周微, 彭力

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

基于運(yùn)動(dòng)目標(biāo)檢測(cè)的智能視頻監(jiān)控系統(tǒng)

周微, 彭力*

(江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇無錫214122)

通過對(duì)視頻序列的處理,使計(jì)算機(jī)在無人操作的情況下,檢測(cè)出監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo),并與預(yù)先設(shè)定的報(bào)警規(guī)則相比較,當(dāng)發(fā)現(xiàn)異常行為時(shí)自動(dòng)產(chǎn)生報(bào)警信號(hào),提醒監(jiān)管人員查看。系統(tǒng)中所用算法是將自適應(yīng)混合高斯模型背景更新方法加以改進(jìn),結(jié)合基于幀間差分思想的雙向匹配法,配合圖像濾波方法,進(jìn)行一系列后處理。實(shí)現(xiàn)室外場(chǎng)景運(yùn)動(dòng)目標(biāo)檢測(cè),克服了樹葉搖擺及輕微光照變化的影響,有效地濾除了各種噪聲。提取出的運(yùn)動(dòng)目標(biāo)精確完整,效果較已有算法得到了明顯改善。

智能視頻監(jiān)控;運(yùn)動(dòng)目標(biāo)檢測(cè);混合高斯模型;入侵檢測(cè)報(bào)警系統(tǒng)

隨著中國(guó)城市化進(jìn)程的逐漸深化,社會(huì)對(duì)安全防范的需求與日俱增。監(jiān)控?cái)z像頭數(shù)量的增長(zhǎng)和清晰度的提高都引起監(jiān)控視頻數(shù)據(jù)的爆發(fā)式增長(zhǎng),對(duì)檢測(cè)視頻中不符合規(guī)定的行為帶來巨大壓力。傳統(tǒng)的視頻監(jiān)控采用人工方法,這種方法費(fèi)時(shí)費(fèi)力且難以滿足實(shí)時(shí)性要求,因此要求監(jiān)控系統(tǒng)智能化。智能視頻監(jiān)控利用計(jì)算機(jī)技術(shù)對(duì)特定監(jiān)控場(chǎng)景中攝像頭采集到的視頻圖像進(jìn)行實(shí)時(shí)分析和處理,并對(duì)預(yù)先設(shè)定的興趣目標(biāo)與異常事件進(jìn)行自動(dòng)檢測(cè)與報(bào)警。

運(yùn)動(dòng)目標(biāo)檢測(cè)是智能視頻監(jiān)控的重要組成部分,目前常用的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有3種:光流法、幀差法和背景差法。光流法[1]能夠檢測(cè)運(yùn)動(dòng)背景中獨(dú)立運(yùn)動(dòng)的對(duì)象,但多數(shù)計(jì)算復(fù)雜、耗時(shí)多,很難實(shí)現(xiàn)實(shí)時(shí)檢測(cè);幀差法[2]對(duì)動(dòng)態(tài)環(huán)境具有較強(qiáng)的自適應(yīng)性,穩(wěn)健性較好,但一般不能完全提取出所有相關(guān)的特征像素點(diǎn);背景差法[3]直接通過當(dāng)前幀與場(chǎng)景背景做差得到前景物體,原理簡(jiǎn)單可靠,已經(jīng)得到了廣泛的應(yīng)用。背景差法的關(guān)鍵與難點(diǎn)在于如何提取出高質(zhì)量的背景圖像,并跟隨場(chǎng)景的變化保持實(shí)時(shí)更新。

Wren等[4]研究像素灰度值在時(shí)間軸上的統(tǒng)計(jì)特性,提出了單高斯背景模型;Stauffer和Grimson[5]在單高斯模型基礎(chǔ)上,針對(duì)復(fù)雜場(chǎng)景中像素統(tǒng)計(jì)特征的多峰情況,提出對(duì)單個(gè)像素的灰度值采用混合高斯建模(Gaussian Mixture Model,簡(jiǎn)稱GMM);Zhang等[6]通過前幾幀的檢測(cè)結(jié)果得到當(dāng)前時(shí)刻的預(yù)測(cè)目標(biāo),融合該預(yù)測(cè)目標(biāo)和通過背景差法檢測(cè)出的目標(biāo)進(jìn)行綜合判決,得到最終的檢測(cè)結(jié)果;楊濤等[7]在混合高斯模型的基礎(chǔ)上,引入一個(gè)由多個(gè)獨(dú)立單高斯模型組成的參考背景用以檢測(cè)靜止目標(biāo)。張恒等[8]通過定義像素樣本對(duì)模型更新的有效因子,提出一種自適應(yīng)學(xué)習(xí)的混合高斯模型檢測(cè)算法。

