唐德謙 宋剛偉 張進 李鈞 周風娥 張繼康

摘? ?要：為了提高在監(jiān)控視頻下進行拋物識別的快速性及準確性，消除ghost區(qū)域存在的干擾以及PBAS算法存在的動態(tài)背景效果差的問題，提出了一種改進的PBAS算法。介紹了背景減除法與PBAS算法的理論基礎(chǔ)，然后提出了一種改進的PBAS算法，并應(yīng)用于拋物識別中，最后分別在純凈背景和復雜背景下進行拋物識別對比實驗。實驗證明文中改進的PBAS算法能夠完全去除ghost帶來的影響，該算法具有更高的檢測率和準確率，實現(xiàn)了更好的拋物識別效果，有效提高了識別的平均處理速度，可以在監(jiān)控視頻中更精準、實時地呈現(xiàn)拋物現(xiàn)場的視頻數(shù)據(jù)等信息，更好地滿足在拋物識別中的實際應(yīng)用。

關(guān)鍵詞：PBAS算法;背景減除法;拋物識別;鬼影消除

中圖分類號：TP391? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻識別碼：A

Application of Improved PBAS Algorithm in Throwing Recognition

TANG De-qian，SONG Gang-wei?，ZHANG Jin，LIN Jun，ZHOU Feng-e，ZHANG Ji-kang

（State Grid Shaanxi Ankang Hydropower Station，Ankang，Shaanxi 725000，China）

Abstract： In order to improve the speed and accuracy of throwing recognition in surveillance video，eliminate the interference in ghost region and the poor dynamic background effect of PBAS algorithm，this paper studies and proposes an improved PBAS algorithm. Firstly，the theoretical basis of background subtraction and PBAS algorithm is briefly introduced. Secondly，an improved PBAS algorithm is proposed by combining the two algorithms. The algorithm is applied to throwing recognition. Finally，the throwing recognition experiments are carried out under two different backgrounds. Experiments show that the improved PBAS algorithm can completely remove the impact of ghost. And the algorithm has higher detection rate and accuracy，and achieves better throwing recognition effect. It effectively improves the average processing speed of recognition，and presents more accurate and real-time information such as throwing field video data in surveillance video，so as to better meet the practical application in throwing recognition.

Key words：PBAS algorithm;background subtraction;throwing recognition;ghost removal

隨著計算機技術(shù)的不斷發(fā)展，智能視頻監(jiān)控系統(tǒng)也得到了迅速發(fā)展，它可以智能地分析和處理視頻圖像序列，實現(xiàn)了對監(jiān)控場景中運動目標的檢測與分析，并已廣泛應(yīng)用于國民生活的各個領(lǐng)域[1-2]。由于當前城市的快速發(fā)展，高樓建筑越來越常見，拋物行為也多發(fā)生于高樓小區(qū)以及建筑工地等地方，其所引發(fā)的安全問題也越來越倍受關(guān)注[3-4]。拋物具有的突發(fā)性、危害性及不可回避性，一旦發(fā)生，不僅破壞環(huán)境，而且還存在著安全隱患[5-6]。

在現(xiàn)有針對拋物的技術(shù)方案中，通常會部署大規(guī)模的網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)，該系統(tǒng)具有大數(shù)據(jù)量的采集前端，從而導致需要處理的視頻數(shù)據(jù)量呈現(xiàn)指數(shù)形式的增長。而傳統(tǒng)的視頻監(jiān)控系統(tǒng)通常是以人工監(jiān)測為主，當監(jiān)控人員長時間面對監(jiān)控視頻時，容易產(chǎn)生視覺疲勞，很難及時察覺拋物事件的發(fā)生，雖然耗費了大量的人力、勞力，但是很難快速且有效地處理這些海量的數(shù)據(jù)[7-8]。

基于此，提出了一種應(yīng)用在拋物識別中的改進的PBAS算法，可以將監(jiān)控畫面實時傳送到后臺，一旦有物體落下，可以實時捕捉定位拋物位置，進行拋物管理系統(tǒng)實時預警，并將預警圖像進行保存。有效提高了識別的速度及準確度，為在監(jiān)控視頻下實現(xiàn)拋物行為的及時發(fā)現(xiàn)及預警提供了有效的方法。

