龔 安 牛 博 史海濤

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)與通信工程學(xué)院 青島 266580）

1 引言

石油資源作為我國(guó)重要戰(zhàn)略資源的一種，安全問題日益突出。傳統(tǒng)的油田遠(yuǎn)攝作業(yè)區(qū)監(jiān)測(cè)主要為人工全時(shí)監(jiān)測(cè)，而油田遠(yuǎn)攝作業(yè)區(qū)環(huán)境復(fù)雜，由于遠(yuǎn)攝攝像頭處在百米高空的特殊支架上，遠(yuǎn)攝距離一公里，人工監(jiān)測(cè)困難，效率低且有不同程度的遺漏現(xiàn)象發(fā)生。隨著智能視頻的快速發(fā)展和廣泛應(yīng)用，油田作業(yè)區(qū)智能監(jiān)測(cè)的需求變得尤為迫切。在不更換造價(jià)高昂遠(yuǎn)攝攝像頭的前提下，智能視頻監(jiān)測(cè)將發(fā)揮重大作用。實(shí)時(shí)準(zhǔn)確地監(jiān)測(cè)油田遠(yuǎn)攝作業(yè)區(qū)的入侵行為，及時(shí)通知安全人員處理危機(jī)事件，可以最大限度地減少人員傷亡或財(cái)產(chǎn)損失，對(duì)提高工作效率也有著重要意義。

目標(biāo)檢測(cè)是智能視頻監(jiān)測(cè)的關(guān)鍵，應(yīng)用最廣泛的算法有光流法、幀間差分法和背景差分法［1～3］。光流法計(jì)算復(fù)雜度較高，抗噪性能較差，沒有相應(yīng)的硬件，很難滿足實(shí)時(shí)高效的檢測(cè)處理。幀間差分法適合于動(dòng)態(tài)變化的環(huán)境，算法實(shí)現(xiàn)簡(jiǎn)單，復(fù)雜度低，但檢測(cè)結(jié)果容易對(duì)運(yùn)動(dòng)目標(biāo)產(chǎn)生空洞現(xiàn)象，不能完整地提取運(yùn)動(dòng)目標(biāo)。背景差分法對(duì)周期性運(yùn)動(dòng)不敏感，能夠準(zhǔn)確地提取運(yùn)動(dòng)目標(biāo)，關(guān)鍵在于如何建立背景模型及合理的背景更新機(jī)制。文獻(xiàn)［6］的算法提出自適應(yīng)K-α的混合高斯模型背景建模和目標(biāo)檢測(cè)能夠隨像素變化，但只提出了基于像素點(diǎn)建模，沒有提出空間領(lǐng)域建模的思想。文獻(xiàn)［7］提出改進(jìn)幀差的算法，對(duì)運(yùn)動(dòng)目標(biāo)作進(jìn)一步的檢測(cè)，以獲得準(zhǔn)確的目標(biāo)。文獻(xiàn)［8］提出幀差分塊與混合高斯建模相結(jié)合的算法，降低了計(jì)算量，但主要檢測(cè)的是近攝目標(biāo)，不能滿足遠(yuǎn)攝目標(biāo)的實(shí)際需求。

針對(duì)上述問題及油田作業(yè)區(qū)的復(fù)雜背景問題，提出一種圖象規(guī)則分塊三幀差法結(jié)合自適應(yīng)更新的混合高斯模型算法，使它們的優(yōu)勢(shì)互補(bǔ)，從而彌補(bǔ)相互的缺點(diǎn)，提高入侵目標(biāo)檢測(cè)效果。該算法利用圖像規(guī)則分塊建立初始背景模型，入侵目標(biāo)檢測(cè)時(shí)，首先對(duì)相鄰幀子塊三幀差法的結(jié)果與設(shè)定閾值進(jìn)行判斷，定位入侵目標(biāo)的子塊；再對(duì)入侵目標(biāo)的子塊進(jìn)行背景差分法結(jié)合三幀差法的細(xì)分割，精確檢測(cè)出子塊的完整入侵目標(biāo)；最后對(duì)入侵目標(biāo)的前景和背景采用不同的更新策略，有效克服入侵目標(biāo)檢測(cè)中的噪聲干擾，從而提高算法的魯棒性和實(shí)時(shí)性。

