一種高魯棒性區域入侵檢測算法制造技術

本發明專利技術涉及一種高魯棒性區域入侵檢測算法，包括獲取待檢測視頻，對其進行混合高斯背景建模，得到每一幀圖像A；開始檢測，提取前景圖像B；檢測團塊，得到集合C；邏輯保存“參考幀”D；計算得到幀間差值圖的集合E；計算得到閉合幀間差值圖的集合F；判斷入侵情況；本發明專利技術對復雜環境具有較高的魯棒性，在對入侵人體具有很高檢出率的同時，對其它情況的戶外復雜環境具有很好的抗干擾性。

A highly robust algorithm for region intrusion detection

The invention relates to a robust intrusion detection algorithm, including access to the detected video, mixed Gauss background modeling of the obtained image of each frame A; start detection, extracting the foreground image B; detection of mass, set C; logic preserving the \reference frame\ D; the calculated figure difference between frames a collection of E; the calculated closed inter frame difference chart set F; judge intrusion; the invention has high robustness to the complex environment, with very high detection rate at the same time of the invasion of the body, the other outdoor complex environment with good anti-jamming capability.

【技術實現步驟摘要】
一種高魯棒性區域入侵檢測算法
本專利技術涉及目標檢測
，具體涉及一種高魯棒性區域入侵檢測算法。
技術介紹
在社會生活中，看守所、監獄、銀行、倉庫等一直是安防監控的重點場所，尤其是其中的重要敏感區域對視頻監控的要求較高。傳統的視頻監控消耗大量的人力物力卻效果不好，采用計算機視覺技術的智能視頻監控方法正在得到越來越多的應用。智能視頻監控中的區域入侵檢測算法一般由兩個部分組成：第一部分是對視頻進行運動目標檢測；第二部分是對檢測到的運動目標進行過濾，篩除檢測到的非人目標，如果檢測成功則發出警報。常用的運動目標檢測方法有：背景差分法、幀間差分法、光流法、單高斯背景建模法、混合高斯背景建模法等。背景差分法沒有背景更新機制，不適合背景變化較大的情況；幀間差分法依賴于幀間時間的選取和物體的移動速度，提取運動過慢的目標可能產生空洞，提取運動過快的目標可能區域過大，這兩種方法均不適用于復雜環境下的運動物體檢測。光流法利用隨時間變化的光流特性檢測運動目標，但是其計算復雜度過高，難以實時檢測。單高斯背景建模法適用于環境變化很小的情況，對光線變化比較敏感。高斯混合背景建模法能夠處理一定限度的光線變化以及背景的變化。但是當光線突變或背景變化較大時，虛警率仍然很高。目前對運動目標的過濾方法比較少，主要有兩種：運動區域斜率法和人體骨骼模型法。運動區域斜率法難以區分與人體比例相似的物體，而這種物體在復雜環境中并不少見；人體骨骼模型法建模困難，效果并不理想。此外這兩種方法均無法處理多人交錯的情況。在復雜環境中采用以上的運動目標檢測方法與過濾方法相結合的方法進行區域入侵檢測，雖然具有較高的檢出率，但是卻具有更高的虛警率，尤其是在具有頻繁的風吹草動、光照變化以及飛蟲、動物經過等情況發生的復雜環境中會產生很多的誤報，不利于復雜環境的區域入侵監測工作。
技術實現思路
有鑒于此，有必要針對現有技術存在的問題，提供一種高魯棒性區域入侵檢測算法，對復雜環境具有較高的魯棒性，在對入侵人體具有很高檢出率的同時，對其它情況的戶外復雜環境具有很好的抗干擾性。為了實現上述目的，本專利技術的技術方案如下：一種高魯棒性區域入侵檢測算法，包括以下步驟：步驟S1，獲取待檢測視頻，對其進行混合高斯背景建模，得到每一幀圖像A；步驟S2，開始檢測，提取前景圖像B；步驟S3，檢測團塊，得到集合C；步驟S4，邏輯保存“參考幀”D；步驟S5，計算得到幀間差值圖的集合E；步驟S6，計算得到閉合幀間差值圖的集合F；步驟S7，判斷入侵情況；進一步地，步驟S2中，對每一幀圖像A計算背景，更新背景模型，從而提取前景圖像B；進一步地，步驟S3中，從前景圖像B中檢測所有團塊，如果團塊面積小于閾值N則刪除，得到前景目標檢測圖的集合C；進一步地，步驟S4中，包括：步驟S41，當檢測不到前景目標時更新當前幀為參考幀D，否則執行步驟S42；步驟S42，當連續M幀檢測到前景目標時，每隔M幀將當前幀更新為參考幀D；進一步地，步驟S5中，在前景目標檢測圖的集合C中，包括：步驟S51，根據前景目標的區域坐標，從參考幀D中裁剪對應區域圖像集合X；步驟S52，計算每一個前景目標圖與其對應區域圖像的幀間差值圖，得到幀間差值圖的集合E；進一步地，步驟S6中，在幀間差值圖集合E中，包括：步驟S61，對于每一個幀間差值圖進行膨脹，填充圖像中的空洞；步驟S62，對于每一個膨脹后的圖像進行腐蝕，得到閉合幀間差值圖的集合F；進一步地，步驟S7中，在閉合幀間差值圖集合F中，對于每一個閉合幀間差值圖提取HOG特征，并將提取的特征通過SVM判斷是否為行人，如果是則檢測區域存在入侵情況。與現有技術相比，本專利技術的有益效果在于：本專利技術對復雜環境具有較高的魯棒性，在對入侵人體具有很高檢出率的同時，對其它情況的戶外復雜環境具有很好的抗干擾性。附圖說明圖1是本專利技術的一種高魯棒性區域入侵檢測算法的工作流程。具體實施方式下面結合附圖和實施例對本專利技術所述的一種高魯棒性區域入侵檢測算法作進一步說明。如圖1所示，為本專利技術的一種高魯棒性區域入侵檢測算法的工作流程，具體包括以下步驟：步驟S1，獲取待檢測視頻，對其進行混合高斯背景建模，得到每一幀圖像A；步驟S2，開始檢測，提取前景圖像B；步驟S3，檢測團塊，得到集合C；步驟S4，邏輯保存“參考幀”D；步驟S5，計算得到幀間差值圖的集合E；步驟S6，計算得到閉合幀間差值圖的集合F；步驟S7，判斷入侵情況；步驟S2中，對每一幀圖像A計算背景，更新背景模型，從而提取前景圖像B；步驟S3中，從前景圖像B中檢測所有團塊，如果團塊面積小于閾值N則刪除，得到前景目標檢測圖的集合C；步驟S4中，包括：步驟S41，當檢測不到前景目標時更新當前幀為參考幀D，否則執行步驟S42；步驟S42，當連續M幀檢測到前景目標時，每隔M幀將當前幀更新為參考幀D；步驟S5中，在前景目標檢測圖的集合C中，包括：步驟S51，根據前景目標的區域坐標，從參考幀D中裁剪對應區域圖像集合X；步驟S52，計算每一個前景目標圖與其對應區域圖像的幀間差值圖，得到幀間差值圖的集合E；步驟S6中，在幀間差值圖集合E中，包括：步驟S61，對于每一個幀間差值圖進行膨脹，填充圖像中的空洞；步驟S62，對于每一個膨脹后的圖像進行腐蝕，得到閉合幀間差值圖的集合F；步驟S7中，在閉合幀間差值圖集合F中，對于每一個閉合幀間差值圖提取HOG特征，并將提取的特征通過SVM判斷是否為行人，如果是則檢測區域存在入侵情況。綜上所述，本專利技術對復雜環境具有較高的魯棒性，在對入侵人體具有很高檢出率的同時，對其它情況的戶外復雜環境具有很好的抗干擾性。以上所述實施例僅表達了本專利技術的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對本專利技術專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本專利技術構思的前提下，還可以做出若干變形和改進，這些都屬于本專利技術的保護范圍。因此，本專利技術專利的保護范圍應以所附權利要求為準。本文檔來自技高網...

