Batista et al. Improved real-time wildfire detection using a surveillance system
Kim et al. Three plot correlation-based small infrared target detection in dense sun-glint environment for infrared search and track
Archana et al. To detect abnormal event at ATM system by using image processing based on IOT technologies
CN115394065A (zh) 一种基于ai自动识别丢包行为报警的方法和装置
Wei et al. Birds/bats movement tracking with IR camera for wind farm applications

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant