出租车副驾驶摄像头干扰自动检测算法

1、装订线出租车副驾驶摄像头干扰自动检测算法摘 要当前监控摄像头广泛应用于社会生活的各个方面，为国民生活的和谐、平安做出巨大贡献。但也有些不法分子，想尽办法干扰、破坏监控摄像头的监控，例如，用衣物遮挡摄像头、往摄像头上喷洒彩绘涂料，或是将摄像头移开等等。摄像头一旦被干扰、破坏，监控人员无法看到监控区域所发生的事情，就失去了监控的能力。因此，在监控视频智能化的今天，摄像头干扰检测成为智能视频监控的重中之重，对于出租车副驾驶位置的摄像头干扰自动检测更是交通管理部门亟需解决的问题。本论文旨在研究出租车副驾驶摄像头干扰自动检测算法。依托于2013 年度陕西省交通运输厅科研项目：营运车辆在途视频图像分析技术

2、研究。在出租车远程监控系统中，摄像机的数目众多，被干扰时很难被发现，本项目将对现有的出租车监控调度系统加以改进，从而节省大量的人力和物力资源，极大地发挥出监管平台的作用：可以监管出租车司机违规收费行为。通过分析出租车副驾驶位置的监控视频，可判断出租汽车司机是否有不打表、拼车等违规行为。对出租车的车载摄像头干扰自动检测进行深入研究。在出租车远程监控系统中，摄像机的数目众多，被干扰时很难被发现，这就需要监控系统具有自我检测能力，能够及时发现异常并提醒工作人员迅速处理，提高工作效率。本文首先回顾了目前现有的几种干扰检测算法，并对其中的基于缓存区的摄像头干扰检测算法深入研究并进行了一些改进，改进后的算

3、法检测结果更精准，也更加的鲁棒。其次，对新一代小波中可多尺度、多方向性分解的轮廓波（Contourlet）变换进行研究探讨，利用其在轮廓检测方面的优势，提出基于轮廓波变换的干扰检测算法。轮廓波变换主要分两步：1）拉普拉斯金字塔分解，将图像分解为带通图像和低频图像；2）方向滤波，通过方向滤波器组，将带通图像分解为各方向的子带图像。基于轮廓波变换的摄像头干扰检测算法主要思路是通过比较背景图像与视频图像的图像特征函数，来判断是否有摄像头异常情况发生，而这图像特征函数主要是基于轮廓波变换系数的函数。通过大量实验，对比已有的基于小波变换的算法，本文所提出的算法取得了很好的实验结果，为轮廓波变换的应用方面

4、拓展了一个新的方向。关键词：摄像头干扰检测，LOG 直方图，巴氏距离，轮廓波变换AbstractNowadays surveillance cameras are widely used in all fields of social life, which makes great contributions to the harmony and peace of national life. However there are still some lawbreakers who do anything to sabotage and destroy the surveillance, su

5、ch as covering the lens with the clothes, painting on the camera lens and move the camera to change the field of the designated view. Once the camera is sabotaged, the security agents are no longer able to monitor the designated fields by the camera which leads to a loss of surveillance ability.Cons

6、equently it is the camera sabotage detection that becomes far higher on the agenda of the intelligent video surveillance. This paper firstly reviews the existing sabotage detection algorithms. Then based on the insight of the pool-based camera tampering detection algorithm, we propose the improvemen

7、ts: 1. We substitute the Bhattacharyya Distance which has more accuracy and statistical significance for the original histogram distance measure; 2. We replace the histogram measure based on Sobel kernel with the one based on the LOG kernel, which has not only the better anti-noise effect but also t

8、he more complete edge extraction. The algorithm proposed has more accuracy and robust in the experiments.Secondly we take an in-depth study of contourlet transform, the new generation of themulti-resolution and multi-directional decomposition. According to the study we finally propose the sabotage d

9、etection algorithm based on contourlet transform. The contourlet transform is mainly comprised of two steps:1) Pyramid Frames, decompose the image into the band-pass and low frequency sub-images;2) Iterated Directional Filter Banks, decompose the band-pass image into different subband images of the

10、same orientation. The detection algorithm based on contourlet transformation distinguishes the sabotaged events from others by comparing the frames and the background frames on different image feature function, which largely depends on the contourlet coefficients.A large number of experiments show t

11、hat our algorithm, compared to the existing algorithm based on wavelet transform, has achieved better effect and presents a newapplication field for contourlet transformation.Key Words: Camera Sabotage Detection, LOG Histogram, Bhattacharyya Distance, Contourlet Transformation目录摘 要1Abstract2第1章 绪论41

