视频监控中的入侵检测方法

摘要

一种视频监控中的入侵检测方法，它包括如下步骤：步骤一，建立背景模型，使用K-Means算法对视频图像进行学习和初始化，然后随着时间的变化对背景进行实时更新；步骤二，根据得到的背景使用背景除去法检测视频中的变化像素，并对这些变化像素进行虚假像素误判抑制处理、小尺寸像素块处理及入侵检测，从而得到真实的运动像素，并从真实的运动像素中检测得出视频中的运动对象。

权利要求

1.一种视频监控中的入侵检测方法，其特征在于，它包括如下步骤：

步骤一，建立两个高斯背景模型；使用K-Means算法对视频图像进行学习和初始化，视频图像初始化是指：选取时间段内的视频帧，对获得的所有视频帧相同位置像素点的强度值使用K-Means算法分组统计，将出现概率最大的一组数据的均值和方差作为背景模型的参数，然后随着时间的变化对背景进行实时更新，其中一个高斯背景模型采用快速更新方式，另一个高新背景模型采用慢速更新方式；所述的快速更新方式是指不管是背景像素还是运动像素都采用相同的方式更新；所述的慢速更新方式是指只更新背景像素；

若某一象素当前强度值为It，则该象素属于两个背景模型的概率分别为P1(It,μj,t,σj,t)、 其计算公式如式(1)、(2)；

其中j表示颜色的通道号，其中σj,t、 和μj,t、νj,t分别是在t时刻两个高斯模型的协方差和均值；

步骤二，根据得到的背景使用背景除去法检测视频中的变化像素，在获得变化像素这一过程中，使用背景除去法将每帧像素强度值与其对应的背景像素强度值和相邻的背景像素强度值分别做差处理，做差处理结果均大于设定阈值的像素即判定为变化像素，并对这些变化像素进行虚假像素误判抑制处理、小尺寸像素块处理及入侵检测，从而得到真实的运动像素，并从真实的运动像素中检测得出视频中的运动对象；

使用 表示点(x，y)的邻域像素坐标，C∈[2.5，3]为系数常量；使用m1(x，y)、m2(x，y)分别表示按照快速和慢速模型时，当前象素(x，y)是否是变化象素的判定结果，则变化像素检测公式为：

2.根据权利要求1所述的视频监控中的入侵检测方法，其特征在于：在判定的变化像素的区域内去除小尺寸像素块，进一步确定真正的变化像素。

3.根据权利要求2所述的视频监控中的入侵检测方法，其特征在于：当两个高斯背景模型都检测到变化像素时，当前像素被判定为变化像素。

说明书

视频监控中的入侵检测方法

技术领域

[0001] 本发明涉及一种视频中闯入对象的检测方法，具体地说是涉及一种应用在背景差法下的变化像素检测方法，能快速准确地检测到视频中的闯入对象。

背景技术

[0002] 在对视频中入侵对象的检测技术中，如何准确检测到变化的像素是评价该技术的重要标准。为实现准确检测，视频的背景的真实性至关重要，如何得到更加真实的背景是一个值得研究的课题。

[0003] 为快速准确地检测到视频中的运动对象，现在技术中存在以下几种方法：

[0004] 1)光流分析法，光流分析法的优点是能够检测出独立运动的对象，不需要预先知道场景的任何信息，并且可用于摄像机运动的情况，但多数光流分析法计算复杂耗时，除非有特殊的硬件支持，很难实现实时检测；

[0005] 2)时域差分法，时域差分法适合于动态变化的环境，但时域差分法不能够完整地分割运动对象，不利于进一步的对象分析与识别；

[0006] 3)运动能量法，运动能量法适合于复杂变化的环境，能消除背景中振动的象素，使按某一方向运动的对象更加突出地显现出来，但运动能量法也不能够精确地分割出对象；

[0007] 4)背景除去法，又称背景差分法，是安全监控中最常用的运动对象检测算法，背景除去法的有效性取决于背景模型能否有效地表示背景的变化。

[0008] 上述的这些方法中，光流法计算复杂耗时；时间差分法不能够完整地分割运动对象；运动能量法也不能够精确地分割出对象；背景除去法是安全监控中最常用的运动对象检测算法，考虑速度和稳健性两个方面，背景除去的综合性能最好。而背景除去法的有效性取决于背景模型能否有效地表示背景的变化。现有的高斯混合背景模型在实际应用时，由于在每一次检测之后，都需要进行一次权重的重新排序，算法非常耗费CPU资源，难以实用。

