文摘

随着越来越多的监控摄像头部署在互联网的事情,它需要更多的工作以确保相机并没有阻挡。一个算法提出了检测监控摄像头是否阻挡通过比较图像的相似性。首先,基于帧的背景建模方法的区别是改善。结合背景差分和帧差法,提出了和实验结果表明,该组合算法可以提取的背景图像视频更加迅速和准确。其次,枸杞多糖(局部二进制模式)算法用于比较背景图像和参考图像之间的相似性。通过改变窗口大小的LBP算法和设置适当的阈值,能满足实际要求。因此,本文提出的算法有很高的应用价值和现实意义。

1。介绍

在物联网和通信技术是不断变化的,从智能家居智能城市,覆盖互联网的东西变得越来越广泛。有越来越多的监控摄像头部署在互联网的东西。这些监控摄像头是密切相关的许多领域我们的生活和工作。监控摄像头有许多功能,比如生活看,视频看,异常预警,维持个人和社会保障是非常重要的。然而,相机将阻挡由于各种事故或人为因素。例如,一些罪犯和可疑的人故意挡住摄像机为了避免被抓(1,2]。因此,它有非常重要的应用价值和现实意义,确保监控摄像头不是阻挡。

目前,方法检测监控摄像头是否堵塞主要是基于帧之间的差异(3,4]。这种方法旨在监控图像显著改变在很短的时间内当相机被挡住,所以它可以检测相机是否堵塞通过比较帧之间的区别。但任何错误将导致一个不准确的检测结果;假阴性和假阳性高和应用范围很小。

在实际应用程序中,现场监控同样的相机是不变,所以监控图像可分为两部分:不变的背景图像和改变前景图像。基于这一特性,方法(5,6)确定相机是否堵塞是许多学者提出的。这些方法主要是测量当前帧图像和参考图像之间的差异,适当使用一些图像特征向量。然而,前台在当前帧图像的存在会对检测结果有一定的影响。

针对上述方法的不足,现有的基于帧的背景建模方法的区别是改进本文结合背景不同。这种改进的方法可以用来提取的背景图像视频更加迅速和准确。与其他图像特征相比,枸杞多糖(局部二进制模式)功能更容易提取,枸杞多糖特性的计算比较简单,和枸杞多糖功能的准确性更高。因此,枸杞多糖功能是用于构造特征向量测量背景图像和参考图像之间的相似性。和监控摄像头是否阻挡可以根据相似度来决定。遮挡检测的计算基于图像相似性的比较简单,所以很容易实现。闭塞检测基于图像相似性的比较不仅有效地消除前景的影响还健壮的照明。

2。材料和方法

2.1。背景建模算法的原理基于背景差分和帧差

在机器视觉中,背景建模是视频处理的基本技术。近年来,大量的背景建模方法提出了许多专家和学者。目前,广泛使用的背景建模方法主要包括平均背景建模方法(7),平均背景建模方法,高斯分布的背景建模方法(8[],氛围算法9]。这些算法不仅需要大量的视频帧的背景建模,还计算很复杂,需要很长时间来提取视频的背景,这是难以满足实时要求检测监控摄像头是否堵塞。

帧差分法是最原始,最简单的背景建模方法。帧差分法可以实现快速和广泛应用。在文献[10),提出一种改进的帧差分法对背景建模的视频。结合时间序列数据,建立背景模型通过计算连续帧的数量。如果一个像素的灰度值变化小几个连续的帧,灰色的价值被认为是背景的灰度值的点。如果一个像素的灰度值两个相邻帧之间变化很多,灰度值的灰度值被认为是前景。两个相邻帧的灰度值将继续直到相比背景的灰度值可以确定。为背景点的灰度值在很长一段时间不能确定的,该像素点的灰度值在最后一帧作为背景点的灰度值。因为面积小,它几乎没有影响的背景模型。

above-improved帧差分法仍然需要一定数量的视频帧的背景建模。仍不能满足实时需求当检测监控摄像头是否堵塞。本文的背景建模方法进一步提高了结合背景差分法。当前帧的灰度值与参考图像的灰度值的像素点。如果差异很小,当前帧的灰度值被认为是背景的灰度值。如果差异很大,改进的帧差分法在文献[10)是用来确定背景的灰度值。

在文献[改进帧差分法10),确定每个像素点的灰度值的灰度值背景此时至少需要帧(是一种自适应阈值)。在背景建模算法基于背景差分和帧差异,确定每个像素点的灰度值的灰度值背景此时只需要至少1帧。所以,背景建模算法基于背景差分和帧差更容易满足实时的要求。

