[发明专利]一种检测场景变换的方法和系统

说明书

技术领域

本发明涉及视频监控领域，尤其是一种检测场景变换的方法和系统。

背景技术

在目前的视频监控应用中，摄像机由于受到某种外力的影响（如人为移动摄像机、摄像机固定架的位移、刮风或摄像机焦距发生变化等），会使实际监控到的视频场景偏离原来想要监控的场景。另外，若摄像机被外物遮挡，也会使原来要监控的场景丢失。由于上述的种种原因，摄像机监控的场景发生了部分或完全的变换，丢失了原来想要监控的场景，这可能会严重影响整个视频监控系统。因此，我们需要及时准确地检测到这种异常情况并提示报警，以便工作人员对异常情况做出快速的响应。

目前场景变换的检测方法大多基于灰度直方图或亮度变化的方法，这些方法在场景光照变化比较大或场景中运动目标比较多的情况下，准确率会严重受到影响。另外，这些方法也无法检测到场景的微小变换（如摄像机的小角度旋转），也无法准确的评估出场景变换的程度。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种检测场景变换的方法。

本发明的另一目的是提供一种检测场景变换的系统。

本发明所采用的技术方案是：

一种检测场景变换的方法，该方法包括以下步骤：

A．获取监控场景的两幅图像；

B．采用快速鲁棒特征算法提取所述两幅图像的特征点；

C．采用k维数据空间树算法对所述两幅图像的特征点进行匹配；

D．采用改进的随机抽样一致性算法对所述两幅图像匹配到的特征点进行透视变换矩阵的估计；

E．根据估计的透视变换矩阵计算出所述两幅图像的空间偏移量，从而得到场景变换的程度。

优选地，所述步骤B包括：

B1．计算图像的Soble边缘总灰度值Ｇ；

B2．计算图像特征点的个数K，计算的公式（1）如下：

K=w*log(G)（1）

其中，W为一系数，且K的值应满足：

其中，T1和T2均为常数；

B3．取海赛矩阵中响应最大的前K个特征点作为最终提取出来的特征点。

优选地，所述步骤C，其具体为，以所述两幅图像的其中一幅图像作为参考图像，另一图像作为实时视频图像，在实时视频图像的特征点中使用k维数据空间树算法找到与参考图像每一个特征点最匹配的特征点，从而得到数对特征点匹配对。

优选地，所述步骤D包括：

D1．将当前最佳估计内点数目设置为0，并将所述参考图像分割为32*32个子块，然后在所有子块中随机抽取4个至少含有一个特征点的子块，跟着在每个抽取出的子块中随机抽取一个特征点，从而得到4个初始点；

D2.采用最小二乘法对所述4个初始点对应的透视变换矩阵进行计算，进而根据该透视变换矩阵统计所述特征点匹配对的内点数目；

D3.比较当前内点数目与当前最佳估计内点数目，若当前内点数目大于当前最佳估计内点数目，则将当前的透视变换矩阵作为当前最佳估计，并更新当前最佳估计内点数目，同时动态估测所需迭代次数；若当前迭代次数达到所需迭代次数，则保留当前的透视变换矩阵作为最终的透视变换矩阵，反之，则重新执行步骤D1。

优选地，所述步骤E包括：

E1．根据估计的透视变换矩阵把矩形的实时视频图像的四个顶点坐标变换到参考图像上，从而得到变换后的图像与参考图像的重合区域；

E2．统计所述重合区域的像素点个数，进而计算场景变换的程度。

本发明所采用的另一方案是：一种检测场景变换的系统，该系统包括以下模块：

图像获取模块，用于获取监控场景的两幅图像；

图像特征提取模块，用于采用快速鲁棒特征算法提取所述两幅图像的特征点；

图像特征匹配模块，用于采用k维数据空间树算法对所述两幅图像的特征点进行匹配；

透视变换矩阵估计模块，用于采用改进的随机抽样一致性算法对所述两幅图像匹配到的特征点进行透视变换矩阵的估计；

场景变换程度计算模块，用于根据估计的透视变换矩阵计算出所述两幅图像的空间偏移量，从而得到场景变换的程度。

优选地，所述图像特征提取模块包括：

Soble边缘总灰度值计算单元，用于计算图像的Soble边缘总灰度值Ｇ；

特征点个数计算单元，用于计算图像特征点的个数K，计算的公式（1）如下：

K=w*log(G)（1）

其中，W为一系数，且K的值应满足：