遠程監控視頻信息處理技術研究與應用

摘要：該文首先搭建了一個智能視頻監控系統，介紹了其系統的總體硬件結構，其中詳細介紹了視頻采集和處理部分。然后研究了針對預處理后的視頻圖像 的運動目標檢測算法研究及實驗。

關鍵詞：視頻監控系統；運動目標檢測；圖像分割

中圖分類號：TP311文獻標識碼：A 文章編號：1009-3044(2008)24-1300-03

The Research and Application of Information Processing Technology in Remote Video Monitoring

MIAO Qing-qing

(Missle College of Air-Force Project University， Xi'an 713800，China)

Abstract:Firstly a intelligent video monitor system is brought forward， it's overall hardware structure is introduced， of which the video collection and processing parts is introduced in details. Then the moving object detection algorithm， against for the video image after pre-processing， is researched and experimented.

Key words:video monitor system; moving object detection; image division

1 前言

近幾年來，基于圖像處理的智能視頻監控系統成為人們研究的重點，而運動目標檢測與跟蹤則是視頻圖像處理的一個重要環節，如何實現高速的信息匹配及實時跟蹤對智能監控系統的發展具有重要意義。該文立足于系統的實時性和高效性，對視頻圖像的檢測、識別以及跟蹤技術進行了深入的研究，并以此設計了系統的硬件平臺。

2 智能監控系統硬件實現

2.1 系統的總體結構

如圖1所示，常見的嵌入式智能監控硬件系統主要由CCD攝像機、高速數字云臺、視頻ADC、圖像幀存儲器、DSP處理控制器、視頻合成及DAC、報警模塊等部分構成。視頻ADC的作用是通過視頻解碼芯片將模擬視頻信號轉換成標準的數字視頻信號；幀存儲器可以按照一定的時間周期存儲圖像數據；視頻合成及DAC的作用是將視頻信號與工作狀態字符、報警標記、報警次數等字符疊加起來，同時轉換成模擬視頻信號，供監視器顯示；報警電路的作用是當有活動目標進入視場或進入設定的警戒區域時，通知DSP處理器啟動報警裝置。

2.2 視頻信號輸入部分

目前視頻信號輸入部分常采用的是由CCD（Charge Coupled Device電荷耦合器）圖像傳感器構成的模擬攝像頭。CCD電荷耦合器件，是攝像頭的核心部件，它是20世紀70年代初期以來發展起來新型半導體集成光電器件。它由美國貝爾實驗室的W.s.Boyle和G.E.Smith首先提出。該文系統中采用的是CCD模擬攝像機。

2.3 視頻圖像處理部分

在視頻圖像采集系統中，圖像采集卡將來自CCD攝像機的模擬信號轉換成數字信號并輸入到計算機中進行處理，它被認為是CCD攝像機與計算機的接口。本系統中采用TVP5150A視頻解碼芯片，主要完成A/D轉換、圖像預處理等功能。

3 視頻圖像目標檢測

3.1 運動目標檢測

運動目標檢測是自動跟蹤系統的前提和關鍵，能否準確、有效地檢測出運動目標直接關系到后續工作的難易程度和系統的整體性能。目前有很多標準的算法用于檢測運動目標，具有不同的效果和復雜度。在實際應用中，運動目標的提取[1]通常不是采用哪一種單一的算法，而是對某一算法進行改進或是綜合幾種算法以求達到更好的效果。

典型的運動目標檢測方法主要有以下三種算法：幀間差分法、背景差分法、光流法。光流法計算復雜，不適宜實時處理。這里我們只介紹幀間差分法和背景差分法。

1）幀間差分法[2，3]

對于許多應用來說，檢測圖像序列中連續幀圖像的差異是非常重要的步驟。場景中任何可觀察的運動都會體現在場景圖像序列的變化上，如果能檢測這種變化，就可以分析其運動特性。幀間差分法運算過程如公式1所示。

其中fk(x，y)，fk-1(x，y)為連續兩幀圖像；Dk(x，y)為幀差圖像。

其中T是二值化設定閾值。

首先利用公式1計算兩幀圖像之間的差，得到差分后的圖像Dk(x，y)。然后根據公式2對差分圖像Dk(x，y)進行二值化和數學形態濾波處理，并對結果Rk(x，y)進行區域連通性分析，當某一連通區域的面積大于某一給定閾值，則成為檢測目標，并認為該區域就是目標的區域范圍，就可以確定目標的最小外接矩形。

2）背景差分法[4，5]

用來檢測運動區域的一種技術，在背景已知的情況下，背景減法是一種有效運動目標檢測算法。它的基本思想是：首先，用事先存儲或者實時獲取的背景圖像序列為每個統計建模，得到背景模型fb(x，y)；其次，將當前每一幀圖像fk(x，y)和背景模型fb(x，y) 相減，得到圖像中偏離背景圖像較大的像素點。后續處理步驟與幀間差分法相同，直至確定出目標的最小外接矩形。

