李益民，黃曉芳

（1.西安鐵路職業(yè)技術(shù)學(xué)院電氣工程系，陜西西安710014;2.蘭州交通大學(xué)自動(dòng)化與電氣工程學(xué)院，甘肅蘭州731170）

智能視頻監(jiān)控技術(shù)是利用計(jì)算機(jī)視覺(jué)技術(shù)對(duì)監(jiān)控場(chǎng)景的視頻圖像內(nèi)容進(jìn)行分析，自動(dòng)檢測(cè)監(jiān)控畫(huà)面中的異常情況，并警報(bào)和提供有用信息，從而能夠更加有效地提醒安防人員及時(shí)處理非法入侵。

1 混合高斯背景建模移動(dòng)偵測(cè)算法

混合高斯背景建模移動(dòng)偵測(cè)算法屬于減背景移動(dòng)偵測(cè)算法的一種。減背景移動(dòng)偵測(cè)算法是通過(guò)當(dāng)前幀與背景圖像差分來(lái)得到移動(dòng)目標(biāo)區(qū)域。這種算法對(duì)背景圖像的要求是：1）不含運(yùn)動(dòng)目標(biāo)；2）不斷地更新以適應(yīng)背景不斷變化。構(gòu)建背景圖像的方法很多，混合高斯背景建模算法是其中典型的一種，該算法對(duì)外界環(huán)境不斷變化的適應(yīng)性較好。

1.1 混合高斯背景建模

對(duì)視頻幀中的每一個(gè)像素定義K個(gè)狀態(tài),每個(gè)狀態(tài)用一個(gè)高斯分布函數(shù)表示。這些狀態(tài)中有一部分表示背景的像素值,而另一部分則表示前景的像素值。若每個(gè)像素點(diǎn)像素值用變量Xt表示,則其概率密度函數(shù)可用K個(gè)高斯分布函數(shù)描述，如式（1）所示：

式中，η（x，μi，t，σi，t）為t時(shí)刻的第i個(gè)高斯分布函數(shù),μi，t為均值，σi，t為標(biāo)準(zhǔn)差。ωi，t為η（x，μi，t，σi，t）的權(quán)重。

1.2 混合高斯背景建模參數(shù)更新

當(dāng)獲得某一點(diǎn)t時(shí)刻像素值It時(shí)，首先利用序貫相似性檢測(cè)算法[5]檢測(cè)所有高斯分布函數(shù)中那個(gè)與當(dāng)前像素值It匹配，其步驟如下：

1）設(shè)定偏差門(mén)限T；

2）選取均值μi，t與像素值It最接近的高斯分布函數(shù)，并檢測(cè)兩者之差的絕對(duì)值是否小于Tσi，t-1，成立，則判定該高斯分布函數(shù)與當(dāng)前像素值匹配，并按式（2）～式（4）更新相關(guān)參數(shù)定無(wú)高斯分布函數(shù)與當(dāng)前像素值匹配，并將權(quán)重最小的高斯分布函數(shù)以一個(gè)新的高斯分布函數(shù)替代。新的高斯分布函數(shù)均值μi，t為It，標(biāo)準(zhǔn)差σi，t為最大初始標(biāo)準(zhǔn)差，權(quán)重ωi，t為最小初始權(quán)重。

式中，α為模型學(xué)習(xí)率，用于控制權(quán)重ωi，t的修正速度；ρ為參數(shù)學(xué)習(xí)率，近似為ρ≈（α/ωi，t）。

3）其他高斯分布函數(shù)參數(shù)不變,只歸一化它們的權(quán)重。

通過(guò)對(duì)上述稀疏解混算法的介紹，總結(jié)出這些算法普遍存在的問(wèn)題是：它們僅從高光譜遙感圖像的光譜信息方面進(jìn)行分析，將高光譜數(shù)據(jù)僅作為隨機(jī)排列的光譜信號(hào)來(lái)處理，忽略了像元間的鄰域關(guān)系、形狀特點(diǎn)等空間信息[33]。然而高光譜圖像中的空間信息是不可忽略的重要特征，圖像中所包含的豐富空間信息能夠能夠促進(jìn)端元的豐度估計(jì)以及使得豐度圖像更加一致，因此發(fā)展基于空間信息的稀疏解混算法成為當(dāng)務(wù)之急，目前也已發(fā)展成一個(gè)非常重要的研究方向[34]。

1.3 背景像素判斷

混合高斯背景建模算法通過(guò)計(jì)算模型中每個(gè)高斯分布函數(shù)的ωi，t/σi的值來(lái)判斷該高斯分布函數(shù)所表示的狀態(tài)是否表示背景像素值。值越高，則越可能是背景像素。

2 混合高斯背景建模入侵檢測(cè)