2.2。背景建模算法的过程基于背景差分和帧差

背景建模算法的具体过程基于背景差分和帧差图所示1。

前一帧的图像,当前帧的图像,是需要构建的背景图像,是参考图像中提取,从而从一个监控录像,是连续帧的数量在同一像素点的灰度值变化小,像素的灰度值的数量不确定背景图像。在背景建模算法基于背景差分和帧差异,有三个自适应阈值 , ,和 : 是两个帧的差分阈值,连续帧的数量阈值的灰度值变化小的像素点,然后呢是阈值的像素的灰度值是不确定的背景图片。具体过程如下:(1)初始化:第一帧图像和参考图像加载,的值和是设置为full-zero矩阵。的价值是设置为图像中像素的数量 。(2)法官连续帧的数量阈值:一个新的帧图像加载。对于每一个像素点 ,如果 ,让 转到步骤3。否则,第二步将继续进行迭代。(3)判断当前帧和参考图像之间的差别阈值:对符合条件的每个像素在步骤2中,如果 ,让 , , ,转到步骤5。否则,让 转到步骤4。(4)法官之间的差别阈值当前帧与前一帧:符合条件的每个像素在步骤3中,如果 ,让 。否则,让 。如果 ,让 , 。(5)判断迭代条件:当 ,这表明所构造的背景图像已经满足了需求。然后,像素点的灰度值背景图像将被设置。否则,我们 转到步骤2,迭代已经完成。

在背景建模算法基于背景差分和帧差异,阈值是关键因素决定的背景像素点的灰度值。它的价值取决于之间的灰度值的差异背景和前景。阈值主要取决于物体的速度移动的视频。物体越慢,值越大。阈值是迭代的情况,其价值是动的相关视频。的价值影响迭代的数量和质量的培训。通过设置阈值、噪声干扰可以删除在很大程度上和背景图像可以获得更加理想。

2.3。LBP算法的原则

有很多功能,可以用来衡量不同的图像之间的差异,包括灰度直方图、边缘直方图,颜色直方图,角落特性,和尺度不变的特征11]。通过分析和研究,发现有一定背景的纹理特征的差异,从而阻挡视频和视频。因此,选择LBP算法(局部二进制模式)的测量不同背景图像的差异。LBP算法广泛应用于人脸识别(12),面部表情识别(13),图像检索(14),图像分类(15),和其他领域,取得了良好的效果。与其他简单的特征提取方法相比,LBP算法的识别精度较高。与其他方法相比,识别精度高,计算LBP算法更简单和更容易提取枸杞多糖特性。基于上述特点,可以更好的满足实时性和准确性的要求通过LBP算法当检测监控摄像头是否堵塞。

LBP算法不仅是nonparameter算法描述的差异之间的灰度值中心像素及其邻域像素的图像,但也是一个有效的算法来描述局部纹理特征。原始LBP算子以中心像素点的灰度值作为阈值的窗口 。八邻域像素点的灰度值与阈值进行比较。如果邻域像素点的灰度值大于阈值,附近点的编码值是1。否则,附近点的编码值是0。然后,每个邻域像素点的编码值分配重量 。通过上面的编码,编码值的八邻域像素点可以形成一个八位二进制。所表示的十进制值二进制就是我们想要找到枸杞多糖的值。枸杞多糖的值可以有效地反映纹理信息的窗口,它将被用来取代原来的中心像素点的灰度值。

如图2的窗户 ,假定中心像素的灰度值和八邻域像素的灰度值 。如果 ,的编码值是1。否则,编码的值是0。枸杞多糖值的计算过程如下:

在公式(1),邻域像素点的数量,其值是8。是象征性的函数:

LBP算法只减去中央像素点的灰度值和附近的像素点在选定的窗口中。它可以快速提取图像的局部纹理特征没有复杂的学习过程。LBP算法的计算简单和LBP算法的应用范围宽。

2.4。监控摄像头遮挡检测的算法

首先,在文献[改进的帧差分法10)是用于提取参考图像,从而通过使用一个监控视频。然后,背景建模方法基于背景差和帧的区别是用来提取背景图像的视频需要检测。LBP算法用于处理参考图像和背景图像,分别和枸杞多糖的图像处理算法被称为映射。在实际应用中,阻塞的直方图映射是用于构造特征向量。特征向量是通过使用非参数方法相比衡量图像之间的区别。有许多非参数方法,可以用来比较两个直方图的差别,如欧氏距离、卡方统计,直方图相交,对数似然统计方法。卡方统计数据是用来衡量两个直方图的区别,和卡方统计数据显示的公式

在公式(3),和是两个不同的特征向量和和同一位置的值在不同的向量和 。

图3显示了检测算法的具体过程监控摄像头是否堵塞。的过程的背景建模方法基于背景差和帧差和LBP算法用于检测监控摄像头是否阻挡如下:(1)首先,使用监控录像不阻挡提取参考图像。然后,LBP算法用于处理参考图像和纹理映射。最后,阻塞计算直方图映射构造特征向量。特征向量将存储,它会被称为参考特征向量。(2)首先,视频加载序列将检测和背景建模方法基于背景差和帧的区别是用来提取背景图像。然后,LBP算法用于处理背景图像和获取映射。接下来,阻止了直方图映射计算得到特征向量。最后,卡方统计量用于测量特征向量之间的相似度和参考特征向量。和视频锢囚在这一刻是否会根据相似性决定。相似性越高,就越不可能视频阻挡;相似度越低,更大的视频是闭塞的面积。(3)如果最后一帧的视频还没有读,第二步将继续执行。否则,根据连续数字视频检测阻塞,监控摄像头是否堵塞将输出。连续数越多,更严重的监控摄像头是阻挡。

