王 青， 楊耀權(quán)

(華北電力大學(xué) 控制與計算機(jī)工程學(xué)院，河北 保定 071003)

0 引言

隨著我國經(jīng)濟(jì)的蓬勃發(fā)展，社會的不斷進(jìn)步，人們開始更多地關(guān)注其生活、工作環(huán)境中的安全問題。智能視頻監(jiān)控系統(tǒng)應(yīng)運而生，并在安防領(lǐng)域、軍事領(lǐng)域、交通領(lǐng)域以及醫(yī)學(xué)領(lǐng)域得到了廣泛地應(yīng)用[1]。在安全事故易發(fā)的電力行業(yè)，視頻監(jiān)控系統(tǒng)可用于特定區(qū)域的非法入侵、周界防范檢測，以保障變電站、發(fā)電站等的公共安全；通過對危險的設(shè)備倉庫進(jìn)行警戒線穿越檢測、報警，以保障工作人員的人身安全；對輸電線進(jìn)行破損、下墜檢測，防止破損的輸電線引燃周邊野草，造成不必要的人員傷亡和經(jīng)濟(jì)損失等。

運動目標(biāo)檢測算法的準(zhǔn)確性一直是國內(nèi)外學(xué)者研究的重點。在電力監(jiān)控系統(tǒng)中，常見的目標(biāo)檢測算法[2～4]主要有：幀間差分法和背景減除法。針對這兩種主流目標(biāo)檢測算法的局限性，科研人員提出了一系列改進(jìn)算法。文獻(xiàn)[5]通過依次提取背景減除法與幀間差分法的運動前景，并將二者進(jìn)行邏輯“或”運算，避免了目標(biāo)檢測中“孔洞”和“鬼影”的產(chǎn)生。文獻(xiàn)[6]通過將幀間差分法與高斯混合模型相結(jié)合，消除了實際場景中噪聲、光線變化等因素對目標(biāo)檢測的影響，提高了目標(biāo)檢測的準(zhǔn)確度。文獻(xiàn)[7]將幀間差分法引入ViBe背景建模算法，用以快速消除目標(biāo)檢測中的鬼影現(xiàn)象，使得檢測結(jié)果更加精確。文獻(xiàn)[8]通過判定視頻序列各個像素點的運動情況，建立理想的背景模型，用以降低局部運動、噪聲等對目標(biāo)檢測精度的影響。

目前，電力監(jiān)控系統(tǒng)中運動目標(biāo)檢測算法的研究已相對成熟，能夠滿足人們的基本需求。但是，現(xiàn)實應(yīng)用場景中的光線明暗、背景變化、目標(biāo)間遮擋以及周圍環(huán)境存在的噪聲等都會對目標(biāo)檢測的準(zhǔn)確性產(chǎn)生不利影響。針對上述存在的問題，提出了一種改進(jìn)的運動目標(biāo)檢測算法。首先使用Canny邊緣檢測算子，對經(jīng)典三幀差分法進(jìn)行改進(jìn)；然后，將該方法的檢測結(jié)果與基于混合高斯模型的背景減除法的檢測結(jié)果相或，從而實現(xiàn)目標(biāo)檢測。通過進(jìn)行仿真實驗，驗證了該改進(jìn)算法用于提取電力監(jiān)控系統(tǒng)中運動目標(biāo)的有效性與實用性。

1 理論分析

1.1 幀間差分法

幀間差分法[9]主要通過分析比較視頻序列里連續(xù)幾幀圖像間的差異，對運動目標(biāo)的存在與否進(jìn)行判斷：假若視頻序列里從未出現(xiàn)運動物體，則幀與幀之間的差異幾乎為零；當(dāng)視頻序列里出現(xiàn)運動物體時，運動物體所處的位置在幀與幀之間會存在較大差異，依據(jù)此原理可實現(xiàn)運動目標(biāo)檢測。其中，三幀差分法的應(yīng)用最為廣泛，該方法通過依次選取視頻里的3幀圖像，并對其進(jìn)行兩兩差分處理，可以去除運動目標(biāo)在視頻相鄰幀間的顯露部分，使提取出來的目標(biāo)輪廓更為精確。具體實現(xiàn)步驟如下：

