攝影機的異常偵測方法
2023-07-26 03:44:51
攝影機的異常偵測方法
【專利摘要】本發明公開了一種攝影機的異常偵測方法，包含：取得攝影機的擷取圖像；偵測擷取圖像的色彩飽和度；當擷取圖像的色彩飽和度低於第一門檻值，判定攝影機進入夜間拍攝模式，相反則為日間拍攝模式；根據日間或夜間的判斷，選擇適當的背景模型；及以擷取圖像比對背景模型的圖像邊緣所構成的場景結構判定擷取圖像是否異常。
【專利說明】攝影機的異常偵測方法
【技術領域】
[0001]本發明與監視攝影系統有關，特別是一種攝影機的異常偵測方法。
【背景技術】
[0002]目前市面上的監視攝影系統，可擷取監視場景的圖像，並同步地顯示於顯示器，以供人員即時由顯示器觀看一個或多個場景的圖像。監視攝影系統所擷取的圖像可以進一步記錄於錄影帶或電腦硬碟等儲存媒體，以在特定事件(如竊盜事件)發生的後，重新播放該圖像以確認事件發生過程。
[0003]然而，為了避免宵小在為犯罪行為的前先對攝影機施以斷線/轉向/失焦/噴漆/以物遮蔽等手法，造成監視系統錄下無效的圖像。現有防範方式之一是對攝影機加裝偵測迴路，以偵測攝影機是否與監視系統之間保持連線。但此偵測迴路只能達成攝影機與錄影機的圖像傳輸線遭剪斷的警示。
[0004]為了偵測攝影機是否被轉向，另一種防範方式是將位移感應器(如三軸陀螺儀或三軸加速規)裝設於攝影機，通過位移感應器偵測攝影機是否有位移的情形。然而，此種方法只能支援攝影機轉向，若攝影機遭受遮蔽、失焦等情況，此方法將無法偵測出此異常狀態。
[0005]因此，還有一種防範方式是針對攝影機所擷取的圖像與背景基圖進行比對，偵測是否攝影機有遮蔽、失焦等異常事件發生。然而，當環境燈光或光線有重大改變時(如瞬間關燈或開燈)，為避免偵測錯誤而發生誤報，需由人員手動設定新的背景模型樣本，這樣不便的流程將對人員產生額外的負擔，使得圖像偵測無實質效益。
【發明內容】
[0006]鑑於以上的問題，本發明提供一種攝影機的異常偵測方法，藉以解決先前技術所存在針對光線變化人員需手動設定新的背景模型樣本的問題。
[0007]本發明之一實施例提供一種攝影機的異常偵測方法。其中，攝影機具有一日間拍攝模式及一夜間拍攝模式。異常偵測方法包含:取得該攝影機所拍攝的一擷取圖像；偵測該擷取圖像的色彩飽和度；當該擷取圖像的色彩飽和度低於一第一門檻值時，判定該攝影機進入夜間拍攝模式或日間拍攝模式；根據該攝影機的拍攝模式選擇對應的一背景模型；及根據該背景模型判定該擷取圖像是否異常。
[0008]根據該攝影機的拍攝模式選擇對應的該背景模型包含:
[0009]根據該攝影機分別於該日間拍攝模式或該夜間拍攝模式所拍攝的一背景圖像，建立該背景模型；
[0010]當該攝影機進入日間拍攝模式時，選擇對應該日間拍攝模式的該背景模型；及
[0011]當該攝影機進入夜間拍攝模式時，選擇對應該夜間拍攝模式的該背景模型。
[0012]還包含:
[0013]於一背景圖像中平均選取多個取樣點，以該些取樣點的邊緣強度建立一邊緣特徵模型；
[0014]將該背景圖像切割為二維分布的多個場景區塊而形成一場景結構模型，其中各該場景區塊與鄰近的該場景區塊部分重疊；及
[0015]合併該邊緣特徵模型及該場景結構模型為該背景模型。
[0016]各該場景區塊與鄰近的該場景區塊部分重疊。
[0017]根據該背景模型判定該擷取圖像是否異常，包含:
[0018]根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及
[0019]若該些取樣點的邊緣特徵均不存在，則判定發生失焦事件。
[0020]根據該背景模型判定該擷取圖像是否異常，包含:
[0021]根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及
[0022]若部分該些取樣點的邊緣特徵不存在，則判定發生遮蔽事件。
