图像处理在数字视频监控系统中的应用.docx

图像处理在数字视频监控系统中的应用.docx

《图像处理在数字视频监控系统中的应用.docx》由会员分享，可在线阅读，更多相关《图像处理在数字视频监控系统中的应用.docx（7页珍藏版）》请在冰豆网上搜索。

图像处理在数字视频监控系统中的应用

数字图像处理技术在数字监控中的应用

1.概述

   数字图像处理技术在数字监控中的应用，最主要体现在基于图像处理的自动报警功能。

自动报警功能是基于数字图像处理的数字监控系统的关键部分，它直接关系到整个系统的信息化水平和自动监控报警的准确率。

基于图像处理主要是对图像内容进行检测，提取出适合报警的特征，其流程如图5所示。

包括的关键技术有：

图像截取、图像预处理、背景更新、目标检测、特征提取、特征识别等。

2.图像截取

   系统通过多路视频采集器将监控现场信息采集到控制中心，然后定时截取位图图像，用做后续目标检测和分析的原始图像。

位图由像素组成，特别适合图像处理。

若每路图像的帧数为25帧/s，则基本可以达到实时监控的效果。

3.图像增强

视频序列经过编码、解码、传输后，由于受到多种因素的影响，往往会使接收到的图像与原始图像之间产生某种差异，造成图像质量降低或退化，图像模糊不清等。

经H．264解码后得到的图像，由于去除了帧内、帧间的冗余，部分区域出现块效应，如地板、墙面和人的衣服等，视频播放时偶尔有闪动。

图像质量的下降，除了进一步优化编码器中帧内、帧间预测模式的算法以外，还可以采用图像处理的方式，改善人们感兴趣的信息。

对于数字视频监控系统来说，引起图像失真的主要原因有监控环境中的噪声、编码过程中产生的块效应等。

针对这些原因采取有效，可以通过图像处理的方法改善图像的质量。

如通过增强对比度的办法来看清图像的细节；运用平滑技术减少块效应对图像清晰度的影响；使用微分运算突出边界或其他变化部分等。

3.1图像锐化

在图像识别中，需要有边缘鲜明的图像，即图像锐化。

图像中的边缘像素都是亮度变化较大的地方，从数学观点来看，检查图像某区域内灰度的变化大小就是微分的概念。

图像函数在某处的微分值大，表明像素值的变化率大，边缘明显；反之，微分值小，表示像素值变化率小，边缘不明显甚至模糊。

当微分值为0时，表示像素值无变化。

图像锐化中最常用的方法是梯度运算。

梯度运算法包括Roberts算子、Sobel算子和Prewitt算子等，Sobel算子对噪声十分敏感Roberts算子的鲁棒性比较好。

由于监控系统图像中掺杂着大量的噪声，因此采用Roberts算子的图像锐化方法。

图3、4是采用Roberts算子对图1视频图像的处理，图3是阈值取35时的Roberts算子边缘检测结果,图4的阈值为5。

图4的中心图像乱成一片，无法确认有效信息，就是因为阈值的选取不当，将不是边缘的像素误当作边缘的结果,没有达到锐化的目的,所以阈值的选取是十分重要的。

3.2邻域平均法

平滑滤波对图像的低频分量进行增强，同时可以削弱图像的高频分量,因此一般用于消除图像中的随机噪声,从而起到图像平滑的作用。

图像邻域平均法的平滑效果与所用的邻域像素个数有关，像素越多，则图像的模糊程度越大。

邻域平均法包括：

简单平均法、阈值平均法,K一近邻平均法和邻域加权平均法等。

采用对y分量对图像进行邻域加权平均法平滑处理，对图像边缘像素点没有进行处理。

图1是视频监控序列的背景图像，图5是处理前的直方图，图6是进行邻域加权平均法处理后的直方图统计结果，从图5、6中可以看到，Y分量的值从0—255变化为20—255，缩小了变化范围，直方图外围曲线更加平滑，毛刺减少，缺点是图像的边界,轮廓更加模糊。

4.背景更新

   目标检测的前提是前景帧图像（如图2）与背景帧图像（如图1）做差。

所谓背景帧图像，通常是由监控现场固定的设备组成（如图1）。

  当然，背景也不是一成不变的。

例如，监控现场环境，在白天与晚上，由于光线的影响，背景是不同的。

背景更新技术就是为了得到最新的背景帧图像。

目前，背景更新算法有很多，本文选用简单且效果不错的AdaptiveMedianFilter（AMF）算法。

它是一种递归迭代算法，由非递归算法MedianFilter改进而来。

AMF算法的基本思想是，若新输入的图像帧的像素值比预估计的背景图像中的对应位置的像素值要大，则估计背景图像的像素值加1；反之，如果比对应位置的像素值要小，则减1.

