出租車副駕駛攝像頭干擾自動檢測算法

1、裝訂線出租車副駕駛攝像頭干擾自動檢測算法摘 要當(dāng)前監(jiān)控攝像頭廣泛應(yīng)用于社會生活的各個方面，為國民生活的和諧、平安做出巨大貢獻(xiàn)。但也有些不法分子，想盡辦法干擾、破壞監(jiān)控攝像頭的監(jiān)控，例如，用衣物遮擋攝像頭、往攝像頭上噴灑彩繪涂料，或是將攝像頭移開等等。攝像頭一旦被干擾、破壞，監(jiān)控人員無法看到監(jiān)控區(qū)域所發(fā)生的事情，就失去了監(jiān)控的能力。因此，在監(jiān)控視頻智能化的今天，攝像頭干擾檢測成為智能視頻監(jiān)控的重中之重，對于出租車副駕駛位置的攝像頭干擾自動檢測更是交通管理部門亟需解決的問題。本論文旨在研究出租車副駕駛攝像頭干擾自動檢測算法。依托于2013 年度陜西省交通運(yùn)輸廳科研項目：營運(yùn)車輛在途視頻圖像分析技術(shù)

2、研究。在出租車遠(yuǎn)程監(jiān)控系統(tǒng)中，攝像機(jī)的數(shù)目眾多，被干擾時很難被發(fā)現(xiàn)，本項目將對現(xiàn)有的出租車監(jiān)控調(diào)度系統(tǒng)加以改進(jìn)，從而節(jié)省大量的人力和物力資源，極大地發(fā)揮出監(jiān)管平臺的作用：可以監(jiān)管出租車司機(jī)違規(guī)收費(fèi)行為。通過分析出租車副駕駛位置的監(jiān)控視頻，可判斷出租汽車司機(jī)是否有不打表、拼車等違規(guī)行為。對出租車的車載攝像頭干擾自動檢測進(jìn)行深入研究。在出租車遠(yuǎn)程監(jiān)控系統(tǒng)中，攝像機(jī)的數(shù)目眾多，被干擾時很難被發(fā)現(xiàn)，這就需要監(jiān)控系統(tǒng)具有自我檢測能力，能夠及時發(fā)現(xiàn)異常并提醒工作人員迅速處理，提高工作效率。本文首先回顧了目前現(xiàn)有的幾種干擾檢測算法，并對其中的基于緩存區(qū)的攝像頭干擾檢測算法深入研究并進(jìn)行了一些改進(jìn)，改進(jìn)后的算

3、法檢測結(jié)果更精準(zhǔn)，也更加的魯棒。其次，對新一代小波中可多尺度、多方向性分解的輪廓波（Contourlet）變換進(jìn)行研究探討，利用其在輪廓檢測方面的優(yōu)勢，提出基于輪廓波變換的干擾檢測算法。輪廓波變換主要分兩步：1）拉普拉斯金字塔分解，將圖像分解為帶通圖像和低頻圖像；2）方向濾波，通過方向濾波器組，將帶通圖像分解為各方向的子帶圖像?；谳喞ㄗ儞Q的攝像頭干擾檢測算法主要思路是通過比較背景圖像與視頻圖像的圖像特征函數(shù)，來判斷是否有攝像頭異常情況發(fā)生，而這圖像特征函數(shù)主要是基于輪廓波變換系數(shù)的函數(shù)。通過大量實驗，對比已有的基于小波變換的算法，本文所提出的算法取得了很好的實驗結(jié)果，為輪廓波變換的應(yīng)用方面

4、拓展了一個新的方向。關(guān)鍵詞：攝像頭干擾檢測，LOG 直方圖，巴氏距離，輪廓波變換AbstractNowadays surveillance cameras are widely used in all fields of social life, which makes great contributions to the harmony and peace of national life. However there are still some lawbreakers who do anything to sabotage and destroy the surveillance, su

5、ch as covering the lens with the clothes, painting on the camera lens and move the camera to change the field of the designated view. Once the camera is sabotaged, the security agents are no longer able to monitor the designated fields by the camera which leads to a loss of surveillance ability.Cons

6、equently it is the camera sabotage detection that becomes far higher on the agenda of the intelligent video surveillance. This paper firstly reviews the existing sabotage detection algorithms. Then based on the insight of the pool-based camera tampering detection algorithm, we propose the improvemen

7、ts: 1. We substitute the Bhattacharyya Distance which has more accuracy and statistical significance for the original histogram distance measure; 2. We replace the histogram measure based on Sobel kernel with the one based on the LOG kernel, which has not only the better anti-noise effect but also t

8、he more complete edge extraction. The algorithm proposed has more accuracy and robust in the experiments.Secondly we take an in-depth study of contourlet transform, the new generation of themulti-resolution and multi-directional decomposition. According to the study we finally propose the sabotage d

9、etection algorithm based on contourlet transform. The contourlet transform is mainly comprised of two steps:1) Pyramid Frames, decompose the image into the band-pass and low frequency sub-images;2) Iterated Directional Filter Banks, decompose the band-pass image into different subband images of the

10、same orientation. The detection algorithm based on contourlet transformation distinguishes the sabotaged events from others by comparing the frames and the background frames on different image feature function, which largely depends on the contourlet coefficients.A large number of experiments show t

11、hat our algorithm, compared to the existing algorithm based on wavelet transform, has achieved better effect and presents a newapplication field for contourlet transformation.Key Words: Camera Sabotage Detection, LOG Histogram, Bhattacharyya Distance, Contourlet Transformation目錄摘 要1Abstract2第1章 緒論41

12、.1研究背景及意義41.2國內(nèi)外研究現(xiàn)狀51.2.1基于緩存區(qū)的攝像頭干擾檢測方法71.2.2基于背景建模的攝像頭干擾檢測方法71.3本文主要研究內(nèi)容和結(jié)構(gòu)81.3.1論文研究內(nèi)容81.3.2論文結(jié)構(gòu)安排9第 2 章 基于直方圖的攝像頭干擾檢測方法及其改進(jìn)92.1 基于直方圖的檢測算法框架102.2 三種直方圖及直方圖距離度量112.2.1 三種直方圖112.2.2 距離度量122.3 LOG直方圖及巴氏距離122.3.1 LOG直方圖132.3.2 巴氏距離132.4 實驗結(jié)果14第 3 章 基于輪廓波變換的攝像頭干擾檢測153.1 輪廓波變換的起源153.2 拉普拉斯金字塔分解163.3

