《动态背景下监控视频的前景目标提取方法研究》-工学论文，计算机论文-论文范文参考-科学狗论文网

标题

动态背景下监控视频的前景目标提取方法研究

范文

摘要：该文针对从具有动态背景的监控视频中有效提取前景目标问题进行相关研究及建模，根据动态背景对运动目标检测所产生的影响，首先利用鲁棒混合高斯模型对多峰分布背景进行建模，提取动态背景下监控视频中具有前景目标的前景图像，接着使用中值滤波和数学形态学中的开运算对所得到的前景图像进行二次处理，滤掉大部分噪声，最终得到质量较高的前景目标图像。通过MArLAB仿真实验表明，该文提出的方法能够有效提取动态背景下监控视频的前景目标。

关键词：动态背景;前景目标提取;混合高斯背景建模;中值滤波;开运算

中图分类号：TP3 文献标识码：A

文章编号：1009-3044（2020）20-0207-02

前景目标提取作为监控视频的处理中信息提取的关键技术之一[1]。将真实的运动目标去掉干扰后在视频中全部提取出来，将为后续的视频内容处理及分类提供极大的帮助。在进行监控视频前景目标提取时，视频场景中所存在的具有不连续特点的动态背景，会造成在提取前景目标时图像信息的部分丢失，严重时将造成误判的情况。

为实现动态背景下视频的前景目标提取，Shoichi等人[2]在帧差法的基础上，利用仿射变换的方法，相邻两帧图像的背景偏移更为直观地表现出来。Hsieh[3]和Tissainaysgam等人[4]提出了对图像背景偏移后进行补偿并差分计算的方法。李博川等人[5]将HSV空间阴影抑制技术与混合高斯模型相结合，从而实现视频的前景目标提取。

由于监控视频中所包含的动态背景信息多为微小重复运动，比如窗帘和树叶的迎风摆动、湖面上泛起的层层涟漪等，都属于此类运动的动态背景，为此本文采用鲁棒混合高斯模型对有微小重复运动的复杂场景进行背景建模，从而在动态背景中提取出前景信息，对于在检测监控视频中误将动态背景检测为运动前景从而导致前景提取的二值图画面不清晰的情况，使用图像处理中形态学方面的运算和滤波运算对面面质量进行提升，滤掉存在的噪声，从而实现前景目标的有效提取。

1混合高斯背景建模

混合高斯模型的基础，是由于图像中特征点边缘的相关抖动（如水面泛起的涟漪、树叶迎风摆动等）将导致多个中心位置聚集大量的像素点，形成高斯分布。

本文提出的混合高斯背景建模，将一段时间的视频中大量样本像素点的概率密度、模式数量、模式均值和标准差等信息进行统计处理，利用样本的统计信息将图片背景描述出来，并结合统计差分的方法对目标进行提取。

像素点依据时间的推移，在监控视频里一系列时序图像中的变化，是一个随机产生像素值的过程，其呈现出的颜色是一个随机变量。本文在利用混合高斯背景模型提取前景目标时，利用高斯分布在个像素点无颜色信息关联的基础上，独立处理每个像素点的颜色信息，描述各像素点单峰或是多峰的颜色规律。利用高斯混合模型训练视频中每一帧的图像，模拟出其背景信息，再将像素点与背景信息进行匹配，从而将代表前景目标的特征像素与背景分割开来。

算法中利用多个高斯分布进行叠加，每个高斯分布具有不同的权重，代表着一种可能呈现的颜色状态，利用这种多高斯分布叠加的方法，描绘出视频中每一帧图像所包含像素点的颜色。像素点的颜色为随机变量X，其R、G、B三色通道不仅相互独立还具有相同的方差。利用统计学方法，在T时间段内，对随机变量X的观测采样数据集为{X1，X2，…，XT】，其中t（t∈T）时刻的采样值为xt=（rt，gt，bt）。Xt的混合高斯分布概率密度公式为：

其中k为分布模型总数，η（xt，μi，t，τi，t）为t时刻第i个高斯分布，μi，t为其均值，τi，t为其协方差矩阵，δi，t为方差，I为三维单位矩阵，ωi，t为t时刻第i个高斯分布的权重。

