【视频异常检测算法设计的案例分析4600字】

视频异常检测算法设计的案例分析目录TOC\o"1-3"\h\u5302视频异常检测算法设计的案例分析 122821.1视频信号异常的检测方法 1209041.1.1视频偏色检测技术 1265111.1.2视频亮度异常检测 2299261.1.3视频信号中断检测 3167461.1.3摄像头遮挡检测 364481.2本文算法 4187131.2.1特征提取 415671.2.2算法设计 6208551.2.3算法流程 7281971.3对比算法 81.1视频信号异常的检测方法在视频异常检测方法中，最为重要的一环就是完成异常的检测。本次设计实际针对的异常为：颜色偏差、亮度异常、摄像头被遮挡。下面是关于异常检测的一些方法和本文的算法。1.1.1视频偏色检测技术对于一幅图像而言，无论是从人的主观出发，还是从图像处理机器的角度出发，图像的颜色都是一个最重要的属性和特征，可以说颜色是一个判断图像正常与否的最关键的点之一。在图像处理方面，颜色的检测是最重要的一个环节。人对颜色的判断是恒定不变的，这就意味着对于光照的改变并不会引起人对色觉的错误判断，这也是人眼观察图像和摄像头获取图像的最大区别之一。光会影响摄像头等对图像颜色的获取，所以在监控设备中，获取的图像颜色会与人眼出现偏差，这就是图像偏色异常产生的原因。对于该问题的研究，主要有以下几种方法：灰度世界法灰度世界法是一种检测图像偏色的方法，该技术基于灰度世界假设。在一幅有着多着颜色的图象中，R、G、B分量数值收敛于同一个等级灰度。这时可通过计算机计算三个通道的平均亮度值，通过颜色空间转换技术，得到各自的坐标，此时就可以通过对比光源像素的灰度值，以此来判断颜色是否出现偏差。这种方法的检测效率较高，但是受限于实验环境，如果检测的图像没有丰富的色彩，或者光源过于暗淡，就会影响检测效率，无法实现准确的异常检测。（2）白平衡法白平衡法主要用于高光图像。R/G和B/G的值在同一光源下是处于一个固定范围内的。因此，基于图像中像素点的R/G和B/G的值，对像素进行统计分类以确定图像光源的色温，从而实现对灰度像素点的采样，根据采样的结果，就可以得出被检测的图像的颜色均值，接下来计算灰度和平均亮度在等效亮度之间的差值，这个差异就是颜色的偏值。该方法也是主流的异常检测方法之一，但是和灰度世界法一样，对检测环境的依赖性较高，因此对低像素的图像进行检测时，往往不能达到理想的效果。1.1.2视频亮度异常检测在对图像质量指标进行衡量时，图像的亮度是一个及其重要的指标。当摄像头出现故障、增益控制受到干扰、光照条件异常等都会导致视频亮度下降。在亮度检测中，出现的一个问题是，参考模型的获取十分困难，这就会对进行对比度误差的获取造成很大的难度，所以RGB颜色空间在此就不能被使用，为了解决这个难题，常常会用到CIELab颜色空间。CIELab颜色空间的优点之一就是比RGB颜色空间更类似于我们人的视觉感官。它自身具有检测数据均匀性的优质能力，该能力可以与人肉眼的感官神经的亮度感应完成匹配。因此，可以通过改变CIElab颜色空间中L分量的输出色阶，实现对颜色的精确平衡，同时也可以通过L分量进行亮度的对比调节。一种亮度异常检测方法是基于颜色空间的偏主观判断方法，即根据公式(1.1)统计M*N大小的图像在L分量上的均值：(1.1)如公式(1.2)所示：如果L分量均值超过偏亮阀值Tb，则偏亮可能帧数Cb+1，偏暗可能帧数Cd-1；如果L分量均值低于偏暗阀值Td,则偏暗可能帧数Cd+1，偏亮可能帧数Cb-1；(1.2)在上述基础上，设当一个阈值，该阈值为时间Tt，当连续出现偏亮异常时，且帧数Cb已经大于时间阈值时，此时就可以明确出现了偏亮异常；当连续出现偏暗异常时，且帧数Cd大于时间阈值时，此时可以明确出现了偏暗异常。