專利名稱：一種基于在線激光的視頻監(jiān)測方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明公開了一種基于在線激光的視頻監(jiān)測方法，屬于智能防盜監(jiān)測技術(shù)。
背景技術(shù)：
現(xiàn)有的智能防盜檢測實質(zhì)上是在靜態(tài)背景下檢測運動目標，目前所提出的運動目標檢測算法按照原理可分為以下三類:幀間差分法、光流法和背景差分法。幀間差分法是最為常用的運動目標檢測和分割方法之一，基本原理就是在圖像序列相鄰兩幀或三幀間采用基于像素的時間差分再通過二值化來提取圖像中的運動區(qū)域。首先，將相鄰幀圖像對應(yīng)像素值相減得到差分圖像，然后對差分圖像進行二值化，在環(huán)境亮度變化不大的情況下，如果對應(yīng)像素值變化小于事先確定的閾值時，可以認為此處是背景像素；如果圖像區(qū)域的像素變化很大，可以認為這是由于圖像中運動的物體引起的，將這些區(qū)域標記為前景像素，利用標記的像素區(qū)域可以確定運動目標在圖像中的位置。光流法是基于對光流場的估計進行檢測的分割方法，采用了運動目標隨時變化的光流特性，研究圖像灰度在時間上的變化與景象中物體結(jié)構(gòu)和運動的關(guān)系。光流法的主要任務(wù)就是計算光流場，即在適當?shù)钠交约s束條件下，根據(jù)圖像序列的時空梯度估算運動場，通過分析運動場的變化對運動目標和場景進行檢測和分割。通常有基于全局光流場和特征點光流場兩種方法。全局光流場計算方法是得到全局光流場后通過比較運動目標與背景之間的運動差異對運動目標進行光流分割，缺點是計算量大。特征點光流法通過特征匹配求特征點處的流速，具有計算量小、快速靈活的特點，但稀疏的光流場很難精確地提取運動目標的形狀。背景差分法是一種有效的運動對象檢測算法，基本思想是利用背景的參數(shù)模型來近似背景圖像的像素值，將當前幀與背景圖像進行差分比較實現(xiàn)對運動區(qū)域的檢測，其中區(qū)別較大的像素區(qū)域被認為是運動區(qū)域，而區(qū)別較小的像素區(qū)被認為是背景區(qū)域。背景差分法必須要有背景圖像，并且背景圖像必須是隨著光照或外部環(huán)境的變化而實時更新的，因此背景差分法的關(guān)鍵是背景建模及其更新，現(xiàn)常用的背景建模算法有非回歸遞歸和回歸遞推兩類?，F(xiàn)在最常用的方法是基于高斯混合模型(GMM)的背景差分目標檢測方法。其中，圖1是現(xiàn)有技術(shù)中的基于高斯混合模型的背景差分目標監(jiān)測方法的示意圖；其基本思想是將當前幀圖像像素值與經(jīng)過高斯混合模型建模得到的實時背景圖像(背景模型)對應(yīng)像素值相減，若差值大于某一閾值，則判定該像素點屬于運動目標，否則判定此像素點屬于場景背景，經(jīng)過閾值分割處理并二值化后得到運動前景目標，再將不同的目標進行表征分析，實現(xiàn)特征的匹配跟蹤，完成智能識別分析過程。這種方法可以獲得關(guān)于運動目標區(qū)域完整而精確的描述，并且運算速度較快。高斯模型就是用高斯概率密度函數(shù)(正態(tài)分布曲線)精確地量化事物，將一個事物分解為若干的基于高斯概率密度函數(shù)(正態(tài)分布曲線)形成的模型?；旌细咚鼓Ｐ褪鞘褂忙?基本為3到5個)個高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后更新混合高斯模型，用當前圖像中的每隔像素點與混合高斯模型匹配，如果成功則判定該點為背景點，否則為前景點?；旌细咚鼓Ｐ妥鳛楫斍氨尘敖Ｗ顬槌晒Φ姆椒ㄖ坏玫搅藦V泛的應(yīng)用。幀間差分法是利用相鄰兩幀作為處理對象，相鄰兩幀時間間隔非常短，背景不用積累，更新速度快，算法簡單、計算量小，對動態(tài)變化場景有較強的適應(yīng)性，但對環(huán)境噪聲較為敏感，因此閾值的選擇也變得尤為關(guān)鍵，選擇過低不足以抑制圖像中的噪聲，過高則忽略了圖像中有用的變化信息。此外對于比較大的、顏色抑制的運動目標，有可能在目標內(nèi)部產(chǎn)生空洞，無法完整地提取運動目標。光流法不需要預(yù)先知道場景的任何信息，就能夠檢測到運動對象，可處理背景運動的情況，但噪聲、多光源、陰影和遮擋等因素會對光流場分布的計算結(jié)果造成嚴重影響；而且光流法計算復(fù)雜，很難實現(xiàn)實時處理。