一種入侵檢測和識別方法
2023-10-11 02:25:24 2
專利名稱：一種入侵檢測和識別方法
技術領域：
本發明涉及視頻監控技術領域，特別是一種集成多種識別技術的視頻監控方法。
技術背景
目前，視頻監控應用非常廣泛。家庭、辦公樓、社區等等，通過視頻自動監控，大量的節省了人力物力。但是，不足是現在的大部分視頻監控只能對監控區域內的環境進行錄像監控，而無法對區域內的人進行自動識別，無法自動識別陌生人，然後採取相應的安防措施。
進行人自動識別，常用的技術包括人體識別、人臉識別。其中人臉識別識別率比較高，但是往往需要被識別人擺正姿勢，然後正對攝像頭進行拍照/錄像才能進行準確識別， 但是對於小偷、恐怖分子等入侵人員，要實現完成的標準臉部照相，然後識別是不可能的。 所以，實時的視頻監控中僅採用人臉識別技術，所取得的識別率準確率是非常有限的。相對於人臉識別，人體識別它利用了人體肩部及以上區域的輪廓形狀基本穩定，不易受到遮擋等優勢，考慮不變矩具有平移、旋轉和縮放不變性，用以處理不同側而肩部形狀的變化，建立人體頭部和肩部形狀的二維識別模型，然後再進行識別。但是，僅使用人體識別，對於實時的動態入侵檢測和識別，還是不夠的。發明內容
本發明的目的針對上述的現有問題，提出一種應用於視頻監控領域的入侵檢測和識別方法，它可以集成多種人識別技術，同時充分發揮分布式協作技術，用以提高識別效率，提高家庭、社區等的安全防護效率。
本發明通過如下方案實現
一種入侵檢測和識別方法，為依次通過視頻數據採集、圖像識別、最後根據識別結果進行安全控制的方法，其特徵在於，還包括步驟
a).通過圖像傳感器採集視野區域內的實時視頻；
b).劃分視頻段，並從視頻段中分離出每幀的圖像，利用背景差分檢測出運動目標和區域，然後通過過濾器從視頻段內選出記錄的運動目標的大小/形狀最接近閥值的代表幀圖像；
c).利用背景差分從該代表幀圖像提取運動目標，然後建立運動人體的頭肩二維模型並計算模型輪廓的不變矩形成特徵向量；利用第一分類器進行人體目標的識別；
d).根據人體目標識別的結果，如果可判定為陌生人，則主控系統通過控制總線啟動本地或網絡報警裝置進行報警；如果不能準確判斷是否為陌生人，則進行人臉識別步驟；
e).進行人臉識別時，從代表幀圖像內提取人臉的全局或局部特徵；
如果能提取人臉的全局或局部特徵，則通過第二分類器判斷主控系統資料庫內是否存在與運動目標的人臉相同的圖像；存在，則主控系統為該人進行授權允許其進行與其相關的操作；否則啟動本地或網絡報警裝置進行報警；
若無法從代表幀圖像內提取人臉的全局或局部特徵，則主控系統啟動雲識別步驟；
f).雲識別步驟，主控系統將該代表幀圖像發送到雲平臺，然後再由雲平臺轉發到用戶的網絡終端；用戶利用網絡終端，通過人眼進行人工識別，如果判斷為認識的人，允許主控系統對該運動目標進行操作授權，否則判定為入侵的陌生人，用戶通過網絡終端控制主控系統報警或停止該運動目標在系統的操作。
作為優選，所述的圖像傳感器以5 15幀/秒的速度進行視頻圖像採集；所述的視頻段長度為1 5分鐘。
進一步，所述的運動人體的頭肩二維模型建立時，先計算運動目標的寬高比，並判斷是否在0. 28 0. 36 ；計算垂直方向投影直方圖，找出頭頂附近的局部最大值，確定頭部寬度；最後計算頭肩長度，然後建立頭肩模型；當抽取頭肩模型失敗時，則認為屬於非人體的活動目標。
