对智能视频监控系统中干扰检测及分类探究.docVIP

对智能视频监控系统中干扰检测及分类探究 　　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0～32，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，0～255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），而直方图宽度代表为Δω 如果智能视频的图像有异常，会使Δω减小，使得1/Δω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