王晗 劉歆

摘要：動(dòng)態(tài)背景下針對動(dòng)態(tài)場景中部分物體存在擾動(dòng)的特點(diǎn)，本文在差分思想的基礎(chǔ)上，對背景模型進(jìn)行持續(xù)的更新，結(jié)合模糊更新準(zhǔn)則，自適應(yīng)地改變背景模型的檢測閾值和更新頻率，進(jìn)而提高動(dòng)態(tài)場景中前景提取的準(zhǔn)確性和魯棒性。

關(guān)鍵詞：視頻監(jiān)控;前景提取; 隨機(jī)聚類;背景更新策略

中圖分類號(hào)：TP311? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）30-0196-02

1 背景

國內(nèi)視頻監(jiān)控市場在最近幾年開始進(jìn)入高速增長期[1]，而增長的動(dòng)力來自城鎮(zhèn)化步伐的加快。同時(shí)，隨著平安城市建設(shè)等各項(xiàng)政策的繼續(xù)開展和深化，以及交通、教育、金融等各行業(yè)用戶安防意識(shí)的不斷增強(qiáng)，預(yù)計(jì)未來視頻監(jiān)控市場將保持強(qiáng)勁增長。

面對爆發(fā)增長的監(jiān)控?cái)?shù)據(jù)，傳統(tǒng)的人工監(jiān)控已經(jīng)不能滿足目標(biāo)信息提取的高效性，因此，能夠?qū)σ曨l進(jìn)行自動(dòng)分析和識(shí)別的智能監(jiān)控系統(tǒng)應(yīng)運(yùn)而生，其中，靜態(tài)背景的目標(biāo)提取處理較為簡單，而如何在動(dòng)態(tài)的背景下準(zhǔn)確提取前景目標(biāo)則是一個(gè)非常重要且基礎(chǔ)的問題。

2 靜態(tài)背景下的前景提取

針對靜態(tài)背景下的前景目標(biāo)提取問題，解決的基本思路為利用視頻幀間，前景目標(biāo)的位置差異作為依據(jù)進(jìn)行前景目標(biāo)的運(yùn)動(dòng)建模，并以運(yùn)動(dòng)模型為基礎(chǔ)將前景目標(biāo)和背景進(jìn)行分離[2，3]。

在視頻 Airport中，電梯的移動(dòng)導(dǎo)致背景變化，從而幀間差分方法會(huì)誤將運(yùn)動(dòng)的電梯提取出來。基于此，本文將對動(dòng)態(tài)背景下的前景提取問題進(jìn)行解決。

3 動(dòng)態(tài)背景下的前景提取

基于前文分析，“鬼影”是幀差法中常見的現(xiàn)象，即當(dāng)前景移走后，上一時(shí)刻的前景很可能被誤檢為前景目標(biāo)。前文“Airport”視頻中由于運(yùn)行的電梯而產(chǎn)生的白色區(qū)域就是這樣的一種現(xiàn)象。所以在本文中，提出了一種可以在動(dòng)態(tài)背景中有效提取前景的樣本隨機(jī)聚類方法，該方法可以利用模糊理論，自適應(yīng)的改變模型的檢測閾值和更新頻率，進(jìn)而有效地減少場景中由于部分物體小規(guī)模擾動(dòng)產(chǎn)生的“鬼影”現(xiàn)象[4]。

考慮到動(dòng)態(tài)場景中，水波、樹葉等持續(xù)運(yùn)動(dòng)的物體在全部時(shí)刻的擾動(dòng)范圍都很小。所以在初始化樣本集時(shí)，抽取任一像素點(diǎn) x 的前 N 幀圖片的像素值初始化背景模型[M（x）]：

3.1 基于樣本隨機(jī)聚類的自適應(yīng)匹配模型

模型初始化后，則前景的二值圖[F（x）]可以表示為：

不同于基于靜態(tài)背景的樣本隨機(jī)聚類的算法中的靜態(tài)閾值 R，考慮到動(dòng)態(tài)場景中不同物體的晃動(dòng)距離差距較大（樹葉晃動(dòng)的范圍和電梯移動(dòng)的距離不同），所以在基于動(dòng)態(tài)背景的樣本隨機(jī)聚類的方法中，本文根據(jù)背景的動(dòng)態(tài)程度，自適應(yīng)地設(shè)置閾值 R，由于該值和背景的動(dòng)態(tài)移動(dòng)范圍有關(guān)，故增加一個(gè)參數(shù)：最小距離集合[D（x）]及平均最小距離以[dmin（x）]限制R，其中[D（x）]可以表示為：

