張謝華，　趙小虎

(1.江蘇師范大學(xué) 智能教育學(xué)院， 江蘇 徐州　221116；

2.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心， 江蘇 徐州　221008)

?

實(shí)驗(yàn)研究

煤礦智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)研究

張謝華1，趙小虎2

(1.江蘇師范大學(xué) 智能教育學(xué)院， 江蘇 徐州221116；

2.中國礦業(yè)大學(xué) 物聯(lián)網(wǎng)(感知礦山)研究中心， 江蘇 徐州221008)

摘要：針對(duì)煤礦智能視頻監(jiān)控環(huán)境存在各種復(fù)雜動(dòng)態(tài)場(chǎng)景變化的情況，研究了運(yùn)動(dòng)目標(biāo)檢測(cè)中的3個(gè)重要環(huán)節(jié)：背景建模與更新、前景檢測(cè)和運(yùn)動(dòng)陰影檢測(cè)與去除。針對(duì)這3個(gè)環(huán)節(jié)，提出了相應(yīng)的處理方法：基于IFCM聚類算法的自適應(yīng)背景建模與更新方法，對(duì)像素灰度取值進(jìn)行無監(jiān)督聚類，自適應(yīng)選取不同個(gè)數(shù)的聚類構(gòu)建各像素背景模型，隨場(chǎng)景變化進(jìn)行聚類修改、添加和刪除以完成背景自動(dòng)更新；聯(lián)合背景差分信息、三幀差分信息和空間鄰域信息的前景檢測(cè)方法，據(jù)此獲得較為準(zhǔn)確的前景目標(biāo)；運(yùn)動(dòng)陰影檢測(cè)與去除方法，依據(jù)在陰影覆蓋前后的灰度圖像中，像素具有亮度值相關(guān)性和紋理特征值不變性，實(shí)現(xiàn)了運(yùn)動(dòng)陰影的檢測(cè)與去除。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提方法的有效性和優(yōu)越性。

關(guān)鍵詞：煤礦視頻監(jiān)控； 運(yùn)動(dòng)目標(biāo)檢測(cè)； 背景建模； 前景檢測(cè)； 運(yùn)動(dòng)陰影檢測(cè)

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160405.1126.008.html

0引言

煤礦智能視頻監(jiān)控作為現(xiàn)代礦井安全生產(chǎn)系統(tǒng)中必不可少的組成部分，對(duì)保障煤礦企業(yè)的安全、高效生產(chǎn)具有十分重要的意義[1]。運(yùn)動(dòng)目標(biāo)檢測(cè)是視頻監(jiān)控中的關(guān)鍵步驟之一，為后續(xù)運(yùn)動(dòng)目標(biāo)分類、跟蹤以及行為分析等提供必要的基礎(chǔ)。目前，各煤礦生產(chǎn)企業(yè)主要配備固定式攝像機(jī)進(jìn)行定點(diǎn)監(jiān)測(cè)，拍攝背景屬于相對(duì)靜止不變的類型。背景減除法是應(yīng)用最為廣泛的靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，其中的重要環(huán)節(jié)包括背景建模與更新、前景檢測(cè)以及運(yùn)動(dòng)陰影檢測(cè)與去除。

基于混合高斯模型(Gaussian Mixture Mode, GMM)的背景建模與更新方法為場(chǎng)景中的每個(gè)像素建立K個(gè)高斯分布來進(jìn)行背景建模，通過更新高斯分布的各個(gè)參數(shù)來完成背景更新。實(shí)際上，背景各狀態(tài)均符合高斯分布的假設(shè)并不完全成立，算法計(jì)算量很大，不太適用于實(shí)時(shí)性要求較高的系統(tǒng)，而且背景更新的速度較慢，難以及時(shí)反映背景的實(shí)際變化。參考文獻(xiàn)[2]采用核密度估計(jì)(Kernel Density Estimation, KDE)方法進(jìn)行背景建模，無需假定背景概率模型的具體形式，直接從歷史像素值估算出背景概率密度函數(shù)。但其建模與更新過程都以歷史視頻幀數(shù)據(jù)為基礎(chǔ)，需要消耗大量存儲(chǔ)空間，算法運(yùn)行速度慢、實(shí)時(shí)性較差。

