一种纹理区分优化hog算子的atm滞留物检测方法
【专利摘要】本发明公开了一种纹理区分优化HOG算子的ATM滞留物检测方法，该方法首先对ATM监控视频的单帧图像进行纹理特征的描述，得到纹理特征描述值，然后加入修正因子得到修正值；并根据纹理特征构建背景模型，再计算每一个图像序列的方差，得到其权重；再将当前像素与背景模型的背景直方图逐个比较，并按对应权重在相似度级别上融合以消除背景；统计背景消除后图像的梯度的强度和方向，得到其梯度直方图；最后将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞留物图像。本发明通过区分检测图像的纹理特征对背景进行消除，以突出检测目标的局部纹理特征，并采用方差法提高背景消除的精度。
【专利说明】
-种纹理区分优化HOG算子的ATM滞留物检测方法
技术领域
[0001 ]本发明设及计算机视觉领域，尤其设及一种ATM滞留物检测方法。
【背景技术】
[0002] 近年来，随着我国金融信息化工程的不断发展和金卡工程的不断推进，ATM取款机 在金融环境中占据着举足轻重的地位。ATM机数量不断增多，设备安置位置周围的环境越来 越复杂，安全监控、管理的难度日益增大。传统视频监控系统主要是靠人工来进行监控，只 能实现事后取证，就有可能错失解决事件的最好时机，不仅费时费力，即使能够找到证据， 造成的损失也可能无可挽回。所W，基于智能视频分析的ATM监控显得意义重大。
[0003] 针对滞留物检测检测方法，主要有背景差分方法、高斯混合法、方向梯度直方图法 等。申请号为200910234281.6的发明，首先检测出监控场景中可疑物体(滞留物），记录下物 体的位置信息W便W后对物体继续实施监控。然后用关联算法找到关键帖画面，再根据滞 留物主离滞留物距离最近原则找到关键人。申请号为201310239290.0的发明，首先建立背 景模型并检测出每帖图像前景物体，根据前景物体生成物体分类器;再将静止的前景物体 输入到物体分类器根据分类器返回的置信值的平均值判断得到静止前景物体类型为物品 或者人体;最后对静止前景类型为物品的物体进行物主分析，得到物品的携带者信息，判断 出物主。W上两种发明在ATM滞留物检测中均无法精确区分前景和背景，所W其鲁棒性较 差D
【发明内容】
[0004] 本发明的目的在于针对现有的ATM滞留物检测方法的不足，提供了一种纹理区分 优化HOG算子的ATM滞留物检测方法。
[0005] 本发明的目的是通过W下技术方案来实现的：一种纹理区分优化册G算子的ATM滞 留物检测方法，该方法包括W下步骤：
[0006] (1)提取ATM监控视频的单帖图像作为输入图像；
[0007] (2)采用每个像素联合在其半径为D的邻域上的S个像素的分布来对纹理特征进行 描述：
[000引 （1)
[0009] 其中，Ls, D (Xi，yi)表示(Xi，yi)处的像素的半径为D的邻域上的S个像素的纹理特征 描述，Pi表示(xi，yi)处的像素灰度值，Ps表示半径为D的环形邻域中各像素灰度平均值，C为 系数，其取值为：
[0010]
(2)
[0011] (3)加入修正因子0,减小领域像素变化小的时候计算结果的差异：
[0012]
(3)
[0013] 其中，I/s,D(Xi，yi)表示修正后S个像素在其半径为D的邻域上的纹理特征描述。
[0014] (4)根据式(3)计算所得的纹理特征，构建背景模型：
[001 引 5=-而，马，...，!7"} (4)
[0016] 其中，瑪表示背景模型中的第i个纹理直方图。
[0017] (5)设当前像素的直方图为3，将其与背景模型B的n个背景直方图逐个比较，若两 者间相似度小于设定阔值Ts，则为前景，否则为背景。
[001 引
（5)
[0019] 其中，设有两个直方图巧巧，两者间的相似度比较方法为：
[0020] >
[0021] 对每一个图像序列，计算其方差：
