本發(fā)明涉及一種實(shí)時智能視頻監(jiān)控系統(tǒng)中的應(yīng)用，具體涉及一種實(shí)時智能視頻監(jiān)控系統(tǒng)中靜止目標(biāo)檢測方法。

背景技術(shù)：

靜止目標(biāo)在實(shí)時視頻監(jiān)控系統(tǒng)中是重要的監(jiān)控目標(biāo)，對于保護(hù)人類生命財(cái)產(chǎn)、維護(hù)社會公共秩序有著重要的影響。靜止目標(biāo)在實(shí)時智能視頻監(jiān)控系統(tǒng)中指原本場景中沒有而之后進(jìn)入場景中并且停留超過一定時間的物體。

目前基于背景差分的目標(biāo)檢測方法，在實(shí)時監(jiān)控中運(yùn)用較廣泛。背景差分法一般先建立背景模型，然后利用背景模型和視頻序列差分得到前景目標(biāo)。利用混合高斯背景建模能夠較好的建立背景模型及提取前景目標(biāo)，但是靜止目標(biāo)如果停留超過一定時間，它會隨著背景模型更新而被更新到背景中去，不能被穩(wěn)定的檢測出來。而且傳統(tǒng)的混合高斯背景建模計(jì)算量大、耗時長，不利于實(shí)時監(jiān)測的要求。利用純背景模型和視頻序列差分能較好的提取前景目標(biāo)(包括運(yùn)動目標(biāo)和靜止目標(biāo))，但是不能將運(yùn)動目標(biāo)與靜止目標(biāo)分離提取。由此可見，目前的背景差分目標(biāo)檢測方法不能滿足視頻監(jiān)控系統(tǒng)中靜止目標(biāo)檢測的需求。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明要設(shè)計(jì)一種既能夠穩(wěn)定的檢測出停留超過一定時間的靜止目標(biāo)，又能將運(yùn)動目標(biāo)與靜止目標(biāo)分離提取，且建模計(jì)算量小、耗時短的基于雙背景差分的靜止目標(biāo)檢測方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種基于雙背景差分的靜止目標(biāo)檢測方法，包括以下步驟：

a、采集視頻圖像

用視頻采集卡和攝像頭實(shí)時采集視頻圖像序列，經(jīng)過簡單的模數(shù)轉(zhuǎn)換，傳輸至計(jì)算機(jī)進(jìn)行后續(xù)的視頻圖像處理；

b、構(gòu)建背景模型

基于改進(jìn)混合高斯背景建模來建立初始化背景視頻圖像，為視頻圖像中的每個像素建立混合高斯模型，并且利用前200幀視頻圖像構(gòu)建初始背景的混合高斯背景模型，之后實(shí)時更新背景模型；混合高斯背景模型構(gòu)建方法是基于像素樣本統(tǒng)計(jì)信息的背景表示方法，具體步驟如下：

b1、單高斯模型初始化：每個混合高斯模型由k個單高斯模型組成，由于單高斯模型在不斷更新，在(x,y)像素點(diǎn)不同時刻t的單高斯模型參數(shù)值不同，所以將一個單高斯模型表示成三個變量x、y、t的函數(shù)：均值u(x,y,t)、方差σ²(x,y,t)、標(biāo)準(zhǔn)差(x,y)、權(quán)重w(x,y,t)；參數(shù)初始化采用如下公式：

其中，i(x,y,0)表示視頻圖像序列中的第一張視頻圖像(x,y)像素點(diǎn)的像素值，σ²int(x,y,0)為第一張視頻圖像(x,y)像素點(diǎn)的方差，σint(x,y,0)為第一張視頻圖像(x,y)像素點(diǎn)的標(biāo)準(zhǔn)差，std_init為常數(shù)；初始化權(quán)重wint(x,y,t)＝1/k，其中w(x,y,t)滿足：

b2、判定當(dāng)前像素點(diǎn)的像素值與單高斯模型是否匹配：如果新讀入的視頻圖像序列中的視頻圖像在(x,y)像素點(diǎn)的像素值對于i＝1、2、......、k滿足i(x,y,t)-ui(x,y,t)|≤λ·σi(x,y,t)，則當(dāng)前像素點(diǎn)與該當(dāng)前單高斯模型相匹配，其中λ為常數(shù)。如果存在與當(dāng)前像素點(diǎn)匹配的單高斯模型，判斷該像素點(diǎn)為背景像素點(diǎn)，并轉(zhuǎn)步驟b3；如果不存在與當(dāng)前像素點(diǎn)匹配的單高斯模型，判斷該像素點(diǎn)為前景像素點(diǎn)，并轉(zhuǎn)步驟b4。

b3、更新單高斯模型:分別更新與當(dāng)前像素點(diǎn)相匹配的單高斯模型。

設(shè)權(quán)值增量為

dw＝α·(1-wi(x,y,t-1))

