動態背景下監控視頻的前景目標提取方法研究

摘要：該文針對從具有動態背景的監控視頻中有效提取前景目標問題進行相關研究及建模，根據動態背景對運動目標檢測所產生的影響，首先利用魯棒混合高斯模型對多峰分布背景進行建模，提取動態背景下監控視頻中具有前景目標的前景圖像，接著使用中值濾波和數學形態學中的開運算對所得到的前景圖像進行二次處理，濾掉大部分噪聲，最終得到質量較高的前景目標圖像。通過MArLAB仿真實驗表明，該文提出的方法能夠有效提取動態背景下監控視頻的前景目標。

關鍵詞：動態背景;前景目標提取;混合高斯背景建模;中值濾波;開運算

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2020）20-0207-02

前景目標提取作為監控視頻的處理中信息提取的關鍵技術之一[1]。將真實的運動目標去掉干擾后在視頻中全部提取出來，將為后續的視頻內容處理及分類提供極大的幫助。在進行監控視頻前景目標提取時，視頻場景中所存在的具有不連續特點的動態背景，會造成在提取前景目標時圖像信息的部分丟失，嚴重時將造成誤判的情況。

為實現動態背景下視頻的前景目標提取，Shoichi等人[2]在幀差法的基礎上，利用仿射變換的方法，相鄰兩幀圖像的背景偏移更為直觀地表現出來。Hsieh[3]和Tissainaysgam等人[4]提出了對圖像背景偏移后進行補償并差分計算的方法。李博川等人[5]將HSV空間陰影抑制技術與混合高斯模型相結合，從而實現視頻的前景目標提取。

由于監控視頻中所包含的動態背景信息多為微小重復運動，比如窗簾和樹葉的迎風擺動、湖面上泛起的層層漣漪等，都屬于此類運動的動態背景，為此本文采用魯棒混合高斯模型對有微小重復運動的復雜場景進行背景建模，從而在動態背景中提取出前景信息，對于在檢測監控視頻中誤將動態背景檢測為運動前景從而導致前景提取的二值圖畫面不清晰的情況，使用圖像處理中形態學方面的運算和濾波運算對面面質量進行提升，濾掉存在的噪聲，從而實現前景目標的有效提取。

1混合高斯背景建模

混合高斯模型的基礎，是由于圖像中特征點邊緣的相關抖動（如水面泛起的漣漪、樹葉迎風擺動等）將導致多個中心位置聚集大量的像素點，形成高斯分布。

本文提出的混合高斯背景建模，將一段時間的視頻中大量樣本像素點的概率密度、模式數量、模式均值和標準差等信息進行統計處理，利用樣本的統計信息將圖片背景描述出來，并結合統計差分的方法對目標進行提取。

像素點依據時間的推移，在監控視頻里一系列時序圖像中的變化，是一個隨機產生像素值的過程，其呈現出的顏色是一個隨機變量。本文在利用混合高斯背景模型提取前景目標時，利用高斯分布在個像素點無顏色信息關聯的基礎上，獨立處理每個像素點的顏色信息，描述各像素點單峰或是多峰的顏色規律。利用高斯混合模型訓練視頻中每一幀的圖像，模擬出其背景信息，再將像素點與背景信息進行匹配，從而將代表前景目標的特征像素與背景分割開來。

算法中利用多個高斯分布進行疊加，每個高斯分布具有不同的權重，代表著一種可能呈現的顏色狀態，利用這種多高斯分布疊加的方法，描繪出視頻中每一幀圖像所包含像素點的顏色。像素點的顏色為隨機變量X，其R、G、B三色通道不僅相互獨立還具有相同的方差。利用統計學方法，在T時間段內，對隨機變量X的觀測采樣數據集為{X1，X2，…，XT】，其中t（t∈T）時刻的采樣值為xt=（rt，gt，bt）。Xt的混合高斯分布概率密度公式為：

其中k為分布模型總數，η（xt，μi，t，τi，t）為t時刻第i個高斯分布，μi，t為其均值，τi，t為其協方差矩陣，δi，t為方差，I為三維單位矩陣，ωi，t為t時刻第i個高斯分布的權重。

