论文部分内容阅读
摘 要：运动目标检测方法是当前实时视频监控领域的主要研究内容，为提高无人值守变电站的实时监控水平，本文通过改进运动目标检测算法，采用混合高斯模型检测法对视频中的图像进行分析，从而实现对变电站现场异常状况的瞬间刺激型准确检测，从而对事件做出迅速而明智的决定和实时响应，切实提高了无人变电站实时监控水平和安全水平。
关键词：运动目标检测；混合高斯模型；帧差法；阴影去除；视频监控
研究背景
随着计算机技术、视频监控技术以及通信技术的发展，基于多媒体监控系统的计算机视觉技术更是得到了广泛的发展和应用。通过利用计算机视觉、模式识别、数据挖掘等对视频数据进行处理，智能视频监控系统能检测出监控场景中存在的感兴趣目标和行为，进而实现目标和行为的分类识别、高效存储和检索，其中，运动目标检测是其核心研究内容，但是复杂动态背景、运动目标表观以及目标阴影等都给运动目标检测带来极大挑战。本文结合帧差法和背景减除法各自优势，采用混合高斯模型检测方法实现对无人值守变电站的主动实时监控。
研究目标
我们的目标是通过改进运动目标检测算法并加以应用，将其整合到变电站视频监控系统中，将算法内置于视频分析主机，前端摄像头采集的视频流被送到视频分析主机进行分析，通过视频分析主机分析实时的视频内容，对视频中的图像序列进行分析和检测，当检测到有运动目标或其他可疑情况，将通过网络发送到大屏幕控制主机，大屏幕控制主机将收到的有情况的视频显示在监控中心大屏上，提醒监控人员进行辨别，以达到“主动”监控的目的。
运动目标检测
运动目标检测是指将运动的物体从连续的视频图像序列中检测并提取出来，它的目的是根据连续的图像序列推断目标状态，为后续的目标识别和分类、行为理解和分析等更高层次的处理提供支持。由于视频监控系统的实时性要求较高，所以目标检测的算法不能太复杂，因此本项目主要采用帧差法、背景减除法进行研究与改进。
帧差法是对视频图像序列中的相邻帧进行差分运算，再进行阈值化操作，获得二值化的运动区域图像，由于相邻两帧图像在时间上相距短，差异可能很小，导致两帧相减后的差异范围很小，所以阈值的大小很难确定，但它有很强的抗干扰性。
背景减除法是利用某种方法得到当前图像的背景图像，再将当前图像与背景进行差分，最终得到前景图像，即运动目标，但是该算法对于环境变化较为敏感，比如光照、水面波纹等场景轻微变化都可能被错误的检测为运动目标。本项目主要研究背景减除法中的中采用混合高斯模型的方法研究。
目标检测方法的改进
针对目前运动目标检测算法中的一些不足，为获得更好的检测效果，我们结合上述两种检测方法的优缺点，提出了一种改进的混合高斯模型检测方法。在我们的改进方法中我们在初始化阶段将初始化两个模型，混合高斯模型和改进的三帧差法模型，这两个模型同时对视频的每一帧图像进行分析和建模，我们将利用改进的三帧差法检测出来的运动区域对混合高斯模型进行补充和修正，并且利用帧差法的检测结果和混合高斯模型检测结果的相关性来改进更新策略，从而提高检测效果。
（1）针对光线突变情况的检测与背景模型更新的改进
混合高斯模型可以很好的适应场景变化并跟随渐变场景逐步进行背景模型的更新，但是如果出现在明亮的室内突然关灯或者光线昏暗环境下开灯，系统可能会错误的将整个室内光线变化区域全部判断为前景即运动目标。我们可以通过遍历当前视频图像中所有的像素点，通过公式 进行判断，上面公式的数值均通过像素的亮度信息来进行比较，亮度信息s可以通过 =（R +G + ）/3进行表示，如果有n%的像素点满足公式，则表示当前亮度发生了突变，当然，n 和的取值视应用场景及检测误差允许范围而定，比如对于背景黑色较多的 n 取值一般较小，若要增大检测光照变化的率，的取值也应较小，当然也会增加误检的概率，本文中 n 取值 80， 取值为2.5。
同时，为提高系统检测的实时性，我们在视频区域内均匀分布 m个特征点进行检测，既保证在很大程度上代表整幅图像，又能够节省相当一部分时间，然后对这 m 个特征点进行上述公式的判定，当变化的比率达到 n%时，我们同样认为光线发生了突变，并且研究发现，光线变化对于图像像素值的影响是成比例的，这也可以作为判断是否发生光线突变的一个条件。一旦检测到光线发生了变化，立即更新混合高斯模型，将混合高斯模型中所有的K，用取代，而σK，全部替换为 0，从而实现背景的更新。
