一种基于视频监控的入侵检测方法与流程

本发明涉及模式识别技术领域，尤其涉及一种基于视频监控的入侵检测方法。

背景技术：

随着社会的发展，社会公共安全需求的提高，各种安保手段应运而生。保密要害部门、周界、机要室等位置的安保问题被安保部门提到首要位置。周界、机要室、要害部门入侵防范的成功与否决定了安保系统的安全性。

目前，常用于周界、机要室、要害部门的入侵防范手段有：激光对射、红外对射、电子围栏、震动光缆、泄露电缆等；根据不同的场景，选择不同的技术手段可极大地减少误报和漏报，在实际工程中的应用情况统计如下：

激光对射和红外对射的建设成本低，但激光对射和红外对射需要供电，能耗高，工程中的统计激光对射和红外对射准确率在60%左右；

电子围栏在布设过程中，需要立杆，成本较激光对射、红外对射较高，且后期需要位置脉冲高压，综合来说，电子围栏成本较高，工程中的统计电子围栏的准确率在80%左右；

为提高振动光缆准确率，在工程上，通常采取地埋或者依附在统一的介质上进行，这样在很大程度上增加了施工成本，且震动光缆的成本也较电子围栏高，工程中统计震动光缆的准确率在90%左右；

泄露电缆在工程上的准确率可达到98%，但泄露电缆的成本很高，虽然按照品牌和规格的不同，价格略有区别，但成本均在几万/平米；

故在入侵防范领域，以上所提到的方法起到的均是一种感知作用，通常需在后台连接视频监控进行复核；考虑到不论采取以上哪种手段，均要视频监控进行复核，部分科研人员应用机器视觉的方法在视频上直接进行感知，从而减少成本，但采用传统的机器视觉方法进行入侵检测的感知误报率极高，光线的变化、树木的摆动、昆虫的干扰等均制约了此类方法的发展和应用。

技术实现要素：

本发明所解决的技术问题在于提供一种基于视频监控的入侵检测方法，以解决上述背景技术中的缺点。

本发明所解决的技术问题采用以下技术方案来实现：

一种基于视频监控的入侵检测方法，具体步骤如下：

1）视频解码

采用FFMPEG获取前端视频流数据包，在通过CUDA解码专用的数据接口将获取的前端视频流数据并行化处理；

2）训练行人分类器

利用机器学习的方法获得行人分类器，采用Hog算法和SVM算法相结合，先利用Hog算法对INRIA行人库分别提取正样本特征和负样本特征，并对样本特征进行图像预处理，正样本特征记为1，负样本特征记为0，同时将所有样本特征输入到SVM算法中进行训练，而后将训练结果以文本形式保存，在利用INRIA行人库做准确率测试，即得行人分类器，当且仅当识别率高于85%，才能投入使用；

3）背景建模

采用数理统计的方法建立参考背景，具体方法为：取视频流前100帧，获得每帧的像素值，求100帧相同位置像素的平均值，即得平均值为参考背景像素值；

4）判断行人

将步骤2）中所得的行人分类器应用至获取的视频流中，若有行人，则跟踪，若无行人，则获取下一帧；

5）越界判断

通过对行人目标进行跟踪，计算行人的质心，进而判断质心是否在划线区域内，从而判断是否存在越界，若质心在划线区域内，即目标越界报警，并进行视频显示。

在本发明中，步骤2）中，考虑到分类的速度，采用线性SVM算法。

在本发明中，步骤2）中，为减少计算量，对图像进行预处理，即对检测出的行人进行图像预处理，采用的方法为对比度增强和图像去噪。

在本发明中，步骤4）中，在判断是否为行人时，若负样本数过多，此时重新训练，以获得新的行人分类器；阈值的选定跟场景和摄像机部署的位置有关。

在本发明中，步骤4）中，判断为行人时，对目标进行跟踪采用卡尔曼滤波算法。

在本发明中，步骤4）中，考虑到视频中人数的多寡，采取跳帧的方法进行分析，但不超过5帧。

在本发明中，步骤5）中，视频显示采用是OpenGL作显示。

有益效果：本发明在自动化、人工智能技术的基础上，能够快速地、准确地对越界目标进行报警，可有效地防止外来目标的入侵，极大地减少了周界防范中的人力成本和物防成本；同时克服了光线的变化、树木的摆动、昆虫的干扰带来的影响，有效提高了入侵检测的感知准确率。

附图说明

图1是本发明的较佳实施例的流程示意图。

图2是本发明的较佳实施例中的INRIA行人库负样本。

图3是本发明的较佳实施例中的INRIA行人库正样本。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

一种基于视频监控的入侵检测方法，如图1所示，具体步骤如下：

1）视频解码

利用FFMPEG获取前端视频流数据包，在通过CUDA解码专用的数据接口将获取的前端视频流数据并行化处理；

2）训练行人分类器

利用机器学习的方法获得行人分类器，机器学习的方法很多，本实施例采用的算法为Hog和SVM相结合，先利用Hog算法对INRIA行人库分别提取正样本特征和负样本特征，并对样本特征进行图像预处理，如图2～3所示，将正样本特征记为1，负样本特征记为0，并将所有样本特征输入到SVM中进行训练，考虑到分类的速度，此时选取的是线性SVM，而后将训练结果以文本形式保存，在利用INRIA行人库做准确率测试，即得行人分类器，当且仅当识别率高于85%，才能投入使用；

3）背景建模

建立参考背景，建立参考背景的方法很多，考虑到运行的速度和计算量，本实施例采用数理统计的方法建立背景，具体实施方法为：取视频流前100帧，获得每帧的像素值，求100帧相同位置像素的平均值，即得平均值为参考背景像素值；

4）判断行人

将步骤2）中所得的行人分类器应用至获取的视频流中，若有行人，则跟踪，若无行人，则获取下一帧；考虑到视频中人数的多寡，在实际分析中，可采取跳帧的方法进行分析，但不超过5帧；

5）越界判断

通过对行人目标进行跟踪，计算行人的质心，进而判断质心是否在划线区域内，从而判断是否存在越界，若质心在划线区域内，即目标越界报警，并进行视频显示。

在本实施例中，步骤2）中，为减少计算量，对图像进行预处理，即对检测出的行人进行图像预处理，采用的方法为对比度增强和图像去噪。

在本实施例中，步骤4）中，在判断是否为行人时，若负样本数过多，此时应考虑重新训练，以获得新的行人分类器；阈值的选定跟场景和摄像机部署的位置有关。

在本实施例中，步骤4）中，判断为行人时，对目标进行跟踪；多目标跟踪的算法很多，考虑到遮挡等因素，本实施例采用卡尔曼滤波算法。

因本实施例所有算法均采取CUDA并行化处理，在做显示的时候需要考虑与CUDA数据的衔接性，故步骤5）中，视频显示采用是OpenGL作显示。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。