12、.1研究背景及意义41.2国内外研究现状51.2.1基于缓存区的摄像头干扰检测方法71.2.2基于背景建模的摄像头干扰检测方法71.3本文主要研究内容和结构81.3.1论文研究内容81.3.2论文结构安排9第 2 章 基于直方图的摄像头干扰检测方法及其改进92.1 基于直方图的检测算法框架102.2 三种直方图及直方图距离度量112.2.1 三种直方图112.2.2 距离度量122.3 LOG直方图及巴氏距离122.3.1 LOG直方图132.3.2 巴氏距离132.4 实验结果14第 3 章 基于轮廓波变换的摄像头干扰检测153.1 轮廓波变换的起源153.2 拉普拉斯金字塔分解163.3

13、方向滤波器组173.3.1 多维多采样173.3.2 方向滤波器组193.4基于轮廓波变换的摄像头干扰检测203.4.1 摄像头干扰检测算法203.4.2 实验结果24第4章 总结与展望264.1 工作总结264.2 研究展望27参考文献28致 谢30第1章 绪论1.1研究背景及意义视频监控技术因其直观、准确、及时和信息内容丰富而得到了广泛的运用。大到飞机场、港口码头，小到居民小区、店铺以及学校等场所都普遍安装了视频监控系统。科技发展日新月异，特别是最近几年，计算机、通讯技术、以及智能图像处理等相关技术得到了蓬勃的发展，进一步促进了监控技术的发展，视频监控系统也越来越受到社会各届的欢迎。随着监

14、控系统规模的不断扩大，涉及的摄像头数量也不断增加，一些潜在的问题也随之暴露出来。在军事要地、交通要道，乃至商场、银行等场所，都要求监控系统能够保持良好的运行状态，要能够保证监控画面的清晰正常，一旦出现问题，极有可能由此造成重大的损失，甚至危害到国防安全。当监控系统规模不大，摄像头数量较少时，采用人工监看与适时巡检的方法比较方便，而且准确性高。然而，随着系统规模的不断扩大，监控点的数量也在急剧增加，单纯依靠人工来对摄像头进行逐个检测就成了一件很麻烦的事情，不仅工作量大，耗时又费力，还不利于降低成本。另外，人的注意力很容易受到主观情绪和外在环境的影响，可能对某些监控点出现漏检，而且不同人对同一画面

15、质量的评判标准也不尽相同。在主客观因素的影响下，甚至同一个人在不同的时间对同一帧视频图像的质量进行评价时也可能得出不同的结论。因此，通过计算机实时的对监控系统中可能出现的问题进行检测，以达到对监控系统运行状况的检测是很有必要的。智能视频监控由于其广泛的应用吸引了社会各界人士关注的目光，而基于智能数字图像处理与分析的监控系统工况检测，因其重要的学术价值和广泛的市场前景也越来越受到人们的重视。本文以智能视频监控系统为基础，对影响监控系统正常运行的常见故障和问题进行了深入的研究和探讨。随着视频监控深入生活的各个领域，一些不法分子也开始想方设法的破坏视频监控，阻碍监控人员发现其不法行为并对其录像作为物

16、证。下面是一些相关案例：2009 年 5 月 17 日，墨西哥发生一起大规模越狱，53 名罪犯逃出，在其行动前，他们用衣物遮盖监控摄像头，以使其行为不被监控人员发现，从而顺利出逃。2009 年 6 月 30 日凌晨 3 时 40 分，武昌一店内公司员工听见隔壁有奇怪的声音，看监视器却是一片花白，他警告未果报警，但等警察赶来时不法分子已离开，店内新装摄像头被人喷漆，失窃 4 台SONY笔记本电脑，未能留下窃贼的相关影像资料。2011 年 1 月 24 日，合肥宁国路一婚纱店司机发现店内的婚纱、沙发、婚纱照和一些饰品全部被洗劫一空，连个凳子都没留下，只剩下空空一个屋子，据检查，店内安装的两个摄像头

17、一个被布料包裹，另一个被塑料袋遮挡。店内损失估计五十万元。2011 年 4 月 15 日，广州一商场发生群体斗殴事件，事件发生时，有人将斗殴现场的一个摄像头移开，以避免被录像留证，事后集体换衣，从容离开，造成恶劣的群众影响。2011 年 7 月 28 日，中国永康一家高级餐厅的管理员发现四楼一房间内的两只保险箱少了一只里面放着 100 万的现金。而失窃房间附近的摄像头均被人用胶带封住。且嫌犯很小心，将指纹都抹掉了。上述案例表明，对摄像头干扰进行实时检测，及时对监控的异常情况进行预警，是非常有意义和实用价值的研究课题。摄像头一旦被干扰，对传统视频监控，录制的视频信息不再具有监控价值，影响监控人员

