一种基于超限学习机的远红外安防监控方法与流程

本发明涉及计算机技术领域，尤其涉及一种基于超限学习机的远红外安防监控方法。

背景技术：

随着计算机视觉、安防智能监控和安全领域等相关技术的快速发展，需要进行智能监控的场合越来越多。可见光成像技术与计算机视觉技术已经相当成熟，但是由于可见光本身的缺陷，使得成像系统在夜间、雨天、雾霾等恶劣环境下的成像效果较差。传统基于可见光的安防监控方法在无人值守的夜晚存在安全隐患，因此有必要针对夜间等恶劣气候环境研发一套远红外安防监控方法。

技术实现要素：

针对现有技术中的缺陷，本发明提供了一种基于超限学习机的远红外安防监控方法，在红外图像上对检测到的行人进行标记，使视频监控者能够清楚的发现行人，且该监控方法还设置有报警功能，在无人值守的情况下通过监控室或者监控者手机端提供报警机制。

为了解决上述技术问题，本发明提供了一种基于超限学习机的远红外安防监控方法，其改进之处在于：所述方法包括如下步骤：

(1)建立远红外图像数据集，包括行人和非行人两种类型，其中设定行人数据集为目标物体；

(2)使用红外图像梯度方向直方图算法对所述远红外图像数据集进行特征值提取，包括所述目标物体的边缘特征，包括：

1)计算远红外图像梯度；

2)计算梯度方向直方图；

3)直方图归一化处理；

4)计算梯度直方图的特征向量；

(3)通过超限学习机作为分类器对所述特征值进行训练；

(4)对所述目标物体进行检测；

(5)设定终端报警功能。

其中：步骤1)所述计算远红外图像梯度，包括：

①将所述远红外图像划分为较小的单元区域，在划分过程中若单元是非整数，则采用向下取整的方式对所述远红外图像进行扩充；

②以步长t进行水平方向和垂直方向滑动，并计算远红外图像水平梯度和垂直梯度；

③计算单元内远红外图像的梯度大小和梯度方向：

上述式中，g为梯度大小；gx为水平方向x方向的梯度；gy为垂直方向y方向的梯度；θ为梯度方向；δ为趋近于0的无穷小量。

其中：步骤2)所述计算梯度方向直方图时，对所述梯度方向进行分割，分割为8个bin，按照8个bin进行直方图统计，梯度方向直方图横坐标为[0,7)，每个bin对应的梯度方向为{[0°,45°),[45°,90°),...,[315°,360°)}，纵坐标则为累计梯度大小。

其中：步骤3)直方图归一化处理时，将所述远红外图像集得到的累计梯度大小进行归一化处理。

其中：步骤4)所述计算梯度直方图的特征向量时，判断所述远红外图像像素点是否小于设定区域：若不大于所述设定区域，则选择整个远红外图像的特征向量维数为特征描述进行分类训练；若大于所述设定区域，则将所述远红外图像像素点进行裁剪，使其等于所述设定区域。

其中：步骤(3)对所述特征值进行训练，包括：

i)确定超限学习机参数；超限学习机输入层神经元个数为计算梯度直方图的特征向量的维数；

ii)计算隐含层的输出矩阵；

iii)根据最小二乘估计法求出隐含层到输出层的权重；

iv)将行人和非行人两种类型的数据通过所述超限学习机进行训练。

其中：步骤(4)对所述目标物体进行检测时，将所述单元区域的滑动窗口在待检测的远红外图像上进行滑动，每次滑动到一个位置，计算对应远红外图像梯度方向的特征值，然后将通过所述超限学习机得到的训练结果进行比较：若矩阵框中含有目标物体，则归类为正样本，即完成检测，并在图像中用矩形框出行人；若矩阵框中没有目标物体，则继续将所述单元区域的滑动窗口在待检测的远红外图像上进行滑动，直至所述矩阵框中含有目标物体。

其中：步骤(5)设定终端报警功能，包括：

依次遍历红外安防监控的视野中所述目标物体的占比，当占比超过1/10时，触发一级报警机制；当占比超过1/5时触发二级报警机制，向监控者发出二级报警信号，所述监控者实时根据目标物体进行追踪，并判断是否报警。

其中：所述较小的单元区域包括8*8单元及其以下单元。

实施本发明的，具有以下有益效果：

(1)本发明行人识别中的分类器选用超限学习机代替支持向量机，克服了支持向量机运行时间复杂度高大规模样本难以实施的缺点。

(2)本发明在红外图像上对检测到的行人进行标记，使视频监控者能够清楚的发现行人。

(3)本发明在夜晚进行安防巡检工作用，也可应用在无人值守的安防场合。当红外图像中检测到行人后，提供报警机制，提醒视频监控者监控区域有行人，为了防止视频监控者受到安全威胁，能够联网接入到公安报警系统，即视频监控者发现受到安全威胁时，可以一键接入公安报警系统。

附图说明

图1是本发明提供的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例提供的一种基于超限学习机的远红外安防监控方法，流程图如图1所示，具体包括如下步骤：