13、方向濾波器組173.3.1 多維多采樣173.3.2 方向濾波器組193.4基于輪廓波變換的攝像頭干擾檢測203.4.1 攝像頭干擾檢測算法203.4.2 實驗結(jié)果24第4章 總結(jié)與展望264.1 工作總結(jié)264.2 研究展望27參考文獻(xiàn)28致 謝30第1章 緒論1.1研究背景及意義視頻監(jiān)控技術(shù)因其直觀、準(zhǔn)確、及時和信息內(nèi)容豐富而得到了廣泛的運(yùn)用。大到飛機(jī)場、港口碼頭，小到居民小區(qū)、店鋪以及學(xué)校等場所都普遍安裝了視頻監(jiān)控系統(tǒng)?？萍及l(fā)展日新月異，特別是最近幾年，計算機(jī)、通訊技術(shù)、以及智能圖像處理等相關(guān)技術(shù)得到了蓬勃的發(fā)展，進(jìn)一步促進(jìn)了監(jiān)控技術(shù)的發(fā)展，視頻監(jiān)控系統(tǒng)也越來越受到社會各屆的歡迎。隨著監(jiān)

14、控系統(tǒng)規(guī)模的不斷擴(kuò)大，涉及的攝像頭數(shù)量也不斷增加，一些潛在的問題也隨之暴露出來。在軍事要地、交通要道，乃至商場、銀行等場所，都要求監(jiān)控系統(tǒng)能夠保持良好的運(yùn)行狀態(tài)，要能夠保證監(jiān)控畫面的清晰正常，一旦出現(xiàn)問題，極有可能由此造成重大的損失，甚至危害到國防安全。當(dāng)監(jiān)控系統(tǒng)規(guī)模不大，攝像頭數(shù)量較少時，采用人工監(jiān)看與適時巡檢的方法比較方便，而且準(zhǔn)確性高。然而，隨著系統(tǒng)規(guī)模的不斷擴(kuò)大，監(jiān)控點(diǎn)的數(shù)量也在急劇增加，單純依靠人工來對攝像頭進(jìn)行逐個檢測就成了一件很麻煩的事情，不僅工作量大，耗時又費(fèi)力，還不利于降低成本。另外，人的注意力很容易受到主觀情緒和外在環(huán)境的影響，可能對某些監(jiān)控點(diǎn)出現(xiàn)漏檢，而且不同人對同一畫面

15、質(zhì)量的評判標(biāo)準(zhǔn)也不盡相同。在主客觀因素的影響下，甚至同一個人在不同的時間對同一幀視頻圖像的質(zhì)量進(jìn)行評價時也可能得出不同的結(jié)論。因此，通過計算機(jī)實時的對監(jiān)控系統(tǒng)中可能出現(xiàn)的問題進(jìn)行檢測，以達(dá)到對監(jiān)控系統(tǒng)運(yùn)行狀況的檢測是很有必要的。智能視頻監(jiān)控由于其廣泛的應(yīng)用吸引了社會各界人士關(guān)注的目光，而基于智能數(shù)字圖像處理與分析的監(jiān)控系統(tǒng)工況檢測，因其重要的學(xué)術(shù)價值和廣泛的市場前景也越來越受到人們的重視。本文以智能視頻監(jiān)控系統(tǒng)為基礎(chǔ)，對影響監(jiān)控系統(tǒng)正常運(yùn)行的常見故障和問題進(jìn)行了深入的研究和探討。隨著視頻監(jiān)控深入生活的各個領(lǐng)域，一些不法分子也開始想方設(shè)法的破壞視頻監(jiān)控，阻礙監(jiān)控人員發(fā)現(xiàn)其不法行為并對其錄像作為物

16、證。下面是一些相關(guān)案例：2009 年 5 月 17 日，墨西哥發(fā)生一起大規(guī)模越獄，53 名罪犯逃出，在其行動前，他們用衣物遮蓋監(jiān)控攝像頭，以使其行為不被監(jiān)控人員發(fā)現(xiàn)，從而順利出逃。2009 年 6 月 30 日凌晨 3 時 40 分，武昌一店內(nèi)公司員工聽見隔壁有奇怪的聲音，看監(jiān)視器卻是一片花白，他警告未果報警，但等警察趕來時不法分子已離開，店內(nèi)新裝攝像頭被人噴漆，失竊 4 臺SONY筆記本電腦，未能留下竊賊的相關(guān)影像資料。2011 年 1 月 24 日，合肥寧國路一婚紗店司機(jī)發(fā)現(xiàn)店內(nèi)的婚紗、沙發(fā)、婚紗照和一些飾品全部被洗劫一空，連個凳子都沒留下，只剩下空空一個屋子，據(jù)檢查，店內(nèi)安裝的兩個攝像頭

17、一個被布料包裹，另一個被塑料袋遮擋。店內(nèi)損失估計五十萬元。2011 年 4 月 15 日，廣州一商場發(fā)生群體斗毆事件，事件發(fā)生時，有人將斗毆現(xiàn)場的一個攝像頭移開，以避免被錄像留證，事后集體換衣，從容離開，造成惡劣的群眾影響。2011 年 7 月 28 日，中國永康一家高級餐廳的管理員發(fā)現(xiàn)四樓一房間內(nèi)的兩只保險箱少了一只里面放著 100 萬的現(xiàn)金。而失竊房間附近的攝像頭均被人用膠帶封住。且嫌犯很小心，將指紋都抹掉了。上述案例表明，對攝像頭干擾進(jìn)行實時檢測，及時對監(jiān)控的異常情況進(jìn)行預(yù)警，是非常有意義和實用價值的研究課題。攝像頭一旦被干擾，對傳統(tǒng)視頻監(jiān)控，錄制的視頻信息不再具有監(jiān)控價值，影響監(jiān)控人員