18、的正常工作，且不能留下不法分子的影像资料。其实摄像头干扰检测不仅仅是针对传统的视频监控，它对于现在日益火热的智能视频监控系统来说更是尤为重要。本论文旨在研究出租车副驾驶摄像头干扰自动检测算法。依托于2013 年度陕西省交通运输厅科研项目：营运车辆在途视频图像分析技术研究。以下作简要阐述：出租车副驾驶位置视频检测技术对于规范出租车司机的收费行为，对出租车摄像头人为干扰的自动检测都具有重要意义。在本项目中将对出租车副驾驶位置乘客检测和出租车副驾驶位置摄像头干扰自动检测进行深入研究。通过视频检测技术实现对副驾座位置的乘客自动检测与提取、识别与理解，来判断出租车司机是否按照规定使用计价器。在出租车远程

19、监控系统中，摄像机的数目众多，被干扰时很难被发现，本项目将对现有的出租车监控调度系统加以改进，从而节省大量的人力和物力资源，极大地发挥出监管平台的作用：可以监管出租车司机违规收费行为。通过分析出租车副驾驶位置的监控视频，可判断出租汽车司机是否有不打表、拼车等违规行为。对出租车的车载摄像头干扰自动检测进行深入研究。在出租车远程监控系统中，摄像机的数目众多，被干扰时很难被发现，这就需要监控系统具有自我检测能力，能够及时发现异常并提醒工作人员迅速处理，提高工作效率。1.2国内外研究现状智能视频（Intelligent Video，IV）技术自20世纪90年代诞生以来，经过数十年的发展，这项技术已从高

20、高在上的“神坛”逐步走向应用面。随着商业应用的不断深入，这项技术受到了人们的普遍关注，在国防安全以及经济建设中都发挥着不可忽视的作用。特别是在监狱、机场、交通等特殊领域中已经崭露头角，有效的提高了工作效率，节约了大量的人力物力。近年来，随着智能图像处理等相关技术的发展，已有很多科研院所和商业机构投身于该技术的研究之中。如美国 Tektronix 公司研制出了一种图像质量分析仪，并已得到广泛的应用。美国 IBM 公司、韩国 SK 电信等也针对该领域的相关问题展开了深入的研究。同时，图像质量评价算法层出不穷，其中比较典型的如基于人类视觉系统（Human Vision System，HVS）的图像质

21、量评价模型，基于结构相似度（Structural Similarity Image Measurement，SSIM）的评价模型等。相对来说，对视频监控技术的相关研究国内开始得比较晚。但是，近年来随着计算机以及图像处理等相关技术的迅速发展，以及国防建设、公共安全等领域的市场需求，视频监控技术得到了前所未有的发展契机。目前，众多国内知名的高等院校、研究院所甚至商业机构投入到了对视频监控系统的相关研究中。例如，2009 年重庆市计量质量检测研究院承接了国家质检总局“视频监控系统检测方法和检测装置的研究与建立”这一科研项目。取得了很好的成效，发明了视频监控系统检测方法及其装置，并申请了专利，填补了国

22、内外视频监控工程检测领域无专用检测仪器的空白。此发明结构简单、使用方便、检测成本较低，能够有效满足目前视频监控领域的检测要求。北京互信互通信息技术股份有限公司针对“全球眼”这类大规模网络视频监控系统专门研发了智能化视频故障分析与预警系统。通过视频质量诊断模块，用户能够及时有效的检测到视频采集、视频传输等环节的设备故障或环境干扰所导致的图像质量问题，并能够及时发现恶意破坏监控设备的行为。该系统不仅能够在设备、传输等环节发生问题后，迅速进行处理，保障监控系统的有效运行，还能够帮助用户实时监控视频采集设备的工作状况，有效降低大型监控安防系统的运维工作量。摄像头干扰，指人为干扰摄像头监控录制的行为，主

23、要分为三类：1）遮挡，即摄像机镜头被不透明物体遮盖，阻碍监控视频的录制（见图 1.1（b）。2）可见度降低，即摄像机镜头因为失焦或是被喷洒涂料导致所捕获的监控图像模糊不清（见图 1.1（c）。3）移位，即摄像机镜头被转向指定的监控方向外，无法监控指定的区域（见图 1.1（d）。 (a) (b) (c) (d)(a)为正常的监控图像；(b)为被遮挡的监控图像；(c)为摄像头可见度减低的监控图像；(d)为被移位的摄像头监控图像图1.1摄像头干扰的定义摄像头干扰的定义最早由P. Gil-Jimenez等人在 2007 年 IWINAC 会议上提出。迄今为止，根据是否需要建立背景模型可将摄像头干扰检测

