智能视频监控应用系统设计攻略
邓广阔
摘 要：该文主要分析了智能视频监控系统中干扰检测的问题，并提出新型检测的方法，同时对干扰的类型进行分类。这种方法可以提取噪声污染、遮挡、偏色与亮度异常等特征，以便检测不同类型的干扰，并且这种方法采取自适应阈值更新方法，能够降低检测方法复杂程度，加强检测实用性。
关键词：智能视频 监控系统 干扰检测
中图分类号：TP277 文献标识码：A 文章编号：1674-098X（2017）03（a）-0085-02
伴随智能监控的系统应用，逐渐涌现出大量干扰，导致监控系统的后续流程监控效果受到严重影响。因此，需要相关人员深入分析智能视频监控系统干扰检测技术和分类情况，然后进行处理。
1 检测干扰情况
若没有相关因素干扰到视频，一般不会引起视频图像变化；如果有相关因素干扰到视频图像，会加大视频图像的内容变化范围。
1.1 检测遮挡
通常情况下，视频内容如果受到不法分子的刻意破坏就会引起遮挡干扰，例如：将异物覆盖于镜头的表面。如果智能视频的监控系统在正常的状态下，摄像机所能监控的场景范围较大，并且可以监控到较多图像内容，信息量也相对较大，有着广泛灰度级的分布范围。若存在遮挡干扰，会因为镜头表面存在遮挡物，缩减视频图像所含的内容，使得动态范围变小，这样可以使得灰度值处于某个数值附近，同时不同像素之间相关性比较强。通常情况下，遮挡图像灰度级较为集中，峰值和正常的图像比起来相对较大，像素相关性也比正常图像强，差分直方图和灰度图像的直方图比较容易检测出遮挡的干扰。
假设第n帧图像是fn（x，y），灰度的直方图是Hi（fn），i在0～32，i是经量化以后图像的灰度级，4个方向差分值的直方图是（fn）、（fn）、（fn）、（fn），i在-255～255，i代表的是差分图像中的灰度级。因为差分的直方图峰值不在0以内，所以该文采取式（1）对图像的相关性进行衡量。
max（Hi（fn）为第n帧的灰度直方图峰值，EH（fn）为第n帧的4个主要方向灰度图像的差分图像峰值平均数值，能够表示出图像的相关性，一旦DHn>th1，能够准确判定遮挡的干扰。
1.2 亮度异常的检测
通常画面亮度的异常主要指的是：摄像机因为曝光过度或是过量不足造成图像动态的范围缩小，继而导致图像的细节损伤。经过对智能视频的监控系统图像进行观察可知，如果图像的曝光正常，灰度图像的动态范围比较广泛，如果图像的曝光过量，图像的灰度处于255一侧，增加像素数目，接近0侧的像素数目比较少，这就会缩小图像动态的范围。和正常的图像比起来，亮度出现异常图像灰度的直方图会发生一定位移，直方图的宽度会缩小，0～255灰度级像素数目骤增或是骤减，二者之差增大。
假如第n帧图像灰度的直方图代表为Hi（fn），而直方图宽度代表为Δω。
如果智能视频的图像有异常，会使Δω减小，使得1/Δω增大，同时|[H255（fn）-H0（f0）]|数值也会增加。DMn只会对亮度的异常产生敏感性，对于其他的干扰没有敏感度，可以较好表示图像异常变化的情况，如果DMn>th3，證明智能视频中存在亮度异常的干扰。
1.3 失焦的检测
如果智能视频监控系统处于正常状态下，这时采集的视频图像有清晰轮廓，且高频的分量相对较高。如果所用摄像机有失焦情况，会使得图像变得相对模糊，换句话说，通过失焦检测能够对图像清晰度进行评价，尤其在自动化调焦的领域，图像的清晰度可以有效评价视频监控的情况，图像清晰度的评价函数有着长久发展，常用评价函数包含神经网络的评价函数、能量的函数和频谱的函数。应用清晰度评价的函数能够检测频谱性能情况，尤其在硬件上快速傅里叶的变换法不仅可以保证算法的实时性，同时可以提高计算的精确性，所以该文用频谱函数来评价图像清晰度。