3.2 背景模型更新

考慮到晃動(dòng)的葉子、波動(dòng)的水波極易干擾前景的提取，有時(shí)甚至?xí)屒熬氨徽`檢為背景，產(chǎn)生誤檢率變大的問題。所以為了提高算法的精確度及魯棒性，本文利用空間一致性，即鄰域像素的匹配情況判斷中心像素模型的準(zhǔn)確性。其中對于視頻幀I中的一個(gè)像素點(diǎn)[x（xi，xj）]，定義其[k×k]鄰域?yàn)椋?/p>

3.3 模糊更新準(zhǔn)則

在動(dòng)態(tài)場景中，由于大部分物體是隨機(jī)擾動(dòng)的，所以本文引入了模糊理論以有效衡量背景更新過程[6]。

為將模糊理論應(yīng)用于本文方法中，在基于動(dòng)態(tài)背景的樣本隨機(jī)聚類的算法中加入了模糊函數(shù)[F1（x）]，該函數(shù)可以和隨機(jī)更新時(shí)間因子[φ=F1（x）×φ]組合，進(jìn)而確定模板隨機(jī)更新的概率。

據(jù)[NCF（x）]的計(jì)算公式可知，[NCF（x）]越大，x鄰域中能被背景模型描述的像素點(diǎn)越多，則用x來更新背景模型的概率就越大。上述過程可以反向約束模糊函數(shù)[F1（x）]及隨機(jī)更新時(shí)間因子[φ]，進(jìn)而自適應(yīng)的調(diào)整背景更新概率，有效提高方法的精確度和魯棒性。

3.4 測試效果

湖面發(fā)生持續(xù)的變化，但是從圖2分離的前景圖中可以看出，本章的方法可以有效屏蔽動(dòng)態(tài)背景的干擾，取得較好的前景提取效果。這是由于本章方法在進(jìn)行背景模型更新時(shí)，結(jié)合了模糊更新準(zhǔn)則，反向約束樣本聚類方法，從而實(shí)現(xiàn)背景模型的自適應(yīng)構(gòu)建，這種自適應(yīng)匹配模型能夠更加準(zhǔn)確地表征處于持續(xù)變化的動(dòng)態(tài)背景。

4 總結(jié)

針對動(dòng)態(tài)背景下的前景提取問題，本文在處理靜態(tài)背景常用方法——幀間差分法的基礎(chǔ)上結(jié)合了模糊更新準(zhǔn)則，自適應(yīng)的改變背景模型的檢測閾值和更新頻率，提高針對動(dòng)態(tài)變化的背景模型構(gòu)建的準(zhǔn)確性。通過對監(jiān)控視頻的實(shí)際應(yīng)用，本文所提出的方法有良好的實(shí)現(xiàn)效果。

參考文獻(xiàn)：

[1]朱啟.視頻監(jiān)控行業(yè)分析報(bào)告[D].廣州：華南理工大學(xué)，2016.

[2] 郭溪溪，陳小林，王博，等.靜態(tài)背景下運(yùn)動(dòng)目標(biāo)的邊緣提取[J].半導(dǎo)體光電，2017，38（1）：117-121.

[3] 陳媛，胡娜，余秋月.融合背景差分法和幀間差分法的運(yùn)動(dòng)目標(biāo)檢測[J].現(xiàn)代計(jì)算機(jī)，2019（34）：50-53.

[4] 曾冬冬.視頻監(jiān)控中的前景目標(biāo)檢測算法研究[D].北京：中國科學(xué)院大學(xué)，2019.

[5] 龔松標(biāo).基于自適應(yīng)特征的復(fù)雜場景背景提取[D].西安：長安大學(xué)，2019.

[6] 勞麗，吳效明，朱學(xué)峰.模糊集理論在圖像分割中的應(yīng)用綜述[J].中國體視學(xué)與圖像分析，2006，11（3）：200-205..

【通聯(lián)編輯：聞翔軍】