3所示。结果与讨论

3.1。背景建模算法基于背景差和帧差

集是8,是10,是10。提取的背景图像监控录像通过使用改进的帧差分法在文献[10)和背景建模方法基于背景差和帧差异提出了。图4显示了两个不同的背景图像提取的视频。

从图4,可以发现,背景建模算法基于背景差和帧差可以提取一个更好用更少的视频帧的背景图像。通过比较从两个视频中提取的背景图像,可以发现,背景建模算法基于背景差和帧差与原方法相比有明显的优势,前景物体的移动速度很慢视频中存在。

为了进一步验证的有效性背景建模算法基于背景差分和帧差异,不同闭塞地区的视频用手机拍摄。上述两个背景建模方法用于提取视频的背景图像,分别。图5显示了结果。

从图5可以看出,将使用更少的视频帧,当背景建模算法基于背景差分和帧的区别是用于提取的背景图像视频不同的闭塞地区。通过比较两种算法提取的背景图像,可以发现,背景图像提取的背景建模算法基于背景差分和帧的区别是更有效。

为了定量比较改进的帧差分法在文献[10)和背景建模算法基于背景差和帧差,与不同的闭塞地区处理相同的视频。每个视频都是13秒长,由400帧。使用背景建模算法基于背景差和帧差可以提取87背景图像和背景建模的成功率是82.76%。在文献[使用改进的帧差分法1048]只能提取背景图像和背景建模的成功率是77.08%。所以,背景建模算法基于背景差分和帧差比改进的帧差分法在文献[10]。

3.2。监控摄像头遮挡检测的算法

背景图像之间的相似与不同的闭塞地区和参考图像是由原始LBP算法,计算结果如图所示6。因为闭塞的地区是白色的墙和纹理信息,背景图像的纹理信息不会改变明显当一个小面积的白墙阻挡。例如,背景图像和参考图像之间的相似度为0.34,当一个小面积的白墙锢囚在背景图像。背景图像之间的相似性不是闭塞和参考图像是0.14。因此,监控摄像头是否堵塞无法轻易决定根据相似性。只有当相似度逐渐增加而闭塞的地区增加,监控摄像头是否堵塞可以根据相似度来决定。

分析之后,发现这个问题可以被解决通过扩大枸杞多糖的窗口大小的算法。虽然没有差异之间的灰色白色的墙,白色的墙,有一个不同的白墙和地面之间的灰色。提取纹理特征可以根据不同的灰色的白墙和地面之间通过调整窗口大小。当白墙的面积被挡住,灰色的差异之间的白墙和地面将会改变。因此,纹理信息提取将明显不同。然后,监控摄像头是否阻挡可以根据确定背景图像和参考图像之间的相似性。图7结果表明,背景图像和参考图像之间的相似度逐渐增加而闭塞的地区增加,当窗口大小 枸杞多糖的算法。根据结果,初步相似性阈值应该设置在1.0左右。当背景图像和参考图像之间的相似度大于阈值,就可以确定监控摄像头被挡住,相似度越大,越大闭塞地区。

为了进一步验证了监控摄像头遮挡检测的有效性基于图像相似度的比较,不同闭塞地区的视频处理。相机是阻挡是否确定背景图像和参考图像之间的相似性。每个视频都是13秒长,由400帧。当设置是8,是10,是10,大约可以从每个视频中提取背景图像。这意味着可以确定相机是否阻挡每1.3秒。87背景图像提取所有视频,当相似度阈值设置为0.8,0.9,1.0,1.1,和1.2,识别的准确率,误报率和假阴性率如表所示1。

从表1可以看出,识别的准确率,误报率和假阴性率更当相似度阈值设置为1.0。

4所示。结论

考虑之前的背景建模方法计算复杂的缺点,构建背景图像需要很长一段时间,基于帧差的背景建模方法改进。结合背景的差异,一个新的背景建模方法提出了基于背景差分和帧差。仿真结果表明,使用更少的视频帧的背景建模算法基于背景差分和帧的区别是用来提取背景图像,提取的背景图像是更好。上面的优势是一个良好的基础,相机是否阻挡可以通过比较确定背景图像和参考图像的相似性,因为将满足实时要求。在监控摄像头遮挡检测的算法基于图像相似度的比较,LBP算法比较背景图像和参考图像之间的相似性。通过设置一个合适的相似度阈值,实际需求可以满足和应用价值非常高。

数据可用性

使用的数据来支持本研究的发现没有提供,因为它们涉及作者的隐私。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的北京重点实验室的工作安全智能监控,北京邮电大学,北京,中国。