本發(fā)明屬于圖像處理與視頻監(jiān)測
技術領域：
，更具體地說，涉及一種機房重地越界行為實時監(jiān)測方法。
背景技術：
：作為現(xiàn)代安防的主要手段之一，智能視頻監(jiān)控技術有著非常良好的發(fā)展前景。隨著監(jiān)控系統(tǒng)的普及化及龐大化，傳統(tǒng)人為監(jiān)控的局限性越來越突出。另外，監(jiān)控系統(tǒng)越來越龐大，如果全部采用人為監(jiān)控，其人力成本也會非常昂貴。智能視頻監(jiān)控技術(intelligentvideosurveillance)起源于計算機視覺技術(computervision)，它對視頻進行分析，從視頻中提取信息，發(fā)現(xiàn)感興趣事件，從而可以在某些場合替代人為監(jiān)控或者協(xié)助人為監(jiān)控。智能視頻監(jiān)控技術的優(yōu)勢就在于它可以一天24小時不間斷地對視頻進行監(jiān)控，一旦有事件發(fā)生可以及時報警，相對于人為監(jiān)控來說，智能化監(jiān)控可靠性更高，成本更加低廉。智能視頻監(jiān)控技術的市場需求正在不斷上升，其產(chǎn)品形態(tài)也在不斷豐富，其中，越界檢測是智能視頻監(jiān)控技術的一個重要方面，對于小區(qū)安保、商場安全以及廠房管理等均具有重要的意義。機房重地越界實時監(jiān)測方法主要對服務器機房進行監(jiān)測，能夠?qū)崿F(xiàn)對指定目標物體進行近距離持續(xù)動態(tài)跟蹤，并可對視頻中特定矩形區(qū)域進行越界實時監(jiān)測，一旦出現(xiàn)越界行為，立即進行報警。它改變了傳統(tǒng)監(jiān)控系統(tǒng)被動提供視頻畫面的狀態(tài)，能夠主動對視頻監(jiān)控中的人進行定位、跟蹤、分析和判斷，并以最快和最佳的方式發(fā)出警報、提供有用信息。但采用現(xiàn)有機房重地越界實時監(jiān)測方法進行監(jiān)測時，光照變化等自然條件及其他外界環(huán)境的變化易對檢測造成干擾，從而影響運動目標的監(jiān)測精度。如，中國專利申請?zhí)枺?01410664953.8，申請日為：2014年11月20日，發(fā)明創(chuàng)造名稱為：行人越界智能監(jiān)控裝置與檢測方法，該申請案的越界行為智能視頻監(jiān)控方法處理流程分為五部分：背景建模、前景檢測、監(jiān)控區(qū)域的設定、前景匹配更新、越界事件判斷，其采用高斯模型進行背景建模并對背景模型進行實時訓練更新，并將當前幀圖像的高斯模型與背景高斯模型進行對比，從而進行前景檢測。該申請案采用的背景建模與前景檢測方法簡單易操作，算法執(zhí)行速率高，每秒處理5幀圖像，在一定程度上減少了噪聲點對模型的影響，并且實時學習更新背景，具有較高的智能性，大大提高了越界檢測過程的準確性與可靠程度。但采用該申請案的檢測方法進行檢測即易受光照變化等自然條件及其他外界環(huán)境變化的干擾，從而使其監(jiān)測精度受到較大影響。技術實現(xiàn)要素：1.發(fā)明要解決的技術問題本發(fā)明的目的在于克服現(xiàn)有機房重地越界實時監(jiān)測方法易受光照變化等自然條件及其他外界環(huán)境變化干擾的影響，從而導致其監(jiān)測精度大大降低的不足，提供了一種機房重地越界行為實時監(jiān)測方法。采用本發(fā)明的監(jiān)測方法能夠有效克服光照及外界環(huán)境變化等自然條件變化對監(jiān)測的干擾，大大提高了機房重地越界行為的監(jiān)測精度。2.