发明内容

[0009] 本发明的目的是提供一种视频监控中的入侵检测方法，在不影响背景除去算法稳健性的情况下，有效提高背景除去法的检测实时性。

[0010] 为实现上述目的，本发明采用以下技术方案：

[0011] 一种视频监控中的入侵检测方法，它包括如下步骤：

[0012] 步骤一，建立背景模型，使用K-Means算法对视频图像进行学习和初始化，然后随着时间的变化对背景进行实时更新；

[0013] 步骤二，根据得到的背景使用背景除去法检测视频中的变化像素，并对这些变化像素进行虚假像素误判抑制处理、小尺寸像素块处理及入侵检测，从而得到真实的运动像素，并从真实的运动像素中检测得出视频中的运动对象。

[0014] 在所述的步骤一中，视频图像初始化是指：选取时间段内的视频帧，对获得的所有视频帧相同位置像素点的强度值使用K-Means算法分组统计，将出现概率最大的一组数据的均值和方差作为背景模型的参数。

[0015] 在所述的步骤一中，建立两个高斯背景模型，其中一个高斯背景模型采用快速更新方式，另一个高新背景模型采用慢速更新方式；所述的快速更新方式是指不管是背景像素还是运动像素都采用相同的方式更新；所述的慢速更新方式是指只更新背景像素。

[0016] 在所述的步骤二中，变化像素是这样获得的：使用背景除去法将每帧像素强度值与其对应的背景像素强度值做差处理，然后将做差处理结果与设定阈值进行比较，其中，做差处理结果大于设定阈值的像素即判定为变化像素。

[0017] 在获得变化像素这一过程中，使用背景除去法将每帧像素强度值与其对应的背景像素强度值和相邻的背景像素强度值分别做差处理，做差处理结果均大于设定阈值的像素即判定为变化像素。

[0018] 在判定的变化像素的区域内去除小尺寸像素块，进一步确定真正的变化像素。

[0019] 当两个高斯背景模型都检测到变化像素时，当前像素被判定为变化像素。

[0020] 采用上述技术方案的本发明，具有以下优点：

[0021] (1)采用单个高斯分布，没有权重的排序问题；

[0022] (2)采用快慢结合的双背景模型，还能够解决闯入车辆长久不动(变成背景的一部分)，引起报警模块不停报警的问题；

[0023] (3)通过研究像素点的概率统计分布，使用K-Means算法将每一象素在学习阶段出现的强度值划分成k组，系统将出现概率最大的一组数据的均值和方差作为背景模型的参数，实验表明，只要保证足够的学习时间，基本可以得到理想的背景模型；

[0024] (4)另外随着时间的变化对背景模型进行实时更新，进一步提高背景模型的真实性。

[0025] (5)此外为了消除背景中树、枝、叶等受到风吹偏离原来的位置，造成在背景减结果图像上形成杂乱的团块导致虚假的变化像素检测，变化象素检测在判定当前像素是否为变化像素时，除了检查背景中像素之外，还同时检查其邻域象素，只有当前像素与背景中的这些像素都不相近时才认为是变化象素。除此之外，对判定的变化像素区域进行尺寸滤波处理，去除一些诸如噪声、树枝叶运动等影响的小像素块，进一步确定真正的变化像素，再进行入侵检测，最终判定闯入对象。

附图说明

[0026] 图1入侵检测流程图。

[0027] 图2为K-Means算法背景初始化图及学习。其中，图2(a)为t＝0秒时的背景图；图2(b)为t＝2秒时的背景图；图2(c)为t＝4秒时的背景图；图2(d)为学习1秒后的背景图；图2(e)为学习3秒后的背景图；图2(f)为学习5秒后的背景图。

[0028] 图3为运动对象检测图。其中，图3(a)为当前帧图像；图3(b)为当前背景图像；图3(c)为直接背景减处理后的图像；图3(d)为检测背景运动的图像。

具体实施方式

[0029] 一种视频监控中的入侵检测方法，它包括如下两个步骤：步骤一，使用K-Means算法对视频图像进行学习和初始化，并建立背景模型，然后随着时间的变化对背景进行实时更新；步骤二，根据得到的背景使用背景除去法检测视频中的变化像素，并对这些变化像素进行虚假像素误判抑制处理、小尺寸像素块处理及入侵检测，从而得到真实的运动像素，并从真实的运动像素中检测得出视频中的运动对象。

