基于角点的监控摄像头干扰检测

提出一种新的实时检测摄像头干扰的方法,建立一种基于最小核值相似区SUSAN(Smallest Univalve Segment AssimilatingNucleus)角点的图像特征函数,由于干扰发生时相对的几帧图像与正常图像相比会发生显著变化,因此通过比较图像的特征函数值来检测干扰的发生。利用一种逻辑判断方法做到对突变和渐变干扰的全面检测,并且避免对无害行为的误检,使之更具鲁棒性。对比已有的方法,分别对不同场景及不同类型的摄像头遮挡和转动干扰进行了多组测试,实验结果显示,该方法明显优于其它算法,能够很好地检测出对摄像头的遮挡及转动干扰,并且很好地避免了对无害行为的误检。

一种监控摄像机干扰检测模型

为减少监控干扰检测中因特殊场景引起的误检测,文中提出一种基于Siamese架构的SCG(Siamese with Convolutional Gated Recurrent Unit)模型,利用视频片段间的潜在相似性来区分特殊场景与干扰事件。通过在Siamese架构中融合改进ConvGRU网络,使模型充分利用监控视频的帧间时序相关性,在GRU单元间嵌入的非局部操作可以使网络建立图像空间依赖响应。与使用传统的GRU模块的干扰检测模型相比,使用改进的ConvGRU模块的模型准确率提升了4.22%。除此之外,文中还引入残差注意力模块来提高特征提取网络对图像前景变化的感知能力,与未加入注意力模块的模型相比,改进后模型的准确率再次提高了2.49%。