1? ?改進的PBAS算法

1.1? ?PBAS算法

Hofmann等人于2012年提出了一種基于像素模型得自適應(yīng)背景分割算法（Pixel-Based Adaptive Segmenter，PBAS）[9-10]，該算法的背景模型是通過采集背景樣本構(gòu)建而成的，并且自適應(yīng)的優(yōu)化了模型中的閾值和更新率，降低了背景產(chǎn)生的誤檢率。

PBAS算法結(jié)合了SACON算法和VIBE算法的優(yōu)點[11-13]，并以此為基礎(chǔ)進行了改進，主要特點是引進控制論思想和對背景復雜度的度量方法，使前景判斷閾值和背景模型更新率隨著背景復雜度的變化而自適應(yīng)變化，并且隨之及時更新，因此PBAS算法對實時監(jiān)控視頻處理效果較好。PBAS算法具有自適應(yīng)背景樣本集更新策略，這比VIBE算法的固定更新樣本集策略能夠更好的在實際情況中使用。但是依然存在ghost區(qū)域干擾、動態(tài)背景效果差的問題。

1.2? ?背景減除法

背景減除法的基本原理是將背景模型圖像與后續(xù)視頻幀進行比較，并通過差分運算和閾值化處理達到運動目標分割的目的[14]。背景模型是基于視頻圖像序列中像素點的分布，建立一個近似當前視頻圖像序列得到的。若背景模型與后續(xù)視頻幀之間的差別不大，那么其對應(yīng)的像素點灰度值的差值也相對較小，這些區(qū)域會被舍棄;而對于具備運動物體的情況，像素點灰度差值較為明顯，相應(yīng)區(qū)域?qū)槐Ａ粝聛怼?/p>

設(shè)B（x，y）為背景模型圖像，F(xiàn)（x，y，t）為t時刻當前視頻幀圖像，為當前幀圖像與背景模型圖像的差分圖像，三者關(guān)系如公式（1）所示：

其中（x，y，t）是t時刻像素的空間坐標。

一般情況下，當D（x，y，t）時，則表示不是運動物體;當D（x，y，t） ≠ 0時，則表示其對應(yīng)的圖像中有運動物體。但在實際情況中，由于受到一些因素的干擾，需要設(shè)置閾值來判斷出運動物體，如公式（2）所示：

其中R（x，y，t）為差分圖像D（x，y，t）二值化后得到的差分圖像，設(shè)定的閾值為 。當D（x，y，t）大于閾值時，則判斷為運動物體，設(shè)為1;否則不是運動物體，設(shè)為0.

1.3? ?改進的PBAS算法

針對PBAS算法的ghost區(qū)域問題，提出了一種將PBAS算法與背景減除法相結(jié)合來抑制ghost區(qū)域的方法，該改進算法能夠很好地抑制ghost區(qū)域的干擾，而不會影響運算速度。

改進的PBAS算法的具體步驟如下：

步驟1? ?建立背景模型：

采用視頻的前 幀的像素值建立初始化背景模型：

其中B（xi）為像素xi在t = 0時刻的背景模型，Br（xi），r = 1，2，…，n為前n幀對應(yīng)位置像素的像素值。

步驟2? ?前景檢測：

首先計算當前幀像素點與背景模型像素之間的距離，然后將該距離與自適應(yīng)閾值進行比較，如果小于給定閾值，并且滿足該條件的背景模型中的像素個數(shù)至少為#min個，則該像素為前景像素，否則為背景像素。對像素進行判斷的過程如公式（4）所示：

當F（xi） = 1時，該像素為前景候選像素，當

F（xi） = 0時為背景候選像素。其中I（xi）為當前幀像素點的像素值，R（xi）為自適應(yīng)的閾值，該值是變化的，#min為最小匹配數(shù)目，該值是一個固定值。