混合高斯背景建模對(duì)多模態(tài)場(chǎng)景具有良好的描述能力,能較好地克服背景中的擾動(dòng)因素,但是算法比較耗時(shí),且檢測(cè)到的目標(biāo)容易出現(xiàn)破碎現(xiàn)象。為此,文中提出一種改進(jìn)的基于混合高斯模型的背景更新方法,結(jié)合基于幀間差分思想的雙向匹配法,配合圖像濾波方法,在快速提取出完整前景圖像的同時(shí)有效地濾除了圖像中的各種噪聲,為實(shí)現(xiàn)智能視頻監(jiān)控提供有效的支撐。文中實(shí)現(xiàn)的系統(tǒng)是在微軟Microsoft Visual Studio 2010軟件平臺(tái)上,利用Intel公司提供的用于計(jì)算機(jī)視覺處理的OpenCV函數(shù)庫,對(duì)采集的視頻進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè),一旦發(fā)現(xiàn)目標(biāo)出現(xiàn)在場(chǎng)景中預(yù)定義的區(qū)域,系統(tǒng)便自動(dòng)發(fā)出報(bào)警,并將存在入侵目標(biāo)的視頻片段保存下來。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)算法

1.1 混合高斯背景建模

混合高斯模型是將圖像上某一像素點(diǎn)在時(shí)間序列的觀測(cè)值視為一系列隨機(jī)變量,用多個(gè)單高斯分布函數(shù)描述多模態(tài)的場(chǎng)景背景。經(jīng)典混合高斯背景建模的步驟如下:

從t時(shí)刻開始,對(duì)于某個(gè)像素點(diǎn)在時(shí)間軸上的歷史像素點(diǎn)(xi,yi)可以表示為

對(duì)背景圖像中的每個(gè)點(diǎn)用k個(gè)獨(dú)立的單高斯模型描述,圖像中某一像素當(dāng)前取值為Xt的概率為

1.1.1 初始化 第1個(gè)高斯模型的均值是第1幀對(duì)應(yīng)的像素值,其他高斯模型初始均值為0。所有高斯模型的初始方差相等,其值與對(duì)象運(yùn)動(dòng)的劇烈程度有關(guān)。給每一個(gè)高斯模型都初始化一個(gè)權(quán)值,一般第1個(gè)模型的權(quán)值較大,其他取平均。

1.1.2 更新 每個(gè)新像素值輸入模型,都會(huì)對(duì)現(xiàn)有的模型參數(shù)進(jìn)行更新。若對(duì)以下式進(jìn)行遍歷:

如果發(fā)現(xiàn)此像素點(diǎn)符合當(dāng)前某高斯模型,則對(duì)其進(jìn)更新:

其中,α為學(xué)習(xí)速率;β=αη(Xt,μi,t,∑i,t)為參數(shù)更新速率。對(duì)未匹配的高斯模型只改變其權(quán)值:

若發(fā)現(xiàn)此像素點(diǎn)與所有高斯模型都不匹配,則引入一個(gè)新的高斯分布替換其中對(duì)應(yīng)權(quán)值最小的高斯分布。新的高斯分布的均值為Xt,并具有一個(gè)較小的權(quán)重和一個(gè)較大的方差。

1.1.3 排序 把所有高斯分布對(duì)應(yīng)的權(quán)值歸一化,然后按照優(yōu)先級(jí)從大到小的順序排列,優(yōu)先級(jí)越大越接近背景分布。最后取前K個(gè)高斯模型構(gòu)建背景圖片。K由下式確定:

1.2 對(duì)混合高斯模型的改進(jìn)