(1)依次選取視頻序列里連續(xù)的3幀圖像，并對選取的圖像進(jìn)行灰度化處理，得到灰度圖像fk-1(x,y)，fk(x,y)和fk+1(x,y)。

(2)對鄰近的每組灰度圖像進(jìn)行兩兩差分處理，得到差分圖像dk(x,y)與dk+1(x,y)。公式描述如下：

dk(x,y)=|fk(x,y)-fk-1(x,y)|

(1)

dk+1(x,y)=|fk+1(x,y)-fk(x,y)|

(2)

(3)選擇一個合適的閾值T，將步驟(2)中得到的差分圖像二值化，獲得對應(yīng)的二值圖像Bk(x,y)與Bk+1(x,y)。

(3)

(4)

(4)將Bk(x,y)和Bk+1(x,y)進(jìn)行邏輯“與”運算，從而得到運動目標(biāo)Rk1(x,y)。

(5)

1.2 背景減除法

背景減除法的基本思想[10，11]是：首先，依次讀取視頻序列中的每一幀圖像，并將當(dāng)前幀fk(x,y)和更新后的背景幀bk-1(x,y)相減，獲取差分圖像dk(x,y)；然后，選擇合適的閾值T，對dk(x,y)進(jìn)行閾值分割，得到二值圖像Rk2(x,y)，經(jīng)過一系列形態(tài)學(xué)處理， 從而實現(xiàn)運動目標(biāo)檢測。 公式描述如下：

dk(x,y)=|fk(x,y)-bk-1(x,y)|

(6)

(7)

背景減除法適用于固定場景中運動目標(biāo)的檢測，檢測的準(zhǔn)確性會受到現(xiàn)實場景中的光線明暗、背景變化等因素的影響。因此，該算法的難點在于建立和維護(hù)理想的背景模型，即算法在實現(xiàn)過程中需要對背景圖像進(jìn)行實時更新。

目前，比較常見的背景建模方法[12]主要包括：中值背景建模、均值背景建模、單高斯分布模型以及混合高斯分布模型。鑒于混合高斯模型對于復(fù)雜的應(yīng)用場景具有良好的適應(yīng)能力，所以本文將采用該方法對背景圖像進(jìn)行實時更新?；旌细咚贡尘敖５牟襟E[13-16]如下所示：

(1)模型初始化。根據(jù)所選取視頻序列中第一幀圖像的信息，將混合高斯模型的參數(shù)初始化。

(2)匹配判定。按照公式(8)，將t時刻的像素值It，分別和已經(jīng)建立的K(一般取值3～5)個高斯模型進(jìn)行匹配，假使符合匹配條件，就判定該點是背景點。

|It(x,y)-μi,t-1(x,y)|<2.5σi,t-1(x,y)

(8)

式中：μi,t-1和σi,t-1分別為第i個高斯分布在t-1時刻的均值和標(biāo)準(zhǔn)差。

μi,t=(1-α)μi,t-1+αIt

(9)

(10)

ωi,t=(1-α)ωi,t-1+α

(11)

(4)如果新像素與任何模型均不匹配，則進(jìn)行下述操作：如果此刻模型的數(shù)目已經(jīng)到達(dá)所允許的最大數(shù)目，則刪掉模型集合中重要性最小的單模型；反之，則增加一個新模型。

(5)待模型參數(shù)更新完畢后，將各個像素點的K個模型遵循優(yōu)先級ωi,t/σi,t，由大到小依次羅列，并將前B個模型稱作背景圖像的最佳描述。公式描述如下：

(12)

