對智能視頻監(jiān)控系統(tǒng)中的干擾檢測與分類探究

1、    對智能視頻監(jiān)控系統(tǒng)中的干擾檢測與分類探究    鄧廣闊摘 要：該文主要分析了智能視頻監(jiān)控系統(tǒng)中干擾檢測的問題，并提出新型檢測的方法，同時對干擾的類型進行分類。這種方法可以提取噪聲污染、遮擋、偏色與亮度異常等特征，以便檢測不同類型的干擾，并且這種方法采取自適應閾值更新方法，能夠降低檢測方法復雜程度，加強檢測實用性。關鍵詞：智能視頻 監(jiān)控系統(tǒng) 干擾檢測：tp277 ：a ：1674-098x（2017）03（a）-0085-02伴隨智能監(jiān)控的系統(tǒng)應用，逐漸涌現(xiàn)出大量干擾，導致監(jiān)控系統(tǒng)的后續(xù)流程監(jiān)控效果受到嚴重影響。因此，需要相關人員深入分析智能視頻監(jiān)

2、控系統(tǒng)干擾檢測技術和分類情況，然后進行處理。1 檢測干擾情況若沒有相關因素干擾到視頻，一般不會引起視頻圖像變化；如果有相關因素干擾到視頻圖像，會加大視頻圖像的內(nèi)容變化范圍。1.1 檢測遮擋通常情況下，視頻內(nèi)容如果受到不法分子的刻意破壞就會引起遮擋干擾，例如：將異物覆蓋于鏡頭的表面。如果智能視頻的監(jiān)控系統(tǒng)在正常的狀態(tài)下，攝像機所能監(jiān)控的場景范圍較大，并且可以監(jiān)控到較多圖像內(nèi)容，信息量也相對較大，有著廣泛灰度級的分布范圍。若存在遮擋干擾，會因為鏡頭表面存在遮擋物，縮減視頻圖像所含的內(nèi)容，使得動態(tài)范圍變小，這樣可以使得灰度值處于某個數(shù)值附近，同時不同像素之間相關性比較強。通常情況下，遮擋圖像灰度級較

3、為集中，峰值和正常的圖像比起來相對較大，像素相關性也比正常圖像強，差分直方圖和灰度圖像的直方圖比較容易檢測出遮擋的干擾。假設第n幀圖像是fn（x，y），灰度的直方圖是hi（fn），i在032，i是經(jīng)量化以后圖像的灰度級，4個方向差分值的直方圖是（fn）、（fn）、（fn）、（fn），i在-255255，i代表的是差分圖像中的灰度級。因為差分的直方圖峰值不在0以內(nèi)，所以該文采取式（1）對圖像的相關性進行衡量。max（hi（fn）為第n幀的灰度直方圖峰值，eh（fn）為第n幀的4個主要方向灰度圖像的差分圖像峰值平均數(shù)值，能夠表示出圖像的相關性，一旦dhn>th1，能夠準確判定遮擋的干擾。1.

4、2 亮度異常的檢測通常畫面亮度的異常主要指的是：攝像機因為曝光過度或是過量不足造成圖像動態(tài)的范圍縮小，繼而導致圖像的細節(jié)損傷。經(jīng)過對智能視頻的監(jiān)控系統(tǒng)圖像進行觀察可知，如果圖像的曝光正常，灰度圖像的動態(tài)范圍比較廣泛，如果圖像的曝光過量，圖像的灰度處于255一側(cè)，增加像素數(shù)目，接近0側(cè)的像素數(shù)目比較少，這就會縮小圖像動態(tài)的范圍。和正常的圖像比起來，亮度出現(xiàn)異常圖像灰度的直方圖會發(fā)生一定位移，直方圖的寬度會縮小，0255灰度級像素數(shù)目驟增或是驟減，二者之差增大。假如第n幀圖像灰度的直方圖代表為hi（fn），而直方圖寬度代表為。如果智能視頻的圖像有異常，會使減小，使得1/增大，同時|h255（fn）

5、-h0（f0）|數(shù)值也會增加。dmn只會對亮度的異常產(chǎn)生敏感性，對于其他的干擾沒有敏感度，可以較好表示圖像異常變化的情況，如果dmn>th3，證明智能視頻中存在亮度異常的干擾。1.3 失焦的檢測如果智能視頻監(jiān)控系統(tǒng)處于正常狀態(tài)下，這時采集的視頻圖像有清晰輪廓，且高頻的分量相對較高。如果所用攝像機有失焦情況，會使得圖像變得相對模糊，換句話說，通過失焦檢測能夠?qū)D像清晰度進行評價，尤其在自動化調(diào)焦的領域，圖像的清晰度可以有效評價視頻監(jiān)控的情況，圖像清晰度的評價函數(shù)有著長久發(fā)展，常用評價函數(shù)包含神經(jīng)網(wǎng)絡的評價函數(shù)、能量的函數(shù)和頻譜的函數(shù)。應用清晰度評價的函數(shù)能夠檢測頻譜性能情況，尤其在硬件上快