為了滿足視頻監(jiān)控系統(tǒng)的檢測(cè)快速性,對(duì)混合高斯模型進(jìn)行相應(yīng)改進(jìn)。

1.2.1 初始背景建模階段 傳統(tǒng)混合高斯模型是用第一幀圖像作為初始背景模型進(jìn)行建模的。然而對(duì)于一些場(chǎng)景,目標(biāo)較多,含有各種噪聲,故采用基于概率的統(tǒng)計(jì)背景作為背景圖像的初始高斯模型參數(shù)。首先選取n幀序列圖像,對(duì)每幀圖像中對(duì)應(yīng)位置每一點(diǎn)的像素值進(jìn)行統(tǒng)計(jì);統(tǒng)計(jì)完成后,圖像中的每個(gè)像素點(diǎn)有n個(gè)對(duì)應(yīng)的值。將其中出現(xiàn)次數(shù)最多的值作為混合高斯模型的初始背景值,這樣比直接進(jìn)行高斯更新要節(jié)省一定的時(shí)間而且效果較好。

1.2.2 參數(shù)更新階段 傳統(tǒng)的混合高斯模型在參數(shù)更新階段,對(duì)所有像素作判決更新處理。這一過程中計(jì)算高斯成分的方差和更新速率使算法占用較多的時(shí)間,尤其是在高分辨率畫面下,難以達(dá)到實(shí)時(shí)性要求。因此,文中將更新時(shí)的判斷準(zhǔn)則改為|Xt-μi,t-1|＜T,T為經(jīng)驗(yàn)閾值,從而省略了對(duì)方差的更新,節(jié)省了大量時(shí)間。將更新公式改為

使均值的更新不依賴于方差而進(jìn)行,并對(duì)學(xué)習(xí)因子α進(jìn)行動(dòng)態(tài)調(diào)整。α的值隨著被檢測(cè)為前景像素值的個(gè)數(shù)增減而增減,從而更好地適應(yīng)場(chǎng)景的變化。

2 前景提取及分割

經(jīng)過以上的背景建模,可以得到初步的前景和背景。為了使運(yùn)動(dòng)對(duì)象更加精細(xì)完整且在空間和時(shí)間上更加連續(xù),進(jìn)行一系列后續(xù)處理。

2.1 鄰域平滑

通過前面的運(yùn)動(dòng)檢測(cè)處理得到的二值前景圖像,除了有感興趣的前景目標(biāo)外,還含有不同種類的噪聲。為了提高圖像的質(zhì)量,首先對(duì)其進(jìn)行3×3中值濾波處理,以消弱圖像中噪聲的影響。

2.2 形態(tài)學(xué)處理

經(jīng)背景建模后得到的前景對(duì)象往往會(huì)因?yàn)楣庹兆兓嬖谥虚g有孔洞、周圍有毛刺的不平滑情況,因此引入數(shù)學(xué)形態(tài)學(xué)處理以改善這一情況,其基本算子主要包括膨脹、腐蝕以及兩者組合的開運(yùn)算和閉運(yùn)算。開運(yùn)算,即為先腐蝕后膨脹,可以去掉運(yùn)動(dòng)對(duì)象周圍的孤立小點(diǎn)和毛刺;閉運(yùn)算,即先膨脹后腐蝕,可以填平運(yùn)動(dòng)對(duì)象中的小孔洞,以及因光照出現(xiàn)的一些小縫隙。為了在去噪的同時(shí)充分保留細(xì)節(jié)信息,文中采用膨脹兩次,腐蝕兩次,再膨脹兩次,腐蝕兩次的開閉運(yùn)算混合法處理。

2.3 幀內(nèi)濾波

由于輕微光照變化,風(fēng)及陰影的影響,得到的前景圖片往往不可避免地在幀內(nèi)引入孤立噪聲點(diǎn)。但是相對(duì)于同幀內(nèi)的運(yùn)動(dòng)對(duì)象而言,這些噪聲點(diǎn)面積往往較小,通過閾值法就可以輕松去除。文中采用Canny算子檢測(cè)幀內(nèi)各個(gè)連通域的輪廓,首先統(tǒng)計(jì)輪廓內(nèi)的像素點(diǎn)數(shù)(連通域面積),若小于閾值T1就認(rèn)定為噪聲直接去除,若大于閾值T1,則統(tǒng)計(jì)輪廓的像素點(diǎn)數(shù)(連通域周長(zhǎng));若大于閾值T2,則認(rèn)定為運(yùn)動(dòng)目標(biāo),小于閾值T2則去除。閾值的大小可以根據(jù)背景前景的相似度以及監(jiān)控環(huán)境由用戶調(diào)整。