技術方案，為達到上述目的，本發(fā)明提供的技術方案為：本發(fā)明的一種機房重地越界行為實時監(jiān)測方法，包括以下步驟：A、創(chuàng)建顯示窗口；B、讀入視頻，用pFrame表示視頻中的幀；C、提取前景圖，記為1–pFrShade，該前景圖包括運動目標和陰影；D、提取視頻圖像中的陰影區(qū)域，得到的陰影區(qū)域記為二值化圖像Shadow；E、將前景圖1–pFrShade與陰影區(qū)域Shadow進行邏輯與運算，得到精確的運動目標前景圖2–pFrImg；F、創(chuàng)建用于畫運動目標輪廓的內(nèi)存存儲器，從精確的運動目標前景圖2–pFrImg中找到所有運動目標輪廓；G、直接使用CONTOUR中的矩形來畫運動目標輪廓，并將面積小的矩形拋棄掉；H、確定矩形區(qū)域：攝像機拍攝的圖像中物體容易發(fā)生畸變，服務器機房中待監(jiān)測矩形區(qū)域在攝像機拍攝的視頻里面發(fā)生畸變，成不規(guī)則四邊形，通過透視變換將其轉(zhuǎn)換為規(guī)則的矩形，得到矩形四個邊的位置；I、確定運動目標中腳的位置：取所有運動目標輪廓中位于最下方輪廓的底邊中點作為腳的位置；通過反透視變換求腳的位置在待監(jiān)測規(guī)則矩形里的位置，得到腳的位置；J、用求出的腳的位置坐標和待監(jiān)測規(guī)則矩形區(qū)的位置坐標進行比較，如果此點位于待監(jiān)測規(guī)則矩形區(qū)域里面，則用綠色矩形框畫出輪廓；反之，如果此點位于待監(jiān)測規(guī)則矩形區(qū)域外面，則用紅色矩形框來畫出輪廓，并做出越界報警。更進一步的，步驟C中使用混合高斯模型來提取前景圖，其具體步驟為：(1)在程序初始化部分定義混合高斯模型參數(shù)；(2)讀取視頻的第一幀圖像作為背景圖像pBkImg，并進行高斯背景建模；(3)用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點，且每隔n幀更新一次高斯模型，最終得到前景圖1-pFrShade。更進一步的，使用混合高斯模型來提取前景圖時，n的取值范圍為3<n<10。更進一步的，步驟D中使用基于RGB色彩模型的陰影提取方法提取視頻圖像中的陰影區(qū)域。更進一步的，步驟G中畫運動目標輪廓時將面積小于1000的矩形拋棄掉。更進一步的，步驟H中的透視變換公式為：[x′,y′,w′]=[u,v,w]a11a12a13a21a22a23a31a32a33]]>u，v為原始圖片坐標，x，y為經(jīng)透視變換后得到的圖片坐標，為透視變換矩陣，由此得出：x=x′w′=a11u+a21v+a31a13u+a23v+a33y=y′w′=a12u+a22v+a32a13u+a23v+a33.]]>3.有益效果采用本發(fā)明提供的技術方案，與已有的公知技術相比，具有如下顯著效果：本發(fā)明的一種機房重地越界行為實時監(jiān)測方法，可以根據(jù)需要在特定的監(jiān)測區(qū)域或界限內(nèi)(如矩形區(qū)域或越界線)，當發(fā)生越界行為時，能夠?qū)崟r發(fā)出警報。本發(fā)明無需進行區(qū)域界線檢測，因此不受矩形區(qū)域顏色和畸變的影響，只需點擊視頻第一幀圖像中特定區(qū)域的四個角點，即可在完成圖像幾何矯正的同時確定區(qū)域界線的位置；另外由于利用了邏輯與運算將混合高斯模型運動前景檢測與陰影檢測結合的技術，本發(fā)明能夠克服光照的變化以及外界環(huán)境的影響，避免自然條件變化對監(jiān)測的干擾，能夠監(jiān)測到精確的運動目標，提供有用信息并做出準確的越界警報。附圖說明圖1為本發(fā)明的混合高斯模型；圖2為本發(fā)明的機房重地越界行為實時監(jiān)測方法的流程圖。具體實施方式為進一步了解本發(fā)明的內(nèi)容，現(xiàn)結合具體實施例對本發(fā)明作詳細描述。實施例1本實施例的一種機房重地越界行為實時監(jiān)測方法，其流程如圖2所示，具體包括以下步驟：A、創(chuàng)建顯示窗口；B、讀入視頻，用pFrame表示視頻中的幀；C、提取前景圖，記為1–pFrShade，該前景圖包括運動目標和陰影；本實施例中使用混合高斯模型(BackgroundSubtractorMOG2mog，如圖1所示)來提取前景圖，其具體步驟為：(1)在程序初始化部分定義混合高斯模型參數(shù)(當前幀pFrame，背景圖pBkImg，前景圖1-pFrShade，學習速率0.001)；(2)讀取視頻的第一幀圖像，申請內(nèi)存，并進行初始化，作為背景圖像pBkImg，并進行高斯背景建模；(3)在混合高斯背景模型中，認為像素之間的顏色信息互不相關，對各像素點的處理都是相互獨立的。