[0023]若部分該些取樣點的邊緣特徵不存在，則判定發生遮蔽事件，包含:
[0024]比對該擷取圖像的多個連續幀中分別對應的該些場景區塊是否相似；及
[0025]當不相似的該些場景區塊於各連續幀中的對應位置為連續變化，則判定發生遮蔽事件。
[0026]根據該背景模型判定該擷取圖像是否異常，包含:
[0027]根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及
[0028]若該些取樣點的邊緣特徵均存在，則判定發生開關燈事件。
[0029]根據該背景模型判定該擷取圖像是否異常，包含:
[0030]根據該場景結構模型判定該擷取圖像的場景結構是否改變；
[0031]若該擷取圖像的場景結構改變，則判定發生轉向事件。
[0032]還包含:
[0033]若該擷取圖像無異常，將該背景模型中該背景圖像的該些取樣點的邊緣特徵及該些場景區塊更新為當前的該擷取圖像中的該些取樣點的邊緣特徵及該些場景區塊。
[0034]根據本發明的攝影機的異常偵測方法，可結合邊緣特徵及場景結構，做為偵測異常事件的背景模型(即邊緣特徵模型與場景結構模型)。由於邊緣特徵在不同光源下具有強健性，即使在低光源環境下，通過紅外線圖像仍可保有邊緣特徵，因此本發明的攝影機的異常偵測方法可適用於任何光強度的環境，並可抵抗劇烈光線變化，避免誤報情形。再者，本發明的攝影機的異常偵測方法進一步根據邊緣特徵模型與場景結構模型分析異常事件的類型，而可區分出失焦事件、遮蔽事件、轉向事件及震動事件(微幅轉向)等。
【專利附圖】
【附圖說明】
[0035]圖1為根據本發明一實施例的監視攝影系統的架構示意圖。
[0036]圖2為根據本發明一實施例的攝影機的異常偵測方法流程圖。
[0037]圖3為根據本發明一實施例的攝影機的異常偵測方法的初始化流程圖。
[0038]圖4A為根據本發明一實施例的邊緣特徵模型的示意圖。
[0039]圖4B為根據本發明一實施例的場景結構模型的示意圖。
[0040]圖5A為根據本發明一實施例的圖像分析軟體的架構示意圖。
[0041]圖5B為根據本發明一實施例的場景結構模型偵測單元的架構示意圖。[0042]圖5C為根據本發明一實施例的邊緣取樣模型偵測單元的架構示意圖。
[0043]圖6為圖2所示的流程圖中步驟S250的細部流程圖。
[0044]圖7為根據本發明一實施例的攝影機的另一異常偵測方法流程圖。
[0045]其中，附圖標記:
[0046]100監視攝影系統110監視主機
[0047]130攝影機150錄影機
[0048]170顯示器400背景圖像 [0049]410取樣點420場景區塊
[0050]500圖像分析軟體510圖像擷取模塊
[0051]512色彩轉換單元514邊緣演算單元
[0052]516 二值化單元530光變化偵測模塊
[0053]532色彩飽和度偵測單元534邊緣數量偵測單元
[0054]536場景結構模型偵測單元538連續區塊遮蔽偵測單元
[0055]550攝影機異常偵測模塊552場景結構模型偵測單元
[0056]5521背景區塊切割子單元5523模糊比對子單元
[0057]5524場景結構比對子單元554邊緣取樣模型偵測單元
[0058]5541前景偵測子單元
[0059]5543不穩定取樣點分析子單元5545高斯模型建置子單元
[0060]570異常發報模塊572異常判斷單元[0061 ]574異常計數單元576異常發報單元
【具體實施方式】
[0062]圖1為根據本發明一實施例的監視攝影系統100的架構示意圖。
[0063]如圖1所示，監視攝影系統100可包含監視主機110、攝影機130、錄影機150及顯示器170。監視主機110實質可為電腦主機(如基於x86架構的電腦系統)或嵌入式主機(如基於ARM、SoC或DSP架構的嵌入式系統)，用以運行一圖像分析軟體，並可接收來自攝影機130及錄影機150的圖像信號，而將這些圖像信號輸出至顯示器170顯示。
