電力監控系統中運動目標檢測算法研究

王 青， 楊耀權

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

0 引言

隨著我國經濟的蓬勃發展，社會的不斷進步，人們開始更多地關注其生活、工作環境中的安全問題。智能視頻監控系統應運而生，并在安防領域、軍事領域、交通領域以及醫學領域得到了廣泛地應用[1]。在安全事故易發的電力行業，視頻監控系統可用于特定區域的非法入侵、周界防范檢測，以保障變電站、發電站等的公共安全；通過對危險的設備倉庫進行警戒線穿越檢測、報警，以保障工作人員的人身安全；對輸電線進行破損、下墜檢測，防止破損的輸電線引燃周邊野草，造成不必要的人員傷亡和經濟損失等。

運動目標檢測算法的準確性一直是國內外學者研究的重點。在電力監控系統中，常見的目標檢測算法[2～4]主要有：幀間差分法和背景減除法。針對這兩種主流目標檢測算法的局限性，科研人員提出了一系列改進算法。文獻[5]通過依次提取背景減除法與幀間差分法的運動前景，并將二者進行邏輯“或”運算，避免了目標檢測中“孔洞”和“鬼影”的產生。文獻[6]通過將幀間差分法與高斯混合模型相結合，消除了實際場景中噪聲、光線變化等因素對目標檢測的影響，提高了目標檢測的準確度。文獻[7]將幀間差分法引入ViBe背景建模算法，用以快速消除目標檢測中的鬼影現象，使得檢測結果更加精確。文獻[8]通過判定視頻序列各個像素點的運動情況，建立理想的背景模型，用以降低局部運動、噪聲等對目標檢測精度的影響。

目前，電力監控系統中運動目標檢測算法的研究已相對成熟，能夠滿足人們的基本需求。但是，現實應用場景中的光線明暗、背景變化、目標間遮擋以及周圍環境存在的噪聲等都會對目標檢測的準確性產生不利影響。針對上述存在的問題，提出了一種改進的運動目標檢測算法。首先使用Canny邊緣檢測算子，對經典三幀差分法進行改進；然后，將該方法的檢測結果與基于混合高斯模型的背景減除法的檢測結果相或，從而實現目標檢測。通過進行仿真實驗，驗證了該改進算法用于提取電力監控系統中運動目標的有效性與實用性。

1 理論分析

1.1 幀間差分法

幀間差分法[9]主要通過分析比較視頻序列里連續幾幀圖像間的差異，對運動目標的存在與否進行判斷：假若視頻序列里從未出現運動物體，則幀與幀之間的差異幾乎為零；當視頻序列里出現運動物體時，運動物體所處的位置在幀與幀之間會存在較大差異，依據此原理可實現運動目標檢測。其中，三幀差分法的應用最為廣泛，該方法通過依次選取視頻里的3幀圖像，并對其進行兩兩差分處理，可以去除運動目標在視頻相鄰幀間的顯露部分，使提取出來的目標輪廓更為精確。具體實現步驟如下：

(1)依次選取視頻序列里連續的3幀圖像，并對選取的圖像進行灰度化處理，得到灰度圖像fk-1(x,y)，fk(x,y)和fk+1(x,y)。

(2)對鄰近的每組灰度圖像進行兩兩差分處理，得到差分圖像dk(x,y)與dk+1(x,y)。公式描述如下：

dk(x,y)=|fk(x,y)-fk-1(x,y)|

(1)

dk+1(x,y)=|fk+1(x,y)-fk(x,y)|

(2)

(3)選擇一個合適的閾值T，將步驟(2)中得到的差分圖像二值化，獲得對應的二值圖像Bk(x,y)與Bk+1(x,y)。

(3)

(4)

(4)將Bk(x,y)和Bk+1(x,y)進行邏輯“與”運算，從而得到運動目標Rk1(x,y)。

(5)

