一种基于傅里叶描述子和方向梯度直方图的入侵检测算法制造技术

一种基于傅里叶描述子和方向梯度直方图的入侵检测算法，包括如下步骤：1）获取连续视频帧图像；2）对视频帧图像进行帧间差分，进行一系列形态学操作，得到实际运动区域；3）运动区域是否为人体目标判断，截取视频帧图像及二值图像中对应步骤2）得到的实际运动区域，以滑动窗口形式提取视频帧图像的HOG特征，并采用基于HOG分类器进行判断；提取二值图像中规定维数的FD特征，并采用基于FD分类器进行判断；然后对两个分类器得到的结果进行逻辑与操作，得到最终判定结果；4）根据步骤3）的判定结果，如果判断为人则进行后续的行为逻辑判断并报警。本发明专利技术对光照、图像质量、环境干扰鲁棒性强，检测精度较高。

【技术实现步骤摘要】

本专利技术涉及计算机视觉、图像处理、特征选择、模式识别等
，尤其是一种针对监控视频信号进行处理、分析和理解，并对监控系统进行控制，实现区域入侵实时检测的算法，该方法可用于学校、银行、监狱、工厂等公共场合，对于私人住宅的周界区域同样适用。
技术介绍
随着计算机行业的飞速发展，图像处理和模式识别技术的不断完善，计算机视觉的高速发展，以及社会人口日益稠密所带来突发事件的不断增加，视频监控系统已大量应用于人们的生产和生活中。视频监控技术发展至今经过了人力现场监控、人力视频监控以及智能视频监控三个阶段。所谓智能视频监控即采用计算机视觉技术结合模式识别技术，实现机器对视频监控画面的分析、处理，并进行预警、报警及其他相关处理。智能监控技术可以实现监控区域的实时、自动、全天候监控，而入侵检测技术是智能监控系统的一个重要组成部分，是现代安防建设的一个重要研究方向。然而，国内的相关研究工作因起步较晚，因此发展还不成熟。据统计，目前安防产业每年近3000亿的市场中，周界入侵相关产品仅以64亿占据2.4%左右的份额。这与需求形成的强烈反差，也进一步证明周界入侵检测相关技术研究的迫切性。目前相对比较成熟的入侵检测技术还是以红外探测、振动探测、张力外墙等硬件手段为主，存在误报多、使用范围较窄等问题。再者，目前的监控系统主要以被动的监控技术为主，必须辅助人工监视才能实现对非法入侵的有效实时的发现，否则往往只能作为事后的调查依据，然而这已无法适应不断扩大的视频监控规模。因此，基于智能监控系统的入侵检测技术越来越受到社会各界的关注。
技术实现思路
>为了能够稳定适应环境的变化，及时主动的发现入侵，同时又尽可能的减少误报，本专利技术在现有的视频监控周界防范的基础上加入智能视频分析技术，使监控系统拥有主动的周界入侵检测的能力。本专利技术提供了一种对环境变化、光照、噪声、图像质量等鲁棒性强的视频监控入侵检测方法，通过引入人体目标识别算法，实现对入侵目标的准确识别，排除动物、植物等其他干扰因素，从而有效降低系统的误报率，提高系统对环境的鲁棒性；而实时的智能视频自动分析使得监控系统在非人工干预的情况下也能实现实时、主动的入侵报警。本专利技术解决其技术问题所采用的技术方案是：一种基于傅里叶描述子和方向梯度直方图的入侵检测算法，所述检测算法包括如下步骤：1）连续视频帧图像的获取，其中表示第L帧视频图像，L为正整数；2）对视频中运动目标的提取，过程如下：2.1）对获取得到相邻视频帧进行帧间差分，得到差分图像，并以阈值对差分图像进行二值化，得到二值图像；2.2）对二值图像进行闭运算，得到图像；2.3）对图像先后进行邻域均值滤波和中值滤波，得到图像；2.4）疑似人体运动目标区域确定，选出中连通区域面积大于阈值的区域作为疑似人体运动目标区域；2.5）计算疑似人体运动目标区域的最大外接矩形，作为实际运动目标区域；3）人体目标检测，过程如下：3.1）对视频帧图像及二值图像在步骤2）中检测得到的实际运动目标区域进行截取，并分别采用HOG分类器和FD分类器以滑动窗口形式进行判断，具体过程如下：HOG分类器判断对视频帧图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算HOG特征，根据模型ModelHOG来进行判断，此时可以设定距离阈值来提高检测的准确率；FD分类器判断对二值图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算FD特征，根据模型ModelFD来进行判断，设定距离阈值来提高检测的准确率；3.2）融合HOG分类器和FD分类器的判断结果根据HOG分类器和FD分类器的判定结果进行逻辑与操作，得到最终的判定结果；4）当所述步骤3.2）结果为0时，返回步骤1）进行后续视频帧的判断；当结果为1时，进行行为逻辑分类和连续帧判断，当达到报警阈值时，触发报警系统。进一步，所述步骤3.1）中，训练HOG分类器和FD分类器还包括以下步骤：HOG分类器正负样本选择的图像作为输入图像；计算HOG特征。选择cell大小为，block大小为，每个block是36维向量，每幅图像共计维特征；以SVM为分类器，分类类别为2，对样本进行线性分类，正样本返回1，负样本为0，得到HOG分类模型ModelHOG；FD分类器正负样本选择的二值图像作为输入图像；计算FD特征，选择800维作为特征维度，并归一化到；以SVM为分类器，分类类别为2，对样本进行线性分类，正样本返回1，负样本为0，得到FD分类模型ModelFD。再进一步，所述步骤3.1）中计算HOG特征和FD特征还包括以下步骤：HOG特征对输入图像进行归一化处理并进行Gamma变换；采用模板求取图像水平和垂直方向的梯度、及其方向；划分矩阵块block并统计矩阵块信息把图像平均分成若干正方形的细胞cell，每个细胞包含个像素，每个细胞内把的梯度方向平均分成9个区间bin，然后每个cell内所有像素的梯度值分别在各个bin区间进行直方图统计，这样一个cell得到一个9维的特征向量。每个cell形成一个block，这样一个block就形成36维的特征向量，再对整个block进行归一化，得到最终的特征向量；获得最终的HOG特征对输入图像以滑动窗口形式进行检测，获取每个block的HOG特征，并将它们结合成一个包含n个数据的高维特征向量：，其中；：每个block中cell的个数；：梯度方向区间bin的个数；：图像中包含block的个数；FD特征离散采样图像边缘以为起点进行逆时针取样，以来表示坐标序列，如下式所示：，其中；m为图像边缘点个数，为边缘点的坐标；引入复数坐标系利用复数坐标系对边界的坐标序列进行重新解释，边界序列在复数坐标系下的形式如下所示：，其中；进行傅里叶变换对边界离散序列进行傅里叶变换，复系数即为目标边界的傅里叶描述子，如下式所示：；其中，；旋转、平移、缩放不变性处理通过乘以因子实现旋转不变特性，对的每个点都乘以旋转因子，如下式所示：；其中为旋转变换后的边缘点，，，则为增加旋转变换后的傅里叶描述子。平移和缩放变换原理与旋转变换类似。下式分别为边界序列的平移变换和缩放变换，其中为平移变换后的边缘点，为经平移变换后的傅里叶描述子，为旋转变换后的边缘点，为经缩放变换后的傅里叶描述子：其中，为每个点对应的位移常量，即；a为缩放因子；为脉冲函数，，。本专利技术的有益效果主要表现在：对光照、图像质量、环境干扰鲁棒性强，检测精度较高。附图说明图1是本专利技术实现的流程图；图2是HOG分类器训练正、负样本样例；图3是HOG特征提取流程图；图4是FD分类器训练的正、负样本本文档来自技高网...

