本发明涉及一种围界入侵混合检测方法及围界入侵混合检测系统。
背景技术:
围界入侵检测是安全防范管制中尤为重要的一项,当下主要的布防方式是基于信号检测和基于视频分析检测。
现有的围界入侵检测方法主要包括两类:
(1)物理方法:采用红外感应设备检测围界入侵,该方法有实时性强、不受光照影响等优点,但容易受雨雪天气、树木遮挡等原因产生误报。很多机场和铁路早期布置了此设备作为辅助检测,但因高误报率和高频率的报警消息,导致实际应用时要耗费大量人力排查。
(2)视觉方法:利用视频分析方法检测围界入侵,例如基于运动目标检测的算法,该算法速度较快,在良好成像条件下检测效果较好,但存在以下缺点:无法判别所检测的目标是否为人或其他物体,当围界摄像机镜头前经过小型动物(如鸟类)或有树木花草时,可能会导致误报;算法对天气和光照等条件较敏感。
此外,基于视频分析的神经网络技术具备检测准确性较高、可识别多种目标的优点,但存在分析速度慢、延迟高、容易漏报的缺点,且该算法需要使用大量高配置的显卡,成本是普通视频分析硬件价格的数十倍。
技术实现要素:
本发明的目的之一是为了克服现有技术中的至少一个不足,提供一种围界入侵混合检测方法及围界入侵混合检测系统。
为实现以上目的,本发明通过以下技术方案实现:
根据本发明的第一方面,提供了一种围界入侵混合检测方法及围界入侵混合检测系统。该围界入侵混合检测方法及围界入侵混合检测系统包括:
一种围界入侵混合检测方法,其特征在于,包括
步骤一:嵌套检测方法:
步骤a、使用运动目标分析算法对围界的监控图像进行围界入侵检测,初次判断是否入侵;
步骤b、若初次判断为是,对判断为是的图像使用神经网络算法进行围界入侵检测,二次判断是否入侵。
优选地,所述步骤a包括:
获取围界摄像机中的视频流,对视频流图像进行初始化;
使用运动目标分析算法对围界图像进行检测围界入侵,初次判断是否入侵,并得到精准率pm;
所述步骤b包括:
将所述步骤a判断为是的入侵图像传送给神经网络算法,神经网络算法进行围界入侵检测,测试得出边界框的置信度pridl;
所述神经网络算法包括使用以下公式对检测结果组合判定:
置信度pmerge=(pm+pridl)*(1-c)|c∈(0,0.5),其中c表示灵敏度系数;公式(一)
当置信度pmerge≥1时,则判定为是,有目标入侵围界;当pmerge<1,判定为否。
优选地,所述神经网络算法包括:
将将所述步骤a判断为是的入侵图像分割成若干个单元格,每个所述单元格负责检测中心点落在所述单元格内的目标;
每个所述单元格预测若干个边界框以及边界框的置信度pridl,所述置信度
其中所述置信度prfdl的取值在0和1之间,其值越大,代表检测目标存在的可信度越高。
优选地,所述运动目标分析算法包括:
给围界图像的每个像素点初始化一个样本集,所述样本集中的采样值为该像素点历史的像素值和其邻域的像素值,对比前后帧的像素点样本集从而判定是否有出现运动目标;
当视频流t=0时,像素的背景模型公式表示为:
bkm0=f0(xi,yi)|(xi,yi)∈ng(x,y),其中bkm0表示当前帧的蒙版,f0(x,y)表示为当前像素值,ng(x,y)为相邻的像素值,ng(x,y)初始化n次后表示为ng(xi,yi);公式(三)
图像初始化后,对后续视频流t的图像做前景目标分割;当t=k时,当前帧的像素点(x,y)的蒙版为bkmk-1(x,y),对应的像素值为f0(x,y),判断是否为前景的公式为:
当bkmk-1(x,y)小于或者等于t时,fk(x,y)是蒙版的像素;
当bkmk-1(x,y)大于t时,fk(x,y)为前景运动目标像素。
优选地,还包括步骤二:防漏报检测方法:
步骤c、若二次判断为否,判断是否满足三次判定条件;若满足三次判定条件,则修正所述神经网络算法中的系数,并对所述步骤b中判断为否的检测图像重新利用神经网络算法进行围界入侵检测,三次判断是否入侵。
优选地,所述步骤c包括:
根据嵌套检测方法的准确度,获取所述嵌套检测方法中的系数tp(truepositive)、tn(truenegative)、fp(falespositive)、fn(falsenegative);
建立防漏报混合概率模型,为公式:正确判定百分比
所述嵌套检测方法判定的置信度为pmerge,设判定公式为:thr=pmerge×predl;公式(六)
当thr≥0.5时,满足所述三次判定条件,降低所述公式(一)判定公式中的灵敏度系数c,并对所述步骤b中判断为否的检测图像重新利用神经网络算法进行检测围界入侵,三次判断是否入侵。
优选地,若三次判断为是,则所述嵌套检测方法检测结果存在漏报,调整所述嵌套检测方法中的系数tp(truepositive)、tn(truenegative)、fp(falespositive)、fn(falsenegative)。
