一种基于图像局部边缘特征的摄像头检测方法
【技术领域】
[0001] 本发明属于图像处理领域，具体涉及利用图像局部边缘特征来判断摄像头是否被 遮挡的方法。
【背景技术】
[0002] 随着社会的发展和科技的进步，监控系统广泛的运用在人们生产、生活的各个领 域。摄像头处在监控系统的最前端，容易受到外界的干扰，最常见的就是摄像头被遮挡。虽 然现有技术可以较好的判断出这种情况，但是由于现有算法的局限性以及现场情况的复杂 性，尤其是光照变化的影响，经常会使得设备对于图像的判断出现偏差，导致误报和漏报现 象的发生。因此必须提高智能分析算法的适应性和可靠性，才能准确反映场景的真实情况。
【发明内容】
[0003] 本发明的目的是提供一种基于图像局部边缘特征的摄像头检测方法，能够适应光 照的变化，在各种光照条件都能准确的判断出摄像头是否被遮挡，同时能排除网络故障及 设备故障引起的误报，降低误报率。
[0004] 为实现上述发明目的，本发明所采用的技术方案是：一种基于图像局部边缘特征 的摄像头遮挡检测方法，其特征在于：包括以下步骤：
[0005]a、对摄像头拍摄的RGB图像I进行灰度变换，得到灰度图像L，并计算灰度图像L 中各像素灰度值的均方差ω;
[0006] b、判断ω的值是否等于〇,若ω =〇,则表明网络故障或设备故障，结束程序；若 ω> 0,则进行图像局部边缘特征点的提取，包括以下步骤：
[0007]bl，采用高斯滤波器对灰度图像L进行滤波处理，构造出具有Ν幅图像的多尺度空 间，所述多尺度空间由〇组图像组成，每组图像具有S个子层，N=OXS;每层图像的尺度参 数σi分别通过序号〇和s来标记，尺度参数〇 ^艮据公式（1)计算：
[0008]
, · · ·，0-1]，sG[0,· · ·，S-l]，iG[0,· · ·，Ν]，〇Q是尺度 参数的初始基准值，默认为1. 6 ;
[0009]b2、采用非线性扩散滤波器对多尺度空间内的每层图像进行扩散处理，生成非线 性多尺度空间，其中最底层的图像L°=L。上。是用尺寸为9X9,标准差为1.6的高斯核与 所述灰度图像L进行卷积后得到；其余层图像根据如下的公式（2)生成进化图像L1:
[0010]
.1=1
[0011] 其中4表示图像L1在各维度1上的传导矩阵，I为原始图片，τ为时间步长，τ =ti+1_ti，1为以时间为单位的尺度参数，, i e [0,. . .，Ν];
[0012] b3、根据b2步骤中生成的每副进化图像L1计算其对应的Hessian矩阵响应图像 ，根据公式（3):
[0013] !Λ_η=。，其中，ΙΛΧ为进化图像L1在X方向的二阶倒 数，L、为进化图像L1在y方向的二阶倒数，L:为进化图像L1的二阶混合偏导数，。 为L1对应尺度的整数值；
[0014]b4、采用3X3X3邻域的非最大值抑制算法，定位每个Hessian响应图像中 的局部边缘特征点；
[0015]c、统计提取到的局部边缘特征点的数量n，将η与阈值η。进行比较，阈值η。为摄 像头未遮挡时所拍摄图像的局部特征点数；若nSη。，则发出摄像头被遮挡告警。
[0016] 本发明的有益效果：通过提取图片局部边缘特征点的数量来进行数值对比，而无 需进行多张图片的对比，大大减少了计算量，提高了计算速度；并且这些局部边缘特征具备 良好的尺度和旋转不变性，对于光照的变化、视角变化变换、图像缩放等情况也保持一定的 不变性，克服了现有技术存在的一些缺陷，特别是光照变化引起的误报，局部边缘特征对光 照变化保持良好的不变性，同一个场景，在不同光照下提取到的特征数相差很小，因此具有 良好的适应性，在各种光照条件都能准确的判断出摄像头是否被遮挡。由于本发明提取图 片局部边缘特征点的前提是均方差ω>〇,这样就必然排除了网络故障或设备故障等异常 情况，大大提高了可靠性，降低了误报率。
