智能图像监控系统异常目标检测算法研究
视频监控图像中的异常行为检测与识别
视频监控图像中的异常行为检测与识别随着科技的发展，视频监控系统在公共安全和个人财产保护中扮演着重要角色。
然而，由于监控摄像头数量的增加和大规模视频数据的积累，人工监控变得越来越困难和低效。
所以，开发自动化的视频监控程序来检测和识别异常行为变得至关重要。
异常行为检测与识别是指对视频监控图像中的行为进行分析和判断，以识别可能的威胁和异常行为的算法或系统。
首先，异常行为检测是通过分析视频图像中的各种特征来确定行为是否正常。
这些特征可以包括人的移动轨迹、速度、姿势、形状和尺寸等。
通过对正常行为进行建模，可以将异常行为定义为与已知模式之间的差异。
例如，当一个人在夜间穿越街道时被监控到，这一行为可能是异常的，因为街上没有其他人或车辆。
其次，异常行为识别需要将检测到的异常行为与已知的行为类型进行分类。
为了实现这一目标，可以采用机器学习和计算机视觉等技术。
首先，通过提取行为特征并构建行为特征空间，将每个行为映射到特征空间中的一个点。
然后，通过分类算法将特征空间中的点划分为不同的类别。
最后，通过将新检测到的异常行为映射到特征空间并判断它们属于哪个类别，来实现行为识别。
在实际应用中，异常行为检测与识别可以应用于各种场景，如公共交通领域、银行、商场和机场等。
在公共交通领域中，可以利用视频监控图像来检测和识别携带可疑物品或在非法地点等异常行为。
在银行和商场中，可以检测和识别潜在的盗窃行为和欺诈活动。
在机场中，可以利用异常行为检测技术来监控旅客，以提高安全性和减少恐怖袭击的风险。
然而，需要注意的是，在实际应用过程中，异常行为检测与识别仍然面临着一些挑战。
首先，监控场景的复杂性和环境变化会对算法的准确性和鲁棒性产生影响。
例如，光照条件的改变、物体间的遮挡和摄像头的位置调整等都可能导致检测和识别的错误。
其次，算法的实时性和性能也是需要关注的问题，特别是在大规模视频数据的处理和分析方面。
最后，隐私问题也需要考虑，特别是在对个人或群体行为进行分析时。
视频监控图像中异常行为检测研究
视频监控图像中异常行为检测研究摘要：随着社会的不断发展，视频监控系统在我们的日常生活中扮演着越来越重要的角色。
然而，监控数据的增多和监控区域的扩大给安保人员带来了巨大的挑战。
为了提高视频监控系统的效率和准确性，异常行为检测成为了一个研究热点。
本文将探讨当前视频监控图像中异常行为检测的研究进展和挑战。
1. 引言视频监控系统是利用摄像机等设备采集、传输和存储视频图像，并通过算法和技术分析图像，进行实时监控和判别的系统。
随着技术的进步，视频监控系统已广泛应用于银行、商场、机场等公共场所，成为了犯罪预防和安全保障的重要工具。
2. 异常行为检测方法异常行为检测是通过分析视频监控图像中的行为模式，找出与正常行为模式不符的异常行为。
根据不同的特点和要求，已经提出了多种异常行为检测方法。
2.1 基于运动轨迹的异常行为检测方法基于运动轨迹的方法通过分析目标在视频中的运动轨迹来判断是否存在异常行为。
该方法对目标的形状和大小不敏感，适用于多种复杂场景。
然而，该方法容易受到光线变化和目标重叠的影响。
2.2 基于外观特征的异常行为检测方法基于外观特征的方法利用目标的外观信息来判断是否存在异常行为。
该方法不受光照和目标重叠的影响，适用于复杂场景中的异常行为检测。
然而，该方法对目标的形状和大小敏感，容易受到改变外观的干扰。
2.3 基于深度学习的异常行为检测方法近年来，基于深度学习的异常行为检测方法取得了显著的进展。
该方法通过训练深度神经网络，实现对视频监控图像的自动特征提取和异常行为检测。
与传统方法相比，基于深度学习的方法能够更准确地检测出异常行为。
然而，该方法需要大量的标注数据和计算资源，实现难度较大。
3. 挑战与未来发展虽然在视频监控图像中的异常行为检测领域取得了一些进展，但仍然面临一些挑战。