1.2 背景減除法

背景減除法的基本思想[10，11]是：首先，依次讀取視頻序列中的每一幀圖像，并將當前幀fk(x,y)和更新后的背景幀bk-1(x,y)相減，獲取差分圖像dk(x,y)；然后，選擇合適的閾值T，對dk(x,y)進行閾值分割，得到二值圖像Rk2(x,y)，經過一系列形態學處理， 從而實現運動目標檢測。 公式描述如下：

dk(x,y)=|fk(x,y)-bk-1(x,y)|

(6)

(7)

背景減除法適用于固定場景中運動目標的檢測，檢測的準確性會受到現實場景中的光線明暗、背景變化等因素的影響。因此，該算法的難點在于建立和維護理想的背景模型，即算法在實現過程中需要對背景圖像進行實時更新。

目前，比較常見的背景建模方法[12]主要包括：中值背景建模、均值背景建模、單高斯分布模型以及混合高斯分布模型。鑒于混合高斯模型對于復雜的應用場景具有良好的適應能力，所以本文將采用該方法對背景圖像進行實時更新。混合高斯背景建模的步驟[13-16]如下所示：

(1)模型初始化。根據所選取視頻序列中第一幀圖像的信息，將混合高斯模型的參數初始化。

(2)匹配判定。按照公式(8)，將t時刻的像素值It，分別和已經建立的K(一般取值3～5)個高斯模型進行匹配，假使符合匹配條件，就判定該點是背景點。

|It(x,y)-μi,t-1(x,y)|<2.5σi,t-1(x,y)

(8)

式中：μi,t-1和σi,t-1分別為第i個高斯分布在t-1時刻的均值和標準差。

μi,t=(1-α)μi,t-1+αIt

(9)

(10)

ωi,t=(1-α)ωi,t-1+α

(11)

(4)如果新像素與任何模型均不匹配，則進行下述操作：如果此刻模型的數目已經到達所允許的最大數目，則刪掉模型集合中重要性最小的單模型；反之，則增加一個新模型。

(5)待模型參數更新完畢后，將各個像素點的K個模型遵循優先級ωi,t/σi,t，由大到小依次羅列，并將前B個模型稱作背景圖像的最佳描述。公式描述如下：

(12)

式中：T1的取值范圍為0.5

(6)根據公式(8)，分別將It與得到的B個最佳描述依次匹配，假若匹配成功，就判定該像素是背景點，反之判定其為前景點。

2 本文算法

本文提出的改進算法的具體實現主要包括2個步驟：第一，引入Canny邊緣檢測算子對經典三幀差分法進行改進，以提取運動目標的完整輪廓；第二，將該改進算法和背景減除法進行融合。

2.1 改進的三幀差分法

經典三幀差分法雖然能夠快速地將電力監控系統中的運動目標輪廓提取出來，但是，使用該算法提取出來的運動目標依然存在著邊緣不清晰、輪廓不連續的問題。針對該算法的局限性，引入Canny邊緣檢測算子對其進行改進，具體實現如下：

(1)利用經典三幀差分法獲得兩張差分圖像dk(x,y)與dk+1(x,y)。

(2)計算差分圖像的灰度平均值圖像Gk(x,y)；選擇閾值T,對其進行閾值分割，得二值圖像Bk1(x,y)。公式描述如下：

(13)

(14)

(3)依次對前2幀視頻圖像進行Canny邊緣提取，得到2張邊緣圖像Ck-1(x,y)和Ck(x,y)。

(4)將2張邊緣圖像邏輯“異或”運算，獲得異或圖像Xk(x,y)。

Xk(x,y)=Ck-1(x,y)Ck(x,y)

(15)

式中：?表示異或運算符。

(5)將異或圖Xk(x,y)與二值圖Bk1(x,y)邏輯“與”運算，并將運算結果進行腐蝕、膨脹等一系列形態學處理，最終得到目標輪廓Ck(x,y)。

Ck(x,y)=Xk(x,y)∩Bk1(x,y)

(16)

