一種基于傅里葉描述子和方向梯度直方圖的入侵檢測(cè)算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)、圖像處理、特征選擇、模式識(shí)別等技術(shù)領(lǐng)域，尤其是一種 針對(duì)監(jiān)控視頻信號(hào)進(jìn)行處理、分析和理解，并對(duì)監(jiān)控系統(tǒng)進(jìn)行控制，實(shí)現(xiàn)區(qū)域入侵實(shí)時(shí)檢測(cè) 的算法，該方法可用于學(xué)校、銀行、監(jiān)獄、工廠等公共場(chǎng)合，對(duì)于私人住宅的周界區(qū)域同樣適 用。
【背景技術(shù)】
[0002] 隨著計(jì)算機(jī)行業(yè)的飛速發(fā)展，圖像處理和模式識(shí)別技術(shù)的不斷完善，計(jì)算機(jī)視覺(jué) 的高速發(fā)展，以及社會(huì)人口日益稠密所帶來(lái)突發(fā)事件的不斷增加，視頻監(jiān)控系統(tǒng)已大量應(yīng) 用于人們的生產(chǎn)和生活中。視頻監(jiān)控技術(shù)發(fā)展至今經(jīng)過(guò)了人力現(xiàn)場(chǎng)監(jiān)控、人力視頻監(jiān)控以 及智能視頻監(jiān)控三個(gè)階段。所謂智能視頻監(jiān)控即采用計(jì)算機(jī)視覺(jué)技術(shù)結(jié)合模式識(shí)別技術(shù)， 實(shí)現(xiàn)機(jī)器對(duì)視頻監(jiān)控畫(huà)面的分析、處理，并進(jìn)行預(yù)警、報(bào)警及其他相關(guān)處理。智能監(jiān)控技術(shù) 可以實(shí)現(xiàn)監(jiān)控區(qū)域的實(shí)時(shí)、自動(dòng)、全天候監(jiān)控，而入侵檢測(cè)技術(shù)是智能監(jiān)控系統(tǒng)的一個(gè)重要 組成部分，是現(xiàn)代安防建設(shè)的一個(gè)重要研究方向。然而，國(guó)內(nèi)的相關(guān)研究工作因起步較晚， 因此發(fā)展還不成熟。據(jù)統(tǒng)計(jì)，目前安防產(chǎn)業(yè)每年近3000億的市場(chǎng)中，周界入侵相關(guān)產(chǎn)品僅 以64億占據(jù)2. 4%左右的份額。這與需求形成的強(qiáng)烈反差，也進(jìn)一步證明周界入侵檢測(cè)相 關(guān)技術(shù)研究的迫切性。目前相對(duì)比較成熟的入侵檢測(cè)技術(shù)還是以紅外探測(cè)、振動(dòng)探測(cè)、張力 外墻等硬件手段為主，存在誤報(bào)多、使用范圍較窄等問(wèn)題。再者，目前的監(jiān)控系統(tǒng)主要以被 動(dòng)的監(jiān)控技術(shù)為主，必須輔助人工監(jiān)視才能實(shí)現(xiàn)對(duì)非法入侵的有效實(shí)時(shí)的發(fā)現(xiàn)，否則往往 只能作為事后的調(diào)查依據(jù)，然而這已無(wú)法適應(yīng)不斷擴(kuò)大的視頻監(jiān)控規(guī)模。因此，基于智能監(jiān) 控系統(tǒng)的入侵檢測(cè)技術(shù)越來(lái)越受到社會(huì)各界的關(guān)注。

【發(fā)明內(nèi)容】