3.1 复杂场景下的异常行为检测在复杂场景下，目标的外观和运动特征往往会受到多种因素的干扰，这给异常行为检测带来了困难。
如何应对复杂场景下的异常行为检测是一个值得研究的问题。
目标跟踪算法在智能监控系统中的研究与应用
目标跟踪算法在智能监控系统中的研究与应用随着科技的不断发展，智能监控系统在各个领域得到了广泛的应用，尤其是在安防行业中。
而目标跟踪算法作为智能监控系统中的重要组成部分，对实现监控系统的高效运行具有至关重要的作用。
本文将对目标跟踪算法在智能监控系统中的研究与应用进行探讨。
目标跟踪算法主要通过对视频图像中的目标进行跟踪，并在不断变化的场景中实时更新目标的位置信息。
在智能监控系统中，目标跟踪算法能够通过对目标的准确跟踪，实现对可疑行为的及时发现和报警。
因此，目标跟踪算法的研究与应用对于提高智能监控系统的效能至关重要。
目前，目标跟踪算法主要分为传统的视觉跟踪算法和深度学习算法两种类型。
传统的视觉跟踪算法主要通过颜色特征、纹理特征、轮廓特征等对目标进行跟踪。
这种算法的优点是计算速度较快，对处理器要求较低，但是在复杂场景下容易受到干扰，跟踪效果不够稳定。
而深度学习算法则通过卷积神经网络对目标进行特征提取和分类，具有较高的准确性和稳定性，但是计算复杂度较高，对硬件要求较高。
在智能监控系统中，目标跟踪算法主要包括以下几个方面的研究与应用。
首先是运动目标检测与跟踪。
运动目标检测与跟踪是目标跟踪算法的基础，其通过分析视频图像序列中目标的位置变化，对目标进行跟踪并实时更新目标的位置信息。
对于目标跟踪算法而言，准确的目标检测是关键，只有准确定位到目标位置，才能进行后续的跟踪工作。
其次是目标特征提取与描述。
目标特征提取与描述是目标跟踪算法的核心，它通过对目标图像的特征进行提取和描述，将目标从背景中分离出来，并进行唯一标识。
传统的目标特征提取方法主要包括颜色特征、纹理特征、边缘特征等，而现代的深度学习算法则通过卷积神经网络从图像中提取目标的高层语义特征。
目标特征的准确提取和描述是实现目标跟踪的关键一步，对于不同的应用场景需要选择合适的特征提取方法。
此外，目标跟踪算法还需要解决部分目标遮挡、光照变化、运动模糊等问题，以提高跟踪的准确性和鲁棒性。
计算机视觉中的目标检测与图像识别算法
计算机视觉中的目标检测与图像识别算法随着计算机科学和人工智能的发展，计算机视觉领域取得了巨大的进步。
目标检测与图像识别算法作为计算机视觉的重要组成部分，被广泛应用于图像处理、自动驾驶、安防监控等领域。
本文将介绍目标检测与图像识别算法的基本原理和现有的一些应用案例。
一、目标检测算法的基本原理目标检测算法是一种将图像中的目标物体准确定位并进行分类的技术。
下面简要介绍几种常见的目标检测算法。
1. Haar特征和级联分类器Haar特征是一种在图像中表示目标物体特征的算法。
通过计算图像的亮度差异和边缘信息，可以将目标物体与背景区分开来。
级联分类器是通过级联多个分类器来提高检测的准确率和速度，例如Viola-Jones算法就是基于这个思想。
2. HOG特征和支持向量机HOG（Histogram of Oriented Gradients）特征是一种在图像中表示目标物体轮廓和纹理信息的算法。
通过计算图像中不同方向的梯度直方图，可以提取出物体的边缘特征。
支持向量机是一种常用的机器学习算法，通过构建一个二分类模型，可以将图像中的目标物体和背景进行分类。
3. 卷积神经网络卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习算法。
通过多层卷积、池化和全连接层的组合，可以有效地提取图像的局部特征和全局特征，从而实现目标检测和图像分类。
目前，一些基于CNN的目标检测算法，如YOLO和Faster R-CNN等，取得了很好的效果。
