CN115984973B - 一种用于防偷窥屏幕的人体异常行为监测方法 - Google Patents
一种用于防偷窥屏幕的人体异常行为监测方法 Download PDFInfo
- Publication number
- CN115984973B CN115984973B CN202310272365.9A CN202310272365A CN115984973B CN 115984973 B CN115984973 B CN 115984973B CN 202310272365 A CN202310272365 A CN 202310272365A CN 115984973 B CN115984973 B CN 115984973B
- Authority
- CN
- China
- Prior art keywords
- edge line
- pixel points
- points
- image
- suspicious
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于防偷窥屏幕的人体异常行为监测方法,在对屏幕的防偷窥异常行为监测中,不仅能通过人脸识别判断是否为可疑人员,而且还能够对可疑人员后续的移动行为进行分析,判断是否有意偷窥。但由于分析可疑人员移动行为中使用现有的三步搜索法的计算量大且时间长,因监测结果需要及时反馈,故对现有方法的搜索像素点选取进行了改进,通过计算边缘线像素点的灰度差异、距离特征和角点数量筛选出特征像素点,通过角点和特征像素点减少计算量和计算时间,根据角点和特征像素点得到的整体运动量情况确定警告系数,通过警告系数监测判断是否有偷窥行为,使防偷窥的监测结果判断更准确更及时。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于防偷窥屏幕的人体异常行为监测方法。
背景技术
随着互联网的飞速发展,信息的传播和扩散速度加快,同时,人们的自我保护意识和权利意识也不断增强,个人隐私保护越来越受到人们的重视。移动终端例如智能手机或智能电视在公共场合使用的次数越来越多,隐私泄露的机会也越来越多,例如,在办公室使用智能电视开会时,被周围经过的人偷窥屏幕,使重要信息泄露。目前移动终端上的防偷窥方法采用摄像头检测人脸或人眼个数,判断是否存在未获观看权限的人员,若发现未获观看权限的人员则弹出提示框或直接锁屏防止偷窥。
发明人在实践中,发现上述现有技术存在以下缺陷:现有的防偷窥方法利用计算机视觉算法,通过拍摄的图像识别出无权限的可疑人员后直接关闭屏幕。但在实际场景中可疑人员并非都存在偷窥行为,现有技术没有对可疑人员后续的行为动作进行分析,直接关闭屏幕导致了硬件控制资源的浪费且严重影响了使用者的使用体验。
发明内容
为了解决现有技术中利用计算机视觉算法,通过拍摄的图像识别出无权限的可疑人员后直接关闭屏幕,没有对可疑人员后续的行为动作进行分析,导致了硬件控制资源的浪费且严重影响了使用者使用体验的技术问题,本发明的目的在于提供一种用于防偷窥屏幕的人体异常行为监测方法,所采用的技术方案具体如下:
获取防窥物摄像头连续多帧的实时图像,对实时图像中的人员进行识别,判断人员是否为可疑人员;
将存在可疑人员的连续多帧的实时图像作为待分析图像,将待分析图像进行下采样,获得下采样图像;
获得下采样图像中的边缘线和角点;计算下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度差异;计算同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的距离特征;计算每个边缘线像素点所在边缘的角点数量;通过灰度差异、距离特征及角点数量对边缘线像素点筛选,获取特征像素点;
根据相邻两帧下采样图像中的角点和特征像素点获得可疑人员的整体运动量,计算整体运动量的变化量;通过连续多帧下采样图像的整体运动量的累加值和变化量得到警告系数,通过警告系数的数值监测可疑人员是否存在偷窥。
进一步地,所述边缘线像素点的灰度差异的获取步骤包括:
计算下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度值的差值绝对值的平均值,得到边缘线像素点的灰度差异。
进一步地,所述边缘线像素点的距离特征的获取步骤包括:
计算下采样图像中同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的欧式距离的平均值,得到边缘线像素点的距离特征。
进一步地,所述特征像素点的获取步骤包括:
计算边缘线像素点的灰度差异、距离特征及角点数量的乘积,获得边缘线像素点为特征像素点的可能性;预设可能性阈值,筛选超过可能性阈值的边缘线像素点块作为特征像素点。
进一步地,所述整体运动量的获取步骤包括:
根据下采样图像中计算得到的角点和特征像素点,通过三步搜索法获取角点和特征像素点的运动矢量,计算相邻两帧下采样图像中所有运动矢量不为零的运动矢量的模长的平均值,得到整体运动量。
进一步地,所述整体运动量的变化量的获取步骤包括:
计算连续多帧的下采样图像中第二帧和最后一帧图像的得到的整体运动量的差值,得到整体运动量的变化量。
进一步地,所述警告系数的获取步骤包括:
计算整体运动量的累加值与整体运动量的变化量的比值,一减去累加值与变化量的比值得到警告系数。
进一步地,所述通过警告系数的数值进行防偷窥的监测的步骤包括:
预设警告系数阈值,当得到的警告系数超过警告系数阈值时,则认为可疑人员是有意偷窥防窥物,此时发出警告并关闭屏幕。
进一步地,所述对实时图像中的人员进行识别,判断人员是否为可疑人员的方法包括:
根据卷积神经网络对实时图像中的出现人员进行识别,通过人脸识别算法对出现人员人脸识别,判断是否为可疑人员。
本发明具有如下有益效果:首先将存在可疑人员的连续多帧实时图像作为待分析图像,目的为了根据可疑人员后续的移动动作判断是否有意偷窥而不是根据人脸识别结果直接关闭屏幕。因为本发明应用场景对监测结果的时效性要求较高,图像像素点较多会增加计算量与计算时间,所以将待分析图像进行下采样,减少后续算法的计算量。进一步地,计算下采样图像中边缘线像素点的灰度差异能够体现边缘线像素点在下采样图像边缘线中的明显程度,计算边缘线像素点的距离特征能够体现边缘线像素点距角点的距离情况,将边缘线像素点的灰度差异、距离特征与角点数量相结合能够判断边缘线像素点是否能成为特征像素点,进而实现特征像素点的有效提取,增加后续运动信息的参考度。以角点和特征像素点作为运动信息获取的依据,减少计算可疑人员整体运动量过程的计算量与时间,提高监测结果的时效性;通过整体运动量的变化量和累加值能够清晰分析出可疑人员后续的移动行为情况,通过整体运动量的变化量和累加值得到的警告系数能够直接判断可疑人员是否有意偷窥;因此本发明不仅仅根据人脸识别判断是否存在偷窥,而且根据可疑人员后续的移动行为判断是否有意偷窥,在分析可疑人员后续移动行为过程中减少了计算量与时间,还能够提高偷窥监测结果的时效性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于防偷窥屏幕的人体异常行为监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于防偷窥屏幕的人体异常行为监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于防偷窥屏幕的人体异常行为监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于防偷窥屏幕的人体异常行为监测方法流程图,该方法包括以下步骤。
步骤S1,获取防窥物摄像头连续多帧的实时图像,对实时图像中的人员进行识别,判断人员是否为可疑人员。
本发明实施例中,防窥物是指开会办公时所用的智能大屏电视,将摄像头放置在防窥物上方且能够拍摄到所有能看到屏幕的角度范围。需要说明的是,实施者在实施过程中防窥物可以为带有显示功能的移动终端,摄像头安装位置可根据场景自行确定,只需保证能够拍摄到所有能够看到屏幕的角度区间即可。拥有查看权限的人是指允许使用与查看屏幕的人员,无权限的可疑人员指不被允许使用与查看屏幕的人员。
本发明实施例中,摄像头每一秒拍摄得到一帧实时图像,需要说明的是,实施者在实施过程中,拍摄的频率可自行确定。为了能够获取更清晰的图像以及减少计算量便于后续的分析,需要将拍摄得到的图像进行灰度化以及去除噪声,本发明实施例中,灰度化使用加权平均值灰度化方法预处理,去除噪声使用高斯滤波预处理,预处理后的实时图像数据用于后续步骤的分析。需要说明的是,预处理中使用的加权平均值灰度化方法和高斯滤波均为本领域技术人员所熟知的技术手段,具体步骤不再赘述。
对实时图像中的人员进行识别,判断人员是否为可疑人员的具体步骤包括:
通过卷积神经网络对预处理后的实时图像进行人员识别,当识别出此实时图像中出现人员时,则对此实时图像进行人脸识别算法处理,判断是否为可疑人员。在本发明实施例中,使用人脸识别LBPH算法进行人脸识别,人脸识别的具体训练过程为:将拥有权限的人员的人脸信息作为训练对象,使用LBPH算法进行人脸识别,使用拥有权限的人员的人脸数据作为模板图像,将获取的存在人员的实时图像使用LBPH算法与模板图像进行比较,进而根据人脸数据的相似性判断获取的实时图像是否存在可疑人员。若识别出的人员为拥有权限的人员,则不再针对此人员进行后续分析,摄像头正常继续监控拍摄图片即可,若识别出的人员为无权限的可疑人员,则需要对此人员后续的动作情况进行追踪分析,判断是否存在有意偷窥屏幕信息的情况。需要说明的是,卷积神经网络和人脸识别算法的具体算法结构和训练方法为本领域技术人员所熟知的技术手段,具体步骤不再赘述。