[0022] (7)
[0023] 其中，var^表示第j个图像序列的方差，Q表示训练样本总数，R表示所有训练样本 的平均值子图像：
[0024]
(8)
[0025] 3^表示所有样本的平均值图像1?的第^'个子图像，暫表示第1个样本的第^'个子图 像，1表示相似度量距离。
[0026] W此方差作为每一个子图像的局部纹理特征的权重，然后按对应权重在相似度级 别上融合，最后再W方差的度量方式进行背景消除。
[0027] (7)统计背景消除后图像G(x，y)的梯度的强度和方向： W028] k,(W'') = GU',.V + 1)-G(W-I) W
[0029] 其中，Fx(x，y)、Fy(x，y)分别表示统计背景消除后图像中在像素点（x，y)处的水平 方向的梯度的幅值和垂直方向梯度的幅值;6(针1，7)、6^-1，7)、6^，7+1)、6^，7-1)分别 表示点(X+1，y)、（x-l，7)、山7+1)、山7-1)处的像素值。
[0030] 所W其强麼为：
[0031] (10)
[0032]
[0033] (11)
[0034] (8)采用L2-norm范数对梯度直方图进行归一化处理：
[0035]
。2)
[0036] 其中，c/代表归一化之后的特征向量，〇代表归一化之前的特征向量，I IoMk代表它 的k阶范数k=l，2，A为常数。
[0037] (9)将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞 留物图像。
[0038] 本发明的有益效果是:本发明采用修正因子优化纹理特征描述的技术手段，并通 过区分检测图像的纹理特征对背景进行消除，W突出检测目标的局部纹理特征，且采用方 差法提高背景消除的精度。
【附图说明】
[0039] 图1为一种纹理区分优化HOG算子的ATM滞留物检测方法的流程示意图；
[0040] 图2为采用本发明方法的ATM滞留物为帽子的实施例的检测结果示意图；
[0041] 图3为采用本发明方法的ATM滞留物为手机的实施例的检测结果示意图；
[0042] 图4为采用本发明方法的ATM滞留物为便利贴的实施例的检测结果示意图。
【具体实施方式】
[0043] 下面结合附图对本发明作进一步描述，本发明的目的和效果将变得更加明显。
[0044] 如图1所示，本发明纹理区分优化册G算子的ATM滞留物检测方法，包括W下步骤：
[0045] 1、提取ATM监控视频的单帖图像作为输入图像；
[0046] 2、采用每个像素联合在其半径为D的邻域上的S个像素的分布来对纹理特征进行 描述：
[0047]
(1)
[0048] 其中，Ls,D(Xi，yi)表示(xi，yi)处的像素的半径为D的邻域上的S个像素的纹理特征 描述，Pi表示(xi，yi)处的像素灰度值，Ps表示半径为D的环形邻域中各像素灰度平均值，C为 系数，其取值为：
[0049]
(2)
[0050] 3、加入修正因子0,减小领域像素变化小的时候计算结果的差异：
[0化1]
(3)
[0052] 其中，l/s,D(Xi，yi)表示修正后S个像素在其半径为D的邻域上的纹理特征描述。
[0053] 4、根据式(3)计算所得的纹理特征，构建背景模型：
[0化4]及=巧，而，.'',!Vi (4)
[0化5]其中，卒表示背景模型中的第i个纹理直方图。
[0化6] 5、设当前像素的直方图为每，将其与背景模型B的n个背景直方图逐个比较，若两者 间相似度小于设定阔值Ts，则为前景，否则为背景。
[0化 7]
(S)
[0化引其中，设有两个直方图i和卖，两者间的相似度比较方法为：
[0化9]
(6)
[0060] 6、为了提高精确性，对每一个图像序列，计算其方差：
[0061 ]
C7)
[0062] 其中，var^表示第j个图像序列的方差，Q表示训练样本总数，R表示所有训练样本 的平均估革図條.
