智能视频监控关键技术

　　利用图像分割技术选取合适的门限T，对差分图像进行图像二值化分割处理得到运动前景像素：

　　由以上过程可知，时间差分法只需要两幅不同时刻的图像在每个像素点进行简单的像素值相减和判决操作，其复杂度是很低的，而且易于实现，运算量小，速度快，在性能较差的硬件平台也能达到较高的处理效率。此外由于时间差分法做差分的两幅图像时间间隔很短，差分图像受光照条件的影响小，也能够在一定程度上适应动态变化的场景。时间差分法缺点也很明显，它无法完整提取出运动区域，只能检测出运动区域周围的轮廓，当目标运动速度较慢时，如果选取间隔帧数太小，甚至有可能无法检测出目标运动。

　　背景建模法又称背景相减法，即利用当前收到的帧图像与预存的一副背景参考图像做差分来检测场景中运动目标的技术。这类方法的核心是如何建立背景模型以及选择背景模型的随着时间变化的更新策略。算法原理如下图2-2所示：

　
　　通过计算出当前收到的帧图像与参考背景图像的差，再对差分图像进行二值分割操作得到场景的运动像素：

　　背景建模法能够提取出比较完整的运动目标的区域信息，对于复杂的户外场景，由于存在光照等各种外部条件的变化，构造出好的自适应场景变化的背景模型对运动目标的精确提取至关重要。

　　对于室内的运动目标检测，因为场景的环境变化较小，影响因素少，检测算法相对户外来说易于设计一些。对于户外的场景，受影响因素较多，如一年四季天气变化，一天中太阳光照变化及场景中某些多模态背景的干扰（摇曳的树，池塘表面的水波纹，飘扬的旗帜），要排除这些干扰背景准确检测出场景中的有效运动还是比较复杂的。目前大部分实现的监控系统都使用了背景建模的算法来分割运动区域，并通过一些图像处理的技术对后期的检测结果图像进行处理，提取出场景中我们感兴趣的目标。目前常用的背景建模算法有高斯混合模型[7]（Gaussian Mixture Model）和码书模型（CodeBook Model）等。本章重点研究了混合高斯背景建模算法。

　　1.2 混合高斯背景建模

　　在静止成像平台下，背景建模（背景相减）是运动目标检测最常用的方法。背景相减法的核心在于生成一副场景的参考图像，并能自动更新。

　　Stauffer等[7]提出的混合高斯模型作为一种像素级建模的算法，能够适应背景重复性运动和照明缓慢变化，取得了较大的成功。我们本节看一下混合高斯背景建模的基本原理。

　　混合高斯模型算法对场景中每个像素点值的分布维护了一个概率密度函数，将场景中每个特定的像素点的值用若干个（一般取3~5个）高斯分布去拟合，每个高斯分布具有自己的权重，因此它能处理多模态背景分布的情况。另一方面，混合高斯模型是参数化的，模型的参数会自适应更新，而且不用缓存过去的视频帧。在算法处理的过程中，随着新图像的到来，我们去更新每个像素点各个高斯分布的权重、均值和方差。

　　在时刻t，某特定像素点像素值为的概率是：

　　这里K代表我们取的分布的个数，它由我们硬件计算能力和可用的内存决定，取值小运算量小计算速度快，但难以去拟合背景的多模分布；取值大则计算耗时太大。目前，现有的系统大都取值为3~5。是在时刻t第n个高斯模型分量的权重，是高斯概率密度函数：

　　这里和是t时刻第n个高斯模型分量的均值和方差。

　　在线估计中，每个新到来的像素值与它对应的K个高斯分布去匹配。如果在某个分布的倍的标准差内，即：

　　我们认为匹配上了该分布。我们称为偏差系数。对匹配上的模型分量，它的参数按以下等式更新：

　　这里和分别是模型分量权重学习率和模型参数学习率，由用户定义。

　　如果当前新到来的像素值和该像素点的任何一个高斯模型分量都未匹配上，我们将以当前观测值为均值，给定一个较大值为初始方差和一个初始较低的权重来构造一个新的模型来替换当前置信度（定义为）最低的模型分量。剩余的模型分量保持原来的均值方差不变，但它们的权重按以下等式衰减：

　　为了确定是否为前景运动像素，我们先按照模型置信度（）对该像素点的K个高斯模型分量进行排序，排序靠前的分量有较低的方差和较高的权重，它们能很好地反映背景的特性。我们选取前面的B个分布作为背景模型，B的取值满足以下准则：

　　这里T是背景的度量比例阈值，根据场景情况具体调整，一般取值0.7左右。如果匹配上这B个分布中任何一个分布，我们认为当前为背景像素，否则为前景运动像素。以上的原理很容易就可以扩展到处理多通道图像数据。

　　图1-1背景训练过程（混合高斯算法）