24、算法大致分为两类：基于缓存区的检测算法以及基于背景建模的检测算法。具体介绍如下：1.2.1基于缓存区的摄像头干扰检测方法这类算法不需要对监控场景进行背景建模，但是需要建立两个缓冲存储区：短时存储区与长时存储区，分别存储距离当前视频图像较近以及较远的一段时间内的视频图像。然后针对不同的度量分别对短时存储区与长时存储区间的每两帧与长时存储区内的每两帧进行度量比较，分别取这两种比较的中值，求其比值，最后与阈值比较，判断是否有异常情况的发生。Evan Ribnick 等人在 2006 年 AVSS 会议上最早提出这种基于缓冲存储区的检测算法。此算法使用了三种直方图度量，分别是基于色度直方图、L1R 直

25、方图和梯度方向直方图，其中前两种均为二维直方图。此算法是以空间为代价换取其实时性。另外，由于其主要是基于色彩直方图进行判断，所以对红、绿色较为敏感，当有鲜艳颜色进入背景颜色较为单一的监控范围内容易引起误报，除此外，对背景色变化不明显的摄像头移位检测率较低。2009 年 1 月，王宝军在其硕士论文中提出了一种同样是基于缓冲存储区的检测算法，该算法框架与Evan Ribnick等人提出的一样，但在选取度量上，提出了一种基于Susan角点的图像特征函数，为了满足实时性的要求，采用了改进的快速角点检测方法。但该算法在遇到监控场景中角点信息过少或过于复杂时易误检和漏检。1.2.2基于背景建模的摄像头干扰

26、检测方法该类算法在检测前需要先对监控场景进行背景建模，通过检测背景模型与当前视频图像的不同来判断是否有摄像头被干扰、破坏的情况发生。最早是由 P. Gil-Jimenez 等人提出的此类算法的一个实例。它主要是通过比较背景模型与当前视频图像的信息熵、视频图像的边缘像素数目和 ZNCC 来分别判断是否有摄像头遮挡、可见度减低或是被移位的情况发生。但是此算法设计只是针对室内监控场景的情况较为简单的情况下设计的，尽管能较好的满足实时性监控的需求但仍旧无法适应较为复杂的环境。另外作者只给出了各个度量在摄像头正常与异常的情况下取值确实有反差的实验结果，并未对此算法的漏报率，误报率等指标做统计。同年，An

27、il Aksay 等人在 AVSS 会议上提出了基于小波系数的摄像头干扰检测算法。其基本思想是通过比较背景模型与当前视频图像的小波变换系数来判断是否有异常情况发生。在该算法中，除了判断摄像头被遮挡是通过比较灰度直方图外，判断可见度降低以及移位都是基于背景模型与当前视频图像的小波系数的比较，一个比较的是小波域的频率能量，另一个则比较小波域的对应边缘像素数目。2009 年 Alg Saglam在其博士论文中对摄像头的遮挡检测使用的同样是灰度直方图，而移位检测则利用的是相隔一段时间的两幅背景图像的对应像素灰度值相等的像素数目进行比较判断。该算法最复杂的步骤便是摄像头可见度减低的检测算法对背景图像与当

28、前视频图像的傅氏变换频域系数加窗后所求和的进行比较，比较的阈值采用的是自适应的阈值。该算法虽然经验证鲁棒性较好，正确率较高，但是存储代价很大且对光照变化的鲁棒性有待提高。1.3本文主要研究内容和结构1.3.1论文研究内容本论文旨在研究出租车副驾驶摄像头干扰自动检测算法。依托于2013 年度陕西省交通运输厅科研项目：营运车辆在途视频图像分析技术研究。本论文将对以下内容作简要阐述：解决出租车位置乘客自动检测和出租车副驾驶位置摄像头干扰自动检测这两个问题的关键是要对出租车副驾驶位置视频图像的实现背景重构。当有乘客进入或者人为干扰摄像头时，当前图像与背景图像将出现差异，通过这种当前图像和背景图像之间的

29、差异，我们就可以实现对副驾驶位置乘客的自动检测和摄像头干扰的自动检测。车辆在行驶过程中，由于摄像头容易受到干扰。解决在摄像机干扰情况下背景重构技术，在出租车副驾驶位置摄像头受到的干扰情况下，正确的构建出背景图像的技术，是解决出租车位置乘客自动检测和出租车副驾驶位置摄像头干扰自动检测的关键技术。摄像机干扰分为人为干扰和非人为干扰。非人为干扰主要指：噪声、道路颠簸导致的摄像机剧烈抖动和摄像机故障造成的摄像机成像异常；人为干扰主要指：摄像机被遮挡、摄像机被转动或人为断电等因素引起的摄像机成像异常。通常非人为干扰是偶发的，短暂的，而人为干扰通常是造成较长时间内无法对车内的人员进行检测。针对摄像头的人为