在煤礦工作環(huán)境中頻繁出現(xiàn)局部場(chǎng)景變動(dòng)情況，背景模型難以實(shí)現(xiàn)同步更新。僅利用背景差分信息進(jìn)行前景檢測(cè)，會(huì)引起大量背景像素和前景像素的誤判，出現(xiàn)較大的檢測(cè)誤差。另外，由于自然光照和人工照明的影響，前景檢測(cè)結(jié)果中包含相應(yīng)的陰影區(qū)域。參考文獻(xiàn)[3]根據(jù)特定先驗(yàn)信息建立陰影統(tǒng)計(jì)模型，然后以模型為依據(jù)判別像素是否屬于陰影區(qū)域。其局限在于一方面需要提前獲得各種先驗(yàn)知識(shí)，另一方面對(duì)形狀復(fù)雜的非剛性物體進(jìn)行陰影建模十分困難。參考文獻(xiàn)[4]通過分析陰影覆蓋前后場(chǎng)景像素的特征屬性變化來進(jìn)行陰影判斷，但僅利用單一特征屬性難以獲得較高的陰影檢測(cè)率。

針對(duì)煤礦智能視頻監(jiān)控場(chǎng)景的特點(diǎn)和運(yùn)動(dòng)目標(biāo)檢測(cè)的需求，本文提出一種基于IFCM(Improved Fuzzy C-Means)聚類算法的自適應(yīng)背景建模與更新方法，構(gòu)建了魯棒的背景模型；提出基于聯(lián)合信息的前景檢測(cè)方法，以獲得較高的前景檢測(cè)率；設(shè)計(jì)了多特征融合的陰影檢測(cè)方法，確保得到準(zhǔn)確的運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文方法能夠適應(yīng)復(fù)雜的煤礦智能視頻監(jiān)控環(huán)境，具有較高的運(yùn)行效率和較好的檢測(cè)效果。

1基于IFCM聚類算法的自適應(yīng)背景建模與更新方法

采用聚類技術(shù)進(jìn)行背景建模基于一個(gè)合理的事實(shí)：復(fù)雜場(chǎng)景中每個(gè)像素的取值隨時(shí)間變化而變化，其中穩(wěn)定連續(xù)取值和動(dòng)態(tài)跳變?nèi)≈捣謩e對(duì)應(yīng)像素背景和前景。聚類分析將對(duì)數(shù)據(jù)集合進(jìn)行無指導(dǎo)分類，使得同類數(shù)據(jù)的相似性最大、不同類數(shù)據(jù)的相似性最小。因此，可采用聚類方法對(duì)一段時(shí)間內(nèi)的像素值進(jìn)行分類，統(tǒng)計(jì)各類像素值的出現(xiàn)頻率，選出頻率超過閾值的類別，即穩(wěn)定狀態(tài)作為該像素背景。

1.1IFCM聚類算法

從距離測(cè)度上考慮，好的聚類結(jié)果應(yīng)當(dāng)是類內(nèi)距離盡量緊湊、類間距離盡可能遠(yuǎn)，因而聚類有效性指標(biāo)主要采用類內(nèi)緊密度和類間分散度來定義。XB(Xie-Beni)指標(biāo)是目前廣泛使用的一個(gè)有效性指標(biāo)，其具體定義為

(1)

式中:分子部分用樣本隸屬度作為權(quán)重系數(shù)，與樣本到聚類中心的距離乘積定義類內(nèi)緊密度；分母部分用聚類中心之間的距離最小值定義類間分散度。

XB指標(biāo)取到最小值對(duì)應(yīng)最優(yōu)聚類劃分。盡管XB指標(biāo)在性能上有不錯(cuò)表現(xiàn)，但它不能正確處理存在較多孤立數(shù)據(jù)點(diǎn)或類間重疊的情形。本文設(shè)計(jì)一個(gè)新的有效性指標(biāo)，其定義為

(2)

式中:1/k代表每一樣本屬于各類的隸屬度均值;分子部分引入具體隸屬度與隸屬度均值之間的偏差來充當(dāng)類內(nèi)緊密度的權(quán)重系數(shù)；分母部分采用樣本到其隸屬度最小的聚類中心的距離最小值來定義類間分散度。

VNew取最小值對(duì)應(yīng)最優(yōu)聚類結(jié)果。VNew指標(biāo)有效結(jié)合了樣本分布特征與隸屬度，能夠較好評(píng)價(jià)存在較多孤立數(shù)據(jù)點(diǎn)或類間重疊的情形。

