本发明涉及目标检测技术领域，具体涉及一种高鲁棒性区域入侵检测算法。
背景技术：
在社会生活中，看守所、监狱、银行、仓库等一直是安防监控的重点场所，尤其是其中的重要敏感区域对视频监控的要求较高。传统的视频监控消耗大量的人力物力却效果不好，采用计算机视觉技术的智能视频监控方法正在得到越来越多的应用。
智能视频监控中的区域入侵检测算法一般由两个部分组成：第一部分是对视频进行运动目标检测；第二部分是对检测到的运动目标进行过滤，筛除检测到的非人目标，如果检测成功则发出警报。
常用的运动目标检测方法有：背景差分法、帧间差分法、光流法、单高斯背景建模法、混合高斯背景建模法等。
背景差分法没有背景更新机制，不适合背景变化较大的情况；帧间差分法依赖于帧间时间的选取和物体的移动速度，提取运动过慢的目标可能产生空洞，提取运动过快的目标可能区域过大，这两种方法均不适用于复杂环境下的运动物体检测。
光流法利用随时间变化的光流特性检测运动目标，但是其计算复杂度过高，难以实时检测。
单高斯背景建模法适用于环境变化很小的情况，对光线变化比较敏感。
高斯混合背景建模法能够处理一定限度的光线变化以及背景的变化。但是当光线突变或背景变化较大时，虚警率仍然很高。
目前对运动目标的过滤方法比较少，主要有两种：运动区域斜率法和人体骨骼模型法。
运动区域斜率法难以区分与人体比例相似的物体，而这种物体在复杂环境中并不少见；人体骨骼模型法建模困难，效果并不理想。此外这两种方法均无法处理多人交错的情况。
在复杂环境中采用以上的运动目标检测方法与过滤方法相结合的方法进行区域入侵检测，虽然具有较高的检出率，但是却具有更高的虚警率，尤其是在具有频繁的风吹草动、光照变化以及飞虫、动物经过等情况发生的复杂环境中会产生很多的误报，不利于复杂环境的区域入侵监测工作。
技术实现要素：
有鉴于此，有必要针对现有技术存在的问题，提供一种高鲁棒性区域入侵检测算法，对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
为了实现上述目的，本发明的技术方案如下：
一种高鲁棒性区域入侵检测算法，包括以下步骤：
步骤S1，获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；
步骤S2，开始检测，提取前景图像B；
步骤S3，检测团块，得到集合C；
步骤S4，逻辑保存“参考帧”D；
步骤S5，计算得到帧间差值图的集合E；
步骤S6，计算得到闭合帧间差值图的集合F；
步骤S7，判断入侵情况；
进一步地，步骤S2中，对每一帧图像A计算背景，更新背景模型，从而提取前景图像B；
进一步地，步骤S3中，从前景图像B中检测所有团块，如果团块面积小于阈值N则删除，得到前景目标检测图的集合C；
进一步地，步骤S4中，包括：
步骤S41，当检测不到前景目标时更新当前帧为参考帧D，否则执行步骤S42；
步骤S42，当连续M帧检测到前景目标时，每隔M帧将当前帧更新为参考帧D；
进一步地，步骤S5中，在前景目标检测图的集合C中，包括：
步骤S51，根据前景目标的区域坐标，从参考帧D中裁剪对应区域图像集合X；
步骤S52，计算每一个前景目标图与其对应区域图像的帧间差值图，得到帧间差值图的集合E；
进一步地，步骤S6中，在帧间差值图集合E中，包括：
步骤S61，对于每一个帧间差值图进行膨胀，填充图像中的空洞；
步骤S62，对于每一个膨胀后的图像进行腐蚀，得到闭合帧间差值图的集合F；
进一步地，步骤S7中，在闭合帧间差值图集合F中，对于每一个闭合帧间差值图提取HOG特征，并将提取的特征通过SVM判断是否为行人，如果是则检测区域存在入侵情况。
与现有技术相比，本发明的有益效果在于：本发明对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
附图说明
图1是本发明的一种高鲁棒性区域入侵检测算法的工作流程。
具体实施方式
下面结合附图和实施例对本发明所述的一种高鲁棒性区域入侵检测算法作进一步说明。
如图1所示，为本发明的一种高鲁棒性区域入侵检测算法的工作流程，具体包括以下步骤：
步骤S1，获取待检测视频，对其进行混合高斯背景建模，得到每一帧图像A；
步骤S2，开始检测，提取前景图像B；
步骤S3，检测团块，得到集合C；
步骤S4，逻辑保存“参考帧”D；
步骤S5，计算得到帧间差值图的集合E；
步骤S6，计算得到闭合帧间差值图的集合F；
步骤S7，判断入侵情况；
步骤S2中，对每一帧图像A计算背景，更新背景模型，从而提取前景图像B；
步骤S3中，从前景图像B中检测所有团块，如果团块面积小于阈值N则删除，得到前景目标检测图的集合C；
步骤S4中，包括：
步骤S41，当检测不到前景目标时更新当前帧为参考帧D，否则执行步骤S42；
步骤S42，当连续M帧检测到前景目标时，每隔M帧将当前帧更新为参考帧D；
步骤S5中，在前景目标检测图的集合C中，包括：
步骤S51，根据前景目标的区域坐标，从参考帧D中裁剪对应区域图像集合X；
步骤S52，计算每一个前景目标图与其对应区域图像的帧间差值图，得到帧间差值图的集合E；
步骤S6中，在帧间差值图集合E中，包括：
步骤S61，对于每一个帧间差值图进行膨胀，填充图像中的空洞；
步骤S62，对于每一个膨胀后的图像进行腐蚀，得到闭合帧间差值图的集合F；
步骤S7中，在闭合帧间差值图集合F中，对于每一个闭合帧间差值图提取HOG特征，并将提取的特征通过SVM判断是否为行人，如果是则检测区域存在入侵情况。
综上所述，本发明对复杂环境具有较高的鲁棒性，在对入侵人体具有很高检出率的同时，对其它情况的户外复杂环境具有很好的抗干扰性。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。