基于高斯混合模型的電力倉庫視頻運動目標檢測*

張震宇 董丹慧 馮曙明 楊永成 包 威

（1.江蘇電力信息技術(shù)有限公司 南京 210000）（2.南京財經(jīng)大學 南京 210003）

1 引言

計算機、互聯(lián)網(wǎng)等信息技術(shù)的快速發(fā)展大大改善了現(xiàn)有的視頻監(jiān)控技術(shù)，使其廣泛應用于公安、金融、檔案等重點行業(yè)；小區(qū)、商場等社區(qū)物業(yè)管理；公共道路、違章等交通領(lǐng)域管控；變電站、電廠等電力領(lǐng)域的遠程監(jiān)控［1］。運動目標檢測對于發(fā)現(xiàn)異常事件具有關(guān)鍵作用，目標檢測也即從視頻序列中獲得動態(tài)視頻對象，并提取目標的特征信息。目前視頻監(jiān)控中運動目標檢測方法主要包括幀差法、光流法和背景減除法等［2］。由于實際應用場景中存在各種各樣的干擾因素，使得目標檢測的準確性受到一定影響，并沒有一個萬能的算法可以適用于所有的場景。因此，選擇合適的檢測算法尤為重要。

在電力行業(yè)中，智能視頻監(jiān)控系統(tǒng)可清晰直觀的監(jiān)測電力倉庫、電力設(shè)備、人員行為等，運動目標檢測算法已被廣泛應用在電力領(lǐng)域，以便及時發(fā)現(xiàn)異常行為及事件。趙俊梅等［3］采用GMM模型并結(jié)合Blob方法來檢測和跟蹤變電站中的運動物體，并通過實驗證明了該算法的實用性。王青等［4］提出了一種三幀差分法結(jié)合背景減除法的改進算法，從而能夠完整、準確地獲取視頻監(jiān)控中的運動目標信息。亢潔［5］等對傳統(tǒng)的三幀差分法實施改進，利用均值背景與三幀差分算法解決檢測過程中存在的“黑洞”問題。劉一凡［6］等利用融合時空域和頻域的目標檢測算法，對農(nóng)村變電站安全監(jiān)測上存在的問題進行了改善。

由于運動目標檢測的效果對后期操作的精度影響重大。因此，本文在綜合比較幀差法、光流法和背景減除法等算法的基礎(chǔ)上，以電力倉庫智能監(jiān)管系統(tǒng)中的事件檢測為應用場景，選取適用于電力倉庫視頻監(jiān)控系統(tǒng)場景的GMM算法，對電力倉庫攝像頭位置固定、背景靜止狀態(tài)下的運動目標檢測進行了深入的分析研究。

2 目標檢測算法的比較

目前，目標檢測方法［7］較為通用的有光流法、幀間差法和背景差法等。光流法［8］是通過估算光流（含有物體運動信息和結(jié)構(gòu)信息）從而進行檢測分割。光流場具有不連續(xù)性，因此能夠用來分割圖像，從而匹配相應的區(qū)域，但利用該方法檢測的目標物體存在邊界信息缺失的可能性且易產(chǎn)生碎塊等問題。幀間差法［9］相比與光流法具有運算量小、實現(xiàn)性強等特性，但是受外部環(huán)境影響較大，容易導致運動目標的提取不完善，只能提取部分信息，重要細節(jié)部分容易丟失，導致“陰影”現(xiàn)象出現(xiàn)。背景差法［10］相較于前兩種方法較為普遍，它通過比較輸入的圖像和背景圖像信息，利用灰度信息對運動目標進行分割。該算法可以實現(xiàn)實時檢測且運算簡單，具有較強的抗干擾能力，此算法的檢測效果主要受選取的參數(shù)的影響。因此，綜合比較三種方法的優(yōu)缺點，選取基于高斯混合模型的背景差法用于電力倉庫應用場景。

3 基于高斯混合模型的運動目標檢測算法

高斯混合模型（Gaussian Mixture Model，GMM）是由Stauffer等［11］提出的經(jīng)典的自適應背景建模算法。實際應用中，由于無法在排除外界光照的干擾，視頻中像素點的像素值無法設(shè)置為固定值，光照所引起的這種變化被證實服從高斯分布［12］。同時由于這種像素值是隨機變化的，所以，高斯背景模型可以用于外界干擾因素較少的情況下?；贕MM的視頻運動目標檢測流程［13］見圖1。

圖1 基于GMM的視頻運動目標檢測設(shè)計流程

GMM作為目前應用范圍最廣的一種檢測算法，它將背景模型描述為多個分布模型，符合其中一個分布模型（有樹葉、無樹葉）的像素即為背景像素。GMM建模過程涵蓋模型構(gòu)建、初始化、更新參數(shù)和模型生成等步驟［14］。

