一種基于背景剪除的視頻檢測方法

蘇錫杰鄒星星

（1.廣西福利彩票發行中心，廣西 南寧 530022；2.廣西大學計算機與電子信息學院，廣西 南寧530004）

一種基于背景剪除的視頻檢測方法

蘇錫杰1鄒星星2

（1.廣西福利彩票發行中心，廣西 南寧 530022；2.廣西大學計算機與電子信息學院，廣西 南寧530004）

文章主要針對視頻監控系統中滯留物體和遺失物體的偵測問題，提出了一種實時的監測方法。該方法主要包括以下步驟：首先，利用背景剪除算法進行目標物體的分割；然后，將提取目標劃分為動態或靜態物體；最后，采用一種決策模型計算所發生事件的置信度，并且在置信度偏離設定閾值時自動觸發警報。實驗結果驗證文章算法有效性。

視頻監控；雙重背景剪除；目標分類；決策模型

1 引言

近年來，隨著人們對公共場合安全防護需求的不斷提高，如何使視頻監控系統在無人為干預的條件下實現對動態場景中目標的定位、識別和跟蹤，并在此基礎上分析和判斷目標的行為，從而主動及時地向監控人員發出異常報警信息，已經成為視頻監控系統主要的研究目標。作為視頻監控的重要任務之一，物品安全檢測也在很多領域存在著應用空間。該領域在以往的研究中已經提出了很多方法，主要集中在兩個方面的研究：運動區域監測和跟蹤信息分析方法。

現有的很多物品安全檢測方法中都包含了目標跟蹤算法[1-2]。原則上，這些方法需要解決的共同難題是對象初始化問題以及前景區域內所有偵測目標的跟蹤。為了獲得前景區域通常假設背景場景是幾乎靜止或周期性變化的，這樣同背景存在很大差異的像素點將組成前景區域。可是，現實場景中的某些因素是不可控的例如：物體部分遮擋、物體的陰影和固定的攝像機角度等，它們的存在常常會使跟蹤方法獲得無法預料的結果。

除了上述研究方法外，還有諸如文獻[3]采用時序邏輯的方法，利用視頻序列的多時空和上下文線索去檢查遺留物體，但其魯棒性有待提高。文獻[4]中則提出一種基于雙重背景檢測靜止目標的方法，該方法對輸入視頻采取不同的采樣幀速率從而構造出兩個背景。但是，這種技術對不同應用的樣本視頻很難設定統一的參數值，并且缺少判斷靜態前景目標所屬的事件類型的相關機制。在許多監控場景中，相對于初始背景會產生許多進入場景或離開場景的前景目標，如何正確劃分前景區域是否對應于滯留物或者遺失物是物品安全檢測中的基本問題，但大多數現有的系統都忽略了這一點。

2 檢測視頻前景區域分析

2.1運動狀態下目標檢測

目標檢測作為視頻監控系統中的一個重要環節，其目的是從視頻圖像序列中將變化區域從背景中分割出來。對于物品安全檢測所關心的主要是場景中相對靜止的像素點，事實上，所謂滯留物是指不屬于原始場景的物體，剛剛被放入場景中，并將保持靜止狀態。這意味著通過比較背景與運動前景區域，能夠判斷像素點是否對應于遺留物體。相反，遺失物就是指原本屬于場景的物體，被移除出場景，運用相同原理同樣可以確定像素點是否對應于遺失物。這就需要去除場景中的運動目標、光照變化以及運動目標陰影等因素的影響。可是，無論采用哪種背景模型方法進行目標檢測，為了滿足系統實時處理的需求，背景圖像是需要隨著環境的變化不斷更新，但受制于背景更新率，屬于靜態運動目標區域的像素點都有可能被誤認為是背景像素點或是運動區域像素點，從而造成目標丟失。

為了解決上述問題，本文提出一種利用時間差分法結合背景減除法的雙重背景模型：即當前背景模型（BC）和初始背景模型（BO）。使用雙重背景模型的好處是用戶可以根據不同需要和環境調整背景模型更新的時間間隔（其中當前背景模型的更新率較快），并且兩個背景在自動更新的同時，通過相互作用可以有效的減少目標丟失情況的發生。

首先，輸入視頻的前幾幀圖像用來完成兩個背景模型的初始化，接下來通過時間差分法得到二值圖像找到大致運動區域，然后分別采用改進的自適應背景更新方法，如下所示：

其中It（x,y）為t時刻輸入圖像在點（x,y）的像素值，MCt（x,y）和MOt（x,y）分別表示像素點相對于背景是否發生變化，α、β則是背景模型的更新速率，StayCount（x,y）用來描述像素點發生變化所持續的時間，也就是連續被監測為前景的時間，T0和T1用來記錄持續的幀數（T0