优选地,设漏报率为m个检测样本中出现一次,表示为lm,按照下列公式更新tp参数为:
tp=tp+lm×cstep,其中cstep为lm的放大系数,cstep=(10,100,1000...),随着lm的值越小而增大。公式(七)
优选地,每帧围界图像重新利用神经网络算法再次进行围界入侵检测的次数只有一次。
一种围界入侵混合检测系统,其特征在于,包括:
运动目标分析算法模块(10),所述运动目标分析算法模块被配置为用于:使用运动目标分析算法对围界的监控图像实时检测围界入侵,初次判断是否入侵;
神经网络算法模块(20),所述神经网络算法模块被配置为用于:使用神经网络算法对所述运动目标分析算法模块判断为是的图像进行围界入侵检测,二次判断是否入侵;以及
防漏报检测模块(30),所述防漏报检测模块被配置为用于:当所述神经网络算法模块判断为否时,判断是否满足三次判定条件;若满足三次判定条件,则修正所述神经网络算法中的系数,以供所述神经网络算法模块对其判断为否的检测图像重新利用神经网络算法进行检测围界入侵,三次判断是否入侵。
不同于现有技术,本发明提供的围界入侵混合检测方法及围界入侵混合检测系统中,运动目标分析算法和神经网络算法嵌套配合使用,结合了运动目标分析算法和神经网络算法的优点:一方面,神经网络算法能够较为鲁棒地检测用户感兴趣的特定入侵目标——人、车辆、动物等;另一方面,运动目标分析算法检测速度快、对目标敏感。该围界入侵混合检测方法可实现得到高频率、高精准度、低成本的理想检测效果。
运动目标分析算法和神经网络算法嵌套配合使用,再使用防漏报检测方法对嵌套检测方法中神经网络算法判断为否的判定进行防漏报检测分析,可实现得到高频率、高精准度、低漏报、低成本的理想检测效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
图1为本发明一种实施例提供的围界入侵混合检测方法的原理图。
图2为本发明一种实施例提供的围界入侵混合检测方法的判定流程图。
图3为本发明一种实施例提供的围界入侵混合检测方法中的防漏报检测流程图。
图4为本发明一种实施例提供的及围界入侵混合检测系统的示意图。
其中,10:运动目标分析算法模块;20:神经网络算法模块;30:防漏报检测模块;32:防漏报混合概率模型模块。
具体实施方式
下面结合附图对本发明进行详细的描述:
实施例一:
根据本发明的一个方面,提供了一种围界入侵混合检测方法。如图1所示,该围界入侵混合检测方法包括以下步骤:
步骤一:嵌套检测方法。步骤一包括步骤a和步骤b。
其中步骤a、使用运动目标分析算法对围界的监控图像进行围界入侵检测,初次判断是否入侵。
其中步骤b、若初次判断为是,对判断为是的图像使用神经网络算法进行围界入侵检测,二次判断是否入侵。
本实施例中的围界入侵混合检测方法中的运动目标分析算法和神经网络算法嵌套配合使用,结合了运动目标分析算法和神经网络算法的优点:一方面,神经网络算法能够较为鲁棒地检测用户感兴趣的特定入侵目标——人、车辆、动物等;另一方面,运动目标分析算法检测速度快、对目标敏感。该围界入侵混合检测方法可实现得到高频率、高精准度、低成本的理想检测效果。
本实施例中,如图2所示,步骤a可以包括以下步骤:
首先,获取围界摄像机中的视频流,对视频流图像进行初始化。
然后,使用运动目标分析算法对初始化后的围界图像进行实时围界入侵检测,初次判断是否入侵,并得到精准率pm。其中精准率pm可使用测试样本对运动目标检测方法进行测试得到。
步骤b可以包括以下步骤:
将“步骤a判断为是”的入侵图像传送给神经网络算法,神经网络算法对其进行围界入侵检测,得出边界框的置信度pridl。
神经网络算法包括可使用以下公式对检测结果组合判定:
置信度pmerge=(pm+pridl)*(1-c)|c∈(0,0.5),其中c表示灵敏度系数。公式(一)
当置信度pmerge≥1时,则判定为是,表示有目标入侵围界。当pmerge<1,判定为否,该判定为否的判定可进一步进行防漏报检测。
具体地,运动目标分析算法可以包括以下步骤:
给围界图像的每个像素点初始化一个样本集,样本集中的采样值为该像素点历史的像素值和其邻域的像素值。对比前后帧的像素点样本集即可判定是否有出现运动目标。当运动目标分析算法判定为是时,将结果传至神经网络算法。
当视频流t=0时,像素的背景模型公式表示为:
bkm0=f0(xi,yi)|(xi,yi)∈ng(x,y),其中bkm0表示当前帧的蒙版,f0(x,y)表示为当前像素值,ng(x,y)为相邻的像素值,ng(x,y)初始化n次后表示为ng(xi,yi)。公式(三)