更進一步，所述的人臉識別時，所用的第二分類器為由全局分類器和局部分類器通過加權求和的方式進行並行集成得到整體分類器。所述的用戶的網絡終端通過本地安裝的客戶端進行接收來自雲平臺的圖像，同時進行控制信號交互和數據傳輸。
綜上所述，本發明具有如下顯著特點
1.採用多種技術，集成了人體識別、人臉識別、雲識別和人工輔助識別，可有效提高識別效率和準確率。
2.通過劃分視頻段、選取代表幀圖像等技術手段，可以降低視頻處理量，提高實時識別、實時報警的效率。
圖1是發明方法的核心步驟組成示意圖2是人體識別框圖3是發明方法的具體流程圖。
具體實施方式
參考圖1，本發明方法集成了人體識別、人臉識別、雲識別技術。在實現入侵檢測和識別時，首先通過進行實時的視頻採集，對區域內的進行運動目標進行監控，同時為識別提供素材。然後，對視頻進行預處理，包括劃分視頻段，分離出每幀的圖像、選代表幀圖像等，最後，依次通過人體識別、人臉識別、雲識別及用戶人工協助識別。
參考圖3，為本發明的實現的主要流程。首先
見步驟101，通過圖像傳感器採集視野區域內的實時視頻；採集速率以5 15幀/ 秒的速度為適宜，其中優選方案為10幀/秒。與傳統的為了提高實時性，而強調採集速率不同，本發明採集的視頻為了滿足後期的多重識別處理，所以採集速率不必太高，如果太高必定加大識別的計算量，反而不利於識別準確率和效率的提高；
步驟102，主控系統的視頻處理模塊將採集的實時視頻輸入進行分割劃分為視頻段。劃分時候可以批量劃分，也可以按順序進行按需劃分。視頻段長度為1 5分鐘。具體可以根據圖像傳感器或攝像設備所覆蓋的區域，然後估算人正常走過該區域所需要的時間來決定視頻段的長度。
步驟103，從視頻段中分離出每幀的圖像，然後利用背景差分檢測出運動目標和區域，提取運動目標。步驟104，當採用背景差分無法從該視頻段內提取運動目標時，也就說明該時間段內沒有運動目標也就沒有進行識別的對象、沒有入侵者，所以可以進行下一視頻段處理，轉回到102 ；當提出到運動目標時候，進入步驟105 ；
步驟105，通過主控系統的過濾器從視頻段內選出記錄的運動目標的大小/形狀最接近閥值的代表幀圖像。代表幀圖像可以是該視頻段內記錄的運動目標最大的幀，也可以是記錄的運動目標元素最多、輪廓最清楚的一幀。具體實施可以做進一步定義。
步驟106，從代表幀圖像中提取運動目標；
步驟107，主控系統內的人體識別模塊將建立該運動人體的頭肩二維模型並計算模型輪廓的不變矩形成特徵向量。參考圖2，為進行人體識別的時候的整個流程框圖。特徵向量提取後，將通過第一分類器即BP網絡分配器進行識別並輸出分類結果；其中BP網絡分配器從樣本集中，通過BP網絡訓練來不斷更新或修正。運動人體的頭肩二維模型建立時， 先計算運動目標的寬高比，並判斷是否在0. 28 0. 36 ；計算垂直方向投影直方圖，找出頭頂附近的局部最大值，確定頭部寬度；最後計算頭肩長度，然後建立頭肩模型；當抽取頭肩模型失敗時，則認為屬於非人體的活動目標。
步驟108，判斷是否能夠從代表幀圖像形成頭肩二維模型或能否提取特徵向量，如果可以則通過第一分類器進行人體識別，轉到109 ；否則說明運動目標不是人，不需要進行下一步的人臉識別。
步驟109，第一分類器進行人體識別，如果識別結果是陌生人，則轉到步驟110，主控系統通過控制總線啟動本地或網絡報警裝置進行報警，並禁止其後續的各類操作。如果無法進行準確識別，則啟動人臉識別程序，進入步驟111.
