一种二次直方图算法在智能监控系统中的应用bak剖析.docxVIP

一种改进的图像相似度算法在监控系统中的应用（上海保安服务总公司）摘要：针对传统图像相似度匹配算法缺乏对图像空间信息描述的缺点，结合视频监控图像的特点，提出将图像二值化方法引入到图像相似度计算，通过实际图片测试验证，取得了很好的效果。关键词：二值化图像相似度算法1引言目前，以视频监控报警联网系统为技术支撑的社会治安防控体系正在各地建立，为社会治安管理实现“全面控制、重点防范、快速反应、精确打击”的目标提供了有力的科技支撑，监控摄像机做为系统的核心的作用也越来越凸显，摄像机监控范围的准确性也成为安防信息系统平台的考核指标之一。当前110区域联网与报警系统中的视频复核系统对摄像机监控范围的准确性判断（主要是摄像机是否被移动或遮挡的判别）大多依靠人工抽检完成，方法如下：首先在本地摄像机安装完成后提供一张标准监控图片并上传到区域联网报警中心平台，然后在每天固定时间在自动抓拍一张监控实时图片，最后人工比较二张图片，如果监控范围发生异常，人工报警。但随着视频与报警系统的覆盖范围加大，摄像机的数量也在爆发式增长，再依靠这种人工判断方式不仅费时、费力，而且也对监控系统的威慑力造成损害，因此我们提出了建设基于图像特征的智能判断摄像机监控范围的算法和解决方案，由计算机对摄像机图片和基准图片进行相似度智能判读，经过测试应用取得了较好的效果。2基本算法图像匹配的算法很多，但基木原则是不变的：即有效性，稳定性以及实时性。本文将匹配算法分为基于区域的匹配方法、基于特征的匹配方法和基于模型的匹配三种。基于区域的匹配方法又称为基于图像灰度的匹配方法，通常直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。基于图像灰度的匹配方法不需要对图像做特征提取，而是直接利用全部可用的图像灰度信息，因此能提高估计的精度和鲁棒性。但是它计算量大，难以达到实时性要求，而且一旦进入信息贫乏区域，会导致误匹配率的上升。基于图像特征的配准方法需要对图像进行预处理，然后提取图像中保持不变的特，如边缘点、闭区域的中心、线特征、面特征、矩特征等，作为两幅图像配准的参考信息。这类方法的主要优点足它提取了像的显著特征，大大压缩了图像的信息量，使得计算量小，速度较快，而且它对图像灰度的变化不敏感。基于模型的匹配方法在计算机视觉领域中的应用非常广泛，它可以分为刚体形状匹配和变形模板匹配两大类。Kass提出的Snake主动轮廓模型是比较典型的自由式变形模板模型。由于不受全局结构的限制，所以Snake模型能表示任意的形状，但是该模型对于模板的初始位置和噪声比较敏感，对伊凹边缘的收敛性较差，而且容易陷入局部最小值。经过分析比较，我们采用基于特征的图像相似度算法，不拘泥于原算法，又有所改进，加进了图像预处理的二值化内容，算法的基本原理如下：2.1灰度直方图灰度直方图是数字图像在灰度空间中关于图像灰度的统计信息，可以看作是数字图像的一种特征。基于这个特征的相似性度量就可以计算不同图像之间的相似性，完成基于灰度直方图的图像相似度判别。对于大小为MxN的灰度图像BW，在灰度空间内，其灰度直方图的向量表示形式为： G(BW)={(BW),(BW),(BW),,(BW),,(BW)} i[0,1,,n]其中，(BW)=Nop(i|BW)表示灰度级为i(i[0,1,,n])像素点个数，而且：=MxN由灰度直方图的定义可知，每个灰度值的像素数和图像的大小相关，为了消除图像大小对相似度量的影响，需要对灰度图像进行归一化处理，灰度归一化公式为：(BW)=经过灰度归一化处理后，所得到的(BW)和图像的大小没有关系，经过归一化的灰度直方图具有RST不变性，即旋转不变性（rotation invariance）、尺度不变性（scale invariance）、平移不变性(transfer invariance)。2.2图像自适应二值化图像的二值化处理就是将图像上的点的灰度置为0或255，也就是使整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值化图像占有非常重要的地位，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素的值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小，处理速度快，可以方便地对图像进行布尔逻辑运算等特点。更重要的是，在二值图像的基础上，还可以进一步对图像处理，获得该图像的一些几何特征或者其他更多特征。对图像进行二值化处理方法很多关键在于阈值T的选取，在很多情况下,整幅图像用一个固定的阈值去分割并不能给出良好的分割