6、速傅里葉的變換法不僅可以保證算法的實時性，同時可以提高計算的精確性，所以該文用頻譜函數(shù)來評價圖像清晰度。假設第n幀圖像是fn（x，y），其大小是mn，傅里葉的變換如下：在式（4）中：u=0，1，m-1，v=0，1，n-1。高頻的如下：在式（5）中，g（u，v）為高斯低通的濾波器，可以分離出圖像頻譜中的高頻分量，hfn為第n幀圖像高頻數(shù)值總和。檢測失焦的干擾特征如下：實際的應用之中，為使fft的算法便于使用，提升運算的速度，一般選取圖像的中心寬度為m，其等同于n，數(shù)值是128，這代表視頻圖像高頻的含量。若監(jiān)控的視頻存在失焦的干擾，會使得dfn增大，所以dfn可表示失焦圖像高頻的分量變動情況，如果

7、df>th2，代表發(fā)生失焦的干擾。1.4 檢測噪聲情況在視頻的監(jiān)控系統(tǒng)之中，經(jīng)常會遭受到各類噪聲的影響，嚴重影響到監(jiān)控系統(tǒng)的后續(xù)流程。一旦圖像中有噪聲，會加強圖像隨機性，導致像素間相關性減弱。通常情況下，在構(gòu)建灰度共生的矩陣時，是在密度函數(shù)與孤寂圖像的二階組合實際條件概率基礎上進行建立，計算視頻圖像之中灰度之間的相關性，繼而將圖像快慢、方向與間隔等信息充分反映出來?？梢姡瑧没叶鹊墓采仃嚳梢杂行枥L各個圖像像素之間相關性，同時可以對圖像的噪聲進行檢測。在定義灰度圖像的共生矩陣時，首先從圖像的灰度值i像素（x，y）出發(fā)，然后對距離d進行統(tǒng)計，在像素（x+a，y+b）上產(chǎn)生頻度p（i，j，

8、d，）。表示的是d兩像素和橫坐標軸相距夾角，處在灰度的共生矩陣生成的方向，同時需要二次統(tǒng)計灰度共生矩陣中的對比度，同時度量矩陣數(shù)值分布的情況。2 干擾的分類以及閾值的選擇該次研究中，主要探討了各類干擾的類型主要特征，并且對各種干擾特點進行檢測，旨在實現(xiàn)分類的效果。各個干擾特征間存在交互的影響，能夠?qū)⒏鱾€特征的相互影響消除，以提高檢測效果。此外，在選擇檢測的閾值時，其會影響到檢測效果，所以怎樣對閾值進行確定，始終是研究的重點。由于智能視頻的監(jiān)控系統(tǒng)之中有較多的攝像機，并且所監(jiān)控內(nèi)容存在差異，不能對閾值進行統(tǒng)一。另外，經(jīng)訓練獲得閾值，嚴重阻礙了算法實用性。所以檢測方法有自適應的性能，可以按照不同監(jiān)

9、控場景來自行選擇閾值分類與檢測，檢測準確率比較高。假設d（fn）是不同干擾的類型提取特征，如果d（fn）>th=m+s，就會出現(xiàn)干擾。m與向量x=d（fn-k），d（fn-k+2），d（fn），按照當前幀實際視頻的更新情況。k值越小代表閾值計算的時間越短。通常情況下，k值在1030，s為較小數(shù)值，一旦s過小，易出現(xiàn)誤檢，如果s數(shù)值過大，易出現(xiàn)漏檢。和正常的情況比起來，出現(xiàn)干擾所對應特征值的變化比較明顯，不容易影響到檢測的效果。3 結(jié)語該次主要針對噪聲、遮擋、亮度異常與失焦進行分析，提取了幾種檢測特征，同時使用多種不同特征干擾進行同時檢測，以降低漏檢率。和過去檢測方法比起來，此次所用檢測方法可以在保證檢測性能優(yōu)異性的同時，確保分類的效果。此外，關于閾值自適應的選取，能夠拓寬該方法應用范圍，有著重要使用價值，所以，為提高分類的準確率，還需要相關人員深入研究。參考文獻1