步骤S2,将存在可疑人员的连续多帧的实时图像作为待分析图像,将待分析图像进行下采样,获得下采样图像。
当可疑人员经过屏幕时,可能会不经意扫向屏幕,此时人脸图像会被摄像头拍摄并判断出是无权限的可疑人员,为了判断是否有意偷窥,需要对可疑人员后续的移动行为进行分析。将存在可疑人员的实时图像作为待分析图像。需要说明的是,因为实时图像为连续多帧的图像,因此通过识别可疑人员所筛选出的待分析图像也为连续多帧的图像。
因本发明所应用的防偷窥场景对监测结果的时效性要求较高,待分析图像的计算与分析时间尽量缩短,所以在计算与分析待分析图像之前,为了减少图像数据处理中的计算量,提高监测结果的时效性,需要对待分析图像进行下采样处理获取下采样图像。获得下采样图像的具体步骤包括:
本发明实施例中,使用超像素分割算法对待分析图像进行分块操作,预分块大小为10*10,获取待分析图像的下采样图像。需要说明的是,实施者在实施过程中可以自行确定预分块的大小;超像素分割为本领域技术人员所熟知的技术手段,具体步骤不再赘述。
步骤S3,获得下采样图像中的边缘线和角点;计算下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度差异;计算同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的距离特征;计算每个边缘线像素点所在边缘的角点数量;通过灰度差异、距离特征及角点数量对边缘线像素点筛选,获取特征像素点。
获取下采样图像中的边缘线和角点的目的:因在分析可疑人员的移动行为情况时,需要计算下采样图像中所有像素点的运动矢量,计算大量像素点的运动矢量会使用较长的时间且需要一定的硬件要求,不仅不能提高监测结果的时效性而且需要较高成本,一些无意义或者特征较弱的像素点参与运动分析会影响运动信息的准确性。因此为了能够保证监测结果的准确性并且提高时效性,筛选出特征像素点和角点计算运动矢量,只计算特征像素点和角点的运动矢量能够减少计算像素点的数量。因为能够表达可疑人员移动行为情况的特征像素点大多数都在下采样图像中的边缘线上;角点是在图像中具有特征的像素点,同样能够表达可疑人员的移动行为,因此首先需要获取下采样图像中的边缘线和角点,获取下采样图像中的边缘线和角点的具体步骤:
使用边缘检测算法获取下采样图像中的边缘信息,本发明实施例中,使用Canny算子对下采样图像进行边缘检测,获取下采样图像中的边缘线。使用角点检测获取下采样图像中的角点,通过SUSAN角点检测获取下采样图像中的角点。需要说明的是,Canny算子边缘检测和SUSAN角点检测均为本领域技术人员所熟知的技术手段,具体步骤不再赘述。
获取下采样图像以及角点后,若只计算角点的运动矢量则会造成角点的数量不足以准确计算出可疑人员的移动行为情况。所以还需要通过获取下采样图像中的边缘线上尽可能多的像素点作为特征像素点,通过计算灰度差异、距离特征及角点数量对边缘线像素点筛选,获取特征像素点的具体步骤包括:
(1)下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度差异的获取公式具体包括:
式中,表示下采样图像中第个边缘线像素点的灰度差异值,表示第个边缘
线像素点的灰度值,表示第一预设邻域范围内第个像素点的灰度值,表示第一预设邻
域范围除去此待计算的边缘线像素点剩余像素点的数量,公式含义为待计算的边缘线像素
点与第一预设邻域范围内其他像素点的灰度值差值的绝对值的平均值。需要说明的是,边
缘线像素点为下采样图像中所在边缘线上的像素点。
本发明实施例中,第一预设邻域范围指的是待计算的边缘线像素点块像素点所在
同一边缘线上所相邻的偶数个像素点的范围,本发明实施例中选取为8,例如在某边缘线
上,待计算像素点左边与右边各4个像素点共8个像素点所组成的第一预设邻域范围,需要
说明的是,实施者在实施过程中,可自行设定偶数个像素点数量作为待计算边缘线像素点
的第一预设邻域范围,若待计算的边缘线像素点在边缘线的边缘,第一预设邻域范围内像
素点数量不足,则舍弃该边缘线像素点不计算灰度差异。
当边缘线像素点与第一预设邻域范围内的像素点的灰度差异程度越大,意味此边缘线像素点在边缘线中越明显,此边缘线像素点作为特征像素点的可能性也越大。