步驟3? ?背景模型更新：

若某個像素點被判定為背景像素，則需要在背景模型中隨機選擇一個像素，并用被判定的像素去更新，而且還要隨機選擇該像素鄰域的其他像素進行更新。若T（xi）為背景的更新率，則背景模型將以1/T（xi）的概率進行更新。

1） 在初始化過程中，各個像素的閾值由前n幀的n個距離的最小值的平均值來決定，最小距離矩陣用公式（5）來表示：

其中Dr（xi） = min（dist（I（xi），Br（xi））），r = 1，2，…n。

對于每幀的每個像素，其n個最小值的平均值可以用公式（6）來表示：

2） 自適應(yīng)閾值R（xi）的更新，其更新公式可由公式（7）來表示：

其中Rinc/dec和Rscale都是事先設(shè)定的固定值，Rinc/dec為閾值的變化量，Rscale用于控制背景復雜度對判別閾值的調(diào)整。

3） 背景更新率T（xi）的更新，其更新公式可用公式（8）來表示：

其中Tinc和Tdec也是預先設(shè)定的固定值，分別為更新率增加、減小的幅度，F(xiàn)（xi）為前景檢測結(jié)果。

步驟4 為了達到消除ghost區(qū)域的目的，采用背景減除法來判斷前景像素點是否是運動物體。

改進的PBAS算法的流程圖如圖1所示：

2? ?將改進的PBAS算法應(yīng)用于拋物識別

為了及時的通過視頻監(jiān)控對拋物行為進行識別與預警，最大程度的減少人員傷亡及損失，因此需要較快的拋物識別速度及準確的定位相關(guān)責任人[15，16]。鑒于此，將改進的PBAS算法應(yīng)用于拋物識別中，以提高在拋物發(fā)生過程中識別的準確性、及時性以及用戶體驗。

該過程的具體步驟為：

步驟1 輸入視頻幀，為了加快視頻幀的后續(xù)處理，本文采用了跳幀處理以及對每幀圖像進行了裁剪的處理;

步驟2 建立背景模型;

步驟3 采用改進的PBAS算法進行運動目標的檢測并消除ghost區(qū)域;

步驟4 對得到的前景目標進行輪廓查找，通過滿足一系列的條件之后，得到目標輪廓;

步驟5 檢查是否找到了拋物軌跡上的所有輪廓，若是，則結(jié)束，反之，重復步驟3和4。

具體的流程圖如圖2所示：

3? ?實驗結(jié)果與分析

在實驗的時候選擇兩個應(yīng)用場景，場景一是視頻背景比較純凈的地方;場景二是視頻背景稍微復雜的地方。

為了驗證文中算法在拋物識別中的優(yōu)越性，將本文算法與原PBAS算法的對比實驗分別在場景一和場景二中進行。分別在兩個場景中進行100次實驗，每次使用視頻的幀率為25幀/秒，視頻圖像的大小均相同，并且在每次實驗中，兩種算法中部分固定參數(shù)的取值均為：N = 20，Bmin = 2，Rinde = 0.05，Rlower = 18，Rscale = 5，Tinc = 1，Tdec = 0.05，Tupper = 200，Tlower = 2。

在相同的條件下，分別測得本文算法與原PBAS算法在檢測拋物識別過程中的效果，場景一中的效果如圖3和圖4所示，場景二中的效果如圖5和圖6所示;并分別采用檢測率、準確率和平均處理速度來衡量算法的檢測效果和實時性，將最終得到的結(jié)果分別取平均值，場景一中的實驗結(jié)果如表1所示，場景二中的實驗結(jié)果如表2所示。

由以上四組圖的對比分析可以看出，無論是在場景一還是在場景二中，在采用原PBAS算法識別的圖中，可以明顯的看到ghost區(qū)域的存在，而本算法已經(jīng)完全去除了ghost帶來的影響。因此，進行拋物識別的實驗效果要遠好于原PBAS算法，證明了本算法在提取前景方面的優(yōu)越性。

由上面兩個表格中的結(jié)果對比分析可以得出，在兩個場景下，本算法在檢測率和準確率上都有更好的效果，此外在平均處理速度上，本算法也要優(yōu)于原PBAS算法，完全能夠滿足實時性的要求。實驗取得了良好的效果，因此本文將改進的PBAS算法應(yīng)用于拋物識別是可行和有效的。

