基于目標分割與行為預警的視頻智能監(jiān)控?

郝平

（陜西工業(yè)職業(yè)技術(shù)學院咸陽712000）

基于目標分割與行為預警的視頻智能監(jiān)控?

郝平

（陜西工業(yè)職業(yè)技術(shù)學院咸陽712000）

為了解決當前視頻監(jiān)控技術(shù)由于環(huán)境復雜多變，導致視頻運動目標檢測有誤的問題，論文提出了基于相鄰幀差與背景差分的視頻監(jiān)控與智能實時分析算法。首先，融合相鄰幀差算法與背景差分算法，建立視頻目標分割算子。然后根據(jù)異常行為事件視頻圖像特征，設(shè)立異常特征閾值，建立報警監(jiān)控機制。最后，基于C#語言與Aforge.NET開源庫，開發(fā)實現(xiàn)論文算法的智能監(jiān)控。實驗測試結(jié)果顯示：與當前視頻監(jiān)控技術(shù)相比，在面對目標成像規(guī)律不穩(wěn)定時，論文算法擁有更高的監(jiān)控判斷準確度。

相鄰幀差；背景差分；視頻監(jiān)控；圖像特征；Aforge.NET

Class NumberTP391

1 引言

隨著社會的發(fā)展，人們的生活越來越好，對經(jīng)濟的服務(wù)需求也日益增長，而ATM機更是極大地方便了群眾，但同時也有著極大的安全隱患，一直以來，銀行都是安全技術(shù)防范發(fā)展的要害部位，也是國家重點安全防范和高風險單位，在銀行周邊布防監(jiān)控是非常普遍和必要的，尤其是對ATM機周邊［1～2］。傳統(tǒng)的ATM視頻監(jiān)控采用人工讀取的方法，以便在事后對錄制下來的視頻進行取證，從而排查事件糾紛、破獲針對ATM的犯罪案件［3～4］。但是，這樣一來，只能實現(xiàn)事后取證，就有可能錯失解決事件的最好時機，而且有些事件如待發(fā)生后再解決，不僅費時費力，即使能夠找到證據(jù)，造成的損失也可能無可挽回。根據(jù)調(diào)查分析，ATM監(jiān)控錄像中也存在大量的冗余信息，這些冗余信息既增加了存儲資源的消耗，還給后續(xù)工作人員對錄像進行回放分析帶來了困難和時間上的消耗。如何應(yīng)用智能監(jiān)控技術(shù)保證ATM運行安全，變被動防守型的事后取證為主動防御型預警，已成為當今金融自助服務(wù)領(lǐng)域亟待解決的問題。

在智能監(jiān)控方面，國內(nèi)研究人員已經(jīng)將計算機視覺技術(shù)引入到該領(lǐng)域中，對其展開研究，如張?zhí)?］提出了視頻監(jiān)控中人員翻越行為檢測算法，采用“目標檢測-人員跟蹤-軌跡分析”的流程，將混合高斯模型得到的前景區(qū)域與KLT光流法得到的特征點運動信息結(jié)合起來，提出了一種新型跟蹤算法，該算法僅使用圖像的灰度信息作為輸入，一定程度上能夠適應(yīng)目標形變及遮擋，達到智能監(jiān)控的目的。但是，此技術(shù)依靠準確的前景模型，在監(jiān)控拍攝環(huán)境變化大且速度快時，往往影響了監(jiān)控分析功能。葉愛萍［6］提出了智能監(jiān)控系統(tǒng)在汽車生產(chǎn)線上的應(yīng)用系統(tǒng)，于IFCM聚類算法的自適應(yīng)背景建模與更新方法，對像素灰度取值進行無監(jiān)督聚類，自適應(yīng)選取不同個數(shù)的聚類構(gòu)建各像素背景模型，隨場景變化進行聚類修改、添加和刪除以完成背景自動更新；聯(lián)合背景差分信息、三幀差分信息和空間鄰域信息的前景檢測方法，達到了智能監(jiān)控的目的。然而，這種技術(shù)依賴視頻目標與背景的強對比度，在對比度不高或背景復雜時，往往不能精確智能分析監(jiān)控視頻。

