邱 楠 ，邢曉紅，李忠海

(沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院，沈陽(yáng) 110136)

?

小區(qū)視頻監(jiān)控的入侵檢測(cè)算法

邱 楠 ，邢曉紅，李忠海

(沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院，沈陽(yáng) 110136)

目前運(yùn)動(dòng)目標(biāo)入侵檢測(cè)的算法有很多種，一些算法已經(jīng)解決了一些監(jiān)控中的實(shí)際問題，但是還存在很多挑戰(zhàn)性的難題沒有解決，如針對(duì)小區(qū)視頻智能監(jiān)控系統(tǒng)的研究比較少。對(duì)小區(qū)視頻智能監(jiān)控系統(tǒng)中的入侵檢測(cè)算法進(jìn)行了研究，設(shè)計(jì)并實(shí)現(xiàn)了較穩(wěn)定、實(shí)時(shí)性和擴(kuò)展性較強(qiáng)的小區(qū)智能視頻監(jiān)控系統(tǒng)。通過引入減緩因子等從局部和全局光照變化兩個(gè)方面改進(jìn)了混合高斯背景模型的參數(shù)更新方案，提出了基于萬(wàn)有引力定律的邊緣檢測(cè)算法，并將其與對(duì)稱差分相結(jié)合，有效地解決了運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果存在空洞、邊緣信息破碎的問題。

智能視頻監(jiān)控；入侵檢測(cè)；邊緣檢測(cè)；混合高斯背景

運(yùn)動(dòng)目標(biāo)入侵檢測(cè)是小區(qū)智能視頻監(jiān)控系統(tǒng)視頻分析的重要內(nèi)容，對(duì)視頻智能監(jiān)控系統(tǒng)進(jìn)行圖像智能分析時(shí)，首先要進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)[1]，方便對(duì)異常行為發(fā)生的位置定位。通過運(yùn)動(dòng)目標(biāo)入侵檢測(cè)，可以獲得目標(biāo)在視頻圖像中的位置、大小等信息[2]。運(yùn)動(dòng)目標(biāo)檢測(cè)的方法有很多種，各種算法在應(yīng)用背景和對(duì)象上都有各自的局限性，在理論研究或應(yīng)用工程中，應(yīng)取長(zhǎng)補(bǔ)短或合理地融合[3]。本文就對(duì)稱差分法和背景差分法進(jìn)行了研究，提出了基于萬(wàn)有引力定律邊緣檢測(cè)算法的對(duì)稱差分融合背景差分的運(yùn)動(dòng)目標(biāo)入侵檢測(cè)算法。新的算法克服了背景差分和對(duì)稱差分算法中，由于場(chǎng)景的復(fù)雜性、不可預(yù)知性、環(huán)境干擾和噪聲的存在，如光照的變化、實(shí)際背景圖像中物體的波動(dòng)、運(yùn)動(dòng)物體進(jìn)出場(chǎng)景對(duì)原場(chǎng)景的影響等缺點(diǎn)，使背景的建模和模擬變得不再困難。本文所用的數(shù)據(jù)存儲(chǔ)空間也比單純的背景差分少很多，并結(jié)合實(shí)驗(yàn)進(jìn)行了比較分析。

