基于高斯混合模型的電力倉庫視頻運動目標檢測*

張震宇 董丹慧 馮曙明 楊永成 包 威

（1.江蘇電力信息技術有限公司 南京 210000）（2.南京財經大學 南京 210003）

1 引言

計算機、互聯網等信息技術的快速發展大大改善了現有的視頻監控技術，使其廣泛應用于公安、金融、檔案等重點行業；小區、商場等社區物業管理；公共道路、違章等交通領域管控；變電站、電廠等電力領域的遠程監控［1］。運動目標檢測對于發現異常事件具有關鍵作用，目標檢測也即從視頻序列中獲得動態視頻對象，并提取目標的特征信息。目前視頻監控中運動目標檢測方法主要包括幀差法、光流法和背景減除法等［2］。由于實際應用場景中存在各種各樣的干擾因素，使得目標檢測的準確性受到一定影響，并沒有一個萬能的算法可以適用于所有的場景。因此，選擇合適的檢測算法尤為重要。

在電力行業中，智能視頻監控系統可清晰直觀的監測電力倉庫、電力設備、人員行為等，運動目標檢測算法已被廣泛應用在電力領域，以便及時發現異常行為及事件。趙俊梅等［3］采用GMM模型并結合Blob方法來檢測和跟蹤變電站中的運動物體，并通過實驗證明了該算法的實用性。王青等［4］提出了一種三幀差分法結合背景減除法的改進算法，從而能夠完整、準確地獲取視頻監控中的運動目標信息。亢潔［5］等對傳統的三幀差分法實施改進，利用均值背景與三幀差分算法解決檢測過程中存在的“黑洞”問題。劉一凡［6］等利用融合時空域和頻域的目標檢測算法，對農村變電站安全監測上存在的問題進行了改善。

由于運動目標檢測的效果對后期操作的精度影響重大。因此，本文在綜合比較幀差法、光流法和背景減除法等算法的基礎上，以電力倉庫智能監管系統中的事件檢測為應用場景，選取適用于電力倉庫視頻監控系統場景的GMM算法，對電力倉庫攝像頭位置固定、背景靜止狀態下的運動目標檢測進行了深入的分析研究。

2 目標檢測算法的比較

目前，目標檢測方法［7］較為通用的有光流法、幀間差法和背景差法等。光流法［8］是通過估算光流（含有物體運動信息和結構信息）從而進行檢測分割。光流場具有不連續性，因此能夠用來分割圖像，從而匹配相應的區域，但利用該方法檢測的目標物體存在邊界信息缺失的可能性且易產生碎塊等問題。幀間差法［9］相比與光流法具有運算量小、實現性強等特性，但是受外部環境影響較大，容易導致運動目標的提取不完善，只能提取部分信息，重要細節部分容易丟失，導致“陰影”現象出現。背景差法［10］相較于前兩種方法較為普遍，它通過比較輸入的圖像和背景圖像信息，利用灰度信息對運動目標進行分割。該算法可以實現實時檢測且運算簡單，具有較強的抗干擾能力，此算法的檢測效果主要受選取的參數的影響。因此，綜合比較三種方法的優缺點，選取基于高斯混合模型的背景差法用于電力倉庫應用場景。

3 基于高斯混合模型的運動目標檢測算法

高斯混合模型（Gaussian Mixture Model，GMM）是由Stauffer等［11］提出的經典的自適應背景建模算法。實際應用中，由于無法在排除外界光照的干擾，視頻中像素點的像素值無法設置為固定值，光照所引起的這種變化被證實服從高斯分布［12］。同時由于這種像素值是隨機變化的，所以，高斯背景模型可以用于外界干擾因素較少的情況下。基于GMM的視頻運動目標檢測流程［13］見圖1。

圖1 基于GMM的視頻運動目標檢測設計流程

GMM作為目前應用范圍最廣的一種檢測算法，它將背景模型描述為多個分布模型，符合其中一個分布模型（有樹葉、無樹葉）的像素即為背景像素。GMM建模過程涵蓋模型構建、初始化、更新參數和模型生成等步驟［14］。