[0030] 具体地说，在步骤一中，建立背景模型，使用K-Means算法对视频图像进行学习和初始化，然后随着时间的变化对背景进行实时更新。本发明在建立背景模型的过程中，建立两个高斯背景模型，其中一个高斯背景模型采用快速更新方式，另一个高新背景模型采用慢速更新方式；所述的快速更新方式是指不管是背景像素还是运动像素都采用相同的方式更新；所述的慢速更新方式是指只更新背景像素。而且，两个高斯背景模型的初始参数都设置成相同的数值。若某一象素当前强度值为It，则该象素属于两个背景模型的概率分别为，其计算公式如式(1)、(2)。

[0031]

[0032]

[0033] 其中σj，t、ζj，t和μj，t、νj，t分别是在t时刻两个高斯模型的协方差和均值。j表示颜色的通道号，当像素的强度只用亮度分量时，j＝1。

[0034] 在对视频图像进行初始化时，选取时间段内的视频帧，对获得的所有视频帧相同位置像素点的强度值使用K-Means算法进行分组统计，将出现概率最大的一组数据的均值和方差作为背景模型的参数，实验表明，只要保证适当的学习时间，基本可以得到理想的背景模型。

[0035] 如图2所示，(a)(b)(c)分别是马路路口在3个不同时刻的视频帧。不断有车辆和行人从该路口经过，在上下班期间几乎等不到完全没有行人或车辆的背景帧。(d)(e)(f)是使用K-Means算法得到的具有最大概率象素构成的图像。其中图(f)是学习5秒后得到得背景图像，可以看到它基本代表了实际的背景。

[0036] 背景更新公式如式(3)、(4)：

[0037] μj t+1＝(1-ρ1)·μj，t+ρ1·It

[0038]

[0039] ρ1＝P1

[0040] if|It-vj，t|＜C·ζj，t then{

[0041] vj，t+1＝(1-ρ2)·νj，t+ρ2·It

[0042] (4)

[0043]

[0044] ρ2＝α·P2}

[0045] 其中P1、P2为按公式(1)、(2)计算得到的概率值，α为更新速度调节因子，本装置中α＝0.01，C∈[2.5，3]为系数常量。

[0046] 在所述的步骤二中，变化像素是这样获得的：使用背景除去法将每帧像素强度值与其对应的背景像素强度值做差处理，然后将做差处理结果与设定阈值进行比较，其中，做差处理结果大于设定阈值的像素即判定为变化像素，对其计算公式如式(5)

[0047] |It-Bt|＞T    (5)

[0048] 其中It、Bt分别为t时刻当前帧和背景帧中相应像素的强度，T为预定义的阈值，或是相对于方差估计的比例因子。

[0049] 使用m1、m2分别表示按照快速和慢速模型时，当前象素是否是变化象素的判定结果，则m1、m2可表示如式(6)、(7)：

[0050]

[0051]

[0052] 当只用亮度分量检测变化像素时，本发明中为了避免一些点的标准偏差过小造成这些点场景亮度变化过于敏感，或偏差过大将入侵对象更新到背景模型，系统将标准偏差的范围限定在0.04～0.1之间，即当标准差大于0.1时，取T为0.1；当标准差小于0.04时，取T为0.04。

[0053] 为了消除背景中杂乱的团块导致虚假的变化像素，变化像素检测在判定当前像素是否为变化像素时，除了检查背景中对应像素之外，还同时检查其邻域象素：即在获得变化像素这一过程中，使用背景除去法将每帧像素强度值与其对应的背景像素强度值和相邻的背景像素强度值分别做差处理，做差处理结果均大于设定阈值T的像素即判定为变化像素，标记为1，反之为0。本发明中邻域大小设置为5×5的区域。

[0054] 使用 表示点(x，y)的邻域像素坐标，则变化像素检测公式(6)、(7)修改为：

[0055]

[0056]

[0057] 如图3所示，(c)为直接背景减处理的实验结果，结果表明，一些因树枝叶运动而导致的杂乱团块出现；(d)为引入领域像素判定的实验结果，结果明显可以看出一些杂乱团块被消除。

[0058] 由于背景学习时间和背景模型空间的局限性，背景模型不可能完全涵盖各种可能的背景变化值，这就必然造成一些背景变化被检测为前景象素。实际检测结果表明，这些因背景变化产生的前景大多数表现为小尺寸的象素块，可以通过尺寸滤波加以消除小尺寸像素块，以进一步确定真正的变化像素，降低监控系统的误报率。

[0059] 进行上述过程后，运动对象像素基本上可以得到判定。由于背景模型采用快慢两种更新方式的高斯背景模型，当m1、m2都检测为运动象素时，入侵报警才将当前象素设置成变化像素，这样能更准确的判定变化像素。