對此，為了在環(huán)境復雜多變的條件下提高智能監(jiān)控技術(shù)的準確度，本文提出了基于相鄰幀差與背景差分的智能監(jiān)控分析算法，通過分析連續(xù)幀差算法原理，保存前后相鄰圖像并相減，判斷差值是否大于設(shè)定閾值，實現(xiàn)對視頻有無運動目標的檢測。然后，在此基礎(chǔ)上，再建立圖像背景模型，進行圖像背景差分運算，進一步準確檢測運動目標并分割，提取特征信息（面積、周長等）。最后，基于C#語言與Aforge.NET編程，測試了本文算法的監(jiān)控精度。

2 本文智能監(jiān)控分析算法

本文算法流程見圖1。首先，對視頻圖像幀進行讀取與保存，利用相鄰幀差分模型，即前后兩幀圖像相減，以圖像差值的閾值，判斷是否有快速移動或者可疑的目標存在。并結(jié)合高斯混合背景模型，建立圖像背景模型，進行前景圖像與背景之間的差分運算，提取前景目標即運動目標，分割出對象，根據(jù)對象分割結(jié)果的屬性，判斷當前監(jiān)控視野內(nèi)是否正常。由于ATM監(jiān)控中異常事件，往往是在單位區(qū)域內(nèi)運動目標過多，導致面積周長過大，故以此作為評價監(jiān)控正常與否依據(jù)，即檢測目標周長面積過大時系統(tǒng)報警，反之系統(tǒng)正常。如圖2所示，監(jiān)控視野的環(huán)境內(nèi)容較多，背景復雜。本文算法的目的就是要從此類背景中檢測出運動目標。

圖1本文機制架構(gòu)

圖2背景圖像

2.1 基于相鄰幀差的運動目標檢測

為了分割出監(jiān)控視頻中運動目標，引入基于相鄰幀差方法，通過對視頻圖像序列中相鄰兩幀作差分運算，比較兩幀圖像對應(yīng)像素點灰度值的不同，從而獲得運動目標輪廓的方法，當監(jiān)控場景中出現(xiàn)物體運動時，兩幀之間就會出現(xiàn)比較明顯的差別，可以得到兩幀圖像像素點差的絕對值，由此進一步通過判斷它是否大于所設(shè)定的閾值，來分析視頻或圖像序列中運動目標的特性，從而確定視頻圖像序列中有無運動物體，其檢測過程見圖3。

圖3相鄰幀算法流程

運動目標的存在使得視頻圖像中不同幀像素存在局部的明顯差異。相鄰幀間差法是在將兩個或多個相鄰幀作差分運算，獲得差分圖像后進行二值化處理，然后與某個閾值進比較，以獲得運動目標區(qū)域：

式中，fi(x，y)與fi+1(x，y)為i與i+1時刻采集到的圖像幀，bi(x，y)與bi+1(x，y)為i與i+1時刻的背景圖像數(shù)據(jù)，mi(x，y)與mi+1(x，y)為i與i+1時刻的目標數(shù)據(jù)，ni(x，y)與ni+1(x，y)為i與i+1時刻的噪聲數(shù)據(jù)。

再根據(jù)前后兩張圖像幀，建立如下幀差模型：

式中，di+1(x，y)為相鄰兩幀圖像幀差，當差值大于某閾值時，判定為運動目標：

式中pi+1(x，y)為幀差檢測結(jié)果，1代表發(fā)現(xiàn)運動目標，0代表未有運動目標出現(xiàn)，t為幀差閾值。

本文首選采用幀差算法檢測是否有可疑運動目標出現(xiàn)，然后再用背景差分分割目標，這樣既提高了分割檢測準確度，同時提高了系統(tǒng)效率。如圖4所示，圖中運動目標為一男子，即本相鄰幀算法檢測出的運動目標。本節(jié)算法流程如圖4所示。

圖4監(jiān)控畫面

2.2 基于背景差分的運動目標分割分析

完成運動目標檢測，本文采用背景差分技術(shù)進一步對目標進行精確分割，見圖5。首先，為視頻圖像序列建立背景模型，提取不含運動目標的參考背景，通過將當前視頻圖像幀和參考背景進行比較或者減法運算，由于運動目標和背景在灰度或色彩上存在較大差別，每一像素點的像素差值和預先設(shè)定的閾值比較，結(jié)果大于設(shè)定閾值時，則判定有運動目標，即確定出亮度較大的區(qū)域，即認為是前景區(qū)域。首先，建立高斯模型［7～8］：