1 視頻智能監(jiān)控技術(shù)的發(fā)展

1.1 國(guó)外研究現(xiàn)狀

從總體上看，國(guó)外的視頻智能監(jiān)控系統(tǒng)已從理論研究和概念驗(yàn)證轉(zhuǎn)型為應(yīng)用階段，智能視頻監(jiān)控產(chǎn)業(yè)也在慢慢形成。2003年，美國(guó)國(guó)防高級(jí)研究項(xiàng)目署(DARPA)主持了高級(jí)研究項(xiàng)目VSAM視覺監(jiān)控研究，主要研究軍用和民用的自動(dòng)視頻圖像理解技術(shù)，它可以用于監(jiān)視復(fù)雜場(chǎng)景。2004年，美國(guó)Vidient公司研制的系統(tǒng)SmartCatch可以由操作人員設(shè)定規(guī)則，通過系統(tǒng)的視頻智能分析技術(shù)分析監(jiān)控場(chǎng)景，檢測(cè)出物品遺留、違規(guī)停車、警戒區(qū)非法入侵等異常行為則自動(dòng)觸發(fā)報(bào)警，用于CCTV監(jiān)控系統(tǒng)中。2006年，IBM公司研發(fā)的智能視頻監(jiān)控系統(tǒng)成功進(jìn)入市場(chǎng)應(yīng)用階段，此系統(tǒng)充分發(fā)揮網(wǎng)絡(luò)資源，將前端設(shè)備捕捉到的視頻通過網(wǎng)絡(luò)傳到安全監(jiān)控軟件，然后利用視頻分析軟件進(jìn)行處理，若發(fā)現(xiàn)異常情況自動(dòng)觸發(fā)報(bào)警。2010年， Fadhlan Hafiz等人提出了改進(jìn)的背景建模的方法，能夠適應(yīng)背景的變化，并開發(fā)了SVAS系統(tǒng)，能智能分析人的一些行為，應(yīng)用于室內(nèi)，如超市內(nèi)。此外，英國(guó)的雷丁大學(xué)已開始對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤技術(shù)進(jìn)行研究，并應(yīng)用于交通等領(lǐng)域?qū)崿F(xiàn)對(duì)人和車輛的跟蹤。微軟公司也開展了應(yīng)用于商業(yè)領(lǐng)域的手勢(shì)識(shí)別接口技術(shù)研究。

1.2 國(guó)內(nèi)研究現(xiàn)狀

國(guó)內(nèi)的研究大部分都集中在理論方面，視頻智能監(jiān)控技術(shù)的應(yīng)用研究還不是很成熟，成型的大規(guī)模的視頻智能監(jiān)控系統(tǒng)還比較少。

隸屬于中科院北京自動(dòng)化研究所的國(guó)家重點(diǎn)實(shí)驗(yàn)室，對(duì)應(yīng)用于交通領(lǐng)域的視頻監(jiān)控、人的運(yùn)動(dòng)以及簡(jiǎn)單的行為模式識(shí)別等進(jìn)行了研究探索，取得了不錯(cuò)的研究成績(jī)。國(guó)內(nèi)一些高校也進(jìn)行了視頻智能監(jiān)控技術(shù)的研究，具有代表性的是清華大學(xué)、北京大學(xué)、南京航空航天大學(xué)以及浙江大學(xué)等，課題包括背景建模、目標(biāo)分類、目標(biāo)跟蹤以及視頻內(nèi)容分析等。西北工業(yè)大學(xué)空中交通管理系統(tǒng)研究所開展了應(yīng)用于交通管理領(lǐng)域的智能視覺監(jiān)控技術(shù)研究。在關(guān)于視頻智能監(jiān)控技術(shù)的研究中，運(yùn)動(dòng)目標(biāo)檢測(cè)的研究和運(yùn)動(dòng)目標(biāo)跟蹤的研究是最基礎(chǔ)最關(guān)鍵的研究，直接影響諸如異常行為識(shí)別等后續(xù)研究的準(zhǔn)確性。目前運(yùn)動(dòng)目標(biāo)檢測(cè)與運(yùn)動(dòng)目標(biāo)跟蹤的算法，克服了視頻智能監(jiān)控中存在的一些困難，但是仍然存在許多具有挑戰(zhàn)性的實(shí)際問題，包括光照自適應(yīng)性問題、特殊天氣情況下(如霧天)的算法適用性問題等。這些問題的存在不利于視頻智能監(jiān)控系統(tǒng)的進(jìn)一步完善和推廣應(yīng)用，另外，針對(duì)小區(qū)的視頻智能監(jiān)控系統(tǒng)的研究也比較少，因此，探尋能夠從容應(yīng)對(duì)復(fù)雜環(huán)境的各種變化，精確、實(shí)時(shí)和穩(wěn)定的小區(qū)視頻智能監(jiān)控系統(tǒng)仍然是當(dāng)前亟待解決的課題。