30、干扰，通过对比摄像头人为干扰前后背景图像信息，发现异常，对驾驶员提出警告信息，并及时通知监管部门，实现摄像头异常工作状态的自我检测。针对非人为干扰下，背景重构技术是实现实时、准确的司乘人员检测是关键技术之一。通常运动目标检测法有光流法、帧差份法和背景减法。光流法计算量大，对硬件要求高；相邻帧差法利用相邻两帧或几帧之间差异的变化来判断干扰是否发生，一般比较简单，可以快速地检测出干扰，缺点是误报率比较高；背景减法一旦背景构建好后，能实现实时的运动目标检测，但是检测结果受到背景的影响较大。本论文将提出一种适合车载摄像机的背景重构检测算法。1.3.2论文结构安排本文对出租车副驾驶摄像头干扰(camer

31、a sabotage)检测算法进行研究，针对两类检测算法分别进行了学习与探讨。着重学习了轮廓波变换的原理，并将其应用于摄像头干扰检测的算法。本文的结构安排如下：第一章：介绍了摄像头干扰检测的定义、意义，国内外研究现状，本文主要研究内容以及结构安排。第二章：详细介绍了基于直方图的摄像头干扰检测的算法，并进行改进。第三章：介绍了新一代小波轮廓波的发展，对轮廓波变换的原理进行系统学习探讨。第四章：建立一套基于轮廓波变换的摄像头干扰检测算法并实现，与基于小波变换的摄像头干扰检测算法进行对比。第五章：总结了本文的研究工作并对未来的后续研究进行了展望。第 2 章 基于直方图的摄像头干扰检测方法及其改进本章

32、学习讨论的摄像头干扰检测算法是基于缓存区的检测算法，无需建立背景模型，在缓存区的基础上计算代表视频图像的直方图间的距离，以此判断是否有摄像头干扰现象的发生。2.1 基于直方图的检测算法框架Evan Ribnick 等人提出的摄像头干扰检测算法，其主要思想是干扰事件的发生会导致干扰事件发生后的视频图像与未发生干扰的视频图像间存在较大差异，因而通过比较距离当前帧较近的视频图像群与较远的视频图像群间的图像特征差异是否超过给定的阈值来判定干扰事件的存在与否。具体算法步骤如下：STEP 1. 初始化。1. 建立起两个缓存区，短时存储区与长时存储区（均为队列，先进先出）。摄像头获取的视频图像经过初次采样后

33、首先进入短时存储区，短时存储区满后溢出的视频图像经过再次采样送入长时存储区，直至长时存储区已满（长时存储区满后溢出的视频图像就不必再保留了）；2. 比较短时存储区的每一帧代表直方图与长时存储区的每一帧的代表直方图，计算每两个直方图间的距离，取其中位数记作；3. 比较长时存储区的每两帧间代表直方图的距离，取其中位数记作；4. 计算。STEP 2. 每有新一帧视频经过初采样后进入短时存储区，短时存储区溢出一帧，根据采样率判断其是否进入长时存储区。若进入长时存储区，则长时存储区内将溢出一帧。STEP 3. 计算短时存储区新进的视频图像的代表直方图与长时存储区内每一帧的代表直方图的距离，取其中位数，记

34、作；计算长时存储区内每两帧间代表直方图的距离，取其中位数记作。STEP 4. 计算，如果 D 的取值超过阈值即可判定有干扰现象的发生。具体的算法整体流程详情可见图 2.1 所示：图 2.1 基于直方图的摄像头干扰检测算法流程图由上述算法步骤可知，当摄像头被干扰后，经过一段时间，当短时存储区内过半的视频图像都是异常发生后的视频图像时，值将有较大变动，超过阈值，从而引发报警机制。2.2 三种直方图及直方图距离度量在上一节内容中我们了解了Evan Ribnick等人提出的摄像头干扰检测算法的大体框架，其比较的度量（即算法框架中提到的代表直方图）主要是三种基于图像像素点 RGB分量的直方图，我们将在下

35、面的章节中进行详细介绍。2.2.1 三种直方图实际应用中，我们希望视频图像间的差异度量对摄像头的小的转动或是晃动不敏感，但对视频图像中的轮廓及色彩的剧烈变动要敏感。针对此目的，Evan Ribnick 等人提出了以下三种直方图来进行视频图像间的度量比较。1. 色度直方图（Histogram chromaticity）色度直方图是二维直方图，其两个分量分别是归一化的红、绿色分量值（蓝分量的归一化值可由红、绿分量的归一化值唯一确定，所以不用考虑了）。这个二维直方图的两个分量计算公式如下： (2.1) (2.2)其中分别为像素的红、绿、蓝色分量值。色度直方图对于光照的变化不敏感，对于色彩的变化很敏感