綜上所述，IFCM聚類算法描述如下：

輸入：像素歷史灰度取值{x1,x2,…,xn}、聚類個(gè)數(shù)搜索范圍為[kmin,kmax]。

輸出：最佳聚類個(gè)數(shù)kopt、分類矩陣U和聚類中心vi(i=1,2,…,k)。

Step2：當(dāng)聚類個(gè)數(shù)k≤kmax時(shí)，根據(jù)已有的k-1個(gè)初始聚類中心，對(duì)未被當(dāng)作聚類中心的各剩余樣本xi，計(jì)算其到各聚類中心的距離，并得到Ds=max{min(di1,di2,…,di(k-1))}，將第s個(gè)樣本當(dāng)做第k個(gè)初始聚類中心vk。當(dāng)k>kmax時(shí)，轉(zhuǎn)向Step7。

Step3：設(shè)置迭代控制參數(shù)ε，令迭代計(jì)算器t=1，設(shè)初始聚類中心為{v1,v2,…,vk}。

Step4：計(jì)算更新模糊分類矩陣U和聚類中心vi(i=1,2,…,k)。

Step5：若‖J(t)-J(t-1)‖≤ε，停止迭代；否則令t=t+1，轉(zhuǎn)向Step4。

Step6：利用聚類結(jié)果計(jì)算VNew值，令k=k+1，轉(zhuǎn)向Step2。

Step7：比較VNew值，達(dá)到最小時(shí)獲得最佳聚類個(gè)數(shù)kopt。

1.2自適應(yīng)背景建模與更新方法

由于經(jīng)過上述處理已得到k個(gè)聚類，則第i類的頻率為

(3)

式中Ni(x,y)為第i個(gè)聚類中包含的元素個(gè)數(shù)。

按ω取值從大到小排序，自適應(yīng)選擇頻率大于參數(shù)Ta的c(c

(4)

為了及時(shí)反映背景狀態(tài)的變化，本文采用動(dòng)態(tài)修改、刪除或者新建聚類的方法進(jìn)行背景模型的自適應(yīng)更新。檢測(cè)每一像素取值It(x,y)與已存在的聚類是否匹配，依次計(jì)算其與各聚類中心的距離D(It,vi)，并與聚類閾值λ比較。如果有滿足D(It,vi)<λ條件的最小距離Dmin，則將該像素值It(x,y)歸入類vi(x,y)中并修改參數(shù)。

(5)

(6)

(7)

其他未匹配聚類均相應(yīng)調(diào)整頻率。以上更新保證了像素取值能夠正確匹配真實(shí)背景狀態(tài)，可適應(yīng)光照緩慢變化的情形。如果It(x,y)與所有聚類中心的距離都大于λ，表明出現(xiàn)了新的前景或噪聲，將創(chuàng)建新類vk+1(x,y)，并設(shè)置參數(shù)。

(8)

(9)

(10)

(11)

同樣對(duì)其他已有聚類進(jìn)行頻率更新。當(dāng)前景停止運(yùn)動(dòng)的時(shí)間較長，聚類中包含的元素越來越多，其頻率逐漸增大，超過閾值Ta后該類將被加入背景模型，可適應(yīng)前景轉(zhuǎn)換成背景的情況。當(dāng)背景中靜止物體運(yùn)動(dòng)離開后，其對(duì)應(yīng)聚類頻率低于閾值φ，則刪除該聚類vi，聚類數(shù)k=k-1，并歸一化剩余聚類的頻率，及時(shí)反映了背景轉(zhuǎn)換成前景的變化。

2基于聯(lián)合信息的前景檢測(cè)方法

當(dāng)背景頻繁動(dòng)態(tài)變化時(shí)，背景模型難以實(shí)現(xiàn)同步更新，背景差分存在較大的檢測(cè)誤差。另一類常用信息是幀間差分信息，其具有實(shí)時(shí)性好、對(duì)場(chǎng)景動(dòng)態(tài)變化適應(yīng)性強(qiáng)等優(yōu)點(diǎn)，但易受到目標(biāo)運(yùn)動(dòng)速度的影響，難以獲得完整的前景輪廓。而由背景差分和幀間差分獲得的二值化圖像都包含不同程度的噪聲，表現(xiàn)為少量孤立的前景像素。采用像素空間鄰域信息重新界定像素歸類，可以減少噪聲的出現(xiàn)。因此，可聯(lián)合這3種信息進(jìn)行前景檢測(cè)，以獲得更好的檢測(cè)結(jié)果，接下來描述3類信息的獲取方法。