OpenCV是Intel公司支持的基于C/C++語(yǔ)言開(kāi)發(fā)的圖像處理和計(jì)算機(jī)視覺(jué)開(kāi)源函數(shù)庫(kù)。其中大部分函數(shù)是基于Intel處理器指令集的優(yōu)化代碼，能最大程度的發(fā)揮處理器的性能。OpenCV具有強(qiáng)大的圖像和矩陣運(yùn)算能力，是計(jì)算機(jī)視覺(jué)、圖像處理二次開(kāi)發(fā)的理想工具。

OpenCV提供了混合高斯背景建模[6]函數(shù)，其主要函數(shù)如下：

功能：利用一幀圖像數(shù)據(jù)初始化混合高斯背景模型。

參數(shù)：first_frame為混合高斯背景建模第一幀圖像數(shù)據(jù)；parameters為混合高斯背景建模初始化參數(shù)。

本文使用函數(shù)默認(rèn)設(shè)置：狀態(tài)數(shù)K=5，即混合高斯背景模型內(nèi)含5個(gè)高斯分布，偏差門(mén)限T=2.5，模型學(xué)習(xí)率α，最大初始方差σ2i，t＝0=30，背景點(diǎn)判定閾值ωi，t/σi＞0.7。

功能：更新混合高斯背景模型。

參數(shù)：pFrame為更新高斯背景模型的視頻流幀圖像數(shù)據(jù)；bg_model為混合高斯背景模型指針，通過(guò)bg_model-＞background和bg_model-＞foreground即可獲得背景和前景圖像。

功能：釋放高斯背景模型參數(shù)占用的內(nèi)存。

前景圖像再經(jīng)形態(tài)學(xué)處理后，可檢測(cè)出一定大小的移動(dòng)區(qū)域，即判定有人入侵。結(jié)果如圖1所示。

圖1 混合高斯背景建模入侵檢測(cè)圖像Fig.1 Intrusion detection using gaussian mixture background model algorithm

3 視頻監(jiān)控圖像數(shù)據(jù)獲取及轉(zhuǎn)換

3.1 視頻監(jiān)控圖像數(shù)據(jù)捕獲

使用天敏公司的SDK-2500型視頻監(jiān)控卡自帶函數(shù)庫(kù)編程與使用VFW函數(shù)庫(kù)編程獲得的監(jiān)控畫(huà)質(zhì)差別很大。使用自帶函數(shù)庫(kù)可充分發(fā)揮視頻監(jiān)控卡處理器的性能，監(jiān)控畫(huà)質(zhì)高，顯示分辨率可達(dá)720×576（PAL），而使用VFW函數(shù)庫(kù)時(shí)，顯示分辨率僅為320×240。兩種方法所獲監(jiān)控畫(huà)質(zhì)比較如圖1所示。為獲得高分辨率監(jiān)控畫(huà)質(zhì)，本文使用視頻監(jiān)控卡自帶函數(shù)庫(kù)開(kāi)發(fā)視頻監(jiān)控系統(tǒng)軟件。

視頻監(jiān)控卡自帶函數(shù)庫(kù)提供了兩類(lèi)捕獲當(dāng)前幀圖像數(shù)據(jù)的函數(shù)。一類(lèi)將圖像數(shù)據(jù)以文件形式保存在磁盤(pán)上，另一類(lèi)將圖像數(shù)據(jù)復(fù)制到剪貼板上。由于剪貼板是Windows系統(tǒng)中單獨(dú)預(yù)留出來(lái)的一塊內(nèi)存，由于內(nèi)存讀寫(xiě)速度是硬盤(pán)讀寫(xiě)速度十倍以上，同時(shí)使用剪貼板也可避免對(duì)硬盤(pán)的反復(fù)讀寫(xiě)，因此利用剪貼板捕獲圖像數(shù)據(jù)，代碼如下：

參數(shù)說(shuō)明：int n為視頻監(jiān)控卡卡號(hào)；LPBITMAPINFO lpBI為指BITMAPINFO結(jié)構(gòu)的指針；void*pDIBBits為指向位圖數(shù)據(jù)的指針。

3.2 DIB到IPLImage數(shù)據(jù)格式的轉(zhuǎn)換

由于剪貼板捕獲的圖像數(shù)據(jù)格式為DIB，而OpenCV函數(shù)庫(kù)中圖像的基本格式為IPlImage*,因此，需要將DIB圖像數(shù)據(jù)格式轉(zhuǎn)為IPLImage*圖像數(shù)據(jù)格式，其代碼如下：

4 多區(qū)域?qū)崟r(shí)移動(dòng)偵測(cè)

32位Windows操作系統(tǒng)采用搶先式多任務(wù)方式運(yùn)行應(yīng)用程序。當(dāng)一個(gè)程序運(yùn)行后，操作系統(tǒng)就啟動(dòng)了一個(gè)進(jìn)程。為了讓進(jìn)程完成一些工作,每個(gè)進(jìn)程必須包含至少一線程。線程負(fù)責(zé)執(zhí)行包含在進(jìn)程地址空間中的代碼，每個(gè)線程共享所有的進(jìn)程資源,包括打開(kāi)的文件、信號(hào)標(biāo)識(shí)及動(dòng)態(tài)分配的內(nèi)存等。

