對智能視頻監控系統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控系統中干擾檢測的問題，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 監控系統 干擾檢測

中圖分類號：TP277 文獻標識碼：A 文章編號：1674-098X（2017）03（a）-0085-02

伴隨智能監控的系統應用，逐漸涌現出大量干擾，導致監控系統的后續流程監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控系統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容變化范圍。

1.1 檢測遮擋

通常情況下，視頻內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。如果智能視頻的監控系統在正常的狀態下，攝像機所能監控的場景范圍較大，并且可以監控到較多圖像內容，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容，使得動態范圍變小，這樣可以使得灰度值處于某個數值附近，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0～32，i是經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-255～255，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，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。

1.2 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的范圍縮小，繼而導致圖像的細節損傷。經過對智能視頻的監控系統圖像進行觀察可知，如果圖像的曝光正常，灰度圖像的動態范圍比較廣泛，如果圖像的曝光過量，圖像的灰度處于255一側，增加像素數目，接近0側的像素數目比較少，這就會縮小圖像動態的范圍。和正常的圖像比起來，亮度出現異常圖像灰度的直方圖會發生一定位移，直方圖的寬度會縮小，0～255灰度級像素數目驟增或是驟減，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Δω。

如果智能視頻的圖像有異常，會使Δω減小，使得1/Δω增大，同時|[H255（fn）-H0（f0）]|數值也會增加。DMn只會對亮度的異常產生敏感性，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

如果智能視頻監控系統處于正常狀態下，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，通過失焦檢測能夠對圖像清晰度進行評價，尤其在自動化調焦的領域，圖像的清晰度可以有效評價視頻監控的情況，圖像清晰度的評價函數有著長久發展，常用評價函數包含神經網絡的評價函數、能量的函數和頻譜的函數。應用清晰度評價的函數能夠檢測頻譜性能情況，尤其在硬件上快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，數值是128，這代表視頻圖像高頻的含量。若監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DF>th2，代表發生失焦的干擾。

1.4 檢測噪聲情況

在視頻的監控系統之中，經常會遭受到各類噪聲的影響，嚴重影響到監控系統的后續流程。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，在構建灰度共生的矩陣時，是在密度函數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。可見，應用灰度的共生矩陣可以有效描繪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，然后對距離d進行統計，在像素（x+a，y+b）上產生頻度p（i，j，d，θ）。θ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，同時需要二次統計灰度共生矩陣中的對比度，同時度量矩陣數值分布的情況。

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，旨在實現分類的效果。各個干擾特征間存在交互的影響，能夠將各個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。由于智能視頻的監控系統之中有較多的攝像機，并且所監控內容存在差異，不能對閾值進行統一。另外，經訓練獲得閾值，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+sσ，就會出現干擾。M與σ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10～30，s為較小數值，一旦s過小，易出現誤檢，如果s數值過大，易出現漏檢。和正常的情況比起來，出現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] 吳欣華.視頻監控系統及智能視頻監控技術研究[J].信息系統工程，2014（9）：138.

[2] 韓國強.淺談智能視頻監控技術及其主要應用[J].計算機與網絡，2014（2）：62-65.

[3] 郭輝.高清智能分析綜述及分析[J].中國公共安全：學術版，2013（16）：145-147.