背景建模与运动目标检测技术分析

（一）背景建模与目标提取的构架

无线网络的智能视频监控系统包含了对监控场景中运动目标的检测、识别，运动目标的跟踪，并对运动目标的行为进行分析和理解获得运动目标在现实世界中的具体含义，对视频图像的存取、视频的切割与合成，视频压缩与视频的网络传送等技术问题，因此这是一个复杂庞大并且宽泛的系统工程问题。同时这一工程还是一个有着多学科交叉的科研课题，在研究中涉及人工智能、机器学习、模式识别、计算机视觉、计算机数据库技术、计算机多网络融合等现在研究热点技术领域方向。但是在实际的应用上确实很难完成功能全面适合各个领域应用的综合智能视频监控系统，大部分视频监控软件都是根据应用的特定需求来做到对某一方面的优质处理。

在实际应用的建立上都需要以一些基础技术作为建立系统的必须条件，如背景建模，运动目标的提取，运动目标的识别与运动目标的跟踪等方面。在下一节简要提及了智能视频监控系统一般以三个层次来划分，分别为底层、中层视频处理基础技术和高层视觉分析控制步骤，底层主要是对视频处理的必需的基础性内容进行研究，中层主要对底层处理后的视频从中提取运动目标进行跟踪，高层主要实施对运动目标的异常行为分析和异常行为的检测工作，并在异常出现后为监控系统提供准确及时的报警服务。这些分层构建中的任何一部分步骤执行的效果的好坏、速度快慢都会直接影响到后续对整个视频监控系统性能的优劣，因此正如框架中描述的对目标的提取、跟踪与行为分析对于整个系统的高效运转都是至关重要的步骤。

本节中将重点讨论和实现课题研究中对底层使用的一些技术的研究，并对部分基础算法做出符合实际应用的算法改进，同时与现有的同类技术做出性能的对比分析，主要是对视频中的运动目标提取和背景建模算法的分析与改进，并在视频监控系统中使用，在获得准确的运动目标后再对目标进行跟踪监控，通过对运动目标的准确快速提取，使后续跟踪过程获得更好的鲁棒性。

（二）常见运动目标分离检测的方法

在智能监控系统进行摄像头视频流图像的分段检测中，其中很重要的一个步骤是提取出视频图像中移动的物体（前景）的信息，建立起静止物体（背景）模型，再根据背景模型和下一帧图像分离出前景变化量，并对背景模型进行更新。在目前主要的视频监控应用中使用比较频繁的目标分离方法有光流法、帧间差分法、背景减除法等方法。面对室外环境的复杂多变，在随着监控时间、天气和风向风力的变化都使得摄像头采集到的背景图像随时都在发生着或大或小的新变化，这使得背景的学习更新显得十分重要。在对室内运动目标进行检测时，有补充光线的进入，对光线、时间、风力、风向的影响就要小得多，属于背景相对稳定的环境，但是却有突然出现的开关灯和阴影区域的影响，这样的环境对使用背景更新的要求一般不高，在应用中一般使用帧间相减除的方法。针对本项目可能涉及室内和室外都有的环境，因此采用了基于背景剪除与背景更新的自适应高斯混合模型的改进算法做目标提取算法。

背景减除法与背景更新涉及计算建立基准图像，并从该参照图像中减去每个需要新做处理的视频帧和阈值的结果，再用二进制分割图像的方式就可以从固定背景中区分出运动物体的图像。使用背景减除能获得好的效果的关键是怎样进行背景模型的建立和模型的自我更新学习以适应不断发生着变化的检测图像。通常可能引起变化的原因包含照明的变化，如处于晴天转到阴天或者是出现雨天，又如室内的灯光照射调整等光照变化；再有光照强度的连续变化如阳光的直射和倾斜度的变化，这导致了物体的明暗发生了变化，最为明显的现象是从早上到晚上光照强度的变化；再有是背景对象出现了小运动量的改变，例如微风下轻轻摇曳的树枝影像，运转机器的轻微振动性和一些物体在时间的变化下产生的一些小的物理变化。如果这些小的变化不通过背景的及时更新进行背景的修正，将无法准确分离出运动目标。

通过统计模型来建立背景的背景建模法也被广泛地研究，再将当前帧的图像与背景图像做差提取出运动目标。Ridder等人以每个像素点建模使用卡尔曼滤波器消除干扰，使他们的系统能够更好地适应在场景中的光线变化。Pfinder对每个像素使用单高斯背景建模，背景场景中每个像素使用三个值来表示，其最小强度值M（x），最大强度值N（x）的和在训练期间观察到连续视频帧之间的差分强度D（x），也获得了良好的运动目标提取的功能。Lee等人提出了一种基于贝叶斯公式的背景分割，它是在像素级的基础上的高斯混合模型，提出了自适应学习率的时间表，提高了每个像素点的高斯收敛速度和逼近结果。自适应的混合高斯背景模型是比其他类型的背景建模有更优的鲁棒性和分析效率。在我们的研究方法中对自适应混合高斯模型进行了部分算法的重构，使之更加符合我们所要使用的实际环境中对背景和前景的分离。

