论文部分内容阅读
智能视频监控系统目前已经广泛应用于国民生活的各个领域,如交通的流量监控,银行自助厅的抢劫事件检测,公众场所的安全监控等等。然而随着对视频监控系统需求的不断增加,它所面临的干扰事件也不断增多。这些干扰事件使监控画面出现异常,对智能视频分析的后续流程造成严重的影响。当摄像机受到严重干扰时,无法采集监控场景中的图像画面,可能会导致视频监控系统失去作用,给公共区域的经济造成损失,甚至公共区域的安全也受到威胁。所以快速地检测出摄像机的异常情况有着重要的实际应用意义。本文针对智能视频监控系统中的摄像机异常检测及分类问题,做出了详细的分析和讨论,主要研究以下三个方面的工作:本文提出一个新颖的背景映射模型,用来描述在复杂环境中视频画面的静止内容。该背景映射模型是由视频序列中每一帧的映射背景图组成的,还具有随机更新映射背景图的更新策略。本文将该背景映射模型与GMM、VIBE、SACON以及PBAS四种背景建模法进行实验比较。结果表明,本模型对实现摄像机异常检测有相对较高的检测率,其合理性和有效性得到验证。本文提出一套基于本文所提出的背景映射模型的摄像机异常检测算法。此算法是利用本文背景映射模型中的映射背景图,结合Canny边缘检测算子,提取当前灰度图和映射背景图的边缘特征,构造边缘特征函数,并将之与自适应的决策阈值比较大小来分析摄像机是否有异常发生。最后本文在收集的17个小时122段视频集以及公共的视频数据库上,与以前相关的5种摄像机异常检测算法进行实验比较。实验结果表明,我们提出的算法具有较低的时间复杂度和较高的检测率。本文建立一套基于多特征结合的摄像机异常分类算法。该算法的主要功能是实现摄像机的失焦、遮挡和移位三种异常类型的分类。该算法在实现文本所提出的摄像机异常检测算法的基础上,提取每一异常帧包含图像颜色、边缘、纹理、角点以及变换域等方面的共12个特征,并结合C4.5分类算法来实现摄像机异常的分类。最后在六个不同的场景中与K近邻、贝叶斯以及支持向量机三种分类器分别实现摄像机的异常分类。实验数据表明,本文提出的摄像机异常分类算法能够达到80.22%的正确分类率,比用其他分类器分类效果要好。最后总结了本文已完成的工作,并展望了智能视频监控系统中的摄像机异常检测及分类技术的进一步研究内容和发展。