(2)计算下采样图像中同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的距离特征,距离特征的获取公式具体包括:
式中,为下采样图像中第个边缘线像素点的距离特征,表示第个边缘线像
素点与第二预设邻域范围内第个角点的欧式距离,表示第二预设邻域范围内角点数量,
公式含义为在下采样图像中的同一边缘线上待计算的边缘线像素点与第二预设邻域范围
内角点的欧式距离的平均值。
本发明实施例中,第二预设邻域范围指的是待计算的边缘线像素点所在边缘线上
与待计算的边缘线像素点最相邻的角点数量的范围,本发明实施例中取值为10,即在待计
算边缘线像素点的同一边缘线上找到10个距待计算边缘线像素点最近的角点,需要说明的
是,实施者在实施过程中可自行设定第二预设邻域范围,若待计算边缘线像素点所在的边
缘线不足10个角点,则取实际角点数量计算。
计算下采样图像中边缘线像素点的距离特征的目的是:在确定可疑人员的移动行为情况时,需要尽可能找到更多的特征像素点用来计算特征像素点的运动矢量从而得到可疑人员的移动行为情况。而已经确定的特征像素点为下采样图像中的角点,因角点在图像中的定义为极值点,即在一些属性方面比较突出的点,因此在同一边缘线上距离角点较近的边缘线像素点不需要再作为特征像素点增加后续计算运动矢量的计算量,而同一边缘线上与角点欧式距离较远的边缘线像素点作为特征像素点的可能性更大,所以计算边缘线像素点的距离特征,当距离特征越大,意味着距离角点越远,则此边缘线像素点成为特征像素点的可能性越大;当距离特征越小,意味着距离角点越近,则此边缘线像素点成为特征像素点的可能性也越小。
(3)计算边缘线像素点所在边缘上的角点数量,在获取的下采样图像中,在进行边缘检测时,获取的边缘信息不仅包含人体轮廓边缘,还可能获取到人体的衣着信息,由于大多人体衣着信息多为线型纹理,故获取的线性边缘可能较多,这些边缘上可能没有角点,因此可以将这些线性无角点的边缘线进行忽略,即便没有这些边缘,也可以根据其他边缘获取特征像素点。在本发明实施例中,为了进一步方便后续指标的运算,将统计到的每个边缘线像素点所在边缘线的角点数量进行归一化,具体表达式包括:
式中,表示第个边缘线像素点所在边缘线上的角点数量,是以自然常数
为底的指数函数,表示待计算的边缘线像素点所在边缘线上的角点数量,公式含义为当边
缘线像素点所在边缘上角点的数量越多,则越接近1,当边缘线像素点所在边缘上角点的
数量越少,则越接近0,即公式的目的是将边缘线像素点所在边缘线的角点数量归一化至
[0,1]。
当边缘线像素点所在边缘线的角点数量越多,所在此边缘线上的边缘线像素点成为特征像素点的可能性越大;当边缘线像素点所在边缘线的角点数量为0时,则此边缘线被忽略,不再分析此边缘线上的边缘线像素点。
(4)通过灰度差异、距离特征及角点数量筛选边缘线像素点,获取特征像素点的具体步骤:通过计算边缘线像素点的灰度差异可知,当边缘线像素点与第一预设邻域范围内的像素点的灰度差异程度越大,意味此边缘线像素点在边缘线中越明显,此边缘线像素点作为特征像素点的可能性也越大。通过计算边缘线像素点的距离特征可知,当距离特征越大,意味着距离角点越远,则边缘线像素点成为特征像素点的可能性越大。通过计算边缘线像素点所在边缘线的角点数量可知,当边缘线像素点所在边缘线的角点数量越多,则此边缘线上的边缘线像素点成为特征像素点的可能性越大。
因此可以根据灰度差异、距离特征及角点数量来筛选边缘线像素点是否成为特征像素点,首先分别将灰度差异、距离特征通过极差标准化使数值范围都在[0,1]。计算边缘线像素点成为特征像素点的可能性的步骤包括:将同一个边缘线像素点的数值范围都在[0,1]的灰度差异、距离特征及角点数量三者相乘,得到边缘线像素点成为特征像素点的可能性数值,当乘积结果越接近1,意味着可能性越高;当乘积结果越接近0,意味可能性越低。预设可能性阈值,当边缘线像素点的可能性超过可能性阈值时,则筛选出此边缘线像素点作为特征像素点。本发明实施例中,预设可能性阈值为0.8,在不同的应用场景中,具体预设可能性阈值数值可根据具体实施方式具体设置。
步骤S4,根据相邻两帧下采样图像中的角点和特征像素点获得可疑人员的整体运动量,计算整体运动量的变化量;通过连续多帧下采样图像的整体运动量的累加值和变化量得到警告系数,通过警告系数的数值监测可疑人员是否存在偷窥。
筛选出连续多帧的下采样图像的角点和特征像素点后,通过三步搜索法得到下采样图像中角点特征像素点的运动矢量,三步搜索法对角点和特征像素点的搜索匹配求运动矢量的时间相比搜索匹配所有像素点的时间降低了大量计算量与时间,运动矢量是指相邻两帧图像中同一个角点或特征像素点的位置变化情况。需要说明的是三步搜索法是本领域技术人员所熟知的技术手段,具体步骤不再赘述。