18、的正常工作，且不能留下不法分子的影像資料。其實攝像頭干擾檢測不僅僅是針對傳統(tǒng)的視頻監(jiān)控，它對于現(xiàn)在日益火熱的智能視頻監(jiān)控系統(tǒng)來說更是尤為重要。本論文旨在研究出租車副駕駛攝像頭干擾自動檢測算法。依托于2013 年度陜西省交通運(yùn)輸廳科研項目：營運(yùn)車輛在途視頻圖像分析技術(shù)研究。以下作簡要闡述：出租車副駕駛位置視頻檢測技術(shù)對于規(guī)范出租車司機(jī)的收費(fèi)行為，對出租車攝像頭人為干擾的自動檢測都具有重要意義。在本項目中將對出租車副駕駛位置乘客檢測和出租車副駕駛位置攝像頭干擾自動檢測進(jìn)行深入研究。通過視頻檢測技術(shù)實現(xiàn)對副駕座位置的乘客自動檢測與提取、識別與理解，來判斷出租車司機(jī)是否按照規(guī)定使用計價器。在出租車遠(yuǎn)程

19、監(jiān)控系統(tǒng)中，攝像機(jī)的數(shù)目眾多，被干擾時很難被發(fā)現(xiàn)，本項目將對現(xiàn)有的出租車監(jiān)控調(diào)度系統(tǒng)加以改進(jìn)，從而節(jié)省大量的人力和物力資源，極大地發(fā)揮出監(jiān)管平臺的作用：可以監(jiān)管出租車司機(jī)違規(guī)收費(fèi)行為。通過分析出租車副駕駛位置的監(jiān)控視頻，可判斷出租汽車司機(jī)是否有不打表、拼車等違規(guī)行為。對出租車的車載攝像頭干擾自動檢測進(jìn)行深入研究。在出租車遠(yuǎn)程監(jiān)控系統(tǒng)中，攝像機(jī)的數(shù)目眾多，被干擾時很難被發(fā)現(xiàn)，這就需要監(jiān)控系統(tǒng)具有自我檢測能力，能夠及時發(fā)現(xiàn)異常并提醒工作人員迅速處理，提高工作效率。1.2國內(nèi)外研究現(xiàn)狀智能視頻（Intelligent Video，IV）技術(shù)自20世紀(jì)90年代誕生以來，經(jīng)過數(shù)十年的發(fā)展，這項技術(shù)已從高

20、高在上的“神壇”逐步走向應(yīng)用面。隨著商業(yè)應(yīng)用的不斷深入，這項技術(shù)受到了人們的普遍關(guān)注，在國防安全以及經(jīng)濟(jì)建設(shè)中都發(fā)揮著不可忽視的作用。特別是在監(jiān)獄、機(jī)場、交通等特殊領(lǐng)域中已經(jīng)嶄露頭角，有效的提高了工作效率，節(jié)約了大量的人力物力。近年來，隨著智能圖像處理等相關(guān)技術(shù)的發(fā)展，已有很多科研院所和商業(yè)機(jī)構(gòu)投身于該技術(shù)的研究之中。如美國 Tektronix 公司研制出了一種圖像質(zhì)量分析儀，并已得到廣泛的應(yīng)用。美國 IBM 公司、韓國 SK 電信等也針對該領(lǐng)域的相關(guān)問題展開了深入的研究。同時，圖像質(zhì)量評價算法層出不窮，其中比較典型的如基于人類視覺系統(tǒng)（Human Vision System，HVS）的圖像質(zhì)

21、量評價模型，基于結(jié)構(gòu)相似度（Structural Similarity Image Measurement，SSIM）的評價模型等。相對來說，對視頻監(jiān)控技術(shù)的相關(guān)研究國內(nèi)開始得比較晚。但是，近年來隨著計算機(jī)以及圖像處理等相關(guān)技術(shù)的迅速發(fā)展，以及國防建設(shè)、公共安全等領(lǐng)域的市場需求，視頻監(jiān)控技術(shù)得到了前所未有的發(fā)展契機(jī)。目前，眾多國內(nèi)知名的高等院校、研究院所甚至商業(yè)機(jī)構(gòu)投入到了對視頻監(jiān)控系統(tǒng)的相關(guān)研究中。例如，2009 年重慶市計量質(zhì)量檢測研究院承接了國家質(zhì)檢總局“視頻監(jiān)控系統(tǒng)檢測方法和檢測裝置的研究與建立”這一科研項目。取得了很好的成效，發(fā)明了視頻監(jiān)控系統(tǒng)檢測方法及其裝置，并申請了專利，填補(bǔ)了國

22、內(nèi)外視頻監(jiān)控工程檢測領(lǐng)域無專用檢測儀器的空白。此發(fā)明結(jié)構(gòu)簡單、使用方便、檢測成本較低，能夠有效滿足目前視頻監(jiān)控領(lǐng)域的檢測要求。北京互信互通信息技術(shù)股份有限公司針對“全球眼”這類大規(guī)模網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)專門研發(fā)了智能化視頻故障分析與預(yù)警系統(tǒng)。通過視頻質(zhì)量診斷模塊，用戶能夠及時有效的檢測到視頻采集、視頻傳輸?shù)拳h(huán)節(jié)的設(shè)備故障或環(huán)境干擾所導(dǎo)致的圖像質(zhì)量問題，并能夠及時發(fā)現(xiàn)惡意破壞監(jiān)控設(shè)備的行為。該系統(tǒng)不僅能夠在設(shè)備、傳輸?shù)拳h(huán)節(jié)發(fā)生問題后，迅速進(jìn)行處理，保障監(jiān)控系統(tǒng)的有效運(yùn)行，還能夠幫助用戶實時監(jiān)控視頻采集設(shè)備的工作狀況，有效降低大型監(jiān)控安防系統(tǒng)的運(yùn)維工作量。攝像頭干擾，指人為干擾攝像頭監(jiān)控錄制的行為，主

