对智能视频监控系统中的干扰检测与分类探究

1、对智能视频监控系统中的干扰检测与分类探究摘要：该文主要分析了智能视频监控系统中干扰检测的 问题，并提出新型检测的方法， 同时对干扰的类型进行分类。 这种方法可以提取噪声污染、 遮挡、偏色与亮度异常等特征， 以便检测不同类型的干扰，并且这种方法采取自适应阈值更 新方法，能够降低检测方法复杂程度，加强检测实用性。关键词：智能视频监控系统干扰检测中图分类号： TP277 文献标识码： A 文章编号：1674-098X（2017）03（a）-0085-02伴随智能监控的系统应用，逐渐涌现出大量干扰，导致 监控系统的后续流程监控效果受到严重影响。因此，需要相 关人员深入分析智能视频监控系统干扰检测技术和

2、分类情 况，然后进行处理。1 检测干扰情况 若没有相关因素干扰到视频，一般不会引起视频图像变 化；如果有相关因素干扰到视频图像，会加大视频图像的内 容变化范围。1.1 检测遮挡 通常情况下，视频内容如果受到不法分子的刻意破坏就 会引起遮挡干扰，例如：将异物覆盖于镜头的表面。如果智 能视频的监控系统在正常的状态下，摄像机所能监控的场景 范围较大，并且可以监控到较多图像内容，信息量也相对较 大，有着广泛灰度级的分布范围。若存在遮挡干扰，会因为 镜头表面存在遮挡物，缩减视频图像所含的内容，使得动态 范围变小，这样可以使得灰度值处于某个数值附近，同时不 同像素之间相关性比较强。通常情况下，遮挡图像灰度

3、级较 为集中，峰值和正常的图像比起来相对较大，像素相关性也 比正常图像强，差分直方图和灰度图像的直方图比较容易检 测出遮挡的干扰。假设第n帧图像是fn (x, y),灰度的直方图是 Hi (fn),i在032, i是经量化以后图像的灰度级，4个方向差分值的直方图是(fn )、(fn )、(fn )、(fn)，i 在-255 255，i 代表 的是差分图像中的灰度级。因为差分的直方图峰值不在 0以 内,所以该文采取式( 1)对图像的相关性进行衡量。max (Hi (fn )为第n帧的灰度直方图峰值，EH (fn )为第 n 帧的 4个主要方向灰度图像的差分图像峰值平均数值, 能够表示出图像的相关

4、性，一旦DHnth1，能够准确判定遮挡的干扰。1.2 亮度异常的检测 通常画面亮度的异常主要指的是：摄像机因为曝光过度 或是过量不足造成图像动态的范围缩小,继而导致图像的细 节损伤。经过对智能视频的监控系统图像进行观察可知,如 果图像的曝光正常，灰度图像的动态范围比较广泛，如果图 像的曝光过量，图像的灰度处于 255 一侧，增加像素数目， 接近 0 侧的像素数目比较少，这就会缩小图像动态的范围。 和正常的图像比起来，亮度出现异常图像灰度的直方图会发 生一定位移，直方图的宽度会缩小，0255灰度级像素数目 骤增或是骤减，二者之差增大。假如第n帧图像灰度的直方图代表为Hi (fn),而直方图宽度代

5、表为 3。如果智能视频的图像有异常，会使 3减小，使得1/3增大，同时 |H255(fn) -H0(f0) | 数值也会增加。 DMn 只会对亮度的异常产生敏感性，对于其他的干扰没有敏感度， 可以较好表示图像异常变化的情况，如果DMnth3 , ?C明智能视频中存在亮度异常的干扰。1.3 失焦的检测 如果智能视频监控系统处于正常状态下，这时采集的视 频图像有清晰轮廓，且高频的分量相对较高。如果所用摄像 机有失焦情况，会使得图像变得相对模糊，换句话说，通过 失焦检测能够对图像清晰度进行评价，尤其在自动化调焦的 领域，图像的清晰度可以有效评价视频监控的情况，图像清 晰度的评价函数有着长久发展，常用

