基于IPC的区域入侵检测算法的设计与实现
发布时间：2022-01-07 04:14
出于对安全与管理的考虑,需要对某些区域进行入侵检测。入侵检测方法主要有基于传感器和基于网络摄像机（IP Camera,IPC）两种。相对于传统的基于传感器的入侵检测方法,基于网络摄像机的入侵检测方法具有更大的优势。比如可按照用户需求划定警戒区域,可达到更高的检测率,可在入侵者接近警戒区域时提前预警。因此,本文研究基于IPC的入侵检测算法。该类算法对IPC传输的视频序列进行处理,当发现有人员或车辆进入警戒区域并且触发入侵判别条件时,报警通知工作人员。算法主要包括运动目标检测和入侵判别两个方面。本文的主要研究内容如下:1.研究了常用的运动目标检测算法。存在光照变化、动态背景或阴影的场景,运动目标的精确检测比较困难。针对上述问题,本文采用一种基于改进混合高斯模型（Gaussian Mixture Model,GMM）与阴影去除的运动目标检测算法。在传统GMM算法的基础上,引入可调节学习率更新背景模型,引入组合权重进行背景/前景分割,引入基于颜色和纹理特征的方法进行阴影去除,最后进行形态学处理去除噪声。2.研究了常用的入侵判别机制。入侵判别机制包括入侵检测的警戒区域和入侵判别规则两方面。为了实...
【文章来源】：西安理工大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
现实场景中的背景干扰
西安理工大学硕士学位论文30（a2）第700帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法（a3）第1130帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-5动态背景干扰下的目标检测结果Fig.3-5Objectdetectionresultsunderdynamicbackgroundinterference在CDW-2014数据集“动态背景”类别中选取了一段视频作为算法输入，该视频共1184郑视频场景中有涌动的喷泉和过往的车辆，喷泉的喷涌会对目标检测产生干扰。目标检测结果如图3-5所示，一至三行分别是视频的第235症700症1130郑一至四列分别为原始视频图像症传统GMM算法目标检测结果、ViBe算法目标检测结果和本文采用的算法目标检测结果。由图3-5（a1）可知，在第235帧中，没有目标物体出现，只有喷泉涌动着。由图3-5（b1）（c1）（d1）的目标检测结果可以看出：传统GMM算法和ViBe算法均把部分喷泉干扰像素点误判为目标物体，且混合高斯法误判的像素点数更多，检测效果更差。在第700帧和1130帧中，场景中除了喷泉的干扰还有移动的车辆。从目标检测结果可以看出：传统GMM算法和ViBe算法把部分喷泉干扰误判为目标物体，并且得到的目标物体（车子）轮廓不清晰，有大量空洞。本文采用的算法准确提取到了目标物体。（a1）第270帧视频帧（b1）传统GMM算法（c1）ViBe算法（d1）本文目标检测算法（a2）第453帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法
基于改进GMM与阴影去除的运动目标检测算法31（a3）第930帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-6光照变化和投射阴影干扰下的目标检测结果Fig.3-6Objectdetectionresultsundertheinterferenceoflightvarationandprojectionshadow在CDW-2014数据集“阴影”类别中选取了一段视频作为算法输入，该视频共1199郑视频场景中有光照的变化、阴影的变化和来往的行人，光照的变化和产生的阴影会对目标检测产生干扰。如图3-6所示，一至三行分别是视频的第270症453症930郑一至四列分别为原始视频图像症传统GMM算法目标检测结果、ViBe算法目标检测结果和本文采用的算法目标检测结果。由图3-6（a1）可知，在第270帧中，没有目标物体出现，图像的左下角有一个即将进入监控画面的行人产生的阴影区域。由图3-6（b1）（c1）（d1）的目标检测结果可以看出：传统GMM算法和ViBe算法均把行人产生的阴影误判为目标物体。本文的目标检测算法没有产生误判。在第453帧和930帧中，场景中有光照变化和阴影的干扰和运动的行人。从目标检测结果可以看出：传统GMM算法和ViBe算法不能准确分割行人和他产生的阴影，目标物体有空洞，且背景中还有一些光线变化所产生的的噪声点。本文采用的算法准确提取目标物体。（a1）第445帧视频帧（b1）传统GMM算法（c1）ViBe算法（d1）本文目标检测算法（a2）第890帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法（a3）第1451帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-7多种背景干扰下的目标检测结果Fig.3-7Objectdetectionresultsundermultiplebackgrounddisturbances在CDW-2014数据集“基础背景”类别中选取了一段视频作为算法输入，该视频共