（2）在混合高斯模型中加入阴影检测与消除
由于阴影具有与运动目标前景相同的特性[2]，阴影和真实的运动目标是粘连在一起的，这将在很大程度上影响到后续的识别和跟踪等一系列操作，导致，其他运动目标的丢失，影响检测率，所以我们要对运动目标检测中出现的阴影进行有效地去除。
目前对于阴影的检测方法主要有两大类方法，一种是基于模型的方法[5-6]，另一种是基于特征的方法[8-10]。基于模型的方法是根据阴影的特性[11-12]建立阴影模型。基于特征的阴影检测主要集中在 RGB 和 HSV 这两个颜色空间上，这类方法根据当前像素的颜色分量信息与其所对应的背景像素点的特征信息比较，以达到判别阴影的目的。本文将采用基于 HSV 颜色空间的方法对产生的阴影进行检测和消除。
a）颜色空间转换
阴影检测结果图
（4）改进的结合帧差法的混合高斯模型
本文将帧差法的结果与混合高斯模型的结果进行结合，并且将帧差法的结果应用到混合高斯模型的更新中，达到改进背景更新效果的目的。模型中最关键的部分是如何准确的构造出当前的背景模型，当背景更新速率太快时，背景图像和当前图像趋近一致，极端情况是完全一致，导致完全检测不出运动目标；当更新速率太慢时，背景模型可能还停留在很久之前的时刻，最坏情况时背景模型根本没更新，这和使用固定背景图片当背景一样。所以如何使更新速率根据当前视频的情况而变化显得非常重要，所以要适当的改变混合高斯模型的更新率，通过帧差法的结果可以对更新率进行微调。 我们首先利用三帧差法和混合高斯模型分别检测出运动目标，然后后者检测出的非运动区域当作下一帧的掩码应用到背景更新中，使背景模型只更新掩码区域的内容，然后得出背景图像，利用混合高斯模型得出的背景对下一帧进行背景减除，此外再将三帧差法和混合高斯模型法出的两个结果进行分析，若两者相差巨大，则立即调整背景模型的更新率，加快更新，而且当出现差距巨大的情况下将不再使用掩码，而是更新整个当前传过来的图像，否则加快背景更新也起不到作用，当帧差法和混合高斯模型的检测结果差距恢复到设定的临界条件之内时将继续使用掩码更新法，这样的更新步骤能够有效提高背景模型向当前真正背景靠近。改进的混合高斯模型流程图如图所示：
混合高斯模型及各改进步骤耗时对照表
上表中，依次为未改进的混合高斯模型、加入光照突变检测，阴影检测，加入三帧差法参与混合高斯模型的改进，加入去噪声处理和形态学变换后所耗费的时间，我们可以看出，每个模块所增加的时间消耗并不大，最终到的检测算法耗时平均为 33 ms，能够满足实时监控视频的处理。
运动目标检测与变电站视频监控系统的设计
（一）系统设计
本系统运动目标检测部分设计图：
运动目标检测设计图
移动侦测部分主要由三部分组成，硬盘录像机（DVR）及其连接的摄像头作为监控视频采集部分，视频分析主机（分析实时视频并进行移动侦测）作为视频实时分析部分，大屏幕控制主机及其所连接的大屏幕作为视频展示部分，各部分之间通过专用网络连接。
DVR 连接的摄像头负责采集实时视频数据，视频分析主机利用设备厂商提供的 SDK 获得实时的视频流，将其拆分成一帧一帧的视频图像序列，视频分析主机利用本文的改进算法分析视频图像序列，得出是否有移动物体或者其他异常（摄像头损坏、人为遮挡等）情况。如果有情况，将有情况的视频信息（DVR 的 IP 地址及视频通道）发送到大屏幕控制主机，控制主机得到报警信息后将得到的报警视频在监控中心大屏幕上进行播放，并且更新大屏幕滚动视频清单，从而达到帮助监控中心人员进行视频监控的目的。
当监控范围内地面或空中有异物进入变电站时、警戒区域内发现不容易观察的遗留物品时、监控范围内的设备或是部件被取走时、陌生人员进入警戒区域或是在周边徘徊时，以上违反设定好的行为规定系统会自动发出报警。
异常情况告警图
（二）运动目标检测结果的报告机制
为减轻接收端程序压力，提高监控人员工作效率，我们设置了一个时间间隔t（取值视实际情况而定），当检测程序第一次检测到运动物体后发送给接收程序，然后记录下当时的时间t1，当下一次再检测到运动物体后，比较当前时间t2和t1之差，如果t2-t1 检测结果报告机制图