2 自適應(yīng)更新混合高斯背景模型

運(yùn)動(dòng)目標(biāo)入侵檢測(cè)是從連續(xù)的視頻圖像序列中提取出不同幀的圖像，對(duì)這些圖像或特定區(qū)域進(jìn)行作差，若差值大于規(guī)定的閾值，認(rèn)為該區(qū)域是前景運(yùn)動(dòng)目標(biāo)區(qū)域。背景差分法是視頻智能監(jiān)控中經(jīng)常用到的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，背景差分的結(jié)果能夠體現(xiàn)出運(yùn)動(dòng)目標(biāo)的大小、形狀和位置等信息[4]。背景差分法比較簡(jiǎn)單，程序?qū)崿F(xiàn)復(fù)雜度低，能夠得到比較完整的運(yùn)動(dòng)目標(biāo)區(qū)域。目前，國(guó)內(nèi)外常用的背景提取和更新方法很多，例如中值法背景建模、均值法背景建模、單高斯分布模型、多高斯分布模型[5]、高級(jí)背景模型等。這些算法獲得的背景圖像較好，但運(yùn)算量較大，占用較多的系統(tǒng)資源，系統(tǒng)實(shí)時(shí)性差，受物體波動(dòng)、光照、陰影等外界條件的干擾較大。為更好地解決這些問題，本文在高斯背景建模算法的基礎(chǔ)上提出了新的自適應(yīng)背景提取和更新算法，從理論角度分析，該算法可以更好地適用現(xiàn)有小區(qū)的圖像處理，可抑制性更好。原始的圖像背景差分算法流程如圖1所示。

圖1 背景差分流程圖

2.1 典型的混合高斯背景建模與存在的問題

高斯背景模型分為單高斯背景模型和混合高斯背景模型，單高斯背景模型適用于室內(nèi)監(jiān)控情況以及背景不是很復(fù)雜的室外監(jiān)控情況，它用單高斯分布η(Xt,μt,Σt)為圖像的所有像素點(diǎn)顏色度量值建立分布模型，其中下標(biāo)t表示時(shí)間，μt為t時(shí)刻均值，Σt表示協(xié)方差。假設(shè)圖像某像素點(diǎn)的顏色度量為Xt，若η(Xt,μt,Σt)≤Tp(Tp為概率閾值)，那么此像素點(diǎn)屬于前景，否則屬于背景。在實(shí)際中，經(jīng)常用等價(jià)的閾值代替概率閾值。如記dt=Xt-μt,dt/σt>Tp(σt是均方差)的取值決定閾值：若dt/σt>Tp，此像素點(diǎn)屬于前景，否則就符合高斯分布，此像素點(diǎn)屬于背景。在單高斯分布背景模型中，背景的更新就是各圖像像素點(diǎn)的高斯分布相關(guān)參數(shù)的變化更新。其中背景模型更新公式如式(1)、式(2)所示：

μt+1=(1-α)*μt+α*dt

(1)

Σt+1=(1-α)*Σt+α*dt

(2)

其中，α代表更新率。

Stauffer等人提出的混合高斯背景模型[6]對(duì)每個(gè)像素點(diǎn)建立K個(gè)多維高斯分布，混合模擬此點(diǎn)的背景值。混合高斯背景建模是運(yùn)用K個(gè)單高斯模型表征圖像中每一個(gè)像素點(diǎn)的特征，在下幀圖像到來后對(duì)混合高斯背景模型更新，再用當(dāng)前圖像中的每一個(gè)像素點(diǎn)與已建立好的混合高斯背景對(duì)應(yīng)點(diǎn)的像素進(jìn)行匹配，超過閾值的像素點(diǎn)判定為前景，否則判定為背景點(diǎn)[7]。

混合高斯背景模型流程如圖2所示。

圖2 混合高斯背景建模流程圖

混合高斯背景模型的建立是對(duì)一幀圖片上的每一個(gè)像素點(diǎn)進(jìn)行高斯建模，而真正需要更新的是背景，前景圖像并不需要一起更新，否則容易在背景中出現(xiàn)前景圖像的“鬼影”。而且，每個(gè)像素點(diǎn)都進(jìn)行更新會(huì)降低背景更新的速度，對(duì)系統(tǒng)的實(shí)時(shí)性造成一定的影響[8]。

2.2 改進(jìn)的自適應(yīng)混合高斯背景建模

(1)局部光照發(fā)生變化時(shí)的改進(jìn)

