一种基于制造技术

本发明专利技术涉及图像处理领域，具体涉及一种基于

【技术实现步骤摘要】
一种基于AI视频分析和监控安防的预警系统


[0001]本专利技术涉及图像处理
，具体涉及一种基于
AI
视频分析和监控安防的预警系统
。

技术介绍

[0002]随着技术的进步，视频监控设备的普及和使用范围的扩大，大量的视频监控数据产生
。
人工处理监控数据需要耗费大量的时间和人力资源，而基于
AI
视频分析的预警系统可以自动进行监控画面分析，实现对异常事件的实时预警，大大减轻了人力成本和提高了响应速度
。
[0003]AI
视频分析技术可以通过深度学习算法进行图像识别
、
目标跟踪
、
行为分析等，做到较高的准确度和精确度
。
这种高效准确的预警能力可以帮助安防人员及时发现和应对安全威胁，提高安全性和预防犯罪活动
。
但是，在地下停车室内照明不足的情况下，监控拍摄的画面很难辨别一些物体的细节；因此，当地下室内车道上有一些杂物的堆叠，导致对图像的分析不准确，不能确定发生的一些情况，车在行驶过程中会发生意外；因此，需要对图像进行增强，然后用增强后的图像进行监控安防的预警
。

技术实现思路

[0004]本专利技术提供一种基于
AI
视频分析和监控安防的预警系统，以解决现有的问题
。
[0005]本专利技术的一种基于
AI
视频分析和监控安防的预警系统采用如下技术方案：包括以下模块：数据采集模块，用于采集地下停车室内的监控图像并进行灰度化得到灰度图像；图像预处理模块，用于对灰度图像进行超像素分割得到超像素块；图像增强变换模块，用于根据非线性变换函数得到对比度关系；获取每个超像素块的灰度直方图中每个灰度值的两侧像素点分布特征；根据每个超像素块的灰度直方图中每个灰度值对应的像素点的占比得到每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度；根据每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度和两侧像素点分布特征得到每个超像素块的灰度直方图中每个灰度值的目标程度；根据每个超像素块的灰度直方图中所有灰度值的目标程度得到每个超像素块的最优灰度值，根据每个超像素块的最优灰度值和对比度关系得到每个超像素块的最优伽马参数；根据每个超像素块的最优伽马参数对灰度图像进行增强得到增强后的灰度图像；预警模块，用于对增强后的灰度图像中的每个超像素块进行异常检测得到每个超像素块中每个像素点的异常因子，根据每个超像素块中每个像素点的异常因子得到异常像素块和非异常像素块；根据异常像素块和非异常像素块进行预警
。
[0006]进一步地，所述获取每个超像素块的灰度直方图中每个灰度值的两侧像素点分布
特征，包括：将每个超像素块的灰度直方图中任意一个灰度值记为每个超像素块的目标灰度值，将每个超像素块的灰度直方图中目标灰度值左侧的所有灰度值对应的像素点的数量的总和与每个超像素块中所有像素点的个数的比值作为每个超像素块的目标灰度值的两侧像素点分布特征；以此类推，获得每个超像素块的灰度直方图中每个灰度值的两侧像素点分布特征
。
[0007]进一步地，所述根据非线性变换函数得到对比度关系，包括：获取非线性变换函数中的伽马函数，获取伽马函数的导函数为1时灰度值和伽马参数之间的对应关系，将这个对应关系记为对比度关系
。
[0008]进一步地，所述每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度的获取方法包括：将每个超像素块的灰度直方图中任意一个灰度值记为每个超像素块的目标灰度值，每个超像素块的目标灰度值的左侧灰度值离散程度的计算公式为：
[0009]式中，表示超像素块的灰度直方图中从左到右的第
g
个灰度值对应的像素点的数量与超像素块中所有像素点的个数的比值，表示超像素块的目标灰度值，表示超像素块的灰度直方图中从左到右的第
g
个灰度值，表示超像素块的灰度直方图中最小的灰度值，
G
表示超像素块的灰度直方图中目标灰度值左侧的灰度值个数，表示超像素块的目标灰度值的左侧灰度值离散程度；
[0010]以此类推，获得每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度
。
[0011]进一步地，所述每个超像素块的灰度直方图中每个灰度值的目标程度的获取方法包括：将每个超像素块的灰度直方图中任意一个灰度值记为每个超像素块的目标灰度值，每个超像素块的目标灰度值的目标程度的计算公式为：
[0012]式中，表示超像素块的目标灰度值的左侧灰度值离散程度，表示超像素块的目标灰度值的两侧像素点分布特征，表示超像素块的目标灰度值的目标程度，
Q
为预设阈值
。
[0013]进一步地，所述每个超像素块的最优灰度值的获取方法包括：选取目标程度最小时对应的灰度值作为每个超像素块的最优灰度值
。