系统实现效果
本文重点在于如何改进传统的运动目标检测算法使运动目标检测结果更加准确，比较了各种运动目标检测算法的优缺点，选择帧差法和背景减除法中的混合高斯背景建模方法进行检测，最后将检测结果应用到整个视频监控体系中。本系统通过对含有运动目标的图像进行分析处理，检测结果证明该算法与传统算法相比，能够更完整地检测出运动目标，并有效地避免了虚假轮廓的产生，进一步提高了运动目标检测的准确性。
我们采用改进的综合了帧差法的混合高斯模型进行实验，并进行了阴影检测去除及连通域检测去除单独噪声点，实验结果如下图所示：
上图中，第1 列图像为原图，第 2 列图像混合高斯模型检测出的结果，第 3 列图像是改进后的方法得到的运动目标，通过比较我们可以看出，在运用了带掩码的更新模型和改进背景更新方法，最后再进行阴影去除，检测效果提升明显。本算法实现了对现场异常状况重要的瞬间刺激型准确检测，从而对事件做出迅速而明智的决定和实时响应，切实提高了无人变电站实时监控水平和安全水平。
参考文献
[1]纪运红. 智能视觉监控系统若干关键技术研究与实现[D]. 鞍山：辽宁科技大学.2010
[2]Elgammal A，Duraiswami R，Harwood D，et al. Background and foreground modeling using nonparametric kernel density estimation for visual surveillance[J]. Proceedings of the IEEE，2012，90（7）：1151-1163.
[3]Wenxiong Kang，Feiqi Deng. Research on intelligent visual surveillance for public security. IEEE/ACIS International Conference on Computer and Information Science（ICIS 2007），2012：824-829.
[4]李昕. 基于音频视频信息融合的人物跟踪及其应用 [D]. 北京：清华大学2014.
[6]张琳.非参数化背景建模方法研究[D].东营：中国石油大学.2011：28-29.
关键词：运动目标检测；混合高斯模型；帧差法；阴影去除；视频监控
研究背景
随着计算机技术、视频监控技术以及通信技术的发展，基于多媒体监控系统的计算机视觉技术更是得到了广泛的发展和应用。通过利用计算机视觉、模式识别、数据挖掘等对视频数据进行处理，智能视频监控系统能检测出监控场景中存在的感兴趣目标和行为，进而实现目标和行为的分类识别、高效存储和检索，其中，运动目标检测是其核心研究内容，但是复杂动态背景、运动目标表观以及目标阴影等都给运动目标检测带来极大挑战。本文结合帧差法和背景减除法各自优势，采用混合高斯模型检测方法实现对无人值守变电站的主动实时监控。
研究目标
我们的目标是通过改进运动目标检测算法并加以应用，将其整合到变电站视频监控系统中，将算法内置于视频分析主机，前端摄像头采集的视频流被送到视频分析主机进行分析，通过视频分析主机分析实时的视频内容，对视频中的图像序列进行分析和检测，当检测到有运动目标或其他可疑情况，将通过网络发送到大屏幕控制主机，大屏幕控制主机将收到的有情况的视频显示在监控中心大屏上，提醒监控人员进行辨别，以达到“主动”监控的目的。
运动目标检测
运动目标检测是指将运动的物体从连续的视频图像序列中检测并提取出来，它的目的是根据连续的图像序列推断目标状态，为后续的目标识别和分类、行为理解和分析等更高层次的处理提供支持。由于视频监控系统的实时性要求较高，所以目标检测的算法不能太复杂，因此本项目主要采用帧差法、背景减除法进行研究与改进。
帧差法是对视频图像序列中的相邻帧进行差分运算，再进行阈值化操作，获得二值化的运动区域图像，由于相邻两帧图像在时间上相距短，差异可能很小，导致两帧相减后的差异范围很小，所以阈值的大小很难确定，但它有很强的抗干扰性。