式中：T1的取值范圍為0.5

(6)根據(jù)公式(8)，分別將It與得到的B個最佳描述依次匹配，假若匹配成功，就判定該像素是背景點，反之判定其為前景點。

2 本文算法

本文提出的改進(jìn)算法的具體實現(xiàn)主要包括2個步驟：第一，引入Canny邊緣檢測算子對經(jīng)典三幀差分法進(jìn)行改進(jìn)，以提取運動目標(biāo)的完整輪廓；第二，將該改進(jìn)算法和背景減除法進(jìn)行融合。

2.1 改進(jìn)的三幀差分法

經(jīng)典三幀差分法雖然能夠快速地將電力監(jiān)控系統(tǒng)中的運動目標(biāo)輪廓提取出來，但是，使用該算法提取出來的運動目標(biāo)依然存在著邊緣不清晰、輪廓不連續(xù)的問題。針對該算法的局限性，引入Canny邊緣檢測算子對其進(jìn)行改進(jìn)，具體實現(xiàn)如下：

(1)利用經(jīng)典三幀差分法獲得兩張差分圖像dk(x,y)與dk+1(x,y)。

(2)計算差分圖像的灰度平均值圖像Gk(x,y)；選擇閾值T,對其進(jìn)行閾值分割，得二值圖像Bk1(x,y)。公式描述如下：

(13)

(14)

(3)依次對前2幀視頻圖像進(jìn)行Canny邊緣提取，得到2張邊緣圖像Ck-1(x,y)和Ck(x,y)。

(4)將2張邊緣圖像邏輯“異或”運算，獲得異或圖像Xk(x,y)。

Xk(x,y)=Ck-1(x,y)Ck(x,y)

(15)

式中：?表示異或運算符。

(5)將異或圖Xk(x,y)與二值圖Bk1(x,y)邏輯“與”運算，并將運算結(jié)果進(jìn)行腐蝕、膨脹等一系列形態(tài)學(xué)處理，最終得到目標(biāo)輪廓Ck(x,y)。

Ck(x,y)=Xk(x,y)∩Bk1(x,y)

(16)

雖然改進(jìn)的三幀差分法提取出來的目標(biāo)輪廓比較清晰、完整，但是該改進(jìn)算法依然存在著傳統(tǒng)幀差法的缺陷，即檢測出來的目標(biāo)會出現(xiàn)“空洞”現(xiàn)象。所以，本文將在該改進(jìn)算法的基礎(chǔ)之上，結(jié)合背景減除法，最終實現(xiàn)電力監(jiān)控系統(tǒng)中運動目標(biāo)的檢測。

2.2 改進(jìn)的運動目標(biāo)檢測算法

針對傳統(tǒng)幀間差分法只能夠檢測出運動目標(biāo)的大體輪廓，而背景減除法的具體實現(xiàn)依賴于理想模型的建立的缺點，為了提高目標(biāo)檢測的準(zhǔn)確性與完整性，消除單獨使用這兩種算法存在的缺陷，提出一種改進(jìn)的運動目標(biāo)檢測算法。

改進(jìn)算法的基本思想是：依次使用本文提出的結(jié)合邊緣檢測的三幀差分法和基于混合高斯模型的背景減除法對視頻序列進(jìn)行處理，得到運動目標(biāo)的邊緣圖像Ck(x,y)和前景圖像Rk2(x,y)；然后，將這2張圖像進(jìn)行邏輯“或”運算，得到二值圖像Rk(x,y)；最后，對二值圖像進(jìn)行包括腐蝕、膨脹以及孔洞填充在內(nèi)的一系列形態(tài)學(xué)處理，從而提取出運動目標(biāo)。公式描述如下：

Rk(x,y)=Ck(x,y)∪Rk2(x,y)

(17)

3 實例分析

為了驗證改進(jìn)的運動目標(biāo)檢測算法的有效性，本文選取采集自某電廠10 kV配電室的一段視頻作為測試視頻。

仿真實驗是在Window10操作系統(tǒng)中、Microsoft Visual Studio 2013開發(fā)環(huán)境下進(jìn)行的。仿真實驗的內(nèi)容包括：依次使用經(jīng)典三幀差分法、結(jié)合Canny邊緣檢測的三幀差分法、基于混合高斯模型的背景減除法以及本文提出的改進(jìn)的運動目標(biāo)檢測算法對采集的測試視頻進(jìn)行處理，并將運動目標(biāo)提取出來。實驗仿真結(jié)果如圖1所示。