二、图像识别算法的基本原理图像识别算法是一种通过学习和推理来自动识别图像中的物体或场景的技术。
下面介绍几种常见的图像识别算法。
1. 特征提取和分类器特征提取是将图像中的像素点转化成数值特征的过程，常用的方法有颜色直方图、纹理特征和形状特征等。
分类器是通过学习一组样本数据来构建一个分类模型，可以将图像的特征和已知类别进行关联。
2. 深度学习算法深度学习算法是一种通过多层神经网络来模拟人脑进行图像识别的方法。
视频监控中的异常动作检测与识别
视频监控中的异常动作检测与识别在当今社会，视频监控系统已成为维护公共安全、监管社会秩序的重要工具。
然而，面对数量庞大且不断增长的监控摄像头，人工对视频进行监控和分析已经变得困难且低效，因此如何利用技术手段实现自动化的异常动作检测与识别成为了当前研究的热点之一。
本文将介绍视频监控中异常动作检测与识别的技术原理、关键技术以及应用前景。
异常动作检测与识别可以帮助监控系统自动监测和预警可能存在的威胁和危险，有效提高监控效率和减轻人工监控的负担。
其基本原理是通过对视频进行分析和处理，提取视频中的运动信息，并对比和分析不同时间段的运动模式，从而判断是否存在异常动作。
它主要包括两个关键步骤：运动检测和异常动作识别。
运动检测是异常动作检测与识别的基础，其目的是准确地检测视频中的运动目标以及运动轨迹。
常见的运动检测方法有基于帧间差、基于光流和基于背景建模等。
基于帧间差的方法通过对当前帧与前一帧之间的差异进行比较，检测出图像中发生变化的像素点，从而获得运动目标的位置。
基于光流的方法则以像素点在连续帧之间的运动为基础，通过计算像素点的运动矢量来确定运动目标的位置。
基于背景建模的方法利用相机自身的运动或者场景中的静态背景作为参考，通过检测与背景差异较大的像素点来实现运动检测，可以适应较复杂的场景，并且比较稳定可靠。
在进行异常动作识别之前，需要先对运动目标进行特征提取。
常用的特征包括目标的轨迹、形状、运动速度、运动方向等。
这些特征可以通过先前提取的运动信息来计算得到。
由于异常动作的种类繁多，不同的异常动作可能具有不同的特征，因此在特征提取过程中需要根据具体应用需求进行选择和设计。
异常动作识别是根据提取到的特征来判断视频中的运动是否属于正常或异常。
常见的识别方法有基于规则的识别和基于机器学习的识别。
基于规则的识别方法是根据先验的规则或者经验判断异常动作，它的优点是简单直观，但是在复杂场景和复杂异常动作的判断上存在一定的局限性。
智能视频监控系统中的行为识别与异常检测
智能视频监控系统中的行为识别与异常检测智能视频监控系统在当今社会的安全管理中扮演着重要的角色。
传统的监控系统仅仅能提供实时的视频图像，缺乏主动性并无法准确识别和分析视频中的行为。
然而，随着人工智能技术的不断进步，智能视频监控系统的行为识别与异常检测能力得到了显著提升。
本文将详细探讨智能视频监控系统中行为识别和异常检测的相关技术和应用。
行为识别是智能视频监控系统中的关键技术之一。
它可以通过对视频图像中的动作、姿态、路径等进行分析和识别，从而实现对行为的判断。
在行为识别中，首先需要进行目标检测，即从视频图像中找出目标物体。
常用的目标检测算法包括基于深度学习的物体检测算法，如YOLO、SSD等。
一旦目标物体被检测出来，接下来就是对其行为的识别和分析。
行为识别算法可以分为基于规则的方法和基于机器学习的方法。
基于规则的方法需要人工建立行为规则，并通过对视频图像进行特征提取和分析来判断行为是否合规。
而基于机器学习的方法则是通过训练模型，让智能视频监控系统学习不同行为模式，从而判断目标物体的具体行为。
常见的机器学习算法包括支持向量机（SVM）、卷积神经网络（CNN）等。
通过行为识别技术，智能视频监控系统可以实现对人员、车辆等不同目标的行为监测，提高安全性和管理效率。