將后續(xù)視頻圖像中各像素與其背景模型進(jìn)行差分運(yùn)算：Dbt(x,y)=|It(x,y)-Bt(x,y)|，設(shè)置閾值THb，得到二值化背景差分圖像：

(12)

當(dāng)Mbt取值為0時(shí)，判定該像素為背景；當(dāng)Mbt取值為1時(shí)，判定該像素為前景。

本文三幀差分法的具體處理過程：設(shè)It-1(x,y)、It(x,y)和It+1(x,y)分別表示相鄰的3幀圖像，Dt-1,t(x,y)、Dt,t+1(x,y)表示相鄰2幀圖像差分后的二值化結(jié)果，對(duì)差分圖像按照對(duì)應(yīng)像素進(jìn)行與運(yùn)算，得到3幀差分圖像：

(13)

將Mbt與Mft進(jìn)行邏輯或運(yùn)算，則有

(14)

(15)

再將Mbf與Mnt進(jìn)行邏輯與運(yùn)算，得

(16)

3結(jié)合像素亮度和紋理特征的運(yùn)動(dòng)陰影檢測(cè)與去除方法

考慮到煤礦視頻監(jiān)控圖像顏色特征不明顯的特點(diǎn)，本文在灰度圖像中結(jié)合像素亮度和紋理特征來進(jìn)行運(yùn)動(dòng)陰影檢測(cè)。像素在陰影覆蓋前后的亮度呈線性關(guān)系，在概率論中如果隨機(jī)變量之間存在線性關(guān)系，那么它們的相關(guān)系數(shù)可定義為1。采用歸一化互相關(guān)函數(shù)來衡量2個(gè)信號(hào)間的相似性，若信號(hào)越相似，則互相關(guān)函數(shù)的取值越接近于1。因此，可根據(jù)互相關(guān)函數(shù)的性質(zhì)來檢測(cè)運(yùn)動(dòng)陰影。基于灰度圖像中可采用像素灰度表示像素亮度，假定視頻圖像大小是M×N，I(x,y)是當(dāng)前幀像素灰度，B(x,y)是背景像素灰度。定義模板Tx,y以(x,y)為中心、大小為(2L+1)×(2L+1)，有Tx,y(m,n)=I(x+m,y+n)，其中-L≤m(或n)≤L。I_square(x,y)、B_square(x,y)分別表示當(dāng)前幀和背景幀在像素(x,y)處的灰度值平方，IB_data(x,y)表示相應(yīng)灰度值的乘積，則I_square(x,y)的加總表為

SI_square(x,y)=I_square(x,y)+

SI_square(x,y-1)+SI_square(x-1,y)-SI_square(x-1,y-1)

(17)

類推得到加總表：SB_square(x,y)和SIB_data(x,y)?？焖贇w一化相關(guān)函數(shù)[14](FNCC)在像素(x,y)處的取值為

(18)

由于運(yùn)動(dòng)陰影的灰度值總集中分布在一定范圍以內(nèi)，所以，將陰影檢測(cè)范圍縮小到[Vmin,Vmax]。對(duì)前景區(qū)域中的每一個(gè)像素(x,y)進(jìn)行檢測(cè)，若其為陰影點(diǎn)，則需要滿足以下條件：

(19)

實(shí)際上灰度值小于背景的前景像素，仍有可能屬于運(yùn)動(dòng)目標(biāo)，所以，本文根據(jù)紋理特征變化進(jìn)一步判別陰影的存在與否。局部二值模式(Local Binary Pattern，LBP)是一種紋理特征的描述算子，其計(jì)算簡單，具有很好的紋理描述性。參考文獻(xiàn)[5]證明，LBP紋理特征在陰影區(qū)域和背景圖像中具有不變性。式(20)給出了依據(jù)紋理不變性的陰影判別準(zhǔn)則：

(20)

式中：shadow(x,y)=1，表明該像素為陰影點(diǎn)；LBPI(x,y)為像素在當(dāng)前幀的LBP值；LBPB(x,y)為像素在背景模型中的LBP值。

綜上所述，運(yùn)動(dòng)陰影檢測(cè)與去除方法的步驟如下：

Step1：判斷前景像素是否滿足式(19)中的條件，若條件不成立，則像素屬于運(yùn)動(dòng)目標(biāo)并停止檢測(cè)，否則屬于候選陰影區(qū)域。