4? ?結(jié) 論

將改進的PBAS算法應(yīng)用于拋物識別進行了研究。介紹了改進的PBAS算法和將改進的PBAS算法應(yīng)用于拋物識別的具體過程，分別對原PBAS算法和本算法進行對比實驗，實驗結(jié)果也證明了將改進后的PBAS算法應(yīng)用于拋物識別的可行性及有效性。該方法適用于檢測前景的實時監(jiān)控系統(tǒng)，可實現(xiàn)對拋物情況的高效實時報警，有效幫助相關(guān)部門提高在拋物環(huán)境下突發(fā)事件的快速響應(yīng)和應(yīng)急處理能力，具有一定的應(yīng)用前景。

參考文獻

[1]? ? 黃富瑜，沈?qū)W舉，劉旭敏，等. 基于空時域融合處理檢測超大視場紅外目標[J]. 光學精密工程，2015，23（8）：2328-2338.

[2]? ? QIN Han-lin，HAN Jiao-jiao，YAN Xiang，et al. Infrared small moving target detection using sparse representation-based image decomposition[J]. Infrared Physics & Technology，2016，76：148-156.

[3]? ? 孫輝輝，初琦. 數(shù)據(jù)鏈技術(shù)在機載光電吊艙中的應(yīng)用[J]. 電光與控制，2013（5）：85-87.

[4]? ? 楊先鳳，楊燕. 一種基于HOG-LBP的高效車輛檢測方法[J]. 計算機工程，2014，40（9）：210-214.

[5]? ? OGATA T，TAN J K，ISHIKAWA S. High-speed human motion recognition based on a motion history image and an eigen-space[J]. IEICE Transactions on Information and Systems，2006，89（D（1））：281-289.

[6]? ? 何亮明，胡茂林，劉海濤. 周界視頻監(jiān)控中拋物檢測算法[J]. 天津大學學報，2011，44（3）：242-247.

[7]? ? ZOU Q，LING H，LUO S，et al. Robust nighttime vehicle detection by tracking and grouping headlights[J]. IEEE Transactions on Intelligent Transportation Systems，2015，16（5）：2838-2849.

[8]? ?GOMES V，BARCELLOS P，SCHARCANSKI J. Stochastic shadow detection using a hypergraph partitioning approach[J]. Pattern Recognition，2016，63：30-44.

[9]? ?MARTIN H，PHILIPP T，GERHARD R. Background segmentation with feedback：the pixel-based adaptive segmenter[J]. Computer Vision and Pattern Recognition Workshops，2012 IEEE Computer Society Conference，2012：38-43.

[10] HOFMANN M，TIEFENBACHER P，RIGOLL G. Background segmentation with feedback：the pixel-based adaptive seg-menter [C] // Proc of Computer Society Conference on Computer Vision and Pattern Recognition Workshops，2012：38-43.

[11]? WANG H，SUTER D. Background subtraction based on a robust consensus method[C] // IEEE International Conference on Pattern Recognition，2006：223-226.

[12]? BARNICH O，VANOGENBROECK M. ViBE：a powerful random technique to estimate the background in video sequences[C] // IEEE International Conference on Acoustics，Speech and Signal Processing，2009：945-948.

[13] BARNICH O，DROOGENBROECK M V. ViBe：a universal background subtraction algorithm for video sequences [J]. IEEE Transactions on Image Processing，2011，20 （6）：1709-1724.

[14]? HAN B，DAVIS L S. Density-based multi-feature background subtraction with support vector machine[J]. Pattern Analysis and Machine Intelligence，IEEE Transactions on，2012，34（5）：1017-1023.

[15]? 宋煥生，張向清，鄭寶峰，等. 基于深度學習方法的復雜場景下車輛目標檢測[J]. 計算機應(yīng)用研究，2018，35（4）：1270-1273.

[16]? 高紅紅，曹建榮，李振宇，等. 基于背景分類的運動目標檢測算法[J]. 計算機工程與應(yīng)用，2017，53（21）：179-184.