本文编号：3573792
【文章来源】：西安理工大学陕西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
现实场景中的背景干扰
西安理工大学硕士学位论文30（a2）第700帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法（a3）第1130帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-5动态背景干扰下的目标检测结果Fig.3-5Objectdetectionresultsunderdynamicbackgroundinterference在CDW-2014数据集“动态背景”类别中选取了一段视频作为算法输入，该视频共1184郑视频场景中有涌动的喷泉和过往的车辆，喷泉的喷涌会对目标检测产生干扰。目标检测结果如图3-5所示，一至三行分别是视频的第235症700症1130郑一至四列分别为原始视频图像症传统GMM算法目标检测结果、ViBe算法目标检测结果和本文采用的算法目标检测结果。由图3-5（a1）可知，在第235帧中，没有目标物体出现，只有喷泉涌动着。由图3-5（b1）（c1）（d1）的目标检测结果可以看出：传统GMM算法和ViBe算法均把部分喷泉干扰像素点误判为目标物体，且混合高斯法误判的像素点数更多，检测效果更差。在第700帧和1130帧中，场景中除了喷泉的干扰还有移动的车辆。从目标检测结果可以看出：传统GMM算法和ViBe算法把部分喷泉干扰误判为目标物体，并且得到的目标物体（车子）轮廓不清晰，有大量空洞。本文采用的算法准确提取到了目标物体。（a1）第270帧视频帧（b1）传统GMM算法（c1）ViBe算法（d1）本文目标检测算法（a2）第453帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法
基于改进GMM与阴影去除的运动目标检测算法31（a3）第930帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-6光照变化和投射阴影干扰下的目标检测结果Fig.3-6Objectdetectionresultsundertheinterferenceoflightvarationandprojectionshadow在CDW-2014数据集“阴影”类别中选取了一段视频作为算法输入，该视频共1199郑视频场景中有光照的变化、阴影的变化和来往的行人，光照的变化和产生的阴影会对目标检测产生干扰。如图3-6所示，一至三行分别是视频的第270症453症930郑一至四列分别为原始视频图像症传统GMM算法目标检测结果、ViBe算法目标检测结果和本文采用的算法目标检测结果。由图3-6（a1）可知，在第270帧中，没有目标物体出现，图像的左下角有一个即将进入监控画面的行人产生的阴影区域。由图3-6（b1）（c1）（d1）的目标检测结果可以看出：传统GMM算法和ViBe算法均把行人产生的阴影误判为目标物体。本文的目标检测算法没有产生误判。在第453帧和930帧中，场景中有光照变化和阴影的干扰和运动的行人。从目标检测结果可以看出：传统GMM算法和ViBe算法不能准确分割行人和他产生的阴影，目标物体有空洞，且背景中还有一些光线变化所产生的的噪声点。本文采用的算法准确提取目标物体。（a1）第445帧视频帧（b1）传统GMM算法（c1）ViBe算法（d1）本文目标检测算法（a2）第890帧视频帧（b2）传统GMM算法（c2）ViBe算法（d2）本文目标检测算法（a3）第1451帧视频帧（b3）传统GMM算法（c3）ViBe算法（d3）本文目标检测算法图3-7多种背景干扰下的目标检测结果Fig.3-7Objectdetectionresultsundermultiplebackgrounddisturbances在CDW-2014数据集“基础背景”类别中选取了一段视频作为算法输入，该视频共
本文编号：3573792
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3573792.html
最近更新
教材专著