23、要分為三類：1）遮擋，即攝像機(jī)鏡頭被不透明物體遮蓋，阻礙監(jiān)控視頻的錄制（見圖 1.1（b）。2）可見度降低，即攝像機(jī)鏡頭因為失焦或是被噴灑涂料導(dǎo)致所捕獲的監(jiān)控圖像模糊不清（見圖 1.1（c）。3）移位，即攝像機(jī)鏡頭被轉(zhuǎn)向指定的監(jiān)控方向外，無法監(jiān)控指定的區(qū)域（見圖 1.1（d）。 (a) (b) (c) (d)(a)為正常的監(jiān)控圖像；(b)為被遮擋的監(jiān)控圖像；(c)為攝像頭可見度減低的監(jiān)控圖像；(d)為被移位的攝像頭監(jiān)控圖像圖1.1攝像頭干擾的定義攝像頭干擾的定義最早由P. Gil-Jimenez等人在 2007 年 IWINAC 會議上提出。迄今為止，根據(jù)是否需要建立背景模型可將攝像頭干擾檢測

24、算法大致分為兩類：基于緩存區(qū)的檢測算法以及基于背景建模的檢測算法。具體介紹如下：1.2.1基于緩存區(qū)的攝像頭干擾檢測方法這類算法不需要對監(jiān)控場景進(jìn)行背景建模，但是需要建立兩個緩沖存儲區(qū)：短時存儲區(qū)與長時存儲區(qū)，分別存儲距離當(dāng)前視頻圖像較近以及較遠(yuǎn)的一段時間內(nèi)的視頻圖像。然后針對不同的度量分別對短時存儲區(qū)與長時存儲區(qū)間的每兩幀與長時存儲區(qū)內(nèi)的每兩幀進(jìn)行度量比較，分別取這兩種比較的中值，求其比值，最后與閾值比較，判斷是否有異常情況的發(fā)生。Evan Ribnick 等人在 2006 年 AVSS 會議上最早提出這種基于緩沖存儲區(qū)的檢測算法。此算法使用了三種直方圖度量，分別是基于色度直方圖、L1R 直

25、方圖和梯度方向直方圖，其中前兩種均為二維直方圖。此算法是以空間為代價換取其實時性。另外，由于其主要是基于色彩直方圖進(jìn)行判斷，所以對紅、綠色較為敏感，當(dāng)有鮮艷顏色進(jìn)入背景顏色較為單一的監(jiān)控范圍內(nèi)容易引起誤報，除此外，對背景色變化不明顯的攝像頭移位檢測率較低。2009 年 1 月，王寶軍在其碩士論文中提出了一種同樣是基于緩沖存儲區(qū)的檢測算法，該算法框架與Evan Ribnick等人提出的一樣，但在選取度量上，提出了一種基于Susan角點(diǎn)的圖像特征函數(shù)，為了滿足實時性的要求，采用了改進(jìn)的快速角點(diǎn)檢測方法。但該算法在遇到監(jiān)控場景中角點(diǎn)信息過少或過于復(fù)雜時易誤檢和漏檢。1.2.2基于背景建模的攝像頭干擾

26、檢測方法該類算法在檢測前需要先對監(jiān)控場景進(jìn)行背景建模，通過檢測背景模型與當(dāng)前視頻圖像的不同來判斷是否有攝像頭被干擾、破壞的情況發(fā)生。最早是由 P. Gil-Jimenez 等人提出的此類算法的一個實例。它主要是通過比較背景模型與當(dāng)前視頻圖像的信息熵、視頻圖像的邊緣像素數(shù)目和 ZNCC 來分別判斷是否有攝像頭遮擋、可見度減低或是被移位的情況發(fā)生。但是此算法設(shè)計只是針對室內(nèi)監(jiān)控場景的情況較為簡單的情況下設(shè)計的，盡管能較好的滿足實時性監(jiān)控的需求但仍舊無法適應(yīng)較為復(fù)雜的環(huán)境。另外作者只給出了各個度量在攝像頭正常與異常的情況下取值確實有反差的實驗結(jié)果，并未對此算法的漏報率，誤報率等指標(biāo)做統(tǒng)計。同年，An

27、il Aksay 等人在 AVSS 會議上提出了基于小波系數(shù)的攝像頭干擾檢測算法。其基本思想是通過比較背景模型與當(dāng)前視頻圖像的小波變換系數(shù)來判斷是否有異常情況發(fā)生。在該算法中，除了判斷攝像頭被遮擋是通過比較灰度直方圖外，判斷可見度降低以及移位都是基于背景模型與當(dāng)前視頻圖像的小波系數(shù)的比較，一個比較的是小波域的頻率能量，另一個則比較小波域的對應(yīng)邊緣像素數(shù)目。2009 年 Alg Saglam在其博士論文中對攝像頭的遮擋檢測使用的同樣是灰度直方圖，而移位檢測則利用的是相隔一段時間的兩幅背景圖像的對應(yīng)像素灰度值相等的像素數(shù)目進(jìn)行比較判斷。該算法最復(fù)雜的步驟便是攝像頭可見度減低的檢測算法對背景圖像與當(dāng)

28、前視頻圖像的傅氏變換頻域系數(shù)加窗后所求和的進(jìn)行比較，比較的閾值采用的是自適應(yīng)的閾值。該算法雖然經(jīng)驗證魯棒性較好，正確率較高，但是存儲代價很大且對光照變化的魯棒性有待提高。1.3本文主要研究內(nèi)容和結(jié)構(gòu)1.3.1論文研究內(nèi)容本論文旨在研究出租車副駕駛攝像頭干擾自動檢測算法。依托于2013 年度陜西省交通運(yùn)輸廳科研項目：營運(yùn)車輛在途視頻圖像分析技術(shù)研究。本論文將對以下內(nèi)容作簡要闡述：解決出租車位置乘客自動檢測和出租車副駕駛位置攝像頭干擾自動檢測這兩個問題的關(guān)鍵是要對出租車副駕駛位置視頻圖像的實現(xiàn)背景重構(gòu)。當(dāng)有乘客進(jìn)入或者人為干擾攝像頭時，當(dāng)前圖像與背景圖像將出現(xiàn)差異，通過這種當(dāng)前圖像和背景圖像之間的