在混合高斯背景建模中參數(shù)更新時(shí)，當(dāng)像素值與高斯模型匹配時(shí)，高斯分布的均值和方差如式(3)、式(4)所示：

μi,t=μi,t-1+β(Xt-μi,t-1)

(3)

(4)

因此，本文提出了具有自適應(yīng)特性的背景更新方法。設(shè)定Tσ為方差更新的閾值，并分兩種更新情況：當(dāng)|Xi,t-μi,t|>Tσ時(shí)，表示該像素值與均值有較大差距，則方差正常更新；若|Xi,t-μi,t|

(5)

其中，減緩因子κ=Xt-μi,t，當(dāng)前像素值和均值的差越小，減緩因子κ越小，方差更新越緩慢。根據(jù)經(jīng)驗(yàn)，均值更新因子取值0.015，方差更新因子取0.005。

(2)全局光照發(fā)生變化時(shí)的改進(jìn)

當(dāng)全局光照發(fā)生突變的情況下，當(dāng)前幀圖像的像素值會(huì)產(chǎn)生較大變化，這種突變對(duì)方差估計(jì)影響不大，但是對(duì)均值估計(jì)影響很大。因此，本文對(duì)均值更新部分算法進(jìn)行了改進(jìn)。設(shè)平均灰度值變化閾值為Tμ，若當(dāng)前幀像素的平均灰度值與背景模型的平均灰度值的絕對(duì)差值大于Tμ，表示光照強(qiáng)度變化較大，則更新背景模型的每一個(gè)高斯分布的均值；否則，均值正常更新。均值更新公式如式(6)所示：

(6)

這里，mean(t)代表t時(shí)刻圖像的平均灰度值。

3 改進(jìn)的對(duì)稱差分算法研究

在幀間差分算法的前提下提出了對(duì)稱差分算法，對(duì)稱差分算法的原理是：首先從圖像序列中提取出三幀圖像，先將前兩幀圖像進(jìn)行幀間差分，再將后兩幀圖像進(jìn)行幀間差分，最后將兩次幀間差分的結(jié)果進(jìn)行融合。對(duì)稱差分算法得到的結(jié)果比幀間差分算法更好，但是仍然存在缺點(diǎn)，比如檢測(cè)到的運(yùn)動(dòng)目標(biāo)邊緣不完整，前景目標(biāo)可能存在空洞，導(dǎo)致此算法的適應(yīng)性和檢測(cè)結(jié)果質(zhì)量大大降低[9]。因此，本文提出改進(jìn)的對(duì)稱差分算法，用基于萬(wàn)有引力定律的邊緣檢測(cè)算法與對(duì)稱差分相結(jié)合，操作簡(jiǎn)單，有效解決運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果存在空洞的問題。

3.1 基于萬(wàn)有引律定律的邊緣檢測(cè)算法

針對(duì)邊緣檢測(cè)算法的研究已經(jīng)有近三十年的發(fā)展歷史。如今成熟的邊緣檢測(cè)算法有很多種，但是每個(gè)算法都有其各自的優(yōu)缺點(diǎn)，沒有一種算法可以通用于所有圖像。本文提出的基于引力定律和人眼視覺特性的閾值自適應(yīng)邊緣檢測(cè)方法在檢測(cè)效果及效率上都有很好的表現(xiàn)。本文提出了全新的模板擴(kuò)展算法，該算法從不同于傳統(tǒng)的角度來闡述了邊緣檢測(cè)方法，導(dǎo)出了一種基于萬(wàn)有引力定律的邊緣檢測(cè)算法模板。該算法在閾值確定時(shí)，根據(jù)待檢像素的模板鄰域的中值，并且結(jié)合人眼的視覺特征自適應(yīng)地生成動(dòng)態(tài)閾值，克服了傳統(tǒng)的邊緣檢測(cè)算法離不開人為設(shè)定閾值的缺點(diǎn)。