2.4 幀間濾波

經(jīng)過幀內(nèi)濾波,面積較小的噪聲點(diǎn)一般去除,但不排除一些面積較大的噪聲仍然存在。由于運(yùn)動(dòng)對(duì)象一般在時(shí)域上具有強(qiáng)連續(xù)性而噪聲一般分布較為隨機(jī),因此文中提出引入基于幀間差分思想的雙向匹配法,利用時(shí)域相關(guān)性濾去空間上不連續(xù)的隨機(jī)噪聲解決這一問題。將當(dāng)前幀的前景掩模和后一幀相與,若匹配區(qū)域面積大于閾值Td,則認(rèn)為這個(gè)區(qū)域是前景,做保留處理;若小于閾值Td,就驗(yàn)證當(dāng)前幀與前一幀相與區(qū)域。若前向匹配區(qū)域大于閾值,那么認(rèn)定此幀為運(yùn)動(dòng)對(duì)象消失,否則丟棄。閾值一般定為當(dāng)前幀最大連通域面積的d倍(0＜d＜1),d的大小可根據(jù)場(chǎng)景需要進(jìn)行調(diào)整。

通過以上一系列處理,得到背景圖像和二值前景掩膜圖像,采用背景消減法將當(dāng)前幀與前景掩膜相與,得到完整的前景圖片。

3 系統(tǒng)構(gòu)建

3.1 系統(tǒng)結(jié)構(gòu)

文中設(shè)計(jì)的智能視頻監(jiān)控系統(tǒng)是在攝像機(jī)監(jiān)視的場(chǎng)景范圍內(nèi),根據(jù)監(jiān)控的需要和目的設(shè)置警戒區(qū)域。系統(tǒng)可以自動(dòng)檢測(cè)入侵到警戒區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo),并發(fā)出警報(bào)信息,主要步驟如下:

1)獲取監(jiān)控場(chǎng)景中的視頻圖像;

2)根據(jù)需要設(shè)置警戒區(qū)域;

3)對(duì)視頻圖像進(jìn)行分析,獲取場(chǎng)景中出現(xiàn)的運(yùn)動(dòng)目標(biāo);

4)與預(yù)先設(shè)定的警戒區(qū)域相比較,判斷是否出現(xiàn)入侵行為,對(duì)于存在入侵行為的幀發(fā)出警報(bào),將含有入侵目標(biāo)的視頻片段保存下來。

根據(jù)入侵目標(biāo)檢測(cè)步驟,可以將入侵報(bào)警系統(tǒng)分為視頻序列采集模塊、警戒區(qū)域設(shè)置模塊、運(yùn)動(dòng)目標(biāo)檢測(cè)模塊、入侵檢測(cè)及報(bào)警模塊4部分,其框架如圖1所示。其中,運(yùn)動(dòng)目標(biāo)檢測(cè)模塊為實(shí)現(xiàn)區(qū)域入侵報(bào)警功能的核心模塊。

圖1 系統(tǒng)框架Fig.1 System framework

系統(tǒng)主要模塊實(shí)現(xiàn)如下功能:

1)視頻序列采集模塊。視頻序列采集模塊實(shí)現(xiàn)視頻序列的輸入功能。實(shí)驗(yàn)中,本模塊輸入的數(shù)據(jù)為AVI格式的視頻文件,輸出為視頻幀流,可為后續(xù)處理提供圖像序列來源。

2)警戒區(qū)域設(shè)置模塊。對(duì)監(jiān)控區(qū)域范圍初始化,首先在監(jiān)控視頻的首幀中用鼠標(biāo)標(biāo)注出警戒區(qū)域,獲得警戒區(qū)域邊界的具體坐標(biāo)等。

3)運(yùn)動(dòng)目標(biāo)檢測(cè)模塊。入侵目標(biāo)檢測(cè)模塊是系統(tǒng)設(shè)計(jì)中的重要功能模塊,它實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)檢測(cè)的主要算法,將前景與背景分離。由于背景建模后的視頻幀中存在噪聲,系統(tǒng)采用一系列圖像處理方法(包括濾波平滑,形態(tài)學(xué)處理,幀內(nèi)濾波及幀間差分濾波),去除前景圖像中的噪聲及其他干擾,同時(shí)去除運(yùn)動(dòng)對(duì)象周圍的孤立小點(diǎn)和毛刺,填平運(yùn)動(dòng)對(duì)象中的小孔洞,保留原視頻序列的細(xì)節(jié)信息。