36、。2. 1-范数及色彩分量范围直方图（Histogram L1R）与色度直方图一样，1-范数及色彩分量范围直方图（为简便期间，以后简称 L1R 直方图）也是二维直方图。L1R 直方图的两个分量分别是像素色彩分量的 L1 范数及其范围，计算公式如下所示： (2.3) (2.4)给定像素的 L1 范数与其亮度成正比，而其色彩范围则与饱和度紧密相关。由此可见 L1R 直方图对光照变化较为敏感，尽管在某些情况下，光照的细微变化及渐变不是我们检测的目标，但是对于极端的光照变化，还是应该引发报警机制，提醒安保人员注意。3. 梯度方向直方图 （Histogram gradient direction）与前两

37、个直方图不一样，梯度方向直方图是个一维直方图，而且不是针对图像的像素值直接进行直方图统计，需要先进行卷积处理。使用 3*3 的 Sobel 卷积模板卷积后，计算得到像素处的梯度方向（其中）,对此进行直方图统计。具体的计算公式： (2.5)由于像素梯度方向对于光照以及摄像头的轻微晃动都不敏感，所以梯度直方图这个度量鲁棒性非常好。2.2.2 距离度量Evan Ribnick 等人提出的计算直方图的距离公式较为简单，计算分别代表两幅图像的一维直方图的与的距离公式如下所示： (2.6)由上式可知，一维直方图的距离相当于对一维数组对应元素之差的绝对值求和，他们对于二维直方图的距离定义是对一维的推广： (

38、2.7)2.3 LOG直方图及巴氏距离摄像头被人为干扰破坏时，拍摄的视频图像会发生较大变化，例如，摄像头被遮挡，视频图像的轮廓边缘将会发生较大变动。我们检测干扰现象的重点在于选择适当的图像特征以及直方图的距离度量。2.3.1 LOG直方图在求梯度方向直方图时，由于噪声对边缘检测的干扰，会使梯度方向直方图的统计产生很大的误差，因此我们提出以 LOG 直方图来衡量视频图像间的边缘轮廓变化。LOG 直方图是对视频图像的灰度图像使用 LOG（Laplacian-Gauss）模板卷积后的图像进行统计而得的直方图。LOG 卷积模板结合了 Gauss 平滑模板和 Laplacian 锐化模板的优点，在卷积过

39、程中既去噪又锐化了边缘轮廓，对边缘的检测效果更好。我们使用的 LOG 模板为 (2.8)由图 2.2 可以看出，LOG 模板求取边缘的结果比 Sobel 要完整，Sobel 方法的边缘有些丢失不全（门左下部分以及人的胳膊部分）。(a) (b) (c)图 2.2对比结果： (a)视频图像I; (b)使用Sobel模板求得的视频图像 I边缘图像；(c) 使用 LOG 模板求得的视频图像 I 的边缘图像。2.3.2 巴氏距离直方图的距离直接影响着视频图像的相似性比较。文献4中提出的直方图距离度量过于简单，有时会出现与同一概率分布直方图距离相等，但实际上分布直方图的相似度却不一样。例如对于概率分布(如

40、图 2.3 所示)，很明显与的分布的相似度要比与的分布的相似度相比要高，但是用文献4中提出的直方图距离度量测量，其距离均为0.12。（a） (b) (c)图2.3 (a)概率分布y1的直方图; (b)概率分布y2的直方图; (c)概率分布y3的直方图实际上我们在衡量直方图距离时，常用的距离度量是巴氏距离。巴氏距离（Bhattacharyya Distance）是统计学中用于测量两随机概率分布的相似性度量，多用于分类目的。对于归一化的分布向量，其长度均为，巴氏距离的计算如下所示： (2.9)的值越接近0时，向量的相似度越高，反之则相似度越低。当其值为0时，完全相同。使用巴氏距离衡量我们前面给出的

41、示例，y2与y1的巴氏距离为0.0019，而y3与y1的巴氏距离为 0.0045，与我们直观观测到的情况相符。可见与论文4中的直方图相似性度量相比，巴氏距离更具有统计学意义，准确度也更高。2.4 实验结果由于没有摄像头干扰检测这方面的公开视频库，我们采用的是在3个不同场景（简单室内场景、复杂室内场景、室外）下录制的共50段视频，其中含15段正常视频，其余均分别含有各种干扰情况。为了试验的实时性及从计算代价方面考虑，我们设置短时存储区存储5帧视频图像，长时存储区存储10张视频图像。其中一个场景的实验结果分别见表格2.1。其中PAT代表正确报警率PED代表检测到的异常事件的比率（PAT=正确报警次

42、数/总报警次数, PED=正确报警次数/总的异事件数目）。当错报数目与漏报数目达到最优平衡时，我们标记此时为阈值100%。表 2.1 简单室内场景下的实验结果对比ThresholdFalse AlarmsMissed EventsPATPEDSobelSobel85%90%95%100%105%110%115%7 0 56.25% 100%7 0 56.25% 100%6 0 60.00% 100%2 1 80.00% 88.89%2 2 77.78% 77.78%0 4 100% 55.56%0 6 100% 33.33%LOG85%90%95%100%105%110%115%7 0 56.