[0064]攝影機130可設置於監視區域而朝特定方向攝影，根據使用需求可設置一個或多個攝影機130。於此，攝影機130可為數字攝影機，而可經由監視主機110的圖像擷取卡或網絡卡等介面與監視主機110信號連接，使監視主機110可接收攝影機130拍攝的圖像，並於顯示器170顯示擷取圖像。攝影機130亦可為模擬攝影機，將擷取的圖像以模擬信號方式輸出至錄影機150 (如經由同軸電纜線信號連接於攝影機130與錄影機150之間)。錄影機150可為數字視頻錄放影機(Digital video recorder, DVR),用以即時備份所連接的攝影機130的擷取圖像，並將此擷取圖像進一步轉換為數位訊號後傳送至監視主機110以於顯示器170顯示。顯示器170可為陰極射線管顯示器或液晶顯示器等。
[0065]於此，本發明實施例所指的攝影機130可為紅外線攝影機，具有紅外線攝影功能。通過紅外線攝影功能的啟用與否，可獲得紅外線攝影圖像或彩色攝影圖像。並且，攝影機130具有光偵測器，可偵測環境光強度，以於環境亮度不足時，自動啟用紅外線攝影功能，藉以克服亮度不足造成擷取圖像不清晰的問題。[0066]換言之，本發明實施例所指的攝影機130具有日間拍攝模式及夜間拍攝模式，於日間拍攝模式可擷取彩色圖像，當進入夜間拍攝模式時，攝影機130將開啟其內的紅外線裝置而拍攝紅外線圖像。
[0067]圖2為根據本發明一實施例的攝影機130的異常偵測方法流程圖。通過監視主機110運行的圖像分析軟體及攝影機130，執行圖2所示的攝影機130的異常偵測方法。
[0068]請參照圖2。首先，取得攝影機130所拍攝的擷取圖像(步驟S210)。接著，偵測擷取圖像的色彩飽和度(步驟S220)。當擷取圖像的色彩飽和度低於第一門檻值時，判定攝影機130進入夜間拍攝模式或日間拍攝模式(步驟S230)。續而，根據攝影機130的拍攝模式選擇對應的背景模型(步驟S240)。若攝影機130處於日間拍攝模式，則選擇對應日間拍攝模式的背景模型；若攝影機130處於夜間拍攝模式，則選擇對應夜間拍攝模式的背景模型。最後，根據所選擇的背景模型判定擷取圖像是否異常(步驟S250)，即可知悉攝影機130是否異常。
[0069]於此，如前所述，攝影機130可為紅外線攝影機，而可自動偵測環境光強度。當攝影機130於日間拍攝模式偵測到環境光強度低於第二門檻值(如10勒克司(Lux))時，攝影機130自動切換至紅外線攝影模式(即夜間拍攝模式)，以取得為紅外線圖像的擷取圖像。反之，則自夜間拍攝模式切換至日間拍攝模式。
[0070]也就是說，當監視區域光線不足時(如關燈時)，攝影機130切換至紅外線攝影模式，攝影機130的擷取圖像因此為紅外線圖像，擷取圖像的色彩飽和度也隨之降低。為了進一步區別攝影機日間與夜間的切換或鏡頭失焦、遮蔽等異常事件，除了色彩飽和度必須低於第一門檻值，場景結構與邊緣信息也需要符合特定條件，才能正確區分攝影機日間與夜間的切換或鏡頭失焦、遮蔽等異常事件。
[0071 ] 在一些實施例中，前述步驟S240可包含下列步驟:首先，根據攝影機130分別於日間拍攝模式或夜間拍攝模式所拍攝的背景圖像，建立背景模型。接著，當攝影機130進入日間拍攝模式時，選擇對應日間拍攝模式的背景模型；當攝影機130進入夜間拍攝模式時，選擇對應夜間拍攝模式的背景模型。
[0072]圖3為根據本發明一實施例的攝影機130的異常偵測方法的初始化流程圖。在執行本實施例的攝影機130的異常偵測方法的初(即在步驟S210與步驟S220之間)，需先利用邊緣信息建立場景結構模型並採用混合式高斯模型(Gaussian mixture model)建立邊緣特徵模型，如圖3所示，其步驟包含:
[0073]步驟S301:於攝影機130擷取的一背景圖像(即背景場景圖像)中平均選取多個取樣點410，以此些取樣點410的邊緣強度建立各取樣點410的混合式高斯模型成為邊緣特徵模型，如圖4A所示。圖4A為根據本發明一實施例的邊緣特徵模型的示意圖。圖4A所示的取樣點410數量及分布僅為示意，本發明的實施例非以此為限。混合式高斯模型僅更新平均選取的取樣點410，藉此可減少運算量，而可加速獲得運算結果。
[0074]於此，取樣點410的邊緣強度的偵測可以使用索貝爾(Sobel)圖像邊緣偵測法實現，但本發明的實施例非以此為限，亦可由其他邊緣偵測法(如Robert算子、Prewitt算子或Laplacian算子等)實現。在執行圖像邊緣偵測法的後，還可對背景圖像中各點的邊緣強度進行二值化(如Otsu演算法)演算，以判定哪些取樣點410屬於邊緣點。也就是說，經由二值化，可將該些取樣點410中邊緣強度大於特定值的點視為邊緣點。[0075]步驟S302:將背景圖像400切割為二維分布的多個場景區塊420而形成一場景結構模型，其中各場景區塊420與鄰近的場景區塊420部分重疊，如圖4B所示。圖4B為根據本發明一實施例的場景結構模型的示意圖。背景圖像可分割為mXn個場景區塊420 (m、n為正整數)，圖4B所示的場景區塊420數量僅為示意，本發明的實施例非以此為限。於此，由於相鄰的場景區塊420彼此部分重疊，因此可減低攝影機130晃動所造成的誤報。
[0076]將背景圖像400切割為多個個場景區塊420的後，可進一步建立各場景區塊420的區域性特徵，區域性特徵可為此場景區塊420中的邊緣分布與數量，利用場景區塊420的區域性特徵可組成前述的場景結構模型。
[0077]步驟S303:合併邊緣特徵模型及場景結構模型為背景模型。也就是說，背景模型包含前述的邊緣特徵模型及場景結構模型。意即，背景模型以自背景圖像400中選取多個取樣點410的邊緣特徵及將背景圖像400切割為多個場景區塊420所建立而成，藉以通過邊緣特徵及場景區塊420辨別異常事件為攝影機轉向、受遮蔽、失焦等情形。
[0078]參照圖5A，為根據本發明一實施例的圖像分析軟體500的架構示意圖。圖像分析軟體500可包含圖像擷取模塊510、光變化偵測模塊530、攝影機異常偵測模塊550及異常發報模塊570。
[0079]圖像擷取模塊510接收攝影機130的擷取圖像(如背景圖像或當前圖像)，並對其進行圖像處理。圖像擷取模塊510包含色彩轉換單元512、邊緣演算單元514及二值化單元516。色彩轉換單元512用以將三原色光(RGB)色彩空間的擷取圖像轉換為亮度與色彩分離的色彩空間(如HSV)的擷取圖像，以獲得擷取圖像的色彩飽和度參數。邊緣演算單元514可利用索貝爾(Sobel)算子運算圖像亮度函數的梯度近似值，以檢測出取樣點410的邊緣強度。二值化單元516可利用如前述Otsu演算法對取樣點410的邊緣強度進行二值化，以找出邊緣點。
[0080]光變化偵測模塊530及攝影機異常偵測模塊550接收經圖像擷取模塊510處理後的擷取圖像，並分別進行光變化偵測與攝影機異常偵測。當攝影機130的紅外線攝影功能未啟用時(即環境光線充足時)，直接以攝影機異常偵測模塊550進行異常偵測，當攝影機130的紅外線攝影功能啟用時(即環境光線不充足時)，由光變化偵測模塊530根據擷取圖像偵測到光線變化並進行異常偵測。如此，本發明實施例的攝影機130的異常偵測方法，不論光線充足與否均可適用。特別是，在此兩種不同環境亮度條件下，可分別建立前述的邊緣模型與場景結構模型。
[0081]光變化偵測模塊530包含色彩飽和度偵測單元532、邊緣數量偵測單元534、場景結構模型偵測單元536及連續區塊遮蔽偵測單元538。
[0082]色彩飽和度偵測單元532用以根據前述色彩轉換單元512所取得的色彩飽和度參數，偵測擷取圖像的色彩飽和度是否低於第一門檻值，即偵測攝影機130由日間拍攝模式轉換至夜間拍攝模式。另一方面，色彩飽和度偵測單元532亦可偵測色彩飽和度自低於第一門檻值時而大幅上升至高於第一門檻值的情形，即偵測攝影機130由夜間拍攝模式轉換至日間拍攝模式。