【附图说明】
[0017] 图1是本发明的流程框图。
【具体实施方式】
[0018] 摄像头未被遮挡时，拍摄的图片轮廓清晰；而摄像头被遮挡的时候，遮挡物离镜头 很近，导致拍摄的图片变得很模糊，没有清晰的边缘轮廓，因此遮挡前后，图片被检测到的 局部边缘特征点的数量相差很大，当图片局部边缘特征点的数量低于设定的阈值，则表明 摄像头被遮挡。
[0019] 摄像头拍摄的RGB图像I的尺寸为1280x720,阈值η。设置为100。
[0020] 如图1所示，一种基于图像局部边缘特征的摄像头遮挡检测方法，包括以下步骤：
[0021] a、对摄像头拍摄的RGB图像I进行灰度变换，得到灰度图像L，并计算灰度图像L 中各像素灰度值的均方差ω。
[0022] b、判断ω的值是否等于〇,若ω= 〇,则表明网络故障或设备故障，结束程序；若 ω> 0,则进行图像局部边缘特征点的提取，包括以下步骤：
[0023] bl，采用高斯滤波器对灰度图像L进行滤波处理，构造出具有Ν幅图像的多尺度空 间，所述多尺度空间由〇组图像组成，每组图像具有S个子层，N=OXS;每层图像的尺度参 数σi分别通过序号〇和s来标记，尺度参数〇 ^艮据公式（1)计算：
[0024] e[0，...，0-l]，sG[0，...，S_l]，iG[0，···，Ν]，σ〇是尺度 参数的初始基准值，默认为1. 6 ;
[0025] b2、采用非线性扩散滤波器对多尺度空间内的每层图像进行扩散处理，生成非线 性多尺度空间，其中最底层的图像L°=L。上。是用尺寸为9X9,标准差为1.6的高斯核与 所述灰度图像L进行卷积后得到；其余层图像根据如下的公式（2)生成进化图像L1:
[0026]
[0027] 其中心表示图像L1在各维度1上的传导矩阵，I为原始图片，τ为时间步长，τ =ti+1-ti，h为以时间为单位的尺度参数，6 ，ie[0, ...，Ν];
[0028] b3、根据b2步骤中生成的每副进化图像L1计算其对应的Hessian矩阵响应图像 ，根据公式⑶：
[0029] !Λ_η=。，其中，ΙΛΧ为进化图像L1在X方向的二阶倒 数，L、为进化图像L1在y方向的二阶倒数，L:为进化图像L1的二阶混合偏导数，。 为L1对应尺度的整数值；
[0030] b4、采用3X3X3邻域的非最大值抑制算法，定位每个Hessian响应图像匕^^&中 的局部边缘特征点。
[0031] c、统计提取到的局部边缘特征点的数量n，将η与阈值η。进行比较，阈值η。为摄 像头未遮挡时所拍摄图像的局部特征点数；若nSη。，则发出摄像头被遮挡告警。
[0032] 进一步的，步骤b4具体包括以下步骤：
[0033] b41、遍历响应图像L1.-中的每个响应值，若小于预设极值respthresh= 0· 001， 则继续判断下一个响应值；
[0034] b42、把当前响应图ΙΛ_13中的响应值与它同一尺度的8个相邻点，以及和上下相 邻尺度对应的9X2个点一一共26个点比较，以确保在尺度空间和二维图像空间都检测到 极大值点，该极大值点即为局部边缘特征点。
[0035] 进一步的，矩阵心是三对角矩阵并且对角占优。
[0036] 进一步的，所述公式（2)是通过对非线性扩散方程进行离散化得来，所述非线性