對于視頻圖像中的每一個像素點，其值在序列圖像中的變化可看作是不斷產(chǎn)生像素值的隨機過程，即用高斯分布來描述每個像素點的顏色呈現(xiàn)規(guī)律。混合高斯模型使用K(基本為3到5個)個高斯模型來表征圖像中各個像素點的特征，用當前圖像中的每個像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點，且每隔n(3<n<10)幀更新一次高斯模型，最終得到前景圖1-pFrShade。D、使用基于RGB色彩模型的陰影提取方法提取視頻圖像中的陰影區(qū)域，得到的陰影區(qū)域記為二值化圖像Shadow；具體步驟為：通過對基于RGB色彩模型的陰影提取方法分析可知，由于在陰影區(qū)域B通道灰度下降得最少，所以通過對B分量圖采用閾值分割的方法，設置一個較高的閾值(本發(fā)明中閾值設為150)就可以得到精確的陰影區(qū)域。E、將前景圖1–pFrShade與陰影區(qū)域Shadow進行邏輯與運算，得到精確的運動目標前景圖2–pFrImg；F、創(chuàng)建用于畫運動目標輪廓的內(nèi)存存儲器，從精確的運動目標前景圖2–pFrImg中找到所有運動目標輪廓，此處運動目標輪廓是指運動目標前景圖2–pFrImg中的各輪廓頂點與其相連的兩個長度所組成的矩形區(qū)域，即運動目標前景圖2–pFrImg中各輪廓頂點上、下、左、右各兩個長度所組成的矩形區(qū)域；G、直接使用CONTOUR(Opencv中使用輪廓的查找函數(shù)cvFindContours得到的輪廓)中的矩形來畫運動目標輪廓，并將面積小于1000個像素點的矩形拋棄掉；H、確定矩形區(qū)域：攝像機拍攝的圖像中物體容易發(fā)生畸變，服務器機房中待監(jiān)測矩形區(qū)域在攝像機拍攝的視頻里面發(fā)生畸變，成不規(guī)則四邊形，通過透視變換將其轉(zhuǎn)換為規(guī)則的矩形，即得到機房重地待監(jiān)測矩形區(qū)域四個邊的位置。上述透視變換公式為：[x′,y′,w′]=[u,v,w]a11a12a13a21a22a23a31a32a33]]>u，v為原始圖片坐標，x，y為經(jīng)透視變換后得到的圖片坐標，為透視變換矩陣，由此得出：x=x′w′=a11u+a21v+a31a13u+a23v+a33y=y′w′=a12u+a22v+a32a13u+a23v+a33.]]>I、確定運動目標中腳的位置：取所有運動目標輪廓中位于最下方輪廓的底邊中點作為腳的位置；通過反透視變換求腳的位置在待監(jiān)測規(guī)則矩形里的位置，得到腳的位置；J、用求出的腳的位置坐標和待監(jiān)測規(guī)則矩形區(qū)的位置坐標進行比較，如果此點位于待監(jiān)測規(guī)則矩形區(qū)域里面，則用綠色矩形框畫出輪廓；反之，如果此點位于待監(jiān)測規(guī)則矩形區(qū)域外面，則用紅色矩形框來畫出輪廓，并做出越界報警。采用本實施例的方法可以根據(jù)需要在特定的監(jiān)測區(qū)域或界限內(nèi)(如矩形區(qū)域或越界線)，當發(fā)生越界行為時，能夠?qū)崟r發(fā)出警報。本實施例無需進行區(qū)域界線檢測，因此不受矩形區(qū)域顏色和畸變的影響，只需點擊視頻第一幀圖像中特定區(qū)域的四個角點，即可在完成圖像幾何矯正的同時確定區(qū)域界線的位置。此外，由于受燈光場景變化等外界環(huán)境的影響，例如，白天太陽照射，晚上存在照明燈，但兩者亮度明顯不同，本實施例采用了實時更新背景以及去除陰影的技術，從而能夠克服光照的變化以及外界環(huán)境的影響，避免自然條件變化對監(jiān)測的干擾。同時，結合監(jiān)測區(qū)域的圖像亮度變化調(diào)整高斯混合模型過程中的學習速率參數(shù)(手動更改學習速率的大小，根據(jù)效果確定最佳學習速率)，將n幀取為5幀，從而使算法對運動目標檢測的準確性以及算法的執(zhí)行速率大大提高。當前第1頁1 2 3