视频监控中图像异常的分析与检测算法

王维虎， 刘延申

(1.华中师范大学 国家数字化学习工程技术研究中心， 武汉 430079;2.华中师范大学 教育信息化研究中心， 武汉 430079)



视频监控中图像异常的分析与检测算法

王维虎1*， 刘延申2

(1.华中师范大学 国家数字化学习工程技术研究中心， 武汉 430079;2.华中师范大学 教育信息化研究中心， 武汉 430079)

针对湖泊环保应用中视频监控的特殊性，运用数字图像处理技术，对监控视频中信号缺失和清晰度两种类型异常故障进行研究.文中分别描述了这两种异常类型产生的原因和解决问题的算法思想，最后通过模拟实验加以验证.从实验结果上分析，能够较好地对视频监控中图像的异常进行诊断和及时地预警，并能够对视频图像的质量进行检测.

视频监控； 图像异常； 检测

随着国家城市朝着智能化建设方向的发展，视频监控在政府、交通、金融和环保等领域中都有着广泛的使用.目前，国家正在大力发展智慧城市，其中在智能环保领域，视频监控占有一定比重，首要问题是如何发现并判断视频图像产生异常.通常，巡查视频质量的任务是由管理人员人工查看，并将结果手动记录，但是缺乏对监控系统的自动化处理能力，也不太可能全天候记录视频质量状态，导致维护系统的周期延长和操作繁琐.因此，利用视频图像对监控画面进行分析，具有重要的学术价值和现实意义.

本文运用数字图像处理技术，对监控视频中的异常故障进行诊断.针对湖泊环保应用的特殊性，现阶段主要研究两种类型异常：信号缺失和清晰度.文中分别对这两种类型的视频监控中的图像异常进行诊断和及时的预警，并对监控系统的运行情况以及视频图像的质量进行检测.

1 视频监控中信号缺失异常及其检测算法

针对湖泊环保应用的特殊性，现阶段主要研究两种类型图像异常，分别是信号缺失和清晰度.

1.1 信号缺失

视频信号缺失VSL(Video Signal Loss)，是指前端摄像头设备出现故障导致摄像头无法使用.不管是前端的摄像头还是视频传输线路，在发生故障时都可能导致接收端无法接收到视频信号.如图1所示.

图1 典型信号缺失图像Fig.1 Typical examples of video signal loss

从图1中可知，当出现信号缺失的情况下，一般视频画面中大部分为单一色调，即黑色或者蓝色，中间会有一些提示字段.

1.2 信号缺失检测算法原理

通过观察，视频丢失的情况，一般表现为全黑、全蓝或者带字符的黑屏、蓝屏，因此只要把这些情况和正常的监控画面区分开来，就可以判断是否有信号.

1.2.1 图像的连通域 连通域，是二值图像分析中一种重要的工具，它是指图像中由同一像素组成的一块封闭的区域，其数学定义如下：

已知两个像素p(m，n)和q(s，t)在位置上相邻，即(m，n)∈N4，8(q)或(s，t)∈N4，8(p)，称为4相邻、8相邻.

如果S是图像的一个子集，p，q∈S，且存在一条由S像素组成的从p到q的通路，则称p在图像集S中与q连通，也分为4连通、8连通.

进一步，对于S中的任意一个像素点p，S中所有的与p连通的点的集合，称为S的连通分量，即连通域.

4连通则一定8连通.还通过对二值图像中白色像素(目标)的标记，让每个单独的连通区域形成一个被标识的块，进一步就可以获取这些块的轮廓、外接矩形和质心等几何参数.

因此，全黑、全蓝或者带字符的黑屏、蓝屏这些图像相对于正常的图像，其连通域个数减少了很多.通过连通域个数与像素的比例，可以来确定这个图像是否是视频缺失传过来的视频图像.

1.2.2 信号缺失检测算法

1)信号缺失检测算法的基本思想

要获得图像的连通域，就得先要把图像进行二值化处理(图像仅有黑白两种像素)，通过Canny算子对图像进行边缘提取；然后再计算提取边缘后图像中连通域的个数；最后再求得连通域个数与像素点个数的比值，并依此比值来判断是否为信号缺失图像.信号缺失算法，如公式1所示：

(1)

2)信号缺失检测算法的流程

首先，载入图片，通过高斯平滑滤波处理，其平滑矩阵为3x3；然后对图像运用Canny边缘提取成为二值图，其控制边缘连接和强边缘分割的阈值threshold1和threshold2都设置为0，使其取得的边缘最多；接着，查找连通域的个数num，求得比值x；最后，通过公式(1)求得比值y.此时，求得的y的范围在(0～1)之间，这里利用一个阈值来进行结果判断.如果y比阈值(0.95～0.99)大，则说明图像为信号缺失所传输过来的图像，如图2所示.

1.3 信号缺失实验仿真

正常图像和无信号Canny提取边缘后的图像如图3所示．

统计结果为有信号的图像Y值为0，无信号的图像值为0，999 966.经过大量测试结果，可以确定，无信号图片阀值可以设在0.9以上，一般为0.99.正常的视频图像，一般所检测出来的值都接近于0，而无信号图像所检测出来的值非常接近于1，依此可以判断此算法的可靠性.

图2 信号缺失检测流程图Fig.2 Detection processing of video signal loss algorithm

图3 信号缺失检测例图Fig.3 Use cases about video signal loss algorithm

1.4 信号缺失检测算法的对比分析

目前，在视频信号缺失检测算法中主要采用计算灰度均方差来进行判断，下面给出本算法与灰度均方差计算法之间的比较，如表1所示.