(1)算法原理

根據(jù)物理學(xué)中的萬(wàn)有引力定律，任何兩個(gè)物體之間彼此存在相互的作用力，其相互作用力的大小與物體的質(zhì)量成正比，與其距離的平方成反比，如圖3所示。在本文中，把萬(wàn)有引力定律加入圖像邊緣檢測(cè)中。在某一幅圖像中，每個(gè)像素點(diǎn)可以看作一個(gè)物體，這個(gè)物體的質(zhì)量可以用該像素的灰度值來表示。對(duì)某個(gè)像素來說，其周圍的像素點(diǎn)對(duì)它作用的引力的加權(quán)是一個(gè)具有大小和方向的矢量。而這個(gè)矢量可以描述像素點(diǎn)的邊緣特性。矢量的大小表示圖像邊緣的強(qiáng)度，矢量的方向表示邊緣的方向[10]。

圖3 引力定律圖示

圖像的邊緣是有4個(gè)方向的，但是為了簡(jiǎn)化符號(hào)，只對(duì)邊緣的垂直方向進(jìn)行研究，根據(jù)垂直方向的算法也可以推算出其它方向的算法。在圖像上取某一像素點(diǎn)，此像素點(diǎn)的鄰域像素點(diǎn)對(duì)其的作用力如圖4所示，其中a=1/2。在這里，選擇像素點(diǎn)周圍的3×3鄰域進(jìn)行研究討論。

(2)生成模板

在圖像上取某一像素點(diǎn)I(i,j)，選擇此像素點(diǎn)周圍m×n的鄰域Ω，那么此像素點(diǎn)周圍每個(gè)像素點(diǎn)對(duì)它的作用力大小可以用下式(7)計(jì)算得到：

(7)

圖4 矢量的方向結(jié)構(gòu)圖

(8)

(9)

那么，像素點(diǎn)周圍鄰域Ω作用于像素點(diǎn)I的萬(wàn)有引力的矢量和計(jì)算如式(10)所示：

(10)

(11)

θ=arctan(Fx/Fy)

(12)

本文提出的算法是用圖像像素和生成的模板進(jìn)行卷積運(yùn)算[11]：

(13)

(14)

依據(jù)式(13)和(14)，令m=n=3則能夠生成兩個(gè)3×3的模板，如圖5所示。

(3)動(dòng)態(tài)閾值處理

傳統(tǒng)的邊緣檢測(cè)算法需手動(dòng)設(shè)定閾值，不同的圖像設(shè)定的閾值的大小是不同的，在實(shí)際應(yīng)用中常常受限。本文使用一種基于人類視覺的自適應(yīng)動(dòng)態(tài)閾值的方法。該算法源于人類視覺系統(tǒng)對(duì)圖像的分辨能力根據(jù)圖像灰度級(jí)不同而自適應(yīng)變化的原理[12]，人眼只能對(duì)一定范圍的灰度級(jí)圖像具有較高的識(shí)別能力，對(duì)于這種圖像的噪聲也比較敏感，而對(duì)灰度級(jí)比較高和灰度級(jí)比較低的圖像的分辨能力很差。因此，邊緣檢測(cè)算法的閾值在人眼分辨能力比較強(qiáng)的部分要設(shè)置高點(diǎn)兒，相反在人眼識(shí)別能力較低的部分閾值要小，換句話說，即使圖像具有相同的灰度差在灰度級(jí)不同的區(qū)域能否被認(rèn)為邊緣是不一定的[13]。

圖5 3×3模板圖

人類視覺系統(tǒng)分辨率比較高的灰度值大概是45到205的范圍，人眼對(duì)灰度級(jí)別的圖像識(shí)別能力與灰度值的大小并不是線性的。本文利用拋物線來計(jì)算模板邊緣檢測(cè)算法的閾值，閾值計(jì)算公式如圖5所示，并將區(qū)域分為[0，45]、(45，205)和[205，255]三個(gè)部分，閾值的函數(shù)如圖6所示。由于此方法結(jié)合了人類視覺系統(tǒng)對(duì)圖像的分辨能力根據(jù)圖像灰度級(jí)不同而不同的原理，因此此方法能應(yīng)用的圖像種類很廣泛[14]。

圖6 閾值的函數(shù)表示圖

3.2 改進(jìn)的對(duì)稱差分算法設(shè)計(jì)

本文針對(duì)傳統(tǒng)幀間差分算法[15]中存在的問題提出了改進(jìn)的算法：利用基于萬(wàn)有引律定律的邊緣檢測(cè)算法與對(duì)稱差分法進(jìn)行融合，改進(jìn)后的對(duì)稱差分算法流程如圖7所示。