背景差分法一般能得到比較全面的特征數(shù)據(jù)，但對動態(tài)場景變化和光線變化等外界干擾非常敏感?；诟咚够旌夏Ｐ?GMM)的背景差分目標檢測方法是背景差分算法中的經(jīng)典代表，有著易于實現(xiàn)、對多峰分布背景建模以及背景模型自適應(yīng)等優(yōu)點，但其受復(fù)雜背景(光線突然變化，樹葉擺動和雨雪天氣，陰影等)的影響，對前景對象的分割效果并不理想，抗干擾能力差，這極大地制約了其應(yīng)用適應(yīng)性。綜上所述，現(xiàn)有的智能防盜檢測方法受復(fù)雜環(huán)境的影響比較大，抗干擾能力比較差。

發(fā)明內(nèi)容
本發(fā)明針對現(xiàn)有技術(shù)的缺點，提供了一種基于在線激光的視頻監(jiān)測方法和裝置，所述方法和裝置能夠適應(yīng)各種復(fù)雜的背景環(huán)境，不受突變光線、陰影以及雨雪天氣的影響。根據(jù)本發(fā)明的第一目的，提供了一種基于在線激光的視頻監(jiān)測方法，包括:A、獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像以及經(jīng)過混合高斯模型處理的背景圖像；B、提取當前幀的視頻圖像和背景圖像的圖像灰度特征，并根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小而確定是否產(chǎn)生告警信息。其中，優(yōu)選的是，步驟B中，具體包括:利用激光束的灰度特征對圖像中的各個像素點進行二值化處理；根據(jù)所述二值化處理結(jié)果獲取到所述激光束的特征投影向量；比較當前幀的視頻圖像和背景圖像的激光束的特征投影向量，其中，如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息；如果兩者的相關(guān)度低，則輸出目標告
警的信息。其中，優(yōu)選的是，還包括:C、提取并比較所述視頻圖像和背景圖像的圖像紋理特征；D、綜合所述圖像灰度特征和圖像紋理特征的匹配度大小而判斷是否產(chǎn)生告警。其中，優(yōu)選的是，步驟C中，具體包括:分別采集圖像檢測區(qū)域各分塊中各像素的梯度方向直方圖；分別提取所述各分塊的梯度方向直方圖特征，進行對比度歸一化處理。其中，優(yōu)選的是，步驟C中，進一步包括:按照梯度不同方向分別對各分塊中每個像素點的梯度大小進行投票累加形成各分塊的梯度方向直方圖特征向量；歸并各分塊的梯度方向直方圖特征向量組成一個向量，并進行歸一化處理，形成最終的梯度方向直方圖特征向量。進一步地,優(yōu)選的是,步驟D中，具體包括:比較當前幀的視頻圖像和背景圖像的梯度方向直方圖特征向量，并獲取到兩者的相關(guān)度大小；綜合所述激光束的特征投影向量的相關(guān)度大小以及所述圖像的梯度方向直方圖特征向量的相關(guān)度大小判斷是否輸出告警或者預(yù)警或者更新背景圖像的信息。本發(fā)明采取了上述技術(shù)方案以后，能夠基于當前幀的視頻圖像和背景圖像的圖像灰度特征比較并進行告警，彌補了現(xiàn)有在靜態(tài)背景下檢測運動目標算法的不足，克服了現(xiàn)有技術(shù)容易受復(fù)雜背景的影響。根據(jù)本發(fā)明的第二目的，提供了一種基于在線激光的視頻監(jiān)測裝置，包括:視頻提取單元，用于獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像以及經(jīng)過混合高斯模型處理的背景圖像；第一特征提取單元，用于提取當前幀的視頻圖像和背景圖像的圖像灰度特征；第一特征告警單元，用于根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小而確定是否產(chǎn)生告警信肩、O其中，優(yōu)選的是，所述第一特征提取單元，包括:二值化處理子單元，用于利用激光束的灰度特征對圖像中的各個像素點進行二值化處理；向量提取子單元，用于根據(jù)所述二值化處理結(jié)果獲取到所述激光束的特征投影向量;所述第一特征告警單元，包括:特征比較子單元，用于比較當前幀的視頻圖像和背景圖像的激光束的特征投影向量;特征告警子單元，用于獲取所述特征投影向量的相關(guān)度大?。