雖然改進的三幀差分法提取出來的目標輪廓比較清晰、完整，但是該改進算法依然存在著傳統幀差法的缺陷，即檢測出來的目標會出現“空洞”現象。所以，本文將在該改進算法的基礎之上，結合背景減除法，最終實現電力監控系統中運動目標的檢測。

2.2 改進的運動目標檢測算法

針對傳統幀間差分法只能夠檢測出運動目標的大體輪廓，而背景減除法的具體實現依賴于理想模型的建立的缺點，為了提高目標檢測的準確性與完整性，消除單獨使用這兩種算法存在的缺陷，提出一種改進的運動目標檢測算法。

改進算法的基本思想是：依次使用本文提出的結合邊緣檢測的三幀差分法和基于混合高斯模型的背景減除法對視頻序列進行處理，得到運動目標的邊緣圖像Ck(x,y)和前景圖像Rk2(x,y)；然后，將這2張圖像進行邏輯“或”運算，得到二值圖像Rk(x,y)；最后，對二值圖像進行包括腐蝕、膨脹以及孔洞填充在內的一系列形態學處理，從而提取出運動目標。公式描述如下：

Rk(x,y)=Ck(x,y)∪Rk2(x,y)

(17)

3 實例分析

為了驗證改進的運動目標檢測算法的有效性，本文選取采集自某電廠10 kV配電室的一段視頻作為測試視頻。

仿真實驗是在Window10操作系統中、Microsoft Visual Studio 2013開發環境下進行的。仿真實驗的內容包括：依次使用經典三幀差分法、結合Canny邊緣檢測的三幀差分法、基于混合高斯模型的背景減除法以及本文提出的改進的運動目標檢測算法對采集的測試視頻進行處理，并將運動目標提取出來。實驗仿真結果如圖1所示。

圖1 不同算法的檢測結果

通過分析圖1(b)的實驗仿真結果，可以得出，使用經典三幀差分法只能夠提取出運動目標的大體輪廓。比較圖1(b)的2幅圖像，能夠發現左圖檢測到的目標輪廓明顯比右圖更加清晰、完整，這是因為當運動目標所處位置在視頻序列連續幾幀中變化相對明顯時，使用該算法可以比較完整地將目標輪廓提取出來；當運動目標在視頻序列連續幾幀圖像中存在大量重疊區域時，使用該算法提取的目標輪廓會存在很多不連續點。

圖1(c)是使用改進的三幀差分法獲得的仿真實驗結果。由于該方法是在求得灰度平均值圖像的基礎上進行的閾值分割，并且引入了Canny邊緣檢測，所以提取出來的輪廓比較清晰。通過比較圖1(b)和圖1(c)的實驗仿真結果可以得出，使用改進的三幀差分法對測試視頻中的運動目標進行提取，能夠將目標輪廓較清晰、完整地提取出來，克服了使用經典三幀差法提取出的運動目標存在輪廓不明顯、邊緣不清晰的問題。

圖1(d)是使用基于混合高斯模型的背景減除法得到的實驗仿真結果。該方法通過使用混合高斯模型對背景圖像進行實時更新，在理想環境下能夠實現運動目標的完整提取；然而在復雜的實際應用場景中，往往不能及時反映現實場景的變化，容易將物體運動過程中產生的背景顯露區域檢測為前景，導致提取出來的運動目標出現“拖影”現象，經過一系列形態學處理后，會使得運動目標的部分形體缺失。通過將圖1(d)與圖1(b)、圖1(c)比較，可以得出：使用該方法提取出來的運動目標雖然比較完整，但是由于目標“拖影”經形態學處理掉了，使得目標的整體輪廓并不完整。