圖1 不同算法的檢測結(jié)果

通過分析圖1(b)的實驗仿真結(jié)果，可以得出，使用經(jīng)典三幀差分法只能夠提取出運動目標(biāo)的大體輪廓。比較圖1(b)的2幅圖像，能夠發(fā)現(xiàn)左圖檢測到的目標(biāo)輪廓明顯比右圖更加清晰、完整，這是因為當(dāng)運動目標(biāo)所處位置在視頻序列連續(xù)幾幀中變化相對明顯時，使用該算法可以比較完整地將目標(biāo)輪廓提取出來；當(dāng)運動目標(biāo)在視頻序列連續(xù)幾幀圖像中存在大量重疊區(qū)域時，使用該算法提取的目標(biāo)輪廓會存在很多不連續(xù)點。

圖1(c)是使用改進(jìn)的三幀差分法獲得的仿真實驗結(jié)果。由于該方法是在求得灰度平均值圖像的基礎(chǔ)上進(jìn)行的閾值分割，并且引入了Canny邊緣檢測，所以提取出來的輪廓比較清晰。通過比較圖1(b)和圖1(c)的實驗仿真結(jié)果可以得出，使用改進(jìn)的三幀差分法對測試視頻中的運動目標(biāo)進(jìn)行提取，能夠?qū)⒛繕?biāo)輪廓較清晰、完整地提取出來，克服了使用經(jīng)典三幀差法提取出的運動目標(biāo)存在輪廓不明顯、邊緣不清晰的問題。

圖1(d)是使用基于混合高斯模型的背景減除法得到的實驗仿真結(jié)果。該方法通過使用混合高斯模型對背景圖像進(jìn)行實時更新，在理想環(huán)境下能夠?qū)崿F(xiàn)運動目標(biāo)的完整提??；然而在復(fù)雜的實際應(yīng)用場景中，往往不能及時反映現(xiàn)實場景的變化，容易將物體運動過程中產(chǎn)生的背景顯露區(qū)域檢測為前景，導(dǎo)致提取出來的運動目標(biāo)出現(xiàn)“拖影”現(xiàn)象，經(jīng)過一系列形態(tài)學(xué)處理后，會使得運動目標(biāo)的部分形體缺失。通過將圖1(d)與圖1(b)、圖1(c)比較，可以得出：使用該方法提取出來的運動目標(biāo)雖然比較完整，但是由于目標(biāo)“拖影”經(jīng)形態(tài)學(xué)處理掉了，使得目標(biāo)的整體輪廓并不完整。

圖1(e)是使用本文算法得到的仿真實驗結(jié)果。該方法通過將圖1(c)和圖1(d)的檢測結(jié)果進(jìn)行“或”運算，然后對運算結(jié)果進(jìn)行孔洞填充等形態(tài)學(xué)處理，使得所提取的目標(biāo)完整、輪廓清晰。將圖1(e)與圖1(c)的檢測結(jié)果進(jìn)行比較，該方法彌補(bǔ)了單獨使用改進(jìn)的三幀差分法，得到的目標(biāo)存在“空洞”的缺陷；將圖1(e)與圖1(d)進(jìn)行比較，該方法克服了單獨使用背景減除法，獲取的目標(biāo)不完整的問題；通過進(jìn)行孔洞填充，彌補(bǔ)了單純將2者進(jìn)行“或”運算得到的目標(biāo)內(nèi)部存在一些孔洞的問題。

