[发明专利]基于异常情景识别的云台镜头自主控制方法

说明书

技术领域

本发明涉及视频监控技术，特别是涉及一种带有图像智能分析的基于异常情景识别的云台镜头自主控制监视方法。

背景技术

随着计算机软硬技术的发展，基于多媒体技术的视频监控系统已广泛应用于各个领域。现在许多商场、银行和高档小区中都安装了云台镜头监控系统，一些工矿企业、银行金库和军用仓库也希望利用云台镜头监控系统来实现智能化、自动化无人值守。因此智能的云台镜头监控系统具有很大的需求市场。目前的云台镜头监控系统通常是监控人员持续监视屏幕，对进入监控区域的目标通过操作键盘摇杆完成对目标的运动跟踪。而当目标远离摄像机移动时，还需要人工手动控制镜头变倍，对目标进行特写放大。在手动控制云台镜头实现对目标的实时跟踪和变倍过程中，还可能存在人为跟踪误差。因此，目前的利用云台镜头进行监控的技术存在智能程度较低，容易出现误差的情况。

发明内容

本实发明所要解决的技术问题是，就是针对目前云台镜头监控智能化程度较低的问题，提出一种基于异常情景识别的云台镜头自主控制方法。

本发明解决上述技术问题所采用的技术方案是：基于异常情景识别的云台镜头自主控制方法，其特征在于，包括以下步骤：

a.将云台镜头的转动范围划分为若干个区块，将每个区块在正常情景下的视频图像集设置为一个独立样本集，将每个样本图像中各像素点的灰度作为独立样本集的特征向量；

b.通过云台镜头采集当前每个区块的视频图像，获取当前区块的视频图像的特征向量并与相应的独立样本集的特征向量进行比较，获取协方差；

c.根据协方差判断当前区块的视频图像是否处于预警区间，若是，则进入步骤d，若否，则回到步骤b；

d.获取当前区块的视频图像与相应的独立样本集的灰度差值，将灰度差值连续大于设定值的区域作为异常目标进行锁定，云台镜头对异常目标进行自动追踪；

e.连续采集出现异常目标区块的视频图像，并对异常目标的运动轨迹进行预测，根据预测结果驱动云台镜头及时转动以减少滞后时间。

具体的，所述独立样本集至少包括100个视频图像。

具体的，步骤a中将每个样本图像中各像素点的灰度作为独立样本集的特征向量的具体步骤为：

a1.将每个样本图像各像素点的灰度作为特征向量，输入神经网络进行训练；

a2.将神经网络的输出作为该区块在正常情景模式的灰度特征向量。

具体的，所述神经网络为RBF径向基神经网络。

本发明的有益效果为，实现在实时监控时，通过视频图像分析技术自动侦测异常情景，并分析预测其运动轨迹，然后云台镜头自主控制其转动以实时跟踪异常目标，从而使监控人员更高效快捷地执行监控任务。

附图说明

图1为本发明的方法流程图。

具体实施方式

下面结合附图对发明的方法做进一步的说明：

如图1所示，本发明提出一种基于异常情景识别的云台镜头自主控制方法，主要步骤为：首先将云台镜头的转动范围划分为若干个区块，将每个区块在正常情景下的视频图像集设置为一个独立样本集，将每个样本图像中各像素点的灰度作为独立样本集的特征向量，通常情况下为了保障监控范围，可以划分3块以上的区块；通过云台镜头采集当前每个区块的视频图像，获取当前区块的视频图像的特征向量并与相应的独立样本集的特征向量进行比较，获取协方差；根据协方差判断当前区块的视频图像是否处于预警区间，通常可将预警区间设置在[-30,+30]之间，若是，则继续获取当前区块的视频图像与相应的独立样本集的灰度差值，将灰度差值连续大于设定值的区域作为，云台镜头对异常目标进行自动追踪，若否，则继续采集各个区块的视频图像；获取当前异常目标区块的视频图像与相应的独立样本集的灰度差值，将灰度差值连续大于设定值的区域作为异常目标进行锁定，这里还可将被锁定的异常目标置于显示界面的中间位置，以更好的提醒观察人员，而通常可将设定值设定为40-80之间，云台镜头对异常目标进行自动追踪；连续采集出现异常目标区块的视频图像，并对异常目标的运动轨迹进行预测，根据预测结果驱动云台镜头及时转动以减少滞后时间，这里所用的预测算法可以为递归最小二乘法，还可始终维持将异常目标置于显示界面的中间位置。

具体的，所述独立样本集至少包括100个视频图像。

一种具体的将每个样本图像中各像素点的灰度作为独立样本集的特征向量的具体步骤为：首先将每个样本图像各像素点的灰度作为特征向量，输入神经网络进行训练；然后将神经网络的输出作为该区块在正常情景模式的灰度特征向量。

具体的，所述神经网络为RBF径向基神经网络。