則更新的權(quán)值表示如下：

wi(x,y,t)＝wi(x,y,t-1)+dw＝wi(x,y,t-1)+α·(1-wi(x,y,t-1))

更新標(biāo)準(zhǔn)差、均值與方差，公式如下：

u(x,y,t)＝(1-α)×u(x,y,t-1)+α×u(x,y,t)

σ²(x,y,t)＝(1-α)×σ²(x,y,t-1)+α×[i(x,y,t)-u(x,y,t)]²

參數(shù)α表示更新速率，α越小，表示對視頻序列中背景變化的適應(yīng)能力越低。轉(zhuǎn)步驟b5；

b4、創(chuàng)建新的單高斯模型:當(dāng)沒有任何一個單高斯模型與當(dāng)前像素點(diǎn)匹配，將權(quán)重較小的單高斯模型替換掉。替換形式為；該模型下的均值為當(dāng)前的像素值，其中標(biāo)準(zhǔn)差、方差和權(quán)值被初始化為σint、σ²int和wint。

b5、背景模型選擇：各單高斯模型按降序排列，權(quán)重大、標(biāo)準(zhǔn)差小的排在前面。并且刪除權(quán)重較小的單高斯模型，若n個單高斯模型的權(quán)重滿足

則僅用這n個單高斯模型作為背景模型，刪除其他單高斯模型。t為預(yù)定義的閾值，代表背景模型在一個單高斯模型中所占的比例。

b6、減化單高斯模型個數(shù)：處理重疊的單高斯模型，判斷i、j兩個單高斯模型均值差，如果均值差小于閾值t，則判定i、j兩個單高斯模型重疊；每隔l幀視頻圖像，對于某一像素的第i個單高斯模型，如果其權(quán)重wi＜wt,則判定該單高斯模型無效，并將該單高斯模型刪除。wt為設(shè)定的權(quán)重閾值。最終確定單個高斯模型的個數(shù)，得到表示一個像素點(diǎn)的混合高斯背景模型；

c、檢測運(yùn)動目標(biāo)

利用高斯背景模型來描述視頻圖像中的背景像素點(diǎn)，當(dāng)獲得一個新的視頻幀視頻圖像時自適應(yīng)更新混合高斯背景模型，如果當(dāng)前幀像素點(diǎn)與混合高斯分布模型匹配，則判定該像素點(diǎn)為背景像素點(diǎn)，否則為前景像素點(diǎn)；然后利用構(gòu)建的背景視頻圖像與視頻幀視頻圖像差分得到運(yùn)動目標(biāo)；

d、建立純背景視頻圖像

所述的純背景是指不含有運(yùn)動目標(biāo)和靜止目標(biāo)的場景，采用多幀平均法建立純背景圖像，在靜止目標(biāo)未進(jìn)入場景之前，采集視頻序列前100幀較干凈的視頻圖像，然后將該100幀視頻圖像的像素值相加，求其平均值，這個平均值就作為最終獲取到的純背景視頻圖像。

e、檢測前景目標(biāo)

利用背景差分法將運(yùn)動目標(biāo)和靜止目標(biāo)提取出來，具體步驟如下：

e1、視頻圖像預(yù)處理：將視頻序列中當(dāng)前幀視頻圖像轉(zhuǎn)化為單通道視頻圖像，然后對當(dāng)前幀視頻圖像進(jìn)行噪聲平滑處理，采用中值濾波法，將視頻圖像中某像素點(diǎn)及其鄰域窗口內(nèi)的所有像素點(diǎn)取出來，按照灰度值大小排序，取出序列中的中間值代替該像素點(diǎn)的實(shí)際像素值。對于奇數(shù)個元素，中值是指按大小排序后中間的值；對于偶數(shù)個元素，中值是指排序后中間兩個元素灰度值的平均值。其中窗口為定義的一個長度為奇數(shù)l的窗口，l＝2n+1，n為正整數(shù)。視頻圖像平滑處理后，通過梯度銳化的方式使得目標(biāo)輪廓更加清晰。

e2、視頻圖像差分：根據(jù)步驟d建立的純背景視頻圖像與預(yù)處理后的視頻圖像差分，得到差分視頻圖像。

e3、二值化：對差分視頻圖像進(jìn)行二值化判斷，如果差分視頻圖像的像素值大于閾值，則判定該圖像的像素值為255，即該圖像為白色。否則判定該圖像的像素值為0，即該圖像為黑色。判斷方法如下：