線程是系統(tǒng)分配CPU時(shí)間的基本實(shí)體，它也是代碼執(zhí)行的最小單位。實(shí)際上，同一時(shí)間只有一個(gè)線程在運(yùn)行，由于每個(gè)線程劃分的時(shí)間很小（20 ms左右），CPU通過(guò)分時(shí)在各個(gè)線程之間頻繁地切換，使得系統(tǒng)看起來(lái)有多道程序在同時(shí)運(yùn)行。

Windows提供了2種線程——輔助線程和用戶界面線程[4]。兩種線程均為MFC庫(kù)所支持。用戶界面線程通常有窗口，因此，它具有自己的消息循環(huán)。輔助線程沒(méi)有窗口，因此，它不需要處理消息。

用戶界面線程用于響應(yīng)用戶操作和程序的其他控制，輔助線程用于多個(gè)區(qū)域視頻圖像的捕獲，并利用移動(dòng)偵測(cè)算法實(shí)現(xiàn)實(shí)時(shí)入侵報(bào)警功能。程序流程如圖2所示。

圖2 多區(qū)域視頻監(jiān)控系統(tǒng)軟件流程圖Fig.2 Flow chart of multi-zone video surveillance systems

5 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文提出的多區(qū)域視頻監(jiān)控入侵檢測(cè)報(bào)警方法的性能，實(shí)驗(yàn)采用兩塊SDK-2500型視頻監(jiān)控卡同時(shí)對(duì)室內(nèi)、室外兩個(gè)區(qū)域進(jìn)行長(zhǎng)時(shí)間的視頻監(jiān)控，監(jiān)控視頻幀率為30幀/秒。為捕獲穩(wěn)定的視頻圖像，在輔助線程內(nèi)添加了100 ms的等待時(shí)間。隨機(jī)抽取100次報(bào)警結(jié)果，其結(jié)果如表1所示。

表1 報(bào)警測(cè)試結(jié)果Tab.1 Test result of alerting

從測(cè)試結(jié)果可以看出，本文方法室內(nèi)誤報(bào)率為1%，室外誤報(bào)率為2%。根據(jù)保存的視頻圖像分析得知：室內(nèi)誤報(bào)警發(fā)生于開(kāi)燈情況下，是因環(huán)境亮度急劇變化引起的；室外兩次誤報(bào)警均發(fā)生于刮風(fēng)情況下，由于樹(shù)枝大幅度搖擺造成的。

6 結(jié)束語(yǔ)

本文利用多線程技術(shù)實(shí)現(xiàn)了視頻監(jiān)控系統(tǒng)中多區(qū)域移動(dòng)偵測(cè)入侵報(bào)警自動(dòng)化。該方法利用視頻監(jiān)控卡自帶函數(shù)庫(kù)，充分發(fā)揮了視頻監(jiān)控卡處理器的性能，獲得了較高的監(jiān)控畫(huà)質(zhì)；該方法誤報(bào)率較低，可廣泛適用于各種視頻監(jiān)控系統(tǒng)中。

[1]代科學(xué)，李國(guó)輝，涂丹，等.監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11（7）：919-927.

DAI Ke-xue,LI Guo-hui,XU Dan,et al.Prospects and current studies on background subtraction techniques for moving Objects detection from surveillance video[J].Journal of Image and Graphics,2006,11（7）:919-927.

[2]左飛，萬(wàn)晉森，劉航.Visual C++數(shù)字圖像處理開(kāi)發(fā)入門(mén)與編程實(shí)踐[M].北京：北京電子工業(yè)出版社，2008.

[3]劉運(yùn)強(qiáng)，王匯源.Socket和多線程在視頻傳輸中的應(yīng)用[J].山東大學(xué)學(xué)報(bào)，2004（4）：46-50.

LIU Yun-qiang,WANG Hui-yuan.The application of socket and multithread in video transmission[J].Journal of Shandong University of Technology,2004（4）:46-50.

[4]Kruglinski D J,Wingo S,Shepherd G.Program-ming Visual C++6.0技術(shù)內(nèi)幕[M].5版.北京：北京希望電子出版社，1999.

[5]何冰，烏日?qǐng)D，溫銀萍.基于均值-偏差門(mén)限序列的SSDA算法的目標(biāo)物模板匹配[J].計(jì)量與測(cè)試技術(shù)，2007，34（12）：1-2.

HE Bing,WU Ri-tu,WEN Yin-ping.Template searching of target based on SSDA[J].Metrology&Measurement Technique,2007,34（12）:1-2.

[6]Kaewtrakulpong P,Bowden R.一種改進(jìn)的基于陰影偵測(cè)的實(shí)時(shí)追蹤自適應(yīng)背景混合模型[C].英國(guó):基于監(jiān)控系統(tǒng)的高級(jí)錄像歐洲工作室，2001.