1 绪论
近年来，随着国民经济的快速增长、社会的迅速进步和国力的不断增强，银行、电力、交通、安检以及军事设施等领域对安全防范和现场记录报警系统的需求与日俱增，要求越来越高，视频监控在生产生活各方面得到了非常广泛的应用。虽然监控系统己经广泛地存在于各种公共场所，但实际的监控任务仍需要较多的人工完成，而且现有的视频监控系统通常只是录制视频图像，提供的信息是没有经过解释的视频图像，只能用作事后取证，没有充分发挥监控的实时性和主动性。为了能实时分析、跟踪、判别监控对象，并在异常事件发生时提示、上报，为政府部门、安全领域及时决策、正确行动提供支持，视频监控的“智能化”就显得尤为重要。智能视频监控是利用计算机视觉技术对视频信号进行处理、分析和理解，在不需要人为干预的情况下，通过对序列图像自动分析对监控场景中的变化进行定位、识别和跟踪，并在此基础上分析和判断目标的行为，能在异常情况发生时及时发出警报或提供有用信息，有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象【1】。
智能视频监控技术投入实际应用已经有数十年的历史，视频监控系统的发展也随之经历了三个阶段：
第一代:模拟时代。在20世纪90年代初以前，是以 veR(Videoeassette Reeorders)为代表的传统闭路电视监控系统，主要由模拟摄像机、专用电缆、视频切换矩阵、模拟监视器、模拟录像设备和盒式录像带等构成。其缺点是无法进行远程访问、无法与其他安防系统(如门禁、周界防护等)有效集成。
在智能化方面，第一代视频监控系统完全由监控人员通过对视频画面的观察，根据关注事件的特征对视频内容进行分类，出与目标事件相关的镜头，提取信息并给出事件分析报告。
第二代：半数字时代。在上世纪90年代中期，以 DVR(DigitalVidoo Reeorder)为代表，得益于数字视频压缩编码技术的发展。DVR使用户可以将模拟的视频信号数字化，并存储在电脑硬盘而不是盒式录像带上。进入二十一世纪后，随着网络技术的发展，DVR系统又进一步发展成为具有网络功能的 NvR(NetworkDvR)系统。
桌上冲床
在智能化方面，第二代视频监控系统可以通过训练得到监控场景中的背景模型和前景运动物体信息，对视频中的运动物体跟踪分析，得到运动物体底层特征，并且对物体按照行为原则描述进行分类，第二代视频监控系统从完全依靠人力分析发展到半自动分析。 第三代：全数字时代，即网络化视频监视系统，它基于标准的TCP/IP协议，所以又称为lP监视系统。网络化视频监视系统能够通过局域网、无线网、互联网传输，布控区域大大超过了前两代系统;它采用开放式架构，可与门禁、报警、巡更、语音等系统无缝集成;它基于嵌入式技术，性能稳定，无需专人管理;它的
灵活性大大提高，监控场景可以实现任意组合，任意调用。数字化视频监控的优点是克服了模拟闭路电视监控的局限性:数字化视频可以在计算机网络上传输图像数据，基本上不受距离限制，信号不易受干扰，可大幅度提高图像品质和稳定性;数字视频可利用计算机网络联网，网络带宽可复用，无须重复布线;数字化存储成为可能，经过压缩的视频数据可存储在磁盘阵列中或保存在光盘中，查询简便快捷。
在智能化方面，第三代视频监控系统试图利用计算机视觉技术对摄像机采集的视频信息进行分析、理解和处理，将无关的信息滤除，只将提取出的有用的信息报告给监控人员进行
处理，从而实现预警、防范和主动监测的功能，以达到代替人完成监控任务的目的【2】。
智能视频监控技术的研究不但有极其重要的实践意义，而且还有重要的理论研究意义。在计算机视觉领域中，一个最根本的问题就是如何从底层原始视频数据得到高层的语义理解，而智能视觉监控的研究正是紧紧围绕这个基本问题，研究范围不是仅局限于某个特定问题，而是涉及到计算机视觉中从底层到高层的许多基本问题。因此，该研究的成果对计算机视觉中其他研究领域有重要借鉴意义。智能视觉监控越来越受到国内外很多学者的密切注意。计算机视觉领域中的权威期刊IJCV和PALML相继在2000年6月和2000年8月出版了关于视觉监控的专刊。由Steve j .Maybank 和中科院自动化所所长谭铁牛组织的IEEE视觉监控专题讨论会也已经成功地举办了三届,收录了大量智能视觉监控领域内的最新研究成果。智能视频监控技术的长足发展还得益于计算机处理能力和存储容量的迅速提高，图像处理和网络传输技术的飞速进步，以及各种视频信息处理技术的出现。这些相关技术的进步使得视频监控逐步向全程数字化、网络化和智能化的方向发展，并且越来越具有高度的开放性、集成性和灵活性【保鲜膜切割盒3】。