除了行为识别，智能视频监控系统还需要进行异常检测，以便及时发现并报警任何异常行为。
异常行为通常指的是与预设行为规则不符的行为，可能涉及盗窃、闯入、聚众、火灾等违规行为。
异常检测算法主要有基于规则的方法和基于机器学习的方法。
基于规则的方法需要提前设定异常行为规则，并通过对视频图像进行分析，检测是否存在异常行为。
而基于机器学习的方法则是通过对正常行为进行建模，让系统能够识别异常行为的特征，从而实现异常行为的检测。
常见的机器学习算法包括聚类分析、高斯混合模型（GMM）等。
通过异常检测技术，智能视频监控系统可以提前发现潜在的安全隐患，采取及时的应对措施，保障公共安全。
基于计算机视觉的视频监控中异常行为检测
基于计算机视觉的视频监控中异常行为检测随着科技的不断发展，计算机视觉在各个领域都有着广泛的应用，其中视频监控是其中之一。
视频监控系统在各种场景中被广泛使用，例如银行、商场、车站等地。
然而，在大规模监控系统中，人工监控是不现实的，因此，基于计算机视觉的异常行为检测成为了一项重要的研究领域。
异常行为检测的目标是根据预定义的行为规则来检测视频中的非正常行为。
这些异常行为可能包括盗窃、激烈的斗殴、闯红灯等。
通过准确地识别和检测异常行为，视频监控系统可以及时采取措施，保护公众的安全。
基于计算机视觉的异常行为检测主要包括以下几个步骤：首先，需要对视频图像进行预处理。
预处理的目的是消除图像中的噪声和干扰，并提高图像的质量。
一般的预处理操作包括图像增强、噪声滤除、图像平滑等。
接下来，需要对视频进行目标检测。
目标检测是指识别视频中的各种物体和人物。
常用的目标检测算法有Haar特征检测和基于深度学习的检测算法，如基于卷积神经网络的目标检测算法。
通过目标检测，可以将视频中的人物和物体与背景分离开来，为后续的异常行为检测提供可靠的数据。
然后，需要对视频中的行为进行建模和分析。
建模的目的是提取视频中的特征，用于对行为进行特征化和分类。
常用的行为建模方法包括轨迹分析、轨迹跟踪、行为编码等。
通过建立准确的行为模型，可以更有效地检测异常行为。
最后，需要进行异常行为检测。
异常行为检测是根据预先定义的行为模型和阈值，对视频中的行为进行分析和判断，以确定是否存在异常行为。
常用的异常行为检测方法包括统计方法、机器学习方法和深度学习方法等。
这些方法可以通过对比视频中的实际行为与预期行为进行差异计算，从而判断是否存在异常行为。
基于计算机视觉的异常行为检测在实际应用中面临一些挑战。
首先，视频监控系统通常包含大量的摄像头和视频流，需要处理大规模的数据。
因此，如何快速准确地分析和识别视频中的异常行为是一个难题。
其次，视频监控系统中的环境可能复杂多变，例如光线变化、遮挡和背景变化等，这些因素对异常行为检测的准确性产生了影响。
监控系统中的异常事件识别技术研究
监控系统中的异常事件识别技术研究在现代社会中，各种监控系统已经成为了不可或缺的一部分。
通过监控系统，我们可以更好地保护公共安全，预防各种违法犯罪行为，同时也可以通过监控系统中收集到的数据进行数据分析，从而提高我们的生活质量。
但是，监控系统中也存在一些问题，例如如何准确地识别异常事件，从而快速地作出反应。
本文将深入探讨监控系统中的异常事件识别技术研究。
首先，我们需要明确什么是异常事件。
异常事件是指与监控区域正常行为模式不符合或逸出正常行为模式的事件。
例如，在监控一个商场时，如果出现无人操作的购物车在商场内部漫无目的地移动的情况，就可以被视为异常事件。
在监控系统中，如何快速、准确地识别并作出反应，是异常事件识别技术研究的核心问题。
那么，如何识别异常事件呢？传统的监控系统主要是基于人工操作，通过人工巡逻的方式来观察监控画面，排除一些错误报警，这种方法存在明显的问题，例如高人力成本、信息不全面等。
而现在，随着人工智能技术的发展，基于图像处理、模式识别的异常事件识别技术也逐渐成熟。