式中，μ代表該樣本點高斯概率分布的均值，Σ代表協(xié)方差矩陣，接著對模型值η歸一化處理得wk。建立好K個高斯模型之后，取前b個高斯模型的值進行求和，如果滿足式（6），則認為能夠提取到背景模型Background：

其中，T表示閾值，對于不同的應(yīng)用場景可以選擇不同大小的閾值。

如果應(yīng)用場景比較復雜，則用于建模的高斯模型數(shù)量較多，那么就應(yīng)該設(shè)置相對較大的閾值。反之，則應(yīng)該設(shè)置相對較小的閾值。完成背景差分模型建立，即可進行前景目標提取計算：

其中，Image(i，j)表示的是視頻序列中的第k幀圖像位置為第i行j列的像素點的灰度值，Back?ground表示的是其對應(yīng)的背景圖像，Difference表示提取到的前景圖像，Result表示前景圖像經(jīng)過閾值范圍判定后形成的二值圖像。如果前景圖像某位置的像素點的灰度值在閾值范圍內(nèi)，則認為此像素點為背景像素，否則為前景像素［9～10］。

以圖4為目標，利用背景差分技術(shù)對其完成分割，結(jié)果如圖6，依圖可知，本文算法準確的分割出運動目標。

圖5相鄰幀算法流程

圖6分割檢測結(jié)果

3 實驗與討論

為了體現(xiàn)本文算法的優(yōu)勢，將監(jiān)控視頻分割檢測性能較好的技術(shù)：文獻［5～6］設(shè)為對照組，并基于VS2010平臺C#語言開發(fā)實現(xiàn)，算法實驗參數(shù)如：正常運動目標面積（324），正常運動目標周長（231），運動速度（2m/s）。

本文采用相鄰幀差分和背景差分相耦合的檢測算法。本文將相鄰幀差分用于檢測有無，背景差分用于目標分割與分析，提取出目標面積、周長、運動速度，由于ATM監(jiān)控中異常事件，往往是在單位區(qū)域內(nèi)運動目標過多，導致面積周長過大，故以此作為評價監(jiān)控正常與否依據(jù)。最終實現(xiàn)對監(jiān)控視頻中異常行為的檢測，達到智能監(jiān)控的目的。本文算法開發(fā)的系統(tǒng)界面見圖7，該界面提供了“視頻采集與保存”、“異常識別”、“人員統(tǒng)計”。

圖8為監(jiān)控下的實時視頻。如圖9所示，為本算法對異常情況的檢測結(jié)果，可見準確地檢測出異常并報警，同時標注出智能分析后的異常區(qū)域。

而利用對照組文獻［5］技術(shù)處理圖8時，由于此技術(shù)依靠準確的前景模型，在監(jiān)控拍攝環(huán)境變化大且速度快時，往往影響了監(jiān)控分析功能，如圖10所示，對異常情況未能檢測出并報警。

利用對照組文獻［6］技術(shù)處理圖8時，由于依賴視頻目標與背景的強對比度，在對比度不高或背景復雜時，往往不能精確智能分析監(jiān)控視頻，如圖11所示，雖檢測出異常情況并報警，但對異常行為區(qū)域識別失誤，未能達到準確智能分析視頻的目的。

圖7監(jiān)控系統(tǒng)界面

圖8監(jiān)控實時界面

圖9本文檢測結(jié)果

圖10文獻［5］檢測結(jié)果

圖11文獻［6］檢測結(jié)果

4 結(jié)語

為了解決當前視頻監(jiān)控系統(tǒng)由于環(huán)境復雜多變，導致視頻智能分析有誤的問題，工件定位不準確導致移栽錯誤的問題，本文設(shè)計了基于相鄰幀差分與圖像背景差分的監(jiān)控視頻智能分析算法，實現(xiàn)對視頻圖像的序列保存讀取、相鄰幀相減、圖像背景建立、背景差分、前景提取分割和屬性智能分析。實驗結(jié)果表明：與監(jiān)控智能分析技術(shù)相比，在需要保證抗背景干擾且多變的需求下，本文方法具有更好的處理識別精度，為ATM智能監(jiān)控的實現(xiàn)提供了技術(shù)保障。

［1］吳群.現(xiàn)代智能視頻監(jiān)控研究綜述［J］.計算機應(yīng)用研究，2016，11（17）：196-199.