计算相邻两帧下采样图像中所有角点或特征像素点的运动矢量的模长不为零的平均值,得到相邻两帧下采样图像的整体运动量,因获取的下采样图像中,静置的物体没有整体运动量,所以整体运动量可以表示可疑人员的移动行为情况。
判断可疑人员是否存在偷窥的具体步骤包括:
整体运动量的变化量的获取公式具体包括:
式中,表示整体运动量的变化量,表示出现可疑人员后通过第一帧和第二帧
的相邻下采样图像得到的可疑人员首个的整体运动量,表示连续获取多帧下采样图像
后通过最后一帧下采样图像和倒数第二帧得到的整体运动量,本发明实施例中连续获取10
帧的下采样图像,即,通过第九帧和第十帧得到整体运动量,需要说明的是,实施
者在实施过程中可以自行确定连续多帧图像的数量。
的结果可能大于零或不大于零,当接近零或小于0时,表示最终整体运动量和
最初整体运动量相比没有变小甚至更大,说明下采样图像中的可疑人员正在匀速运动或加
速运动。此时认为可疑人员经过的可能性更大,偷窥的可能性较小;当的结果远远大于零,
说明可疑人员正在减速移动,认为偷窥的可能性较大。
整体运动量的累加值的获取公式具体包括:
式中,表示可疑人员出现后在连续多帧图像中的整体运动量累加值,表示为设
定的连续多帧下采样图像的数量,本发明实施例中选取为10,表示除去第一帧的任意一
帧下采样图像,表示通过第帧和帧图像计算得到的整体运动量。在本发明实施例
中,的含义为在发现可疑人员后,在后面的9帧图像中所计算的整体运动量的总和,因为运
动矢量是根据前后相邻的两帧下采样图像得到的,因此10帧下采样图像可以得到9个整体
运动量数值,9个整体运动量之和为整体运动量的累加值。
当越大时,说明屏幕前的可疑人员整体的移动速度越快,移动量越多,从屏幕经
过的可能性越大,偷窥的可能性越小;当越小时,说明屏幕前的可疑人员整体的移动速度
越慢,移动量越小,看屏幕的时间越长,偷窥的可能性越大。
警告系数的获取公式具体包括:
式中,为监测可疑人员是否偷窥的警告系数,为归一化后的整体运动量的累加
值,为归一化后的整体运动量的变化量。当屏幕面前的可疑人员移动趋势越来越慢及整
体运动量的变化量越来越小,所求的越大,当可疑人员的运动速度越慢及整体运动量的
总值越小,即所求的越小时,则说明屏幕前的可疑人员的偷窥可能性较大。
通过警告系数的变化来监测是否存在可疑人员的偷窥行为,预设警告系数阈值,当警告系数超过警告系数阈值时,则判断可疑人员存在偷窥行为,发出偷窥警告并关闭屏幕。本发明实施例中,预设警告系数阈值为0.7,在不同的应用场景中,具体预设警告系数阈值数值可根据具体实施方式具体设置。
综上所述,本发明实施例在对屏幕的防偷窥异常行为监测中,不仅能通过人脸识别判断是否为可疑人员,而且还能够对可疑人员后续的移动行为进行分析,判断是否有意偷窥。但由于分析可疑人员移动行为中使用现有的三步搜索法的计算量大且时间长,因监测结果需要及时反馈,故对现有方法的搜索像素点选取进行了改进,通过计算边缘线像素点的灰度差异、距离特征和角点数量筛选出特征像素点,通过角点和特征像素点减少计算量和计算时间,根据角点和特征像素点得到的整体运动量情况确定警告系数,通过警告系数监测判断是否有偷窥行为,使防偷窥的监测结果判断更准确更及时。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,该方法包括以下步骤:
获取防窥物摄像头连续多帧的实时图像,对实时图像中的人员进行识别,判断人员是否为可疑人员;
将存在可疑人员的连续多帧的实时图像作为待分析图像,将待分析图像进行下采样,获得下采样图像;
获得下采样图像中的边缘线和角点;计算下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度差异;计算同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的距离特征;计算每个边缘线像素点所在边缘的角点数量;通过灰度差异、距离特征及角点数量对边缘线像素点筛选,获取特征像素点;
根据相邻两帧下采样图像中的角点和特征像素点获得可疑人员的整体运动量,计算整体运动量的变化量;通过连续多帧下采样图像的整体运动量的累加值和变化量得到警告系数,通过警告系数的数值监测可疑人员是否存在偷窥;
所述整体运动量的获取步骤包括:
根据下采样图像中计算得到的角点和特征像素点,通过三步搜索法获取角点和特征像素点的运动矢量,计算相邻两帧下采样图像中所有运动矢量不为零的运动矢量的模长的平均值,得到整体运动量;
所述整体运动量的变化量的获取步骤包括:
计算连续多帧的下采样图像中第二帧和最后一帧图像的得到的整体运动量的差值,得到整体运动量的变化量。