(1)建立远红外图像数据集，包括行人和非行人两种类型(也称为正负实例)，其中设定行人数据集为目标物体。

(2)使用红外图像梯度方向直方图算法对所述远红外图像数据集进行特征值提取，包括所述目标物体的边缘特征，包括：

1)计算远红外图像梯度，包括：

①设远红外图像宽为m，高为n，将所述远红外图像划分为较小的单元区域，即8*8单元及其以下单元，本实施例选取16*16的像素组成一个单元，红外图像宽被划分为int(m/8)单元，高被划分为int(n/8)单元,这里int表示向下取整；

②每个单元2*2组成一个块，本实施例以步长t＝8为例进行水平方向和垂直方向滑动，并计算远红外图像水平梯度和垂直梯度；

③计算单元内远红外图像的梯度大小和梯度方向：

上述式中，g为梯度大小；gx为水平方向x方向的梯度；gy为垂直方向y方向的梯度；θ为梯度方向；δ为趋近于0的无穷小量，本实施例取δ＝10^-8。

2)计算梯度方向直方图。

3、根据权利要求2所述的方法，其特征在于：步骤2)所述计算梯度方向直方图时，对所述梯度方向进行分割，分割为8个bin(模块)，按照8个bin进行直方图统计，梯度方向直方图横坐标为[0,7)，每个bin对应的梯度方向为{[0°,45°),[45°,90°),...,[315°,360°)}，纵坐标则为累计梯度大小。

3)直方图归一化处理。本实施例根据上面得到的累计梯度大小进行归一化处理，这里的归一化主要是对整体图像的累计梯度大小归一化而非每个bin单独归一化，原因在于图像的梯度对整体亮度是敏感的。

4)计算梯度直方图的特征向量，包括：

根据上述数据，远红外图像宽分为int(m/8)单元，高分为int(n/8)单元，2*2组成一个块，以8个像素为步长，则整个红外图像特征向量维数p为[int(m/8)-1]×[int(n/8)-1]×4×8，判断所述远红外图像像素点是否小于设定区域：若不大于所述设定区域，则选择整个远红外图像的特征向量维数为特征描述进行分类训练；若大于所述设定区域，则将所述远红外图像像素点进行裁剪，使其等于所述设定区域。本实施例的设定区域由监控者或其他用户设定。本实施例设定区域取128*64，如果红外图像像素点m×n大于128*64，则将红外图像进行裁剪，裁剪为128*64像素，裁剪的目的在于计算的红外图像特征向量维数不会太大。此时红外图像宽的单元数为128÷8＝16，高的单元数为64÷8＝8，总共单元个数为128，红外图像总共有15*7＝105块，红外图像的特征向量维数p为105*4*8＝3360。

(3)通过超限学习机作为分类器对所述特征值进行训练，具体包括：

i)确定超限学习机参数；超限学习机输入层神经元个数为计算梯度直方图的特征向量的维数p；

ii)计算隐含层的输出矩阵：

给定q张不同的红外图像(训练样本)是输入变量，是对应的目标输出变量，隐含层输出矩阵为

其中分别是连接第m个隐结点与输入节点的权值变量和阈值，g(·)为激活函数。

单隐层前馈神经网络满足

上式简化为hβ＝t，其中是连接第m个隐结点与输出节点的权值向量。

iii)根据最小二乘估计法求出隐含层到输出层的权重：

式中，为隐含层输出矩阵h的广义逆。

iv)将行人和非行人两种类型的数据通过所述超限学习机进行训练。

(4)对所述目标物体进行检测；本实施例首先将所述单元区域的滑动窗口在待检测的远红外图像上进行滑动，每次滑动到一个位置，计算对应远红外图像梯度方向的特征值，然后将通过所述超限学习机得到的训练结果进行比较：若矩阵框中含有目标物体，则归类为正样本，即完成检测，并在图像中用矩形框出行人；若矩阵框中没有目标物体，则继续将所述单元区域的滑动窗口在待检测的远红外图像上进行滑动，直至所述矩阵框中含有目标物体。

(5)设定终端报警功能，具体包括：

当红外安防监控检测到行人之后，会在监控图像中用矩形框选出行人，行人的矩形框尺寸为a×b；定义行人的占比为

依次遍历红外安防监控的视野中所述目标物体的占比，当占比超过1/10时，触发一级报警机制；当占比超过1/5时触发二级报警机制，向监控者发出二级报警信号，提醒监控者距离监控局域较近，监控者根据监控中实时框选的行人对其进行追踪，若行人存在违法行为或者具有威胁视频监控者行为，可通过接入到公安系统中的报警装置进行一键报警。

综上所述，本发明提出了一种基于超限学习机的远红外安防监控方法，可用fpga芯片实现，对行人进行检测，该方法能够实时进行行人检测，特别适用于夜晚或者雾霾等条件下的监控。该方法大大节省了人力，为降低了成本提高了运行的效益与安全性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。