29、差異，我們就可以實現(xiàn)對副駕駛位置乘客的自動檢測和攝像頭干擾的自動檢測。車輛在行駛過程中，由于攝像頭容易受到干擾。解決在攝像機(jī)干擾情況下背景重構(gòu)技術(shù)，在出租車副駕駛位置攝像頭受到的干擾情況下，正確的構(gòu)建出背景圖像的技術(shù)，是解決出租車位置乘客自動檢測和出租車副駕駛位置攝像頭干擾自動檢測的關(guān)鍵技術(shù)。攝像機(jī)干擾分為人為干擾和非人為干擾。非人為干擾主要指：噪聲、道路顛簸導(dǎo)致的攝像機(jī)劇烈抖動和攝像機(jī)故障造成的攝像機(jī)成像異常；人為干擾主要指：攝像機(jī)被遮擋、攝像機(jī)被轉(zhuǎn)動或人為斷電等因素引起的攝像機(jī)成像異常。通常非人為干擾是偶發(fā)的，短暫的，而人為干擾通常是造成較長時間內(nèi)無法對車內(nèi)的人員進(jìn)行檢測。針對攝像頭的人為

30、干擾，通過對比攝像頭人為干擾前后背景圖像信息，發(fā)現(xiàn)異常，對駕駛員提出警告信息，并及時通知監(jiān)管部門，實現(xiàn)攝像頭異常工作狀態(tài)的自我檢測。針對非人為干擾下，背景重構(gòu)技術(shù)是實現(xiàn)實時、準(zhǔn)確的司乘人員檢測是關(guān)鍵技術(shù)之一。通常運(yùn)動目標(biāo)檢測法有光流法、幀差份法和背景減法。光流法計算量大，對硬件要求高；相鄰幀差法利用相鄰兩幀或幾幀之間差異的變化來判斷干擾是否發(fā)生，一般比較簡單，可以快速地檢測出干擾，缺點(diǎn)是誤報率比較高；背景減法一旦背景構(gòu)建好后，能實現(xiàn)實時的運(yùn)動目標(biāo)檢測，但是檢測結(jié)果受到背景的影響較大。本論文將提出一種適合車載攝像機(jī)的背景重構(gòu)檢測算法。1.3.2論文結(jié)構(gòu)安排本文對出租車副駕駛攝像頭干擾(camer

31、a sabotage)檢測算法進(jìn)行研究，針對兩類檢測算法分別進(jìn)行了學(xué)習(xí)與探討。著重學(xué)習(xí)了輪廓波變換的原理，并將其應(yīng)用于攝像頭干擾檢測的算法。本文的結(jié)構(gòu)安排如下：第一章：介紹了攝像頭干擾檢測的定義、意義，國內(nèi)外研究現(xiàn)狀，本文主要研究內(nèi)容以及結(jié)構(gòu)安排。第二章：詳細(xì)介紹了基于直方圖的攝像頭干擾檢測的算法，并進(jìn)行改進(jìn)。第三章：介紹了新一代小波輪廓波的發(fā)展，對輪廓波變換的原理進(jìn)行系統(tǒng)學(xué)習(xí)探討。第四章：建立一套基于輪廓波變換的攝像頭干擾檢測算法并實現(xiàn)，與基于小波變換的攝像頭干擾檢測算法進(jìn)行對比。第五章：總結(jié)了本文的研究工作并對未來的后續(xù)研究進(jìn)行了展望。第 2 章 基于直方圖的攝像頭干擾檢測方法及其改進(jìn)本章

32、學(xué)習(xí)討論的攝像頭干擾檢測算法是基于緩存區(qū)的檢測算法，無需建立背景模型，在緩存區(qū)的基礎(chǔ)上計算代表視頻圖像的直方圖間的距離，以此判斷是否有攝像頭干擾現(xiàn)象的發(fā)生。2.1 基于直方圖的檢測算法框架Evan Ribnick 等人提出的攝像頭干擾檢測算法，其主要思想是干擾事件的發(fā)生會導(dǎo)致干擾事件發(fā)生后的視頻圖像與未發(fā)生干擾的視頻圖像間存在較大差異，因而通過比較距離當(dāng)前幀較近的視頻圖像群與較遠(yuǎn)的視頻圖像群間的圖像特征差異是否超過給定的閾值來判定干擾事件的存在與否。具體算法步驟如下：STEP 1. 初始化。1. 建立起兩個緩存區(qū)，短時存儲區(qū)與長時存儲區(qū)（均為隊列，先進(jìn)先出）。攝像頭獲取的視頻圖像經(jīng)過初次采樣后

33、首先進(jìn)入短時存儲區(qū)，短時存儲區(qū)滿后溢出的視頻圖像經(jīng)過再次采樣送入長時存儲區(qū)，直至長時存儲區(qū)已滿（長時存儲區(qū)滿后溢出的視頻圖像就不必再保留了）；2. 比較短時存儲區(qū)的每一幀代表直方圖與長時存儲區(qū)的每一幀的代表直方圖，計算每兩個直方圖間的距離，取其中位數(shù)記作；3. 比較長時存儲區(qū)的每兩幀間代表直方圖的距離，取其中位數(shù)記作；4. 計算。STEP 2. 每有新一幀視頻經(jīng)過初采樣后進(jìn)入短時存儲區(qū)，短時存儲區(qū)溢出一幀，根據(jù)采樣率判斷其是否進(jìn)入長時存儲區(qū)。若進(jìn)入長時存儲區(qū)，則長時存儲區(qū)內(nèi)將溢出一幀。STEP 3. 計算短時存儲區(qū)新進(jìn)的視頻圖像的代表直方圖與長時存儲區(qū)內(nèi)每一幀的代表直方圖的距離，取其中位數(shù)，記

34、作；計算長時存儲區(qū)內(nèi)每兩幀間代表直方圖的距離，取其中位數(shù)記作。STEP 4. 計算，如果 D 的取值超過閾值即可判定有干擾現(xiàn)象的發(fā)生。具體的算法整體流程詳情可見圖 2.1 所示：圖 2.1 基于直方圖的攝像頭干擾檢測算法流程圖由上述算法步驟可知，當(dāng)攝像頭被干擾后，經(jīng)過一段時間，當(dāng)短時存儲區(qū)內(nèi)過半的視頻圖像都是異常發(fā)生后的視頻圖像時，值將有較大變動，超過閾值，從而引發(fā)報警機(jī)制。2.2 三種直方圖及直方圖距離度量在上一節(jié)內(nèi)容中我們了解了Evan Ribnick等人提出的攝像頭干擾檢測算法的大體框架，其比較的度量（即算法框架中提到的代表直方圖）主要是三種基于圖像像素點(diǎn) RGB分量的直方圖，我們將在下