[0083]邊緣數量偵測單元534用以根據邊緣演算單元514的演算結果識別邊緣特徵的數量。場景結構模型偵測單元536用以將擷取圖像切割為前述多個個場景區塊420，並偵測當前擷取圖像的各場景區塊420是否與背景圖像400所對應的各場景區塊420相似。[0084]連續區塊遮蔽偵測單元538用以分辨不相似的場景區塊420是否在連續幀(frame)內沿著相鄰的場景區塊420變化，以判定是否為遮蔽物遮蔽鏡頭所造成的遮蔽事件。換言之，連續區塊遮蔽偵測單元538用以檢測是否有連續的場景區塊420的相似性低
於一第三門濫值。
[0085]攝影機異常偵測模塊550包含場景結構模型偵測單元552及邊緣取樣模型偵測單元554。前述場景結構模型偵測單元536及攝影機異常偵測模塊550的場景結構模型偵測單元552與邊緣取樣模型偵測單元554將於後述。
[0086]在此，先行說明異常發報模塊570包含異常判斷單元572、異常計數單元574及異常發報單元576。異常判斷單元572用以根據光變化偵測模塊530及攝影機異常偵測模塊550的偵測結果判斷是否發生異常事件，並判斷異常事件為何者。異常計數單元574根據異常判斷單元572判斷為異常事件的結果累計發生次數，當累計至特定次數時，通知異常發報單元576發出警報。藉以避免短暫非刻意而導致圖像畫面發生巨大的改變造成誤報的情形，如行駛車輛的頭燈、閃電等。
[0087]圖5B為根據本發明一實施例的場景結構模型偵測單元552/536的架構示意圖。
[0088]如圖5B所示，場景結構模型偵測單元552/536包含背景區塊切割子單元5521、模糊比對子單元5523及場景結構比對子單元5525。
[0089]背景區塊切割子單元5521用以將擷取圖像(如背景圖像400或當前圖像)切割為前述多個場景區塊420。於此，當前的擷取圖像同樣分割為mXn個場景區塊420 (m、η為正整數)，即場景區塊420的數量與場景結構模型的場景區塊420的數量相同。
[0090]模糊比對子單元5523利用模糊相似性(Fuzzy-similarity)演算法計算分別於場景結構模型與擷取圖像中對應的各場景區塊420之間的相似度，藉以供場景結構比對子單元5525辨識擷取圖像的場景區塊420中與場景結構模型中所對應的場景區塊420不相似者。於此，可視場景區塊420的重要程度設定權重參數，而以前述相似度與權重參數的乘積做為辨識相似與否的依據。藉此，可避免因經常性變動的區域(如走廊)而造成誤報。
[0091]圖5C為根據本發明一實施例的邊緣取樣模型偵測單元554的架構示意圖。
[0092]如圖5C所示，邊緣取樣模型偵測單元554包含前景偵測子單元5541、不穩定取樣點分析子單元5543及高斯模型建置子單元5545。
[0093]前景偵測子單元5541用以根據邊緣演算單元514的演算結果識別與邊緣特徵模型中的邊緣特徵相異的邊緣，並將其認定為前景邊緣。不穩定取樣點分析子單元5543分析邊緣穩定程度，例如:可通過各取樣點410於不同時間的邊緣強度分析其熵值(Entopy)是否為最小值(因取樣點410的熵值愈小，表示該取樣點愈穩定)，以確認此邊緣點屬於穩定邊緣。高斯模型建置子單元5545用以執行前述步驟S301至步驟S303，而於初始時建立前述的邊緣特徵模型。
[0094]圖6為圖2所示的流程圖中步驟S250的細部流程圖，用以說明偵測到色彩飽和度低於第一門檻值後，如何進一步區分是否發生異常事件及異常事件為何者。如圖6所示，步驟S250包含:
[0095]步驟S251:比較擷取圖像的色彩飽和度是否低於第一門檻值。若擷取圖像的色彩飽和度低於第一門檻值，表示該擷取圖像可能為紅外線圖像或發生失焦、遮蔽、開關燈或轉向等異常事件，因此進入步驟S2511，以根據夜間拍攝模式的背景模型判斷是否發生異常事件，若否，則表示該擷取圖像可能為日間拍攝的彩色圖像或發生失焦、遮蔽、開關燈或轉向等異常事件，而進入步驟S2512。關於如何判定是否發生異常，將於圖7詳加說明。