表1 视频信号缺失检测算法对比表

2 视频监控中清晰度及其检测算法

2.1 清晰度

前端摄像机在使用过程中，由于聚焦不当、镜头老化、异物遮挡或人为蒙蔽等原因都有可能导致视频画面模糊DOE(Definition of Exception).这种模糊现象严重影响了监控视频的事后检索和其它检测的正常运作.故本文中仅仅只是把比较模糊的图像挑出来，而不是对图像的清晰度做评价.

2.2 清晰度检测算法的原理

常见的图像清晰度评价与检测的主要方法包括图像直方图法、能量方差法、平方梯度能量法和熵函数等.经过观察发现，画面比较清晰的图像，其画面中各像素的差异会比模糊的图像要大.因此，清晰度异常的检测可以利用这个特点来进行判断.

2.2.1 清晰度判断算法的基本思想 利用上面所提到的高清晰度图像的各像素点会比模糊图像的各像素点周围的像素点的差异大.可以先将原图进行灰度化，再将灰度化后的图像进行二次模糊，使之变成一个相对模糊的图像，然后再去统计各像素点的横轴差和纵轴差，再将原图的差异与模糊图的差异相减，再做除法求得模糊度.清晰度检测算法，如公式所示：

其中,H为模糊前后横轴像素损失差的比值，V为模糊前后纵轴像素损失差的比值，n、m分别为图像的长和宽，X为原图，Y为高斯滤波后的图像.

2.3.2 清晰度判断算法的流程 求得H和V之后，再将H和V比较大小，取小值作为清晰度.用此方法判断出来的清晰度值理论上在[0-1]之间，实际应该是在[0.05-0.5]之间,如图4所示.

2.3 清晰度检测试验仿真

对2张清晰度不同的图片进行检测的结果如图5所示.

图5(a1)和(b1)分别为两种清晰度不同的图片，图5(a2)和(b2)为相对应的清晰度检测结果.从图片中可以看出，从a到b图，图像的清晰度是逐渐递减的，所检测的实验结果也与人的主观认识相同，清晰度在逐渐减小.通过对实验的观察，二次模糊算法在检测图像清晰度时是可行的，能够满足日常的检测需求.

图4 清晰度检测流程图Fig.4 Detection processing of definition of exception algorithm

图5 清晰度检测结果Fig.5 Use cases about definition of exception algorithm

2.4 清晰度检测算法的对比分析

目前，在视频清晰度检测算法中常见的清晰度评价函数分为两大类：①以图像直方图法和能量方差法为代表的函数；②以拉普拉斯能量法和平方梯度能量法为代表的函数.本文选取能量方差法和平方梯度能量法，与本算法在所需时间上进行性能比较，如表2所示.

表2 清晰度检测算法的性能比较

3 总结

随着大数据时代的来临，在智慧城市的建设过程中，视频监控具有广阔的前景，监控异常诊断也显得非常重要.本文运用数字图像处理技术，对监控视频中的异常故障进行诊断.针对湖泊环保应用的特殊性，主要研究两种类型异常：信号缺失和清晰度.文中分别对这两种类型的视频监控中的图像异常进行诊断和及时地预警，并对监控系统的运行情况以及视频图像的质量进行检测，对湖泊环境保护具有一定的效果.

[1] 王 珩， 陈淑荣.一种视频监控图像条纹噪声的快速检测方法[J].微型机与应用， 2011(17):36-39．

[2] 罗显科. 视频监控图像异常检测及质量评价[D].重庆: 重庆大学，2012．

[3] 黄亚博， 焦建彬， 叶齐祥， 等. 一种鲁棒性的抖动视频稳像算法[J].光电子·激光， 2008(03):394-399.

[4] 杨 碗， 吴乐华， 范 哗. 数字图像客观质量评价方法研究[J].通信技术， 2008 (07):244-246.

[5] 蒋 馨. 浅析国外智能视频监控技术的发展及应用[J].国际博览， 2011(10): 105-108.

[6] Frederique C， Thierry D， Patricia L. The blur effect: perception and estimation with a new no-reference perceptual blur metric[J]. Proceeding of Spie Human Vision and Electronic Imaging XII， 2007， 6492: 649-201．

[7] 胡 欣， 唐 硕. 基于灰度级连通性的FLIR图像的目标检测方法[J].西北工业大学学报: 自然科学版， 2007， 25(3) :406-410．

[8] 余燕飞， 郑 烇， 王 嵩， 等. 基于空间域的图像噪声检测技术[J].计算机应用， 2012， 32(6):1552-1556．

[9] 耿 征. 世界各国对智能化视频监控技术的典型应用[J].中国安防，2008(03):17-22

[10] 庞韶宁， 李介谷. 图像方向性的条纹分析方法[J].红外与激光工程， 1999(04):25-29．

[11] 李 峰， 陈志刚， 储金宇. 图像清晰度检测方法[J]. 计算机工程与设计， 2006(05):1545-1546．

The algorithm of detection and analysis of image exception in video monitoring

WANG Weihu1， LIU Yanshen2

(1.National Engineering Research Center for E-Learning， Central China Normal University， Wuhan 430079;2.Center of Education Information Research， Central China Normal University， Wuhan 430079)

According to the particularity of video monitoring in lake environmental protection, two image exceptions are investigated in the present study including signal loss and definition in video monitoring, utilizing digital image processing. Causes of these exceptions are described as well as the detection algorithm, followed by verification through simulation experiments. Results suggest that digital image processing is beneficial for video monitoring not only in early diagnosis and warning of image abnormalities but also in improvement of image quality.

video monitoring; image exception; detection

2015-04-10.

国家支撑计划项目(2012BAK02B06/00)；湖北省教育厅科研项目(B2014120)．

1000-1190(2015)05-0692-04

X524

A

*E-mail: wangweihu80@163.com．