35、面的章節(jié)中進(jìn)行詳細(xì)介紹。2.2.1 三種直方圖實際應(yīng)用中，我們希望視頻圖像間的差異度量對攝像頭的小的轉(zhuǎn)動或是晃動不敏感，但對視頻圖像中的輪廓及色彩的劇烈變動要敏感。針對此目的，Evan Ribnick 等人提出了以下三種直方圖來進(jìn)行視頻圖像間的度量比較。1. 色度直方圖（Histogram chromaticity）色度直方圖是二維直方圖，其兩個分量分別是歸一化的紅、綠色分量值（藍(lán)分量的歸一化值可由紅、綠分量的歸一化值唯一確定，所以不用考慮了）。這個二維直方圖的兩個分量計算公式如下： (2.1) (2.2)其中分別為像素的紅、綠、藍(lán)色分量值。色度直方圖對于光照的變化不敏感，對于色彩的變化很敏感

36、。2. 1-范數(shù)及色彩分量范圍直方圖（Histogram L1R）與色度直方圖一樣，1-范數(shù)及色彩分量范圍直方圖（為簡便期間，以后簡稱 L1R 直方圖）也是二維直方圖。L1R 直方圖的兩個分量分別是像素色彩分量的 L1 范數(shù)及其范圍，計算公式如下所示： (2.3) (2.4)給定像素的 L1 范數(shù)與其亮度成正比，而其色彩范圍則與飽和度緊密相關(guān)。由此可見 L1R 直方圖對光照變化較為敏感，盡管在某些情況下，光照的細(xì)微變化及漸變不是我們檢測的目標(biāo)，但是對于極端的光照變化，還是應(yīng)該引發(fā)報警機(jī)制，提醒安保人員注意。3. 梯度方向直方圖 （Histogram gradient direction）與前兩

37、個直方圖不一樣，梯度方向直方圖是個一維直方圖，而且不是針對圖像的像素值直接進(jìn)行直方圖統(tǒng)計，需要先進(jìn)行卷積處理。使用 3*3 的 Sobel 卷積模板卷積后，計算得到像素處的梯度方向（其中）,對此進(jìn)行直方圖統(tǒng)計。具體的計算公式： (2.5)由于像素梯度方向?qū)τ诠庹找约皵z像頭的輕微晃動都不敏感，所以梯度直方圖這個度量魯棒性非常好。2.2.2 距離度量Evan Ribnick 等人提出的計算直方圖的距離公式較為簡單，計算分別代表兩幅圖像的一維直方圖的與的距離公式如下所示： (2.6)由上式可知，一維直方圖的距離相當(dāng)于對一維數(shù)組對應(yīng)元素之差的絕對值求和，他們對于二維直方圖的距離定義是對一維的推廣： (

38、2.7)2.3 LOG直方圖及巴氏距離攝像頭被人為干擾破壞時，拍攝的視頻圖像會發(fā)生較大變化，例如，攝像頭被遮擋，視頻圖像的輪廓邊緣將會發(fā)生較大變動。我們檢測干擾現(xiàn)象的重點(diǎn)在于選擇適當(dāng)?shù)膱D像特征以及直方圖的距離度量。2.3.1 LOG直方圖在求梯度方向直方圖時，由于噪聲對邊緣檢測的干擾，會使梯度方向直方圖的統(tǒng)計產(chǎn)生很大的誤差，因此我們提出以 LOG 直方圖來衡量視頻圖像間的邊緣輪廓變化。LOG 直方圖是對視頻圖像的灰度圖像使用 LOG（Laplacian-Gauss）模板卷積后的圖像進(jìn)行統(tǒng)計而得的直方圖。LOG 卷積模板結(jié)合了 Gauss 平滑模板和 Laplacian 銳化模板的優(yōu)點(diǎn)，在卷積過

39、程中既去噪又銳化了邊緣輪廓，對邊緣的檢測效果更好。我們使用的 LOG 模板為 (2.8)由圖 2.2 可以看出，LOG 模板求取邊緣的結(jié)果比 Sobel 要完整，Sobel 方法的邊緣有些丟失不全（門左下部分以及人的胳膊部分）。(a) (b) (c)圖 2.2對比結(jié)果： (a)視頻圖像I; (b)使用Sobel模板求得的視頻圖像 I邊緣圖像；(c) 使用 LOG 模板求得的視頻圖像 I 的邊緣圖像。2.3.2 巴氏距離直方圖的距離直接影響著視頻圖像的相似性比較。文獻(xiàn)4中提出的直方圖距離度量過于簡單，有時會出現(xiàn)與同一概率分布直方圖距離相等，但實際上分布直方圖的相似度卻不一樣。例如對于概率分布(如

40、圖 2.3 所示)，很明顯與的分布的相似度要比與的分布的相似度相比要高，但是用文獻(xiàn)4中提出的直方圖距離度量測量，其距離均為0.12。（a） (b) (c)圖2.3 (a)概率分布y1的直方圖; (b)概率分布y2的直方圖; (c)概率分布y3的直方圖實際上我們在衡量直方圖距離時，常用的距離度量是巴氏距離。巴氏距離（Bhattacharyya Distance）是統(tǒng)計學(xué)中用于測量兩隨機(jī)概率分布的相似性度量，多用于分類目的。對于歸一化的分布向量，其長度均為，巴氏距離的計算如下所示： (2.9)的值越接近0時，向量的相似度越高，反之則相似度越低。當(dāng)其值為0時，完全相同。使用巴氏距離衡量我們前面給出的