该方法在检测视频亮度异常时，检测速度快，准确率高，但是该方法也存在一个问题，由于观察者对图像的观测具有主观性，即对于不同的人应当选取不同的阈值，这就意味着在默认同一个阈值的情况下，就无法实现对不同检测环境下的异常检测。1.1.3视频信号中断检测在我们的日常生活中，出现信号中断的主要原因是受到了人为的影响，供电系统是信号的来源，传输线路是信号的传播介质，出现视频信号中断的主要原因是二者受到了人为的破坏。如果不能及时发现信号中断并做出处理，就会让一些不法分子有机可乘。信号中断会造成长时间的监控画面缺失，缺失了监控画面，摄像头便形同虚设，为了快速发现信号中断问题，避免因此造成的损失，就要用到信号中断检测技术。对于信号中断的检测，常常使用的是物理方法，即通过专业的设备来检测，对于一般的摄像头，如果想要对其进行信号中断检测，可以使用传统的电子设备，只要能确定视频信号的传输是否存在问题，就可以判断出该摄像头是否出现了信号中断异常。相比于一般的摄像头，网络摄像机的异常则需要不同的方法来检测，通常通过输入特定的代码和使用配套的检测器来检查网络是否存在断开的状态。可以看出，使用传统的方法来检测信号中断，都需要使用到一些专业的检测器，这就使得中断检测的成本变高，且检测的复杂性也更大，物理设备存在的最大问题是，会被环境影响，从而在中断检测中产生一定的误差，由于误差的出现，检测难度会变得更大。在一些大型的超市和工厂，监控画面直接存放在硬盘录像机中，这就意味着视频的信号会直接传入录像机中，在出现视频信号中断时，录像机会对中断异常做出检测，迅速完成异常判断，在检测到异常后会在监控画面中出现“视频中断”的字样来提示人们。相比于传统的中断检测，这样的检测方法更加智能，节约了人力和物力资源。1.1.3摄像头遮挡检测在通常情况下，如果监控系统出现了摄像头被遮挡的情况，则图像的亮度也会出现变化，由于监控画面的图像没有显著的边缘特征，可以采用基于梯度特征的算法来对信号中断即摄像头遮挡进行检测。首先将视频序列转换为灰度图，然后计算图像中每个像素的梯度值大小。其中I是图像像素的值，(i,j)表示像素的坐标。像素点(i，j)的梯度表示为公式(1.3)：（1.3）Δx(i，j)和Δy(i，j)分别表示水平方向梯度和竖直方向梯度。像素点(i，j)的梯度模，即梯度值的大小表示为公式(1.4)：（1.4）设定阀值T1，判断像素点梯度模与阀值的大小，如果|gradf(i，j)|大于阀值T1，则计数器C＋1，对整幅图像进行判断，得到Ctotal，再设定摄像头遮挡边缘像素点数量阀值T2，进行比较，如果Ctotal>T2，则不产生摄像头遮挡报警，否则产生报警。在实际应用中，在进行阈值设定的时候，要考虑诸多条件，不正确的阈值设定会导致错误的报警，会引起人力和物理资源的浪费。所以在阈值的设定时，要进行综合考虑，即设定的阈值对应的情况应该是出现整个摄像头都被遮挡，在这样的情况下警报才会触发。1.2本文算法1.2.1特征提取梯度特征的提取离不开图像的灰度化处理，所以先对灰度和梯度做出介绍。灰度是黑白图像上每个像素点的颜色值，对于每一幅正常的彩色图像而言，不同的色彩都是由三原色构成：红色(R)、绿色(G)和蓝色(B)。要对彩色图像进行处理，就要将RGB分量进行灰度化处理，如图1.1，1.2所示。如果原点的颜色为RGB(R，G，B)，则可以用以下方法转换为灰度：浮点算法:(1.5)整数方法:(1.6)移位方法:(1.7)平均值法:(1.8)仅取灰度:(1.9)图1.1原始图像图1.2灰度图像对灰度进行微分，即可得出灰度的变化率，这种变化率就是梯度。图1.3，1.4为正常图像和梯度化处理后的图像。在认识灰度和梯度后，接下来就是对梯度特征的提取，主要分为以下几个步骤：将颜色空间和gamma空间标准化；将图像进行归一化处理，然后将其转化为灰度图。