43、25% 100%7 0 56.25% 100%6 0 60.00% 100%2 1 80.00% 88.89%2 2 77.78% 77.78%0 4 100% 55.56%0 6 100% 33.33%由上表可见在简单室内场景下基于LOG直方图与巴氏距离的算法要比原有算法效果要好，在达到最优平衡阈值时，该算法要比原算法漏报率低。在复杂室内场景下实验结果同样可以看出在阈值达到最优平衡时本文的算法漏报情况少。有人走动的情况下，发生误报的几率较高。其中，蓄意遮挡这类异常事件的正确检测率最高。在室外同样是与原算法相比本文算法漏报情况较少。提出了新的比较视频图像间差异的LOG直方图以及直方图距离度量巴

44、氏距离。通过大量实验我们可以看到本文算法减少了干扰事件的漏报，对摄像头干扰的检测效果有了明显的提高。第 3 章 基于轮廓波变换的摄像头干扰检测小波分析在Ingrid Daubechies、Stephane Mallat等人的推动下，成为数字信号处理领域的有力支柱。但可惜的是其在一维信号处理时的优势不能简单推广到高维。传统的小波变换在处理图像时利用的可分离小波是由一维小波张成的，它只具有有限的方向性，在表示高维信号时，不是最稀疏的表示方法。为了研究图像、曲面等高维数据，人们提出了如下多尺度几何分析方法：脊波变换、梳状波变换、小线波变换、曲线波变换、轮廓波变换等。我们将在本章学习有关轮廓波变换的相

45、关知识。3.1 轮廓波变换的起源E.J.Candes 和 D.L.Donoho 提出了一种多尺度的脊波系统曲线波，其在边缘曲线检测方面具有很好的感知效果，但存在高冗余、在直角坐标系很难对分离图像进行线性变换等问题。2002 年 M.N.Do 和 Martin Vetterli在曲线波的基础上提出了一种新的多尺度分析方法轮廓波变换（Contourlet Transform）。轮廓波变换在图像处理方面具有最优的表示方法的特征即多分辨、局域性和方向性，它在不同尺度分别进行方向分析：1）利用拉普拉斯金字塔变换进行多尺度分解，捕捉奇异点；2）通过方向滤波器组将相同方向的奇异点聚在一起。自轮廓波变换提出后

46、，不少学者对其理论及框架进行了完善、进一步发展。2003年Y.Lu和M.N.Do提出了CRISP轮廓波变换（Critically Sampled Contourlet Transform），它与轮廓波变换的频域剖分形式类似，是通过非可分迭代滤波器组进行轮廓波变换的两步。2006 年 A.L.Cunha 等人基于 aTrous算法提出了非下采样轮廓波变换（Nonsubsampled Contourlet Transform , NSCT）。非下采样轮廓波变换同样是分两步进行，只不过金字塔分解还有方向滤波器组均为非下采样的。NSCT 除了继承轮廓波变换的多分辨、局域性和方向性的良好特性外，还具有平

47、移不变性。轮廓波变换因其在图像表示方面的优势被广泛应用于斑点抑制、目标识别、图像融合、纹理分割与分类等领域。随着轮廓波理论和算法的不断完善与发展，它在图像处理领域中将会大放光彩。3.2 拉普拉斯金字塔分解1983 年 P.J.Burt 和 EA.Adelso提出一种图像多分辨分析的工具拉普拉斯金字塔分解。传统的小波变换滤波器组中，一高通频道在下采样后被折回低通组，其频谱被反射，发生频率混杂。在拉普拉斯金字塔分解中，不存在这种频率混杂现象，因为它在每一层的分解中只生成一幅带通图像，且只对低通频道进行下采样。与传统的重构方法不同，轮廓波变换不是将差信号简单的加到预测信号上，而是使用最优线性重构，即