41、示例，y2與y1的巴氏距離為0.0019，而y3與y1的巴氏距離為 0.0045，與我們直觀觀測到的情況相符?？梢娕c論文4中的直方圖相似性度量相比，巴氏距離更具有統(tǒng)計學(xué)意義，準(zhǔn)確度也更高。2.4 實驗結(jié)果由于沒有攝像頭干擾檢測這方面的公開視頻庫，我們采用的是在3個不同場景（簡單室內(nèi)場景、復(fù)雜室內(nèi)場景、室外）下錄制的共50段視頻，其中含15段正常視頻，其余均分別含有各種干擾情況。為了試驗的實時性及從計算代價方面考慮，我們設(shè)置短時存儲區(qū)存儲5幀視頻圖像，長時存儲區(qū)存儲10張視頻圖像。其中一個場景的實驗結(jié)果分別見表格2.1。其中PAT代表正確報警率PED代表檢測到的異常事件的比率（PAT=正確報警次

42、數(shù)/總報警次數(shù), PED=正確報警次數(shù)/總的異事件數(shù)目）。當(dāng)錯報數(shù)目與漏報數(shù)目達(dá)到最優(yōu)平衡時，我們標(biāo)記此時為閾值100%。表 2.1 簡單室內(nèi)場景下的實驗結(jié)果對比ThresholdFalse AlarmsMissed EventsPATPEDSobelSobel85%90%95%100%105%110%115%7 0 56.25% 100%7 0 56.25% 100%6 0 60.00% 100%2 1 80.00% 88.89%2 2 77.78% 77.78%0 4 100% 55.56%0 6 100% 33.33%LOG85%90%95%100%105%110%115%7 0 56.

43、25% 100%7 0 56.25% 100%6 0 60.00% 100%2 1 80.00% 88.89%2 2 77.78% 77.78%0 4 100% 55.56%0 6 100% 33.33%由上表可見在簡單室內(nèi)場景下基于LOG直方圖與巴氏距離的算法要比原有算法效果要好，在達(dá)到最優(yōu)平衡閾值時，該算法要比原算法漏報率低。在復(fù)雜室內(nèi)場景下實驗結(jié)果同樣可以看出在閾值達(dá)到最優(yōu)平衡時本文的算法漏報情況少。有人走動的情況下，發(fā)生誤報的幾率較高。其中，蓄意遮擋這類異常事件的正確檢測率最高。在室外同樣是與原算法相比本文算法漏報情況較少。提出了新的比較視頻圖像間差異的LOG直方圖以及直方圖距離度量巴

44、氏距離。通過大量實驗我們可以看到本文算法減少了干擾事件的漏報，對攝像頭干擾的檢測效果有了明顯的提高。第 3 章 基于輪廓波變換的攝像頭干擾檢測小波分析在Ingrid Daubechies、Stephane Mallat等人的推動下，成為數(shù)字信號處理領(lǐng)域的有力支柱。但可惜的是其在一維信號處理時的優(yōu)勢不能簡單推廣到高維。傳統(tǒng)的小波變換在處理圖像時利用的可分離小波是由一維小波張成的，它只具有有限的方向性，在表示高維信號時，不是最稀疏的表示方法。為了研究圖像、曲面等高維數(shù)據(jù)，人們提出了如下多尺度幾何分析方法：脊波變換、梳狀波變換、小線波變換、曲線波變換、輪廓波變換等。我們將在本章學(xué)習(xí)有關(guān)輪廓波變換的相

45、關(guān)知識。3.1 輪廓波變換的起源E.J.Candes 和 D.L.Donoho 提出了一種多尺度的脊波系統(tǒng)曲線波，其在邊緣曲線檢測方面具有很好的感知效果，但存在高冗余、在直角坐標(biāo)系很難對分離圖像進(jìn)行線性變換等問題。2002 年 M.N.Do 和 Martin Vetterli在曲線波的基礎(chǔ)上提出了一種新的多尺度分析方法輪廓波變換（Contourlet Transform）。輪廓波變換在圖像處理方面具有最優(yōu)的表示方法的特征即多分辨、局域性和方向性，它在不同尺度分別進(jìn)行方向分析：1）利用拉普拉斯金字塔變換進(jìn)行多尺度分解，捕捉奇異點(diǎn)；2）通過方向濾波器組將相同方向的奇異點(diǎn)聚在一起。自輪廓波變換提出后

46、，不少學(xué)者對其理論及框架進(jìn)行了完善、進(jìn)一步發(fā)展。2003年Y.Lu和M.N.Do提出了CRISP輪廓波變換（Critically Sampled Contourlet Transform），它與輪廓波變換的頻域剖分形式類似，是通過非可分迭代濾波器組進(jìn)行輪廓波變換的兩步。2006 年 A.L.Cunha 等人基于 aTrous算法提出了非下采樣輪廓波變換（Nonsubsampled Contourlet Transform , NSCT）。非下采樣輪廓波變換同樣是分兩步進(jìn)行，只不過金字塔分解還有方向濾波器組均為非下采樣的。NSCT 除了繼承輪廓波變換的多分辨、局域性和方向性的良好特性外，還具有平

47、移不變性。輪廓波變換因其在圖像表示方面的優(yōu)勢被廣泛應(yīng)用于斑點(diǎn)抑制、目標(biāo)識別、圖像融合、紋理分割與分類等領(lǐng)域。隨著輪廓波理論和算法的不斷完善與發(fā)展，它在圖像處理領(lǐng)域中將會大放光彩。3.2 拉普拉斯金字塔分解1983 年 P.J.Burt 和 EA.Adelso提出一種圖像多分辨分析的工具拉普拉斯金字塔分解。傳統(tǒng)的小波變換濾波器組中，一高通頻道在下采樣后被折回低通組，其頻譜被反射，發(fā)生頻率混雜。在拉普拉斯金字塔分解中，不存在這種頻率混雜現(xiàn)象，因為它在每一層的分解中只生成一幅帶通圖像，且只對低通頻道進(jìn)行下采樣。與傳統(tǒng)的重構(gòu)方法不同，輪廓波變換不是將差信號簡單的加到預(yù)測信號上，而是使用最優(yōu)線性重構(gòu)，即