假设第n帧图像是fn（x，y），其大小是MN，傅里叶的变换如下：
在式（4）中：u=0，1，…，M-1，v=0，1，…，N-1。
高频的如下：
在式（5）中，G（u，v）为高斯低通的滤波器，可以分离出图像频谱中的高频分量，HFn为第n帧图像高频数值总和。
检测失焦的干扰特征如下：
实际的应用之中，为使FFT的算法便于使用，提升运算的速度，一般选取图像的中心宽度为M，其等同于N，数值是128，这代表视频图像高频的含量。若监控的视频存在失焦的干扰，会使得DFn增大，所以DFn可表示失焦图像高频的分量变动情况，如果DF>th2，代表发生失焦的干扰。
1.4 检测噪声情况
在视频的监控系统之中，经常会遭受到各类噪声的影响，严重影响到监控系统的后续流程。一旦图像中有噪声，会加强图像随机性，导致像素间相关性减弱。通常情况下，在构建灰度共生的矩阵时，是在密度函数与孤寂图像的二阶组合实际条件概率基础上进行建立，计算视频图像之中灰度之间的相关性，继而将图像快慢、方向与间隔等信息充分反映出来。可见，应用灰度的共生矩阵可以有效描绘各个图像像素之间相关性，同时可以对图像的噪声进行检测。在定义灰度图像的共生矩阵时，首先从图像的灰度值i像素（x，y）出发，然后对距离d进行统计，在像素（x+a，y+b）上产生频度p（i，j，d，θ）。θ表示的是d两像素和横坐标轴相距夹角，处在灰度的共生矩阵生成的方向，同时需要二次统计灰度共生矩阵中的对比度，同时度量矩阵数值分布的情况。
2 干扰的分类以及阈值的选择
该次研究中，主要探讨了各类干扰的类型主要特征，并且对各种干扰特点进行检测，旨在实现分类的效果。各个干扰特征间存在交互的影响，能够将各个特征的相互影响消除，以提高检测效果。
此外，在选择检测的阈值时，其会影响到检测效果，所以怎样对阈值进行确定，始终是研究的重点。由于智能视频的监控系统之中有较多的摄像机，并且所监控内容存在差异，不能对阈值进行统一。另外，经训练获得阈值，严重阻碍了算法实用性。所以检测方法有自适应的性能，可以按照不同监控场景来自行选择阈值分类与检测，检测准确率比较高。
假设D（fn）是不同干扰的类型提取特征，如果D（fn）>th=m+sσ，就会出现干扰。M与σ向量X=[D（fn-k），D（fn-k+2），…，D（fn）]，按照当前帧实际视频的更新情况。K值越小代表阈值计算的时间越短。通常情况下，k值在10～30，s为较小数值，一旦s过小，易出现误检，如果s数值过大，易出现漏检。和正常的情况比起来，出现干扰所对应特征值的变化比较明显，不容易影响到检测的效果。
3 结语
该次主要针对噪声、遮挡、亮度异常与失焦进行分析，提取了几种检测特征，同时使用多种不同特征干扰进行同时检测，以降低漏检率。和过去检测方法比起来，此次所用检测方法可以在保证检测性能优异性的同时，确保分类的效果。此外，关于阈值自适应的选取，能够拓宽该方法应用范围，有着重要使用价值，所以，为提高分类的准确率，还需要相关人员深入研究。
参考文献
[1] 吴欣华.视频监控系统及智能视频监控技术研究[J].信息系统工程，2014（9）：138.
[2] 韩国强.浅谈智能视频监控技术及其主要应用[J].计算机与网络，2014（2）：62-65.
[3] 郭辉.高清智能分析综述及分析[J].中国公共安全：学术版，2013（16）：145-147.