圖7 改進(jìn)的對(duì)稱差分流程圖

算法介紹：(1)對(duì)圖像序列進(jìn)行預(yù)處理；(2)提取連續(xù)三幀圖像，前一幀、當(dāng)前幀、后一幀，兩兩差分并二值化，將結(jié)果進(jìn)行邏輯與運(yùn)算，同時(shí)利用基于萬(wàn)有引力定律的邊緣檢測(cè)算法進(jìn)行邊緣檢測(cè)，獲得圖像的邊界信息；(3)利用掩膜運(yùn)算提取出運(yùn)動(dòng)目標(biāo)的邊緣輪廓并消除背景圖像中的邊緣信息；(4)將第(2)步中前景檢測(cè)結(jié)果與第(3)步中掩膜運(yùn)算的結(jié)果進(jìn)行布爾或運(yùn)算后再進(jìn)行形態(tài)學(xué)處理，最終得到運(yùn)動(dòng)目標(biāo)。

4 改進(jìn)的背景差分與幀間差分算法的融合與實(shí)驗(yàn)分析

用本文改進(jìn)的對(duì)稱差分法對(duì)連續(xù)的三幀圖像進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，得到初級(jí)運(yùn)動(dòng)目標(biāo)A；同時(shí)用本文改進(jìn)的混合高斯模型進(jìn)行背景建模并提取背景圖像，利用當(dāng)前幀圖像與背景圖像進(jìn)行背景差分得到初級(jí)運(yùn)動(dòng)目標(biāo)B；再將初級(jí)運(yùn)動(dòng)目標(biāo)A和初級(jí)運(yùn)動(dòng)目標(biāo)B進(jìn)行融合；最后對(duì)融合后的二值圖像進(jìn)行形態(tài)學(xué)處理，獲得最終的運(yùn)動(dòng)目標(biāo)。算法流程如圖8所示。

為驗(yàn)證本文提出的算法，利用拍攝的小區(qū)監(jiān)控視頻圖像進(jìn)行了仿真實(shí)驗(yàn)，并與傳統(tǒng)的方法進(jìn)行了比較。

圖8 小區(qū)視頻監(jiān)控系統(tǒng)運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖

圖9 運(yùn)動(dòng)目標(biāo)檢測(cè)仿真結(jié)果圖

圖9是拍攝的小區(qū)監(jiān)控視頻進(jìn)行的仿真結(jié)果，其中圖9(a)是實(shí)時(shí)視頻中的第561幀圖像；圖9(b)是利用傳統(tǒng)的對(duì)稱差分算法檢測(cè)的結(jié)果，檢測(cè)結(jié)果中的運(yùn)動(dòng)目標(biāo)存在空洞，邊緣輪廓不完整；圖9(c)是應(yīng)用傳統(tǒng)的背景差分算法檢測(cè)的結(jié)果，由圖9(c)可知這種方法可以檢測(cè)到完整的輪廓，但是受到樹葉擾動(dòng)和光照的影響較明顯；圖9(d)是利用本文算法得到的檢測(cè)結(jié)果，可知本文算法檢測(cè)的運(yùn)動(dòng)目標(biāo)有完整的邊緣輪廓，而且消除了樹葉擾動(dòng)及光照變化等的干擾，充分證明了本文算法的實(shí)用性和有效性。

5 結(jié)論

本文介紹了高斯背景模型算法的基本原理，并通過引入減緩因子等從局部光照變化和全局光照變化兩個(gè)方面改進(jìn)了混合高斯背景模型的參數(shù)更新方案。將萬(wàn)有引力定律引入邊緣檢測(cè)算法，并將其與對(duì)稱差分相結(jié)合，有效解決了運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果存在空洞、邊緣信息破碎的問題。最后將改進(jìn)的混合高斯背景建模算法與改進(jìn)的對(duì)稱差分算法通過邏輯與運(yùn)算進(jìn)行數(shù)據(jù)融合，實(shí)現(xiàn)了小區(qū)智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)，進(jìn)行了仿真實(shí)驗(yàn)，并與傳統(tǒng)的方法進(jìn)行了比較，充分驗(yàn)證了本文算法的實(shí)用性和有效性。

[1]鄧十弟.基于交通視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤[D].西安：西北工業(yè)大學(xué)，2007:22-38.