[0003] 為了能夠穩(wěn)定適應(yīng)環(huán)境的變化，及時(shí)主動(dòng)的發(fā)現(xiàn)入侵，同時(shí)又盡可能的減少誤報(bào)， 本發(fā)明在現(xiàn)有的視頻監(jiān)控周界防范的基礎(chǔ)上加入智能視頻分析技術(shù)，使監(jiān)控系統(tǒng)擁有主動(dòng) 的周界入侵檢測(cè)的能力。本發(fā)明提供了一種對(duì)環(huán)境變化、光照、噪聲、圖像質(zhì)量等魯棒性強(qiáng) 的視頻監(jiān)控入侵檢測(cè)方法，通過(guò)引入人體目標(biāo)識(shí)別算法，實(shí)現(xiàn)對(duì)入侵目標(biāo)的準(zhǔn)確識(shí)別，排除 動(dòng)物、植物等其他干擾因素，從而有效降低系統(tǒng)的誤報(bào)率，提高系統(tǒng)對(duì)環(huán)境的魯棒性；而實(shí) 時(shí)的智能視頻自動(dòng)分析使得監(jiān)控系統(tǒng)在非人工干預(yù)的情況下也能實(shí)現(xiàn)實(shí)時(shí)、主動(dòng)的入侵報(bào) 警。
[0004] 本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是： 一種基于傅里葉描述子和方向梯度直方圖的入侵檢測(cè)算法，所述檢測(cè)算法包括如下步 驟： 1) 連續(xù)視頻幀圖像》灸.的獲取，其中^表示第L幀視頻圖像，L為正整數(shù)； 2) 對(duì)視頻中運(yùn)動(dòng)目標(biāo)的提取，過(guò)程如下： 2. 1)對(duì)獲取得到相鄰視頻幀進(jìn)行幀間差分，得到差分圖像加 gji%，并以閾值對(duì)差 分圖像進(jìn)行二值化，得到二值圖像_^-:; 2. 2)對(duì)二值圖像.???*進(jìn)行閉運(yùn)算，得到圖像樹(shù); 2. 3)對(duì)圖像先后進(jìn)行鄰域均值濾波和中值濾波，得到圖像、麵:卿_ ; 2. 4)疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域確定，選出+._、_^:+中連通區(qū)域面積大于閾值:匕_鋒)的區(qū) 域作為疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域； 2. 5)計(jì)算疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域的最大外接矩形，作為實(shí)際運(yùn)動(dòng)目標(biāo)區(qū)域； 3) 人體目標(biāo)檢測(cè)，過(guò)程如下： 3. 1)對(duì)視頻幀圖像_給及二值圖像％在步驟2)中檢測(cè)得到的實(shí)際運(yùn)動(dòng)目標(biāo)區(qū)域 進(jìn)行截取，并分別采用HOG分類(lèi)器和FD分類(lèi)器以滑動(dòng)窗口形式進(jìn)行判斷，具體過(guò)程如下： HOG分類(lèi)器判斷 對(duì)視頻幀圖像&切;.中對(duì)應(yīng)所述步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域以大小為§4>、.OS的窗 口進(jìn)行滑動(dòng)檢測(cè)，計(jì)算HOG特征，根據(jù)模型ModelHOG來(lái)進(jìn)行判斷，此時(shí)可以設(shè)定距離閾值 來(lái)提高檢測(cè)的準(zhǔn)確率； FD分類(lèi)器判斷 對(duì)二值圖像_|^中對(duì)應(yīng)所述步驟2. 5)得到的實(shí)際運(yùn)動(dòng)區(qū)域以大小為的窗 口進(jìn)行滑動(dòng)檢測(cè)，計(jì)算FD特征，根據(jù)模型ModelFD來(lái)進(jìn)行判斷，設(shè)定距離閾值Fj如如^來(lái)提 高檢測(cè)的準(zhǔn)確率； 3. 2)融合HOG分類(lèi)器和FD分類(lèi)器的判斷結(jié)果 根據(jù)HOG分類(lèi)器和FD分類(lèi)器的判定結(jié)果進(jìn)行邏輯與操作，得到最終的判定結(jié)果； 4) 當(dāng)所述步驟3. 2)結(jié)果為0時(shí)，返回步驟1)進(jìn)行后續(xù)視頻幀的判斷；當(dāng)結(jié)果為1時(shí)， 進(jìn)行行為邏輯分類(lèi)和連續(xù)幀判斷，當(dāng)達(dá)到報(bào)警閾值時(shí)，觸發(fā)報(bào)警系統(tǒng)。