综上所述，混合高斯背景建模算法的具体流程描述如下：

（1）将像素点在t时刻的采样值Xt值与当前K个模型在t-1时刻的均值相减，找到均值偏差在2.5σ内的新像素点作为匹配该分布模型的像素点，其公式如下：

（2）对所匹配的分布模型进行检测，判定其属于背景目标或者前景目标。

（3）更新各模式在t时刻的权值，其公式如下，

其中α代表学习速率，表示算法学习速度的快慢，Wk，t表示是否匹配该模式，如匹配则Wk，t=1否则Wk，t=0，接着对每个模式的权重进行归一化处理。

（4）针对步骤（1）中未与像素匹配的模式，保持其均值和标准差不做改变，将与像素匹配的模式按照如下公式更新其在t时刻的相关参数。

（5）如果在（1）中像素点与K个模式都不匹配，则利用当前状态下权重最小的模式的均值作为当前像素点的像素值。

（6）将当前状态下的所有模式按照权重和标准差进行排序，将权重大、标准差小的模式排在前面。

（7）按照如下公式选择作为背景的模式，其中参数T表示作为背景的模式占当前所有模式的比例。

2开运算和中值滤波

为进一步提高所得到图像的质量，本文采用开运算结合中值滤波的方法，对利用混合高斯背景模型所提取的前景目标图像进行二次处理，过滤掉所得图像中的相关噪声。

利用数学形态学中的开运算，现将目标图像进行腐蚀处理，对物体的边界点进行相关的消除，使得处理后的图像沿其周边比腐蚀之前缩小一个像素的面积，接着对图像进行膨胀处理，将所有与物体接触的背景像素点融入物体之中，从而让物体增加相应数量点的面积。本文采用开运算的方法，在不明显改变原图像面积的情况下，将原图像中表示噪声的像素点进行消除和分离。

中值滤波技术作为一种信号处理方法，可以有效滤除噪音，本文利用中值滤波技术，将提取的前景目标图像中的元素点利用该元素点规定领域内的各元素点的中值代替。使得图像中前景目标周的像素点更接近于真实值，進一步消除图像中存在的噪声。二维图像中，中值滤波的输出公式如下：

其中f（x，y）表示原始图像，g（x，y）表示處理后的图像，W为使用的二维模板。

3实验仿真

为验证本文所提方法的有效性，提取一组具有动态背景的监控视频进行前景目标检测，监控视频中的动态背景为湖面上的涟漪，仿真实验在MATLAB 2016上进行。

图1为原始图像，由图2可以看出，使用混合高斯背景建模算法可有效提取除了前景目标，但是由于监控视频的背景是动态的，所形成的厕面中存在噪声和白点，由图3可以看出，利用开运算和中值滤波对图像进行进一步的处理，可以有效地去除所提取信息中的噪声和白点。通过仿真实验，验证了本文所提出方法的可行性与有效性。

4结语

本文监控视频的前景目标提取做出了细致的研究，提出了混合高斯背景建模结合开运算与中值滤波的动态背景下监控视频的前景目标提取方法，并利用MATLAB没计仿真实验，验证了该方法的有效性。

参考文献：

[1]李强.监控视频异常行为检测算法研究[D].合肥：中国科学技术大学，2017.

[2] Araki S，Matsuoka T，Yokoya N，et aI.Real-time tracking ofmultiple moving object contours in a moving camera image se-quence[J]. IEICL Transactions on Information and Systems.2000. E83-D（7）：1583-1591.

[3] Hsieh J W.Fast stitching algorithm for moving ohject detectionand mosaic construction[J]. Image and Vision Computing，2004， 22（4）：291-306.

[4] Tissainayagam P，Suter D.Object tracking in image sequencesusing point features[J]. Pattern Recognition， 2005， 38（1）： 105-113.

[5]李博川，丁轲.结合阴影抑制的混合高斯模型改进算法[J].计算机工程与科学，2016，38（3）：556-561.

【通联编辑：代影】

收稿日期：2020-04-17

作者简介：陈明智（1992-），男，湖北宜昌人，助教，主要研究方向为物联网技术、系统工程。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。