2.根据权利要求1所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述边缘线像素点的灰度差异的获取步骤包括:
计算下采样图像中同一边缘线上每个边缘线像素点与第一预设邻域范围内其他边缘线像素点的灰度值的差值绝对值的平均值,得到边缘线像素点的灰度差异。
3.根据权利要求1所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述边缘线像素点的距离特征的获取步骤包括:
计算下采样图像中同一边缘线上每个边缘线像素点与第二预设邻域范围内角点的欧式距离的平均值,得到边缘线像素点的距离特征。
4.根据权利要求1所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述特征像素点的获取步骤包括:
计算边缘线像素点的灰度差异、距离特征及角点数量的乘积,获得边缘线像素点为特征像素点的可能性;预设可能性阈值,筛选超过可能性阈值的边缘线像素点作为特征像素点。
5.根据权利要求1所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述警告系数的获取步骤包括:
计算整体运动量的累加值与整体运动量的变化量的比值,一减去累加值与变化量的比值得到警告系数。
6.根据权利要求5所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述通过警告系数的数值进行防偷窥的监测的步骤包括:
预设警告系数阈值,当得到的警告系数超过警告系数阈值时,则认为可疑人员是有意偷窥防窥物,此时发出警告并关闭屏幕。
7.根据权利要求1所述的一种用于防偷窥屏幕的人体异常行为监测方法,其特征在于,所述对实时图像中的人员进行识别,判断人员是否为可疑人员的方法包括:
根据卷积神经网络对实时图像中的出现人员进行识别,通过人脸识别算法对出现人员人脸识别,判断是否为可疑人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272365.9A CN115984973B (zh) | 2023-03-21 | 2023-03-21 | 一种用于防偷窥屏幕的人体异常行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272365.9A CN115984973B (zh) | 2023-03-21 | 2023-03-21 | 一种用于防偷窥屏幕的人体异常行为监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984973A CN115984973A (zh) | 2023-04-18 |
CN115984973B true CN115984973B (zh) | 2023-06-27 |
Family
ID=85965235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310272365.9A Active CN115984973B (zh) | 2023-03-21 | 2023-03-21 | 一种用于防偷窥屏幕的人体异常行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984973B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311383B (zh) * | 2023-05-16 | 2023-07-25 | 成都航空职业技术学院 | 一种基于图像处理的楼宇智能用电管理*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106657628A (zh) * | 2016-12-07 | 2017-05-10 | 努比亚技术有限公司 | 一种移动终端防偷窥的方法、装置及终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5455547B2 (ja) * | 2009-10-19 | 2014-03-26 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
CN104902265B (zh) * | 2015-05-22 | 2017-04-05 | 深圳市赛为智能股份有限公司 | 一种基于背景边缘模型的摄像机异常检测方法及*** |
CN106020456A (zh) * | 2016-05-11 | 2016-10-12 | 北京暴风魔镜科技有限公司 | 获取用户头部姿态的方法、装置和*** |