3 結(jié)論

本文首先引入Canny邊緣檢測算子對經(jīng)典三幀差分法進(jìn)行改進(jìn)，彌補(bǔ)了經(jīng)典三幀差分法對于運動過快或過慢的物體，檢測出來的結(jié)果往往存在著邊緣不清晰的缺陷的問題，能夠?qū)⒛繕?biāo)輪廓清晰、完整地提取出來；將改進(jìn)后的三幀差分法和基于混合高斯模型的背景減除相融合，既可以克服三幀差分法提取出來的運動目標(biāo)存在“空洞”的問題，又能夠彌補(bǔ)傳統(tǒng)混合高斯模型自適應(yīng)性差、檢測出來的目標(biāo)不完整的缺點。仿真實驗結(jié)果表明，改進(jìn)的算法能夠適應(yīng)復(fù)雜的環(huán)境，將電力監(jiān)控系統(tǒng)中的運動目標(biāo)準(zhǔn)確、完整地提取出來，并為之后電力安全防護(hù)系統(tǒng)的構(gòu)建打下基礎(chǔ)。

參考文獻(xiàn)：

[1] 韓興平, 王飛, 許自綱. 數(shù)字視頻監(jiān)控技術(shù)在電力系統(tǒng)中的應(yīng)用[J]. 電力科學(xué)與工程, 2008, 24(9): 55-58.

[2] 柯天兵, 李永倩. 電力系統(tǒng)視頻監(jiān)控中目標(biāo)檢測與跟蹤算法研究[J]. 電力科學(xué)與工程, 2014, 30(1): 42-46.

[3] 代科學(xué), 李國輝, 涂丹, 等. 監(jiān)控視頻運動目標(biāo)檢測減背景技術(shù)的研究現(xiàn)狀和展望[J]. 中國圖象圖形學(xué)報, 2006, 11(7): 919-927.

[4] 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.

[5] 劉玉婷, 席慶彪, 劉慧霞. 一種基于幀間差的快速UAV運動目標(biāo)檢測方法[J]. 計算機(jī)仿真, 2014, 31(7): 36-40.

[6] 蘇劍臣, 李策, 楊峰. 基于邊緣幀差和高斯混合模型的行人目標(biāo)檢測[J]. 計算機(jī)應(yīng)用研究，2018(3)：1-2.

[7] 魏洪濤, 李瑾, 吳細(xì)秀. 融合幀差和ViBe的運動目標(biāo)檢測算法[J]. 計算機(jī)應(yīng)用研究, 2017, 34(5): 1565-1567.

[8] 劉仲民, 何勝皎, 胡文瑾, 等. 基于背景減除法的視頻序列運動目標(biāo)檢測[J]. 計算機(jī)應(yīng)用, 2017, 37(6): 1777-1781.

[9] 陳寶遠(yuǎn), 霍智超, 陳光毅, 等. 一種改進(jìn)的三幀差分運動目標(biāo)檢測算法[J]. 應(yīng)用科技, 2016, 43(2): 10-13.

[10] 杜倩. 安防監(jiān)控中的視頻分析技術(shù)研究[D]. 北京: 華北電力大學(xué), 2012.

[11] 周同雪, 朱明. 視頻圖像中的運動目標(biāo)檢測[J]. 液晶與顯示, 2017, 32(1): 40-47.

[12] 張應(yīng)輝, 劉養(yǎng)碩. 基于幀差法和背景差法的運動目標(biāo)檢測[J]. 計算機(jī)技術(shù)與發(fā)展, 2017, 27(2): 25-28.

[13] 范文超, 李曉宇, 魏凱, 等. 基于改進(jìn)的高斯混合模型的運動目標(biāo)檢測[J]. 計算機(jī)科學(xué), 2015, 42(5): 286-288.

[14] CUI W P, SHEN J Z. Moving target detection based on improved Gaussian mixture model[J]. Computer Technology and Development, 2012, 37(4): 118-124.

[15] 郭偉, 高媛媛, 劉鑫焱. 改進(jìn)的基于混合高斯模型的運動目標(biāo)檢測算法[J]. 計算機(jī)工程與應(yīng)用, 2016, 52(13): 195-200.

[16] 華媛蕾, 劉萬軍. 改進(jìn)混合高斯模型的運動目標(biāo)檢測算法[J]. 計算機(jī)應(yīng)用, 2014, 34(2): 580-584.