4)入侵檢測(cè)及報(bào)警模塊。報(bào)警模塊的主要功能是根據(jù)預(yù)先設(shè)定的警戒區(qū)域邊界條件,檢測(cè)前景區(qū)域與警戒區(qū)域出現(xiàn)公共像素點(diǎn)的個(gè)數(shù)。如果超過預(yù)先設(shè)定好的閾值,則判定為入侵行為。對(duì)于異常事件,警戒區(qū)域邊界顏色變?yōu)榧t色并在視頻中發(fā)出報(bào)警信號(hào)進(jìn)行報(bào)警,同時(shí)對(duì)進(jìn)入警戒區(qū)域目標(biāo)的視頻片段進(jìn)行采集保存。

3.2 設(shè)計(jì)流程

系統(tǒng)工作時(shí),首先將采集的視頻序列轉(zhuǎn)換成圖像序列,然后對(duì)每一幀圖像進(jìn)行運(yùn)動(dòng)檢測(cè),對(duì)得到的運(yùn)動(dòng)目標(biāo)進(jìn)行模塊化處理,檢測(cè)到入侵時(shí)則進(jìn)行報(bào)警,整體流程如圖2所示。

圖2 系統(tǒng)設(shè)計(jì)流程Fig.2 System design process

4 實(shí)驗(yàn)及分析

文中主要針對(duì)交通車輛場(chǎng)景和校園行人場(chǎng)景進(jìn)行實(shí)驗(yàn)。整個(gè)系統(tǒng)程序在VS2010+OpenCV2.2環(huán)境下編寫,硬件采用DELL的PC機(jī)(Pentium(R) Dual-Core CPU,3 GHz,2 GB內(nèi)存),對(duì)兩段標(biāo)準(zhǔn)測(cè)試視頻進(jìn)行分析,視頻圖像大小分別為352×288和360×260,格式為AVI格式。分別將兩段監(jiān)控視頻輸入該系統(tǒng),得到如圖3所示的檢測(cè)結(jié)果。

圖3 校園場(chǎng)景檢測(cè)結(jié)果Fig.3 Cam pus scene detection results

由圖3(f)可以看出,傳統(tǒng)的GMM算法檢測(cè)出的前景圖像含有較多的噪聲,運(yùn)動(dòng)目標(biāo)也不夠清晰完整。文中在傳統(tǒng)混合高斯模型背景更新方法的基礎(chǔ)上進(jìn)行改進(jìn),結(jié)合基于幀間差分思想的雙向匹配法,配合圖像濾波方法,克服了樹葉搖擺及輕微光照的影響,有效地濾除了各種噪聲,精確完整地檢測(cè)出運(yùn)動(dòng)目標(biāo),效果較傳統(tǒng)算法得到了明顯改善。

將道路交通場(chǎng)景應(yīng)用于本系統(tǒng)中,同樣得到良好的檢測(cè)效果(見圖4)。

圖4 道路交通場(chǎng)景檢測(cè)結(jié)果Fig.4 Road scene detection results

由圖3和圖4兩個(gè)實(shí)驗(yàn)可以看出,文中算法的分割結(jié)果不僅虛假前景信息少,而且分割較為完整,與傳統(tǒng)GMM算法相比,效果得到明顯改善。

為了定量分析實(shí)驗(yàn)結(jié)果,將文中提出的運(yùn)動(dòng)目標(biāo)檢測(cè)算法與傳統(tǒng)GMM算法及文獻(xiàn)[9-10]提出的算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果采用近幾年由Maddalena L提出的查全率(Recall)和查準(zhǔn)率(Precision)[11]進(jìn)行度量。查全率是檢測(cè)的正確數(shù)與手工標(biāo)注(ground truth)的總數(shù)之比,可以表示為

查準(zhǔn)率是檢測(cè)正確數(shù)和總的檢測(cè)數(shù)之比,即

其中,TP為前景像素點(diǎn)中被正確標(biāo)記為前景的像素?cái)?shù)目;FN為前景像素點(diǎn)中被錯(cuò)誤標(biāo)記為背景的像素?cái)?shù)目;FP為背景像素點(diǎn)中被錯(cuò)誤標(biāo)記為前景的像素?cái)?shù)目。