5.运动目标检测

安全监控是数字视频监控的重要任务，运动目标检测能及时发现异常运动目标，报警提醒监控人员，是实现安全监控的重要手段之一。

运动目标检测的准确与否对后续步骤中的跟踪和识别会产生重要的

影响。

5.1帧间差分法

帧间差分法通过对视频图像序列相邻两帧作差分运算以获取运动目标的轮廓，鲁棒性较好，摄像头静止和运动的情况下都能使用。

与背景差分法不同的是，由于用来差分的两帧图像时间间隔很短（大约等于视频帧率的倒数），即使背景图像受噪声等外部因素干扰，背景图像也不会产生太大的影响。

在监控系统中，当摄像头静止时，采集到的背景图像一般变化不大；当有物体出现或运动时，图像中的像素值发生比较大的改变，因此通过帧间像素值相减的方式，判断是否有异物入侵，并通过二值化该灰度差分值来提取运动信息。

图2是视频序列的第72帧图像，图7是采用帧间差分法检测到的运动目标，图7中可以看到，除了检测到的运动物体以外，还有许多杂质“黑点”，这些杂质“黑点”就是由于背景图像受物体运动引起的光线变化等的影响，两帧图像之间产生了残差数据，从而误认为是运动点造成的。

5.2改进的帧间差分法

视频监控系统中运动物体识别的重点区域是“门”周围等敏感域，识别、检测出“门”的位置，及时发现“门”周围像素的变化，是监控系统图像处理的关键之一。

对此采用对图像中不同区域设置不同权值的方法进行运动目标检测。

在监控系统中，应该对最为敏感的、已检测出的“门”区域块设置比较大的权值，其他区域设置比较小的权值。

在这种方法中，最关键的是权值的选取。

权值不能太大，微小放大的同时，也会放大噪音等干扰点的变化，权值太大，会将某些干扰点误认为运动物体；权值太小，就会等同于上述经典算法。

为了和经典帧间差分算法相比较，同样选取72帧和73帧，并假设在72帧和73帧之间运动目标进入“门”区。

与图7相比，图8物体的轮廓图更加完整，但运动物体周围的杂质点增多。

从监控系统安全检测角度来说，这个效果是可以接受的。

因此，在敏感区域采用加权值的方法，在一定程度上改善了视频监控图像中静止背景下的运动目标检测的效率。

6.特征提取

 移动目标在二值图上以白色斑块形式体现，因此，斑块信息就是移动目标的微观信息，可以通过斑块分析算法获取斑块信息，从而提取移动目标的特征。

   在四连通环境下对斑块进行分析。

所谓四连通，是指一个象素点的上下左右方向四个紧邻的点与这个点是相邻关系，而左上、左下、右上、右下四个点与这个点不属于相邻关系。

斑块信息越丰富，检测和跟踪就越精确。

本文主要采用感染算法进行斑块分析。

感染算法主要是由主扫描和子扫描两部分组成，详细流程图如图11所示：

7.特征识别

   报警知识库是系统在进行报警识别时专用的一个知识库，它是自动报警不可缺少的。

报警知识库是在系统自动监控过程中逐步建立起来的，并不断得到补充的。

知识库中有多个知识元，例如移动目标的面积、位置、周长等，这些知识元的初始化可以由用户设定，随后可在日积月累的监控过程中，通过自学习逐步更新，找到一个最佳值。

   报警特征识别，就是将上一步提取的移动目标特征与报警知识库中知识元的值进行比对，如果达到了报警的要求，即发出报警消息。

其实质就是用提取的目标特征与知识库进行匹配的一个过程。

系统定义如果连续有两次相邻帧图像的移动目标特征与报警知识库匹配成功，则启动自动报警功能，通知管理员。

   8.总结

针对数字视频监控系统智能化方面的薄弱环节，采用运动目标检测和图像增强方法对视频图像进行处理；针对视频监控系统背景图像变化不大的特点，在传统帧间差分运动目标检测的基础上，提出了对“门”等敏感区域增加权值的方法，成功分离出运动目标，提高了检测效率；给出了监控视频序列Y分量进行邻域平均加权法、Roberts算子边缘检测的图像增强结果。