綜上所述，混合高斯背景建模算法的具體流程描述如下：

（1）將像素點在t時刻的采樣值Xt值與當前K個模型在t-1時刻的均值相減，找到均值偏差在2.5σ內的新像素點作為匹配該分布模型的像素點，其公式如下：

（2）對所匹配的分布模型進行檢測，判定其屬于背景目標或者前景目標。

（3）更新各模式在t時刻的權值，其公式如下，

其中α代表學習速率，表示算法學習速度的快慢，Wk，t表示是否匹配該模式，如匹配則Wk，t=1否則Wk，t=0，接著對每個模式的權重進行歸一化處理。

（4）針對步驟（1）中未與像素匹配的模式，保持其均值和標準差不做改變，將與像素匹配的模式按照如下公式更新其在t時刻的相關參數。

（5）如果在（1）中像素點與K個模式都不匹配，則利用當前狀態下權重最小的模式的均值作為當前像素點的像素值。

（6）將當前狀態下的所有模式按照權重和標準差進行排序，將權重大、標準差小的模式排在前面。

（7）按照如下公式選擇作為背景的模式，其中參數T表示作為背景的模式占當前所有模式的比例。

2開運算和中值濾波

為進一步提高所得到圖像的質量，本文采用開運算結合中值濾波的方法，對利用混合高斯背景模型所提取的前景目標圖像進行二次處理，過濾掉所得圖像中的相關噪聲。

利用數學形態學中的開運算，現將目標圖像進行腐蝕處理，對物體的邊界點進行相關的消除，使得處理后的圖像沿其周邊比腐蝕之前縮小一個像素的面積，接著對圖像進行膨脹處理，將所有與物體接觸的背景像素點融入物體之中，從而讓物體增加相應數量點的面積。本文采用開運算的方法，在不明顯改變原圖像面積的情況下，將原圖像中表示噪聲的像素點進行消除和分離。

中值濾波技術作為一種信號處理方法，可以有效濾除噪音，本文利用中值濾波技術，將提取的前景目標圖像中的元素點利用該元素點規定領域內的各元素點的中值代替。使得圖像中前景目標周的像素點更接近于真實值，進一步消除圖像中存在的噪聲。二維圖像中，中值濾波的輸出公式如下：

其中f（x，y）表示原始圖像，g（x，y）表示處理后的圖像，W為使用的二維模板。

3實驗仿真

為驗證本文所提方法的有效性，提取一組具有動態背景的監控視頻進行前景目標檢測，監控視頻中的動態背景為湖面上的漣漪，仿真實驗在MATLAB 2016上進行。

圖1為原始圖像，由圖2可以看出，使用混合高斯背景建模算法可有效提取除了前景目標，但是由于監控視頻的背景是動態的，所形成的廁面中存在噪聲和白點，由圖3可以看出，利用開運算和中值濾波對圖像進行進一步的處理，可以有效地去除所提取信息中的噪聲和白點。通過仿真實驗，驗證了本文所提出方法的可行性與有效性。

4結語

本文監控視頻的前景目標提取做出了細致的研究，提出了混合高斯背景建模結合開運算與中值濾波的動態背景下監控視頻的前景目標提取方法，并利用MATLAB沒計仿真實驗，驗證了該方法的有效性。

參考文獻：

[1]李強.監控視頻異常行為檢測算法研究[D].合肥：中國科學技術大學，2017.

[2] Araki S，Matsuoka T，Yokoya N，et aI.Real-time tracking ofmultiple moving object contours in a moving camera image se-quence[J]. IEICL Transactions on Information and Systems.2000. E83-D（7）：1583-1591.

[3] Hsieh J W.Fast stitching algorithm for moving ohject detectionand mosaic construction[J]. Image and Vision Computing，2004， 22（4）：291-306.

[4] Tissainayagam P，Suter D.Object tracking in image sequencesusing point features[J]. Pattern Recognition， 2005， 38（1）： 105-113.

[5]李博川，丁軻.結合陰影抑制的混合高斯模型改進算法[J].計算機工程與科學，2016，38（3）：556-561.

【通聯編輯：代影】

收稿日期：2020-04-17

作者簡介：陳明智（1992-），男，湖北宜昌人，助教，主要研究方向為物聯網技術、系統工程。