F度量則是查全率和查準(zhǔn)率的一個(gè)綜合,是反應(yīng)整個(gè)結(jié)果好壞的一個(gè)綜合指標(biāo)[12],即

在相同軟硬件條件下,對(duì)不同算法進(jìn)行評(píng)估與比較。表1為對(duì)校園場(chǎng)景監(jiān)控視頻進(jìn)行檢測(cè)的定量實(shí)驗(yàn)結(jié)果,表2為道路交通場(chǎng)景監(jiān)控視頻的定量實(shí)驗(yàn)結(jié)果。

表1 校園場(chǎng)景不同算法的實(shí)驗(yàn)比較Tab.1 Experimental com parison of different algorithm s in cam pus scene

表2 道路交通場(chǎng)景不同算法的實(shí)驗(yàn)比較Tab.2 Experimental com parison of different algorithm s in road scene

由表1和表2可以看出,文中算法的查準(zhǔn)率和查全率均優(yōu)于GMM算法、文獻(xiàn)[9]和文獻(xiàn)[10]中的算法。由于文中算法填補(bǔ)了連通域中的孔洞,檢測(cè)出的目標(biāo)清晰完整,查全率較其他算法有一定的提高。由于文中算法通過一系列后續(xù)處理,克服了樹葉搖晃及輕微光照的影響,濾除了圖像中的大部分噪聲,消除虛假前景信息,查準(zhǔn)率得到很大程度的提高,比查全率提高幅度更大。

為了檢驗(yàn)算法的實(shí)時(shí)性,取道路交通場(chǎng)景視頻對(duì)GMM算法、文獻(xiàn)[9-10]和文中算法的平均單幀處理時(shí)間進(jìn)行比較,具體結(jié)果見表3。

表3 單幀處理時(shí)間測(cè)試結(jié)果Tab.3 Test resu lt of single fram e p rocessing tim e

由表3可以看出,傳統(tǒng)混合高斯背景建模方法耗時(shí)較長(zhǎng),文獻(xiàn)[9]算法不需要計(jì)算高斯模型的均值和方差,所以速度很快,但也因此犧牲了部分的查全率。文獻(xiàn)[10]算法為了獲取高檢出率,需利用前景模型并計(jì)算短時(shí)穩(wěn)定度,算法復(fù)雜度較高,耗費(fèi)時(shí)間長(zhǎng)。文中算法由于對(duì)參數(shù)更新階段進(jìn)行改進(jìn),大大減少了計(jì)算量,從而滿足了監(jiān)控系統(tǒng)快速處理的要求。

由此可知,文中算法能較好地檢測(cè)出入侵目標(biāo),在當(dāng)前圖像中發(fā)出警報(bào),并將出現(xiàn)入侵的視頻序列保存下來,生成的新視頻與原始視頻相比,長(zhǎng)度大大減小,便于監(jiān)管人員查看。同時(shí)開發(fā)的視頻監(jiān)控系統(tǒng)具有很大的實(shí)用價(jià)值,可用于銀行、校園等公共場(chǎng)所的監(jiān)控管理,也可以用于公安部門的刑事偵查。可將出現(xiàn)在特定區(qū)域的可疑人員檢測(cè)出來,大大節(jié)省時(shí)間和人力。

5 結(jié) 語

文中從實(shí)際應(yīng)用的角度出發(fā),對(duì)監(jiān)控視頻中的運(yùn)動(dòng)目標(biāo)檢測(cè)相關(guān)技術(shù)進(jìn)行了研究,在Microsoft Visual Studio 2010軟件平臺(tái)上編程實(shí)現(xiàn)了文中提出的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。該算法在快速提取出精準(zhǔn)完整的前景圖像的同時(shí)能有效地濾除各種噪聲,對(duì)各種類型的運(yùn)動(dòng)目標(biāo)具有較好的檢測(cè)效果。由此實(shí)現(xiàn)了具有區(qū)域入侵報(bào)警功能的智能監(jiān)控系統(tǒng),系統(tǒng)性能優(yōu)良,實(shí)用價(jià)值明顯。

[1]Eveland,Konolige K,Bolles R.Background modeling for segmentation of video-rate stereo sequences[C]//IEEE CVPR.Santa Barbara,CA:IEEE Computer Society,1998:266-271.

[2]Neri A,Clonnese S,Gusso G,etal.Automaticmoving objectand background separation[J].Signal Processing,1998,66(2):219-232.