[2]袁國(guó)武.智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D].昆明：云南大學(xué)，2012:76-82.

[3]丁忠校.視頻監(jiān)控圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)方法綜述[J].視頻應(yīng)用與工程，2008，32(5)：72-76.

[4]胡燕，嵇啟春，李智杰，等.視頻監(jiān)控中背景的提取和更新算法[J].計(jì)算技術(shù)與自動(dòng)化，2009，28(1)：142-144.

[5]王永忠，梁彥，潘泉,等.基于自適應(yīng)混合高斯模型的時(shí)空背景建模[J].自動(dòng)化學(xué)報(bào)，2009,35(4)：371-376.

[6]Stauffer C,Grimson W.Adaptive background mixture models for realtime tracking [A].In:Proceedings of IEEE Conference on Computer Visi on and Pattern Recognition [C].Fort Collins,Colorado,USA,1999:246-252.

[7]陳俊超，張俊豪，劉詩(shī)佳，等.基于背景建模與幀間差分的目標(biāo)檢測(cè)改進(jìn)算法[J].計(jì)算機(jī)工程，2011，11(37)：171-173.

[8]張鶴，吳謹(jǐn)，吳雪垠.結(jié)合對(duì)稱差分和邊界信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].信息技術(shù)，2011(11)：138-141.

[9]張鶴,吳謹(jǐn).基于運(yùn)動(dòng)信息和標(biāo)記多尺度分水嶺的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].液晶與顯示，2012，27(2)：251-256.

[10]張春雪，陳秀宏.基于非線性濾波的萬(wàn)有引力邊緣檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用，2011，31(3)：763-766.

[11]Zhang Renyan,Zhao Guoling,SUH.A new edge detection method in image processing[C].Proe of IEEE International Sympo-sium on Communications and Information Technology,2005,6(3):445-448.

[12]冷寒冰，王先，劉上乾，等.基于人眼視覺特性的鄰域自適應(yīng)模糊增強(qiáng)算法[J].光電工程，2004，31(1)：62-65.

[13]王福生，齊國(guó)清.二值圖像中目標(biāo)物體輪廓的邊界跟蹤算法[J].大連海事大學(xué)學(xué)報(bào)，2006，32(1)：62-67.

[14]昊穎謙，方濤，李聰亮，等.一種基于小波分析和人眼視覺特性的圖像增強(qiáng)方法[J].數(shù)據(jù)采集與處理，2003，18(1)：17-21.

[15]武懷金，王武江.基于幀間差分方法的運(yùn)動(dòng)目標(biāo)檢測(cè) [J].黑龍江科技信息，2012(10)：32.

(責(zé)任編輯：劉劃 英文審校：劉敬鈺)

The intrusion detection algorithm of video monitoring

QIU Nan，XING Xiao-hong，LI Zhong-hai

(College of Automation,Shenyang Aerospace University,Shenyang 110136,China)

Currently there are many kinds of intrusion detection algorithms of the moving targets,some of which have solved some practical monitoring problems.But there are many challenging ones unsolved,and still fewer studies of community intelligent video surveillance system.Therefore,the intrusion detection algorithms of the neighborhood video intelligent monitoring system are examined,and the intelligent video monitoring system with relative stability,real-time and strong scalability is designed and implemented.By introducing a mitigating factor,and from two aspects like the local and global illumination change,the parameters-updating scheme of Gaussian mixture background model is improved.The edge detection algorithm based on the law of universal gravitation is put forward,which is combined with the symmetric difference,effectively solving the problems of the emptiness and brokenness of the edge information of the moving target detection results.

intelligent monitoring;intrusion detection;edge detection;gaussian mixture background

2015-04-03

沈陽(yáng)航空航天大學(xué)青年教師自選科研課題(項(xiàng)目編號(hào)：201337Y)

邱楠(1980-)，女，遼寧沈陽(yáng)人，碩士，主要研究方向:控制科學(xué)與工程，E-mail：qiunan20002000@126.com。

2095-1248(2015)04-0083-07

TP277

A

10.3969/j.issn.2095-1248.2015.04.014