[0096]於步驟S2511中，若偵測到異常事件，則進入步驟S252，若否，則進入步驟S260，以更新背景模型。
[0097]相似地，在步驟S2512中，若偵測到異常事件，則進入步驟S252，若否，則進入步驟S260,以更新背景模型。若未偵測到異常而進入步驟S260時，將背景模型中背景圖像的取樣點410的邊緣特徵及場景區塊420更新為當前的擷取圖像中的取樣點410的邊緣特徵及場景區塊420。因此，邊緣特徵模型與場景結構模型(即背景模型)在偵測過程時也會漸進式學習，以適應場景變化(如:家具移位、光線緩慢改變等)。
[0098]步驟S252:根據場景結構模型判定擷取圖像的場景結構是否改變，若是，則判定為轉向事件；若否，則進入步驟S253，繼續判斷是否發生其他異常事件(步驟S254)。
[0099]步驟S253:根據邊緣取樣模型判定擷取圖像的取樣點的邊緣特徵是否存在。若取樣點的邊緣特徵均不存在，則可認定發生失焦事件，因若發生關燈事件，紅外線圖像的所有邊緣特徵仍會存在(步驟S255)。若部分取樣點的邊緣特徵不存在，則可認定可能發生遮蔽事件(步驟S256)。若取樣點的邊緣特徵均存在，則可認定可能發生開燈/關燈事件(步驟S257)。於偵測到開關燈事件的後(即步驟S257的後)，進入步驟S260，以更新背景模型。
[0100]在步驟S260中，若偵測到為關燈事件，則將對應日間拍攝模式的背景模型更換為對應夜間拍攝模式的背景模型；反的，則由對應夜間拍攝模式的背景模型更換為對應日間拍攝模式的背景模型。於偵測到發生遮蔽事件、失焦事件或轉向事件後(即於步驟S254、S255及S256的後)，將進入步驟S270，以發出警報。
[0101]於此，為了進一步確認是否確實發生遮蔽事件，步驟S256還可包含下列步驟:首先，比對擷取圖像的多個個連續幀中分別對應的場景區塊420是否相似。接著，當不相似的場景區塊420於各連續幀中的對應位置為連續變化，則判定發生遮蔽事件。
[0102]為了進一步區分確認攝影機的轉向，步驟S254還可包含下列步驟:首先，比對擷取圖像的一幀中的場景區塊420與其連續幀中對應與該場景區塊420相鄰的場景區塊420是否相似。接著，根據此些相鄰區塊中的相似者，判定攝影機的轉向。例如，若於當前的擷取圖像中的各場景區塊420，相較於前一幀中相似且相鄰的各場景區塊420，為向左位移，則可判定攝影機130朝相反方向(即向右)轉向。
[0103]圖7為根據本發明一實施例的攝影機130的另一異常偵測方法流程圖，用以說明如何利用監視主機Iio運行的圖像分析軟體及攝影機130，偵測異常事件並更新已建置的背景模型。於此，本流程圖將省略初始建置背景模型的流程及區分異常事件的流程，其相關流程請參照圖3及圖6。
[0104]如圖7所示，首先，使用者只要先將攝影機130的紅外線功能是否開啟的狀態輸入至監視主機Iio (步驟S710)，其後監視攝影系統100將開始進行全自動學習與判斷，無需針對環境光線明暗與否而手動更換背景模型樣本。於此，本步驟的輸入除使用者輸入的紅外線功能開啟狀態外，亦包含攝影機130的擷取圖像。
[0105]於步驟S710的後，進入步驟S720，偵測擷取圖像的色彩飽和度，以判斷攝影機130的紅外線功能的啟用狀態是否改變，即環境光線是否產生明暗變化(步驟S730)。藉此，可根據紅外線啟用狀態是否改變，進行不同的偵測程序。也就是說，若改變(即由紅外線未啟用的狀態轉變為紅外線啟用的狀態，或由紅外線啟用的狀態轉變為紅外線未啟用的狀態)，則進入步驟S740 ;若否，則進入步驟S750。
[0106]在步驟S740中，分別進行連續區塊相異度分析(步驟S741)、邊緣數量偵測(步驟S743)及背景結構比對(步驟S745)。