48、双重框架算子进行重构。如图3.1所示。其中是第层的低频图像，H是高通滤波器，G是低通滤波器，M是采样矩阵。 （a） （b）图3.1(a) 拉普拉斯金字塔分解过程; (b) 拉普拉斯金子塔重构过程我们在轮廓波变换里主要使用的是拉普拉斯金子塔分解过程。下面是具体对一副图像进行拉普拉斯金字塔分解的示意图。图3.2 高斯拉普拉斯金字塔分解示意图3.3 方向滤波器组1992 年 R.H.Bamberger 与 M.J.T.Smith提出了一个二维方向滤波器（2-DDirectional Filter Bank, 2-D DFB），既可完全重构又可得到一个“最稀疏”表示。这种方向滤波器的带通区域为楔形，从

49、而能够提供方向性的信息。它的实现是通过m层的二叉树在每层生成2m个方向子带。2001 年 M.N.Do 在其博士论文中提出一种新的滤波器组。此滤波器组为了避免对输入信号进行调制采用的是扇形的共轭镜像滤波器组（QFB），包含了两部分：1. 基于扇形滤波器的两通道梅花形滤波器组，用于将二维谱图分解为水平和竖直两个方向； 2. 重采样（即原文提到的剪切操作 Shearing Operator），这步操作并不改变图像的像素数目，只是进行了重排。下面对此进行详细介绍。3.3.1 多维多采样方向滤波器组的核心问题是解决在保持样本数目不变的前提下将方向频率划分到要求的精度，采样则是解决的途径。我们将采样定义

50、在网格上，利用d d的整数矩阵（非奇异）来表示d维的网格。采样实际上为输入网格的坐标与输出网格的坐标间的一个线性变换。设(1,2)为输入网格的坐标，(1,2)为输出网格的坐标，M 为采样矩阵，由于在本文中我们用到的都是2 2的采样矩阵，这里我们就记 M 为2 2的非奇异矩阵。对输入的图像矩阵x进行采样，记为 xd (1,2) = x(1,2),即 (3.1)当采样矩阵为以下两个矩阵时，我们称之为梅花形采样。梅花形采样如图所示: (3.2) (a) (b) (c) (d)（a）梅花形采样示意图；(b)原图像；(c) 采样效果图；(d) 采样效果图图 3.3 梅花形采样图当采样矩阵的行列式为 1

51、时，即幺模矩阵时，由于采样点数目在采样前后不会发生变化，只是采样点位置发生变化，我们称此种采样为重采样，采样矩阵则为重采样矩阵。主要有以下四种重采样矩阵： (3.3)采样不仅可以对图像进行采样，也可以对滤波器进行采样。但由于对滤波器进行重采样会改变滤波器的形状，为了保持与原有滤波器的范围相同（都在，上），在重采样过程中我们需要进行对称延拓。例如使用重采样矩阵R0对扇形滤波器进行采样，由图 3.4(b)可看出我们需要在这个采样结果图的左右分别延拓一个周期（见图 3.4(c)），然后在，上进行截取(见图 3.4(d)。(a) (b) (c) (d) (a)滤波器原图；(b)滤波器重采样效果图；(c

52、)周期延拓(d)裁剪图 3.4 滤波器采样过程基于对滤波器采样的相关知识我们易知滤波和采样之间是可以进行等效易位的，采样矩阵为Q的等效易位关系如下图所示:图 3.5 等效易位图3.3.2 方向滤波器组方向滤波器组的第一层是梅花形滤波器组，它是由扇形滤波器与梅花形采样构成的两通道滤波器组。在完全重构条件下，经过梅花形滤波，输入的图像将被分为水平和竖直两个方向，同时还能保持样本数目不变，如图 3.6 所示。图 3.6 一层两通道滤波器组分解与重构两层的方向滤波器组可对 4 个方向进行频域分割，第一层如上面所述，第二层则将第一层输出结果作为输入然后仍用扇形滤波器与梅花形采样矩阵结合进行滤波，如下图所

53、示:图 3.7 两层方向滤波器组三层滤波器最多可得 8 方向频域子带，第三层是综合梅花形滤波器与重采样实现频域分割。重采样不影响采样点数目只影响采样点位置，所以不影响整个滤波器组的可逆性。图 3.8 三层方向滤波器组我们通过分析来对上图进一步了解，根据等效易位的原理，我们设，因为，即采样率为8，同时为保证输出为矩形，据此可求得。3.4基于轮廓波变换的摄像头干扰检测摄像头干扰主要分为三类：遮挡、可见度降低、移位。在这三种情况下，监控图像的边缘轮廓都会发生较大变动，因此在检测摄像头干扰事件时，用以检测图像边缘轮廓的方法是决定检测效果的关键环节。由第三章我们了解了轮廓波变换在边缘轮廓检测方面的优势，在本章我们将轮廓波变换与摄像头干扰检测相结合，在轮廓波变换的应用领域进行新的探索。3.4.1 摄像头干扰检测算法如何更好的将轮廓波变换与摄像头干扰检测算法结合在一