圖1(e)是使用本文算法得到的仿真實驗結果。該方法通過將圖1(c)和圖1(d)的檢測結果進行“或”運算，然后對運算結果進行孔洞填充等形態學處理，使得所提取的目標完整、輪廓清晰。將圖1(e)與圖1(c)的檢測結果進行比較，該方法彌補了單獨使用改進的三幀差分法，得到的目標存在“空洞”的缺陷；將圖1(e)與圖1(d)進行比較，該方法克服了單獨使用背景減除法，獲取的目標不完整的問題；通過進行孔洞填充，彌補了單純將2者進行“或”運算得到的目標內部存在一些孔洞的問題。

3 結論

本文首先引入Canny邊緣檢測算子對經典三幀差分法進行改進，彌補了經典三幀差分法對于運動過快或過慢的物體，檢測出來的結果往往存在著邊緣不清晰的缺陷的問題，能夠將目標輪廓清晰、完整地提取出來；將改進后的三幀差分法和基于混合高斯模型的背景減除相融合，既可以克服三幀差分法提取出來的運動目標存在“空洞”的問題，又能夠彌補傳統混合高斯模型自適應性差、檢測出來的目標不完整的缺點。仿真實驗結果表明，改進的算法能夠適應復雜的環境，將電力監控系統中的運動目標準確、完整地提取出來，并為之后電力安全防護系統的構建打下基礎。

參考文獻：

[1] 韓興平, 王飛, 許自綱. 數字視頻監控技術在電力系統中的應用[J]. 電力科學與工程, 2008, 24(9): 55-58.

[2] 柯天兵, 李永倩. 電力系統視頻監控中目標檢測與跟蹤算法研究[J]. 電力科學與工程, 2014, 30(1): 42-46.

[3] 代科學, 李國輝, 涂丹, 等. 監控視頻運動目標檢測減背景技術的研究現狀和展望[J]. 中國圖象圖形學報, 2006, 11(7): 919-927.

[4] BARNICH O, DROOGENBROECK M V. ViBe: a universal background subtraction algorithm for video sequences[J]. IEEE Transactions on Image Processing, 2011, 20(6): 1709-1724.

[5] 劉玉婷, 席慶彪, 劉慧霞. 一種基于幀間差的快速UAV運動目標檢測方法[J]. 計算機仿真, 2014, 31(7): 36-40.

[6] 蘇劍臣, 李策, 楊峰. 基于邊緣幀差和高斯混合模型的行人目標檢測[J]. 計算機應用研究，2018(3)：1-2.

[7] 魏洪濤, 李瑾, 吳細秀. 融合幀差和ViBe的運動目標檢測算法[J]. 計算機應用研究, 2017, 34(5): 1565-1567.

[8] 劉仲民, 何勝皎, 胡文瑾, 等. 基于背景減除法的視頻序列運動目標檢測[J]. 計算機應用, 2017, 37(6): 1777-1781.

[9] 陳寶遠, 霍智超, 陳光毅, 等. 一種改進的三幀差分運動目標檢測算法[J]. 應用科技, 2016, 43(2): 10-13.

[10] 杜倩. 安防監控中的視頻分析技術研究[D]. 北京: 華北電力大學, 2012.

[11] 周同雪, 朱明. 視頻圖像中的運動目標檢測[J]. 液晶與顯示, 2017, 32(1): 40-47.

[12] 張應輝, 劉養碩. 基于幀差法和背景差法的運動目標檢測[J]. 計算機技術與發展, 2017, 27(2): 25-28.

[13] 范文超, 李曉宇, 魏凱, 等. 基于改進的高斯混合模型的運動目標檢測[J]. 計算機科學, 2015, 42(5): 286-288.

[14] CUI W P, SHEN J Z. Moving target detection based on improved Gaussian mixture model[J]. Computer Technology and Development, 2012, 37(4): 118-124.

[15] 郭偉, 高媛媛, 劉鑫焱. 改進的基于混合高斯模型的運動目標檢測算法[J]. 計算機工程與應用, 2016, 52(13): 195-200.

[16] 華媛蕾, 劉萬軍. 改進混合高斯模型的運動目標檢測算法[J]. 計算機應用, 2014, 34(2): 580-584.