对图像的梯度进行计算；在一幅图像中，每一个像素点都有其对应的梯度值，例如对于一个坐标为(x，y)的像素点来说，其梯度值的计算公式(1.10)，(1.11)如下所示：(1.10)(1.11)其中Gx为水平方向梯度，Gy为垂直方向梯度，H为像素值。构建梯度直方图；将图像分成多个像素单元(cell)，对梯度方向进行9个区间的划分，对不同单元像素的梯度方向在各个区间进行直方图统计，就可以得到对应9个区间的9维特征向量。块内归一化和梯度特征的获取；将相邻的4个单元构成一个块，每个块就集齐了4个单元的特征向量，将这些组合的特征向量进行串联，就可以得到其梯度特征。图1.3原始图像图1.4梯度图像1.2.2算法设计在基于梯度和灰度特征的异常检测中其最核心的思想就是得到视频中每一帧图像的灰度直方图，利用背景模型的灰度直方图和待检测图像的灰度直方图进行差异检测。在本次设计中，主要算法由全局灰度直方图和归一化分块直方图组成。在一幅图像中，将不同灰度级的像素的个数值进行统计，由于不同灰度级的发生概率不同，可以在灰度直方图中看出不同灰度等级的分布。例如当出现摄像头被遮挡的情况时，就会导致图像的亮度出现异常，从而导致灰度值产生变化。为了体现这种变化，将正常图像的灰度直方图作为背景模型，再将待检测的图像的灰度直方图与之匹配，从而计算出待检测图像与背景模型的全局灰度化差异。全局灰度直方图可以确定图像灰度的变化，但是它存在一定的局限性，当较大的运动物体出现在监控器范围内，会导致全局灰度直方图发生变化，对于这种误报现象的出现，要做出弥补的方法，即使用分块直方图的方法来解决这类问题。在此引入了归一化算法，该算法可以对不同数量的纲造成的不利影响进行处理，利用已知的不变矩阵，来计算出图片的下一组参数，从而抵消其他微小变量对图像变换产生的影响，这就是归一化的核心思想。使用图像的归一化算法来查找图像中的不变量，用以判断这些图像最初是不是相同的或属于同一类型的。构建目标归一化矩阵，确定区间，把归一化后的数据按公式计算得出一行中的各个归一化后的数据并记录。通过全局灰度直方图和归一化分块直方图灰的算法的共同使用，可以有效地识别图像是否存在异常，并且对一些不必要的错误检测进行剔除。在进行异常检测时的主要流程为：选用正常的图像作为背景模型，对视频进行操作，获得每一帧的图像，再将其进行灰度化处理，通过计算全局灰度差异和归一化处理，提取待检测图像的信息，通过与背景模型的对比，判断该帧画面是否出现异常。如果在多帧图像中存在连续的异常，就可以确定出现异常，并做出异常提醒。1.2.3算法流程算法流程主要为：(1)规定图像参数，将背景模型的图像帧数设置为前50帧，对图像的前50帧图像的参数与规定参数对比，参数差值在正常范围内，则将其灰度直方图作为背景模型，反正则直接输出异常。(2)对剩余的图像帧进行异常检测，对其进行灰度化处理，计算出其与背景模型的全局灰度差异。差值若小于阈值，则图像正常，并依次对下一帧图像进行检测；反之则判定为异常，并将异常输出，然后对下一帧图像进行检测。(3)若差值小于阈值，则图像正常，反之则判定为异常，并作出异常提示。接下来对下一帧图像进行检测，直到所有的帧数检测完毕。算法流程图如1.5所示。图1.5算法流程图1.3对比算法本次设计使用到了一种基于颜色特征的视频异常检测算法，并将其作为对比算法。使用RGB颜色直方图对图像的颜色特征进行提取，RGB颜色直方图可以很好的反映出图像的颜色分布，对于不同颜色的分布，表达式如下：(1.12)其中L为特征个数，k为图像的特征取值，n为像素的个数，N为像素总数。通过该公式，可以计算出RGB颜色空间中不同颜色通道的平均亮度值，得到该图像在R、G和B三个通道中的颜色分布