在这种方法中，监控系统通过预存的行为模式库和算法进行比对，自动进行异常行为的识别。
这种方法的好处是利用人工智能和计算能力进行快速而精确的异常事件识别，并且具有一定的自适应性，另外，还可以将数据自动化地保存在服务器内，真正实现了信息化、自动化、智能化的目标，因此具有很高的使用价值。
实际上，现代异常事件识别技术的研究主要涉及四个方面：一是提取监控视频的图像特征，包括图像的颜色、纹理、形状等；二是建立正常行为模型，学习和理解行为的规律以及商场、学校等公共地方的流动规律，如何定义正常行为模型是比较重要的一步，可以采用机器学习算法，通过大量的正常行为样本进行训练，以对异常事件作出反应；三是建立异常检测模型，通过图像处理算法、分类算法、聚类算法等手段实现，当系统在实时监控视频中检测到与正常模型不符的行为时，会立即发觉异常事件；四是对异常事件进行分类和处理，包括报警处理、视频保存等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第26卷第3期2009年3月机 电 工 程Mechanical &Electrical Engineering MagazineVol .26No .3Mar .2009收稿日期:2008-09-16基金项目:建设部科研基金资助项目(2007-k03-04);教育部大学生创新性实验资助项目(070118)作者简介:谭墍元(1986-),男,河南许昌人,主要从事自动化等方面的研究.E 2mail:tjyphili p@ 通信联系人:吴成东,男,教授,博士生导师.E 2mail:wuchongdong@ise .neu .edu .cn智能图像监控系统异常目标检测算法研究3谭墍元,吴成东,周 芸,侯 俊,王俏俏(东北大学信息科学与工程学院,辽宁沈阳110004)摘 要:为实现智能家居中的实时安全监控,提出了一种基于嵌入式平台和无线通讯的智能视频监控系统方案,并设计了智能视频监控系统中的异常目标检测算法。
以背景差分法为基础,采用自适应阈值、运动目标跟踪及背景更新等方法,克服了背景光线变化、阴影及小目标带来的干扰,提出并实现了动态目标跟踪检测功能。
该系统能够有效地对监控区域目标状态进行监测,并能根据监测结果进行报警等安全操作。
实验结果表明,系统具有很高的实时性、可靠性和实用性。
关键词:视频监控;运动目标检测;帧间差分;自适应阈值中图分类号:TP277 文献标识码:A 文章编号:1001-4551(2009)03-0012-04Research of abnor ma l t arget detecti on a lgor ith m i n i n telli gen t surve ill ance syste mT AN J i 2yuan,WU Cheng 2dong,ZHOU Yun,HOU Jun,WANG Q iao 2qiao(College of Infor m ation Science and Engineering,N ortheastern U niversity,Shenyang 110004,China )Abstract:T o i m p lement real 2ti m e surveillance of the home security,an intelligent surveillance syste m based on e mbedded syste m p latf or m and wireless communicati on technol ogy was designed .T o overcome interference com ing fr om s mall target move ment or backgr ound light changes,moving target detecti on