2 背景模型的方法
2.1 概述
前景检测是视频监控系统的一个基本要求，也是进一步进行目标分析的基础。视频监控系统中前景检测常用的方法是背景相减，而背景相减的关键是如何从视频序列中建立背景模型，针对不同的应用环境，人们已经提出了许多背景建模的方法。常用的如基于单高斯模型的方法，基于混合高斯的方法，基于码本的方法，基于非参数变量的方法等等。本文对若干现有的背景建模方法进行了实现和实验比较，在此基础上，对各种方法的相对性和适用性进行分析和讨论。基于背景建模来提取视频序列中运动前景的主要步骤有三个：（1）训练阶段 引线框架进行背景建模。（2）检测阶段 将检测图像和背景模型进行相减运算得到运动前景。（3）更新阶段 更新背景模型参数。
2.2 高斯建模方法
对于摄像机固定的情形，采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大都是光照，风等等的影响，通过对背景建模，对一幅给定图像分离前景和背景，一般来说，前景就是运动物体，从而达到运动物体检测的目的。高斯建模又包括单高斯建模方法和混合高斯建模方法。
2.2.1 单高斯建模方法
该模型认为像素点的值在视频序列中服从高斯分布，这种模型适合用于较长时间内光照强度无明显变化，同时检测期间运动前景在背景中的阴影小的情况，它对光照强度的变化比较敏感;在场景中有运动前景时，由于只有一个模型，所以不能将其与静止背景分开，有可造成较大的虚景率。该模型将具体来说，就是针对每个固定的像素点（x,y），计算N帧训练图像序列中该点的像素值N个样本的均值和方差。将计算出来的均值（I）和方差（σ）就可以唯一确定该高斯背景模型，也就是说这个均值I软瓷生产线和方差σ是该单高斯模型的全部参数，背景相减后的值与预置（取3倍的方差）比较，即根据|I1-I|<=3σ就可以判断前景或者是背景。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，该过程可以表示为：
（2.1）
其中，图像序列，为像素值，和分别为像素点的横坐标与纵坐标， i为序列图像的帧号。
单高斯分布背景模型适用于单模态背景，它用单个高斯分布表示每个像素点的颜值分布，在分布密度函数中下标t表示时间，表示t时刻高斯分布的均值，为高斯分布的协方差。设像素点的当前颜值为，记若的值大于一定的闭值，则该点被判定为运动前景点，否则认为该点与高斯分布相匹配，为场景背景像素点。
单高斯分布背景模型的更新是指描述场景背景的高斯函数参数的更新，引入学习率表示参数的更新速度，则像素点高斯分布参数按如下公式更新：
（2.2）
其中，为当前背景图像中像素点的灰度值，也是高斯分布的均值，为当前帧像素点的灰度值，为参数更新后背景图像的灰度值。为学习率，当目标被检测为运动前景时，可以取值为0，背景模型参数取经验值，若该值取太小，会使背景模型跟不上实际场景背景的更新速度，若取值太大则可能将速度较慢的运动目标更新成为背景模型的一部分，使运动目标检测出现空洞与拖尾现象，甚至可能丢失运动前景目标。
单高斯背景模型能处理有微小变化与慢慢变化的简单场景，当较复杂场景背景变化很大或发生突变，或者背景像素值为多峰分布(如微小重复运动)时，背景像素值的变化较快，这时单高斯背景模型就无能为力，不能准确地描述背景了。
2.2.2. 混合高斯建模方法家具保护垫
混合高斯建模方法是将每个图像按照多个高斯分布混合建模，同时处理多种背景变化。为了克服单高斯建模不能处理背景中有运动目标的问题，可引入混合高斯模型，对背景的多个状态分别建模，根据数据属于哪个状态来更新该状态的模型参数，这样就解决了运动背景下的背景建模问题.不过，当背景中的状态比较多时，该模型在对背景建模时还会遇到一些问题.
在许多应用场景，如水面的波纹、摇摆的树枝、飘扬的旗帜等，像素点值都呈现出多模态特性，不能使用单高斯模型估计背景。例如，当树叶在摇动时，它会反复地覆盖某像素点然后又离开，此像素点的值会发生周期性的变化，任何一个单峰分布都无法描述该像素点的背景。为有效地提取感兴趣的运动目标，把摇动的树叶看作背景，可以采用混合高斯背景模型为这些像素点建立多峰分布模型，定义合适的像素级稳态准则，满足此准则的像素值就认为是背景，在运动目标检测时予以忽略。对于特定的应用场景，要想对特定算法的弱点与优势进行评价，必须明确这种像素级稳态准则。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议