[0063] 株)
[0064] 3^表示所有样本的平均值图像1?的第^'个子图像，巧表示第1个样本的第^'个子图 像，1表示相似度量距离。
[0065] W此方差作为每一个子图像的局部纹理特征的权重，然后按对应权重在相似度级 别上融合，最后再W方差的度量方式进行背景消除。
[0066] 7、统计背景消除后图像G(x，y)的梯度的强度和方向： 「00671 = -(啦W (O)
[0067] k(w') = G(:c，.v + l)_G(-w'_l) W
[0068] 其中，Fx(x，y)、Fy(x，y)分别表示统计背景消除后图像中在像素点（x，y)处的水平 方向的梯度的幅值和垂直方向梯度的幅值;6(针1，7)、6^-1，7)、6^，7+1)、6^，7-1)分别 表示点(X+1，y)、（x-l，7)、山7+1)、山7-1)处的像素值。
[0069] 所W其强度为：
[0070] (10)
[0071]
[0072] (11 )
[0073] 8、采用L2-norm范数对梯度直方图进行归一化处理：
[0074]
。2)
[0075] 其中，c/代表归一化之后的特征向量，〇代表归一化之前的特征向量，I IoMk代表它 的k阶范数k=l，2，A为常数。
[0076] 9、将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞 留物图像。
[0077] 如图1所示，一种纹理区分优化册G算子的ATM滞留物检测方法的【具体实施方式】为： 首先在ATM自动取款机的口上假设摄像头，其角度为与地面成45°角，然后提取ATM监控视频 的单帖图像，并对其进行纹理特征的描述，得到纹理特征描述值Ls,D(xi，yi)，然后为了减小 领域像素变化小的时候计算结果的差异，加入修正因子O对纹理特征描述值进行优化，得到 修正值1/5,〇^1，71)，接着根据纹理特征构建背景模型8，再计算每一个图像序列的其方差， 得到其局部纹理特征的权重，然后将当前像素与背景模型B的n个背景直方图逐个比较，并 按对应权重在相似度级别上融合W消除背景，进一步统计背景消除后图像G(x，y)的梯度的 强度和方向，得到其梯度直方图，为了把各个特征的尺度控制在相同的范围内，再采用L2- norm范数对梯度直方图进行归一化处理，最后将统计背景消除后图像中所有重叠的块进行 HOG特征向量的收集归总，得到滞留物图像。
[〇〇7引如图2~4为采用本发明方法对不同ATM滞留物的检测结果示意图，其结果说明本 发明的方法获得了不错的实验结果，可W为ATM滞留物检测提供更高的精确性。
【主权项】
1. 一种纹理区分优化HOG算子的ATM滞留物检测方法，其特征在于，该方法包括以下步 骤： (1) 提取ATM监控视频的单帧图像作为输入图像； (2) 采用每个像素联合在其半径为D的邻域上的S个像素的分布来对纹理特征进行描 述：其中，Ls,D(Xl，yi)表示(Xl，yi)处的像素的半径为D的邻域上的S个像素的纹理特征描述， Pl表示(Xl，yi)处的像素灰度值，ps表示半径为D的环形邻域中各像素灰度平均值，ξ为系数， 其取值为：(3) 加入修正因子〇，减小领域像素变化小的时候计算结果的差异：其中，?/^(Χι，7ι)表示修正后S个像素在其半径为D的邻域上的纹理特征描述。 (4) 根据式(3)计算所得的纹理特征，构建背景模型：其中Λ表示背景模型中的第i个纹理直方图。 (5) 设当前像素的直方图为？，将其与背景模型B的η个背景直方图逐个比较，若两者间 相似度小于设定阈值Ts，则为前景，否则为背景。其中，设有两个直方图?和f，两者间的相似度比较方法为：(6) 为了提尚精确性，对每一个图像序列，计算其方差：其中，vaf表示第j个图像序列的方差，Q表示训练样本总数，R表示所有训练样本的平均 值子图像：P表示所有样本的平均值图像R的第j个子图像，祀表示第i个样本的第j个子图像，1表 示相似度量距离。 以此方差作为每一个子图像的局部纹理特征的权重，然后按对应权重在相似度级别上 融合，最后再以方差的度量方式进行背景消除。 (7) 统计背景消除后图像G(x，y)的梯度的强度和方向： 19) 其中，？41，7)^4^7)分别表示统计背景消除后图像中在像素点（1，7)处的水平方向 的梯度的幅值和垂直方向梯度的幅值;G(x+1，y)、G(x_l，y)、6(1，7+1)、6(1，7_1)分别表示 点(x+1，y)、（x-l，7)、（叉，7+1)、（叉，7_1)处的像素值。 所以其强度为： 方向为： V Χ· ·χ\^ J) /(8) 采用L2-norm范数对梯度直方图进行归一化处理：其中，，代表归一化之后的特征向量，〇代表归一化之前的特征向量，I |〇| |k代表它的k 阶范数k = 1，2，λ为常数。 (9) 将统计背景消除后图像中所有重叠的块进行HOG特征向量的收集归总，得到滞留物 图像。
【文档编号】G06T7/00GK105957093SQ201610399407
【公开日】2016年9月21日
【申请日】2016年6月7日
【发明人】胡峰俊
【申请人】浙江树人大学