3.1 背景模型構(gòu)建

對于隨機變量X的觀測數(shù)據(jù)集{x1，x2，x3…xt}，xt=(rt，gt，bt)表示t時刻像素的樣本值，則xt服從高斯分布的概率密度函數(shù)［15］如下所示：

3.2 初始化參數(shù)

對模型的參數(shù)進行初始化操作，模型的均值、方差以及權(quán)重皆初始化為0，設(shè)T為訓練幀數(shù)。開始訓練模型時，設(shè)置初始均值，并使權(quán)重為1。

3.3 參數(shù)更新

將視頻中的像素點去匹配相對應的高斯分布。通過式（4）來判斷t時刻的第i個高斯分布是否與某個高斯函數(shù)匹配［16］：

若 滿 足 式（4），則 表 示xi，t與 此 高 斯 分 布η(xt，μi，t，τi，t)匹配，否則，表示不匹配。

如果xi，t與此高斯分布η(xt，μi，t，τi，t)匹配，則用此像素按照式（5）～式（7）更新背景模型。

其中，ρ=αη(xt|μi，σi)；Mi，t用來表示權(quán)重的變化，權(quán)重更新時，在匹配和不匹配狀態(tài)下，Mi，t分別為1和0；α和ρ為更新率，反映了模型適應場景變化的快慢。

如果xi，t與η(xt，μi，t，τi，t)不匹配，則增加一個高斯分布，將權(quán)重最小的分布取而代之。從而將xi，t作為新模型的均值，并將其中一個較大的方差和較小的權(quán)重進行初始化。其余模型的均值和方差皆不變，根據(jù)式（4）更新權(quán)重，其中Mi，t=0。

3.4 生成背景模型

當完成指定的幀數(shù)T訓練后，開始進行GMM個數(shù)自適應的選擇。將權(quán)重除以方差，并將模型從大到小排序，依據(jù)式（8）選擇前B個模型：

其中，Cf表示在不影響模型的情況下對屬于前景的數(shù)據(jù)最大部分的度量，通常為0～0.5。

基于此，實行匹配校驗。當最靠前的B個高斯分布可以匹配上xt的任意高斯分布，則表明該點即為背景點；如匹配失敗，則該點為前景運動目標。

4 運動目標檢測結(jié)果分析

在電力倉庫中運用視頻監(jiān)控對目標物體檢測時，首先利用GMM對背景實施建模，并依據(jù)訓練結(jié)果及時更新模型，從而獲取較為完整、準確的目標。本文實驗環(huán)境是基于Windows 7計算機系統(tǒng)，處理器為Intel 4核CPU2.8GHZ、8G RAM，采用Matlab2014軟件進行仿真實驗。實驗時，選取電力倉庫門口處視頻監(jiān)控圖像序列進行相關(guān)操作，視頻分辨率為320*240，實驗視頻數(shù)據(jù)共1783幀。

幀差法、光流法和高斯混合模型的檢測結(jié)果如圖2～圖4所示。由結(jié)果圖對比可知，幀差法對運動目標檢測存在，圖片分割比較大、輪廓不清晰及丟失較多動作幅度小的幀畫面的問題；光流法只能檢測到目標的大致輪廓信息，無法識別更為細致的輪廓數(shù)據(jù)；GMM算法在檢測時，一方面速度快且效率高，并且檢測結(jié)果具有較高的實時性，另一方面GMM提供的目標信息更為豐富，目標的輪廓更加完善。

圖2 幀差法檢測結(jié)果

圖3 光流法檢測結(jié)果

圖4 高斯混合模型檢測結(jié)果

三種方法的目標檢測時間和檢測目標個數(shù)等見表1。從表1中可知，高斯混合模型檢測時間最短，所能檢測的目標數(shù)最多，是綜合性能比較好的方法。

表1 各種方法的檢測時間與檢測目標數(shù)對比

5 結(jié)語

在電力倉庫視頻監(jiān)控方面，存在著運動目標的各種行為，為有效檢測電力倉庫視頻中異常事件及行為，本文運用GMM對電力倉庫視頻監(jiān)控中的運動目標進行檢測，并在Matlab2014軟件下進行了仿真實驗。從實驗結(jié)果看，高斯混合模型可以有效獲取較為完整、準確的目標信息，且有一定的時效性。該方法基本滿足電力倉庫視頻監(jiān)控系統(tǒng)的實時性需求，并為后續(xù)電力倉庫運動目標的跟蹤做好基礎(chǔ)。同時，該算法目前還存在一定的不足，在未來的工作中，將會繼續(xù)深入改進和完善高斯混合模型，規(guī)避該算法帶來的問題。