3.1 背景模型構建

對于隨機變量X的觀測數據集{x1，x2，x3…xt}，xt=(rt，gt，bt)表示t時刻像素的樣本值，則xt服從高斯分布的概率密度函數［15］如下所示：

3.2 初始化參數

對模型的參數進行初始化操作，模型的均值、方差以及權重皆初始化為0，設T為訓練幀數。開始訓練模型時，設置初始均值，并使權重為1。

3.3 參數更新

將視頻中的像素點去匹配相對應的高斯分布。通過式（4）來判斷t時刻的第i個高斯分布是否與某個高斯函數匹配［16］：

若 滿 足 式（4），則 表 示xi，t與 此 高 斯 分 布η(xt，μi，t，τi，t)匹配，否則，表示不匹配。

如果xi，t與此高斯分布η(xt，μi，t，τi，t)匹配，則用此像素按照式（5）～式（7）更新背景模型。

其中，ρ=αη(xt|μi，σi)；Mi，t用來表示權重的變化，權重更新時，在匹配和不匹配狀態下，Mi，t分別為1和0；α和ρ為更新率，反映了模型適應場景變化的快慢。

如果xi，t與η(xt，μi，t，τi，t)不匹配，則增加一個高斯分布，將權重最小的分布取而代之。從而將xi，t作為新模型的均值，并將其中一個較大的方差和較小的權重進行初始化。其余模型的均值和方差皆不變，根據式（4）更新權重，其中Mi，t=0。

3.4 生成背景模型

當完成指定的幀數T訓練后，開始進行GMM個數自適應的選擇。將權重除以方差，并將模型從大到小排序，依據式（8）選擇前B個模型：

其中，Cf表示在不影響模型的情況下對屬于前景的數據最大部分的度量，通常為0～0.5。

基于此，實行匹配校驗。當最靠前的B個高斯分布可以匹配上xt的任意高斯分布，則表明該點即為背景點；如匹配失敗，則該點為前景運動目標。

4 運動目標檢測結果分析

在電力倉庫中運用視頻監控對目標物體檢測時，首先利用GMM對背景實施建模，并依據訓練結果及時更新模型，從而獲取較為完整、準確的目標。本文實驗環境是基于Windows 7計算機系統，處理器為Intel 4核CPU2.8GHZ、8G RAM，采用Matlab2014軟件進行仿真實驗。實驗時，選取電力倉庫門口處視頻監控圖像序列進行相關操作，視頻分辨率為320*240，實驗視頻數據共1783幀。

幀差法、光流法和高斯混合模型的檢測結果如圖2～圖4所示。由結果圖對比可知，幀差法對運動目標檢測存在，圖片分割比較大、輪廓不清晰及丟失較多動作幅度小的幀畫面的問題；光流法只能檢測到目標的大致輪廓信息，無法識別更為細致的輪廓數據；GMM算法在檢測時，一方面速度快且效率高，并且檢測結果具有較高的實時性，另一方面GMM提供的目標信息更為豐富，目標的輪廓更加完善。

圖2 幀差法檢測結果

圖3 光流法檢測結果

圖4 高斯混合模型檢測結果

三種方法的目標檢測時間和檢測目標個數等見表1。從表1中可知，高斯混合模型檢測時間最短，所能檢測的目標數最多，是綜合性能比較好的方法。

表1 各種方法的檢測時間與檢測目標數對比

5 結語

在電力倉庫視頻監控方面，存在著運動目標的各種行為，為有效檢測電力倉庫視頻中異常事件及行為，本文運用GMM對電力倉庫視頻監控中的運動目標進行檢測，并在Matlab2014軟件下進行了仿真實驗。從實驗結果看，高斯混合模型可以有效獲取較為完整、準確的目標信息，且有一定的時效性。該方法基本滿足電力倉庫視頻監控系統的實時性需求，并為后續電力倉庫運動目標的跟蹤做好基礎。同時，該算法目前還存在一定的不足，在未來的工作中，將會繼續深入改進和完善高斯混合模型，規避該算法帶來的問題。