2 入侵目標(biāo)的粗提取

油田作業(yè)區(qū)固定背景下的遠(yuǎn)攝監(jiān)控，在視頻圖象中只有出現(xiàn)入侵目標(biāo)的區(qū)域才會(huì)有像素的變化，且該變化區(qū)域只占圖象的部分面積，大部分面積還是作為背景一直保持不變或者緩慢更新。為了實(shí)時(shí)檢測(cè)入侵目標(biāo)，進(jìn)一步提高檢測(cè)效率，引入圖象規(guī)則分塊結(jié)合三幀差法的入侵目標(biāo)粗提取，快速定位入侵目標(biāo)子塊。

2.1 圖象預(yù)處理與規(guī)則分塊

由于獲取的圖象有噪聲干擾的存在，直接處理會(huì)對(duì)結(jié)果有很大的影響，所以提前濾除噪聲。為了完整地提取目標(biāo)，需要對(duì)原始幀采用自適應(yīng)中值濾波去噪的方法。

把每幀圖像I分成規(guī)則且互不重疊的M*N子塊。如果子塊過大，較小入侵目標(biāo)容易被誤判為背景塊；如果子塊過小，計(jì)算量會(huì)顯著增加，達(dá)不到減少計(jì)算量的效果，所以規(guī)則圖象分塊比不規(guī)則圖象分塊簡(jiǎn)單高效，更能滿足實(shí)時(shí)檢測(cè)的要求。根據(jù)實(shí)際油田遠(yuǎn)攝作業(yè)區(qū)場(chǎng)景，把新幀圖象Ii劃分成4個(gè)相等的子塊：

2.2 圖象規(guī)則分塊的三幀差法

三幀差法是在幀差法的基礎(chǔ)上改進(jìn)的，將相鄰三幀圖像首先進(jìn)行兩兩差分，再將差分的結(jié)果相與。該方法對(duì)入侵目標(biāo)的檢測(cè)靈敏度高，能夠較好地檢測(cè)出實(shí)際入侵目標(biāo)的輪廓，能自動(dòng)消除背景顯露區(qū)域，但不能將入侵目標(biāo)完整地提取出來。

分塊的三幀差算法如下：

式（2）、（3）中，T1的取值影響入侵目標(biāo)的后續(xù)處理。由于只對(duì)入侵目標(biāo)粗分割，故不宜選擇過大的閾值，否則，會(huì)造成入侵目標(biāo)出現(xiàn)空洞現(xiàn)象，同時(shí)復(fù)雜的自適應(yīng)閾值會(huì)造成計(jì)算量過大。針對(duì)油田監(jiān)測(cè)的實(shí)際需求，且由于差分圖象的結(jié)果近似滿足高斯分布，所以閾值T1的選擇可以依據(jù)3α準(zhǔn)則，T1=3α+μ，α和μ分別為差分圖象分布的均值和方差。

通過檢測(cè)閾值T1判斷該子塊是入侵目標(biāo)子塊還是背景子塊。如果≤T1，判定子塊為背景子塊，將子塊內(nèi)所有像素點(diǎn)置為0；如果＞T1，那么此塊為入侵目標(biāo)子塊，其公式如下：

對(duì)DΦ進(jìn)行形態(tài)學(xué)濾波和連通性檢測(cè)，獲得入侵目標(biāo)的粗提取，并定位入侵目標(biāo)子塊。

3 結(jié)合圖象分塊的自適應(yīng)混合高斯算法

在實(shí)際油田遠(yuǎn)攝作業(yè)區(qū)中，為了提高入侵目標(biāo)檢測(cè)的準(zhǔn)確性，采用一種自適應(yīng)調(diào)整學(xué)習(xí)率α的入侵目標(biāo)檢測(cè)方法，先利用處理速度較快的三幀差法預(yù)判當(dāng)前新幀的入侵目標(biāo)塊是否需要匹配模型并訓(xùn)練，由子塊幀差法得到的二值化結(jié)果判定是否入侵目標(biāo)大于設(shè)定的閾值，根據(jù)幀差的結(jié)果采用自適應(yīng)更新的α。