【技术保护点】
一种基于傅里叶描述子和方向梯度直方图的入侵检测算法，所述检测算法包括如下步骤：1)连续视频帧图像的获取，其中表示第帧视频图像，为正整数；2)对视频中运动目标的提取，过程如下：2.1）对获取得到相邻视频帧进行帧间差分，得到差分图像，并以阈值对差分图像进行二值化，得到二值图像；2.2）对二值图像进行闭运算，得到图像；2.3）对图像先后进行邻域均值滤波和中值滤波，得到图像；2.4）疑似人体运动目标区域确定，选出中连通区域面积大于阈值的区域作为疑似人体运动目标区域；2.5）计算疑似人体运动目标区域的最大外接矩形，作为实际运动目标区域；3）人体目标检测3.1）对视频帧图像及二值图像在步骤2）中检测得到的实际运动目标区域进行截取，并分别采用HOG分类器和FD分类器以滑动窗口形式进行判断，具体过程如下：HOG分类器判断对视频帧图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算HOG特征，根据模型MaaaodelHOG来进行判断，此时可以设定距离阈值来提高检测的准确率；FD分类器判断对二值图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算FD特征，根据模型ModelFD来进行判断，设定距离阈值来提高检测的准确率；3.2）融合HOG分类器和FD分类器的判断结果根据HOG分类器和FD分类器的判定结果进行逻辑与操作，得到最终的判定结果；4）当所述步骤3.2）结果为0时，返回步骤1）进行后续视频帧的判断；当结果为1时，进行行为逻辑分类和连续帧判断，当达到报警阈值时，触发报警系统。...

【技术特征摘要】
1.一种基于傅里叶描述子和方向梯度直方图的入侵检测算法，所述检测算法包括如下步骤：
1)连续视频帧图像的获取，其中表示第帧视频图像，为正整数；
2)对视频中运动目标的提取，过程如下：
2.1）对获取得到相邻视频帧进行帧间差分，得到差分图像，并以阈值对差分图像进行二值化，得到二值图像；
2.2）对二值图像进行闭运算，得到图像；
2.3）对图像先后进行邻域均值滤波和中值滤波，得到图像；
2.4）疑似人体运动目标区域确定，选出中连通区域面积大于阈值的区域作为疑似人体运动目标区域；
2.5）计算疑似人体运动目标区域的最大外接矩形，作为实际运动目标区域；
3）人体目标检测
3.1）对视频帧图像及二值图像在步骤2）中检测得到的实际运动目标区域进行截取，并分别采用HOG分类器和FD分类器以滑动窗口形式进行判断，具体过程如下：
HOG分类器判断
对视频帧图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算HOG特征，根据模型MaaaodelHOG来进行判断，此时可以设定距离阈值来提高检测的准确率；
FD分类器判断
对二值图像中对应所述步骤2.5）得到的实际运动区域以大小为的窗口进行滑动检测，计算FD特征，根据模型ModelFD来进行判断，设定距离阈值来提高检测的准确率；
3.2）融合HOG分类器和FD分类器的判断结果
根据HOG分类器...

【专利技术属性】
技术研发人员：张永良，张智勤，黄聪敏，姜晓丽，
申请(专利权)人：杭州景联文科技有限公司，
类型：发明
国别省市：浙江;33