[0005] 進(jìn)一步，所述步驟3. 1)中，訓(xùn)練HOG分類(lèi)器和FD分類(lèi)器還包括以下步驟： HOG分類(lèi)器 正負(fù)樣本選擇的圖像作為輸入圖像； 計(jì)算HOG特征。選擇cell大小為_(kāi)|.g_:|:，block大小為，每個(gè)block是36維向量， 每幅圖像共計(jì)3?純維特征； 以SVM為分類(lèi)器，分類(lèi)類(lèi)別為2,對(duì)樣本進(jìn)行線性分類(lèi)，正樣本返回1，負(fù)樣本為0,得到 HOG分類(lèi)模型ModelHOG ; FD分類(lèi)器 正負(fù)樣本選擇的二值圖像作為輸入圖像； 計(jì)算FD特征，選擇800維作為特征維度，并歸一化到; 以SVM為分類(lèi)器，分類(lèi)類(lèi)別為2,對(duì)樣本進(jìn)行線性分類(lèi)，正樣本返回1，負(fù)樣本為0,得到 FD分類(lèi)模型ModeIFD。
[0006] 再進(jìn)一步，所述步驟3. 1)中計(jì)算HOG特征和FD特征還包括以下步驟： HOG特征 對(duì)輸入圖像說(shuō)t細(xì)f進(jìn)行歸一化處理并進(jìn)行Gamma變換； 采用模板|4為|求取圖像^_水平和垂直方向的梯度、>、、、、〇 r w及其方向 沒(méi)?:縱》； 劃分矩陣塊block并統(tǒng)計(jì)矩陣塊信息 把圖像平均分成若干正方形的細(xì)胞cell，每個(gè)細(xì)胞包含個(gè)像素，每個(gè)細(xì)胞內(nèi)把 的梯度方向平均分成9個(gè)區(qū)間bin，然后每個(gè)cell內(nèi)所有像素的梯度值分別在各個(gè) bin區(qū)間進(jìn)行直方圖統(tǒng)計(jì)，這樣一個(gè)cell得到一個(gè)9維的特征向量。每辦_個(gè)cell形成一 個(gè)block，這樣一個(gè)block就形成36維的特征向量，再對(duì)整個(gè)block進(jìn)行歸一化，得到最終 的特征向量V...Md 獲得最終的HOG特征 對(duì)輸入圖像力％以滑動(dòng)窗口形式進(jìn)行檢測(cè)，獲取每個(gè)block的HOG特征，并將它們結(jié) 合成一個(gè)包含η個(gè)數(shù)據(jù)的高維特征向量：
其中
?破：每個(gè)block中cell的個(gè)數(shù)； :梯度方向區(qū)間bin的個(gè)數(shù)； :圖像中包含block的個(gè)數(shù)； FD特征 離散采樣 圖像邊緣以灣!為起點(diǎn)進(jìn)行逆時(shí)針取樣，以_來(lái)表示坐標(biāo)序列，如下式所示： :?s魏·，綱i，其中:_狐備^ 坐標(biāo)； 引入復(fù)數(shù)坐標(biāo)系 利用復(fù)數(shù)坐標(biāo)系對(duì)邊界的坐標(biāo)序列進(jìn)行重新解釋?zhuān)吔缧蛄性趶?fù)數(shù)坐標(biāo)系下的形式 如下所示：
進(jìn)行傅里葉變換 對(duì)邊界離散序列進(jìn)行傅里葉變換，復(fù)系數(shù)< 即為目標(biāo)邊界的傅里葉描述子，如下式 所示：
旋轉(zhuǎn)、平移、縮放不變性處理 通過(guò)乘以因子，實(shí)現(xiàn)旋轉(zhuǎn)不變特性，對(duì)$的每個(gè)點(diǎn)都乘以旋轉(zhuǎn)因子，如下式所示：