背景减除法是利用某种方法得到当前图像的背景图像，再将当前图像与背景进行差分，最终得到前景图像，即运动目标，但是该算法对于环境变化较为敏感，比如光照、水面波纹等场景轻微变化都可能被错误的检测为运动目标。本项目主要研究背景减除法中的中采用混合高斯模型的方法研究。
目标检测方法的改进
针对目前运动目标检测算法中的一些不足，为获得更好的检测效果，我们结合上述两种检测方法的优缺点，提出了一种改进的混合高斯模型检测方法。在我们的改进方法中我们在初始化阶段将初始化两个模型，混合高斯模型和改进的三帧差法模型，这两个模型同时对视频的每一帧图像进行分析和建模，我们将利用改进的三帧差法检测出来的运动区域对混合高斯模型进行补充和修正，并且利用帧差法的检测结果和混合高斯模型检测结果的相关性来改进更新策略，从而提高检测效果。
（1）针对光线突变情况的检测与背景模型更新的改进
混合高斯模型可以很好的适应场景变化并跟随渐变场景逐步进行背景模型的更新，但是如果出现在明亮的室内突然关灯或者光线昏暗环境下开灯，系统可能会错误的将整个室内光线变化区域全部判断为前景即运动目标。我们可以通过遍历当前视频图像中所有的像素点，通过公式 进行判断，上面公式的数值均通过像素的亮度信息来进行比较，亮度信息s可以通过 =（R +G + ）/3进行表示，如果有n%的像素点满足公式，则表示当前亮度发生了突变，当然，n 和的取值视应用场景及检测误差允许范围而定，比如对于背景黑色较多的 n 取值一般较小，若要增大检测光照变化的率，的取值也应较小，当然也会增加误检的概率，本文中 n 取值 80， 取值为2.5。
同时，为提高系统检测的实时性，我们在视频区域内均匀分布 m个特征点进行检测，既保证在很大程度上代表整幅图像，又能够节省相当一部分时间，然后对这 m 个特征点进行上述公式的判定，当变化的比率达到 n%时，我们同样认为光线发生了突变，并且研究发现，光线变化对于图像像素值的影响是成比例的，这也可以作为判断是否发生光线突变的一个条件。一旦检测到光线发生了变化，立即更新混合高斯模型，将混合高斯模型中所有的K，用取代，而σK，全部替换为 0，从而实现背景的更新。
（2）在混合高斯模型中加入阴影检测与消除
由于阴影具有与运动目标前景相同的特性[2]，阴影和真实的运动目标是粘连在一起的，这将在很大程度上影响到后续的识别和跟踪等一系列操作，导致，其他运动目标的丢失，影响检测率，所以我们要对运动目标检测中出现的阴影进行有效地去除。
目前对于阴影的检测方法主要有两大类方法，一种是基于模型的方法[5-6]，另一种是基于特征的方法[8-10]。基于模型的方法是根据阴影的特性[11-12]建立阴影模型。基于特征的阴影检测主要集中在 RGB 和 HSV 这两个颜色空间上，这类方法根据当前像素的颜色分量信息与其所对应的背景像素点的特征信息比较，以达到判别阴影的目的。本文将采用基于 HSV 颜色空间的方法对产生的阴影进行检测和消除。
a）颜色空间转换
阴影检测结果图
（4）改进的结合帧差法的混合高斯模型
本文将帧差法的结果与混合高斯模型的结果进行结合，并且将帧差法的结果应用到混合高斯模型的更新中，达到改进背景更新效果的目的。模型中最关键的部分是如何准确的构造出当前的背景模型，当背景更新速率太快时，背景图像和当前图像趋近一致，极端情况是完全一致，导致完全检测不出运动目标；当更新速率太慢时，背景模型可能还停留在很久之前的时刻，最坏情况时背景模型根本没更新，这和使用固定背景图片当背景一样。所以如何使更新速率根据当前视频的情况而变化显得非常重要，所以要适当的改变混合高斯模型的更新率，通过帧差法的结果可以对更新率进行微调。 我们首先利用三帧差法和混合高斯模型分别检测出运动目标，然后后者检测出的非运动区域当作下一帧的掩码应用到背景更新中，使背景模型只更新掩码区域的内容，然后得出背景图像，利用混合高斯模型得出的背景对下一帧进行背景减除，此外再将三帧差法和混合高斯模型法出的两个结果进行分析，若两者相差巨大，则立即调整背景模型的更新率，加快更新，而且当出现差距巨大的情况下将不再使用掩码，而是更新整个当前传过来的图像，否则加快背景更新也起不到作用，当帧差法和混合高斯模型的检测结果差距恢复到设定的临界条件之内时将继续使用掩码更新法，这样的更新步骤能够有效提高背景模型向当前真正背景靠近。改进的混合高斯模型流程图如图所示：