algorith m was p r oposed .Abnor mal matters at the monit or area can be detected exactly by analyzing the real ti m e i m age inf or mati on,and effective security acti ons will be taken with corres ponding patterns .The experi m ental results show that the syste m possesses the advantages of real 2ti m e standard,high credibility and p racticability .Key words:intelligent surveillance syste m;abnor mal target detecti on;fra me subtract;adap tive threshold value0 引 言视频监控系统已成为安防系统的重要组成部分,随着计算机技术、无线通讯以及图像处理技术的发展,智能化的视频安全监控系统以其全天候、可靠性高等优点,正逐步取代传统的人工视频监控模式。
在智能监控系统中,异常目标检测算法(主要是指运动目标的检测)是其核心内容,该检测算法的优劣决定着系统的成败。
当前运动目标检测的基本方法主要包括光流法[1]、帧间差分法[2]、背景差分法[3]、背景统计模型[4]等算法,但是上述算法均存在一定的局限性:光流法不需要背景信息,但计算复杂,实时性差,难以满足实时检测的要求,更不易在微处理器上实现;背景差分法实现简单,但抗干扰性差且需要对背景进行实时修正;帧间差分法具有很强的自适应性,但差分帧的选择时机要求较高,而且依赖于运动目标的速度,可靠性不高。
本研究提出一种基于背景差分法的异常检测算法,该算法结合静态阈值与动态自适应阈值[5]进行差分运算,并且引入小目标运动跟踪检测环节对监控图像序列进行处理,有效地解决了背景光线变化[6]、阴影以及小目标运动问题,具有很高的可靠性与实用性。
1 系统结构笔者研究的硬件平台是智能图像安全监控系统,该系统基于手机和嵌入式系统进行设计,由C MOS 摄像头、S3C44B0X 微处理器、T R800彩信模块、Zig Bee 模块和传感器等组成。
系统框图如图1所示。
图1 智能图像监控系统结构 系统通过C MOS 摄像头对重点区域进行监控,定时将JPEG 格式图像数据通过串口发送至微处理器。
后者通过异常目标检测算法对图像序列进行处理和分析,并根据结果做出相应动作,如通过GS M /GPRS 网络向户主发送报警彩信、向监控中心发送报警信号、存储当前图像视频资料等工作。
同时,系统中各种安防传感器等发出的报警信息可以通过嵌入式控制器控制家用电器执行联动,用户也可以通过短信息随时随地设置系统工作模式,并主动获取监控图像等信息。
2 异常目标检测算法本研究所讨论的异常目标检测算法,其入口为摄像头传送的监控图像序列,出口是进行特定状态处理的控制信号。
该算法在背景差分法基础上,采用以点处理为基础的动静阈值结合方法,整个检测过程主要分成3个步骤:图像预处理→量化检测→异常状态处理。
检测算法的基本流程如图2所示。
图2 异常状态检测算法流程当系统接收到摄像头传送的新图像时,首先对其进行预处理操作,以获得监控区域的异常二值图像;之后通过量化函数对监控区域当前状态进行分析判断,以获取异常量化指标;最后,系统根据量化函数指标进行特定的后续安全操作,如异常报警、跟踪监测操作等。
2.1 图像预处理为了获得有效的异常差异信息,系统将获取的监控图像在AR M 处理器中进行预处理。
主要包括差分运算、阈值生成、二值化、去噪以及形态学处理[7],其流程如图3所示。