图像初始化后,对后续视频流t的图像做前景目标分割。当t=k时,当前帧的像素点(x,y)的蒙版为bkmk-1(x,y),对应的像素值为f0(x,y),判断是否为前景的公式为:
当bkmk-1(x,y)小于或者等于t时,fk(x,y)是蒙版的像素。
当bkmk-1(x,y)大于t时,fk(x,y)为前景运动目标像素。
具体地,神经网络算法可以包括:
将将步骤a判断为是的入侵图像分割成若干个单元格,每个单元格负责去检测那些中心点落在该单元格内的目标。
每个单元格预测若干个边界框以及边界框的置信度pridl。
置信度
其中置信度pridl的取值在0和1之间,其值越大,代表检测目标存在的可信度越高。
为防止嵌套检测方法对围界入侵产生漏报,作为优选,该围界入侵混合检测方法还包括步骤二:防漏报检测方法。该防漏报检测方法包括:
步骤c、若二次判断为否,则判断是否满足三次判定条件。
若满足三次判定条件,则修正神经网络算法中的系数,并对步骤b中判断为否的检测图像重新利用神经网络算法进行围界入侵检测,三次判断是否入侵。
若不满足三次判定条件,则可判定“步骤一:嵌套检测方法中的二次判断为否”的判定为真。
运动目标分析算法和神经网络算法嵌套配合使用,再使用防漏报检测方法对嵌套检测方法中神经网络算法判断为否的判定进行防漏报检测分析,可实现得到高频率、高精准度、低漏报、低成本的理想检测效果。
具体地,步骤c可以包括以下步骤:
首先,根据嵌套检测方法,建立防漏报混合概率模型,该防漏报混合概率模型设有阈值。
然后,判定实际测得值是否达到防漏报混合概率模型的阈值。当实际测得值达到防漏报混合概率模型的阈值时,满足三次判定条件,降低公式(一)中的系数c,并对步骤b中判断为否的检测图像重新利用神经网络算法进行检测围界入侵,三次判断是否入侵。
进一步地,如图3所示,步骤c可以包括以下步骤:
根据嵌套检测方法的准确度,获取嵌套检测方法中的系数tp(truepositive)、tn(truenegative)、fp(falespositive)、fn(falsenegative)。更优选地,系数tp(truepositive)、tn(truenegative)、fp(falespositive)、fn(falsenegative)可通过先验嵌套检测方法的准确度,使用测试样本经过n次试验获得。
建立防漏报混合概率模型,为公式:正确判定百分比
嵌套检测方法判定的置信度为pmerge,设判定公式为:thr=pmerge×predl。公式(六)
防漏报混合概率模型可将阈值设置为0.5。当thr≥0.5时,满足三次判定条件,降低公式(一)中的灵敏度系数c,并对步骤b中判断为否的图像重新利用神经网络算法进行检测围界入侵,三次判断是否入侵。其中,每帧围界图像重新利用神经网络算法再次进行检测围界入侵的次数只有一次。
若三次判断为是,则可判断嵌套检测方法检测结果存在漏报,相应调整嵌套检测方法中的系数tp(truepositive)、tn(truenegative)、fp(falespositive)、fn(falsenegative),从而逼近最优参数值,达到理想的防漏报检测效果。
更具体地,设漏报率为m个检测样本中出现一次,表示为lm。可按照下列公式更新tp参数为:
tp=tp+lm×cstep,其中cstep为lm的放大系数,cstep=(10,100,1000...),随着lm的值越小而增大。公式(七)
当然,在其他实施例中,也可按照其他计算方式调整tp参数;tn(truenegative)、fp(falespositive)、fn(falsenegative)的更新方式可同理设置或者其他设置,在此不做赘述。
实施例2:
根据同一发明构思,本发明还提供了一种围界入侵混合检测系统,用于实现实施例一中的围界入侵混合检测方法。如图4所示,该围界入侵混合检测系统包括运动目标分析算法模块10、神经网络算法模块20和防漏报检测模块30。
运动目标分析算法模块10用于:使用运动目标分析算法对围界的监控图像实时检测围界入侵,初次判断是否入侵。
神经网络算法模块20用于:使用神经网络算法对运动目标分析算法模块10判断为是的图像进行围界入侵检测,二次判断是否入侵。
防漏报检测模块30用于:当神经网络算法模块20判断为否时,判断是否满足三次判定条件;若满足三次判定条件,则修正神经网络算法中的系数,以供神经网络算法模块20对其判断为否的检测图像重新利用神经网络算法进行检测围界入侵,三次判断是否入侵。防漏报检测模块30可包括防漏报混合概率模型模块32,用于实现实施例一中的防漏报检测方法。
以上仅为本发明较佳的实施例,并不用于局限本发明的保护范围,任何在本发明精神内的修改、等同替换或改进等,都涵盖在本发明的权利要求范围内。