[0014]进一步地，所述根据每个超像素块的最优灰度值和对比度关系得到每个超像素块的最优伽马参数，包括：将每个超像素块的最优灰度值作为对比度关系中灰度值计算出伽马参数，将计算出的伽马参数记为每个超像素块的最优伽马参数
。
[0015]进一步地，所述每个超像素块中每个像素点的异常因子的获取方法包括：对增强后的灰度图像使用
LOF
算法对每个超像素块分别进行异常检测，获取每个超像素块每个像素点的异常因子
。
[0016]进一步地，所述根据每个超像素块中每个像素点的异常因子得到异常像素块和非异常像素块，包括：计算每个超像素块中所有像素点的异常因子的均值，对增强后图像中所有的超像素块中异常因子的均值进行线性归一化，得到每个超像素块归一化后的所有像素点的异常因子的均值，记为，表示第
k
个超像素块归一化后的所有像素点的异常因子的均值；
[0017]当大于等于预设阈值
HL
时，则将第
k
个超像素块记为异常像素块；当小于预设阈值
HL
时，则将第
k
个超像素块记为非异常像素块
。
[0018]进一步地，所述根据异常像素块和非异常像素块进行预警，包括：获取增强后的灰度图像中所有的异常像素块的个数，将增强后的灰度图像中所有的异常像素块的个数与所有超像素块的个数的比值，记为增强后的灰度图像的异常像素块占比，用
HK
表示；当
HK
小于等于预设阈值
PB
时，不需要进行预警处理；当
HK
大于预设阈值
PB
时，需要进行预警处理
。
[0019]本专利技术的技术方案的有益效果是：本专利技术通过图像和非线性增强函数获取对比度关系，通过对比度关系可以对灰度值较低的像素点进行调整，提高对灰度增强的准确性；再通过获取不同像素块的最优灰度值，然后根据对比度关系和最优灰度值得到每个超像素块的最优伽马参数，以此对图像进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
视频分析和监控安防的预警系统，其特征在于，该系统包括以下模块：数据采集模块，用于采集地下停车室内的监控图像并进行灰度化得到灰度图像；图像预处理模块，用于对灰度图像进行超像素分割得到超像素块；图像增强变换模块，用于根据非线性变换函数得到对比度关系；获取每个超像素块的灰度直方图中每个灰度值的两侧像素点分布特征；根据每个超像素块的灰度直方图中每个灰度值对应的像素点的占比得到每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度；根据每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度和两侧像素点分布特征得到每个超像素块的灰度直方图中每个灰度值的目标程度；根据每个超像素块的灰度直方图中所有灰度值的目标程度得到每个超像素块的最优灰度值，根据每个超像素块的最优灰度值和对比度关系得到每个超像素块的最优伽马参数；根据每个超像素块的最优伽马参数对灰度图像进行增强得到增强后的灰度图像；预警模块，用于对增强后的灰度图像中的每个超像素块进行异常检测得到每个超像素块中每个像素点的异常因子，根据每个超像素块中每个像素点的异常因子得到异常像素块和非异常像素块；根据异常像素块和非异常像素块进行预警
。2.
根据权利要求1所述一种基于
AI
视频分析和监控安防的预警系统，其特征在于，所述获取每个超像素块的灰度直方图中每个灰度值的两侧像素点分布特征，包括：将每个超像素块的灰度直方图中任意一个灰度值记为每个超像素块的目标灰度值，将每个超像素块的灰度直方图中目标灰度值左侧的所有灰度值对应的像素点的数量的总和与每个超像素块中所有像素点的个数的比值作为每个超像素块的目标灰度值的两侧像素点分布特征；以此类推，获得每个超像素块的灰度直方图中每个灰度值的两侧像素点分布特征
。3.
根据权利要求1所述一种基于
AI
视频分析和监控安防的预警系统，其特征在于，所述根据非线性变换函数得到对比度关系，包括：获取非线性变换函数中的伽马函数，获取伽马函数的导函数为1时灰度值和伽马参数之间的对应关系，将这个对应关系记为对比度关系
。4.
根据权利要求1所述一种基于
AI
视频分析和监控安防的预警系统，其特征在于，所述每个超像素块的灰度直方图中每个灰度值的左侧灰度值离散程度的获取方法包括：将每个超像素块的灰度直方图中任意一个灰度值记为每个超像素块的目标灰度值，每个超像素块的目标灰度值的左侧灰度值离散程度的计算公式为：式中，表示超像素块的灰度直方图中从左到右的第
g
个灰度值对应的像素点的数量与超像素块中所有像素点的个数的比值，表示超像素块的目标灰度值，表示超像素块的灰度直方图中从左到右的第
g
个灰度值，表示超像素块的灰度直方图中最小的灰度值，
G
表示超像素块的灰度直方图中目标灰度值左侧的灰度值个数，表示超像素块的目标
灰度值的左侧灰度值离散程度；以此类推，获得每个超像素块的灰度直方图中每个灰度值的左侧灰度值离...

【专利技术属性】
技术研发人员：魏冰卿，贺英，刘立辉，
申请(专利权)人：河北英创科技有限公司，
类型：发明
国别省市：