48、雙重框架算子進(jìn)行重構(gòu)。如圖3.1所示。其中是第層的低頻圖像，H是高通濾波器，G是低通濾波器，M是采樣矩陣。 （a） （b）圖3.1(a) 拉普拉斯金字塔分解過程; (b) 拉普拉斯金子塔重構(gòu)過程我們在輪廓波變換里主要使用的是拉普拉斯金子塔分解過程。下面是具體對一副圖像進(jìn)行拉普拉斯金字塔分解的示意圖。圖3.2 高斯拉普拉斯金字塔分解示意圖3.3 方向濾波器組1992 年 R.H.Bamberger 與 M.J.T.Smith提出了一個二維方向濾波器（2-DDirectional Filter Bank, 2-D DFB），既可完全重構(gòu)又可得到一個“最稀疏”表示。這種方向濾波器的帶通區(qū)域為楔形，從

49、而能夠提供方向性的信息。它的實現(xiàn)是通過m層的二叉樹在每層生成2m個方向子帶。2001 年 M.N.Do 在其博士論文中提出一種新的濾波器組。此濾波器組為了避免對輸入信號進(jìn)行調(diào)制采用的是扇形的共軛鏡像濾波器組（QFB），包含了兩部分：1. 基于扇形濾波器的兩通道梅花形濾波器組，用于將二維譜圖分解為水平和豎直兩個方向； 2. 重采樣（即原文提到的剪切操作 Shearing Operator），這步操作并不改變圖像的像素數(shù)目，只是進(jìn)行了重排。下面對此進(jìn)行詳細(xì)介紹。3.3.1 多維多采樣方向濾波器組的核心問題是解決在保持樣本數(shù)目不變的前提下將方向頻率劃分到要求的精度，采樣則是解決的途徑。我們將采樣定義

50、在網(wǎng)格上，利用d d的整數(shù)矩陣（非奇異）來表示d維的網(wǎng)格。采樣實際上為輸入網(wǎng)格的坐標(biāo)與輸出網(wǎng)格的坐標(biāo)間的一個線性變換。設(shè)(1,2)為輸入網(wǎng)格的坐標(biāo)，(1,2)為輸出網(wǎng)格的坐標(biāo)，M 為采樣矩陣，由于在本文中我們用到的都是2 2的采樣矩陣，這里我們就記 M 為2 2的非奇異矩陣。對輸入的圖像矩陣x進(jìn)行采樣，記為 xd (1,2) = x(1,2),即 (3.1)當(dāng)采樣矩陣為以下兩個矩陣時，我們稱之為梅花形采樣。梅花形采樣如圖所示: (3.2) (a) (b) (c) (d)（a）梅花形采樣示意圖；(b)原圖像；(c) 采樣效果圖；(d) 采樣效果圖圖 3.3 梅花形采樣圖當(dāng)采樣矩陣的行列式為 1

51、時，即幺模矩陣時，由于采樣點(diǎn)數(shù)目在采樣前后不會發(fā)生變化，只是采樣點(diǎn)位置發(fā)生變化，我們稱此種采樣為重采樣，采樣矩陣則為重采樣矩陣。主要有以下四種重采樣矩陣： (3.3)采樣不僅可以對圖像進(jìn)行采樣，也可以對濾波器進(jìn)行采樣。但由于對濾波器進(jìn)行重采樣會改變?yōu)V波器的形狀，為了保持與原有濾波器的范圍相同（都在，上），在重采樣過程中我們需要進(jìn)行對稱延拓。例如使用重采樣矩陣R0對扇形濾波器進(jìn)行采樣，由圖 3.4(b)可看出我們需要在這個采樣結(jié)果圖的左右分別延拓一個周期（見圖 3.4(c)），然后在，上進(jìn)行截取(見圖 3.4(d)。(a) (b) (c) (d) (a)濾波器原圖；(b)濾波器重采樣效果圖；(c

52、)周期延拓(d)裁剪圖 3.4 濾波器采樣過程基于對濾波器采樣的相關(guān)知識我們易知濾波和采樣之間是可以進(jìn)行等效易位的，采樣矩陣為Q的等效易位關(guān)系如下圖所示:圖 3.5 等效易位圖3.3.2 方向濾波器組方向濾波器組的第一層是梅花形濾波器組，它是由扇形濾波器與梅花形采樣構(gòu)成的兩通道濾波器組。在完全重構(gòu)條件下，經(jīng)過梅花形濾波，輸入的圖像將被分為水平和豎直兩個方向，同時還能保持樣本數(shù)目不變，如圖 3.6 所示。圖 3.6 一層兩通道濾波器組分解與重構(gòu)兩層的方向濾波器組可對 4 個方向進(jìn)行頻域分割，第一層如上面所述，第二層則將第一層輸出結(jié)果作為輸入然后仍用扇形濾波器與梅花形采樣矩陣結(jié)合進(jìn)行濾波，如下圖所

53、示:圖 3.7 兩層方向濾波器組三層濾波器最多可得 8 方向頻域子帶，第三層是綜合梅花形濾波器與重采樣實現(xiàn)頻域分割。重采樣不影響采樣點(diǎn)數(shù)目只影響采樣點(diǎn)位置，所以不影響整個濾波器組的可逆性。圖 3.8 三層方向濾波器組我們通過分析來對上圖進(jìn)一步了解，根據(jù)等效易位的原理，我們設(shè)，因為，即采樣率為8，同時為保證輸出為矩形，據(jù)此可求得。3.4基于輪廓波變換的攝像頭干擾檢測攝像頭干擾主要分為三類：遮擋、可見度降低、移位。在這三種情況下，監(jiān)控圖像的邊緣輪廓都會發(fā)生較大變動，因此在檢測攝像頭干擾事件時，用以檢測圖像邊緣輪廓的方法是決定檢測效果的關(guān)鍵環(huán)節(jié)。由第三章我們了解了輪廓波變換在邊緣輪廓檢測方面的優(yōu)勢，在本章我們將輪廓波變換與攝像頭干擾檢測相結(jié)合，在輪廓波變換的應(yīng)用領(lǐng)域進(jìn)行新的探索。3.4.1 攝像頭干擾檢測算法如何更好的將輪廓波變換與攝像頭干擾檢測算法結(jié)合在一