（三）改进算法的实现与实验结果

1.改进算法的模块实现过程

（1）通过背景重构实现模式初始化。

自适应混合高斯背景模型在没有前景物体存在的情况下，可以通过使用一个短的训练序列来模拟一个初始化模型。实际上对被监控区域的模拟是困难的或者在一些时候是不可能实现的。因此，在项目应用中通过实际使用我们提出了背景重构的算法，在算法中可以构造一个静态场景中出现背景图像移动时的对象（前景），并初始化自适应混合高斯模型。该算法将视频序列中移动的物体作为输入，再通过统计背景模型描述的场景的静态部分输出作为背景模型，在每个像素的多个假设所产生的定位期间内背景值会稳定在序列的某一固定强度上，从而获得稳定的背景图像序列。再通过使用公式从大量的稳定序列中找出满足变化量最小的一些稳定序列作为自适应混合高斯背景模型的背景画面，以完成背景模式的初始化。

（2）通过提取前景运动目标建立背景更新。(https://www.xing528.com)

在采用的假设重构实现了模式的初始化后，通过获得新的视频图像流与背景间的差分法获得视频的移动画面（前景）像素点，生成前景图像序列，再根据序列中连续变化的序列，通过设定的图像更新率α将这些连续变化的序列按照更新的权重更新到背景序列中，背景序列中原有序列值也按照（1-α）的更新率进行相应的更新操作。在更新完成后背景序列中再次计算出最为稳定的多个序列作为更新后的背景图像。使用此算法能够使背景随着时间的推移更能获得适应当前环境的改变。

（3）提取前景运动目标过程。

当摄像头采集到了原始视频流后，并不能由自己分辨出哪一个是运动目标，需要通过背景的剔除，分割出前景景物提取运动目标。这些都需要在建立好背景模型后，通过当前帧与背景模型进行差分，获得运动目标的特征，在前景框中显示检测到的运动目标。

（4）建立异常行为库。

在分离出前景运动目标后，我们需要对使用人员关心的异常活动情况进行特征模型的提取，并将提取到的特征信息存放到异常行为库中以供后期的异常行为检测使用。在提取异常行为特征的过程中需要尽可能全面地训练出可能遇到的初始定义异常行为的特征，这样才能让后续的异常行为检测有更好的准确性。

2.改进算法的实现方式

通过对自适应多高斯分布模型的研究基础上对该模型提出了一个更适合于本课题项目的基于自适应混合高斯背景建模的方法，改进了初始化背景和学习效率，能够更快更准确地提取出前景运动目标。该改进算法的主要包括以下几个步骤。

（1）首先通过自定义的更新率α可以动态改变的背景模型的实时在线学习的方式，以适应光线和天气等因素造成的干扰。快速取得准确的初始背景，再以当前视频帧与背景帧做目标匹配并检测前景，抽取出检测到前景目标，并对处理后的图像进行高斯滤波。

（2）对采用了高斯滤波后的图像进行形态学滤波处理，形态学滤波是从数学形态学中发展起来的一类新型的非线性滤波操作，通过形态学处理对局部信息进行匹配和修正，去除前景图像中的噪声干扰消除图像凹凸点使最终获得的检测图像更加的平滑。

（3）对前景像素值进行统计，以前景点中比值的变化判别检测环境的光照是否发生了明显变化。在光照发生明显变化时，背景模型的更新速率α调整到一个合适值使背景能够快速适应光线的变化，当比值回复过程中不断地动态调整α值，使背景的自适应更加智能。

（4）通过背景分割出运动的前景目标，设定前景异常值对检测到的前景进行判断。

通过研究和分析自适应多高斯混合背景模型中对移动目标检测的算法，对算法做了积极的改进使其更好地应用于实际应用，实现了在多种实际环境背景下对移动目标的快速检测与准确提取。同普通的高斯模型检测提取运动目标算法相比，在具有相同配置的计算机上运行，改进算法具有更好的检测效果，在一定情况下运算率也会提高，此算法对运动目标的提取与识别变得更加准确和稳定。因此算法给下一步进行目标的跟踪提取出了稳定和准确的目标图像，对于后续工作做出了积极的贡献。