黄渲?，如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息；如果兩者的相關(guān)度低，則輸出目標告警的信息。其中，優(yōu)選的是，還包括:第二特征提取單元，用于提取并比較所述視頻圖像和背景圖像的圖像紋理特征；第二特征告警單元，用于綜合所述圖像灰度特征和圖像紋理特征的匹配度大小而選取是否產(chǎn)生告警。其中，優(yōu)選的是，所述第二特征提取單元，具體包括:特征獲取子單元，采集圖像檢測區(qū)域各分塊的梯度特征，并進行對比度歸一化處理；其中，優(yōu)選的是，所述第二特征提取單元，進一步包括:向量提取子單元，按照梯度不同方向分別對各分塊中每個像素點的梯度大小進行投票累加形成各分塊的梯度方向直方圖特征向量；歸一化處理子單元，歸并各分塊的梯度方向直方圖特征向量組成一個向量，并進行歸一化處理，形成最終的梯度方向直方圖特征向量。其中，優(yōu)選的是，所述第二特征告警單元，還包括:特征比較子單元，比較當前幀的視頻圖像和背景圖像的梯度方向直方圖特征向量，并獲取到兩者的相關(guān)度大?。徊呗耘袛喔婢訂卧?，用于綜合所述激光束的特征投影向量的相關(guān)度大小以及所述圖像的梯度方向直方圖特征向量的相關(guān)度大小選取是否輸出告警或者預(yù)警或者更新背景圖像的信息。本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權(quán)利要求書、以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。


下面結(jié)合附圖對本發(fā)明進行詳細的描述，以使得本發(fā)明的上述優(yōu)點更加明確。圖1是現(xiàn)有技術(shù)中基于高斯混合模型的背景差分目標監(jiān)測方法的示意圖；圖2是本發(fā)明基于在線激光的視頻監(jiān)測方法的實施例一的流程示意圖；圖3是本發(fā)明方法中的提取圖像灰度特征的流程示意圖；圖4是本發(fā)明基于在線激光的視頻監(jiān)測方法的實施例二的流程示意圖；圖5是本發(fā)明方法中提取圖像紋理特征的流程示意圖；圖6是本發(fā)明基于在線激光的視頻監(jiān)測裝置的實施例一的結(jié)構(gòu)示意圖；圖7是本發(fā)明基于在線激光的視頻監(jiān)測裝置的實施例二的結(jié)構(gòu)示意圖。
具體實施例方式以下對本發(fā)明的發(fā)明原理進行說明。其中，由于現(xiàn)有技術(shù)中的背景差分法對圖像進行特征分析時，其對動態(tài)場景變化和光線變化等外界干擾非常敏感，其容易受到復(fù)雜背景(例如，光線突然變化、樹葉擺動和雨雪天氣、陰影等)的影響，因此，其抗干擾性能力差。本發(fā)明基于上述缺點,在被監(jiān)測區(qū)域內(nèi)設(shè)置一條穩(wěn)定的激光束，由于激光不同于具有多波長向四面八方輻射的自然光源具有截然不同的特性，它只有一種精確的顏色(即只具有一種波長)、定向發(fā)光(光束的發(fā)散度極小)、亮度極高、能量密度極大等顯著特點，且激光線在圖像中的特點非常明顯，并且環(huán)境的變化并不改變激光線在圖像中的特性，因此可以改特征通過檢測被監(jiān)測區(qū)域內(nèi)的激光線的存在及其連續(xù)性檢測監(jiān)測區(qū)域是否有可疑目標出現(xiàn)。
_2] 方法實施例一:其中，圖2是本發(fā)明基于在線激光的視頻監(jiān)測方法的流程示意圖；如圖2所示,所述方法具體包括下列步驟:SlOl:獲取包含有用作參考依據(jù)的激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像；S102:提取經(jīng)過混合高斯模型處理的背景圖像；其中，混合高斯模型的基本思想是:使用K個高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后更新混合高斯模型。