[0107]在步驟S741中，進行連續區塊相異度分析，意即如前述的分辨不相似的場景區塊420是否在連續幀內沿著相鄰的場景區塊420變化。續而，於步驟S742中，判斷連續相異的場景區塊420的數量是否小於一第四門檻值，並輸出邏輯判斷結果(即True (是/真)或False (否/假))。若邏輯判斷結果為假，代表可能發生遮蔽事件或轉向事件。
[0108]在步驟S743後，進入步驟S744，以判斷邊緣數量是否小於一第五門檻值，並輸出邏輯判斷結果。若邏輯判斷結果為假，代表可能發生遮蔽事件或失焦事件。
[0109]在步驟S745後，進入步驟S746，以判斷擷取圖像的背景結構與光線變化後的場景結構模型間的相似度是否大於一第六門檻值，並輸出邏輯判斷結果。若邏輯判斷結果為假，代表可能發生遮蔽事件、失焦事件或轉向事件。
[0110]於此，如欲進一步判定異常事件為遮蔽事件、失焦事件或轉向事件，可通過前述圖6所示的流程進行判斷。
[0111]在步驟S742、步驟S744及步驟S746的後，對所輸出的結果進行「AND 」邏輯運算，若運算結果為真(True)，即步驟S742、步驟S744及步驟S746所輸出的結果均為真，代表偵測到攝影機的紅外線裝置切換且未發生異常事件，則進入步驟S761 ;若運算結果為假(False)，代表發生異常事件，則進入步驟S762。
[0112]於步驟S761中，更新背景模型，意即將背景模型中背景圖像的取樣點410的邊緣特徵及場景區塊420更新為當前的擷取圖像中的取樣點410的邊緣特徵及場景區塊420，並重新取樣所有取樣點410的邊緣特徵，而回到步驟S710，對下一擷取圖像進行分析。
[0113]於步驟S762中，累計異常事件次數，並判斷異常事件次數是否超過預定次數(步驟S771)，若是，則發送警報(步驟S772)。藉以避免短暫非刻意而導致圖像畫面發生巨大的改變造成誤報的情形，如行駛車輛的頭燈、閃電等。
[0114]在步驟S750中，判斷前述重新取樣是否完成，若完成則分別進入步驟S781與步驟S745 (虛線)；若否，則僅進入步驟S745 (點虛線)。
[0115]於此，說明重新取樣未完成時的流程(點虛線)。當執行完步驟S745後，進入步驟S747，以判斷擷取圖像的背景結構與相同光線狀態的場景結構模型間的相似度是否大於一第七門檻值，並輸出邏輯判斷結果。若是，則進入步驟S748，以更新背景模型，意即將背景模型中背景圖像的取樣點410的邊緣特徵及場景區塊420更新為當前的擷取圖像中的取樣點410的邊緣特徵及場景區塊420 ;若否，代表可能發生遮蔽事件、失焦事件或轉向事件，則進入步驟S762，累計異常事件次數，並判斷異常事件次數是否超過預定次數(步驟S771)，若超過預定次數，則發送警報(步驟S772)。
[0116]接著，說明重新取樣完成時的流程(虛線)，同時執行步驟S745及步驟S781。步驟S745及其後續的步驟S747請參考前述，於此不再重複贅述。在步驟S781中，根據取樣點410進行前景邊緣偵測，並進入步驟S782。於步驟S782中，判斷前景比例是否小於一第八門檻值，意即部分邊緣特徵是否消失(如遮蔽事件所造成)。
[0117]根據步驟S747及步驟S782的邏輯判斷結果進行「AND」邏輯運算，若運算結果為真(True)，即步驟S747及步驟S782所輸出的結果均為真，代表未發生異常事件，則進入步驟S748，而更新背景模型；若運算結果為假(False)，代表發生異常事件(步驟S748)，則進入步驟S762，累計異常事件次數，並於超出預定次數時發出警報(步驟S772)。
[0118]在一些實施例中，可結合如前述圖6及圖7所示的流程，於步驟S772中，對特定異常事件發出警報，以使使用者得知何異常事件(如遮蔽事件、失焦事件或轉向事件)發生。
