煙火視頻序列的混合高斯模型利弊探討

張儒良 李金蘭 饒彥

摘要：煙火視頻序列背景模型的質量直接影響到火災監控的準確性，煙火初起階段與發展階段是火災監控的關鍵時間環節，目前以視頻序列背景模型利弊分析為主題的文章較少。本文首先針對煙火視頻序列建立混合高斯模型，然后利用幀間差提取動目標區域，最后，對影響混合高斯模型質量的更新率進行實驗分析。實驗結果表明，在煙火初起期、發展期固定環境下，混合高斯背景更新與幀間差相結合的方法能有效地提取出動目標區域。實驗也表明，更新率值過大或者過小時，直接導致動目標區域提取不準確。若更新率值過小，背景模型更新較慢，造成背景區域誤判為動目標，動目標區域出現拖影問題。若更新率過大，背景模型更新較快，運動速度緩慢或暫時停滯的目標會被誤檢測為背景，動目標區域會出現空洞現象。

關鍵詞：煙火視頻；混合高斯模型；幀間差；更新率

中圖分類號：TP3 文獻標識碼： A

0 引言

煙火視頻序列背景更新在火災監控過程中具有重要的作用，煙火視頻序列背景模型的質量直接影響火災監控的準確性。目前在各類雜志報告中已見到視頻序列背景更新方法[1-9]，這些方法都在火災監控或者其它領域獲得了可觀的應用效果，然而，目前以視頻序列背景模型利弊分析為主題文章的研究文獻卻仍顯薄弱。基于這一現實狀況，本文首先針對煙火視頻序列建立混合高斯模型，然后利用幀間差提取動目標區域，最后，對影響混合高斯模型的更新率進行實驗分析。實驗結果表明，在煙火初起期、發展期固定環境下，混合高斯背景更新與幀間差相結合的方法能有效地提取出動目標區域。實驗也進一步表明，更新率值過大或者過小時，將會直接導致動目標區域提取不準確。若更新率值過小，背景模型更新較慢，造成背景區域誤判為動目標，動目標區域出現拖影問題。若更新率過大，背景模型更新較快，運動速度緩慢或暫時停滯的目標會被誤檢測為背景，動目標區域會出現空洞現象。

4 結束語

本文對煙火視頻序列的混合高斯模型進行探討，首先對煙火視頻序列建立混合高斯模型，然后利用幀間差提取動目標區域，實驗表明，該方法當高斯個數N與更新率α在一定的范圍之內能有效地提取動目標區域。另外，對公式（1）中的高斯個數N與公式（4）中更新率α的值給出實驗分析，由結果可知，高斯個數N與更新率α的值的大小直接會影響動目標區域提取的效果。

未來的工作是針對煙火視頻序列進一步研究自適應混合高斯模型。

參考文獻：

[1]鄭懷兵，翟濟云. 基于視頻分析的森林火災煙霧檢測方法[J].南京理工大學學報，2015，39（6）：686-691，710.

[2]邱聯奎，劉啟亮，趙予龍，等. 混合高斯背景模型目標檢測的一種改進算法[J].計算機仿真，2014，31（5）： 378-384，392.

[3]何亮明，覃榮華，鞏思亮，等. 動態場景中的改進混合高斯背景模型[J].計算機工程， 2012，38（8）：10-12，15.

[4]張運楚，宋世軍，張汝敏，等.高斯混合背景模型的適應能力研究[J].計算機應用， 2011，31（3）： 706-710.

[5]劉鑫，劉輝，強振平，等.混合高斯模型和幀間差分相融合的自適應背景模型[J].中國圖象圖形學報， 2008，13（4）： 729-734.

[6]ZHAO Yaqin， LI Qiujie， GU Zhou. Early smoke detection of forest fire video using CS Adaboost algorithm[J]. Optik - International Journal for Light and Electron Optics， 2015，26（9）：2121-2124.

[7]HUANG Yinglai， TIAN Shaoqing， SUN Xiaofang. An Automatic Recognition Method Based on Gray Bit Plane for Forest Fire Smoke Feature[J]. Journal of Northeast Forestry University， 2013，57（8）：155-159.

[8]WANG S J， DAH-LIH J， TSAI M T. Early Fire Detection Method in Video for Vessels[J]. Journal of Systems and Software. 2009， 82（4）：656-667.

[9]XU Fangming， LU Guanming. Moving object detection based on ameliorative surendra background update algorithm[J]. Shanxi Electronic Technology， 2009，37（5）：39-40.

[10]STAUFFER C， GRIMSON W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000，22（8）：747-757.