[3]Arseneau,Cooperstock J.Real-time image segmentation for action recognition[C]//1999 IEEE Pacific Rim Conference on Communications,Computers and Signal Processing.Victoria,Canada:IEEE,1999:86-89.

[4]Wrren C,AzarhayejaniA,Darrell T.Pfinder:real-time tracking of the human body[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1997,19(7):780-785.

[5]Stauffer C,Grimson W.Adaptive background mixture models for real-time tracking[C]//1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Fort Collins,CO:IEEE,1999:246-252.

[6]ZHANG Xiang,YANG Jie.A novel algorithm to segment foreground from a similarly colored background[J].International Journal of Electronics and Communications,2009,63(11):831-840.

[7]楊濤,李靜,潘泉.一種基于多層背景模型的前景檢測(cè)算法[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(7):1303-1308.

YANG Tao,LIJing,PAN Quan.A multiple layer background model for foreground detection[J].Jounal of Image and Graphics, 2008,13(7):1303-1308.(in Chinese)

[8]張恒,胡文龍,丁赤飚.一種自適應(yīng)學(xué)習(xí)的混合高斯模型視頻目標(biāo)檢測(cè)算法[J].中國(guó)圖像圖形學(xué)報(bào),2010,15(4): 631-636.

ZHANG Heng,HUWenlong,DING Chibiao.Adaptive learning Gaussian mixturemodels for video target detection[J].Jounal of Image and Graphics,2010,15(4):631-636.(in Chinese)

[9]蔣鵬,秦小麟.復(fù)雜背景下的自適應(yīng)前景分割算法[J].中國(guó)圖象圖形學(xué)報(bào),2011,16(1):37-43.

JIANG Peng,QIN Xiaolin.Robust foreground detection with adaptive threshold estimation[J].Journal of Image and Graphics, 2011,16(1):37-43.(in Chinese)

[10]張超,吳小培,周建英.基于改進(jìn)高斯混合模型和短時(shí)穩(wěn)定度的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].電子與信息學(xué)報(bào),2012,34(10): 2402-2408.

ZHANG Chao,WU Xiaopei,ZHOU Jianying.A moving object detection algorithm based on improved GMM and short-term stabilitymeasure[J].Journal of Electronic and Information,2012,34(10):2402-2408.(in Chinese)

[11]Maddalena L,Petrosino A.A self-organizing approach to background subtraction for visual surveillance applications[J].IEEE Transactions on Image Processing,2008,17(7):1168-1177.

[12]甘超,王瑩,王向陽.多特征穩(wěn)健主成分分析的視頻運(yùn)動(dòng)目標(biāo)分割[J].中國(guó)圖像圖形學(xué)報(bào),2013,18(9):1124-1132.

GAN Chao,WANG Ying,WANG Xiangyang.Multi-feature robust principal component analysis for video moving object segmentation[J].Journal of Image and Graphics,2013,18(9):1124-1132.(in Chinese)

(責(zé)任編輯:邢寶妹)

Intelligent Surveillance System Based on M oving Object Detection

ZHOUWei, PENG Li*
(School of Internet of Things Engineering,Jiangnan University,Wuxi214122,China)

To let computer discover the abnormity by processing and analyzing the video sequences,and send the alarm and useful information without human action,this paper places the emphasis on the invasion target detection.The algorithm in this intelligent surveillance system is based on the adaptivemixture Gaussian model proposed by Stauffer et al.The basic is to combined the two-way matching method based on the frame difference thoughts with a series of image filteringmethods.This results in a stable outdoor detector which reliably dealswith lighting changes,swing of leaves, and various noises.The proposedmethod can extract themoving object exactly and is superior to the traditionalmethods.

intelligent surveillance,moving object detection,mixture Gaussian model,intrusion detection alarming system

TP 391.41

A

1671-7147(2015)03-0310-06

2014-12-14;

2015-03-16。

江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合研究項(xiàng)目(BY2013015—33,BY2014024,BY2014023—362014, BY2014023—25)。

周 微(1990—),女,黑龍江黑河人,電子與通信工程專業(yè)碩士研究生。

*通信作者:彭 力(1967—),男,河北唐山人,教授,博士生導(dǎo)師。主要從事視覺傳感器網(wǎng)絡(luò)、人工智能、計(jì)算機(jī)仿真等研究。Email:pengli@jiangnan.edu.cn