[0119]根據本發明的攝影機130的異常偵測方法，可依輸入圖像自動判定攝影機130的紅外線模式是否開啟，進而比對日間或夜間的邊緣特徵及場景結構，做為偵測異常事件的背景模型(即邊緣特徵模型與場景結構模型)。由於邊緣特徵在不同光源下具有強健性，即使在低光源環境下，通過紅外線圖像仍可保有邊緣特徵，因此本發明的攝影機130的異常偵測方法可適用於任何光強度的環境，並可抵抗劇烈光線變化，避免誤報情形。再者，本發明的攝影機130的異常偵測方法進一步根據邊緣特徵模型與場景結構模型分析異常事件的類型，而可區分出失焦事件、遮蔽事件、轉向事件及震動事件(微幅轉向)等。
[0120]雖然本發明以前述的實施例公開如上，然其並非用以限定本發明，任何本領域的一般技術人員，在不脫離本發明的精神和範圍內，當可作些許的變更與修改，因此本發明的專利保護範圍以權利要求書為準。
【權利要求】
1.一種攝影機的異常偵測方法，該攝影機具有一日間拍攝模式及一夜間拍攝模式，其特徵在於，該異常偵測方法包含: 取得該攝影機所拍攝的一擷取圖像； 偵測該擷取圖像的色彩飽和度； 當該擷取圖像的色彩飽和度低於一第一門檻值時，判定該攝影機進入夜間拍攝模式或日間拍攝模式； 根據該攝影機的拍攝模式選擇對應的一背景模型；及 根據該背景模型判定該擷取圖像是否異常。
2.如權利要求1所述的攝影機的異常偵測方法，其特徵在於，根據該攝影機的拍攝模式選擇對應的該背景模型包含: 根據該攝影機分別於該日間拍攝模式或該夜間拍攝模式所拍攝的一背景圖像，建立該背景模型； 當該攝影機進入日間拍攝模式時，選擇對應該日間拍攝模式的該背景模型；及 當該攝影機進入夜間拍攝模式時，選擇對應該夜間拍攝模式的該背景模型。
3.如權利要求1所述的攝影機的異常偵測方法，其特徵在於，還包含: 於一背景圖像中平均選取多個取樣點，以該些取樣點的邊緣強度建立一邊緣特徵模型； 將該背景圖像切割為二維分布的多個場景區塊而形成一場景結構模型，其中各該場景區塊與鄰近的該場景區塊部分重疊；及 合併該邊緣特徵模型及該場景結構模型為該背景模型。
4.如權利要求3所述的攝影機的異常偵測方法，其特徵在於，各該場景區塊與鄰近的該場景區塊部分重疊。
5.如權利要求3所述的攝影機的異常偵測方法，其特徵在於，根據該背景模型判定該擷取圖像是否異常，包含: 根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及 若該些取樣點的邊緣特徵均不存在，則判定發生失焦事件。
6.如權利要求3所述的攝影機的異常偵測方法，其特徵在於，根據該背景模型判定該擷取圖像是否異常，包含: 根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及 若部分該些取樣點的邊緣特徵不存在，則判定發生遮蔽事件。
7.如權利要求6所述的攝影機的異常偵測方法，其特徵在於，若部分該些取樣點的邊緣特徵不存在，則判定發生遮蔽事件，包含: 比對該擷取圖像的多個連續幀中分別對應的該些場景區塊是否相似；及 當不相似的該些場景區塊於各連續幀中的對應位置為連續變化，則判定發生遮蔽事件。
8.如權利要求3所述的攝影機的異常偵測方法，其特徵在於，根據該背景模型判定該擷取圖像是否異常，包含: 根據該邊緣特徵模型判定該擷取圖像的該些取樣點的邊緣特徵是否存在；及 若該些取樣點的邊緣特徵均存在，則判定發生開關燈事件。
9.如權利要求8所述的攝影機的異常偵測方法，其特徵在於，根據該背景模型判定該擷取圖像是否異常，包含: 根據該場景結構模型判定該擷取圖像的場景結構是否改變； 若該擷取圖像的場景結構改變，則判定發生轉向事件。
10.如權利要求3所述的攝影機的異常偵測方法，其特徵在於，還包含: 若該擷取圖像無異常，將該背景模型中該背景圖像的該些取樣點的邊緣特徵及該些場景區塊更新為當前的該擷取·圖像中的該些取樣點的邊緣特徵及該些場景區塊。
【文檔編號】H04N17/00GK103716618SQ201210380791
【公開日】2014年4月9日 申請日期:2012年10月9日 優先權日:2012年10月9日
【發明者】陳宣輯, 吳仁琪, 蘇弘 申請人:中興保全股份有限公司