通觀整個高斯模型，主要是有方差和均值兩個參數(shù)決定，對均值和方差的學習，采用不同的學習機制，將直接影響到模型的穩(wěn)定性、精確性和收斂性。本方法中高斯模型的建立是選取M幅干凈的視頻圖像，分別對M幅圖像每個點進行正態(tài)分布統(tǒng)計，即可得到相應(yīng)的方差和均值。S103:提取當前幀的視頻圖像和背景圖像的圖像灰度特征；S104:比較所述圖像灰度特征是否匹配，并根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小產(chǎn)生告警信息或者輸出更新背景信息。其中，S105:如果兩者的相關(guān)度低，則輸出目標告警的信息。S106:如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息。其中，在一個實施例中，如圖3所示,所述步驟S103具體包括:S1031:利用激光束的灰度特征對圖像的分析區(qū)域或者整體區(qū)域進行二值化處理；其中，在該實施例中，采取自適應(yīng)閾值二值化法進行處理。根據(jù)所述自適應(yīng)閾值二值化方法，所述閾值的選取是根據(jù)圖像灰度值的均值進行調(diào)節(jié)的，其中，大于此閾值的認為是激光束像素點，小于此閾值的則認為是非激光束像素點。通過此步驟可得到激光束的二值圖，其中像素值為255 (白色)的像素點為激光束，非激光束像素點的像素值均為O (黑色)；S1032:根據(jù)所述二值化處理結(jié)果獲取到所述激光束的特征投影向量；具體包括:分別對于已提取二值化的當前幀、背景幀激光束圖像進行橫向及縱向投影并生成投影向量。其中，只有像素值為255的像素點才會對投影向量產(chǎn)生貢獻,像素值為O的像素點不會對投影向量產(chǎn)生貢獻。第i行j列的像素值為255的像素點對向量的第i項及(圖像高度+j)項的貢獻分別為N，N的大小決定了檢測算法的靈敏度，N值越大靈敏度越高，反之亦然。并且，從原理上可知，若圖像中有目標遮擋激光束的連續(xù)性及形狀一定會發(fā)生變化，從而引起投影向量發(fā)生變化，通過檢測投影向量的變化量即可判斷是否有潛在目標出現(xiàn)。所述步驟S104具體包括:S1041:比較當前幀的視頻圖像和背景圖像的激光束的特征投影向量，其中，如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息；如果兩者的相關(guān)度低，則輸出目標告警的信息。具體來說，該步驟之中，將當前幀與背景幀的特征投影向量進行匹配，比較兩者的相關(guān)度，其中，若相關(guān)度很高，則當前幀和背景幀灰度特征相似度高。若二者的相關(guān)度很低，則認為當前幀和背景幀相似度很低。通過二者的匹配度結(jié)果能夠決定當前幀是否需要輸出目標告警及當前幀對背景幀是否有貢獻。本發(fā)明采取了上述技術(shù)方案以后，利用激光束的特征進行告警信息的采集，因此，具有很好的報警效果。并且，該方法彌補了現(xiàn)有在靜態(tài)背景下檢測運動目標算法的不足，克服了現(xiàn)有技術(shù)容易受復(fù)雜背景的影響。
_5] 方法實施例二:
由于在圖像中激光線會隨著周圍環(huán)境光線的變化發(fā)生微變(在不同的光照條件下激光束線條寬度不同)，僅僅采用灰度特征信息判斷是否有目標出現(xiàn)會有偏差。因此，在本實施例中，還需要進行圖像紋理特征的匹配，如圖4所示，具體包括下列步驟:S201:獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像；S202:獲取混合高斯模型處理的背景圖像；S203:提取當前幀的視頻圖像和背景圖像的圖像灰度特征；S204:獲取圖像灰度特征的相關(guān)度大??；S205:提取當前幀的視頻圖像和背景圖像的圖像紋理特征，其中，在具體的實施例中，包括:S2051:采集圖像的梯度方向直方圖特征描述子；具體包括:將圖像的全部或者待分析的區(qū)域分成小的叫做方格單元連通區(qū)域 ’然后采集方格單元中各像素點的梯度方向或邊緣方向直方圖；為了提高精確度，如圖5所示，所述方法還可以進一步包括:S2052:對圖像方格單元的梯度方向直方圖特征進行對比度歸一化處理；即將所述局部直方圖在圖像的更大的區(qū)間(block)中進行對比度歸一化(contrast-normalized),例如,在實施例中，通過先計算各直方圖在這個區(qū)間(block)中的密度，然后根據(jù)這個密度值對區(qū)間`中的各個方格單元做歸一化。