視頻監控中遺留物檢測算法研究

摘 要：本文首先介紹了混合高斯模型的算法原理，并且提出一種利用遞歸法檢測多個前景物體的方法，然后提出一種基于慢高斯的遺留物檢測算法，該算法利用混合高斯模型進行背景建模，利用遞歸法對檢測到的前景物體分別計時，當計時器達到閾值時進行標記并報警。

關鍵詞：視頻監控；遺留物檢測算法

傳統的視頻監控已經無法滿足人們對安全的需要，智能視頻監控作為一種高效的監控手段得到越來越多的重視。由于遺留包裹是恐怖襲擊的主要手段，因此遺留包裹的檢測成為智能視頻監控中一項非常重要的應用。當前的遺留物檢測算法很多，但是大多數不太理想，主要存在兩方面的問題：一種是算法太簡單，對干擾處理太少，使得檢測結果不理想；令一種是由于對干擾處理比較多，使得算法太復雜，運算量太大。本文針對以上問題，提出了一種基于慢高斯的遺留物檢測算法。

1 遺留物檢測算法原理

基于慢高斯的遺留物檢測算法原理為：用混合高斯模型進行背景建模，將輸入的視頻圖像的各個像素與對應的背景高斯模型進行比較，若與其中一個背景模型匹配，則判為背景，若與所有的背景模型都不匹配，則判為前景；得到的前景物體包括運動前景、遺留前景和噪聲，然后，對得到的前景進行形態學處理，去除噪聲，最后利用遞歸法對前景物體分別計時，當遺留物體在場景中靜止超過規定的閾值時，判為遺留物體。

2 混合高斯模型

混合高斯模型是利用K個高斯概率密度函數來表示每個背景像素，利用當前像素值和各個高斯分布進行均值和方差的比較，判定當前像素為背景或者前景。

每個像素點的概率為：

其中α為學習速率，α取值越大，背景的更新速度越快，ρ為學習因子，用來調整當前高斯分布，有時ρ取固定值。如果當前像素值與所有的高斯分布都不匹配，那么均值和方差都不變，只對權值進行更新，然后為當前像素分配一個新的權值和方差，更新公式為：

混合高斯模型可以適應場景中緩慢的光線變化，同時對背景中搖晃的樹葉等反復出現的物體可以很好的識別，減小誤檢率。因此本文用混合高斯模型進行背景建模。由于本文對遺留物體進行檢測，如果α取值過大，背景更新過快，遺留物體會很快的更新到背景中，無法進行遺留物檢測。因此，α取盡可能小的值。遺留物的檢測和運動物的檢測不同，運動物體的檢測如果不對每一幀進行檢測，運動速度較快的物體會出現漏檢。而遺留物體不用考慮這個問題，可以對視頻隔k幀檢測一次，這樣節省運算時間，本文選擇k的值為3。

3 遞歸法檢測多個前景物體

形態學處理后的前景圖像包括運動前景和遺留物體，本文采用遞歸法區分運動前景和遺留物體。遞歸法檢測遺留物體的步驟如下：

用質心代表檢測到的前景物體，用此質心和保存的質心進行比較，如果相匹配，就判為是同一物體，在保存的質心相對應的計時器上加常數a，如果不匹配則減常數b。如果此質心和所有保存的質心都不匹配，那么，將此質心保存并分配一個新的計時器，一幀圖像匹配完后將所有的質心按照計時器的值由大到小排列，下次分配計時器時，賦給第一個值為0的計時器。

這樣，同一位置的遺留物體所對應的計時器的值不斷增加，當達到規定的閾值時，進行報警。

4 實驗結果

基于慢高斯的遺留物檢測算法結果如圖2 所示，由圖2可知，此方法可以準確的檢測出遺留物體，并且可以對多個遺留物體分別檢測。

綜上所述，遺留物體檢測是智能視頻監控的重要內容，本文提出了一種比較完整的遺留物檢測算法，準確的檢測出了遺留物，并且可以對多個遺留物進行檢測。接下來要對目標識別方面進行研究，給出準確的遺留物體識別結果。

[參考文獻]

[1]吳明軍，彭先蓉.遺失目標的實時檢測算法.光電工程，2009，36（7）：36-40.

[2]張兆禮.現代圖像處理與Matlab實現.北京：人民郵電出版社，2001： 171-176.

[3]徐玉波，陶海.數字視頻智能化技術的發展和應用.技術與應用， 2008：46-50.

[4]孔曉東.智能視頻監控技術研究.上海交通大學博士學位論文，2008.