图3 图像预处理步骤其中,阈值合理与否对算法的可靠性有着较大的影响,是预处理的关键部分。
该算法采用静态阈值与动态阈值相结合的方法,既避免静态阈值对于背景光线变化的死区,同时克服了纯动态背景对于背景亮度过分敏感的缺陷。
本研究定义S 为二值化阈值,则其表达式如下:S =μK +λ1N A ∑(x,y )∈A|D (x,y,t )-B (x,y,t )|(1)式中 K —图像的灰度级;A —监控区域图像点集;N A —图像像素数目;μ—静态阈值系数;γ—动态阈值系数;D (x,y,t )—t 时刻监控图像;B (x,y,t )—t 时刻存储使用的背景图像。
静态阈值μK 的主要作用在于防止背景本身的亮度微变,可以通过实验选取静态阈值系数。
本研究通过对居室、办公室等常见监控区域的测试,得到的统计数据如图4所示。
图4 静态阈值系数图4显示了静态阈值μ在不同数值下,同一背景被判为异常的比例,可见当μ>8%时,误判比例数量级为10-4,其影响对于量化函数可以忽略不计。
・31・第3期谭墍元,等:智能图像监控系统异常目标检测算法研究 同一背景在间隔5s 时的差异像素统计直方图如图5所示。
可见灰度差异绝大部分分布在25(灰度级256)之内,即μ=25/256=9.6%。
图5 背景灰度差异直方图根据以上实验结果,本研究采用μ=10%作为静态阈值系数。
对于λ1N A ∑(x,y )∈A|D (x,y,t )-B (x,y,t )|,动态阈值的作用是克服背景光线缓慢变化造成的影响,同时也为背景的更换提供定量的依据,避免了背景相减法中背景定时更换的盲目性,和其他背景更换算法相比具有运算简便、适用性强的优点,适合于在嵌入式系统中实现。
图像预处理的另外一个关键问题是消除噪声干扰,这也是获取准确异常区域的关键步骤。
本研究采用形态学处理中的腐蚀与膨胀算法,并对图像腐蚀膨胀的深度控制进行研究。
实验结果显示,对于一般的家居和办公室等场所,深度为2(即先进行两次腐蚀,再进行两次膨胀)的噪声去除效果较好,能够有效地提取目标图像。
2.2 异常目标检测为了对监控区域进行状态判断,将经过预处理的二值图像进行异常比率计算,并且定义异常率P (图像累计差异面积与总面积之比)为异常检测指标,从而进行异常状态判断。
异常率P 的表达式为:P =∑CS 0(x,y,t )N A,C S 0(x,y,t )∈A (2)其中,C S 0(x,y,t )为C S (x,y,t )经过形态学处理后的结果,而:C S (x,y,t )=1 C (x,y,t )≥S 0 C (x,y,t )<S(3)状态阈值参数的选取受到监控区域环境、异物位置以及摄像头布局的影响,为提高系统的准确性,本研究提出分段状态阈值参数P 1,P 2,其具体含义如下:当P ≥P 1,即监控区域具有很高异常率,则判断为异常状态,并通过TR800模块向户主发送报警彩信,向监控中心发送报警信号,存储异常监控图像,必要时进行电器控制操作,以起到安全防范作用。
当P 1>P ≥P 2,监控区域出现小范围异常,但不足以断定其原因及危害性时,发出跟踪请求,进行小运动目标跟踪检测。
当P <P 2,此时监控区域正常。
对于状态阈值的选取,本研究经过理论推导与实验测试,得到如下计算公式:P 1=K L2%P 2=0.6・P 1(4)式中 K —比例系数,由实验得其范围约为55～65;L —监控区域平均距离。
2.3 小目标运动跟踪检测由于采用异常比例P 作为一项异常判断指标,运动目标在监控区域的空间分布将影响到判断指标的可靠性。
为此系统引入小目标运动跟踪检测环节,即在监控区域出现一定程度的异常比例(P 1>P ≥P 2)时,如果此时无法确定该异常率是否由运动物体闯入引起,则申请获取连续若干张监控图像,并累积其差异效果,若是由运动目标引起,则在此跟踪过程中,量化指标P 将会不断增大,一旦P ≥P 1,则可以判定运动目标闯入。