［2］Antonio C.Nazare Jr.，William Robson Schwartz.A scal?able and flexible framework for smart video surveillance［J］.Computer Vision and Image Understanding，2016，144（12）：801-809.

［3］Sung Chun Lee，Ram Nevatia.Hierarchical abnormal eventdetectionbyrealtimeandsemi-realtimemulti-tasking video surveillance system［J］.Machine Vi?sion and Applications，2014，25（1）：133-143.

［4］彭臻，王田，李晨陽.采用蟻群算法的移動攝像頭探訪規(guī)劃［J］.華僑大學學報（自然科學版），2014，8（5）：533-536. PENG Zhen，WANG Tian，LI Chengyang.Mobile camera using ant colony algorithm to visit the planning［J］.Jour?nal of Huaqiao University（Natural Science Edition），2014，8（5）：533-536.

［5］張?zhí)?周界視頻監(jiān)控中人員翻越行為檢測算法［J］.西安交通大學學報，2016，21（21）：283-287. ZHANG Tai.Personnel perimeter video surveillance over the behavior detection algorithm［J］.Journal of Xi'an Jiao Tong University，2016，21（21）：283-287.

［6］葉愛萍.智能監(jiān)控系統(tǒng)在汽車生產(chǎn)線上的應(yīng)用［J］.制造業(yè)自動化，2016，17（12）：47-50. YE Aiping.Application of intelligent monitoring system in automobile production line［J］.manufacturing automation， 2016，17（12）：47-50.

［7］尹雷.基于異構(gòu)多核嵌入式平臺的視頻監(jiān)控系統(tǒng)［J］.微電子學與計算機，2016，16（4）：181-185. YIN Lei.Based on heterogeneous multi-core embedded platform of video surveillance system［J］.Microelectronics and computer，2016，16（4）：181-185.

［8］Bo Zhang，Zhongfu Ye，Xu Xu.An improved method of spectrum extraction based on 2-D Gauss model for LA?MOST［J］.The Scientific World Journal，Experimental As?tronomy，2013，36（2）：1-19.

［9］LiYao，MiaogenLing，J.Shu.AnImprovedMix?ture-of-Gaussians Background Model with Frame Differ?ence and Blob Tracking in Video Stream［J］.The Scientif?ic World Journal，2014，12（7）：1012-1021.

［10］Shiping Zhu，Zhichao Guo，Li Ma.Shadow removal with background difference method based on shadow position and edges attributes［J］.EURASIP Journal on Image and Video Processing，2012，2（1）：1-15.

Video Intelligent Monitoring Based on Object Segmentation and Behavior Warning

HAO Ping
（Shanxi Polytechnic Vocation College，Xianyang712000）

In order to solve the problem that the current video surveillance system is complex and changeable，the video intel?ligent analysis is wrong，the video surveillance and intelligent analysis real-time system based on adjacent frame difference and background difference is proposed in this paper.Firstly，based on the analysis of the principle of adjacent frame difference algorithm and background subtraction algorithm，the advantages of the two algorithms are analyzed，and the video object segmentation algo?rithm is established.Then，according to the characteristic of the abnormal behavior event video image，set up the abnormal charac?teristic threshold，set up the alarm monitoring mechanism.Finally，based on the C#language and the Aforge.NET open source li?brary，the development and implementation of this algorithm and system.Experimental results show that：compared with the current video surveillance system，in the face of the target imaging law is not stable，the algorithm has a higher monitoring accuracy.

adjacent frame difference，background subtraction，video surveillance，image feature，Aforge.NET

TP391

10.3969/j.issn.1672-9722.2017.07.019

2017年1月7日，

2017年2月26日

郝平，男，碩士，講師，研究方向：視頻監(jiān)控、信息技術(shù)、嵌入式技術(shù)及應(yīng)用。