依據背景更新規則，可知當前背景主要用于運動前景的檢測，它可以抑制場景突變對背景模型造成的污染，并在滿足條件時將靜態運動目標融入當前背景；同時，初始背景中保持的背景信息較當前背景更加穩定，從而有利于靜止運動目標的檢測。而且兩個背景模型的更新與相應的前景圖像有著緊密聯系。

2.2圖像的陰影去除

運動目標檢測在檢測出運動目標的同時，由于陰影顯著地區別于背景并與運動目標具有相同的運動屬性，從而陰影會連同運動目標一起作為前景被檢測出來，從而系統錯誤率較高，使系統的整體性能下降。因此要正確地分析運動目標物，則必須解決陰影的影響。

本文運用基于陰影和背景區域彩色一致性的檢測算法，按照陰影區域的亮度與背景亮度相比變暗，以及其色度與背景色度的差別較小來檢測陰影。假定YUV顏色空間建立背景模型的背景中三顏色通道的方差分別為Yσ、Uσ、Vσ，可按如下規則進行判斷：

其中,xyM的值為 1，標識該像素為前景運動區域，為 0時屬于背景區域。 ()d Y為當前像素與背景中亮度信號的差值，和分別為兩個色差通道的差值。為設定的三個常數，可通道設定這三個參數來減少噪音對運動物體分割的影響。

2.3靜態的運動物體檢測

綜上所述可知，當FCt（x,y）=0，FOt（x,y）=1時，靜態運動目標可以通過比較FCt（x,y）和 FOt（x,y）的差異來獲取。設 SOt（x,y）為描述靜態運動目標的圖像，其計算過程如下：

SOt（x, y）不僅能夠較好的降低環境變化對目標檢測的影響，還能有效解決物體遮擋問題。T被定義為像素被標記為靜態運動目標的最小幀數。采用近似 StayCount（x, y）的計數法，對SOt（x, y）的每個像素點進行統計累加，當其值大于T時，像素點被確定為靜態運動目標，并且為了避免丟失目標，其值的選取應小于T1。圖1為靜態運動目標檢測的實例，圖（a）為當前背景，其更新率為 200幀；圖（b）是初始背景，其更新率為2000幀，且該圖中并不包含遺留的手提箱；圖（c）為當前圖像；每個背景所對應的前景圖像分別表示在圖（d）和圖（e）顯示；圖（f）顯示SOt（x, y）的計算結果，候選檢測目標在前景中停留的時間越長，該圖中的結果就越好。此外，圖（a）和圖（b）差異可以確定靜態運動目標的位置。

圖1　靜態運動目標檢測結果

3 滯留和偷竊物檢測

在檢測可疑事件是偷竊還是遺棄物體前，首先需要判別靜態運動目標是否為“物體”，然后再進行偷竊與遺棄物體的判別。眾所周知，Hu不變矩[5]是圖像的一種區域描述，也是圖像特征描述的常用方法。由于它具有旋轉、平移、尺度等特性的不變性，因此采用加權Hu不變距的方法來區分目標是人還是物體。

本文利用圖像相似性對目標進行分類。然后計算視頻流的每一幀圖像與標準庫圖像的歐氏距離，求出標準庫所有模板圖像中與該圖像的最小歐氏距離者（即最匹配圖像）用于判定。設m代表當前視頻幀圖像，計算其與標準庫S中各模板s之間的歐氏距離，其計算公式如下：

由式（4）可求出最小距離 ，當最小距離小于所設閾值，則認為當前幀圖像中的目標為“行人”。否則當人體行為庫中沒有與當前圖像匹配的圖像，即判定幀圖像中的目標為“物體”。

在顏色特征進行匹配時，可以通過巴特查理亞（Bhattacharyya）距離來計算顏色直方圖相似性度量。計算SR、CR和OR所對應的顏色直方圖、和，并且計算它們之間的巴氏系數 （Bhattacharya coefficient）：

其中m是直方圖的分布級總數，uq、up 和是第u級所占直方圖的權重。由此可得到相應的巴氏距離[6]：和。其中d為兩個顏色直方圖之間的距離，其值越小則兩個目標的顏色直方圖越相似。令是判斷目標為滯留和偷竊的閾值，如果區域SR和區域CR的顏色直方圖相似度大于區域SR和區域OR的顏色直方圖相似度即th<0，則說明目標物體為滯留物；反之，區域SR和區域CR的顏色直方圖差別較大，而區域SR和區域OR的顏色直方圖差別較小即th>0，則說明目標物體為偷竊物。