6、评价函数包含神经网络 的评价函数、能量的函数和频谱的函数。应用清晰度评价的 函数能够检测频谱性能情况，尤其在硬件上快速傅里叶的变 换法不仅可以保证算法的实时性，同时可以提高计算的精确 性，所以该文用频谱函数来评价图像清晰度。假设第n帧图像是fn (x, y),其大小是MN，傅里叶的 变换如下：在式(4)中：u=0, 1,，M-1 , v=0, 1,，N-1。高频的如下：在式(5)中，G ( u, v)为高斯低通的滤波器，可以分 离出图像频谱中的高频分量，HFn为第n帧图像高频数值总和。检测失焦的干扰特征如下：实际的应用之中，为使 FFT的算法便于使用，提升运算 的速度，一般选取图像的中心宽度为

7、M，其等同于N,数值是 128,这代表视频图像高频的含量。若监控的视频存在失 焦的干扰，会使得 DFn增大，所以DFn可表示失焦图像高频 的分量变动情况，如果 DFth2，代表发生失焦的干扰。1.4 检测噪声情况 在视频的监控系统之中,经常会遭受到各类噪声的影响, 严重影响到监控系统的后续流程。一旦图像中有噪声,会加 强图像随机性,导致像素间相关性减弱。通常情况下,在构 建灰度共生的矩阵时,是在密度函数与孤寂图像的二阶组合 实际条件概率基础上进行建立,计算视频图像之中灰度之间 的相关性,继而将图像快慢、方向与间隔等信息充分反映出来。可见，应用灰度的共生矩阵可以有效描绘各个图像像素 之间相关性，

8、同时可以对图像的噪声进行检测。在定义灰度 图像的共生矩阵时，首先从图像的灰度值i像素(x, y)出发，然后对距离d进行统计，在像素(x+a, y+b)上产生频 度p(i，j，d， e )o e表示的是d两像素和横坐标轴相距夹 角,处在灰度的共生矩阵生成的方向,同时需要二次统计灰 度共生矩阵中的对比度，同时度量矩阵数值分布的情况。2 干扰的分类以及阈值的选择 该次研究中,主要探讨了各类干扰的类型主要特征,并 且对各种干扰特点进行检测，旨在实现分类的效果。各个干 扰特征间存在交互的影响,能够将各个特征的相互影响消除, 以提高检测效果。此外,在选择检测的阈值时,其会影响到检测效果,所 以怎样对阈值进

9、行确定，始终是研究的重点。由于智能视频 的监控系统之中有较多的摄像机,并且所监控内容存在差异, 不能对阈值进行统一。另外,经训练获得阈值,严重阻碍了 算法实用性。所以检测方法有自适应的性能,可以按照不同 监控场景来自行选择阈值分类与检测,检测准确率比较高。假设D (fn)是不同干扰的类型提取特征，如果 D(fn) th=m+s a ,就会出现干扰。 M与c向量X=D (fn-k), D (fn-k+2),，D (fn)，按照当前帧实际视频的更新情 况。K值越小代表阈值计算的时间越短。通常情况下，k值 在1030, s为较小数值，一旦 s过小，易出现误检，如果s 数值过大，易出现漏检。和正常的情况比起来，出现干扰 所对应特征值的变化比较明显，不容易影响到检测的效果。3 结语 该次主要针对噪声、遮挡、亮度异常与失焦进行分析， 提取了几种检测特征，同时使用多种不同特征干扰进行同时 检测，以降低漏检率。和过去检测方法比起来，此次所用检 测方法可以在保证检测性能优异性的同时，确保分类的效果。 此外，关于阈值自适应的选取，能够拓宽该方法应用范围， 有着重要使用价值，所以，为提高分类的准确率，还需要相 关