混合高斯模型及各改进步骤耗时对照表
上表中，依次为未改进的混合高斯模型、加入光照突变检测，阴影检测，加入三帧差法参与混合高斯模型的改进，加入去噪声处理和形态学变换后所耗费的时间，我们可以看出，每个模块所增加的时间消耗并不大，最终到的检测算法耗时平均为 33 ms，能够满足实时监控视频的处理。
运动目标检测与变电站视频监控系统的设计
（一）系统设计
本系统运动目标检测部分设计图：
运动目标检测设计图
移动侦测部分主要由三部分组成，硬盘录像机（DVR）及其连接的摄像头作为监控视频采集部分，视频分析主机（分析实时视频并进行移动侦测）作为视频实时分析部分，大屏幕控制主机及其所连接的大屏幕作为视频展示部分，各部分之间通过专用网络连接。
DVR 连接的摄像头负责采集实时视频数据，视频分析主机利用设备厂商提供的 SDK 获得实时的视频流，将其拆分成一帧一帧的视频图像序列，视频分析主机利用本文的改进算法分析视频图像序列，得出是否有移动物体或者其他异常（摄像头损坏、人为遮挡等）情况。如果有情况，将有情况的视频信息（DVR 的 IP 地址及视频通道）发送到大屏幕控制主机，控制主机得到报警信息后将得到的报警视频在监控中心大屏幕上进行播放，并且更新大屏幕滚动视频清单，从而达到帮助监控中心人员进行视频监控的目的。
当监控范围内地面或空中有异物进入变电站时、警戒区域内发现不容易观察的遗留物品时、监控范围内的设备或是部件被取走时、陌生人员进入警戒区域或是在周边徘徊时，以上违反设定好的行为规定系统会自动发出报警。
异常情况告警图
（二）运动目标检测结果的报告机制
为减轻接收端程序压力，提高监控人员工作效率，我们设置了一个时间间隔t（取值视实际情况而定），当检测程序第一次检测到运动物体后发送给接收程序，然后记录下当时的时间t1，当下一次再检测到运动物体后，比较当前时间t2和t1之差，如果t2-t1
系统实现效果
本文重点在于如何改进传统的运动目标检测算法使运动目标检测结果更加准确，比较了各种运动目标检测算法的优缺点，选择帧差法和背景减除法中的混合高斯背景建模方法进行检测，最后将检测结果应用到整个视频监控体系中。本系统通过对含有运动目标的图像进行分析处理，检测结果证明该算法与传统算法相比，能够更完整地检测出运动目标，并有效地避免了虚假轮廓的产生，进一步提高了运动目标检测的准确性。
我们采用改进的综合了帧差法的混合高斯模型进行实验，并进行了阴影检测去除及连通域检测去除单独噪声点，实验结果如下图所示：
上图中，第1 列图像为原图，第 2 列图像混合高斯模型检测出的结果，第 3 列图像是改进后的方法得到的运动目标，通过比较我们可以看出，在运用了带掩码的更新模型和改进背景更新方法，最后再进行阴影去除，检测效果提升明显。本算法实现了对现场异常状况重要的瞬间刺激型准确检测，从而对事件做出迅速而明智的决定和实时响应，切实提高了无人变电站实时监控水平和安全水平。
参考文献
[1]纪运红. 智能视觉监控系统若干关键技术研究与实现[D]. 鞍山：辽宁科技大学.2010
[2]Elgammal A，Duraiswami R，Harwood D，et al. Background and foreground modeling using nonparametric kernel density estimation for visual surveillance[J]. Proceedings of the IEEE，2012，90（7）：1151-1163.
[3]Wenxiong Kang，Feiqi Deng. Research on intelligent visual surveillance for public security. IEEE/ACIS International Conference on Computer and Information Science（ICIS 2007），2012：824-829.
[4]李昕. 基于音频视频信息融合的人物跟踪及其应用 [D]. 北京：清华大学2014.
[6]张琳.非参数化背景建模方法研究[D].东营：中国石油大学.2011：28-29.