其中_為旋轉(zhuǎn)變換后的邊緣點(diǎn)，::___;心_-1，則奚 后的傅里葉描述子。
[0007] 平移和縮放變換原理與旋轉(zhuǎn)變換類(lèi)似。下式分別為邊界序列的平移變換和縮放變 換，其中焉為平移變換后的邊緣點(diǎn)，_為經(jīng)平移變換后的傅里葉描述子，g為旋轉(zhuǎn)變換后 的邊緣點(diǎn)，為為經(jīng)縮放變換后的傅里葉描述子：
其中，:4??為每個(gè)點(diǎn)對(duì)應(yīng)的位移常量，;a為縮放因子；為脈沖函數(shù)， k 魂L2'，…濃" a U負(fù)-.K
[0008] 本發(fā)明的有益效果主要表現(xiàn)在：對(duì)光照、圖像質(zhì)量、環(huán)境干擾魯棒性強(qiáng)，檢測(cè)精度 較高。
【附圖說(shuō)明】
[0009] 圖1是本發(fā)明實(shí)現(xiàn)的流程圖； 圖2是HOG分類(lèi)器訓(xùn)練正、負(fù)樣本樣例； 圖3是HOG特征提取流程圖； 圖4是FD分類(lèi)器訓(xùn)練的正、負(fù)樣本及其對(duì)應(yīng)的傅里葉頻譜圖； 圖5是傅里葉描述子示例圖。
【具體實(shí)施方式】
[0010] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。
[0011] 參照?qǐng)D1~圖5, 一種基于傅里葉描述子（FD)和方向梯度直方圖（HOG)的入侵檢測(cè) 算法，包括如下步驟： 從監(jiān)控?cái)z像頭獲取連續(xù)視頻幀圖像秦嫩，其中秦嫩表示第L幀視頻圖像，L為正整數(shù)； 提取視頻幀圖像中的運(yùn)動(dòng)目標(biāo) 計(jì)算得到相鄰視頻幀圖像之間的差分圖像A峨然后進(jìn)行二值化處理，得到二值圖 像％&細(xì)，其中二值化閾值為: :麵:麵:& _釀:|纖 輪y顚:》丨，其中表示取絕對(duì)值，為圖像:??在 值；
為了融合細(xì)小缺口，對(duì)二值圖像.2??進(jìn)行閉運(yùn)算，得到圖像初<?，此時(shí)閉運(yùn)算核 半徑可以適當(dāng)加大，以連通一個(gè)目標(biāo)的所有像素，確保運(yùn)動(dòng)目標(biāo)提取的完整性； 為了有效減少圖像中的噪聲影響并保留圖像中的有用信息，對(duì)圖像先后進(jìn)行 鄰域均值濾波和中值濾波，得到圖像*; 疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域確定，選出中連通區(qū)域面積大于閾值的區(qū)域作 為疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域； 計(jì)算疑似人體運(yùn)動(dòng)目標(biāo)區(qū)域的最大外接矩形，作為實(shí)際運(yùn)動(dòng)目標(biāo)區(qū)域； 判斷所述步驟2)中的實(shí)際運(yùn)動(dòng)目標(biāo)區(qū)域是否為人體運(yùn)動(dòng)目標(biāo) 由于像素邊緣分布的方向可以較好的描述一幅圖像中對(duì)象的局部外觀或者外形，HOG 可以有效表示目標(biāo)的邊緣結(jié)構(gòu)特征，而且在提取特征過(guò)程中采取在局部區(qū)域進(jìn)行歸一化， 有效抑制了光照變化產(chǎn)生的影響，然而由于HOG是提取梯度特征，當(dāng)圖像分辨率不高時(shí)會(huì) 大大降低邊緣信息的對(duì)比度，而且比較容易受到噪聲的影響，同時(shí)HOG的誤判率與訓(xùn)練樣 本有較大的關(guān)聯(lián)性；傅里葉描述子（FD)是物體形狀邊界曲線的傅里葉變換系數(shù)，它是物 體