3.1 傳統(tǒng)的混合高斯模型算法

背景圖像的各個(gè)像素點(diǎn)分別用K個(gè)高斯成分組成的高斯模型來建模，獲取當(dāng)前幀圖像后更新模型參數(shù)，用當(dāng)前像素與混合高斯模型匹配，提取入侵目標(biāo)。假設(shè)像素點(diǎn)的各個(gè)顏色分量值之間是相互獨(dú)立的，當(dāng)前像素i在時(shí)刻t取值Xi，t=(Ri，Gi，Bi)的概率密度函數(shù)為

式中 μi，t，Σi，t分別為均值和協(xié)方差矩陣，ωi，t是第i個(gè)高斯分布的權(quán)重，且有越能描述更復(fù)雜的背景，但相應(yīng)地增加了計(jì)算量，影響實(shí)時(shí)效果，所以一般取3～5，本文算法中是 t時(shí)刻的第 i個(gè)高斯分布：

其中，n表示顏色通道數(shù)，本文采用灰度圖像進(jìn)行背景建模，n=1；Σi，t=(σi，t)2e ，其中 σi，t為標(biāo)準(zhǔn)差，e表示單位矩陣。

完成背景模型初始化后，需要不斷對(duì)背景模型進(jìn)行更新，匹配條件為

若Xt與所有高斯分布存在匹配，則對(duì)所有的高斯分布的權(quán)值按式（8）更新，匹配的 Mi，t取值為1，其他Mi，t取值為0。對(duì)匹配的高斯分布的方差和均值按式（9）和式（10）更新，不匹配的分布保持不變。參數(shù)更新如下：

其中α、β為學(xué)習(xí)率。若Xt與其對(duì)應(yīng)的混合高斯的所有分布都不匹配，則將其混合高斯模型中權(quán)重最小的模型用一個(gè)新的模型取代。按大到小將每個(gè)像素的K個(gè)高斯分布排序。由于最可能描述穩(wěn)定的高斯分布位于序列頂部。因此，取前B個(gè)高斯分布作為背景模型：

式（12）中，argbmin表示滿足括號(hào)內(nèi)不等式條件下b的最小取值。將像素值Xt與它前B個(gè)高斯分布進(jìn)行匹配，若存在匹配，則該像素點(diǎn)為背景點(diǎn)；否則為前景點(diǎn)，即為入侵目標(biāo)。T代表閾值，取經(jīng)驗(yàn)值0.7。

3.2 入侵目標(biāo)塊的更新策略

通過子塊對(duì)應(yīng)幀差的判別結(jié)果，得到背景塊和入侵目標(biāo)塊，入侵目標(biāo)塊采用自適應(yīng)更新策略。

背景塊是當(dāng)前幀中不含有入侵目標(biāo)的子塊；入侵目標(biāo)塊包含全部入侵目標(biāo)和兼有部分入侵目標(biāo)的子塊。對(duì)于入侵目標(biāo)塊運(yùn)動(dòng)過的區(qū)域采用比較大的更新率α′=0.01，為了使背景模型能夠及時(shí)反應(yīng)背景變化，對(duì)背景區(qū)域采用一種動(dòng)態(tài)更新率，α=0.002。n為模型所需要的幀數(shù)。在模型建立的初始階段或者光照突然發(fā)生變化的階段，α'會(huì)適當(dāng)?shù)卦龃?，可以迅速地建立比較真實(shí)的反應(yīng)背景信息的背景模型，隨著n值的增大，兩值的差異會(huì)逐漸變小，α′基本與α相同。自適應(yīng)高斯混合模型的學(xué)習(xí)率采用如下公式：