CN110298237A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 头部姿势识别方法、装置、计算机设备及存储介质 |
CN110706259B (zh) * | 2019-10-12 | 2022-11-29 | 四川航天神坤科技有限公司 | 一种基于空间约束的可疑人员跨镜头追踪方法及装置 |
CN112507772A (zh) * | 2020-09-03 | 2021-03-16 | 广州市标准化研究院 | 一种人脸识别安防***及可疑人员检测与预警方法 |
-
2023
- 2023-03-21 CN CN202310272365.9A patent/CN115984973B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106657628A (zh) * | 2016-12-07 | 2017-05-10 | 努比亚技术有限公司 | 一种移动终端防偷窥的方法、装置及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN115984973A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893920B (zh) | 一种人脸活体检测方法和装置 | |
CN106056079B (zh) | 一种图像采集设备及人脸五官的遮挡检测方法 | |
US9104914B1 (en) | Object detection with false positive filtering | |
CN111723644A (zh) | 一种监控视频遮挡检测方法及*** | |
CN109670430A (zh) | 一种基于深度学习的多分类器融合的人脸活体识别方法 | |
EP2813970A1 (en) | Monitoring method and camera | |
CN110059634B (zh) | 一种大场景人脸抓拍方法 | |
WO2019114145A1 (zh) | 监控视频中人数检测方法及装置 | |
CN111144366A (zh) | 一种基于联合人脸质量评估的陌生人脸聚类方法 | |
CN107958441B (zh) | 图像拼接方法、装置、计算机设备和存储介质 | |
CN115984973B (zh) | 一种用于防偷窥屏幕的人体异常行为监测方法 | |
CN108898042B (zh) | 一种应用于atm机舱内用户异常行为的检测方法 | |
CN107483894A (zh) | 基于场景判断实现客运管理的高铁车站视频监控*** | |
CN110555866A (zh) | 一种改进kcf特征描述符的红外目标跟踪方法 | |
WO2008066217A1 (en) | Face recognition method by image enhancement | |
Zhang et al. | Moving objects detection method based on brightness distortion and chromaticity distortion | |
Cavallaro et al. | Accurate video object segmentation through change detection | |
Hadis et al. | The impact of preprocessing on face recognition using pseudorandom pixel placement | |
CN111274851A (zh) | 一种活体检测方法及装置 | |
CN111488779A (zh) | 视频图像超分辨率重建方法、装置、服务器及存储介质 | |
Wu et al. | Video surveillance object recognition based on shape and color features | |
CN113989732A (zh) | 基于深度学习的实时监控方法、***、设备和可读介质 | |
KR20200060868A (ko) | 객체 탐지 및 자동 추적이 가능한 다시점 영상 감시 시스템 | |
CN116703755A (zh) | 用于医疗废弃物冷库的遗漏风险监控*** | |
CN113014914B (zh) | 一种基于神经网络的单人换脸短视频的识别方法和*** |
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 |