应用于长距离轨道线路智能视频监控的入侵检测方法

暂无

应用于长距离轨道线路智能视频监控的入侵检测方法\n技术领域\n[0001] 本发明属于视频监控领域，特别涉及一种应用于长距离轨道线路智能视频监控的入侵检测方法。\n背景技术\n[0002] 随着视频监控系统的广泛应用，视频监控已经成为国家机关、企事业单位以及民用住宅安全防护的重要技术手段。传统的视频监控主要依赖于人工监看，很难避免值班人员由于疲劳或脱岗导致的误报警、漏报警。随着计算机性能的提高和图像处理技术的发展，智能视频监控表现出报警主动性强、可长时间工作等突出优点，逐渐成为发展的趋势。\n[0003] 智能视频监控的核心应用是入侵检测，其作用是及时发现闯入受保护区域的行为，实现对重点区域的有效防护。对于短距离轨道线路的监控，现有的入侵检测技术已经能够获得较好的监控效果，如董宏辉等人提出的“基于高斯混合模型的铁路入侵物体目标识别方法”（发表于中国铁道科学，2011年第2期）。\n[0004] 但是，当应用于长距离轨道线路的监控时（即摄像机安装于轨道线路附近，其视场为由近及远的长距离轨道线路），现有方法往往误报率较高。其原因是透视现象的存在，导致无需重点关注的地面小目标（如老鼠等）距离摄像机较近时，出现在视频帧中的面积相对较大，容易超越设定的阈值上限引起误报警；而人体、车辆等重点关注目标距离摄像机较远时，出现在视频帧中的面积相对较小，往往不能达到设定的阈值下限而导致漏报警。为了解决此问题，通常需要增加沿线监控摄像机数量，以缩小单个摄像机所负责的监控范围。但是，这种方法显著增加了系统的整体投入。\n发明内容\n[0005] 本发明提出一种应用于长距离轨道线路智能视频监控的入侵检测方法，所要解决的技术问题是实现对长距离轨道线路的智能化、低误报、低漏报的入侵检测，延长轨道交通沿线摄像机的有效监控范围。\n[0006] 本发明方法通过以下步骤实现：\n[0007] 1、初始化：通过透视建模与背景学习两个并行的步骤，获得轨道线路的不同位置在视频帧中所对应的透视缩放因子和相对稳定的监控视场背景图像。若已通过初始化得到透视缩放因子和监控视场背景图像，则无需重复初始化。\n[0008] 2、入侵检测：包括检测报警和背景更新两个并行的步骤，其中检测报警由前景检测、形态修正、透视还原、阈值判定四个子步骤组成。透视还原可将轨道线路上不同位置闯入的运动目标还原至统一的尺度，从而消除透视现象的影响。\n[0009] 与现有技术相比，本发明能够去除透视现象的影响，使出现在轨道线路不同位置的运动目标均服从统一的阈值范围约束，极大地减少透视现象导致的误报警、漏报警，实现对长距离轨道线路的有效防护。\n附图说明\n[0010] 图1是本发明的流程图。\n具体实施方式\n[0011] 如前所述，本发明的具体实施方式包含初始化阶段和入侵检测阶段，其中初始化阶段仅需在首次运行时执行。下面结合图1对本发明的具体实施方式作进一步阐述。\n[0012] 一、初始化\n[0013] 在初始化阶段，由两个并行的步骤组成，分别是透视建模与背景学习。\n[0014] 1、透视建模的思路为：根据轨道交通建设的双轨平行原则，视频帧中每一行像素的双轨间距实际中均表征相同的双轨间距，于是可以通过双轨间距变化的比例关系，将轨道上不同位置闯入的运动目标还原至统一的尺度，从而消除透视现象带来的影响。\n[0015] 透视建模的目的是计算得到双轨间距变化的比例关系，即轨道上不同位置在视频帧中所对应的透视缩放因子σ，其步骤为：\n[0016] 1.1、选定视频帧中轨道线路上的型值点集P，采用非均匀有理B样条曲线（通常称NURBS样条曲线，它通过一组不同权重的曲线实现对非规则曲线的建模）进行拟合，得到两条轨道线路在视频帧中的曲线方程C1与C2；\n[0017] 1.2、以视频帧中双轨间距最大值Lmax（即视频帧底部位置的双轨间距）为基准，按下式计算视频帧中第n行处的轨道所对应的缩放因子σn：\n[0018] \n[0019] 其中，Ln为视频帧第n行处的双轨间距。\n[0020] 2、背景学习的目的是获得相对稳定的监控视场背景图像，以便于通过帧差法获取前景运动目标，其步骤为：\n[0021] 2.1、选择监控视场中为单纯背景的时段，将最先输入的视频帧灰度化，并将该灰度化后的视频帧保存为初始背景图像B0；\n[0022] 2.2、之后每输入一帧新的视频帧，首先进行灰度化，形成灰度化视频帧I，按下式更新背景图像：\n[0023] \n[0024] 其中，Ix,y、Bx,y、B’x,y分别为灰度化视频帧I和其对应的背景图像B，以及上一视频帧所对应的背景图像B’在坐标(x,y)处的亮度级，T为预先设定的亮度阈值；\n[0025] 2.3、多次重复上一步的操作，直至获得相对稳定的背景图像，以抑制摄像机自身噪声和环境瞬间变化的影响。