最后通過相鄰幀子塊的幀差結(jié)果和自適應(yīng)更新學(xué)習(xí)率背景差分的子塊結(jié)果進(jìn)行邏輯“與”運(yùn)算，得到完整的入侵目標(biāo)，可以滿足油田作業(yè)區(qū)的實(shí)時(shí)監(jiān)測(cè)需求。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)采用Visual Studio 2013和Matlab編程，計(jì)算機(jī)環(huán)境為Intel i5-6400 2.7GHz CPU，內(nèi)存為8GB。對(duì)油田作業(yè)區(qū)視頻系列分別采用文獻(xiàn)［7］、文獻(xiàn)［8］和本文的算法進(jìn)行實(shí)驗(yàn)對(duì)比，主要從兩方面進(jìn)行分析比較：實(shí)驗(yàn)的顯示效果和算法的運(yùn)行時(shí)間。

圖1 三種算法對(duì)于實(shí)際入侵目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果

對(duì)分辨率為756*520的視頻圖象進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖1和表1所示。圖1左側(cè)是某作業(yè)區(qū)實(shí)際場(chǎng)景。從圖1檢測(cè)結(jié)果可以看出，本文算法和文獻(xiàn)［8］的算法比文獻(xiàn)［7］的算法能夠更加清晰和完整地檢測(cè)到入侵目標(biāo)。文獻(xiàn)［7］采用幀差法，容易出現(xiàn)空洞，噪聲較多且容易丟失主要入侵目標(biāo)，如實(shí)驗(yàn)中的入侵目標(biāo)②沒有被檢測(cè)出，導(dǎo)致檢測(cè)結(jié)果不完整；文獻(xiàn)［8］采用改進(jìn)的幀差法結(jié)合混合高斯模型的算法，雖然比文獻(xiàn)［7］的算法噪聲大幅度減少，但卻新增了莫名的噪聲塊；而本文算法能夠加快獲取入侵目標(biāo)的速度，清晰地檢測(cè)出完整的入侵目標(biāo)①和②，且無噪聲塊。

表1 三種算法的查全率和查準(zhǔn)率的平均結(jié)果

從表1可以看出，本文算法的查全率與文獻(xiàn)［8］的算法相似，但略高于文獻(xiàn)［7］的算法，主要是混合高斯算法獲取入侵目標(biāo)時(shí)，某些入侵目標(biāo)像素點(diǎn)被誤判為背景像素點(diǎn)，不能得到較好的處理，而本文算法和文獻(xiàn)［8］算法能夠較好地解決這個(gè)問題。本文算法的查準(zhǔn)率高于文獻(xiàn)［7～8］算法的查準(zhǔn)率，是因?yàn)楸疚乃惴▽?duì)三幀差法的結(jié)果與混合高斯算法的差分進(jìn)行“與”運(yùn)算，能夠避免入侵目標(biāo)的誤檢。

表2 三種算法的實(shí)時(shí)處理時(shí)間

從表2可以看出，本文算法檢測(cè)出入侵目標(biāo)的總時(shí)間比文獻(xiàn)［7～8］算法要少。文獻(xiàn)［7］的算法是對(duì)每一幀背景進(jìn)行自適應(yīng)更新，處理速度較慢。文獻(xiàn)［8］的算法有誤檢現(xiàn)象，使得總時(shí)間較文獻(xiàn)［7］算法和本文算法更長(zhǎng)。本文算法采用圖象分塊后，對(duì)相鄰幀子塊采用處理速度較快的三幀差法獲取結(jié)果，然后只對(duì)有入侵目標(biāo)的子塊進(jìn)行自適應(yīng)更新背景，整體處理速度更快。

5 結(jié)語

針對(duì)實(shí)時(shí)監(jiān)測(cè)油田遠(yuǎn)攝作業(yè)區(qū)非法入侵的問題，通過先圖象預(yù)處理后規(guī)則分塊進(jìn)行相鄰幀子塊對(duì)應(yīng)幀差快速提取入侵目標(biāo)子塊，再對(duì)入侵目標(biāo)子塊自適應(yīng)更新背景，可以大幅度地減少背景更新時(shí)間，并且通過幀差結(jié)果和背景差分結(jié)果“與”運(yùn)算，能夠有效提取完整地入侵目標(biāo)。實(shí)驗(yàn)結(jié)果表明，本文算法滿足了油田遠(yuǎn)攝作業(yè)區(qū)的實(shí)時(shí)要求，提高了入侵目標(biāo)的處理速度，具有很好的魯棒性和實(shí)時(shí)性。