通過歸一化處理后，能對光照變化和陰影獲得更好的穩(wěn)定性。S2053:按照梯度不同方向分別對各方格單元中每個像素點的梯度大小進行投票累加形成各方格單元的梯度方向直方圖特征向量，歸并各方格單元的梯度方向直方圖特征向量組成一個向量并進行歸一化處理，形成最終的梯度方向直方圖特征向量。具體來說，在一個實施例中，進行上述分析時，將圖像檢測區(qū)域分成4個cell塊，對每個cell進行梯度方向直方圖特征的提取組成一個梯度方向直方圖特征，例如，計算灰度圖的一階梯度(包含大小及方向)，將所有點的一階梯度方向按照選取的12個方向(360度平分12份，每30度為一個方向)對其梯度大小進行投票累加);然后，再把每個cell的梯度方向直方圖特征(H0G特征)向量進行歸一化處理之后拼接起來，組成最終的區(qū)域的梯度方向直方圖特征向量。S206:獲取圖像紋理特征的相關(guān)度大??；S207:結(jié)合所述圖像灰度特征和圖像紋理特征的相關(guān)度大小進行策略決定；具體來說，由于本實施例中，運用了圖像的灰度信息及紋理信息分別對激光束進行分析，兩種方法根據(jù)不同的特征分別得到了不同的匹配信息，因此，需要根據(jù)具體的策略分析進行最終的結(jié)果輸出。具體來說，在實施例中，設(shè)置了學習閾值(更新圖像閾值)以及告警閾值，并進行以下策略分析和判斷:I)當激光束特征與梯度方向直方圖特征二者匹配度都高于學習閾值的時候，則認為當前無目標、無告警信息、背景圖像需要更新。2)當激光束特征與梯度方向直方圖特征二者匹配度都低于告警閾值的時候，則認為當前有目標、對外輸出告警信息，背景圖像不進行更新。
3)當激光束特征匹配度高于告警閾值、低于學習閾值，梯度方向直方圖特征高于學習閾值認為當前無目標。4)當梯度方向直方圖特征匹配度高于告警閾值、低于學習閾值，激光束特征高于學習閾值時認為當前無目標。5)當激光束特征匹配度高于告警閾值、低于學習閾值，梯度方向直方圖特征低于告警閾值時認為當前有目標。6)當梯度方向直方圖特征匹配度高于告警閾值、低于學習閾值，激光束特征低于告警閾值時認為當前無目標。7)其余情況均認為是預(yù)警狀態(tài)，不對外發(fā)出告警，背景圖像不更新。其具體的策略判斷表格見下表所示:表一:決策判斷表:

權(quán)利要求
1.一種基于在線激光的視頻監(jiān)測方法，包括: A、獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像以及經(jīng)過混合高斯模型處理的背景圖像； B、提取當前幀的視頻圖像和背景圖像的圖像灰度特征，并根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小而確定是否產(chǎn)生告警信息。
2.根據(jù)權(quán)利要求1所述的基于在線激光的視頻監(jiān)測方法，其特征在于，步驟B中，具體包括: 利用激光束的灰度特征對圖像中的各個像素點進行二值化處理； 根據(jù)所述二值化處理結(jié)果獲取到所述激光束的特征投影向量； 比較當前幀的視頻圖像和背景圖像的激光束的特征投影向量，其中，如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息；如果兩者的相關(guān)度低，則輸出目標告警的信息。
3.根據(jù)權(quán)利要求1或2所述的基于在線激光的視頻監(jiān)測方法，其特征在于，還包括: C、提取并比較所述視頻圖像和背景圖像的圖像紋理特征； D、綜合所述圖像灰度特征和圖像紋理特征的匹配度大小而判斷是否產(chǎn)生告警。
4.根據(jù)權(quán)利要求3所述的基于在線激光的視頻監(jiān)測方法，其特征在于，步驟C中，具體包括: 分別采集圖像檢測區(qū)域各分塊中各像素的梯度方向直方圖； 分別提取所述各分塊的梯度方向直方圖特征，進行對比度歸一化處理。
5.根據(jù)權(quán)利要求4所述的基于在線激光的視頻監(jiān)測方法，其特征在于，步驟C中，進一步包括: 按照梯度不同方向分別對各分塊中每個像素點的梯度大小進行投票累加形成各分塊的梯度方向直方圖特征向量； 歸并各分塊的梯度方向直方圖特征向量組成一個向量，并進行歸一化處理，形成最終的梯度方向直方圖特征向量。