\n[0026] 二、入侵检测\n[0027] 由两个并行的步骤组成，分别是检测报警和背景更新。\n[0028] 1、检测报警由前景检测、形态修正、透视还原、阈值判定四个子步骤组成。\n[0029] 1.1、前景检测：将灰度化后的视频帧I与背景图像B进行比较，获得二值化的前景图像F，它记录了闯入视场的运动目标的形体轮廓。前景图像F在坐标(x,y)处的亮度级按下式确定：\n[0030] \n[0031] 其中，T为预先设定的亮度阈值，与初始化阶段背景学习中的亮度阈值相同。\n[0032] 1.2、形态修正：修正前景目标，使之连通且外边缘较为平滑，并且滤除摄像机噪声形成的杂点，其步骤为：\n[0033] 1.2.1、对二值化的前景图像F进行3×3结构元素的腐蚀操作，以消除摄像机噪声的影响；\n[0034] 1.2.2、对前景图像F进行形态学闭运算，以填充前景目标内的空洞，连接前景目标被分割的各部分，并平滑其边界，此时获得的前景目标即为检测出的运动目标。\n[0035] 1.3、透视还原：利用初始化阶段得到的透视缩放因子σ，将不同位置出现的运动目标还原至统一的尺度，消除透视现象的影响，其步骤为：\n[0036] 1.3.1、拟合运动目标的最小边界矩形R；\n[0037] 1.3.2、查询运动目标边界矩形R的下边缘所对应的缩放因子σn；\n[0038] 1.3.3、还原后（即去除透视现象后）的运动目标边界矩形R’的各边长为：\n[0039] a'=a×σn\n[0040] b'=b×σn\n[0041] 其中，a、b分别为运动目标的边界矩形R的长和宽，a’、b’分别是R经透视还原后的边界矩形R’的长和宽；\n[0042] 1.3.4、计算透视还原后，运动目标的面积A’：\n[0043] A'=a'×b'\n[0044] 1.4、阈值判定：判断A’是否在预先设定的报警目标面积范围Q之内，如果落入该范围，则输出报警提示。\n[0045] 2、背景更新：作用是使背景图像B能够适应监控视场的缓慢变化，以降低全天候、全时段监控过程中光照、天气变化（例如太阳东升西落、乌云遮挡等）导致的误报警，按下式计算实现：\n[0046] \n[0047] 其中，Ix,y、Bx,y、B’x,y分别为灰度化视频帧I和其对应的背景图像B，以及上一视频帧所对应的背景图像B’在坐标(x,y)处的亮度级，T为预先设定的亮度阈值。\n[0048] 需要说明的是，在初始化阶段的背景学习中，需要选择监控视场中为单纯背景的时段进行学习；而在入侵检测阶段的背景更新时，可能存在前景运动目标，所以在背景更新时，若|Ix,y–B’x,y|>T，即视为运动目标，背景图像无需对运动目标进行快速更新。因此，初始化阶段的背景学习与入侵检测阶段的背景更新两个过程中，背景图像B的更新方式略有区别。\n[0049] 本发明方法的实验分析：\n[0050] 在测试环境中，某轨道交通沿线摄像机负责监控长度约160米的轨道线路，其镜头焦距为75mm，监控视频为PAL制式D1格式（分辨率为768×576像素，帧率为25帧/秒）。\n在一周时间（即168小时）的监控视频中，随机抽取10000个时间点的视频帧并检索对应的报警记录，分别统计基于帧差法的常规入侵检测方法和本发明方法的误报率和漏报率。连续进行10周测试，得到的实验数据如下：\n[0051] \n[0052] \n[0053] 由上表可知，本发明方法的误报率约为0.0021%，漏报率约0.006%，远低于常规入侵检测方法的误报率和漏报率。并且，通过标准差的比较，可知本发明方法的稳定性明显优于常规入侵检测方法。（注：该测试中，常规入侵检测方法的报警目标面积范围Q设定为\n25～8000像素；本发明的报警目标面积范围Q设定为50～1000像素）\n[0054] 定义误报率和漏报率均低于0.01%的监控距离为有效监控距离。采用焦距为25mm定焦镜头进行近距离监控时，则本发明方法的有效监控距离可达100米，而常规入侵检测方法的有效监控距离仅有30米；采用焦距为75mm的定焦镜头进行远距离监控时，则本发明方法的有效监控距离可达260米，而常规入侵检测方法的有效监控距离仅有90米。\n[0055] 采用配置为IntelQ95502.83GHzCPU、4GB内存、集成显卡的工控机进行运行时间测试时，对于D1视频，本发明方法的单帧处理时间小于0.0031秒。同时监控6路视频时，系统运行稳定流畅。