Step2：計(jì)算像素在當(dāng)前幀和相應(yīng)背景模型中的LBP特征值，并由式(20)得到是否屬于運(yùn)動(dòng)陰影的判斷結(jié)果。

Step3：若被判別為陰影像素，則將相應(yīng)二值化圖像中的像素取值設(shè)置為M(x,y)=0。

4實(shí)驗(yàn)與分析

在Visual C++6.0和Opencv 2.0開發(fā)環(huán)境下編寫了實(shí)驗(yàn)程序，用以驗(yàn)證本文方法的有效性。

4.1自適應(yīng)背景建模與更新方法的實(shí)驗(yàn)分析

將基于IFCM聚類算法的自適應(yīng)背景建模與更新方法與經(jīng)典的GMM方法、KDE方法進(jìn)行比較，選用公共視頻庫PETS′2009中的一段視頻圖像序列進(jìn)行實(shí)驗(yàn)，對(duì)比實(shí)驗(yàn)結(jié)果如圖1所示。從圖1可看出GMM方法背景更新速度較慢，其背景模型中存在緩慢運(yùn)動(dòng)汽車的虛影，且處于停止?fàn)顟B(tài)的小汽車沒有出現(xiàn)在背景模型中。KDE方法同樣存在虛影，但背景模型中包括了停止?fàn)顟B(tài)的小汽車。而本文方法能夠快速適應(yīng)背景的相應(yīng)變化，獲得準(zhǔn)確的背景模型。

(a) 第130幀 (b) 第180幀 (c) 第200幀

(d) GMM方法背景(e) KDE方法背景(f) 本文方法背景

圖1自適應(yīng)背景建模與更新方法的對(duì)比實(shí)驗(yàn)結(jié)果

4.2前景檢測(cè)方法的實(shí)驗(yàn)分析

前景檢測(cè)方法的對(duì)比實(shí)驗(yàn)結(jié)果如圖2所示。圖2(a)—(c)中汽車突然啟動(dòng)，背景更新不能同步完成，在背景差分圖像(圖2(d))中，汽車沒有被完整檢測(cè)為運(yùn)動(dòng)目標(biāo)。而三幀差分能快速判斷出汽車為運(yùn)動(dòng)目標(biāo)，但由于行人步速緩慢，在相鄰2幀中變化較小且存在部分重疊，所以在三幀差分圖像(圖2(e))中，運(yùn)動(dòng)行人內(nèi)部出現(xiàn)了空洞。另外，背景差分和三幀差分二值化處理后，都出現(xiàn)了不同程度的噪聲。圖2(f)為基于聯(lián)合信息的前景檢測(cè)方法的檢測(cè)結(jié)果，效果良好。

(a) 第80幀 (b) 第102幀 (c) 第110幀

(d) 背景差分 (e) 三幀差分 (f) 本文方法結(jié)果

圖2前景檢測(cè)方法的對(duì)比實(shí)驗(yàn)結(jié)果

4.3運(yùn)動(dòng)陰影檢測(cè)方法的實(shí)驗(yàn)分析

將本文提出的運(yùn)動(dòng)陰影檢測(cè)方法與DNM1陰影檢測(cè)方法(DNM1方法)、基于FNCC的陰影檢測(cè)方法(FNNC方法)進(jìn)行比較，對(duì)比實(shí)驗(yàn)結(jié)果如圖3所示。由于圖像飽和度、顏色值都較低，DNM1方法只能檢測(cè)出部分陰影，F(xiàn)NNC方法較好地挖掘了陰影區(qū)域和相應(yīng)背景的亮度相似性特點(diǎn)，誤判像素減少，但陰影檢測(cè)仍不夠完整。而本文提出的運(yùn)動(dòng)陰影檢測(cè)方法同時(shí)結(jié)合了亮度和紋理特征的特性，其檢測(cè)效果顯然優(yōu)于DNM1和FNCC方法。