6.根據(jù)權(quán)利要求4所述的基于在線激光的視頻監(jiān)測方法，其特征在于，步驟D中，具體包括: 比較當前幀的視頻圖像和背景圖像的梯度方向直方圖特征向量，并獲取到兩者的相關(guān)度大??； 綜合所述激光束的特征投影向量的相關(guān)度大小以及所述圖像的梯度方向直方圖特征向量的相關(guān)度大小判斷是否輸出告警或者預(yù)警或者更新背景圖像的信息。
7.一種基于在線激光的視頻監(jiān)測裝置，包括: 視頻提取單元，用于獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像以及經(jīng)過混合高斯模型處理的背景圖像； 第一特征提取單元，用于提取當前幀的視頻圖像和背景圖像的圖像灰度特征；第一特征告警單元，用于根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小而確定是否產(chǎn)生告警信息。
8.根據(jù)權(quán)利要求1所述的基于在線激光的視頻監(jiān)測裝置，其特征在于，所述第一特征提取單元,包括: 二值化處理子單元，用于利用激光束的灰度特征對圖像中的各個像素點進行二值化處理； 向量提取子單元，用于根據(jù)所述二值化處理結(jié)果獲取到所述激光束的特征投影向量； 所述第一特征告警單元，包括: 特征比較子單元，用于比較當前幀的視頻圖像和背景圖像的激光束的特征投影向量；特征告警子單元，用于獲取所述特征投影向量的相關(guān)度大?。黄渲?，如果兩者的相關(guān)度高，則不進行告警并輸出更新背景圖像的信息；如果兩者的相關(guān)度低，則輸出目標告警的信肩、O
9.根據(jù)權(quán)利要求7或8所述的基于在線激光的視頻監(jiān)測裝置，其特征在于，還包括: 第二特征提取單元，用于提取并比較所述視頻圖像和背景圖像的圖像紋理特征； 第二特征告警單元，用于綜合所述圖像灰度特征和圖像紋理特征的匹配度大小而選取是否產(chǎn)生告警。
10.根據(jù)權(quán)利要求9所述的基于在線激光的視頻監(jiān)測裝置，其特征在于，所述第二特征提取單元,具體包括: 特征獲取子單元，采集圖像檢測區(qū)域各分塊的梯度特征，并進行對比度歸一化處理。
11.根據(jù)權(quán)利要求10所述的基于在線激光的視頻監(jiān)測裝置，其特征在于，所述第二特征提取單元，進一步包括: 向量提取子單元，按照梯度不同方向分別對各分塊中每個像素點的梯度大小進行投票累加形成各分塊的梯度方向直方圖特征向量； 歸一化處理子 單元，歸并各分塊的梯度方向直方圖特征向量組成一個向量，并進行歸一化處理，形成最終的梯度方向直方圖特征向量。
12.根據(jù)權(quán)利要求10所述的基于在線激光的視頻監(jiān)測裝置，其特征在于，所述第二特征告警單元，還包括: 特征比較子單元，比較當前幀的視頻圖像和背景圖像的梯度方向直方圖特征向量，并獲取到兩者的相關(guān)度大?。? 策略判斷告警子單元，用于綜合所述激光束的特征投影向量的相關(guān)度大小以及所述圖像的梯度方向直方圖特征向量的相關(guān)度大小選取是否輸出告警或者預(yù)警或者更新背景圖像的信息。
全文摘要
本發(fā)明公開了一種基于在線激光的視頻監(jiān)測方法，包括A、獲取包含激光束的被監(jiān)測區(qū)域的當前幀的視頻圖像以及背景圖像；B、提取當前幀的視頻圖像和背景圖像的圖像灰度特征，并根據(jù)被監(jiān)測區(qū)域的圖像灰度特征的匹配大小而確定是否產(chǎn)生告警信息。本發(fā)明利用激光線亮度高、穩(wěn)定性好、抗干擾能力強的特點設(shè)計了在靜態(tài)背景下運用灰度信息的變化檢測運動目標的方法，彌補了現(xiàn)有在靜態(tài)背景下檢測運動目標方法的不足，克服了現(xiàn)有技術(shù)容易受復(fù)雜背景的影響。此外，本發(fā)明還公開了一種基于在線激光的視頻監(jiān)測裝置。
文檔編號G06K9/46GK103177237SQ20111043671
公開日2013年6月26日 申請日期2011年12月22日 優(yōu)先權(quán)日2011年12月22日
發(fā)明者李湛, 溫新盼 申請人:中國移動通信集團河北有限公司