【技術保護點】
一種高魯棒性區域入侵檢測算法，其特征在于，包括以下步驟：步驟S1，獲取待檢測視頻，對其進行混合高斯背景建模，得到每一幀圖像A；步驟S2，開始檢測，提取前景圖像B；步驟S3，檢測團塊，得到集合C；步驟S4，邏輯保存“參考幀”D；步驟S5，計算得到幀間差值圖的集合E；步驟S6，計算得到閉合幀間差值圖的集合F；步驟S7，判斷入侵情況。

【技術特征摘要】
1.一種高魯棒性區域入侵檢測算法，其特征在于，包括以下步驟：步驟S1，獲取待檢測視頻，對其進行混合高斯背景建模，得到每一幀圖像A；步驟S2，開始檢測，提取前景圖像B；步驟S3，檢測團塊，得到集合C；步驟S4，邏輯保存“參考幀”D；步驟S5，計算得到幀間差值圖的集合E；步驟S6，計算得到閉合幀間差值圖的集合F；步驟S7，判斷入侵情況。2.根據權利要求1所述的一種高魯棒性區域入侵檢測算法，其特征在于：步驟S2中，對每一幀圖像A計算背景，更新背景模型，從而提取前景圖像B。3.根據權利要求1所述的一種高魯棒性區域入侵檢測算法，其特征在于：步驟S3中，從前景圖像B中檢測所有團塊，如果團塊面積小于閾值N則刪除，得到前景目標檢測圖的集合C。4.根據權利要求1所述的一種高魯棒性區域入侵檢測算法，其特征在于：步驟S4中，包括：步驟S41，當檢測不到前景目標時更新當前幀為參考幀D，否則執行步驟S42；...

【專利技術屬性】
技術研發人員：崔瑩，陳升東，袁峰，李引，
申請(專利權)人：廣州中國科學院軟件應用技術研究所，
類型：發明
國別省市：廣東,44