5結(jié)語

在優(yōu)化選取初始聚類中心和設(shè)計(jì)新聚類有效性指標(biāo)的基礎(chǔ)上，提出了IFCM聚類算法，并將其應(yīng)用于各像素背景模型的自適應(yīng)構(gòu)建和更新；提出了基于聯(lián)合信息的前景檢測(cè)方法，將像素背景差分信息與三幀差分信息進(jìn)行或運(yùn)算處理，提高前景檢測(cè)時(shí)對(duì)動(dòng)態(tài)場(chǎng)景變化的適應(yīng)性，進(jìn)一步聯(lián)合空間鄰域信息來減少前景中的噪聲；提出了運(yùn)動(dòng)陰影檢測(cè)與去除方法，采用像素對(duì)應(yīng)FNCC函數(shù)的取值判別候選陰影區(qū)域，然后依據(jù)紋理特征值不變性，確定并去除運(yùn)動(dòng)陰影，因此，獲得了較為準(zhǔn)確的運(yùn)動(dòng)目標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文方法能將運(yùn)動(dòng)目標(biāo)從復(fù)雜煤礦工作場(chǎng)景中檢測(cè)出來，為后續(xù)視頻監(jiān)控過程做好了充分準(zhǔn)備。同時(shí)將本文方法與相應(yīng)經(jīng)典算法進(jìn)行了比較分析，結(jié)果驗(yàn)證了本文方法的有效性和優(yōu)越性。

參考文獻(xiàn)：

[1]潘濤.煤礦生產(chǎn)系統(tǒng)集成的層次結(jié)構(gòu)及其標(biāo)準(zhǔn)化問題研究[J].工礦自動(dòng)化，2014,40(9):19-23.

[2]芮挺,周遊,馬光彥,等.核密度估計(jì)與高斯模型聯(lián)級(jí)運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2011,47(18):1-3.

[3]李鵬偉,葛文英,劉國英.基于陰影概率模型的遙感影像陰影檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2015,35(2):510-513.

[4]韓延祥,張志勝,郝飛,等.灰度序列圖像中基于紋理特征的移動(dòng)陰影檢測(cè)[J].光學(xué)精密工程，2013,21(11):2931-2940.

[5]曹健,陳紅倩,張凱,等.結(jié)合區(qū)域顏色和紋理的運(yùn)動(dòng)陰影檢測(cè)方法[J].機(jī)器人，2011,33(5):628-633.

Research on moving target detection in coal mine intelligent video monitoring

ZHANG Xiehua1,ZHAO Xiaohu2

(1.School of Education Intelligent Technology, Jiangsu Normal University, Xuzhou 221116, China;

2.IOT Perception Mine Research Center, China University of

Mining and Technology, Xuzhou 221008, China)

Abstract:In view of condition of complex dynamic scene changes in coal mine intelligent video monitoring environment, three important steps in moving target detection were researched which were background modeling and updating, foreground detecting, motion shadow detecting and removing. For the three steps, corresponding processing methods were put forward: a self-adaptive background modeling and updating method based on IFCM clustering algorithm was proposed, the method was used to unsupervised clustering of pixels' gray values, different number of clusters was adaptively selected to construct the pixels' background model, and automatic updating of the background model was completed by modifying, adding and deleting clusters with the scenes' change; a foreground detection method was proposed which combined the background difference, three frame difference and spatial neighborhood information, so accurate foreground targets were obtained; a motion shadow detection and removal method was proposed on the basis that the pixels' of gray images have characteristics of luminance correlation and texture invariance before and after shadow covering, so detecting and removing moving shadow was realized. The experimental results verify effectiveness and superiority of the method.

Key words:coal mine video monitoring; motion target detection; background modeling; foreground detection; motion shadow detection

作者簡介：張謝華(1977-)，女，安徽宿松人，副教授，博士，主要研究方向?yàn)檫\(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)跟蹤等，E-mail:85391920@qq.com。 徐榮鑫(1992-)，男，江蘇鹽城人，碩士研究生，主要研究方向?yàn)闄C(jī)電一體化，E-mail:xurxpaper@163.com。

基金項(xiàng)目：國家科技支撐計(jì)劃項(xiàng)目(2012BAH12B00)；江蘇師范大學(xué)博士學(xué)位教師科研支持項(xiàng)目(2015XLR18)。 中國博士后科學(xué)基金第58批面上資助項(xiàng)目(2015M581879)。

收稿日期：2015-12-16；修回日期：2016-02-01；責(zé)任編輯：張強(qiáng)。 2015-12-15；修回日期：2016-01-08；責(zé)任編輯：張強(qiáng)。

中圖分類號(hào)：TD67

文獻(xiàn)標(biāo)志碼：A網(wǎng)絡(luò)出版時(shí)間：2016-04-05 11:26

文章編號(hào)：1671-251X(2016)04-0031-06

DOI:10.13272/j.issn.1671-251x.2016.04.008

張謝華，趙小虎.煤礦智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)研究[J].工礦自動(dòng)化，2016,42(4)：31-36.