4 實驗結果

為了檢驗方法的有效性，實驗分別在四個場景下進行，并且還將本文提出的基于背景的判定方法與文獻[7]所提出的基于邊緣匹配判定方法進行了比較，結果如表1所示：

表1　靜態運動目標檢測結果

在所有實驗中當前背景的更新率T0為300幀，初始背景的更新率T1為3000幀，閾值T為400幀。首先采用的場景是地鐵站中遺留的手提箱。為了驗證方法的有效性，全部圖像區域都被用來實施檢測。實驗結果如圖2所示：

圖2　遺留手提箱檢測圖

另外還選取了實時視頻監控系統中的場景，實驗結果如圖3。圖中可見，在進行檢測之前，先手動設定了警戒區域，目的是盡量減小系統的運算負擔提高檢測效果。同時為了滿足實際需要，當觸發報警時系統會自動進行錄像記錄非法行為，并在報警解除后停止錄像。

圖3　物品滯留檢測

雖然在實驗中本文提出的方法能高效，準確的檢測出可疑事件的發生，依然存在一些問題有待進一步解決。例如：靜止不動的行人有時會被檢測為滯留目標。盡管在系統中加入了人和物體的識別功能，但受制于特征值的提取困難，效果并不理想。

5 總結與展望

本文提出了一種能在實時視頻監控系統中有效檢測滯留和偷竊物的方法，它不使用任何跟蹤和運動信息，依靠背景剪除模型進行靜態或者動態目標檢測，并利用相應模型判定發生事件的類型。測試結果展示出該方法在處理復雜背景環境下的優勢，并證實了其在實際應用中的有效性。

致謝

本文參考了ISTP論文格式要求，同時參考了本文作者出席的各種會議所提供的素材，由于文章篇幅，不一一列出，在此感謝所有與之相關的單位及個人。

[1] H.-H. Liao, J.-Y.Chang,and L.-G.Chen,A Localized Approach to Abandoned Luggage Detection with Foreground-Mask Sampling[C].IEEE International Conference on Advanced Video and Signal Based Surveillance, pp. 132-139, New Mexico,USA,Sept.2008.

[2] K. Smith,P.Quelhas,and D.Gatica-Perez,Detecting abandoned luggage items in a public space[C].in Proceedings of the9th IEEE International Workshop on Performance Evaluation inTracking and Surveillance (PETS ’06),pp.75–82,New York, NY, USA, June 2006.

[3] Medha Bhargava,Chia-Chih Chen, M. S. Ryoo and J. K. Aggarwal. Detection of object abandonment using temporal logic[J].Machine Vision and Applications,2009,20(5):271-281.

[4] Fatih Porikli, Yuri Ivanov,Tetsuji Haga. Robust Abandoned Object Detection Using Dual Foregrounds[J].Eurasip Journal on Advances in Signal Processing, vo. l 2008,2008, (30):1-10 .

[5] Hu MK.Visual pattern recognition by moment invariants[J]. Transactions on Information Theory,1962,8(1):179-187.

[6] T. Kailath. The Divergence and Bhattacharyya Distance Measures in Signal Selection[J].Transactions On Communications Technology,1967,15(1):52-60,1967.

[7] Spagnolo,P.;Caroppo, A.;Leo,M.;Martiriggiano,T.;D’Orazio,T;An Abandoned/Removed Objects Detection Algorithm and Its Evaluation on PETS Datasets[C]. in Proc. of IEEE AVSS, pp. 17-21, Nov. 2006.

Detection of object security in crowed environment

This paper aimed at automatic identifies events of abandoned and stolen objects detection in video surveillance system, a new method was proposed. The method mainly include following steps: the first processing phrase is object extraction, involving a background subtraction algorithm which dynamically updates background. Extracted objects are classified as static or dynamic objects. Last, a decision-making model is employed to calculate a confidence score for the classification about event, and an alarm will be automatically triggered if the score of corresponding action is higher than a pre-defined threshold. Also, the robustness and efficiency of the method was tested.

Video surveillance; background subtraction; object classification; decision-making model

TP391

A

1008-1151(2015)12-0003-03

2015-11-10

蘇錫杰（1966-），男，廣西容縣人，廣西福利彩票發行中心工程師，研究方向為計算機應用；鄒星星（1993-），女（侗族），湖南衡陽人，廣西大學計算機與電子信息學院碩士研究生。