步驟111，系統從代表幀圖像內提取人臉的全局或局部特徵；
步驟112，判斷能否提取人臉的全局或局部特徵，如果能提取則轉到113，否則啟動雲識別，進入115;
步驟113，利用第二分類器進行人臉識別。第二分類器判斷主控系統資料庫內是否存在與運動目標的人臉相同的圖像；存在，則轉到步驟114，主控系統為該人進行授權允許其進行與其相關的操作；否則啟動本地或網絡報警裝置進行報警。如果根據提取到的人臉特徵無法進行判斷，則啟動雲識別。第二分類器為由全局分類器和局部分類器通過加權求和的方式進行並行集成得到整體分類器。
步驟115，主控系統通過網絡將代表幀對應的圖像發送到雲平臺。
步驟116，雲平臺根據主控系統之間協定的轉發機制，將該圖像轉發到一個或多個用戶對應的網絡終端，通過人工實現識別。
步驟117，用戶應的網絡終端收到該圖像，用戶判斷是否為熟悉的人，如果是則直接或間接反饋至主控系統，允許對該目標授權(步驟119)；否則禁止其後續的操作，通過啟動本地或網絡報警裝置進行報警(步驟120)。用戶的網絡終端可以通過本地安裝的客戶端進行接收來自雲平臺的圖像，同時進行控制信號交互和數據傳輸。
權利要求
1.一種入侵檢測和識別方法，為依次通過視頻數據採集、圖像識別、最後根據識別結果進行安全控制的方法，其特徵在於，還包括步驟a).通過圖像傳感器採集視野區域內的實時視頻；b).劃分視頻段，並從視頻段中分離出每幀的圖像，利用背景差分檢測出運動目標和區域，然後通過過濾器從視頻段內選出記錄的運動目標的大小/形狀最接近閥值的代表幀圖像；c).利用背景差分從該代表幀圖像提取運動目標，然後建立運動人體的頭肩二維模型並計算模型輪廓的不變矩形成特徵向量；利用第一分類器進行人體目標的識別；d).根據人體目標識別的結果，如果可判定為陌生人，則主控系統通過控制總線啟動本地或網絡報警裝置進行報警；如果不能準確判斷是否為陌生人，則進行人臉識別步驟；e).進行人臉識別時，從代表幀圖像內提取人臉的全局或局部特徵；如果能提取人臉的全局或局部特徵，則通過第二分類器判斷主控系統資料庫內是否存在與運動目標的人臉相同的圖像；存在，則主控系統為該人進行授權允許其進行與其相關的操作；否則啟動本地或網絡報警裝置進行報警；若無法從代表幀圖像內提取人臉的全局或局部特徵，則主控系統啟動雲識別步驟；f).雲識別步驟，主控系統將該代表幀圖像發送到雲平臺，然後再由雲平臺轉發到用戶的網絡終端；用戶利用網絡終端，通過人眼進行人工識別，如果判斷為認識的人，允許主控系統對該運動目標進行操作授權，否則判定為入侵的陌生人，用戶通過網絡終端控制主控系統報警或停止該運動目標在系統的操作。
2.如權利要求1所述的入侵檢測和識別方法，其特徵在於，所述的圖像傳感器以5 15幀/秒的速度進行視頻圖像採集。
3.如權利要求1或2所述的入侵檢測和識別方法，其特徵在於，所述的視頻段長度為 1 5分鐘。
4.如權利要求3所述的入侵檢測和識別方法，其特徵在於，所述的運動人體的頭肩二維模型建立時，先計算運動目標的寬高比，並判斷是否在0. 28 0. 36 ；計算垂直方向投影直方圖，找出頭頂附近的局部最大值，確定頭部寬度；最後計算頭肩長度，然後建立頭肩模型；當抽取頭肩模型失敗時，則認為屬於非人體的活動目標。
5.如權利要求4所述的入侵檢測和識別方法，其特徵在於，所述的人臉識別時，所用的第二分類器為由全局分類器和局部分類器通過加權求和的方式進行並行集成得到整體分類器。
6.如權利要求1、2、4、5任一所述的入侵檢測和識別方法，其特徵在於，所述的用戶的網絡終端通過本地安裝的客戶端進行接收來自雲平臺的圖像，同時進行控制信號交互和數據傳輸。
全文摘要
本發明公開一種應用於視頻監控領域的入侵檢測和識別方法，它可以集成了人體識別、人臉識別、雲識別和人工輔助識別，採用了劃分視頻段、選取代表幀圖像；利用背景差分檢測出運動目標和區域，然後通過過濾器從視頻段內選出記錄的運動目標的大小/形狀最接近閥值的代表幀圖像；利用背景差分從該代表幀圖像提取運動目標，然後建立運動人體的頭肩二維模型並計算模型輪廓的不變矩形成特徵向量；利用第一分類器進行人體目標的識別等技術授權，從而可以降低視頻處理量，提高實時識別、實時報警的效率，提高家庭、社區等的安全防護效率。
文檔編號G06K9/00GK102521578SQ201110427589
公開日2012年6月27日 申請日期2011年12月19日 優先權日2011年12月19日
發明者盧林發, 葉燦才, 黃家祺 申請人:中山愛科數字科技股份有限公司