攝像機異常檢測及分類的算法研究.pdf

1、智能視頻監(jiān)控系統(tǒng)目前已經(jīng)廣泛應(yīng)用于國民生活的各個領(lǐng)域，如交通的流量監(jiān)控，銀行自助廳的搶劫事件檢測，公眾場所的安全監(jiān)控等等。然而隨著對視頻監(jiān)控系統(tǒng)需求的不斷增加，它所面臨的干擾事件也不斷增多。這些干擾事件使監(jiān)控畫面出現(xiàn)異常，對智能視頻分析的后續(xù)流程造成嚴(yán)重的影響。當(dāng)攝像機受到嚴(yán)重干擾時，無法采集監(jiān)控場景中的圖像畫面，可能會導(dǎo)致視頻監(jiān)控系統(tǒng)失去作用，給公共區(qū)域的經(jīng)濟造成損失，甚至公共區(qū)域的安全也受到威脅。所以快速地檢測出攝像機的異常情況有著

2、重要的實際應(yīng)用意義。
　　本文針對智能視頻監(jiān)控系統(tǒng)中的攝像機異常檢測及分類問題，做出了詳細(xì)的分析和討論，主要研究以下三個方面的工作：
　　本文提出一個新穎的背景映射模型，用來描述在復(fù)雜環(huán)境中視頻畫面的靜止內(nèi)容。該背景映射模型是由視頻序列中每一幀的映射背景圖組成的，還具有隨機更新映射背景圖的更新策略。本文將該背景映射模型與GMM、VIBE、SACON以及PBAS四種背景建模法進(jìn)行實驗比較。結(jié)果表明，本模型對實現(xiàn)攝像機異常檢測有

3、相對較高的檢測率，其合理性和有效性得到驗證。
　　本文提出一套基于本文所提出的背景映射模型的攝像機異常檢測算法。此算法是利用本文背景映射模型中的映射背景圖，結(jié)合Canny邊緣檢測算子，提取當(dāng)前灰度圖和映射背景圖的邊緣特征，構(gòu)造邊緣特征函數(shù)，并將之與自適應(yīng)的決策閾值比較大小來分析攝像機是否有異常發(fā)生。最后本文在收集的17個小時122段視頻集以及公共的視頻數(shù)據(jù)庫上，與以前相關(guān)的5種攝像機異常檢測算法進(jìn)行實驗比較。實驗結(jié)果表明，我們提出

4、的算法具有較低的時間復(fù)雜度和較高的檢測率。
　　本文建立一套基于多特征結(jié)合的攝像機異常分類算法。該算法的主要功能是實現(xiàn)攝像機的失焦、遮擋和移位三種異常類型的分類。該算法在實現(xiàn)文本所提出的攝像機異常檢測算法的基礎(chǔ)上，提取每一異常幀包含圖像顏色、邊緣、紋理、角點以及變換域等方面的共12個特征，并結(jié)合C4.5分類算法來實現(xiàn)攝像機異常的分類。最后在六個不同的場景中與K近鄰、貝葉斯以及支持向量機三種分類器分別實現(xiàn)攝像機的異常分類。實驗數(shù)據(jù)表