其中，fk(x，y)為某一幀圖像，fb(x，y)為背景圖像，Db(x，y)為幀差圖像。

這種方法的主要特點是，要求使用當前被監視環境中的一幅靜態背景；利用背景圖像差分的運動目標檢測雖然較連續幀間差分法可以提取更為完整的目標圖像。但易受環境、光線變化影響大。

3.2 圖像分割

圖像分割就是把圖像分成各具特性的區域并提取出感興趣目標的技術和過程[6]。

圖像閾值分割[6，7]是一種廣泛使用的圖像分割技術，它利用了圖像中要提取的目標與其背景在灰度特性上的差異，把圖像視為具有不同灰度級的兩類區域即目標和背景的組合，選取一個合的閾值，以確定圖像中的每一個像素點應該屬于目標還是背景域，從而產生相應的二值圖像。這種方法對物體與背景對比度強的景物的分割特別有效。另外，閾值分割不僅可以大量壓縮據，減少存儲容量，而且能大大簡化在其后的分析和處理步驟這一算法的數學描述可以表示為：

設(x，y)是二維圖像的平面坐標，圖像灰度級的取值范圍是G＝{0，1，2，…，L-1}，通常是0表示最暗的像素點，L-1代表最亮的像素點，位于坐標點(x，y)上的像素點的灰度級表示為f(x，y)。設t∈G為分割閾值，B＝{b0，b1}代表一個二值灰度級，并且b0，b1∈G，于是圖像函數f在閾值T的分割結果為：

■(4)

因此，閾值分割算法實際上就是按照某個準則函數求最優閾值T的過程。

這里主要采用雙峰法，介紹如下：

假定一幅圖像只包含物體和背景兩部分，其灰度直方圖如圖2所示。直方圖有兩個峰值。選取雙峰之間谷底處的灰度值t作為閾值，即可將背景和物體很好地分割開。用數學描述如下：

3.3 運動檢測算法

關于運動目標的檢測，有很多種方法，該文研究的對象是在實時監控系統中，突然出現在特定背景下的運動物體。可預先假定攝像頭與背景的位置相對固定，背景在圖像序列中靜止不動。運動檢測算法要完成的任務是將背景中出現的變化部分的圖像完整的分割出來。整個算法以差分圖像算法為基礎，通過閾值二值化，中值濾波，圖像的分割，分割后的二值化，合并閾值二值化和圖像分割結果等模塊完成。

運動目標提取過程如下：

1)計算等處理圖像與背景圖像的差圖像

考慮到背景圖像在圖像序列中是不變的，當背景中有運動物體出現時，通過比較待處理圖像與背景圖像對應像素點的灰度值，可以快速地檢測到運動物體，所以第一步是計算待處理圖像與背景圖像對應像素絕對值的差，記作差圖像。

2)中值濾波

已經取得了的圖像上往往會有一些小的孤立噪聲存在，這些噪聲在隨后的圖像分析過程可能導致參數提取錯誤。去除噪聲常用的均值濾波和高斯濾波去處在去噪的同時，會造成圖像邊緣的模糊。因此本系統采用中值濾波，中值濾波可以很好的去除孤立小噪聲。

3)對差圖像進行閾值分割

在差圖像中存在兩類像素，一類對應于背景中沒有物體出現的部分，該部分的像素在差去處以后灰度值將很小；另一類對應于物體出現部分，由于物體和背景存在圈套的灰度差，該部分像素在差去處以后灰度值相對較大，也就是差圖像中包括灰度值小的未變化部分和灰度級大的變化部分，運用雙峰值閾值分割方法，可以較好地提取背景中變化部分的圖像。

4)對待處理的后一幀圖像與差分之后的二值化圖像合并。系統的整體流程圖3如下。

4 總結

本章詳細介紹了運動目標的檢測方法及主要步驟。介紹了差分圖像法及閾值分割法。本系統采用的是閾值分割法進行運動目標的檢測，并進行了邊緣檢測。

參考文獻：

[1] 付永會，張風超，張憲民.一種改進的基于顏色直方圖的實時目標跟蹤算法[J].數據采集與處理，2001，16(3):309-314.

[2] 張銀南，岑崗，凌勇堅.基于運動檢測的智能監控系統的設計與實現[J].計算機時代.2005，(6):29-30.

[3] 于成忠，朱駿，袁曉輝.基于背景差法的運動目標檢測[J].東南大學學報（自然科學版）.2005，35(11)：159-161.

[4] C.Wren， A.Azarbayejani， T.Darrelletal. “Pfinger: Real-time tracking of the human body[C]”.IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19(7):780-785.

[5] 章毓晉.圖像分割[M].北京：科學出版社，2001：9-57.

[6] Sahoo P K， Soltani S，Wong A K C. A Survey of Thresholding Techniques. Computer Vision，Graphics， and Image Processing. 1988，41(2):233-260.

[7] 吳謹.基于最大熵的灰度閾值選取方法[J].武漢科技大學學報（自然科學版），2004，27（1）：58-60.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”