其中，f(x,y)為當(dāng)前幀視頻圖像。b(x,y)為背景視頻圖像。t1為選取的閾值，取值20。

e4、后期處理：利用形態(tài)學(xué)濾波依次對二值化視頻圖像進(jìn)行腐蝕和膨脹，將二值化視頻圖像中孤立的點(diǎn)噪聲和運(yùn)動區(qū)域的空洞進(jìn)行處理,得到干凈的前景目標(biāo)。

f、檢測靜止目標(biāo)

采用雙背景模型結(jié)合的方式，利用混合高斯背景建模與視頻幀視頻圖像差分得到運(yùn)動目標(biāo)，結(jié)合純背景模型和視頻序列差分提取前景目標(biāo)，最后運(yùn)用像素級視頻圖像減法對前景目標(biāo)和運(yùn)動目標(biāo)進(jìn)行差分處理，得到最終的靜止目標(biāo)。所述的前景目標(biāo)包括運(yùn)動前景目標(biāo)和靜止前景目標(biāo)。

進(jìn)一步地，步驟b1中，k＝3～5；步驟b2中，λ＝2～2.5；步驟b5中t＝0.7～0.8；步驟e1中，n取1或2。

1、本發(fā)明以視頻圖像處理和計(jì)算機(jī)視覺理論為基礎(chǔ)，以視頻監(jiān)控為背景，在改進(jìn)的混合高斯背景建模過程中，利用靜止目標(biāo)停留超過一定時間，它會隨著背景模型更新而被更新到背景中去，從而只能夠檢測出運(yùn)動目標(biāo)的特點(diǎn)。結(jié)合純背景模型和視頻序列差分能較好的提取前景目標(biāo)的方法，提出了一種基于雙背景差分檢測靜止目標(biāo)的方法。

2、本發(fā)明利用改進(jìn)的混合高斯模型進(jìn)行背景建模，可應(yīng)用于復(fù)雜場景中光照緩慢變化以及存在重復(fù)運(yùn)動目標(biāo)的背景的準(zhǔn)確建模，尤其適用于光照和天氣緩慢變化，或者運(yùn)動目標(biāo)速度比較快的狀況；通過減化每個像素所建立的高斯分布函數(shù)的個數(shù)，減少了計(jì)算量，提高了實(shí)時性。

3、本發(fā)明的前景目標(biāo)提取采用背景差分法，其原理和算法設(shè)計(jì)簡單，所得結(jié)果直接反映了前景目標(biāo)的位置、大小和形狀，能夠得到比較精確的前景目標(biāo)信息。

4、在改進(jìn)的混合高斯背景建模過程中，利用靜止目標(biāo)停留超過一定時間，它會隨著背景模型更新而被更新到背景中去，從而只能夠檢測出運(yùn)動目標(biāo)的特點(diǎn)。本發(fā)明結(jié)合純背景模型和視頻序列差分能較好的提取出運(yùn)動目標(biāo)和停留超過一定時間的靜止目標(biāo)，這兩個前景目標(biāo)提取的方法。利用像素級視頻圖像減法對前景目標(biāo)和運(yùn)動目標(biāo)進(jìn)行差分處理，可將運(yùn)動目標(biāo)與靜止目標(biāo)分離提取，從而能夠穩(wěn)定且準(zhǔn)確的檢測停留超過一定時間的靜止目標(biāo)。本發(fā)明的靜止目標(biāo)檢測采用雙背景模型算法，復(fù)雜度較低，易于實(shí)現(xiàn)。

附圖說明

圖1是靜止目標(biāo)檢測系統(tǒng)結(jié)構(gòu)示意圖。

圖2是改進(jìn)的混合高斯背景建模算法流程圖。

圖3是基于背景差分的前景目標(biāo)提取算法的步驟流程圖。

具體實(shí)施方式

下面結(jié)合附圖，通過一個在視頻監(jiān)控系統(tǒng)中對靜止目標(biāo)檢測的實(shí)施例，對本發(fā)明技術(shù)方案進(jìn)行詳細(xì)的描述。一種基于雙背景差分的靜止目標(biāo)檢測方法如圖1所示；步驟b中的混合高斯背景建模方法，如圖2所示，步驟b1中的std_init＝20，步驟b5中的t取0.7；步驟e中的前景目標(biāo)檢測方法如圖3所示。

本發(fā)明不局限于本實(shí)施例，任何在本發(fā)明披露的技術(shù)范圍內(nèi)的等同構(gòu)思或者改變，均列為本發(fā)明的保護(hù)范圍。